Wie KI-„Jobrisiko“-Scores wirklich berechnet werden

Andrej Karpathy, a co-founder of OpenAI, spent a Saturday morning in March 2026 on a small side project: he had an LLM score how "digitally exposed" a few hundred U.S. occupations are, on a 0-to-10 scale. Software developers landed at 9 out of 10. The story spread fast, and by the next morning Karpathy had taken it down (it has since been restored with added disclaimers). He said it had been "wildly misinterpreted," even though the project notes explicitly warned that a high score did not mean a job would disappear.

Wie KI-Jobrisiko-Scores berechnet werden, ist wichtiger als die Schlagzeilen-Zahl selbst. Karpathys Projekt, Goldman Sachs, der Internationale Währungsfonds (IWF) und Anthropic verwenden alle unterschiedliche Konstruktionen von „Exposition“, sodass ihre Prozentwerte nicht austauschbar sind.

Derselbe Beruf kann je nach Methode sehr unterschiedliche Werte erhalten, und keine dieser Kennzahlen sagt für sich genommen, ob Sie Ihren Job verlieren werden.

Kurzfassung

• Öffentliche „KI-Jobrisiko“-Zahlen sind keine einheitliche Metrik. Viele gehen von einer theoretischen Exposition auf Basis von Fähigkeiten oder Aufgaben eines Berufs aus, während Anthropic zusätzlich die beobachtete KI-Nutzung misst; Arbeitgeberbefragungen wie die des Weltwirtschaftsforums nutzen wiederum ein ganz anderes Instrument.
• Theoretische und nutzungsbasierte Messungen können für denselben Beruf stark auseinandergehen. In Anthropics Vergleich vom März 2026 setzte das theoretische Maß von Eloundou et al. die Aufgaben in Informatik und Mathematik bei 94 % Exposition an, während Anthropics Maß der beobachteten Exposition 33 % erreichte.
• Eine 2025 in PNAS Nexus erschienene, begutachtete Studie verglich zwölf Expositions-Scores mit dem Arbeitslosigkeitsrisiko und stellte fest, dass der beste einzelne Score allein 10,7 % der Varianz erklärte; die Kombination aller zwölf hob diesen Wert auf 29,8 %.
• Bevor Sie der nächsten „KI-Jobrisiko“-Zahl trauen, lautet die nützliche Frage, welche Methode sie hervorgebracht hat, nicht nur, was die Zahl sagt.

Was dieser Artikel nicht behandelt

Dieser Artikel erklärt einen Mechanismus, er fällt kein Urteil über einen bestimmten Beruf. Ein paar benachbarte Fragen bleiben daher außen vor:

• Er stuft nicht ein, welche Berufe am sichersten oder am stärksten gefährdet sind. Das wäre ein anderer Text.
• Er analysiert nicht die aktuellen Einstellungstrends nach Alter oder Erfahrung; solche Arbeitsmarktergebnisse brauchen eine andere Evidenzbasis als Expositions-Scores.
• Er prognostiziert nicht, wohin sich KI-Fähigkeiten entwickeln. Die Methodenfrage gilt unabhängig davon, wie gut künftige Modelle werden.

Wie theoretisches Expositions-Scoring funktioniert: O*NET, AIOE, Goldman Sachs und der IWF

Der AI Occupational Exposure Index, kurz AIOE, verknüpft zehn Kategorien von KI-Anwendungen mit 52 beruflichen Fähigkeiten aus O*NET. Eine per Crowdsourcing erstellte Matrix bewertet, wie eng jede KI-Anwendung mit jeder menschlichen Fähigkeit zusammenhängt, und der Score wird dann danach gewichtet, wie verbreitet und wichtig diese Fähigkeiten in einem Beruf sind. Die Ökonomen Edward Felten, Manav Raj und Robert Seamans veröffentlichten die Methode im Strategic Management Journal im Jahr 2021. Sie wurde zu einer einflussreichen Grundlage für spätere Versuche, die berufliche KI-Exposition zu messen.

Das Wichtigste am AIOE: Er misst Exposition, nicht Adoption. Er schätzt, wie stark Fortschritte bei KI-Anwendungen mit den Fähigkeiten überlappen, die ein Beruf verlangt; er sagt nicht, ob Arbeitgeber dort KI einsetzen, ob sich der Einsatz wirtschaftlich lohnt oder ob die Beschäftigung sinken wird.

Der IWF übernahm das Expositionsmaß von Felten, Raj und Seamans in einer Staff Discussion Note vom Januar 2024 und kombinierte es mit einem separaten Komplementaritätsindex, der erfasst, wie stark ein Beruf durch Faktoren wie menschliches Urteilsvermögen, sozialen Kontext und physische Präsenz vor einer vollständigen Substitution geschützt ist. Mit diesem Rahmen schätzte der IWF, dass fast 40 % der weltweiten Beschäftigung in hoch exponierten Berufen liegt, in fortgeschrittenen Volkswirtschaften sogar rund 60 %.

Die Analyse von Goldman Sachs vom April 2026 geht einen ähnlichen Schritt weiter: Sie kombiniert einen früheren KI-Verdrängungs-Score mit dem Komplementaritätsindex der IWF-Ökonomen, um wahrscheinliche Substitution von Augmentation zu trennen. Goldman schätzt eine Nettobremse von rund 16.000 Stellen pro Monat auf das US-Beschäftigungswachstum im vergangenen Jahr, während Berufe mit KI-Augmentationspotenzial etwa 9.000 Stellen pro Monat hinzugewannen.

Hinweis: Der Future of Jobs Report des Weltwirtschaftsforums prognostiziert bis 2030 92 Millionen verdrängte und 170 Millionen neu geschaffene Stellen, ist aber völlig anders aufgebaut. Er stammt aus einer Befragung von mehr als 1.000 Arbeitgebern, die die von ihnen erwarteten Personalveränderungen angeben: eine Selbstauskunft der Arbeitgeber, kein Scoring per Aufgabenzerlegung. Zwei strukturell verschiedene Instrumente landen so im selben Satz von „X Millionen Jobs“.

Wie Anthropic die „beobachtete Exposition“ anders misst

Anthropics Economic Index, erstmals im Februar 2025 veröffentlicht, geht von einer völlig anderen Art von Daten aus: rund einer Million echter Claude.ai-Unterhaltungen, die durch ein internes Werkzeug namens Clio laufen, das jede Unterhaltung einer konkreten Aufgabe in derselben O*NET-Datenbank zuordnet, aus der auch die Aufgabenzerlegungs-Scores schöpfen, ohne dass ein Forscher den zugrunde liegenden Chat liest. Wo der AIOE fragt, ob KI eine Aufgabe plausibel erledigen könnte, fragt der Index, wofür die Leute sie tatsächlich einsetzen. Dieser erste Bericht teilte die Unterhaltungen in 57,4 % Augmentation, bei der Claude unterstützt, während ein Mensch die Arbeit weiter steuert, und 42,6 % Automatisierung, bei der Claude die Aufgabe faktisch von Anfang bis Ende erledigt.

In seiner Folgestudie vom März 2026 verwandelte Anthropic diese Nutzungsdaten in ein neues Maß der „beobachteten Exposition“. Es beginnt mit O*NET-Aufgaben und den theoretischen Aufgabenexpositions-Schätzungen von Eloundou et al. (2023) und zählt eine Aufgabe nur dann als abgedeckt, wenn sie in der arbeitsbezogenen Claude-Nutzung oft genug auftaucht. Vollständig automatisierte Nutzungen erhalten volles Gewicht, augmentierende Nutzungen halbes Gewicht, und die Aufgabenabdeckung wird nach dem Zeitanteil gewichtet, den Beschäftigte auf jede Aufgabe verwenden. In Informatik- und Mathematikberufen erreicht das theoretische β-Maß von Eloundou et al. 94 % der Aufgaben, während Anthropics Maß der beobachteten Exposition 33 % erreicht. Die Lücke ist kein Widerspruch: Das eine misst technische Machbarkeit, das andere fügt beobachtete Adoption und Nutzung hinzu.

Nicht jeder, der Anthropics eigene Berichte liest, hat den Vergleich unkritisch übernommen. Als Reaktion auf einen verwandten Bericht vom Januar 2026 schrieb ein Hacker-News-Kommentator Folgendes: „Ich hatte erwartet, Messungen der wirtschaftlichen Produktivität zu sehen, die durch den Einsatz künstlicher Intelligenz entsteht. Stattdessen sehe ich Messungen des Einsatzes künstlicher Intelligenz.“ Diese Unterscheidung lohnt sich festzuhalten: Nutzungsvolumen und wirtschaftliche Produktivität sind nicht dasselbe, und keines von beiden ist dasselbe wie Jobverlust.

Dieser Bericht vom Januar 2026, Anthropics eigenes Update zu ökonomischen Primitiven, zeigt, dass sich das Verhältnis von Augmentation und Automatisierung erneut verschoben hatte: Augmentation vorn mit 52 % der Unterhaltungen gegenüber 45 % Automatisierung, dazu ein neuer fünfteiliger Rahmen, der Aufgabenkomplexität, Fähigkeiten, Anwendungsfall, KI-Autonomie und Aufgabenerfolg erfasst. Betrachten Sie das als neue Momentaufnahme eines sich entwickelnden Index, nicht als Widerspruch zu den Zahlen vom Februar 2025. Nutzungsmuster verschieben sich, wenn Menschen neue Dinge finden, die sich delegieren lassen.

Ein Wert von 94 % theoretischer Exposition und ein Wert von 33 % beobachteter Exposition können dieselbe Berufsgruppe beschreiben, ohne sich zu widersprechen, weil sie unterschiedliche Dinge messen.

Warum „Exposition“ nicht dasselbe ist wie „Jobverlust“

„Expositionsindikatoren zeigen technologische Anfälligkeit, nicht Arbeitsmarktergebnisse.“

Internationale Arbeitsorganisation, April 2026

Ein theoretischer und ein beobachteter Expositions-Score erfassen beide etwas Reales über das Verhältnis eines Berufs zu KI-Fähigkeiten. Keiner von beiden sagt Ihnen, ob es diesen Beruf nächstes Jahr noch gibt.

Im Jahr 2025 prüften Morgan Frank, Yong-Yeol Ahn und Esteban Moro diese Lücke anhand von US-Arbeitslosendaten. Sie verglichen zwölf veröffentlichte Expositions-Scores mit dem monatlichen Arbeitslosigkeitsrisiko je Beruf und Bundesstaat, berechnet aus den Daten der staatlichen Arbeitslosenversicherungen. Der beste einzelne Score erklärte 10,7 % der Varianz des Arbeitslosigkeitsrisikos über Berufe, Bundesstaaten und Monate hinweg; das Ensemble aus zwölf Scores erklärte 29,8 %. Ein Basismodell mit den Fähigkeitsanforderungen des Berufs, Bildung, Bundesstaat, Jahr und Saisonalität erklärte 57,4 %, und das Hinzufügen des Score-Ensembles hob den Wert auf 75,5 %.

Im Klartext: Ein einzelner Expositions-Score ist ein schwacher eigenständiger Prädiktor für das Arbeitslosigkeitsrisiko. Ein weit größerer Teil der Varianz hängt mit der Arbeitsmarktstruktur zusammen, die der Score nicht enthält, darunter Fähigkeitsanforderungen, Bildung, Geografie und Saisonalität.

Das im April 2026 veröffentlichte AI Jobs Transition Framework von OpenAI macht denselben Punkt aus einem anderen Blickwinkel. Statt technische Exposition als Verdrängungsprognose zu behandeln, stellt es drei Fragen: Kann KI einen nennenswerten Teil der Aufgaben eines Berufs erledigen, bleibt ein Mensch zentral für die Erbringung oder Überwachung der Arbeit, und könnten niedrigere Kosten die Nachfrage so stark erhöhen, dass der Produktivitätsgewinn aufgefangen wird? Angewandt auf 921 Berufe mit rund 148 Millionen US-Arbeitsplätzen ordnet der Rahmen etwa 18 % der Stellen der Kategorie mit höherem Automatisierungsrisiko zu, 24 % den Stellen, die sich voraussichtlich neu organisieren, 12 % den Stellen, die mit KI wachsen könnten, und 46 % den Stellen, bei denen weniger unmittelbare Veränderungen erwartet werden.

In der PNAS-Nexus-Studie erklärte der stärkste einzelne Expositions-Score allein 10,7 % der Varianz des Arbeitslosigkeitsrisikos.

Wenn also die nächste „KI-Jobrisiko“-Zahl durch Ihren Feed läuft, ist der nützliche Schritt herauszufinden, welche dieser Methoden sie hervorgebracht hat, bevor Sie entscheiden, ob Sie sich Sorgen machen. Ein theoretischer Expositions-Score sagt Ihnen, wo KI-Fähigkeiten mit den Bestandteilen eines Berufs überlappen. Ein beobachteter Expositions-Score liefert zusätzlich Belege dafür, wo Menschen KI in der Praxis bereits nutzen. Keiner von beiden sagt für sich genommen, ob die Beschäftigung in diesem Beruf steigen oder fallen wird; dafür braucht es Arbeitsmarktdaten zu Einstellungen, Nachfrage, Löhnen und Personalstärke.

LESEN

Warum KI-Textdetektoren es immer wieder falsch machen

Häufig gestellte Fragen