Dieser Beitrag wurde KI-gestützt erstellt und von der Um:bruch-Redaktion geprüft.
Welche Berufe ersetzt generative KI zuerst? Solche Ranglisten funktionieren gut in sozialen Medien. Wissenschaftlich sind sie meist zu grob. Die seriöseren Studien messen etwas anderes: Welche Tätigkeiten eines Berufs könnten große Sprachmodelle technisch unterstützen oder übernehmen? Zwischen dieser Exposition und einer tatsächlich gestrichenen Stelle liegen Produktentscheidungen, Kosten, Fehlerquoten, Recht, Tarifverträge, Arbeitsorganisation – und menschliches Vertrauen.
Unser neuer Datenatlas verbindet deshalb zwei Perspektiven: die Aufgabenexposition aus dem ILO–NASK-Index 2025 und die Zahl der sozialversicherungspflichtig Beschäftigten in Deutschland.
Zum interaktiven Dashboard: 43 Berufsgruppen im LLM-Expositionscheck →
Kreisfläche: Beschäftigtenzahl in Deutschland. Farbe: vereinfachte Expositionsstufe. Klick: Quellen, Codes und Einordnung.
Was die großen Studien tatsächlich messen
Der globale ILO–NASK-Index 2025 zerlegt Berufe in Aufgaben und bewertet, wie stark diese Aufgaben durch generative KI berührt werden könnten. Die Forschenden kombinierten Befragungen von Beschäftigten, Expertenprüfungen und modellgestützte Bewertungen. Ihr globales Ergebnis: Etwa jeder vierte Arbeitsplatz weist irgendeine Exposition auf, aber nur 3,3 Prozent liegen in der höchsten Stufe. Büro- und Verwaltungsberufe stehen besonders weit oben. Die ILO betont zugleich, dass Veränderung wahrscheinlicher ist als vollständiger Ersatz.
Die viel zitierte OpenAI-Studie „GPTs are GPTs“ von 2023 kam für die USA zu einer ähnlich eindrucksvollen, aber oft missverstandenen Zahl: Bei rund 80 Prozent der Erwerbstätigen könnten LLMs mindestens ein Zehntel der Aufgaben beeinflussen; bei etwa 19 Prozent mindestens die Hälfte. Auch das ist eine Schätzung technischer Reichweite – keine Prognose für 19 Prozent Arbeitsplatzverlust.
Ein Microsoft-Research-Preprint von 2025 untersuchte rund 200.000 anonymisierte Unterhaltungen mit Bing Copilot. Er fand hohe praktische Anwendbarkeit vor allem in Computer- und Mathematikberufen, Büro und Verwaltung sowie Verkauf. Stark vertreten waren Informationssuche, Schreiben, Erklären und Beraten. Gemessen wurde also, wofür Menschen KI bereits nutzen und ob die Systeme dabei erfolgreich erscheinen – nicht, ob anschließend Stellen entfallen.
Welche Berufe in den Indizes weit oben stehen
Im ILO-Index erreichen Datenerfassung, Buchhaltung, Finanzanalyse, allgemeine Büroarbeit, Personalsachbearbeitung und Callcenter-Verkauf die höchste Expositionsstufe. Dicht dahinter folgen Übersetzung, Banktätigkeiten, Marketing, Journalismus, Versicherungsvertrieb, Systemadministration und Softwareentwicklung.
Das gemeinsame Muster ist klar: LLMs treffen zuerst Berufe mit viel Sprache, strukturierten Informationen, wiederkehrenden Dokumenten und digitaler Kommunikation. Körperlich gebundene Arbeit liegt deutlich niedriger. Pflege, Kinderbetreuung, Reinigung, Küche, Bauelektrik, Kraftfahrzeugtechnik und Maurerhandwerk bestehen zwar ebenfalls aus dokumentierbaren und planbaren Anteilen – ihr Kern findet aber an Menschen, Orten, Maschinen und Material statt.
Die Formulierung „am besten ersetzbar“ führt deshalb in die Irre. Selbst beim am höchsten bewerteten ILO-Beruf, der Datenerfassung, bleibt der mittlere Expositionswert unter 1. Ein Beruf ist kein einzelner Prompt.
Deutschland: Größe verändert die politische Relevanz
Eine kleine Hochrisikogruppe kann für Betroffene gravierend sein. Arbeitsmarktpolitisch macht es aber einen Unterschied, ob 7.600 sozialversicherungspflichtig Beschäftigte im Dolmetschen und Übersetzen betroffen sind oder mehr als zwei Millionen Büro- und Sekretariatskräfte.
Genau dafür zeigt das Dashboard die Beschäftigtenzahl als Kreisfläche. Zu den großen Gruppen mit starker oder sehr starker Exposition gehören dort Büro und Sekretariat, Bankkaufleute, Buchhaltung, Softwareentwicklung, Marketing und Versicherungen. Zugleich sind sehr große Gruppen wie Pflege, Kinderbetreuung, Verkauf, Reinigung oder Lkw-Verkehr nach dem engen LLM-Maß deutlich weniger exponiert.
Die Beschäftigtenzahlen stammen aus der Statistik der Bundesagentur für Arbeit, Stichtag 30. September 2025. Gezählt werden sozialversicherungspflichtig Beschäftigte am Arbeitsort. Selbstständige, Beamtinnen und Beamte, Soldatinnen und Soldaten sowie ausschließlich geringfügig Beschäftigte fehlen. Die Kreise zeigen daher nicht die gesamte Erwerbstätigkeit.
Produktivität ist nicht dasselbe wie Personalabbau
Feldstudien zeigen, warum die Wirkungsrichtung offen bleibt. In einem großen Kundenservice-Experiment mit 5.172 Beschäftigten erhöhte ein KI-Assistent die Produktivität im Mittel um 15 Prozent. Besonders stark profitierten weniger erfahrene Beschäftigte. Die Studie von Brynjolfsson, Li und Raymond belegt damit einen realen Leistungseffekt – aber keinen automatischen Ersatz ganzer Teams.
Auch die bisherige Arbeitsmarktbilanz ist vorsichtiger als viele Schlagzeilen. Humlum und Vestergaard fanden in dänischen Register- und Befragungsdaten trotz schneller Chatbot-Nutzung nur geringe Effekte auf Einkommen und Arbeitszeit. Eine Unternehmensanalyse von Anthropic vom März 2026 fand bislang keinen systematischen Anstieg der Arbeitslosigkeit in besonders exponierten Berufen. Sie sieht allerdings ein erstes, noch unsicheres Signal für langsamere Neueinstellungen junger Beschäftigter.
Das ist keine Entwarnung. Unternehmen können frei werdende Zeit in bessere Qualität, kürzere Arbeitszeit oder mehr Leistung stecken – oder Stellen nicht nachbesetzen. Derselbe technische Produktivitätsschub kann je nach Institution sehr unterschiedliche Folgen haben.
Drei Schlussfolgerungen statt einer Ersetzungsliste
- Aufgaben analysieren, nicht Berufsbezeichnungen. Je standardisierter, sprachbasierter und digitaler eine Aufgabe ist, desto eher kann ein LLM sie übernehmen oder beschleunigen.
- Exposition mit Beschäftigtenzahl verbinden. Für Weiterbildung und Mitbestimmung sind große Gruppen mit hoher Exposition wichtiger als spektakuläre Nischenfälle.
- Die Verteilungsfrage offenlegen. Ob Produktivität Beschäftigten, Kundinnen und Kunden oder allein Eigentümern zugutekommt, entscheidet keine Modellarchitektur.
Die wahrscheinlichste nahe Zukunft ist nicht der menschenleere Betrieb. Es ist ein ungleichmäßiger Umbau von Tätigkeiten: manche verschwinden, andere werden kontrollintensiver, neue entstehen. Die zentrale politische Frage lautet daher nicht nur, was LLMs können. Sie lautet, wer über ihren Einsatz entscheidet und wer den Gewinn erhält.
Methodik und Transparenz: Die fünf Dashboard-Stufen verdichten die ILO-Kategorien „Not Exposed“, „Minimal Exposure“ und „Exposed Gradients 1–4“. „Nicht automatisierbar“ bezeichnet im Dashboard ausschließlich „Not Exposed“ im ILO-Index und ist keine absolute Aussage. Die Zuordnung von ILO-Berufen (ISCO-08) zu deutschen Berufsgruppen (KldB 2010, Fassung 2020) wurde redaktionell geprüft, bleibt aber eine Näherung. Textsorte: EDT (Editorial/Analyse) · Autor: Um:bruch-Redaktion · KI-Unterstützung: GP · Stand: 15.07.2026.
Quellen
- Paweł Gmyrek et al. (2025): Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper 140; Berufswerte als Forschungsdatensatz
- Tyna Eloundou et al. (2023): GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models
- Kiran Tomlinson et al. (2025): Working with AI: Measuring the Applicability of Generative AI to Occupations
- Erik Brynjolfsson, Danielle Li und Lindsey Raymond (2025): Generative AI at Work, Quarterly Journal of Economics
- Anders Humlum und Emilie Vestergaard (2025): Large Language Models, Small Labor Market Effects, NBER Working Paper 33777
- Anthropic (2026): Labor market impacts of AI: A new measure and early evidence
- Bundesagentur für Arbeit: Beschäftigte nach Berufen, Tabellenheft Deutschland, September 2025 (XLSX); KldB 2010, Fassung 2020