{"id":12182,"date":"2026-04-02T11:48:07","date_gmt":"2026-04-02T09:48:07","guid":{"rendered":"https:\/\/manualjobsearch.com\/?p=12182"},"modified":"2026-04-02T11:55:58","modified_gmt":"2026-04-02T09:55:58","slug":"ki-und-der-arbeitsmarkt-2025-wer-wirklich-gefaehrdet-ist-und-wer-nicht","status":"publish","type":"post","link":"https:\/\/manualjobsearch.com\/de_at\/ki-und-der-arbeitsmarkt-2025-wer-wirklich-gefaehrdet-ist-und-wer-nicht\/","title":{"rendered":"KI und der Arbeitsmarkt 2025: Wer wirklich gef\u00e4hrdet ist \u2013 und wer nicht"},"content":{"rendered":"
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\nEine aktuelle Anthropic-Studie liefert erstmals Echtzeitdaten statt Prognosen. Die Ergebnisse widersprechen allem, was man bisher glaubte zu wissen.<\/i>\n\n

Keine Prognosen mehr \u2013 echte Daten<\/h2>\nJahrelang haben \u00d6konomen, Unternehmensberater und Technologen prophezeit, welche Berufe durch k\u00fcnstliche Intelligenz verschwinden werden. Die Vorhersagen fielen meist dramatisch aus \u2013 und lagen ebenso h\u00e4ufig falsch. Die Panik um das Outsourcing in den fr\u00fchen 2000er Jahren kostete kaum so viele Arbeitspl\u00e4tze wie prognostiziert. Die Automatisierungswelle in der Industrie verlief langsamer und selektiver als erwartet.

\n\nDas Grundproblem dieser Prognosen war stets dasselbe: Sie basierten auf dem, was Maschinen theoretisch leisten k\u00f6nnten \u2013 nicht auf dem, was sie tats\u00e4chlich im Alltag tun. Ein Sprachmodell kann theoretisch Rechtsschrifts\u00e4tze formulieren, Finanzberichte erstellen, Code debuggen. Aber wie oft passiert das wirklich? In welchem Umfang? Bei welchen Berufen?

\n\nGenau diese Frage beantwortet jetzt eine Studie von Forschern aus dem Hause Anthropic: Maxim Masenkov und Peter Macroory haben eine neue Metrik entwickelt \u2013 die sogenannte Observed Task Coverage (OTC), auf Deutsch: beobachtete Aufgabenabdeckung. Und die Ergebnisse sind so verbl\u00fcffend wie aufschlussreich.\n\n

Die Methode: Theorie trifft Realit\u00e4t<\/h2>\nDie Forscher kombinierten drei Datenquellen:\n
    \n \t
  • O*NET \u2013 der staatliche US-Berufsklassifikator. Diese Datenbank zerlegt jeden Beruf in pr\u00e4zise Mikroaufgaben mit Zeitanteilen.<\/li>\n \t
  • Theoretische KI-Leistungsbewertung \u2013 Einsch\u00e4tzungen dar\u00fcber, wie stark KI Aufgaben beschleunigen kann.<\/li>\n \t
  • Reale Nutzungsdaten des Claude-Modells \u2013 welche Aufgaben Menschen tats\u00e4chlich an KI delegieren.<\/li>\n<\/ul>\n\nDer entscheidende Unterschied: Statt Annahmen wurde echtes Verhalten analysiert.\n\n

    Der K\u00fcchenmaschinen-Paradox<\/h2>\nUm das Kernproblem fr\u00fcherer Studien zu illustrieren, nutzen die Forscher eine anschauliche Analogie:\n\n
    \ud83d\udc49 Eine K\u00fcchenmaschine kann theoretisch ein F\u00fcnf-G\u00e4nge-Men\u00fc kochen \u2013 praktisch wird sie meist nur zum Zwiebelschneiden genutzt.<\/div>\n\nGenau dasselbe gilt f\u00fcr KI. Die zentrale Frage ist nicht, was sie kann \u2013 sondern was tats\u00e4chlich genutzt wird. Die Antwort: Wir sind noch beim \u201eZwiebelschneiden\u201c.\n\n

    Die Zahlen: Kluft zwischen Potenzial und Realit\u00e4t<\/h2>\nEin Beispiel aus der Praxis:\n\n
      \n \t
    • Theoretisches KI-Potenzial (IT-Berufe): 94 % der Aufgaben<\/li>\n \t
    • Tats\u00e4chliche Nutzung: nur etwa 3 %<\/li>\n<\/ul>\n\nDiese enorme L\u00fccke entsteht durch drei zentrale Barrieren:\n
        \n \t
      • Rechtliche Haftung (z. B. Medizin, Recht)<\/li>\n \t
      • Veraltete IT-Infrastruktur in Unternehmen<\/li>\n \t
      • Menschliche Kontroll- und Entscheidungsprozesse<\/li>\n<\/ul>\n\n
        \ud83d\udc49 Die Begrenzung ist nicht technologisch \u2013 sondern institutionell.<\/div>\n\n

        Wer ist wirklich gef\u00e4hrdet? Das Ranking<\/h2>\n\n
        Rang<\/th>Berufsfeld<\/th>Beob. Abdeckung<\/th>Hauptaufgabe<\/th><\/tr>\n
        1<\/td>Programmierer<\/td>74,5 %<\/td>Code schreiben und warten<\/td><\/tr>\n
        2<\/td>Kundensupport<\/td>70 %<\/td>Kommunikation<\/td><\/tr>\n
        3<\/td>Dateneingabe<\/td>67 %<\/td>Datenverarbeitung<\/td><\/tr>\n
        4<\/td>Med. Dokumentation<\/td>~55 %<\/td>Berichte erstellen<\/td><\/tr>\n
        5<\/td>Marketing-Analyse<\/td>~50 %<\/td>Reporting<\/td><\/tr>\n
        6<\/td>Vertrieb<\/td>~45 %<\/td>Angebote & Follow-ups<\/td><\/tr>\n
        7<\/td>Finanzanalyse<\/td>~44 %<\/td>Prognosen<\/td><\/tr>\n
        8<\/td>Software-Testing<\/td>~40 %<\/td>Testf\u00e4lle<\/td><\/tr>\n
        9<\/td>IT-Security<\/td>~38 %<\/td>Bedrohungsanalyse<\/td><\/tr>\n<\/table>\n\nAm unteren Ende: handwerkliche und physische Berufe \u2013 oft mit 0 % KI-Abdeckung.\n\n

        Das Paradox der Bildung<\/h2>\nEin \u00fcberraschendes Ergebnis:\n\n
          \n \t
        • 17 % der gef\u00e4hrdeten Gruppe haben einen Masterabschluss<\/li>\n \t
        • Nur 4,5 % dieser Gruppe sind kaum von KI betroffen<\/li>\n<\/ul>\n\n
          \ud83d\udc49 Je h\u00f6her die Qualifikation, desto h\u00f6her oft die KI-Exposition.<\/div>\n\nGerade kognitive T\u00e4tigkeiten \u2013 Schreiben, Analysieren, Strukturieren \u2013 sind besonders gut automatisierbar.\n\n

          Wo sind die Massenentlassungen?<\/h2>\nDie Antwort: Sie passieren indirekt.\n\nUnternehmen entlassen keine erfahrenen Mitarbeiter. Stattdessen:\n
            \n \t
          • Senior-Mitarbeiter werden produktiver<\/li>\n \t
          • Weniger Junior-Stellen werden geschaffen<\/li>\n<\/ul>\n\nDaten zeigen:\n
              \n \t
            • Neueinstellungen (22\u201325 Jahre) in KI-Berufen: \u221214 % seit 2022<\/li>\n<\/ul>\n\n
              \ud83d\udc49 Die T\u00fcr zum Arbeitsmarkt schlie\u00dft sich leise \u2013 nicht sichtbar.<\/div>\n\n

              Langfristige Auswirkungen<\/h2>\nStatistische Modelle zeigen:\n\n
                \n \t
              • +10 % KI-Abdeckung \u2192 \u22120,6 % Besch\u00e4ftigungswachstum<\/li>\n<\/ul>\n\nDas summiert sich \u00fcber Jahre zu erheblichen Effekten \u2013 besonders in stark automatisierten Berufen.\n\n

                Strategien: Was tun?<\/h2>\n\n

                F\u00fcr erfahrene Fachkr\u00e4fte<\/h3>\n
                  \n \t
                • KI als Produktivit\u00e4ts-Booster nutzen<\/li>\n \t
                • Workflows automatisieren<\/li>\n \t
                • Strategische Aufgaben \u00fcbernehmen<\/li>\n<\/ul>\n\n

                  F\u00fcr Berufseinsteiger<\/h3>\n
                    \n \t
                  • Fokus auf F\u00e4higkeiten, die KI nicht ersetzt<\/li>\n \t
                  • Kommunikation, Urteilsverm\u00f6gen, Verantwortung<\/li>\n<\/ul>\n\n

                    F\u00fcr Nicht-Akademiker<\/h3>\n
                      \n \t
                    • Handwerk und physische Arbeit bleiben stabil<\/li>\n \t
                    • Hohe Zukunftssicherheit in praktischen Berufen<\/li>\n<\/ul>\n\n

                      F\u00fcr Karrierewechsler<\/h3>\n
                        \n \t
                      • Berufe mit sozialer Interaktion w\u00e4hlen<\/li>\n \t
                      • KI als Werkzeug aktiv beherrschen<\/li>\n<\/ul>\n\n

                        Fazit<\/h2>\nDie Anthropic-Studie zeigt kein extremes Szenario \u2013 sondern eine differenzierte Realit\u00e4t.\n\nKI ersetzt nicht pl\u00f6tzlich Millionen Jobs. Stattdessen ver\u00e4ndert sie:\n
                          \n \t
                        • Zugang zum Arbeitsmarkt<\/li>\n \t
                        • Produktivit\u00e4tsanforderungen<\/li>\n \t
                        • Wertsch\u00f6pfung innerhalb von Berufen<\/li>\n<\/ul>\n\n
                          \ud83d\udc49 Die entscheidende Frage ist nicht: \u201eVerliere ich meinen Job?\u201c \u2013 sondern: \u201eNutze ich KI besser als andere?\u201c<\/div>\n\nDie Revolution passiert \u2013 leise, aber tiefgreifend.\n\n