KI-Automatisierungs-Frameworks

Einheit 1: Aufgaben, Verdrängung und neue Tätigkeiten

Begriffe vorab

• Routineaufgabe: eine Aufgabe, die sich in eindeutige Regeln fassen lässt.
• Komplementarität: Technik und menschliche Arbeit ergänzen sich und steigern gemeinsam das Ergebnis.
• Produktivität: Ergebnis pro eingesetzter Arbeitszeit.

Lernziele

• Erklären, warum technischer Fortschritt historisch nicht zu dauerhafter Massenarbeitslosigkeit geführt hat.
• Automatisierung (verdrängend), Ergänzung (produktivitätssteigernd) und neue Aufgaben unterscheiden.
• Den Begriff Routine-Bias auf eigene Arbeitsprozesse anwenden.

Kerninhalt

David Autor zeigt: Technologie ersetzt einzelne Aufgaben, aber selten ganze Berufe. Berufe bestehen aus vielen unterschiedlichen Aufgaben, und es entstehen laufend neue Aufgaben.

Autor, Levy und Murnane prägen den Routine-Bias: Repetitive, regelbasierte kognitive und manuelle Aufgaben lassen sich leichter automatisieren als nicht-routinierte Tätigkeiten wie Problemlösung, Koordination und persönliche Interaktion.

Acemoglu und Restrepo formalisieren das als Wettlauf zwischen verdrängenden und neu geschaffenen Aufgaben („Automation and New Tasks“).

Eselsbrücke: Technik ersetzt Aufgaben, nicht Berufe. Ein Beruf ist ein Bündel aus vielen Aufgaben. Wer nur ein Etikett (den Beruf) sieht, übersieht das Bündel.

Drei Wirkungen auf einen Blick

• Automatisierung: verdrängt Aufgaben.
• Ergänzung: steigert die Produktivität bestehender Aufgaben.
• Neue Aufgaben: entstehen durch die Technologie selbst.

Anwendung auf Betriebsratsarbeit

• Bei der Ankündigung „KI ersetzt Stelle X“ prüfen: Wird der ganze Beruf ersetzt oder nur einzelne Routineaufgaben darin?
• Argumentationsgrundlage für Qualifizierung: Wenn Routineaufgaben wegfallen, welche neuen, nicht-routinierten Aufgaben entstehen, und ist dafür Weiterbildung nach § 96 ff. BetrVG einzufordern?
• Vokabular für Betriebsvereinbarungen: „Aufgabenverschiebung“ statt pauschal „Stellenabbau“.

Anwendung auf Projektmanagement

• Aufgaben-Inventur vor Projektstart: Projekttätigkeiten in Routine- und Nicht-Routine-Anteile zerlegen, bevor „KI automatisiert Rolle Y“ geplant wird.
• Erwartungsmanagement: Automatisierung schafft oft neue Koordinations- und Kontrollaufgaben (Review, Prompting, Qualitätssicherung). Diese gehören in die Kapazitätsplanung.

Ein Beispiel: Bankschalter und Geldautomat

Geldautomaten übernahmen die Routine des Bargeldausgebens. Man könnte erwarten, dass Bankfilialen Personal abbauten. Tatsächlich sanken die Kosten je Filiale, und Banken konnten mehr Filialen betreiben; die Schalterarbeit verlagerte sich auf Beratung und Kundenbeziehung. Dieses oft zitierte Beispiel zeigt: Die Wirkung hängt davon ab, wie sich Aufgaben, Nachfrage und Organisation verändern.

Drei Fragen für jede Automatisierungsankündigung

1. Welche Aufgaben entfallen genau?
2. Welche Aufgaben werden wichtiger oder entstehen neu?
3. Wer erhält die neuen Aufgaben, und welche Qualifikation wird dafür benötigt?

Was die Aufgabensicht leistet

Sie ersetzt die Frage „Verschwindet der Beruf?“ durch „Wie verändert sich das Bündel seiner Aufgaben?“. Damit lassen sich Qualifizierung, Arbeitsorganisation und Mitbestimmung konkreter diskutieren.

Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind.

Leseliste

• David Autor – Why Are There Still So Many Jobs?
• Autor, Levy, Murnane – The Skill Content of Recent Technological Change
• Acemoglu & Restrepo – Automation and New Tasks (NBER Working Paper)

Reflexionsfragen

1. Welche Aufgaben in einer konkreten Stelle in deinem Betrieb sind Routine, welche nicht?
2. Welche neuen Aufgaben könnten durch KI-Einführung entstehen, und wer bekommt sie zugewiesen?

Einheit 2: Frey & Osborne – der berufsbasierte Ansatz

Begriffe vorab

• Computerisierung: im Sinne der Studie die Automatisierbarkeit durch computergesteuerte Technik.
• Engpass: Eigenschaften, die Automatisierung erschweren, wie Wahrnehmung in unstrukturierten Umgebungen, Kreativität und soziale Intelligenz.
• Hohes Risiko: in der Studie eine geschätzte Wahrscheinlichkeit von über 70 Prozent.

Lernziele

• Die Methodik von Frey & Osborne (2013/2017) nachvollziehen und ihre Grenzen benennen.
• Erklären, warum berufsbasierte Modelle Risiken tendenziell überschätzen.
• Eine Arbeitgeber-Zahl („X % automatisierbar“) auf ihre Analyseebene hin einordnen.

Kerninhalt

Frey und Osborne schätzen für 702 US-Berufe mit einem Gaussian-Process-Classifier die Wahrscheinlichkeit einer vollständigen Computerisierung. Ergebnis: rund 47 % der US-Beschäftigung gelten als „hohes Risiko“.

Die Klassifikation beruht auf neun Automatisierungsmerkmalen (unter anderem manuelle Geschicklichkeit, Kreativität, soziale Intelligenz) sowie auf Experteneinschätzungen für eine Teilmenge von Berufen. Diese werden per Machine Learning auf alle übrigen Berufe übertragen.

Die zentrale Schwachstelle

Bewertet wird der ganze Beruf, nicht seine einzelnen Aufgaben. Ein Beruf mit 20 % automatisierbaren und 80 % nicht automatisierbaren Aufgaben wird trotzdem pauschal eingestuft.

Stolperstein: Berufsbasierte Zahlen sind fast immer die höhere, alarmistischere Zahl. Wer „47 %“ hört, sollte sofort fragen: Beruf oder Aufgabe?

Anwendung auf Betriebsratsarbeit

• Bei Prozentzahlen im Stil von Frey/Osborne nachfragen, ob Berufs- oder Aufgabenebene gemeint ist.
• Geeignet als Warnindikator, um frühzeitig Beratungsbedarf nach § 90 BetrVG einzufordern. Als alleinige Entscheidungsgrundlage für Personalmaßnahmen ist die Methode zu grob.

Anwendung auf Projektmanagement

• Brauchbar für ein erstes grobes Risiko-Screening: Welche Rollen im Projektteam sind überhaupt betroffen?
• Nicht geeignet für die Feinplanung von Automatisierungsmaßnahmen. Dafür die aufgabenbasierte Methode aus Einheit 3 nutzen.
• Gute Übung: Eigene Projektrollen (etwa WordPress-Administration oder Plugin-Entwicklung) gedanklich nach den neun Merkmalen bewerten und so die Grenzen der Methode selbst erleben.

Wie die Zahl entsteht

Die Autoren ließen Fachleute für eine kleine Gruppe von Berufen einschätzen, ob sie vollständig automatisierbar sind. Ein statistisches Verfahren übertrug diese Einschätzungen anhand der Berufsmerkmale auf alle übrigen. Die 47 Prozent beschreiben den Anteil der Beschäftigung in Berufen mit hoher geschätzter Wahrscheinlichkeit. Sie sind keine Aussage über künftige Entlassungen.

Was die Zahl aussagt – und was nicht

• Sie bezieht sich auf technische Möglichkeit, nicht auf tatsächliche Einführung.
• Sie beschreibt Berufe als Ganzes, nicht die Aufgabenmischung im konkreten Betrieb.
• Sie nennt keinen festen Zeitpunkt; die Studie sprach von „ein bis zwei Jahrzehnten“.

Verantwortungsvoller Umgang

Als Frühwarnsignal ist die Studie nützlich: Sie zeigt, wo Automatisierungsdruck entstehen könnte. Für konkrete Entscheidungen über Stellen ist sie zu grob; dafür braucht man die Aufgabenebene und betriebliche Informationen.

Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind.

Leseliste

• Frey & Osborne – The Future of Employment (Oxford Martin School). Beim Lesen auf Analyseebene, Stichprobengröße der Expertenurteile und die neun Merkmale achten.

Reflexionsfragen

1. Welche drei Berufe in deinem Umfeld würden nach Frey/Osborne als „hohes Risiko“ gelten, und wie plausibel ist das bei genauerem Blick auf die Aufgaben?
2. Wie würdest du eine Arbeitgeber-Präsentation mit einer einzelnen Prozentzahl kritisch hinterfragen?

Einheit 3: OECD – der aufgabenbasierte Ansatz

Begriffe vorab

• Aufgabenprofil: die Zusammensetzung der Tätigkeiten einer Stelle.
• Heterogenität: Stellen mit gleichem Berufsnamen können sehr unterschiedliche Aufgaben enthalten.
• PIAAC: die OECD-Erhebung zu Kompetenzen Erwachsener, die Angaben zu Arbeitsaufgaben liefert.

Lernziele

• Den methodischen Gegenentwurf zu Frey & Osborne erklären.
• Verstehen, warum „technisch möglich“ nicht gleich „wirtschaftlich oder organisatorisch umgesetzt“ ist.
• Eine eigene Aufgaben-Analyse für eine Stelle skizzieren.

Kerninhalt

Arntz, Gregory und Zierahn zerlegen Berufe in ihre einzelnen Tätigkeiten und bewerten jede Aufgabe einzeln. Ein Beruf gilt nur dann als gefährdet, wenn ein Großteil seiner Aufgaben automatisierbar ist.

Im Schnitt über 21 Länder kommt die OECD so auf nur rund 9 % potenziell automatisierbare Jobs, deutlich weniger als Frey/Osborne (47 %).

Merkhilfe: 47 % (Beruf, Grobblick) gegen 9 % (Aufgabe, Feinblick). Je genauer man hinschaut, desto kleiner die Zahl.

Möglich ≠ umgesetzt

Entscheidend ist die Unterscheidung zwischen technischer Möglichkeit und tatsächlicher Einführung. Kosten, Regulierung, Mitbestimmung, Akzeptanz und Arbeitsorganisation entscheiden, ob eine technisch automatisierbare Aufgabe tatsächlich automatisiert wird. Die jährlichen OECD Employment Outlooks vertiefen das laufend mit Kapiteln zu KI und Kompetenzen.

Anwendung auf Betriebsratsarbeit

• Das methodisch stärkste Argument gegen überzogene Arbeitgeber-Prognosen: „Technisch möglich“ ist kein Automatismus. Mitbestimmung, Datenschutz und Arbeitsorganisation sind eigene Hebel (§§ 87, 90 BetrVG).
• Vorlage für eine eigene Aufgaben-Matrix, die fachlich belastbarste Grundlage für Stellungnahmen und Betriebsvereinbarungen.

Stelle -> Einzelaufgaben -> automatisierbar (ja / teilweise / nein) -> Begründung

Anwendung auf Projektmanagement

• Grundlage für realistische Automatisierungs-Business-Cases: Aufgabenanteile statt ganzer Rollen schätzen, damit Scope und ROI nicht überschätzt werden.
• Die Trennung „technisch möglich“ und „tatsächlich eingeführt“ gehört ins Risikoregister. Einführungsbarrieren (Datenqualität, Prozessreife, Change-Management) werden als eigene Risiken geführt.

Ein Beispiel für Heterogenität

Zwei Personen heißen „Sachbearbeiter“. Die eine bearbeitet überwiegend Standardvorgänge nach Checkliste, die andere berät Kunden und löst Sonderfälle. Berufsbasierte Modelle behandeln beide gleich; aufgabenbasierte Modelle erkennen, dass die erste Stelle deutlich stärker betroffen ist als die zweite. Das erklärt, warum die OECD-Zahl niedriger ausfällt.

Die Einschränkung der Methode

Auch die aufgabenbasierte Zahl beschreibt Potenzial, nicht Entwicklung. Außerdem stützt sie sich auf Selbstauskünfte zu Aufgaben, die subjektiv sein können. Keine der beiden Zahlen ist „die richtige“; sie beantworten unterschiedliche Fragen.

Wie man die Aufgaben-Matrix anlegt

1. Stelle in 8 bis 12 typische Aufgaben zerlegen.
2. Zeitanteil je Aufgabe schätzen.
3. Automatisierbarkeit je Aufgabe einschätzen (ja, teilweise, nein) und begründen.
4. Ergebnis mit den Beteiligten besprechen, denn sie kennen die Praxis.

Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind.

Leseliste

• Arntz, Gregory, Zierahn – The Risk of Automation for Jobs in OECD Countries
• OECD – Automation and Independent Work in a Digital Economy
• OECD Employment Outlook (aktuelle Ausgaben zu KI)

Reflexionsfragen

1. Erstelle für eine Stelle in deinem Betrieb eine Aufgaben-Matrix mit 8 bis 10 Einzelaufgaben. Wie hoch fällt der automatisierbare Anteil im Vergleich zu einer pauschalen Berufsbewertung aus?
2. Welche organisatorischen (nicht technischen) Hürden verzögern in deinem Betrieb die tatsächliche Einführung von KI-Tools?

Einheit 4: O*NET und Berufsklassifikationen als Datenbasis

Begriffe vorab

• Klassifikation: ein System, das Berufe in Gruppen einordnet.
• SOC: die US-Standardklassifikation der Berufe, Grundlage von O*NET.
• KldB: die deutsche Klassifikation der Berufe.

Lernziele

• Verstehen, dass O*NET und ISCO keine Automatisierungsprognosen sind, sondern Datenquellen, auf denen andere Modelle aufbauen.
• Ein Berufsprofil selbstständig in O*NET Online nachschlagen und interpretieren.
• Den Unterschied zwischen der US-amerikanischen (O*NET/SOC) und der internationalen Klassifikation (ISCO-08) kennen.

Kerninhalt

O*NET ist eine umfangreiche US-Datenbank, die Berufe systematisch nach Aufgaben, Fertigkeiten, Wissen, Arbeitsaktivitäten und Arbeitsbedingungen beschreibt. Sie liefert die granulare Datengrundlage, ohne die aufgabenbasierte Modelle wie die von OECD oder McKinsey gar nicht möglich wären.

Für internationale Vergleiche, relevant im DACH-Kontext, wird meist ISCO-08 (ILO) verwendet. Es gruppiert Berufe nach einem anderen Schema als O*NET/SOC.

Merkhilfe: O*NET und ISCO sind das Rohmaterial (die Zutaten), die Frameworks sind die Rezepte. Ein Rezept liefert erst mit Zutaten ein Ergebnis.

Stolperstein: Wer Studien vergleicht, muss wissen, auf welcher Klassifikation sie beruhen, denn die Kategoriengrenzen unterscheiden sich.

Anwendung auf Betriebsratsarbeit

• O*NET Online als kostenloses Nachschlagewerk nutzen, um ein Aufgabenprofil für eine strittige Stelle zu erstellen. Das ist eine sachliche Diskussionsgrundlage, unabhängig von der Einschätzung der Geschäftsführung.
• Bei Verweisen auf US-Studien prüfen, ob die zugrunde liegende Berufsklassifikation überhaupt auf deutsche Stellenprofile übertragbar ist.

Anwendung auf Projektmanagement

• Aufgabenkataloge aus O*NET als Vorlage für eigene Skill-Matrizen und Rollenprofile nutzen, statt sie von Grund auf neu zu erfinden.
• Bei internationalen Projektteams ISCO-08 als gemeinsame Referenz verwenden, um Rollen über Ländergrenzen hinweg vergleichbar zu beschreiben.

Ein Beispiel für eine Recherche

Du möchtest wissen, welche Aufgaben eine Bürokaufleute-Stelle typischerweise umfasst. In O*NET Online suchst du einen verwandten Beruf, etwa „Office Clerks, General“, und erhältst Listen von Aufgaben, Fertigkeiten und Arbeitsaktivitäten, jeweils mit Wichtigkeitswerten. Diese kannst du als Ausgangspunkt für eine eigene, auf deinen Betrieb angepasste Aufgabenliste nutzen.

Warum die Übertragung Vorsicht braucht

O*NET beschreibt US-Berufe. Ausbildungswege, Aufgabenzuschnitte und Regulierung unterscheiden sich in Deutschland, Österreich und der Schweiz. Ein direkter Import der Werte ist deshalb ein Anhaltspunkt, kein Ergebnis. Für Vergleiche über Länder hinweg dient ISCO-08 als gemeinsame Sprache.

Worauf man bei Studien achten sollte

• Welche Klassifikation wurde verwendet, und wie wurde übertragen?
• Wie aktuell sind die Berufsbeschreibungen?
• Werden Aufgaben vollständig erfasst oder nur typische?

Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind. Das Recherchebeispiel zu O*NET ist beispielhaft und nicht anhand der Datenbank nachgeprüft.

Leseliste

• O*NET Content Model (O*NET Resource Center) (allgemeine Referenz, nicht Zeile für Zeile geprüft)
• O*NET Online, die Datenbank zum Nachschlagen einzelner Berufe (allgemeine Referenz, nicht Zeile für Zeile geprüft)
• ISCO-08 (ILO) (allgemeine Referenz, nicht Zeile für Zeile geprüft)

Reflexionsfragen

1. Suche eine Stelle aus deinem Betrieb in O*NET Online. Welche der dort gelisteten Aufgaben treffen zu, welche fehlen?
2. Wo stößt eine 1:1-Übertragung US-amerikanischer Berufsprofile auf deutsche oder DACH-Stellen an Grenzen?

Einheit 5: Generative KI – Exposure-Indizes von ILO, Eloundou und Felten

Begriffe vorab

• Exposure: Maß, wie stark Aufgaben von generativer KI berührt werden.
• Unterstützung (Augmentation): KI hilft Menschen, Aufgaben besser oder schneller zu erledigen.
• Ersetzung (Substitution): KI übernimmt die Aufgabe vollständig.

Lernziele

• „Exposition gegenüber KI“ und „Automatisierungswahrscheinlichkeit“ begrifflich sauber trennen.
• Den ILO Occupational Exposure Index und das GPT-Exposure-Konzept von Eloundou et al. erklären.
• Einschätzen, wann hohe Exposition Unterstützung statt Ersatz bedeutet.

Kerninhalt

Mit generativer KI (LLMs) entstand ein neues Analysekonzept: Exposure. Es misst, wie stark eine Aufgabe durch generative KI berührt wird, unabhängig davon, ob sie ersetzt oder nur unterstützt wird.

Die ILO-Studien (Generative AI and Jobs und Refined Global Index of Occupational Exposure) bewerten Berufe danach, wie viele ihrer Aufgaben durch LLMs unterstützbar sind, und unterscheiden explizit zwischen Automatisierung und Ergänzung. Eloundou et al. (GPTs are GPTs) sowie Felten, Raj und Seamans entwickeln ähnliche Exposure-Metriken auf Basis von Aufgaben-Fähigkeits-Zuordnungen.

Merkhilfe: Exposure ist ein Berührungsmaß, kein Verdrängungsmaß. Wer „berührt“ sagt, meint nicht „ersetzt“.

Hohe Exposition sagt nichts darüber aus, ob eine Aufgabe tatsächlich wegfällt. Viele hoch exponierte Bürotätigkeiten wie Schreiben, Programmieren und Recherche werden vor allem produktiver, nicht ersetzt.

Anwendung auf Betriebsratsarbeit

• Zentrales Werkzeug gegen die Gleichsetzung „hohe KI-Exposition = Stellenabbau“.
• Ansatzpunkt für Gefährdungsbeurteilungen: Hohe Exposition kann Arbeitsverdichtung bedeuten (mehr Output bei gleicher Stellenzahl). Das ist ein eigenes Mitbestimmungsthema (§ 87 Abs. 1 Nr. 7 BetrVG, Arbeitsschutz).
• Grundlage, Qualifizierungsbedarfe pro exponierter Aufgabengruppe zu benennen statt pauschal „KI-Schulung für alle“.

Anwendung auf Projektmanagement

• Piloten priorisieren: hohe Exposition plus hoher Zeitanteil der Aufgabe ergibt einen guten ersten Anwendungsfall.
• Klare Projektkommunikation: „Wir nutzen KI zur Unterstützung von Aufgabe X“ statt „KI ersetzt Rolle X“. Das reduziert Widerstand und Fehlerwartungen.

Ein Beispiel: Texte schreiben

Das Verfassen von Berichten ist hoch exponiert, weil Sprachmodelle Entwürfe erzeugen können. Ob das Ersetzung oder Unterstützung bedeutet, hängt vom Einsatz ab: Wird der Entwurf geprüft und überarbeitet, steigt die Produktivität der Schreibenden; wird er unbesehen veröffentlicht, sinkt die Qualität. Die Exposure-Zahl allein sagt dazu nichts.

Warum Exposition nicht Stellenabbau bedeutet

Wenn dieselbe Arbeit schneller erledigt wird, kann das Unternehmen mehr Output mit gleichem Personal erreichen, Qualität verbessern, neue Leistungen anbieten oder Personal abbauen. Welche Reaktion eintritt, ist eine Entscheidung der Organisation, kein Naturgesetz. Deshalb sind Beteiligung, Qualifizierung und klare Vereinbarungen entscheidend.

Risiken jenseits der Stellenfrage

• Arbeitsverdichtung: mehr Output wird erwartet.
• Qualitätsrisiken: Fehler werden übersehen, wenn Prüfung entfällt.
• Überwachung: KI-Nutzung erzeugt Daten über Beschäftigte, die mitbestimmungspflichtig sein können.

Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind.

Leseliste

• ILO – Generative AI and Jobs: A Global Analysis of Potential Effects on Job Quantity and Quality
• ILO – Generative AI and Jobs: A Refined Global Index of Occupational Exposure
• Eloundou et al. – GPTs are GPTs
• Felten, Raj & Seamans – How Will Language Modelers Like ChatGPT Affect Occupations and Industries?

Reflexionsfragen

1. Nenne drei Aufgaben in deinem Betrieb mit hoher KI-Exposition, bei denen du eher Unterstützung als Ersatz erwartest, und begründe warum.
2. Wo könnte hohe Exposition in deinem Umfeld eher zu Arbeitsverdichtung als zu Stellenabbau führen?

Einheit 6: McKinsey – anwendungsorientierte Aufgabenanalyse

Begriffe vorab

• Arbeitsaktivität: eine Kategorie von Tätigkeiten wie „Daten sammeln“ oder „Menschen führen“.
• Vollzeitäquivalent (FTE): die Arbeitsmenge, die einer Vollzeitstelle entspricht.
• Business Case: die Wirtschaftlichkeitsbetrachtung einer Investition.

Lernziele

• Das McKinsey Automation-Potential-Framework von den akademischen Modellen (OECD, Frey/Osborne) abgrenzen.
• Die Begriffe „technisch automatisierbar“, „Arbeitsplatzverlust“ und „Kompetenzverschiebung“ auseinanderhalten.
• Eine einfache Aufgaben-Zeit-Schätzung für eine eigene Rolle erstellen.

Kerninhalt

Das McKinsey Global Institute wendet den aufgabenbasierten Ansatz praxisnah an. Gefragt wird nicht, welcher Beruf verschwindet, sondern welcher Zeitanteil verschiedener Arbeitsaktivitäten technisch automatisierbar ist (A Future That Works).

Jobs Lost, Jobs Gained erweitert das um Verdrängungseffekte, Nachfrageeffekte, neu entstehende Berufe und veränderte Kompetenzanforderungen bis 2030.

Der Mehrwert gegenüber akademischen Modellen liegt in der unternehmensnahen Aufbereitung: konkrete Aktivitätskategorien wie Datenverarbeitung, körperliche Arbeit in vorhersehbarer Umgebung und Management, die sich direkt auf Rollenprofile im Betrieb übertragen lassen.

Merkhilfe: Nicht „Wer verschwindet?“, sondern „Wie viel meiner Zeit ist automatisierbar?“ Zeitanteil statt Berufsurteil.

Drei Begriffe, die nicht dasselbe sind

• Technisch automatisierbar: Der Zeitanteil von Aktivitäten, den Technik übernehmen könnte.
• Arbeitsplatzverlust: Ein tatsächlicher Wegfall von Stellen.
• Kompetenzverschiebung: Veränderte Anforderungen an die Fähigkeiten der Beschäftigten.

Anwendung auf Betriebsratsarbeit

• Arbeitgeber-Business-Cases beruhen häufig selbst auf McKinsey- oder ähnlichen Beratungsstudien. Mit derselben Methodik und Begrifflichkeit lässt sich auf Augenhöhe diskutieren.
• Für Qualifizierungsvereinbarungen liefern die Aktivitätskategorien konkrete Ansatzpunkte, welche Kompetenzen (Datenanalyse, Kreativität, Führung) an Bedeutung gewinnen.

Anwendung auf Projektmanagement

• Direkt nutzbar für Business Cases bei KI-Projekten: Zeitanteile je Aktivität schätzen statt pauschaler Vollzeitäquivalent-Einsparungen zu versprechen.
• Jobs Lost, Jobs Gained liefert eine Vorlage für Skill-Gap-Analysen: Welche Kompetenzen werden überflüssig, welche werden neu benötigt? Das ist Input für die Schulungsplanung.

Ein Rechenbeispiel

Eine Rolle besteht zu 30 Prozent aus Datenerfassung, zu 40 Prozent aus Abstimmung mit Menschen und zu 30 Prozent aus Analyse. Angenommen, 60 Prozent der Datenerfassung sind automatisierbar, der Rest nicht. Das Zeitpotenzial beträgt dann 0,3 × 0,6 = 18 Prozent der Rolle – nicht 100 Prozent, wie ein Berufsurteil suggerieren könnte. Ob daraus Einsparungen, Verschiebung auf andere Aufgaben oder mehr Output werden, ist eine Entscheidung.

Die typischen Fehler im Business Case

• Zeitanteile mit Personaleinsparungen gleichsetzen: Zeit verteilt sich auf viele Personen und lässt sich nicht beliebig zu ganzen Stellen bündeln.
• Einführungs- und Betriebskosten, Schulung und Qualitätssicherung vergessen.
• Nutzen bei perfekter Nutzung annehmen, ohne Akzeptanz und Prozessreife zu prüfen.

Kompetenzverschiebung ernst nehmen

Wenn sich Aufgaben verlagern, verändern sich Qualifikationsanforderungen. Eine Planung, die nur Zeit, aber keine Kompetenzen betrachtet, unterschätzt den Schulungsbedarf und riskiert Widerstand.

Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind. Das Rechenbeispiel ist konstruiert (0,3 × 0,6 = 18 %) und nachgerechnet; es ist keine Messung.

Leseliste

• McKinsey Global Institute – A Future That Works: Automation, Employment, and Productivity
• McKinsey – Jobs Lost, Jobs Gained

Reflexionsfragen

1. Schätze für eine Rolle in deinem Betrieb den Zeitanteil je Aktivitätskategorie (Datenverarbeitung, Koordination, körperliche Arbeit, Führung). Wie viel davon ist heute schon technisch automatisierbar?
2. Welche neuen Kompetenzen müssten in deinem Betrieb aufgebaut werden, wenn diese Rolle teilautomatisiert würde?

Einheit 7: Empirische Gegenprüfung – Acemoglu & Restrepo, Noy & Zhang

Begriffe vorab

• Empirisch: auf beobachteten Daten beruhend, nicht auf Modellannahmen.
• Kausaler Effekt: eine Wirkung, die tatsächlich durch einen bestimmten Faktor verursacht wurde.
• Randomisiertes Experiment: Teilnehmende werden zufällig Gruppen zugeteilt, um Wirkungen sauber zu messen.

Lernziele

• Den Unterschied zwischen Prognose-Modellen (Einheiten 2 bis 6) und beobachteten Ist-Effekten erklären.
• Reale Beschäftigungs- und Lohneffekte von Automatisierung anhand von Roboter-Daten benennen.
• Produktivitätseffekte generativer KI aus kontrollierten Experimenten einordnen.

Kerninhalt

Alle bisherigen Frameworks schätzen Potenzial. Acemoglu und Restrepo (Robots and Jobs: Evidence from US Labor Markets) untersuchen dagegen, was tatsächlich passiert ist: Regionen mit stärkerem Robotereinsatz zeigen messbar geringere Beschäftigung und niedrigere Löhne. Nach den Schätzungen der Studie senkt ein zusätzlicher Roboter je 1.000 Beschäftigte die Beschäftigungsquote um 0,2 Prozentpunkte und die Löhne um 0,42 Prozent.

AI, Automation, and Work liefert den theoretischen Rahmen, der verdrängende Aufgaben, neue Aufgaben, produktivitätssteigernde Anwendungen und komplementäre Tätigkeiten sauber trennt.

Noy und Zhang ließen in einem vorab registrierten Online-Experiment 444 Fachkräfte zufällig mit oder ohne ChatGPT berufstypische Schreibaufgaben bearbeiten; die Gruppe mit ChatGPT war im Schnitt etwa 40 % schneller und lieferte höhere Qualität. Sie zeigen damit experimentell, dass generative KI bei bestimmten Schreibaufgaben die Leistung schwächerer Performer überproportional steigert. Das ist ein Hinweis auf Ergänzung statt Ersatz, zumindest kurzfristig.

Merkhilfe: Prognose sagt „könnte“, Empirie sagt „ist passiert“. Roboter verdrängen messbar, generative KI ergänzt bei Schreibaufgaben. Die Wirkung hängt von Technologie und Tätigkeit ab.

Anwendung auf Betriebsratsarbeit

• Wichtigstes Korrektiv gegenüber optimistischen wie pessimistischen Prognosen: Es gibt keine pauschale Antwort.
• Fundierte Grundlage für Verhandlungen zur Beschäftigungssicherung: Wenn empirisch belegt ist, dass Automatisierung regional Lohndruck erzeugt, ist das ein sachliches Argument für Beschäftigungssicherungsklauseln in Betriebsvereinbarungen.

Anwendung auf Projektmanagement

• Nach Projektabschluss reale Effekte (Zeitersparnis, Qualität, Fehlerquote) messen und mit den ursprünglichen Prognosen aus den Einheiten 2 bis 6 abgleichen. Das schließt den Lernkreislauf und verbessert künftige Schätzungen.
• Noy & Zhangs Befund als Hinweis für Rollout-Strategien: KI-Tools zuerst dort einführen, wo der Produktivitätsgewinn am größten und am leichtesten messbar ist.

Warum Experiment und Beobachtung unterschiedlich aussagen

Die Roboterstudie wertet beobachtete Daten aus und muss Einflüsse wie Konjunktur herausrechnen. Das gelingt nie vollständig. Das Experiment von Noy und Zhang teilte dagegen zufällig Teilnehmende in Gruppen mit und ohne KI-Nutzung ein; dadurch lässt sich der Effekt sauberer messen, allerdings für eine bestimmte Aufgabe in einer künstlichen Versuchssituation.

Grenzen übertragbarer Aussagen

• Roboter und generative KI sind sehr unterschiedliche Technologien; Ergebnisse lassen sich nicht einfach übertragen.
• Kurzfristige Produktivitätsgewinne sagen nichts über langfristige Beschäftigungswirkungen.
• Durchschnitte verbergen, dass einzelne Gruppen stark betroffen sein können.

Lernen aus dem eigenen Projekt

Die stärkste Evidenz entsteht im eigenen Betrieb: Vorher Kennzahlen festlegen (Bearbeitungszeit, Fehlerquote, Zufriedenheit), nachher dieselben messen und mit der Prognose vergleichen. Das schließt den Lernkreislauf.

Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind.

Leseliste

• Acemoglu & Restrepo – Robots and Jobs: Evidence from US Labor Markets (NBER)
• Acemoglu & Restrepo – AI, Automation, and Work
• Noy & Zhang – Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence (Science)

Reflexionsfragen

1. Wo in deinem Betrieb gäbe es messbare Kennzahlen (Zeit, Fehlerquote, Durchsatz), um den tatsächlichen Effekt einer KI-Einführung später zu überprüfen?
2. Welche Prognose aus den Einheiten 2 bis 6 würdest du am ehesten durch reale Messung bestätigt oder widerlegt sehen wollen?

Abschluss: Synthese und Transferprojekte

Begriffe vorab

• Synthese: die Zusammenführung der Einzelergebnisse zu einer Gesamtaussage.
• Transfer: das Anwenden des Gelernten auf einen neuen Fall.

Die zentrale Begriffsabgrenzung

KI-Exposition ≠ Automatisierungswahrscheinlichkeit ≠ tatsächlicher Arbeitsplatzverlust

Ein Beruf kann stark von KI berührt sein, ohne zu verschwinden. Meist verändert sich die Aufgabenzusammensetzung, während KI zugleich ersetzt und ergänzt.

Der Fünf-Fragen-Check für jedes Framework

Bei jedem Framework, das du liest oder zitiert bekommst, hältst du diese fünf Fragen fest:

1. Was ist die Analyseeinheit: Beruf, Aufgabe oder Arbeitsaktivität?
2. Welche Daten werden verwendet?
3. Wie wird „Automatisierbarkeit“ operationalisiert?
4. Wird technische Möglichkeit oder tatsächliche Einführung gemessen?
5. Werden Arbeitsplatzverluste, Arbeitsplatzveränderungen und neue Tätigkeiten getrennt betrachtet?

Transferprojekt A: Betriebsrats-Stellungnahme

Wähle eine reale oder geplante KI- oder Automatisierungseinführung und erstelle eine kurze Stellungnahme, die:

• die betroffene(n) Stelle(n) mittels Aufgaben-Matrix (Einheit 3) statt auf Berufsebene (Einheit 2) analysiert,
• Exposure und tatsächliches Automatisierungsrisiko unterscheidet (Einheit 5),
• daraus konkreten Qualifizierungsbedarf ableitet (Einheiten 1 und 6),
• ein einschlägiges Mitbestimmungsrecht benennt, zum Beispiel § 87 Abs. 1 Nr. 6/7, §§ 90/92 oder § 96 ff. BetrVG.

Transferprojekt B: Projektmanagement-Risikoregister

Wähle ein laufendes oder geplantes Digitalisierungsprojekt und ergänze das Risikoregister um:

• eine Aufgaben-Zeit-Schätzung je betroffener Rolle (Einheit 6),
• getrennte Risikozeilen für „technisch möglich“ und „organisatorisch/kulturell eingeführt“ (Einheit 3),
• einen Pilotbereich, ausgewählt nach hoher Exposition plus hohem Zeitanteil (Einheit 5),
• eine Messgröße, mit der der reale Effekt nach dem Rollout überprüft wird (Einheit 7).

Beide Transferprojekte lassen sich parallel bearbeiten und sind bewusst auf denselben Fall anwendbar. Die Betriebsrats- und die Projektmanagement-Perspektive ergänzen sich, wenn beide dieselbe zugrunde liegende Aufgabenanalyse teilen.

Wie die Frameworks zusammenspielen

Die Berufsebene liefert ein grobes Warnsignal, die Aufgabenebene die belastbare Detailanalyse, die Datenbasis die Bausteine, die Exposure-Indizes den Blick auf generative KI, der Praxisansatz den Zeitanteil für den Business Case, die Empirie die Gegenprüfung. Sie beantworten verschiedene Fragen und sollten nicht gegeneinander ausgespielt werden.

Ein Beispielablauf für ein Projekt

1. Grobes Screening: Welche Rollen könnten betroffen sein?
2. Aufgaben-Matrix für die wichtigsten Rollen.
3. Exposure prüfen: Wo berührt generative KI die Aufgaben?
4. Zeitanteile schätzen und Business Case rechnen.
5. Pilot planen, Kennzahlen festlegen, später messen.

Was am Ende zählt

Ein Framework ist kein Urteil, sondern ein Werkzeug, um Fragen zu stellen. Die Qualität der Entscheidung hängt davon ab, ob man Annahmen offenlegt, Beteiligte einbindet und die Wirkung später überprüft.

Zum Selbermachen: die Synthese festhalten

1. Fasse pro Framework in einem Satz zusammen, welche Frage es beantwortet.
2. Ordne sie auf einer Zeitachse eines Projekts ein.
3. Nenne je ein Risiko einer einseitigen Nutzung.
4. Formuliere, wie du einer Geschäftsführung eine Prognose in zwei Sätzen erklären würdest.

Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind.

Quellen

• Die Quellen der Einheiten 1 bis 7 (Autor; Frey & Osborne; Arntz, Gregory, Zierahn; O*NET/ISCO; ILO, Eloundou et al., Felten et al.; McKinsey; Acemoglu & Restrepo, Noy & Zhang) (allgemeine Referenz, nicht Zeile für Zeile geprüft)
• Betriebsverfassungsgesetz (BetrVG) §§ 87, 90, 92, 96 ff. – Mitbestimmungs- und Beteiligungsrechte (allgemeine Referenz, nicht Zeile für Zeile geprüft)