Kundendienstmitarbeiter
Büro und VerwaltungsunterstützungKI-Exposition
- Datenquelle: BLSVeröffentlicht: '26.08
Sehr hoch· relativ
NiedrigVier relative BänderSehr hochWert auf Berufsgruppenebene
Skala, Bezugsmenge und Quelle
Vier relative Bänder (Niedrig / Mittel / Hoch / Sehr hoch)
831 detaillierte Berufe in der BLS-Beschäftigungsprojektionstabelle. Der Wert wird je Code der National Employment Matrix (NEM) vergeben, daher erhalten Berufe mit demselben NEM-Code dasselbe Band
- Datenquelle: AnthropicVeröffentlicht: '26.03
0.701
0.000Spannweite der hier geführten Werte0.745Skala, Bezugsmenge und Quelle
Index der beobachteten Exposition, 0–1 wie veröffentlicht
Auf O*NET-Aufgaben abgebildet
- Datenquelle: ILOVeröffentlicht: '25
0.58
0.09Spannweite der hier geführten Werte0.70Wert auf Berufsgruppenebene
Skala, Bezugsmenge und Quelle
Index der Exposition gegenüber generativer KI, 0–1 wie veröffentlicht
ISCO-08-Berufsgattung — alle Berufe mit demselben Code erhalten diesen Wert
Von dieser Website berechnet, nicht von der IAO veröffentlicht: Von den 1.012 Berufen, die diese Website mit dem IAO-Datensatz verknüpft, erreichen oder übertreffen 5% diesen Wert.
Welche Art von Wert diese Quelle veröffentlicht
Die Kategorie von BLS ist ein relativer Rang und kein absolutes Niveau, und sie ist keine eigene Messung: Sie fasst die Perzentilränge des Berufs aus mehreren veröffentlichten Studien in vier Bänder zusammen. Sie ist weder eine Beschäftigungs- oder Lohnprognose noch eine Einführungswahrscheinlichkeit und unterscheidet nicht zwischen Automatisierung und Augmentierung.
Task-level exposure
Values in this tab are predicted labels, not observations. Eloundou et al. (2023) published two rating regimes — human raters and GPT-4 — and the β shown here is derived from the GPT-4 rater basis alone; the same task can take a different value under the other regime. The unit and the meaning differ from the observed shares (%) in the other tabs, so do not place them on the same axis.
| Task | βE1 + 0.5 × E2 |
|---|---|
Complete contract forms, prepare change of address records, or issue service discontinuance orders, using computers.O*NET Task ID 2584 | 1.0 |
Compare disputed merchandise with original requisitions and information from invoices and prepare invoices for returned goods.O*NET Task ID 2589 | 1.0 |
Keep records of customer interactions or transactions, recording details of inquiries, complaints, or comments, as well as actions taken.O*NET Task ID 2578 | 0.5 |
Resolve customers' service or billing complaints by performing activities such as exchanging merchandise, refunding money, or adjusting bills.O*NET Task ID 2579 | 0.5 |
Check to ensure that appropriate changes were made to resolve customers' problems.O*NET Task ID 2580 | 0.5 |
Contact customers to respond to inquiries or to notify them of claim investigation results or any planned adjustments.O*NET Task ID 2581 | 0.5 |
Refer unresolved customer grievances to designated departments for further investigation.O*NET Task ID 2582 | 0.5 |
Determine charges for services requested, collect deposits or payments, or arrange for billing.O*NET Task ID 2583 | 0.5 |
Obtain and examine all relevant information to assess validity of complaints and to determine possible causes, such as extreme weather conditions that could increase utility bills.O*NET Task ID 2585 | 0.5 |
Solicit sales of new or additional services or products.O*NET Task ID 2586 | 0.5 |
β = E1 + 0.5 × E2 · E1 = tasks where direct LLM access alone cuts time by at least 50%, E2 = tasks where software built on top of an LLM cuts time by at least 50%. Values take only 0 / 0.5 / 1.0.
Data sources & licenses — O*NET®, Eloundou et al. (2023): see full notices on the Credits page
Occupation information
Aktuelle Veränderungen mit Bezug zu diesem Beruf
Juni 2026: Cited by ADP Research as an example of a high-AI-exposure occupation. Group-level payroll data shows employment in high-exposure occupations down 0.2% year over year overall and down 4.3% for workers aged 22-25 (33rd consecutive monthly decline). The percentages are for the high-exposure group, not for this occupation alone.
[Quelle: ADP Research, Canaries Dashboard (June 2026)]Mai 2026: Anthropic observed-exposure score: high (zero->observed gap small). High observed exposure due to simpler software pipelines and lower integration cost.
[Quelle: Anthropic Economic Research (Massenkoff & McCrory, 2026)]Apr. 2026: NBER survey of 6,000 executives: 69% use AI but 90% report zero employment impact. Executives predict -0.7% employment decline over next 3 years.
[Quelle: NBER Working Paper 34836]