Versicherungsmathematiker
Wirtschaft und FinanzenKI-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
0.063
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
0.53
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 14% 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 Aufgaben| Task | Claude.aiRaw / share % | APIRaw / share % |
|---|---|---|
Decline excessive risks.13-2053 | 0.012389.1 | 0.011869.3 |
Write to field representatives, medical personnel, and others to obtain further information, quote rates, or explain company underwriting policies.13-2053 | 0.001510.9 | —0 |
Decrease value of policy when risk is substandard and specify applicable endorsements or apply rating to ensure safe profitable distribution of risks, using reference materials. | —0 | 0.002816.3 |
Examine documents to determine degree of risk from such factors as applicant financial standing and value and condition of property. | —0 | 0.002514.5 |
| Not observed on any surface — 3 task(s) — These tasks have no row in the source for this release. The 0 in the share row is a display-stage composition ratio; absence is what the — in the raw row states. | ||
Evaluate possibility of losses due to catastrophe or excessive insurance. | —0 | —0 |
Review company records to determine amount of insurance in force on single risk or group of closely related risks. | —0 | —0 |
Authorize reinsurance of policy when risk is high. | —0 | —0 |
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 |
|---|---|
Write to field representatives, medical personnel, or others to obtain further information, quote rates, or explain company underwriting policies.O*NET Task ID 1262 | 1.0 |
Decline excessive risks.O*NET Task ID 1261 | 0.5 |
Evaluate possibility of losses due to catastrophe or excessive insurance.O*NET Task ID 1263 | 0.5 |
Decrease value of policy when risk is substandard and specify applicable endorsements or apply rating to ensure safe, profitable distribution of risks, using reference materials.O*NET Task ID 1264 | 0.5 |
Review company records to determine amount of insurance in force on single risk or group of closely related risks.O*NET Task ID 1265 | 0.5 |
Authorize reinsurance of policy when risk is high.O*NET Task ID 1266 | 0.5 |
Examine documents to determine degree of risk from factors such as applicant health, financial standing and value, and condition of property.O*NET Task ID 21045 | 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®, Anthropic Economic Index, Eloundou et al. (2023): see full notices on the Credits page
Occupation information
Aktuelle Veränderungen mit Bezug zu diesem Beruf
Apr. 2026: ATE 0.42 by 2027 in SF Bay Tier 1. Rule-application heavy roles with thin P1 (interpersonal) and P2 (regulatory) penalties show fast agentic exposure climb.
[Quelle: arXiv 2604.00186 (Gupta & Kumar, 2026)]März 2026: Published evergreen blog analysis: AI exposure 64%, automation risk 62/100 in 2025.
[Quelle: AI Changing Work Blog]