Die Realität auf Aufgabenebene: KI und Arbeit
Betrachten wir eine Bankangestellte, deren Rechnungsworkflow sich verändert hat. Sie bearbeitet immer noch Rechnungen, aber der Rhythmus ist anders: Die Maschine extrahiert die meisten Daten, und sie verbringt ihre Zeit damit, die Randfälle zu fangen – die handschriftlichen Lieferantennummern, die nicht passenden Steuercodes, die Rechnungen, die in einer Sprache ankamen, in der das Modell nicht trainiert wurde. Ihre Berufsbezeichnung ist dieselbe. Ihr Arbeitstag ist es nicht.
Dies ist das Muster, das die Arbeitsdebatte immer wieder übersieht. Wir reden über Jobs, die verschwinden oder bleiben, über Massenverdrängung oder keine Auswirkungen, als ob die Analyseeinheit die gesamte Rolle wäre. Ist sie nicht. Die brauchbare Evidenz deutet in eine leisere, granulare Richtung: Fähigkeiten verschieben sich, bevor Jobs verschwinden, und Umschulung beginnt bei der Aufgabe, nicht bei der Bezeichnung.
Die Job-Ersatz-Erzählung ist eine Krücke
Die Schlagzeile ist einfacher als die Analyse. „KI wird Jobs ersetzen“ passt in einen Tweet und generiert Klicks, aber es ebnet einen verteilten, ungleichmäßigen Prozess zu einer einzigen Behauptung ein. Das O*NET-Berufsmodell ist gerade deshalb nützlich, weil es Arbeit über Aufgaben, Arbeitsaktivitäten, Wissen und Fähigkeiten beschreibt, statt eine Berufsbezeichnung als unteilbaren Block zu behandeln. Ein Radiologe wird nicht arbeitslos, weil ein Modell Scans liest. Die Arbeit des Radiologen verlagert sich hin zur Fallprüfung, Patientenkommunikation und den mehrdeutigen Bildern, die das Modell als unsicher markiert. Der Job ändert sich, dann bleibt er.
Die globale Analyse der ILO zu generativer KI und Jobs untermauert dies. Die Auswirkungen sind nicht gleichmäßig über Sektoren, Regionen oder sogar Rollen innerhalb desselben Unternehmens verteilt. Die Frage ist nicht „Wird dieser Job in fünf Jahren existieren?“, sondern „Welche Aufgaben in diesem Job wird ein Modell erledigen, und welche muss die Person weiterhin selbst übernehmen?“
Was die Evidenz auf Aufgabenebene tatsächlich zeigt
O*NET- und ILO-Evidenz deuten beide auf ein Muster hin, das weder utopisch noch katastrophal ist. Berufe sind Bündel von Aufgaben, und diese Aufgaben unterscheiden sich darin, wie stark sie Automatisierung oder Augmentierung ausgesetzt sind. Die Verteilung ist wichtiger als der Durchschnitt. Eine kaufmännische Rolle mit viel Dateneingabe sieht anders aus als eine Führungsrolle mit viel Urteilsvermögen und Verhandlung, obwohl beide „Bürojobs“ sind.
Die Evidenz ist dünn, was genaue Prozentsätze über Branchen hinweg angeht – das variiert je nach Unternehmen, Datenqualität, regulatorischem Umfeld. Aber die Richtung ist konsistent: Die Exposition ist partiell, aufgabenspezifisch und wird davon geprägt, wie Organisationen die Technologie einsetzen. Dasselbe Modell, das in einem Unternehmen die Rechnungsextraktion automatisiert, wird in einem anderen zu einem Entscheidungsunterstützungswerkzeug.
Ein konkretes Beispiel aus der Bildung
Betrachten wir einen Lehrplan für Buchhalter. Ein traditionelles Programm verbringt Wochen mit manueller Dateneingabe, Kontenabstimmung und Transaktionscodierung. Wenn Modelle jetzt die meisten Extraktionen und Codierungen zuverlässig erledigen, muss sich der Lehrplan ändern – nicht indem man die Rolle des Buchhalters entfernt, sondern indem man das Modul zur Dateneingabe verkürzt und das zur Ausnahmebehandlung erweitert.
Die neuen Fähigkeiten betreffen nicht das Modell. Sie betreffen das, was passiert, wenn das Modell unsicher ist: Überprüfen eines markierten Eintrags, Auflösen einer Diskrepanz zwischen zwei Systemen, Kommunikation mit einem Lieferanten, dessen Rechnungsformat die Pipeline gestört hat. Die Berufsbezeichnung bleibt. Die Aufgabenkomposition verschiebt sich. Die Ausbildung muss folgen.
Warum Kompetenzrahmen ohne Granularität scheitern
Die meisten Kompetenzrahmen für Arbeitskräfte beschreiben breite Fähigkeiten: „Datenanalyse“, „Kommunikation“, „kritisches Denken“. Diese sind nützlich für Lebensmittelfilter, aber nutzlos für die Lehrplangestaltung. Eine Analyse auf Aufgabenebene zerlegt „Datenanalyse“ in konkrete Operationen: extrahieren, validieren, abgleichen, markieren, eskalieren. Jede hat eine andere Automatisierungsexposition. Validierung und Eskalation sind schwerer zu automatisieren als Extraktion. Wenn der Rahmen sie als eine Kategorie behandelt, verfehlt die Ausbildung die Verschiebung.
Der O*NET-Rahmen deutet darauf hin, dass Politik und Bildung sich in Richtung dieser Granularität bewegen müssen. Nicht „Arbeitskräfte für KI umschulen“, sondern „identifizieren, welche spezifischen Aufgaben in einer Rolle sich ändern, und gezielte Module für die Aufgaben entwickeln, die in menschlicher Hand bleiben“.
Was Politik und Ausbildung anders machen sollten
Erstens: Hören Sie auf zu fragen, ob KI Arbeitsplätze ersetzen wird. Die Frage ist auf dieser Ebene nicht beantwortbar. Fragen Sie stattdessen: Welche Aufgaben in welchen Rollen sind am stärksten exponiert, und welche Aufgaben sind am widerstandsfähigsten? Das ist eine empirische Frage, und aufgabenbezogene Berufsdaten sind die Evidenzbasis, die sie beantwortbar macht.
Zweitens: Gestalten Sie Ausbildung neu um Aufgabenkomposition, nicht um Berufsbezeichnungen. Ein Modul zur „Ausnahmebehandlung für automatisierte Workflows“ dient einem Dateneingabe-Sachbearbeiter, einem Schadensregulierer und einem Logistikkoordinator, auch wenn ihre Berufsbezeichnungen unterschiedlich sind. Die Fähigkeit ist dieselbe. Der Kontext variiert.
Drittens: Finanzieren Sie Längsschnittstudien zum Aufgabenwandel, nicht einmalige Verdrängungsschätzungen. Die Arbeit der ILO zeigt, dass die Auswirkungen je nach Land, Sektor und Unternehmensgröße variieren. Eine globale Zahl verbirgt die lokale Realität. Verfolgen Sie dieselben Rollen über drei bis fünf Jahre und beobachten Sie, wie sich der Aufgabenmix entwickelt.
Die praktische Sorge ist nicht nur, ob die Rolle der Bankangestellten überlebt. Sie ist, ob die Ausbildung mit der Arbeit Schritt hält, die Menschen jetzt tatsächlich tun. Das ist die Lücke, auf die die Evidenz hinweist, und es lohnt sich, sie zu schließen.
