Welche Jobs KI verändert, statt sie zu ersetzen

Von Victor Hoang · Aktualisiert am 22. September 2026

KI ersetzt keine Jobs. Sie ersetzt Aufgaben innerhalb von Jobs, lässt andere unberührt und fügt einige neue hinzu, etwa die Prüfung ihrer eigenen Arbeit, die es vorher nicht gab. Eine Rolle verändert ihre Gestalt, sobald genug Aufgaben wandern, aber der Job selbst verschwindet selten in einem Stück. Diese Unterscheidung, Aufgabe gegenüber Job, trennt gute Planung vom Lesen einer beängstigenden Schlagzeile.

Jede Zahl der Art "X % der Jobs werden automatisiert", die Sie seit 2013 gesehen haben, misst etwas anderes, als die meisten annehmen. Manche zählen Berufe, manche Aufgaben, manche theoretische Exponierung, manche das, was Beschäftigte heute tatsächlich mit KI tun. Keine beantwortet, was eine Führungskraft braucht: was in achtzehn Monaten mit diesem Organigramm passiert. Dieser Artikel nennt die Prognosen und ihre Urheber, damit Sie sie selbst beurteilen können, und zeigt, was tatsächlich geschieht, wenn sich ein Drittel der Aufgaben einer Rolle verschiebt. Zur breiteren Evidenz aus kontrollierten Studien zu KI und Arbeit insgesamt, nicht nur zu den Jobprognosen, siehe wie KI die Arbeit verändert und was die Evidenz zeigt.

Warum "Wird KI meinen Job übernehmen?" die falsche Frage ist

Eine Stellenbezeichnung ist ein Bündel. "Financial Analyst" bündelt Datenabfragen, Modellbau und die Präsentation einer Zahl vor einem nervösen VP. "Kundenservice-Mitarbeiter" bündelt das Lesen einer wütenden E-Mail, das Nachschlagen einer Bestellung, die Entscheidung, ob man eine Regel beugt, und das Schreiben einer Antwort, die nicht wie ein Formbrief klingt. Keine zwei Aufgaben haben dasselbe Verhältnis zu KI. Manche sind Mustererkennung, die ein Modell heute gut beherrscht. Manche verlangen, die Historie eines Kunden gegen eine Regel abzuwägen, die niemand aufgeschrieben hat, ein Urteil, kein Nachschlagen.

Wer "Financial Analyst" als unteilbare Einheit behandelt und fragt, ob KI sie "übernimmt", bekommt ein Ja oder Nein auf eine Frage, die nie eine Ja-Nein-Frage war. Die ehrliche Frage lautet, welche Aufgaben wandern, welche bleiben und was hinzukommt, wenn die gewanderten weg sind. Diesen Blickwinkel nutzen Arbeitsökonomen seit zwei Jahrzehnten, und er ist der, den dieser Artikel durchgängig verwendet, weil er vorhersagt, was als Nächstes geschieht.

Die Aufgabe, nicht der Job, ist die entscheidende Einheit

Der MIT-Ökonom David Autor entwickelte in einem Papier von 2013 mit dem Titel "The Task Approach to Labor Markets" das Modellierungsgerüst, das die meisten Arbeitsökonomen dafür bis heute nutzen. Seine Kernaussage: Technologie konkurriert nicht mit Berufen, sondern mit Aufgaben innerhalb von Berufen. Ein Computer oder ein Modell ersetzt Aufgaben, die expliziten, kodifizierbaren Regeln folgen (was Autor Routineaufgaben nennt), und ergänzt Beschäftigte bei Aufgaben, die flexibles Urteilsvermögen oder Kommunikation erfordern, die von einem Kontext abhängt, den keine Regel erfassen kann.

Dieser Rahmen erklärt etwas, was die Schlagzeilen über "47 % der Jobs in Gefahr" nie erklären konnten: warum Bankschalterangestellte nicht verschwanden, als Geldautomaten kamen, und warum Rechtsanwaltsfachangestellte nicht verschwanden, als Software zur Dokumentenprüfung gut wurde. Die Technologie übernahm einen Routineanteil des Jobs und ließ die Aufgaben, die Urteilsvermögen, Beziehung oder Verantwortung verlangten, weiterhin dem Menschen. Der Aufgabenmix des Jobs änderte sich. Die Stellenbezeichnung meist nicht.

Autors jüngeres Papier von 2024, "Applying AI to Rebuild Middle Class Jobs", ergänzt einen zweiten Baustein: Automatisierung hat einen Verdrängungseffekt, bei dem Technologie Aufgaben übernimmt, die früher ein Mensch erledigte, und einen Wiedereinsetzungseffekt, bei dem sie neue Aufgaben schafft, die nur ein Mensch oder ein Mensch, der eine Maschine überwacht, erledigen kann. Frühere Automatisierungswellen setzten ungefähr so viele Aufgaben wieder ein, wie sie verdrängten, wenn auch selten für dieselben Beschäftigten oder im selben Zeitraum, weshalb sich der Übergang einschneidend anfühlt, selbst wenn die langfristige Beschäftigtenzahl hält. Autors Argument für KI ist noch optimistischer: Weil sie einen Teil des Expertenurteils kodieren und weniger formal qualifizierten Beschäftigten an die Hand geben kann, könnte sie ausweiten, wer folgenreichere Entscheidungen treffen darf, statt sie nur wegzuautomatisieren. Das ist ein benanntes Potenzial, kein gesichertes Ergebnis.

Welche Aufgabentypen tatsächlich exponiert sind

Nicht jede Aufgabe einer Rolle hat dasselbe Verhältnis zur KI-Fähigkeit. Aufgaben nach Typ statt nach Stellenbezeichnung zu gruppieren macht eine Prognose nützlich statt vage.

Routineaufgaben nach festen Regeln: stark exponiert

Aufgaben mit klarem Input, klarem Output und einer Regel dazwischen sind die am stärksten exponierte Kategorie, und das schon lange vor der generativen KI. Dateneingabe, Dokumentenprüfung im Standardformat, Terminplanung und Berichte nach Vorlage gehören hierher. KI (und davor RPA) muss die Arbeit nicht verstehen, sie braucht nur eine explizite Regel und seltene Ausnahmen.

Informationssynthese und erste Entwürfe: stark exponiert, aber eher ergänzt als eliminiert

Ein Dokument zusammenfassen, eine E-Mail entwerfen oder Recherchen aus mehreren Quellen zusammenführen ist genau das, was heutige generative KI gut kann. Die Aufgabe verschwindet nicht aus dem Job. Sie schrumpft von "zwei Stunden schreiben" auf "fünfzehn Minuten redigieren", was die von der Rolle verlangte Kompetenz vom Erstellen zum Beurteilen verschiebt, ohne die Rolle zu beseitigen.

Urteile unter Mehrdeutigkeit: widerstandsfähig

Zu entscheiden, ob eine Ausnahme von der Regel gemacht wird, widersprüchliche Prioritäten bei unvollständiger Information abzuwägen oder eine Entscheidung mit Verantwortungsfolgen im Fehlerfall zu treffen, bleibt widerstandsfähig, nicht weil ein Modell keine Antwort liefern kann, sondern weil jemand die Folgen einer falschen tragen muss. Hier macht Human-in-the-Loop-Design seinem Namen Ehre: Das Modell schlägt vor, ein Mensch entscheidet und verantwortet es.

Physische Präsenz, Beziehungen und Vertrauen bei hohem Einsatz: widerstandsfähig

Aufgaben, die körperliche Anwesenheit, Beziehungsaufbau über die Zeit oder die Rolle als Person verlangen, der ein Kunde etwas anvertraut, was er einem Chatbot nicht sagen würde, bleiben aus einem anderen Grund widerstandsfähig: Der Wert entsteht teils daraus, wer sie ausführt, nicht nur daraus, was entsteht. Eine Verhandlung, ein schwieriges Leistungsgespräch oder Pflegearbeit vor Ort gehört hierher. Die Humanprämie behandelt, warum manche Unternehmen gerade diese Kontaktpunkte bewusst mit einer Person besetzen, als Strategie statt als Kostenentscheidung.

Neue Aufgaben, die KI schafft: Prüfung, Orchestrierung, Ausnahmebehandlung

Diese Kategorie übersehen die meisten Jobverlust-Prognosen, weil es sie bei ihrer Entstehung noch nicht gab. Je mehr Routine- und Entwurfsarbeit KI übernimmt, desto mehr muss jemand ihre Ergebnisse prüfen, entscheiden, welches Tool oder welcher Agent eine Anfrage bearbeiten soll, und die Fälle abfangen, in denen das Modell selbstsicher etwas Falsches liefert. Das sind neue Aufgaben, keine geschrumpften alten, und sie landen tendenziell bei denselben Personen, deren Routineaufgaben gerade automatisiert wurden. Das ist ein Teil des Grundes, warum "der Job ist verschwunden" selten zu dem passt, was tatsächlich geschah.

Was mit einem Job geschieht, wenn sich 30 % seiner Aufgaben verschieben

Stellen Sie sich ein Support-Team vor, bei dem ein Drittel des Ticketvolumens früher aus einfachen, wiederkehrenden Fragen bestand: Passwort-Resets, Bestellstatus, Standard-Erstattungen. KI bearbeitet diesen Anteil jetzt durchgängig, entweder voll automatisiert oder mit einem Menschen, der einen vorgeschlagenen Antwortentwurf in Sekunden freigibt. An diesem Tag hat niemand im Team seinen Job verloren. Geändert hat sich die Zusammensetzung dessen, was übrig bleibt.

Die verbleibenden zwei Drittel sind schwieriger: mehrdeutige Fälle, verärgerte Kunden, Ausnahmen, die nicht ins Schema passen. Ein Mitarbeiter, der früher die meiste Schicht mit einfachen Tickets verbrachte, verbringt sie jetzt meist mit schwierigen, dazu mit einer Aufgabe, die es vor einem Jahr nicht gab: KI-Automatikantworten stichprobenartig auf Tonfall- oder Sachfehler zu prüfen. Die Rolle besteht weiter. Die Kompetenz, die sie belohnt, hat sich von "Volumen schnell bewältigen" zu "Mehrdeutigkeit bewältigen und die Fehler der KI abfangen" verschoben, ein anderes Einstellungsprofil und oft eine kleinere Mitarbeiterzahl, obwohl niemandes Job unmittelbar gestrichen wurde.

Dieses Muster sollten Sie bei der Planung zugrunde legen, nicht das binäre "Gibt es diesen Job in fünf Jahren noch?". Eine Rolle kann den Übergang überstehen und trotzdem weniger Menschen und andere Kompetenzen brauchen als die hinterlegte Stellenbeschreibung. Die Frage "Welche Aufgaben verschieben sich, und was verlangt das verbleibende Bündel?" liefert die richtige Antwort Monate früher als "Welche Jobs werden automatisiert?".

Wichtige Fakten

• Technologie ersetzt Routineaufgaben, die sich kodifizieren lassen, und ergänzt Beschäftigte bei Aufgaben, die Urteilsvermögen oder unstrukturierte Problemlösung verlangen; Automatisierung verdrängt und setzt Aufgaben im Lauf der Zeit historisch beides wieder ein. Quelle: Autor, "The Task Approach to Labor Markets" (NBER, 2013)
• Die besondere Chance von KI besteht laut Autor darin, Entscheidungen auf Expertenniveau mehr Beschäftigten zugänglich zu machen, nicht nur Aufgaben wegzuautomatisieren, wobei dies ein benanntes Potenzial und im großen Maßstab noch kein gemessenes Ergebnis ist. Quelle: Autor, "Applying AI to Rebuild Middle Class Jobs" (NBER, 2024)
• Die vielzitierte Schätzung von Frey und Osborne aus dem Jahr 2013, 47 % der US-Beschäftigung seien stark von Computerisierung bedroht, war ein Urteil auf Berufsebene, keine Messung auf Aufgabenebene, und konnte nicht abbilden, dass sich ein Beruf verändert, statt als Ganzes zu verschwinden. Quelle: Frey und Osborne, "The Future of Employment" (Oxford Martin School, 2013)
• Mit einer aufgabenbasierten Methode fand die OECD nur etwa 9 % der Jobs in 21 Ländern mit hohem Automatisierungsrisiko, rund ein Fünftel der Zahl von Frey und Osborne. Quelle: Arntz, Gregory und Zierahn, "The Risk of Automation for Jobs in OECD Countries" (OECD, 2016)
• Fast ein Jahrzehnt nach Veröffentlichung der 47-%-Zahl war die US-Beschäftigung in den von ihr als am stärksten gefährdet eingestuften Berufen nicht so eingebrochen, wie die Prognose nahelegte. Quelle: ITIF, "Oops: The Predicted 47 Percent of Job Loss From AI Didn't Happen" (2022)
• 2025 werden 47 % der Arbeitsaufgaben hauptsächlich von Menschen erledigt, 22 % hauptsächlich von Technologie und 30 % in Kombination, eine Aufteilung, die sich laut WEF bis 2030 einer Gleichverteilung annähern soll. Quelle: World Economic Forum, Future of Jobs Report 2025
• Derselbe WEF-Bericht projiziert bis 2030 weltweit 170 Millionen neu geschaffene und 92 Millionen verdrängte Jobs, ein Nettogewinn von 78 Millionen, bei gleichzeitigem Wandel von fast 40 % der Kernkompetenzen von Jobs. Quelle: Pressemitteilung des World Economic Forum, Januar 2025
• Das BLS weist inzwischen jedem detaillierten Beruf eine niedrige, mittlere, hohe oder "sehr hohe" KI-Exponierung zu, unterscheidet aber ausdrücklich nicht, ob diese Exponierung bedeutet, dass eine Aufgabe automatisiert oder ergänzt wird. Quelle: BLS, "Artificial Intelligence (AI) Exposure Categories"

Die Prognosen, benannt und geprüft

Jede große Automatisierungszahl in einer Präsentation für die Geschäftsleitung hat einen Urheber, eine Methode und eine ausgewiesene Einschränkung, und von den dreien schafft es meist keine auf die Folie. Sie zu benennen unterscheidet eine nützliche Prognose von einer beängstigenden.

Frey und Osbornes 47 % (2013): was sie tatsächlich maßen

Frey und Osborne, beide in Oxford, klassifizierten 70 Berufe per Expertenurteil von Hand als automatisierbar oder nicht und trainierten dann ein Machine-Learning-Modell, um diese Labels auf die gesamte O*NET-Datenbank auszudehnen. Das Ergebnis war ein Risikowert pro Beruf, nicht pro Aufgabe, sodass sich ein Beruf, in dem manche Aufgaben automatisierbar waren und andere nicht, was auf die meisten Berufe zutrifft, nicht abbilden ließ. Kritiker merkten außerdem an, dass Berufe wie Fotomodell und Schulbusfahrer auf eine Weise als hoch riskant eingestuft wurden, die nicht zur tatsächlichen Struktur dieser Jobs passt. Die 47-%-Zahl ist eine echte, begutachtete Schätzung des Potenzials zur Computerisierung unter bestimmten Modellierungsentscheidungen. Sie war nie die Vorhersage, dass binnen zwanzig Jahren 47 % der Beschäftigten arbeitslos würden, und aufgabenbasierte Methoden, nicht diese, gelten heute als Best Practice.

Die aufgabenbasierte Korrektur der OECD

Als Arntz, Gregory und Zierahn eine ähnliche Frage mit der Aufgabenzusammensetzung statt mit Labels für ganze Berufe erneut berechneten, fiel die OECD-weite Schätzung auf etwa 9 %, von 6 % in Korea bis 12 % in Österreich. Dieselbe grobe Frage, radikal andere Antwort, weil sich die Analyseeinheit von "Job" zu "tatsächlicher Aufgabenmix des Jobs" änderte. Diese Zehnerpotenz-Lücke ist das beste Argument dafür, hinter die Schlagzeilenzahl auf die zugrunde liegende Methode zu schauen.

Was das Jahrzehnt dazwischen tatsächlich zeigte

Bis 2022 hatte die Information Technology and Innovation Foundation untersucht, was aus den von Frey und Osborne als am stärksten gefährdet eingestuften Berufen geworden war. Massenhafter Jobverlust in diesem Ausmaß war nicht eingetreten. Das heißt nicht, dass Automatisierung keine Wirkung hatte, sondern dass die Wirkung als Verschiebung von Aufgaben und Kompetenzen innerhalb fortbestehender Berufe auftrat, genau das, was der aufgabenbasierte Rahmen vorhersagt und der berufsbasierte nicht sehen kann.

WEF Future of Jobs 2025: die derzeit am besten dokumentierte Aufteilung

Das WEF befragte für seinen Bericht 2025 über 1.000 Arbeitgeber mit 14 Millionen Beschäftigten in 55 Volkswirtschaften, die aktuellsten Daten dazu, wie sich Arbeit tatsächlich zwischen menschlicher und maschineller Ausführung aufteilt. Die Basis von 2025, 47 % nur Mensch, 22 % nur Technologie, 30 % kombiniert, ist selbst ein Beleg für die Sicht auf Aufgabenebene: Der Großteil der Arbeit ist nicht sauber "automatisiert" oder "nicht", sondern innerhalb von Rollen aufgeteilt.

BLS-Kategorien der KI-Exponierung: nützlich, aber lesen Sie das Kleingedruckte

Die neuesten Exponierungsbewertungen des BLS sind die detailliertesten verfügbaren Daten der US-Regierung, aber das BLS stellt klar, dass "Exponierung" misst, ob KI einen großen Teil der Aufgaben eines Berufs berühren kann, nicht ob sie den Job ersetzt oder die Menschen bei derselben Arbeit nur schneller macht. Eine Bewertung mit "sehr hoher Exponierung" für persönliche Finanzberater passt hier zum Augmentierungsmuster: Der Berater existiert weiter, der Aufgabenmix ändert sich.

Wie Sie die nächste Prognose lesen, die Ihrem Leadership Team vorgelegt wird

Bevor eine Zahl zu Jobverlust oder Jobschaffung in eine Präsentation für den Aufsichtsrat wandert, stellen Sie drei Fragen. Was ist die Analyseeinheit, ein Beruf oder eine Aufgabe? Zahlen auf Berufsebene überschätzen sowohl Risiko als auch Sicherheit, weil sie Teilwandel innerhalb einer Rolle nicht sehen. Was ist die Methode: Expertenurteil, ein Modell, das Expertenurteil hochrechnet, oder beobachtete Nutzungsdaten? Beobachtete Nutzung, zunehmend verfügbar von KI-Anbietern und aus den neueren Exponierungsarbeiten des BLS, kommt der Realität am nächsten. Und nennt die Prognose ihre eigenen Grenzen, wie es Autor, das WEF und das BLS alle tun? Wer keine nennt, bei dem haben Sie die Grenzen noch nicht gefunden.

Was das für die Rollen bedeutet, über die Sie tatsächlich entscheiden

Nichts davon behauptet, die Arbeitsmarktwirkungen von KI seien klein oder fern. Die eigenen Zahlen des WEF projizieren bis 2030 einen Wandel von fast 40 % der Kernkompetenzen, nach jedem Maßstab ein realer Umbruch. Das Argument ist enger: Planen Sie anhand des Aufgabenmix in Ihren Rollen, nicht anhand der Stellenbezeichnung im Organigramm. Prüfen Sie, welche Aufgaben routinehaft und kodifizierbar sind, welche Urteilsvermögen oder Vertrauen verlangen, das sich noch nicht delegieren lässt, und welche neuen Prüf- oder Orchestrierungsaufgaben sich still herausbilden. Dieses Audit sagt Ihnen, wo Sie einstellen, umschulen und Stellen abbauen sollten, selbst wenn technisch keine einzelne Rolle "verschwunden" ist, Monate bevor eine Prognose nach Stellenbezeichnung etwas Brauchbares verraten würde.

Die Sicht auf Aufgabenebene erklärt auch, warum die menschliche Seite gezielte Aufmerksamkeit braucht, nicht nur eine Tabellenkalkulation. Wenn sich der Aufgabenmix einer Rolle verschiebt, ändert sich auch, wie "gute Arbeit" aussieht und wie sehr eine Person einem Modell vertraut, das sie jetzt prüft, Fragen, die wie KI-native Kultur tatsächlich aussieht und wie Teams aus Menschen und Agenten Vertrauen neu aufbauen behandeln.

Einige Risiken sollten Sie benennen. Prüfung und Orchestrierung entstehen nicht automatisch, nur weil ein Unternehmen KI-Agenten oder Copilots eingeführt hat; jemand muss die Verantwortung dafür übernehmen, Fehler eines Modells abzufangen, sonst entdeckt das Unternehmen die Lücke durch ein falsches Ergebnis, das unter dem Namen einer Person hinausging, das Versagen, das diese Library Workslop nennt. Ebenso lohnt es sich, eine echte Fähigkeitsverschiebung von Marketing zu unterscheiden, das sich als solche ausgibt, ein Muster, das was Agent Washing ist behandelt. Und weil sich Verschiebungen im Aufgabenmix wie technische Schulden ansammeln, unsichtbar, bis die Rechnung fällig wird, ist es ein eigenes Risiko, dies als einmalige Überprüfung statt als fortlaufendes Audit zu behandeln, eines, das ein grundlegender KI-Governance-Prozess abfangen soll.

Die Stellenbezeichnung im Organigramm ist der am wenigsten brauchbare Ort, um zu erkennen, was KI mit Ihrer Belegschaft macht. Die Aufgabenliste darunter ist der Ort, an dem sich der echte Wandel vollzieht, Aufgabe für Aufgabe, in beide Richtungen.

Wenn Ihnen das nächste Mal jemand sagt, ein Job sei sicher oder verloren, fragen Sie ihn, welche Aufgaben er meint.