Methodik

Unsere Analyse integriert mehrere massgebliche Datenquellen, um einen umfassenden Blick auf die Auswirkungen von KI auf Berufe zu bieten. Wir ueberwachen kontinuierlich neue Forschung.

• Massenkoff & McCrory (2026) - Auswirkungen von KI auf den Arbeitsmarkt: beobachtete Expositionsmetrik aus realen Claude-NutzungsdatenPrimaer
• Eloundou et al. (2023) - GPTs are GPTs: theoretisches Aufgabenexpositions-Framework (Beta-Scores 0, 0.5, 1)
• Brynjolfsson et al. (2025) - Kanarienvogel in der Kohlenmine: beobachtete Beschaeftigungseffekte mit ADP-Gehaltsmikrodaten
• U.S. Bureau of Labor Statistics (2024) - Beschaeftigungsprognosen 2024-2034 mit berufsspezifischen Wachstumsraten
• O*NET SOC-Klassifizierungssystem - standardisierte Berufs- und Aufgabentaxonomie fuer alle Bewertungen

Wir verwenden vier primaere Metriken zur Quantifizierung der KI-Auswirkungen auf jeden Beruf. Jede Metrik erfasst eine andere Dimension der Interaktion von KI mit Arbeitsaufgaben.

Gesamtexposition

Eine kombinierte Metrik, die theoretische und beobachtete Expositionsdaten synthetisiert, um einen einzelnen Zusammenfassungswert (0-100) zu liefern, wie stark sich die Aufgaben eines Berufs mit aktuellen KI-Faehigkeiten ueberschneiden.

Theoretische Exposition

Misst, was KI basierend auf akademischer Forschung und Faehigkeitsbewertungen potenziell automatisieren koennte. Hauptsaechlich abgeleitet aus den Beta-Aufgabenexpositions-Scores von Eloundou et al. (2023).

Beobachtete Exposition

Misst, was KI in der Praxis tatsaechlich tut, basierend auf realen Nutzungsdaten. Abgeleitet aus Anthropics Analyse von Millionen Claude-Gespraechen, die auf O*NET-Berufsaufgaben abgebildet wurden.

Automatisierungsrisiko

Die Wahrscheinlichkeit einer signifikanten Arbeitsplatzverdrängung innerhalb des bewerteten Zeitrahmens. Kombiniert Expositionsmetriken mit Beschaeftigungstrenddaten, Lohnniveaus und Aufgabensubstituierbarkeit.

Wir zerlegen jeden Beruf in einzelne Aufgaben und bewerten den Grad der moeglichen Automatisierung durch aktuelle und zukuenftige KI-Systeme. Dieser aufgabenbezogene Ansatz liefert differenziertere Einblicke als Gesamtberufschaetzungen.

Aufgabenbezogene Zerlegung

Jeder Beruf wird mithilfe der detaillierten Arbeitsaktivitaeten (DWA) von O*NET in seine Einzelaufgaben zerlegt. Wir bewerten jede Aufgabe unabhaengig, anstatt pauschale Urteile ueber ganze Berufe zu faellen.

Beta-Score-Methodik

Gemaess Eloundou et al. (2023) erhaelt jede Aufgabe einen Beta-Score: 0 (keine Exposition), 0.5 (teilweise Exposition mit menschlicher Aufsicht) oder 1 (vollstaendige Exposition gegenueber KI-Automatisierung). Diese Scores werden aggregiert, um berufsbezogene Metriken zu erzeugen.

Zeitreihenkonstruktion (2023-2028)

Wir konstruieren Zeitreihendaten unter Verwendung tatsaechlicher Messungen fuer 2023-2025 und geschaetzter Prognosen fuer 2026-2028. Tatsaechliche Daten werden in allen Visualisierungen durch durchgezogene vs. gestrichelte Linien klar von Schaetzungen unterschieden.

Prognosemethodik

Zukunftsgerichtete Schaetzungen (2026-2028) basieren auf beobachteten Trendraten, angekuendigten KI-Faehigkeitsverbesserungen und BLS-Beschaeftigungsprognosen. Alle prognostizierten Werte sind klar als Schaetzungen gekennzeichnet.

Transparenz ueber unsere Einschraenkungen ist fuer eine verantwortungsvolle Analyse unerlässlich. Benutzer sollten diese Faktoren bei der Interpretation unserer Daten beruecksichtigen.

Stichprobengroessen

Unsere beobachteten Expositionsdaten basieren auf Millionen von Claude-Gespraechen und bieten eine robuste statistische Abdeckung fuer haeufig genutzte Berufe. Weniger gaengige Berufe koennen jedoch kleinere Stichproben und breitere Konfidenzintervalle aufweisen.

Geografische und berufliche Abdeckung

Derzeit 55 Berufe abdeckend mit Plaenen zur Erweiterung auf 200+. Die Daten spiegeln hauptsaechlich den US-amerikanischen Arbeitsmarkt und englischsprachige KI-Interaktionen wider, was globale Muster moeglicherweise nicht vollstaendig repraesentiert.

Aktualisierungshaeufigkeit

Kernmetriken werden aktualisiert, wenn neue Forschungspublikationen oder Datenveroeffentlichungen verfuegbar werden. BLS-Prognosen werden jaehrlich aktualisiert. Beobachtete Expositionsdaten werden bei neuen Analysen von Anthropic aktualisiert.

Theoretische vs. beobachtete Luecke

Es besteht oft eine erhebliche Luecke zwischen theoretischer Exposition (was KI tun koennte) und beobachteter Exposition (was KI tatsaechlich tut). Adoptionsbarrieren, regulatorische Beschraenkungen und organisatorische Traegheit bedeuten, dass die tatsaechliche KI-Auswirkung typischerweise hinter den technischen Faehigkeiten zurueckbleibt.

Wir fuehren ein transparentes Protokoll ueber wichtige Datenaktualisierungen und Methodikaenderungen.

Alle Datenpunkte sind mit ihren Originalquellen verknuepft. Wir stellen vollstaendige Zitierinformationen fuer Transparenz bereit. Siehe die vollstaendige Referenzliste unten.