Strasseninstandhaltungsarbeiter
Bau, Wartung und ReparaturKI-Exposition
- Datenquelle: BLSVeröffentlicht: 2026-08
Niedrig· 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: 2026-03
0.000
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: 2025
0.09
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 100% 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
Nur exponierte AufgabenValues 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.
| Task | βE1 + 0.5 × E2 |
|---|---|
Inspect markers to verify accurate installation.O*NET Task ID 4883 | 0.5 |
Flag motorists to warn them of obstacles or repair work ahead.O*NET Task ID 4871 | 0.0 |
Set out signs and cones around work areas to divert traffic.O*NET Task ID 4872 | 0.0 |
Dump, spread, and tamp asphalt, using pneumatic tampers, to repair joints and patch broken pavement.O*NET Task ID 4874 | 0.0 |
Drive trucks to transport crews and equipment to work sites.O*NET Task ID 4875 | 0.0 |
Inspect, clean, and repair drainage systems, bridges, tunnels, and other structures.O*NET Task ID 4876 | 0.0 |
Haul and spread sand, gravel, and clay to fill washouts and repair road shoulders.O*NET Task ID 4877 | 0.0 |
Erect, install, or repair guardrails, road shoulders, berms, highway markers, warning signals, and highway lighting, using hand tools and power tools.O*NET Task ID 4878 | 0.0 |
Remove litter and debris from roadways, including debris from rock and mud slides.O*NET Task ID 4879 | 0.0 |
Clean and clear debris from culverts, catch basins, drop inlets, ditches, and other drain structures.O*NET Task ID 4880 | 0.0 |
Perform roadside landscaping work, such as clearing weeds and brush, and planting and trimming trees.O*NET Task ID 4881 | 0.0 |
Paint traffic control lines and place pavement traffic messages, by hand or using machines.O*NET Task ID 4882 | 0.0 |
Apply poisons along roadsides and in animal burrows to eliminate unwanted roadside vegetation and rodents.O*NET Task ID 4884 | 0.0 |
Measure and mark locations for installation of markers, using tape, string, or chalk.O*NET Task ID 4885 | 0.0 |
Apply oil to road surfaces, using sprayers.O*NET Task ID 4886 | 0.0 |
Blend compounds to form adhesive mixtures used for marker installation.O*NET Task ID 4887 | 0.0 |
Place and remove snow fences used to prevent the accumulation of drifting snow on highways.O*NET Task ID 4888 | 0.0 |
Perform preventative maintenance on vehicles and heavy equipment.O*NET Task ID 18783 | 0.0 |
Drive heavy equipment and vehicles with adjustable attachments to sweep debris from paved surfaces, mow grass and weeds, remove snow and ice, and spread salt and sand.O*NET Task ID 18784 | 0.0 |
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
Berufsinformationen
Aktuelle Veränderungen mit Bezug zu diesem Beruf
März 2026: Evergreen blog post published analyzing low AI exposure for highway maintenance
[Quelle: AI Changing Work Blog]