KI-Gefährdungsindizes: Was sie über Jobs verraten – und was nicht

Welche Berufe verliert man zuerst an die künstliche Intelligenz? Die Antwort hängt davon ab, wen man fragt – oder genauer: welche Methode man verwendet. Das zeigt ein neues Forschungsbriefing der Internationalen Arbeitsorganisation (ILO), das bestehende Messansätze für KI-Arbeitsmarktrisiken systematisch analysiert und dabei eine unerwartete Umkehrung dokumentiert: Nicht Niedriglöhner in Routinejobs, sondern gut bezahlte Analytiker und Manager gelten nach den neuesten Indizes als die Exponiertesten.

Das ILO-Forschungsbriefing, verfasst von Forschenden der ILO, des University College London und der Universität Oxford, unterscheidet zwei Generationen von Messperspektiven. Ältere Computerisierungs- und Automatisierungsindizes, die ab den 2010er Jahren populär wurden, stuften Beschäftigte mit manuell-repetitiven oder kognitiv-routinemäßigen Tätigkeiten als besonders gefährdet ein – also Fabrikarbeiter, Buchhalter, Kassierer. Neuere, auf KI-Fähigkeiten ausgerichtete Indizes identifizieren hingegen Berufe mit mehr „Kopfarbeit“ als exponierter: kognitive, analytische, administrative und führungsrelevante Tätigkeiten. Am stärksten exponiert sind konsequent Berufe in Wirtschaft, Finanzen, Informatik, Mathematik und Bildung.

Die Botschaft des Briefings ist methodisch und politisch zugleich: Expositionsindikatoren messen technologische Anfälligkeit, keine Arbeitsmarktergebnisse. Sie erfassen, was KI unter statischer Betrachtung der aktuellen Aufgabenliste technisch erledigen könnte – nicht, ob Unternehmen es profitabel finden, zu automatisieren, wie sich Arbeitsprozesse verändern werden oder wie Beschäftigung, Löhne und Nachfrage reagieren. Historisch haben Produktivitätsgewinne durch Automatisierung die Nachfrage ausgeweitet und per Saldo zum Beschäftigungswachstum beigetragen. Ob das bei KI ähnlich gilt, lässt sich aus Expositionsindizes nicht ableiten.

Besonders relevant ist die Netzwerkperspektive des Briefings. Hochexponierte Berufe besetzen zentrale Positionen in beruflichen Übergangsnetzwerken – insbesondere in analytischen, administrativen, rechtlichen und finanziellen Feldern. Weil diese Jobs mit vielen anderen durch gemeinsame Kompetenzen und typische Karrierewege verbunden sind, können Schocks in ihnen auf benachbarte Tätigkeiten übergreifen und Beschäftigte indirekt treffen, deren eigener Beruf nicht unmittelbar automatisierbar erscheint. Manuelle, pflegebezogene und handwerkliche Berufe liegen hingegen am Rand dieser Netzwerke und sind weniger Spillover-Effekten ausgesetzt. „Die Expositionsanalyse sollte mit beobachteten Beschäftigungs-, Lohn- und Übergangstrends aus Arbeitskräfteerhebungen kombiniert werden“, empfiehlt das Briefing laut Philippine Daily Tribune.

Die strukturellen Grenzen aller Expositionsmasse fasst das Briefing klar zusammen: Sie beruhen auf statischen Aufgabenlisten bestehender Jobs, lassen wirtschaftliche Machbarkeit und institutionelle Rahmenbedingungen unberücksichtigt, beinhalten subjektive Urteile von Experten, Beschäftigten oder KI-Systemen und definieren „Exposition“ je nach Ansatz unterschiedlich. Neuere, auf generativer KI basierte Selbstbewertungsmodelle, bei denen KI-Systeme ihre eigenen Fähigkeiten mit Berufsaufgaben vergleichen, können KI-Kompetenzen überschätzen oder physische, stillschweigende und kontextabhängige Arbeit unterbewerten.

Ein separater, im Mai 2025 veröffentlichter globaler KI-Expositionsindex der ILO in Zusammenarbeit mit Polens nationalem Forschungsinstitut NASK, der ebenfalls auf Basis von fast 30 000 Berufsaufgaben erstellt wurde, schätzt, dass weltweit ein Viertel aller Beschäftigten in Berufen arbeitet, die einem gewissen Grad der Exposition gegenüber generativer KI ausgesetzt sind. In Hocheinkommensländern sind es 34 Prozent. Frauen sind dabei deutlich stärker exponiert als Männer. Für 9,6 Prozent der weiblichen Beschäftigung in reichen Ländern besteht ein hohes Vollautomatisierungsrisiko, verglichen mit 3,5 Prozent bei Männern. Gleichwohl betonen auch diese Autoren: Transformation, nicht Ersatz, ist das wahrscheinlichste Ergebnis.

Die politische Implikation des ILO-Briefings ist eindeutig: Wer KI-Expositionsindizes zur Prognose von Jobverlusten nutzt oder daraus unmittelbare Umschulungsbedarfe ableitet, überstrapaziert die Methode. Sie sind Frühwarnsignale für mögliche Veränderungen – nicht Vorhersagemodelle. Für evidenzbasierte Arbeitsmarktpolitik braucht es die Kombination mit beobachteten Beschäftigungsdaten, Lohnentwicklungen, betrieblichen KI-Adoptionsraten und institutionellen Rahmenbedingungen. Das ist anspruchsvoller als ein Ranking. Aber nur so lassen sich Transformation und Verdrängung voneinander unterscheiden.