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
- Suche eine Stelle aus deinem Betrieb in O*NET Online. Welche der dort gelisteten Aufgaben treffen zu, welche fehlen?
- 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
- Nenne drei Aufgaben in deinem Betrieb mit hoher KI-Exposition, bei denen du eher Unterstützung als Ersatz erwartest, und begründe warum.
- Wo könnte hohe Exposition in deinem Umfeld eher zu Arbeitsverdichtung als zu Stellenabbau führen?