Methodik
Wie wir die Auswirkungen von KI auf Berufe analysieren und messen.
Datenquellen
Basierend auf begutachteter Forschung von Anthropic, OpenAI, Google DeepMind, staatlichen Arbeitsstatistiken und akademischen Veröffentlichungen.
Analyserahmen
Wir zerlegen jeden Beruf in einzelne Aufgaben und bewerten den Grad der möglichen Automatisierung durch aktuelle und zukünftige KI-Systeme.
Wichtige Referenzen
Alle Datenpunkte sind mit ihren Originalquellen verknüpft. Wir stellen vollständige Zitierinformationen für Transparenz bereit.
Literaturverzeichnis
Alle in unserer Analyse zitierten Datenquellen und Forschungsarbeiten.
12 Referenzen
- [1]Bericht
Anthropic Research Team
“Labor market impacts of AI: A new measure and early evidence”
Anthropic, 2026.
Führt die Metrik 'beobachtete Exposition' ein, die theoretische LLM-Fähigkeiten mit realen Claude-Nutzungsdaten kombiniert.
- [2]Bericht
Ruth Appel, Maxim Massenkoff, Peter McCrory, Miles McCain, Ryan Heller, Tyler Neylon, Alex Tamkin
“Anthropic Economic Index report: economic primitives”
Anthropic, 2026.
Definiert fünf wirtschaftliche Grundelemente für die KI-Aufgabenklassifizierung.
- [3]Arbeitspapier
Andrew Johnston, Christos Makridis
“The Labor Market Effects of Generative AI: A Difference-in-Differences Analysis”
SSRN, 2025.
Wendet die Differenz-in-Differenzen-Methodik an, um die Arbeitsmarkteffekte generativer KI zu messen.
- [4]Artikel
Erik Brynjolfsson, Bharat Chandar, Ruyu Chen
Stanford Digital Economy Lab, 2025.
Junge Softwareentwickler (22-25) verzeichnen ~20% Beschäftigungsrückgang seit dem Höchststand 2022.
- [5]Bericht
Kunal Handa, Alex Tamkin, Miles McCain, Saffron Huang, Esin Durmus, Sarah Heck, Jared Mueller, Jerry Hong, Stuart Ritchie, Tim Belonax, Kevin K. Troy, Dario Amodei, Jared Kaplan, Jack Clark, Deep Ganguli
“Which Economic Tasks are Performed with AI? Evidence from Millions of Claude Conversations”
Anthropic, 2025.
Analysiert Millionen von Claude-Gesprächen, um die KI-Nutzung auf O*NET-Berufsaufgaben abzubilden.
- [6]Arbeitspapier
Menaka Hampole, Dimitris Papanikolaou, Lawrence DW Schmidt, Bryan Seegmiller
“Artificial Intelligence and the Labor Market”
National Bureau of Economic Research, 2025.
Instrumente für die KI-Adoption auf Unternehmensebene unter Verwendung historischer universitärer Einstellungsnetzwerke.
- [7]Artikel
Sarah Eckhardt, Nathan Goldschlag
“AI and Jobs: The Final Word (Until the Next One)”
Economic Innovation Group (EIG), 2025.
Findet, dass der KI-Effekt auf Arbeitsplätze nach konventionellen Metriken 'unsichtbar' ist.
- [8]Datensatz
U.S. Bureau of Labor Statistics
“Employment Projections: 2024-2034”
U.S. Bureau of Labor Statistics, 2024.
Prognostiziert 5,2M neue Arbeitsplätze 2024-2034 (+3,1% gesamt). Computer & Mathematik +10,1%.
- [9]Artikel
Xiang Hui, Oren Reshef, Luofeng Zhou
“The Short-Term Effects of Generative Artificial Intelligence on Employment”
Organization Science, 2024.
Untersucht die Auswirkungen generativer KI auf Freelance-Plattformen.
- [10]Artikel
Tyna Eloundou, Sam Manning, Pamela Mishkin, Daniel Rock
“GPTs are GPTs: An early look at the labor market impact potential of large language models”
arXiv, 2023.
80% der US-Arbeitskräfte könnten 10%+ ihrer Aufgaben durch LLMs betroffen sehen.
- [11]Artikel
Daron Acemoglu, David Autor, Jonathon Hazell, Pasciano Restrepo
“Artificial Intelligence and Jobs: Evidence from Online Vacancies”
Journal of Labor Economics, 2022. DOI: 10.1086/718327
Analysiert die Auswirkungen von KI auf Stellenanzeigen anhand von Vakanzdaten.
- [12]Artikel
Daron Acemoglu, Pasciano Restrepo
“Robots and Jobs: Evidence from US Labor Markets”
Journal of Political Economy, 2020. DOI: 10.1086/705716
Schätzt, dass ein zusätzlicher Roboter pro tausend Arbeitnehmer das Beschäftigungs-Bevölkerungs-Verhältnis um 0,2pp senkt.