KI, Arbeitsmarkt und Kompetenz

Management-Zusammenfassung

Der Forschungsstand ist weder „Job-Apokalypse“ noch Entwarnung

Die belastbarste Aussage zum Stand August 2026 lautet: AI verändert bereits Aufgaben, Arbeitsweisen und Skill-Nachfrage, aber aus technischer Exposition lässt sich keine belastbare Zahl künftig verschwundener Stellen ableiten. Die ILO schätzt, dass rund ein Viertel der weltweiten Beschäftigung in Berufen mit irgendeinem GenAI-Expositionsgrad liegt; nur 3,3 Prozent der globalen Beschäftigung liegen im höchsten Expositionsgradienten. Die ILO betont zugleich, dass Transformation von Aufgaben wahrscheinlicher ist als die vollständige Ersetzung ganzer Berufe. ^{[S-001, S-002]}

Die OECD kommt methodisch zum gleichen Kern: Hochqualifizierte White-Collar-Berufe sind häufig stark AI-exponiert, aber nicht zwingend hoch automatisierbar. Gerade Manager, Professionals und Ingenieure verbinden exponierte kognitive Tasks mit nicht-routinemäßiger Problemlösung, sozialer Koordination, Verantwortung und Urteil. Niedrigere oder mittlere Qualifikationsniveaus können bei bestimmten routinisierbaren Tätigkeitsbündeln ein höheres Automatisierungsrisiko haben, obwohl ihr nomineller AI-Expositionsscore niedriger ausfällt. ^{[S-005, S-068]}

Damit ist die verbreitete Gleichung „30 Prozent Exposure = 30 Prozent Jobs weg“ methodisch falsch. Expositionsmaße fragen, wie stark Fähigkeiten einer Technologie mit Tätigkeiten eines Berufs überlappen. Sie messen weder Kosten der Einführung noch Nachfrageeffekte, rechtliche Grenzen, Organisationsumbau, Human Review oder die Entstehung neuer Tätigkeiten. Selbst unterschiedliche Expositionsmaße stimmen bei stark exponierten Berufen weniger über die Höhe des Scores überein. ^{[S-028, S-046, S-080]}

Deutschland: schneller Nutzungsanstieg, aber noch große Kompetenzlücke

Das IAB-Betriebspanel zeigt einen starken Adoptionssprung: 2023 nutzten rund 5 Prozent der deutschen Betriebe generative AI, 2025 knapp 25 Prozent. Weitere 9 Prozent planten die Nutzung. Die Adoption ist zugleich stark ungleich: Größere Betriebe und wissensintensive Branchen liegen deutlich höher. Besonders wichtig für die Buchreihe ist die Lücke zwischen Nutzung und Befähigung: Nur 27 Prozent der bereits nutzenden Betriebe boten Weiterbildung zum Umgang mit generativer AI an; weitere 21 Prozent planten sie. Nur 21 Prozent hatten interne Regeln, weitere 22 Prozent planten solche Regeln. ^[S-018]

Das bedeutet: Der Arbeitsmarkt verändert sich nicht erst dann, wenn Betriebe Personal abbauen. Schon die breite Einführung allgemeiner AI-Assistenten verändert Informationssuche, Textarbeit, Coding, Kundenkommunikation, Analyse und interne Wissensarbeit. Gleichzeitig fehlt in einem erheblichen Teil der Betriebe noch ein strukturierter Kompetenz- und Regelrahmen. ^{[S-018, S-021]}

Das IAB-Szenario zu den langfristigen Wirkungen auf Deutschland ist bewusst keine Prognose. Im modellierten 15-Jahres-Verlauf bleibt das gesamte Beschäftigungsniveau im AI-Szenario in ähnlicher Größenordnung wie in der Referenz, während sich brutto sehr viel bewegt: Rund 1,6 Millionen Arbeitsplätze werden durch strukturellen Auf- oder Abbau berührt. Das ist eine zentrale Unterscheidung: Ein kleiner Nettoeffekt kann mit erheblichen Berufs-, Branchen- und Qualifikationsverschiebungen einhergehen. ^[S-019]

Produktivitätsgewinne verteilen sich ungleich

Experimente liefern einen belastbaren Nachweis, dass generative AI bei passenden Aufgaben große Produktivitätsgewinne erzeugen kann. Noy und Zhang fanden bei professionellen Schreibaufgaben deutliche Zeit- und Qualitätsgewinne. Im Kundenservice-Feldexperiment mit 5.172 Beschäftigten stieg die Produktivität im Mittel, besonders stark bei weniger erfahrenen Beschäftigten. Drei Feldexperimente mit Softwareentwicklern fanden ebenfalls Produktivitätsgewinne. ^{[S-033, S-034, S-036]}

Diese Befunde dürfen aber nicht in die Formel „AI macht jeden Wissensarbeiter x Prozent produktiver“ übersetzt werden. Dell’Acqua et al. zeigen die gezackte Leistungsgrenze: Bei einer Aufgabe außerhalb der beobachteten Modellstärken stieg die Fehlerwahrscheinlichkeit. METR fand bei erfahrenen Open-Source-Entwicklern sogar eine durchschnittliche Verlangsamung von 19 Prozent, obwohl die Teilnehmer vorab einen Geschwindigkeitsgewinn erwarteten. ^{[S-035, S-037]}

Für Kompetenzpolitik folgt daraus ein wichtiger Punkt: AI kann Wissen teilweise verteilen und Leistungsunterschiede bei standardisierten Tasks verkleinern. Gleichzeitig steigt der Wert von Fähigkeiten, die den passenden Einsatzbereich erkennen, Fehler entdecken, Kontext ergänzen, Risiken bewerten und Verantwortung übernehmen. Erfahrung verschwindet nicht; ihre Funktion verändert sich. ^{[S-034, S-035, S-049]}

Arbeitsmarktdaten: konzentrierte Effekte sind möglich, aggregierte Effekte bisher klein

Die bisherige empirische Arbeitsmarktevidenz ist heterogen. Dänische Registerdaten finden trotz schneller Chatbot-Adoption in der frühen Phase nur kleine aggregierte Effekte auf Arbeitszeit und Einkommen. Eine internationale Unternehmensbefragung in USA, UK, Deutschland und Australien zeigt breite AI-Adoption, aber bislang kleine realisierte Beschäftigungs- und Produktivitätseffekte. ^{[S-039, S-040]}

Gleichzeitig findet der Stanford Digital Economy Lab in US-Payroll-Daten relative Beschäftigungsrückgänge bei 22- bis 25-Jährigen in besonders AI-exponierten Berufen, vor allem dort, wo beobachtete AI-Nutzung eher Aufgaben automatisiert als ergänzt. Diese Ergebnisse sind ernst zu nehmen, aber nicht als abgeschlossene Kausalantwort zu behandeln. Das Yale Budget Lab findet bis Juni 2026 im Gesamtarbeitsmarkt keinen eindeutigen AI-Fußabdruck. Beide Befunde können gleichzeitig wahr sein: Ein kleiner Aggregat-Effekt kann konzentrierte Nachteile für bestimmte Einstiegsgruppen verdecken. ^{[S-043, S-044, S-045]}

Die Juniorenfrage ist ein Karrierearchitektur-Problem

Ein besonderes Risiko liegt nicht nur im aktuellen Headcount, sondern in den Lernpfaden. Viele Aufgaben, die AI gut übernimmt - Zusammenfassen, erste Recherche, Standardcode, Erstentwürfe, Datensichtung - waren traditionell die Aufgaben, an denen Einsteiger Fachwissen aufbauen. Werden sie vollständig automatisiert, kann kurzfristig Produktivität steigen und langfristig eine Lücke entstehen: Wer entwickelt dann die Senior-Kompetenz, mit der AI-Ergebnisse geprüft werden sollen?

Direkte Langzeitdaten hierzu sind noch dünn. Ein PNAS-Feldexperiment im Bildungsbereich zeigt aber einen plausiblen Mechanismus: Schüler lösten mit unbeschränkter GPT-Hilfe mehr Aufgaben richtig, schnitten ohne AI in der späteren Prüfung jedoch 17 Prozent schlechter ab als die Kontrollgruppe. Ein stärker didaktisch begrenztes GPT-Tutor-System vermied den negativen Effekt weitgehend. Das ist kein Beweis für Deskilling am Arbeitsplatz, aber ein wichtiger Hinweis: Tool-Design und Lernarchitektur entscheiden darüber, ob AI Leistung ersetzt oder Kompetenz aufbaut. ^[S-050]

Kompetenzpflicht ist inzwischen Rechts- und Managementthema

Art. 4 des EU AI Act gilt seit 2. Februar 2025. Nach der Änderung durch den Digital Omnibus 2026 bleibt die Pflicht für Provider und Deployer bestehen, Maßnahmen zur Entwicklung von AI literacy bei ihren Beschäftigten und anderen Personen zu unterstützen, die AI-Systeme in ihrem Auftrag bedienen oder nutzen. Der geänderte Artikel schreibt kein einheitliches „ausreichendes“ Kompetenzniveau vor. Die Kommission betont einen kontextabhängigen Ansatz. ^{[S-024, S-025, S-026]}

AI literacy ist damit nicht gleich „ein Prompt-Kurs“. Je nach Rolle gehören dazu Fähigkeiten und Grenzen des Systems, geeignete und ungeeignete Use Cases, Daten- und Qualitätsfragen, Human Oversight, Fehlerfolgen, sichere Bedienung sowie interne Verantwortlichkeiten. Für Hochrisiko-Systeme können zusätzliche Schulungs- und Human-Oversight-Pflichten relevant sein. ^[S-026]

Management-Fazit

Die vernünftige Workforce-Frage lautet nicht: „Welche Berufe ersetzt AI?“ Sie lautet: Welche Aufgaben verändern sich, welche Tätigkeiten entfallen, welche wachsen, welche Qualitäts- und Verantwortungsaufgaben bleiben menschlich, wie verändert sich der Personalbedarf pro Prozess und welche Kompetenzen müssen wir heute aufbauen, damit die Organisation morgen noch Experten hervorbringt?

Für Unternehmen folgt daraus ein pragmatischer Ansatz: Task-Inventar statt Jobtitel, reale Prozessmessung statt Expositionsschlagzeilen, Rollen- und risikobasierte AI literacy statt Gießkannentraining, Erhalt von Lernaufgaben für Junioren, klare Human-Oversight-Grenzen und regelmäßige Aktualisierung der Workforce-Szenarien. ^{[S-005, S-018, S-019, S-026]}

Die 50 wichtigsten Kernaussagen

Die folgende Tabelle bildet den Faktenkern des Dossiers. „Refresh“ beschreibt, wie schnell die Aussage vor Buchveröffentlichung erneut geprüft werden sollte.

Methodik, Evidenzhierarchie und Recherchegrenzen

Forschungsfrage

Untersucht wird nicht, ob „AI Jobs vernichtet“, sondern wie sich fünf Ebenen voneinander unterscheiden: (1) technische Fähigkeit, (2) Task-Exposition, (3) tatsächliche Adoption, (4) organisatorische Veränderung und (5) beobachtete Arbeitsmarktergebnisse. Nur die letzte Ebene erlaubt Aussagen über realisierte Beschäftigung, Lohn, Arbeitszeit oder Berufswechsel. ^{[S-046, S-080]}

Evidenzhierarchie

Für beobachtete Effekte haben administrative Register- und Payroll-Daten, randomisierte Feldexperimente und repräsentative Betriebs-/Beschäftigtenbefragungen höheres Gewicht als Prognosen. Task-Expositionsstudien sind wertvoll, werden aber als Potenzialmessung behandelt. Arbeitgeberumfragen zu Zukunftsplänen werden als Erwartungen, nicht als Prognosen eingeordnet. Anbietertelemetrie zeigt reale Toolnutzung, ist aber wegen Produkt- und Kundenselektion nicht repräsentativ für den Gesamtarbeitsmarkt. ^{[S-039, S-043, S-058, S-059]}

Zentrale methodische Fallen

1. Task-to-job fallacy: Aus automatisierbaren Aufgaben wird auf verschwundene Berufe geschlossen.
2. Exposure-to-employment fallacy: Ein Expositionsscore wird als Kündigungswahrscheinlichkeit gelesen.
3. Capability-to-adoption fallacy: Benchmarkleistung wird mit betrieblicher Einführung gleichgesetzt.
4. Productivity-to-headcount fallacy: Task-Zeitgewinn wird automatisch als Personalabbau verbucht.
5. Early-data fallacy: Ergebnisse der ersten zwei bis vier Jahre werden als langfristiger Gleichgewichtseffekt interpretiert.
6. Aggregate masking: Kleine Gesamteffekte verdecken starke Wirkungen auf einzelne Altersgruppen, Berufe oder Regionen.
7. Selection bias: AI-Nutzer, Firmen oder Plattformarbeiter unterscheiden sich systematisch von Nichtnutzern.
8. Model drift: Fähigkeiten der Modelle ändern sich schneller als klassische Arbeitsmarktdaten. ^{[S-028, S-039, S-043, S-046, S-080]}

Zeitliche Grenze

Der Recherche- und Faktenstand ist der 7. August 2026. Insbesondere Einstiegsbeschäftigung, AI-Act-Durchsetzung, Unternehmensadoption und Modellfähigkeiten sind schnell veraltend. Aussagen mit hoher Refresh-Priorität dürfen vor Buchveröffentlichung nicht ungeprüft übernommen werden.

Exposure ist nicht Ersetzung

„Exposure“ beantwortet typischerweise die Frage, ob und wie stark AI Fähigkeiten aufweist, die bei Tätigkeiten eines Berufs nützlich sein könnten. Je nach Studie wird über Expertenratings, O*NET-Tasks, Patenttexte, Modellbewertungen oder beobachtete AI-Interaktionen gemessen. Schon deshalb sind Prozentwerte verschiedener Studien nicht direkt vergleichbar. ^{[S-028, S-029, S-030, S-068, S-080]}

Ein Beruf kann hoch exponiert und niedrig automatisierbar sein. Ein Strategieberater arbeitet mit Text, Analyse und Präsentationen - alles AI-nahe Tätigkeiten. Der Beruf umfasst aber auch Auftragsklärung, Kundendynamik, Priorisierung, Verhandlung, Verantwortung, implizites Wissen und politische Organisationsrealität. Umgekehrt kann ein weniger „sprachlastiger“ Beruf einzelne standardisierte Schritte besitzen, die technisch relativ vollständig automatisierbar sind. ^{[S-005, S-007]}

Die ökonomische Wirkung entsteht außerdem nicht nur über Substitution. AI kann die Kosten einer Leistung senken und dadurch Nachfrage erhöhen. Sie kann neue Varianten, Services oder Qualitätsniveaus wirtschaftlich machen. Sie kann einen Engpass lösen und dadurch zusätzliche Beschäftigung in komplementären Rollen erzeugen. Das klassische Task-Framework von Acemoglu und Restrepo unterscheidet deshalb zwischen Displacement und der Entstehung neuer Aufgaben, die menschliche Arbeit wieder einsetzen. ^[S-032]

Für Unternehmensentscheidungen ist daher eine Vier-Felder-Sicht sinnvoll:

Task, Beruf, Stelle und Beschäftigung: die Messlogik

Task

Ein Task ist eine einzelne Arbeitshandlung: einen Text klassifizieren, eine Rechnung prüfen, einen Kundenfall zusammenfassen, eine Röntgenaufnahme markieren oder Code dokumentieren. AI-Benchmarks und Expositionsstudien arbeiten häufig auf dieser Ebene.

Beruf

Ein Beruf bündelt viele Tasks. Ein und derselbe Beruf enthält leicht automatisierbare, augmentierbare und kaum digitalisierbare Tätigkeiten. Berufsexposition ist deshalb ein gewichteter Aggregatwert und sagt nichts darüber, wie Organisationen das Bündel anschließend neu schneiden. ^{[S-028, S-069]}

Stelle

Eine konkrete Stelle ist das Tätigkeitsbündel in einem konkreten Unternehmen. Zwei „Sachbearbeiter“ können völlig unterschiedliche Automatisierbarkeit haben, wenn einer strukturierte Standardfälle bearbeitet und der andere Ausnahmefälle, Eskalationen und Kundenkommunikation übernimmt.

Beschäftigung

Beschäftigung entsteht aus Nachfrage und Produktivität. Wenn ein Prozess doppelt so produktiv wird, kann ein Unternehmen Personal reduzieren, Wachstum ohne Neueinstellungen bewältigen, Preise senken, Service ausweiten oder frei werdende Kapazität für andere Aufgaben einsetzen. Deshalb ist aus Produktivität allein kein Beschäftigungseffekt ableitbar. ^{[S-031, S-032]}

Brutto- und Nettoeffekte

Für Arbeitnehmer ist die Bruttobewegung oft wichtiger als die Nettozahl. Wenn 800.000 Stellen entfallen und 800.000 andere entstehen, lautet die Nettobilanz null - trotzdem müssen Menschen wechseln, lernen, umziehen oder Einkommensverluste bewältigen. Das IAB-Szenario für Deutschland illustriert genau diese Logik: ähnliche Gesamtbeschäftigung kann mit großer struktureller Reallokation einhergehen. ^[S-019]

Globale Evidenz: ILO

Die ILO/NASK-Neuberechnung von 2025 gehört zu den wichtigsten globalen Quellen, weil sie nicht von einer pauschalen Job-Ersetzung ausgeht, sondern Tasks in Expositionsgradienten einordnet. Rund 25 Prozent der weltweiten Beschäftigung liegen in Berufen mit irgendeinem GenAI-Expositionsgrad; rund 3,3 Prozent liegen im höchsten Grad. In Hochlohnländern ist die Exposition deutlich höher, weil dort ein größerer Anteil der Beschäftigung in Büro-, Verwaltungs- und wissensintensiven Tätigkeiten liegt. ^{[S-001, S-002]}

Clerical occupations bleiben die am stärksten exponierte Gruppe. Das ist arbeitsmarktpolitisch relevant, weil Verwaltungs- und Unterstützungsfunktionen häufig Einstiegspfade darstellen und in vielen Ländern stark weiblich geprägt sind. Die ILO-Genderanalyse 2026 zeigt, dass weiblich dominierte Berufe deutlich häufiger exponiert sind als männlich dominierte Berufe; Ursache ist vor allem berufliche Segregation. ^[S-003]

Die ILO warnt ausdrücklich vor einer deterministischen Lesart. Ob ein exponierter Beruf verschwindet, hängt von Investitionen, Technologiezugang, Arbeitsorganisation, Regulierung, Nachfrage und politischer Gestaltung ab. Die wahrscheinlichste unmittelbare Wirkung ist in vielen Berufen eine Veränderung der Aufgabenstruktur und Arbeitsqualität. ^{[S-001, S-074]}

Buchrelevante Konsequenz: Expositionszahlen sind als Landkarte möglicher Veränderung geeignet. Sie sind ungeeignet als Personalabbauquote.

OECD: Exposition, Automatisierung und komplementäre Skills

Die OECD trennt im Report „Skills in the AI age“ 2026 besonders klar zwischen Exposition und Automation. Hochqualifizierte White-Collar-Berufe sind stark exponiert, weil AI viele kognitive Informationsaufgaben berührt. Gleichzeitig ist das Risiko vollständiger Automatisierung oft niedriger, weil diese Berufe nicht-routinemäßige kognitive, soziale, organisatorische und verantwortungsbezogene Komponenten enthalten. ^[S-005]

Diese Unterscheidung erklärt scheinbar widersprüchliche Schlagzeilen: „Manager stark von AI betroffen“ und „Management-Skills werden wichtiger“ können gleichzeitig richtig sein. In den OECD-Stellenanzeigendaten verlangten 72 Prozent der Vacancies in hoch AI-exponierten Berufen mindestens einen Management-Skill und 67 Prozent mindestens einen Business-Process-Skill. Auch soziale, emotionale, kognitive und digitale Fähigkeiten bleiben häufig verlangt. ^{[S-005, S-007]}

AI-Spezialisten sind wichtig, aber keine plausible Antwort auf den Kompetenzbedarf der gesamten Wirtschaft. Die OECD zeigt, dass fortgeschrittene AI-Skills in der Erwerbsbevölkerung selten bleiben. Die breite Transformation verlangt deshalb zwei verschiedene Kompetenzpfade:

• AI Engineering: Modelle, Daten, ML, Infrastruktur, Evaluation.
• AI-enabled Professional Work: Fachwissen + Toolverständnis + Prüfung + Prozesskompetenz + Risiko- und Datenkompetenz. ^{[S-005, S-006]}

Das ist für KMU entscheidend. Ein Handwerksbetrieb, Steuerbüro oder Produktionsunternehmen braucht nicht in jeder Abteilung Data Scientists. Es braucht Beschäftigte, die AI in ihrem jeweiligen Prozess sinnvoll einsetzen und erkennen, wann sie nicht eingesetzt werden darf oder menschliche Kontrolle nötig ist. ^{[S-011, S-012]}

Deutschland: IAB, Betriebe und Strukturwandel

Adoption

Das IAB-Betriebspanel 2025 ist für Deutschland besonders wertvoll, weil es Betriebe statt Online-Nutzer misst. 24 Prozent der Betriebe nutzten GenAI, weitere 9 Prozent planten die Nutzung. Die Daten wurden zwischen Juli und November 2025 erhoben. ^[S-018]

Die Verbreitung unterscheidet sich stark nach Größe. Große Betriebe nutzen GenAI wesentlich häufiger als Kleinstbetriebe. Ebenso liegen Informations- und Kommunikationsunternehmen, Finanz- und Versicherungsdienstleister sowie andere wissensintensive Bereiche deutlich über Branchen mit höherem Anteil physischer Arbeit. ^[S-018]

Kompetenz und Regeln

Die Governance-Lücke ist groß: 27 Prozent der Nutzerbetriebe boten Training an, 21 Prozent planten es. Interne Einsatzregeln hatten 21 Prozent, weitere 22 Prozent planten sie. Damit ist informelle oder nur teilweise gesteuerte AI-Nutzung ein reales Übergangsphänomen. ^{[S-018, S-021]}

Langfristszenario

Der IAB-Forschungsbericht 23/2025 modelliert nicht „was passieren wird“, sondern einen möglichen 15-Jahres-Pfad unter expliziten Annahmen. Im AI-Szenario ist das Beschäftigungsniveau insgesamt ähnlich zur Referenz, aber rund 1,6 Millionen Jobs werden durch Strukturverschiebungen auf- oder abgebaut. Der Bericht ist deshalb ein starkes Gegenmittel gegen zwei simplifizierende Narrative: weder „AI vernichtet Millionen Nettojobs“ noch „wenn Netto null ist, ändert sich nichts“. ^[S-019]

Aufgabenanpassung statt starrer Berufsbilder

IAB-Forschung zum technologischen Wandel zeigt, dass Berufe, die ihre Aufgabenprofile an neue Technologien anpassen, bessere Lohn- und Weiterbildungsdynamiken aufweisen können. Die 2026 veröffentlichte Skill-Klassifikation dokumentiert zudem eine breite Verschiebung von manuellen und klassischen digitalen Skills hin zu Frontier Skills. ^{[S-020, S-022]}

Für Unternehmen folgt daraus: Workforce-Planung sollte nicht nur Sollstellen zählen. Sie muss Tätigkeitsprofile, Skill-Transitionspfade und interne Mobilität abbilden.

Was Experimente über Produktivität und Skill-Verteilung zeigen

Produktivität ist real - aber lokal

Noy/Zhang, Brynjolfsson/Li/Raymond und die Softwareentwickler-Feldexperimente zeigen, dass generative AI bei klar definierten Aufgaben erhebliche Leistungsgewinne erzeugen kann. Besonders interessant ist die Verteilung: Im Kundenservice profitierten weniger erfahrene Beschäftigte stärker, weil das System offenbar einen Teil des impliziten Wissens erfolgreicher Kolleginnen und Kollegen verfügbar machte. ^{[S-033, S-034, S-036]}

„Skill levelling“ ist nicht dasselbe wie Dequalifizierung

Wenn Junioren durch AI schneller an die Leistung erfahrener Beschäftigter herankommen, kann die kurzfristige Leistungsstreuung sinken. Das bedeutet nicht automatisch, dass der Beruf keine Expertise mehr braucht. Expertise kann sich von Produktion zu Problemdefinition, Prüfung, Eskalation, Ausnahmebehandlung und Verantwortung verschieben. ^{[S-034, S-035]}

Jagged Frontier

Die BCG-Studie von Dell’Acqua et al. ist für Kompetenzfragen zentral: Innerhalb der Modellstärken wurden Aufgaben schneller und besser erledigt. Bei einer bewusst außerhalb dieser Grenze liegenden Aufgabe stieg die Fehlerquote. Das Problem ist nicht nur, dass AI Fehler macht. Das Problem ist, dass Nutzer die Grenze vorher erkennen müssen. Diese Meta-Kompetenz ist selbst ein Skill. ^[S-035]

Experten können verlieren

METR zeigt die Gegenrichtung: In vertrauten, realen Open-Source-Codebasen wurden sehr erfahrene Entwickler mit AI im untersuchten Setting langsamer. Kontextaufbau, Toolinteraktion und Prüfung können den theoretischen Generierungsvorteil übersteigen. Das widerspricht Produktivitätsstudien nicht; es zeigt, dass eine hohe allgemeine Coding-Fähigkeit des Modells nicht automatisch einen positiven Nettoeffekt im konkreten Prozess erzeugt. ^{[S-037, S-038]}

Human + AI ist kein Automatismus

Eine Meta-Analyse in Nature Human Behaviour zeigt, dass Mensch-AI-Kombinationen nicht automatisch besser sind als der jeweils stärkere Einzelakteur. Organisationsdesign muss deshalb messen, welche Arbeitsteilung funktioniert, statt Human-in-the-Loop als Qualitätsgarantie zu behandeln. ^[S-049]

Was Arbeitsmarktdaten bislang tatsächlich zeigen

Die Arbeitsmarktevidenz bis August 2026 ist früh und teilweise widersprüchlich. Das ist kein Forschungsfehler, sondern eine Folge unterschiedlicher Daten, Zeiträume und Aggregationsebenen.

Kleine aggregierte Effekte

Humlum und Vestergaard verknüpfen zwei groß angelegte dänische Adoptionsbefragungen mit administrativen Arbeitsmarktdaten. Trotz hoher Nutzung in elf exponierten Berufen finden sie in der frühen Phase nur kleine Effekte auf Arbeitszeit und Einkommen. ^[S-039]

Yotzov et al. befragten knapp 6.000 Führungskräfte in USA, UK, Deutschland und Australien. AI ist bereits breit im Unternehmensalltag angekommen, aber die gemeldeten bisherigen Effekte auf Beschäftigung und Produktivität sind noch relativ klein. ^[S-040]

Das Yale Budget Lab findet bis Juni 2026 im US-Gesamtarbeitsmarkt keine klare Veränderung von Berufsstruktur, Beschäftigung oder Arbeitslosigkeit, die robust mit AI-Nutzung oder Exposition verbunden wäre. ^[S-045]

Konzentrierte Einstiegs-Effekte

Stanford nutzt hochfrequente Payroll-Daten und findet dagegen bei 22- bis 25-Jährigen in den am stärksten AI-exponierten Berufen relative Beschäftigungsrückgänge. Nach Kontrollen liegen die Effekte in der Größenordnung von 16 Prozent relativ zur Vergleichsgruppe; stärker sind sie dort, wo AI-Aktivitäten als automatisierend statt augmentierend klassifiziert werden. ^{[S-043, S-044]}

Das Ergebnis ist wichtig, aber es ist kein Beweis, dass 16 Prozent aller Juniorjobs „durch AI vernichtet“ wurden. Die Autoren diskutieren alternative makroökonomische Erklärungen und Robustheit. Andere Datensätze finden weniger oder kein Signal. ^{[S-043, S-045, S-084]}

Digitale Plattformmärkte

Online-Freelance-Märkte können schneller reagieren, weil Aufträge modular sind, Wechselkosten niedrig und digitale Leistungen direkt international handelbar sind. Frühere Studien finden dort Nachteile für stärker GenAI-exponierte Freelancer. Das ist ein Warnsignal für bestimmte digitale Tätigkeiten, aber keine repräsentative Schätzung für den gesamten Arbeitsmarkt. ^[S-047]

Die saubere Schlussfolgerung

Der Forschungsstand erlaubt 2026 drei Aussagen zugleich:

1. Der Gesamtarbeitsmarkt zeigt bislang keine eindeutige AI-Massenverdrängung.
2. Bestimmte digitale und Einstiegssegmente zeigen plausible frühe Substitutionseffekte.
3. Die langfristige Wirkung kann größer sein, weil Organisationsumbau und Investitionen Zeit brauchen. ^{[S-039, S-043, S-045]}

Einstiegskarrieren und die „Juniorenfrage“

Einstiegsrollen sind doppelt exponiert. Erstens enthalten sie oft standardisierte, dokumentierbare Tasks, die AI gut unterstützt. Zweitens dienen genau diese Tasks der Ausbildung: Recherche, Entwurf, Korrektur, Testen, Dokumentieren und wiederholtes Bearbeiten ähnlicher Fälle bauen Musterwissen auf.

Ein Unternehmen kann daher einen kurzfristigen Effizienzgewinn erzielen, wenn ein Senior mit AI Aufgaben übernimmt, die früher mehrere Junioren erledigten. Langfristig kann es jedoch eine Talent-Pipeline-Schuld aufbauen: Es fehlen Beschäftigte, die durch wiederholte Praxis zu Prüfern, Experten und Führungskräften werden. Direkte Langzeitmessungen dieses Mechanismus fehlen noch; er ist eine offene Forschungsfrage und muss betrieblich beobachtet werden. ^{[S-043, S-084]}

Gegenmaßnahmen

• Lernaufgaben nicht vollständig wegautomatisieren.
• Junioren AI-Ergebnisse begründen und prüfen lassen.
• Wechsel zwischen „mit AI“ und „ohne AI“ in Trainingsphasen.
• Fehlerbibliotheken und Gegenbeispiele verwenden.
• Verantwortung für einen vollständigen Fall statt nur Prompt-Bedienung geben.
• Seniors als Reviewer und Coaches einsetzen, nicht nur als AI-Power-User.
• Kompetenzmessung getrennt von kurzfristigem Output messen.

Diese Architektur ist besonders relevant in Coding, Beratung, Recht, Finanzen, Medizin, Marketing und allen Berufen mit apprenticeship-artigem Erfahrungsaufbau.

Deskilling, Skill-Erhalt und kognitive Auslagerung

Was Deskilling bedeutet

Deskilling bezeichnet den Verlust oder die Nichtentwicklung von Fähigkeiten, weil Aufgaben dauerhaft an Technik abgegeben werden. Es ist nicht dasselbe wie eine sinnvolle Spezialisierung. Wenn eine Maschine Kopfrechnen übernimmt, ist der Verlust dieser Routine möglicherweise akzeptabel. Wenn ein Beschäftigter jedoch die Fähigkeit verliert, Plausibilität, Kausalität oder fachliche Risiken zu beurteilen, kann AI-Abhängigkeit gefährlich werden.

Was wir belastbar wissen

Das PNAS-Experiment von Bastani et al. ist einer der stärksten kausalen Hinweise auf den Mechanismus. Schüler mit unbeschränkter GPT-Hilfe waren während der Übungsphase erfolgreicher, schnitten nach Entzug der AI aber 17 Prozent schlechter ab als die Kontrollgruppe. Ein Tutor mit didaktischen Guardrails verhinderte diesen negativen Effekt weitgehend. ^[S-050]

HCI-Forschung mit Wissensarbeitern berichtet geringeren selbst eingeschätzten kognitiven Aufwand bei AI-Nutzung. Das ist ein relevantes Signal, aber kein Langzeitnachweis von Kompetenzverlust, weil Selbstberichte weder tatsächliche Skill-Veränderung noch Kausalität sicher messen. ^[S-051]

Betriebliche Interpretation

Deskilling ist ein Designproblem. Eine Organisation kann AI einsetzen, um Routine zu reduzieren und anspruchsvollere Tätigkeiten zu fördern. Sie kann sie aber auch so einsetzen, dass Beschäftigte nur noch Outputs akzeptieren, ohne die fachliche Grundlage zu verstehen. Entscheidend sind Reviewpflichten, Rotation, Training, Zugriffsrechte, Qualitätsmetriken und die Frage, ob Mitarbeiter weiterhin Fälle eigenständig lösen können.

Skill-Retention-Metriken

Für kritische Rollen sollten Unternehmen neben Produktivität messen:

• Trefferquote bei AI-freien Kontrollaufgaben,
• Fehlererkennung in absichtlich fehlerhaften AI-Outputs,
• Fähigkeit, Quellen und Annahmen zu benennen,
• Zeit bis zur eigenständigen Lösung eines Ausnahmefalls,
• Qualität der Eskalation,
• Transferwissen auf neue Fälle,
• Anteil blind übernommener AI-Vorschläge.

Welche Kompetenzen wichtiger werden

Die aktuelle Evidenz spricht nicht für eine einzige „AI-Kompetenz“, sondern für ein Bündel komplementärer Fähigkeiten.

AI Literacy nach Art. 4 AI Act

Rechtsstand 7. August 2026

Art. 4 des AI Act trat am 2. Februar 2025 in Anwendung. Der Digital Omnibus 2026 änderte die Vorschrift. Die Pflicht bleibt bestehen: Provider und Deployer müssen Maßnahmen ergreifen, um die Entwicklung von AI literacy ihrer Beschäftigten und anderer Personen zu unterstützen, die in ihrem Auftrag AI-Systeme bedienen oder verwenden. ^{[S-024, S-025, S-026]}

Die geänderte Regelung verlangt kein bestimmtes „ausreichendes“ Niveau. Die Kommissions-FAQ stellt außerdem klar, dass keine bestimmte Governance-Struktur allgemein vorgeschrieben ist. Die nationalen Marktüberwachungsbehörden sind für die Durchsetzung zuständig; die Kommission und der AI Board sollen über Empfehlungen und Beispiele unterstützen. ^[S-026]

Die Living Repository mit Praxisbeispielen ist hilfreich, aber ihre Übernahme erzeugt ausdrücklich keine automatische Konformitätsvermutung. ^[S-027]

Was Unternehmen daraus praktisch ableiten sollten

Ein risikobasierter Mindestansatz umfasst:

1. Welche AI-Systeme nutzt die Rolle?
2. Welche Entscheidungen beeinflussen diese Systeme?
3. Welche Daten dürfen eingegeben werden?
4. Welche bekannten Fehlermodi sind relevant?
5. Wann ist eine Quelle oder Zweitprüfung nötig?
6. Welche Ausgaben dürfen nicht ohne menschliche Freigabe verwendet werden?
7. Wie werden Vorfälle und Fehler gemeldet?
8. Welche internen Regeln gelten?
9. Welche rechtlichen Sonderpflichten gelten für Hochrisiko-Systeme?
10. Wie wird Kompetenz regelmäßig aufgefrischt?

Kein Zertifikatsfetisch

Weder Art. 4 noch die Kommissions-FAQ machen ein bestimmtes Zertifikat zum universellen Erfüllungsnachweis. Für Unternehmen ist deshalb nachweisbare Befähigung im konkreten Kontext wichtiger als ein generisches Teilnahmezertifikat. Dokumentierte Trainingsinhalte, Rollenbezug, Wiederholung, Praxisübungen und überprüfbare Verhaltensregeln sind belastbarer. ^[S-026]

Upskilling, Reskilling und Weiterbildungssysteme

Begriffe

Upskilling vertieft oder erweitert Kompetenzen innerhalb einer Rolle. Reskilling bereitet auf eine wesentlich veränderte oder neue Rolle vor. AI-Transformation benötigt beides. Ein Sachbearbeiter kann AI-gestützte Fallprüfung lernen (Upskilling); bei weitgehender Prozessautomatisierung kann der Wechsel in Ausnahmebearbeitung, Kundenberatung oder Prozesssteuerung Reskilling erfordern.

Trainingsbedarf ist ungleich verteilt

OECD und Cedefop zeigen eine Lücke zwischen AI-Veränderung und Weiterbildung. Gerade KMU, ältere Beschäftigte, gering Qualifizierte und Personen mit geringerem digitalen Zugang können weniger Trainingschancen haben. Das birgt ein Paradox: Gruppen, die Unterstützung besonders benötigen, erhalten sie möglicherweise seltener. ^{[S-011, S-012, S-015, S-016]}

Gute AI-Weiterbildung ist arbeitsplatznah

Generische Toolschulungen veralten schnell. Nachhaltiger sind Lernmodule, die an reale Prozesse gekoppelt werden:

• reale Fälle und Daten,
• Erfolgskriterien und Fehlerkategorien,
• AI-freie Vergleichsaufgaben,
• Quellen- und Evidenzprüfung,
• Eskalationsregeln,
• Simulation kritischer Fehler,
• regelmäßige Re-Evaluation bei Modellupdates.

Training allein reicht nicht

Wenn Prozesse, Rechte, Zeitbudgets und Führung nicht geändert werden, bleibt Weiterbildung wirkungslos. Hensekes europäische Analyse findet, dass individuelle Skills, Arbeitsplatztraining und Employee Voice mit Adoption zusammenhängen. Das spricht für eine Kombination aus Befähigung und Organisationsgestaltung. ^[S-048]

Skill-Portfolio statt Tool-Portfolio

Die OECD-Stellenanzeigenforschung zeigt, dass Management, Business Processes, soziale und digitale Skills in hoch exponierten Berufen stark gefragt bleiben. Unternehmen sollten daher nicht alle Weiterbildungsbudgets in „Prompt Engineering“ verschieben. AI-Literacy muss mit Fach-, Prozess- und Sozialkompetenz verbunden werden. ^{[S-005, S-007]}

Radiologen: Prognose, Realität und methodische Lehre

2016 wurde die Radiologie zu einem Symbol für erwartete AI-Ersetzung. Geoffrey Hinton wurde mit der Aussage zitiert, man solle aufhören, Radiologen auszubilden, weil Deep Learning binnen weniger Jahre besser in der Bildinterpretation werde. Die Aussage wird hier nicht als wissenschaftliche Prognosequelle, sondern als historisches Beispiel für den Sprung von einer Task-Fähigkeit auf einen Beruf verwendet. ^[S-063]

2026 ist die beobachtete Realität deutlich komplexer. AI ist in der Radiologie stark entwickelt; die FDA führt eine große Zahl AI-fähiger Medizinprodukte, viele davon aus der Bildgebung. Gleichzeitig berichten ACR und Fachliteratur von einer anhaltenden Radiologenknappheit und wachsenden Bildvolumina. ^{[S-060, S-061, S-065]}

Warum ist das kein Widerspruch?

1. Bildinterpretation ist zentral, aber nicht der einzige Task.
2. Nachfrage nach Bildgebung steigt.
3. AI kann Durchsatz erhöhen, wodurch mehr Untersuchungen wirtschaftlich oder klinisch möglich werden.
4. Klinische Verantwortung, Integration, Kommunikation und Ausnahmefälle bleiben relevant.
5. Zulassung, Workflowintegration und Haftung begrenzen die Geschwindigkeit vollständiger Automatisierung.
6. Ein Beruf kann sich verändern, obwohl seine Beschäftigung nicht sinkt. ^{[S-060, S-061, S-064]}

Die korrekte Lehre lautet deshalb nicht „AI wird niemals Radiologen ersetzen“. Sie lautet: Benchmark-Überlegenheit in einer Kernaufgabe reicht nicht, um Berufs- oder Beschäftigungsentwicklung vorherzusagen. Nachfrage, Task-Bündel, Regulierung und Organisationsdesign gehören zwingend in die Analyse.

Ungleichheit, Geschlecht, Alter und Zugangsfragen

Geschlecht

ILO-Daten zeigen höhere GenAI-Exposition von Frauen, insbesondere in Hochlohnländern. Der Treiber ist die Konzentration von Frauen in Verwaltungs-, Assistenz- und Business-Support-Berufen. Das Risiko entsteht also aus bestehender Berufssegregation und kann bestehende Ungleichheiten verstärken, wenn Weiterbildung und interne Mobilität ungleich verteilt sind. ^[S-003]

Alter und Karrierephase

Stanford findet frühe Effekte besonders bei 22- bis 25-Jährigen. Gleichzeitig können ältere und erfahrene Beschäftigte durch Domänenwissen stärker komplementär zu AI sein. OECD-Arbeiten zu alternden Gesellschaften weisen auf mögliche Komplementarität zwischen Erfahrung und AI hin. ^{[S-043, S-072]}

Qualifikation

AI betrifft nicht nur „einfache“ Jobs. GenAI trifft gerade kognitive White-Collar-Tätigkeiten. Automatisierungsrisiko und Exposition können aber nach Qualifikationsniveau unterschiedlich verlaufen. Deshalb ist „AI ersetzt zuerst niedrig Qualifizierte“ ebenso zu simpel wie „AI ersetzt zuerst Akademiker“. ^[S-005]

Unternehmensgröße

Große Unternehmen verfügen häufiger über IT, Daten, Governance und Trainingskapazität. KMU berichten häufiger Skills als Adoptionsbarriere. Eine faire Transformation verlangt deshalb niedrigschwellige Weiterbildung und klare, praktische Standards statt nur komplexer Spezialprogramme. ^{[S-011, S-018]}

Arbeitsqualität, Autonomie und Human-in-the-Loop

Beschäftigung ist nur eine Dimension. AI kann langweilige Tätigkeiten reduzieren, Informationen schneller zugänglich machen und Autonomie erhöhen. Sie kann aber auch Arbeitsintensität, Überwachung, Standardisierung und kognitive Abhängigkeit erhöhen. OECD-Arbeitgeber- und Beschäftigtenbefragungen dokumentieren beide Seiten. ^{[S-008, S-009]}

Human-in-the-Loop ist ebenfalls keine automatische Schutzwirkung. Ein Mensch, der 500 AI-Entscheidungen pro Tag formal „abnickt“, kann praktisch weniger Kontrolle ausüben als ein gut gestalteter Ausnahmeprozess mit klarer Schwelle. Für Workforce-Design bedeutet das: Human Oversight benötigt Zeit, Kompetenz, Entscheidungsbefugnis und Informationszugang. ^{[S-049, S-024]}

Gute Arbeitsteilung zwischen Mensch und AI sollte vier Fragen beantworten:

• Wer übernimmt Routine?
• Wer erkennt Ausnahmen?
• Wer trägt Entscheidung und Verantwortung?
• Welche Kompetenz muss erhalten bleiben, damit die Kontrolle real ist?

18 Unternehmensszenarien

Die folgenden Szenarien sind keine pauschalen Zulässigkeits- oder Personalempfehlungen. Sie zeigen, wie Exposure, Automation und Skill-Erhalt getrennt bewertet werden sollten.

Workforce-Entscheidungsmatrix

Die Matrix ersetzt keine Einzelfallanalyse. Sie zwingt jedoch zu der entscheidenden Trennung: Soll der Mensch die Arbeit weiter selbst tun, AI zur Unterstützung nutzen oder nur noch Ausnahmen kontrollieren? Je weiter die Rolle in Richtung Kontrolle verschoben wird, desto wichtiger ist die Frage, wie die Kompetenz zum Kontrollieren erhalten wird.

36-stufiger Transformations- und Kompetenzfahrplan

20 Mythenprüfungen

20 offene Forschungsfragen

50 buchrelevante Faktenkarten

Faktenkarte F-001

• Aussage: Rund ein Viertel der weltweiten Beschäftigung liegt laut ILO 2025 in Berufen mit irgendeinem GenAI-Expositionsgrad; nur ein deutlich kleinerer Anteil liegt im höchsten Expositionsgradienten.
• Status: FORSCHUNGSSTAND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Exposition misst technisches Veränderungspotenzial, nicht realisierte Entlassungen.
• Quellen: ^{[S-001, S-002]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-002

• Aussage: Die ILO bewertet Task-Transformation als wahrscheinlicher als eine vollständige Ersetzung ganzer Berufe.
• Status: FORSCHUNGSSTAND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Ergebnis hängt von Land, Beruf, Tätigkeitsmix, Regulierung und Adoption ab.
• Quellen: ^{[S-001, S-002, S-074]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-003

• Aussage: Büro- und Verwaltungsberufe gehören in den ILO-Messungen zu den am stärksten exponierten Berufsgruppen.
• Status: FORSCHUNGSSTAND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Hohe Exposition sagt noch nicht, ob Beschäftigung sinkt oder Aufgaben neu verteilt werden.
• Quellen: ^{[S-001, S-003]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-004

• Aussage: In Hochlohnländern ist die GenAI-Exposition höher als in Niedrigeinkommensländern, weil mehr Beschäftigung in kognitiven, digitalisierbaren Tätigkeiten liegt.
• Status: FORSCHUNGSSTAND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Länderstruktur und Berufsmix treiben einen erheblichen Teil des Unterschieds.
• Quellen: ^[S-001]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-005

• Aussage: Frauen sind global und besonders in Hochlohnländern überproportional in stark exponierten clerical- und administrativen Berufen vertreten.
• Status: FORSCHUNGSSTAND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Das ist primär ein Befund beruflicher Segregation und keine Aussage über individuelle Fähigkeiten.
• Quellen: ^[S-003]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-006

• Aussage: OECD-Analysen trennen ausdrücklich zwischen AI-Exposition und Automatisierungsrisiko.
• Status: FORSCHUNGSSTAND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Hochqualifizierte Berufe können stark exponiert und zugleich durch nicht-routinemäßige, soziale und verantwortungsbezogene Aufgaben schwer vollständig automatisierbar sein.
• Quellen: ^{[S-005, S-068]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-007

• Aussage: Expositionswerte sind keine Kündigungsquote und keine Prognose, wie viele Stellen verschwinden.
• Status: METHODISCHE GRUNDLAGE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Sie messen je nach Studie unterschiedliche technische Überlappungen zwischen AI-Fähigkeiten und Arbeitstätigkeiten.
• Quellen: ^{[S-028, S-046, S-080]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-008

• Aussage: Berufe sind Bündel heterogener Aufgaben; einzelne automatisierbare Tasks implizieren nicht automatisch die Automatisierbarkeit des Gesamtberufs.
• Status: FORSCHUNGSSTAND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Koordination, Verantwortung, soziale Interaktion, physische Tätigkeiten und Ausnahmefälle bleiben oft außerhalb des betrachteten Benchmarks.
• Quellen: ^{[S-032, S-069, S-070]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: niedrig
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-009

• Aussage: Technische Machbarkeit, wirtschaftliche Vorteilhaftigkeit, rechtliche Zulässigkeit und organisatorische Adoption sind vier verschiedene Fragen.
• Status: EIGENE SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Ein technisch automatisierbarer Task kann aus Qualitäts-, Haftungs-, Datenschutz- oder Kostenmotiven menschlich bleiben.
• Quellen: ^{[S-005, S-024, S-031]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: niedrig
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-010

• Aussage: Die bekannte GPT-Expositionsstudie von Eloundou et al. beschreibt potenziell beschleunigbare Tätigkeiten in den USA, nicht beobachtete Stellenverluste.
• Status: FORSCHUNGSSTAND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Die Werte beruhen auf Task-Klassifikation und Modellannahmen.
• Quellen: ^[S-028]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-011

• Aussage: Für Deutschland modelliert der IAB-Forschungsbericht 23/2025 in einem 15-Jahres-Szenario erhebliche strukturelle Verschiebungen bei insgesamt ähnlich hohem Beschäftigungsniveau im AI- und Referenzszenario.
• Status: MODELLSZENARIO
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Der Bericht bezeichnet seine Ergebnisse ausdrücklich nicht als exakte Prognose.
• Quellen: ^[S-019]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-012

• Aussage: Im IAB-Szenario sind rund 1,6 Millionen Arbeitsplätze von Auf- oder Abbau im Strukturwandel betroffen, obwohl der Netto-Beschäftigungseffekt wesentlich kleiner ausfällt.
• Status: MODELLSZENARIO
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Brutto-Reallokation ist nicht mit Netto-Arbeitslosigkeit gleichzusetzen.
• Quellen: ^[S-019]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-013

• Aussage: Demografische Arbeitskräfteknappheit kann in Deutschland dazu führen, dass AI einen Teil fehlender Arbeitskapazität kompensiert statt primär vorhandene Beschäftigte zu verdrängen.
• Status: MODELLSZENARIO / SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Ausmaß hängt stark von Produktivität, Nachfrage, Qualifikationen und Investitionen ab.
• Quellen: ^{[S-019, S-072]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-014

• Aussage: Der Anteil deutscher Betriebe mit GenAI-Nutzung stieg laut IAB von 5 Prozent 2023 auf knapp 25 Prozent 2025.
• Status: AMTLICHE BETRIEBSBEFRAGUNG
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Betriebsnutzung bedeutet nicht, dass jeder Beschäftigte GenAI nutzt.
• Quellen: ^[S-018]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-015

• Aussage: Die deutsche GenAI-Nutzung ist nach Betriebsgröße und Branche stark ungleich verteilt.
• Status: AMTLICHE BETRIEBSBEFRAGUNG
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Technologie- und wissensintensive Branchen liegen deutlich über Bau, Gastgewerbe oder Verkehr.
• Quellen: ^[S-018]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-016

• Aussage: Nur 27 Prozent der bereits GenAI nutzenden deutschen Betriebe boten 2025 laut IAB entsprechende Weiterbildung an; weitere 21 Prozent planten sie.
• Status: AMTLICHE BETRIEBSBEFRAGUNG
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Die Befragung misst Angebote auf Betriebsebene, nicht Qualität oder Teilnahme einzelner Beschäftigter.
• Quellen: ^[S-018]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-017

• Aussage: Nur 21 Prozent der GenAI-nutzenden deutschen Betriebe hatten 2025 interne Regeln für den Einsatz; weitere 22 Prozent planten Regeln.
• Status: AMTLICHE BETRIEBSBEFRAGUNG
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Regeln können sehr unterschiedlich tief und wirksam sein.
• Quellen: ^[S-018]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-018

• Aussage: Cedefop berichtet, dass mehr als ein Viertel der europäischen Erwachsenen bereits 2024 mit AI bei der Arbeit experimentierte und etwa sechs von zehn Beschäftigten irgendeine AI-bezogene Task-Transformation erfahren könnten.
• Status: EU-SURVEY
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Die Potenzialangabe ist keine Prognose von Stellenverlusten.
• Quellen: ^[S-015]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-019

• Aussage: Cedefop berichtete 2025, dass rund vier von zehn Beschäftigten weiteren AI-Skill-Bedarf sehen, aber nur etwa 15 Prozent AI-bezogene Weiterbildung erhalten hatten.
• Status: EU-SURVEY / SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Weiterbildungsdefinition und Erhebungszeitraum beachten.
• Quellen: ^[S-016]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-020

• Aussage: Fortgeschrittene AI-Engineering-Skills bleiben laut OECD auf einen kleinen Teil der Erwerbsbevölkerung konzentriert; AI-Literacy betrifft dagegen wesentlich breitere Beschäftigtengruppen.
• Status: FORSCHUNGSSTAND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: AI-Anwendungskompetenz ist nicht gleich Machine-Learning-Engineering.
• Quellen: ^{[S-005, S-006]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-021

• Aussage: In hoch AI-exponierten Stellenanzeigen bleiben Management-, Business-Process-, soziale, kognitive und digitale Skills zentral.
• Status: STELLENANZEIGENANALYSE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Stellenanzeigen zeigen Nachfrage, nicht die tatsächliche Tätigkeit jedes Beschäftigten.
• Quellen: ^{[S-005, S-007]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-022

• Aussage: 72 Prozent der von der OECD untersuchten Vacancies in hoch AI-exponierten Berufen verlangten mindestens einen Management-Skill, 67 Prozent mindestens einen Business-Process-Skill.
• Status: STELLENANZEIGENANALYSE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Länder- und Datensatzabdeckung beachten.
• Quellen: ^[S-005]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-023

• Aussage: AI kann bei klar begrenzten Wissensaufgaben Produktivität und Qualität deutlich steigern.
• Status: EXPERIMENTELLE EVIDENZ
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Ergebnisse sind task-, modell- und nutzerspezifisch.
• Quellen: ^{[S-033, S-034, S-036]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-024

• Aussage: Im Kundenservice-Feldexperiment von Brynjolfsson, Li und Raymond profitierten weniger erfahrene Beschäftigte besonders stark.
• Status: PEER-REVIEWED FELDSTUDIE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Der Effekt ist nicht automatisch auf andere Berufe oder Modelle übertragbar.
• Quellen: ^[S-034]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-025

• Aussage: AI kann damit Leistungsunterschiede bei bestimmten codifizierbaren Aufgaben reduzieren, ohne Erfahrung insgesamt wertlos zu machen.
• Status: EIGENE SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Erfahrene Beschäftigte behalten Vorteile bei Ausnahmefällen, Qualitätskontrolle, Kontext und Verantwortung.
• Quellen: ^{[S-034, S-035]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-026

• Aussage: Die „jagged frontier“-Evidenz zeigt, dass derselbe Nutzer mit AI bei passenden Aufgaben gewinnen und bei unpassenden Aufgaben häufiger falsch liegen kann.
• Status: PEER-REVIEWED EXPERIMENT
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Modellgrenzen verschieben sich, das Grundproblem der Grenzerkennung bleibt.
• Quellen: ^[S-035]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-027

• Aussage: Bei sehr erfahrenen Open-Source-Entwicklern fand METR 2025 im untersuchten Setting eine durchschnittliche Verlangsamung von 19 Prozent trotz positiver Erwartung der Entwickler.
• Status: RCT / ENGES SETTING
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Kleine Stichprobe, spezifische Codebasen und frühe-2025-Tools; nicht als allgemeiner Coding-Effekt lesen.
• Quellen: ^{[S-037, S-038]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-028

• Aussage: Es gibt keinen belastbaren universellen Satz „AI hilft Junioren“ oder „AI hilft Experten“; die Richtung hängt von Aufgabe, Prozess, Tool, Ausgangswissen und Reviewbedarf ab.
• Status: EIGENE SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Heterogene Evidenz aus mehreren Experimenten.
• Quellen: ^{[S-034, S-035, S-037, S-082]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-029

• Aussage: Dänische Registerdaten fanden in der frühen Adoptionsphase trotz hoher Chatbot-Nutzung nur kleine aggregierte Effekte auf Arbeitszeit und Einkommen.
• Status: ARBEITSMARKTEVIDENZ
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Früher Zeitraum; langfristige Effekte bleiben offen.
• Quellen: ^[S-039]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-030

• Aussage: Eine internationale Firmenbefragung 2026 zeigt breite AI-Adoption, aber bislang relativ kleine realisierte Beschäftigungs- und Produktivitätseffekte auf Unternehmensebene.
• Status: FIRMENBEFRAGUNG
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Selbstbericht und frühe Phase; kein langfristiger Kausalnachweis.
• Quellen: ^[S-040]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-031

• Aussage: Stanford fand bei 22- bis 25-Jährigen in stark exponierten US-Berufen relative Beschäftigungsrückgänge, besonders dort, wo AI-Nutzung eher automatisierend als augmentierend klassifiziert wurde.
• Status: WORKING PAPER / ADMIN-DATEN
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Kausalität ist nicht endgültig bewiesen; andere Analysen finden gesamtwirtschaftlich wenig Signal.
• Quellen: ^{[S-043, S-044]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-032

• Aussage: Yale Budget Lab fand bis Juni 2026 keinen klaren gesamtwirtschaftlichen AI-Fußabdruck in US-Beschäftigung oder Arbeitslosigkeit.
• Status: MONITORING-ANALYSE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Aggregatdaten können frühe sektorale oder altersbezogene Effekte verdecken.
• Quellen: ^[S-045]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-033

• Aussage: Die aktuelle Studienlage ist daher gleichzeitig mit konzentrierten negativen Effekten und geringen aggregierten Effekten vereinbar.
• Status: EIGENE SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Aggregationsebene, Zeitraum und Methode unterscheiden sich.
• Quellen: ^{[S-039, S-043, S-045, S-084]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-034

• Aussage: Digitale Freelance-Märkte zeigen frühere und teilweise stärkere Nachfrageeffekte als der Gesamtarbeitsmarkt.
• Status: WORKING PAPER
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Plattformarbeit ist selektiv und nicht repräsentativ für klassische Beschäftigung.
• Quellen: ^[S-047]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-035

• Aussage: Der mögliche Druck auf Einstiegsrollen ist strukturell relevant, weil viele Routineaufgaben zugleich Lern- und Sozialisierungsaufgaben für Berufseinsteiger sind.
• Status: EIGENE SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Direkte Langzeitdaten zu Karrierepfaden fehlen noch.
• Quellen: ^{[S-043, S-050, S-084]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-036

• Aussage: Deskilling ist ein plausibles Risiko, aber kein automatisches Ergebnis von AI-Nutzung.
• Status: FORSCHUNGSSTAND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Es hängt von Aufgabenverteilung, Guardrails, Lernzielen, Review und Autonomie ab.
• Quellen: ^{[S-050, S-051, S-052]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-037

• Aussage: Ein randomisiertes PNAS-Experiment bei Schülern zeigte: unbegrenzte GPT-Hilfe verbesserte die Übungsleistung, führte ohne AI in der Prüfung aber zu 17 Prozent schlechteren Ergebnissen; ein stärker didaktisch begrenzter Tutor vermied den negativen Effekt weitgehend.
• Status: PEER-REVIEWED EXPERIMENT
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Bildungskontext, nicht direkt Unternehmensarbeit; Mechanismus für Skill-Erhalt relevant.
• Quellen: ^[S-050]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-038

• Aussage: Selbstberichte von Wissensarbeitern deuten auf geringeren kognitiven Aufwand bei AI-Nutzung hin, erlauben aber keinen direkten Nachweis langfristigen Deskilling.
• Status: HCI-STUDIE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Selbstbericht und Querschnitt; Kausalität und Langzeitwirkung offen.
• Quellen: ^[S-051]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-039

• Aussage: Domain-Wissen wird bei AI-Arbeit nicht obsolet: Es ist zentral, um Inputs zu rahmen, Grenzen zu erkennen, Quellen zu prüfen und Fehlerfolgen einzuschätzen.
• Status: EIGENE SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Je standardisierter und risikoärmer ein Task, desto geringer kann der nötige Expertenanteil sein.
• Quellen: ^{[S-035, S-049, S-005]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: niedrig
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-040

• Aussage: AI literacy ist breiter als Prompting und umfasst Verständnis von Fähigkeiten, Grenzen, Risiken, geeigneten Einsatzfeldern, Daten- und Qualitätsfragen sowie menschlicher Verantwortung.
• Status: OFFIZIELLE BEHÖRDENPOSITION
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Konkreter Umfang muss rollen- und risikobasiert festgelegt werden.
• Quellen: ^{[S-024, S-025, S-026]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-041

• Aussage: Art. 4 AI Act gilt seit 2. Februar 2025; nach dem Digital Omnibus 2026 bleibt die Pflicht für Provider und Deployer bestehen, Maßnahmen zur Entwicklung von AI literacy zu unterstützen.
• Status: GELTENDES EU-RECHT
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Wortlaut und Durchsetzungsrahmen wurden 2026 geändert.
• Quellen: ^{[S-024, S-025, S-026]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-042

• Aussage: Nach der 2026 geänderten Fassung schreibt Art. 4 kein bestimmtes oder „ausreichendes“ Kompetenzniveau vor.
• Status: GELTENDES EU-RECHT / KOMMISSIONS-FAQ
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Organisationen müssen dennoch angemessene Maßnahmen ergreifen; nationale Aufsicht entscheidet im Einzelfall.
• Quellen: ^{[S-025, S-026]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-043

• Aussage: Ein bestimmtes Zertifikat oder eine bestimmte Governance-Struktur ist nach der Kommissions-FAQ nicht generell vorgeschrieben.
• Status: OFFIZIELLE BEHÖRDENPOSITION
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Andere Pflichten, insbesondere bei Hochrisiko-Systemen und Human Oversight, können zusätzliche Schulung verlangen.
• Quellen: ^[S-026]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-044

• Aussage: Die Sammlung der EU-Kommission zu AI-literacy-Praktiken schafft keine automatische Vermutung der Rechtskonformität.
• Status: OFFIZIELLE BEHÖRDENPOSITION
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Praxisbeispiele sind Orientierung, keine Safe-Harbour-Regel.
• Quellen: ^[S-027]
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-045

• Aussage: Rollen- und risikobasierte Weiterbildung ist sachgerechter als ein einmaliges generisches „AI-Seminar für alle“.
• Status: EIGENE SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Pflichtumfang hängt von konkreten Systemen und Aufgaben ab.
• Quellen: ^{[S-005, S-006, S-026]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-046

• Aussage: Umschulung sollte nicht nur Tool-Bedienung vermitteln, sondern Aufgabenwissen, Qualitätskontrolle, Datenkompetenz, Risikoerkennung und Prozessverständnis verbinden.
• Status: FORSCHUNGS-/POLICY-SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Skill-Bedarf ändert sich mit Modellen und Prozessdesign.
• Quellen: ^{[S-005, S-012, S-015]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-047

• Aussage: Weiterbildungszugang ist selbst ein Verteilungsfaktor: Beschäftigte und KMU mit geringeren Trainingsmöglichkeiten laufen Gefahr, trotz hoher Betroffenheit weniger von AI zu profitieren.
• Status: FORSCHUNGSSTAND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Kausalität zwischen Training und Einkommenswirkung ist nicht überall identifiziert.
• Quellen: ^{[S-006, S-011, S-012, S-016]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-048

• Aussage: Das Radiologie-Beispiel zeigt die Gefahr, eine starke AI-Leistung bei einer Kernaufgabe mit der Ersetzung eines gesamten Berufs gleichzusetzen.
• Status: HISTORISCHER FALL / SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Radiologie ist kein Beweis, dass AI niemals Jobs ersetzt; es zeigt die Bedeutung von Task-Bündeln, Nachfrage und institutioneller Verantwortung.
• Quellen: ^{[S-060, S-061, S-063, S-064]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-049

• Aussage: Trotz massiver AI-Entwicklung in der medizinischen Bildgebung besteht 2026 in den USA weiterhin eine Radiologenknappheit.
• Status: AKTUELLER FACHBEFUND
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: US-Gesundheitssystem; nicht direkt auf Deutschland übertragbar.
• Quellen: ^{[S-060, S-061, S-065]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: hoch
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Faktenkarte F-050

• Aussage: Belastbare Workforce-Planung sollte mit Szenarien, Task-Inventar und realen Betriebsdaten arbeiten, nicht mit Schlagzeilen über „x Prozent ersetzbare Jobs“.
• Status: EIGENE SYNTHESE
• Bedeutung: Für Workforce- und Kompetenzentscheidungen darf die Aussage nur auf der jeweils beschriebenen Mess- oder Rechtsstufe verwendet werden.
• Einschränkung: Szenarien müssen regelmäßig mit Adoption, Prozessänderungen und Arbeitsmarktdaten aktualisiert werden.
• Quellen: ^{[S-019, S-046, S-080]}
• Zuletzt geprüft: 7. August 2026
• Aktualisierungsrisiko: mittel
• Mögliche Buchverwendung: Kapitel zu Arbeitsmarkt, Kompetenz, Weiterbildung oder Mythendekonstruktion.

Glossar

Adoption

Tatsächliche Einführung oder Nutzung einer Technologie in einem Betrieb oder durch Beschäftigte.

AI Exposure / AI-Exposition

Maß für potenzielle Überlappung zwischen AI-Fähigkeiten und beruflichen Tasks; keine Jobverlustwahrscheinlichkeit.

AI Literacy

Kontextbezogene Fähigkeit, AI-Systeme, ihre Möglichkeiten, Grenzen und Risiken zu verstehen und angemessen zu nutzen.

Augmentation

AI ergänzt menschliche Arbeit und erhöht Fähigkeit oder Produktivität, ohne den menschlichen Task vollständig zu ersetzen.

Automation

Übertragung eines Tasks oder Prozessschritts auf Technik mit stark reduzierter menschlicher Ausführung.

Automatisierungsrisiko

Potenzial, dass ein Task oder Tätigkeitsbündel technisch und organisatorisch weitgehend automatisiert wird.

Brutto-Beschäftigungseffekt

Summe von Stellenaufbau und Stellenabbau bzw. Reallokation, unabhängig vom Nettoergebnis.

Deskilling

Verlust oder Nichtentwicklung relevanter Fähigkeiten durch dauerhafte Auslagerung von Aufgaben.

Displacement

Verdrängung menschlicher Arbeit aus Aufgaben oder Tätigkeiten.

Employee Voice

Möglichkeiten von Beschäftigten, Entscheidungen und Arbeitsgestaltung mitzugestalten.

Exposure Score

Numerischer Index zur technischen Betroffenheit eines Berufs oder Tasks.

Frontier Skill

Skill in technologisch fortgeschrittenen Tätigkeiten, etwa AI, Data, Cloud oder verwandten Bereichen.

GenAI

Generative Artificial Intelligence; Systeme, die neue Inhalte wie Text, Bild, Audio oder Code erzeugen.

Human-in-the-Loop

Arbeitsdesign, in dem ein Mensch in einem AI-gestützten Prozess prüft, entscheidet oder freigibt.

Human Oversight

Menschliche Aufsicht mit ausreichender Kompetenz, Information, Zeit und Entscheidungsbefugnis.

Job / Stelle

Konkretes Tätigkeitsbündel in einer Organisation.

Job Quality

Qualität der Arbeit, u. a. Autonomie, Belastung, Sicherheit, Entwicklung, Entgelt und Sinn.

Jagged Frontier

Uneinheitliche Leistungsgrenze von AI: benachbarte Aufgaben können sehr unterschiedlich gut gelöst werden.

Komplementarität

AI erhöht die Produktivität menschlicher Fähigkeiten, statt sie zu ersetzen.

Lernaufgabe

Task, dessen Wert nicht nur im Output, sondern im Aufbau beruflicher Kompetenz liegt.

Model Drift

Veränderung von Modellverhalten oder Leistung über Zeit, Versionen oder Kontext.

Netto-Beschäftigungseffekt

Differenz zwischen neu entstandenen und weggefallenen Stellen.

Occupational Exposure

AI-Exposition auf Berufsebene, meist als Aggregat aus Tasks oder Fähigkeiten.

On-the-job Learning

Kompetenzaufbau durch reale Arbeitsaufgaben und Erfahrung.

Reallocation

Verschiebung von Arbeit zwischen Tasks, Rollen, Firmen, Branchen oder Regionen.

Reskilling

Aufbau von Kompetenzen für eine deutlich veränderte oder neue Rolle.

Skill Gap

Lücke zwischen benötigten und vorhandenen Fähigkeiten.

Skill Levelling

Verringerung von Leistungsunterschieden, weil AI insbesondere weniger erfahrene Nutzer unterstützt.

Skill Retention

Erhalt bereits vorhandener Kompetenzen trotz technischer Unterstützung.

Substitution

AI ersetzt menschlichen Input in einer Aufgabe oder einem Prozess.

Task

Einzelne Arbeitshandlung innerhalb eines Berufs oder einer Stelle.

Task Bundle

Bündel unterschiedlicher Tasks, das einen Beruf oder eine Stelle bildet.

Task-Model-Fit

Passung zwischen konkretem Task und Fähigkeiten/Limitierungen eines AI-Systems.

Technische Machbarkeit

Ob ein System einen Task grundsätzlich ausführen kann; getrennt von Kosten, Recht und Organisation.

Upskilling

Erweiterung oder Vertiefung von Skills innerhalb einer bestehenden Rolle.

Workforce Planning

Planung von Personalbestand, Rollen, Skills, Recruiting, Mobilität und Entwicklung.

Workforce Scenario

Annahmenbasiertes Zukunftsbild; keine sichere Prognose.

Working Paper

Wissenschaftliche Arbeit vor oder außerhalb abgeschlossener Peer Review; Status muss gekennzeichnet werden.

AI Engineering

Technische Entwicklung, Training, Evaluation und Betrieb von AI-Systemen.

AI-enabled Professional Work

Facharbeit, bei der AI als Werkzeug integriert ist.

Automation Bias

Tendenz, maschinellen Empfehlungen zu stark zu vertrauen.

Cognitive Offloading

Auslagerung kognitiver Arbeit an externe Hilfsmittel.

Critical Thinking

Bewertung von Annahmen, Evidenz, Alternativen und Schlussfolgerungen.

Entry-level Role

Einstiegsrolle, in der häufig standardisierte Tasks und Kompetenzaufbau kombiniert sind.

Experience Premium

Wert von Erfahrung für Kontext, Ausnahmebehandlung, Urteil und Qualität.

Job Polarisation

Verschiebung von Beschäftigung hin zu höher- und niedriger qualifizierten Jobs bei Rückgang mittlerer Tätigkeiten.

Labour Demand

Nachfrage von Unternehmen nach menschlicher Arbeitsleistung.

Labour Supply

Angebot verfügbarer Arbeitskräfte und Arbeitsstunden.

Learning Transfer

Fähigkeit, Gelerntes ohne Hilfsmittel oder in neuen Situationen anzuwenden.

Market Surveillance Authority

Nationale Behörde, die bestimmte AI-Act-Pflichten überwacht und durchsetzt.

Organisational Complement

Prozess-, Daten-, Führungs- und Trainingsmaßnahmen, die Technologie produktiv machen.

Prompting

Formulierung von Eingaben an generative AI; nur ein Teil von AI literacy.

Review Load

Zeit- und Aufwandsbedarf zur Prüfung von AI-Ergebnissen.

Scenario Analysis

Analyse möglicher Zukunftspfade unter transparenten Annahmen.

Shadow AI

Nicht offiziell freigegebene oder unkontrollierte AI-Nutzung durch Beschäftigte.

Skill-based Hiring

Einstellung stärker nach nachgewiesenen Fähigkeiten als nach formalen Abschlüssen.

Socio-technical System

Gesamtsystem aus Technologie, Menschen, Regeln, Daten und Organisation.

Transition Cost

Kosten des Wechsels: Training, Mobilität, Produktivitätsverlust, Umbau, soziale Anpassung.

Verification Skill

Fähigkeit, AI-Ausgaben systematisch gegen Quellen, Daten, Regeln oder Tests zu prüfen.

Work Intensification

Steigende Arbeitsdichte oder Geschwindigkeit durch neue Technik und Prozesse.

Beleg- und Quellenmatrix

Vollständiges Quellenregister

Alle URLs wurden als konkrete Rechercheziele dokumentiert; dynamische Webseiten und laufende Working Papers sind vor Buchveröffentlichung erneut zu prüfen.

Schnell veraltende Informationen und Qualitätsbericht

Qualitätsbericht

• Verwendete Quellen: 86
• Primär-/offizielle Quellen: Schwerpunkt ILO, OECD, Cedefop, IAB, EU und amtliche Statistik.
• Peer-reviewed / wissenschaftliche Originalquellen: Task-Exposure, Produktivitäts- und Human-AI-Studien.
• Working Papers: ausdrücklich als solche gekennzeichnet, insbesondere frühe Arbeitsmarkteffekte.
• Anbieterquellen: nur ergänzend (z. B. Anthropic Economic Index), nicht als alleinige Grundlage für gesamtwirtschaftliche Aussagen.
• Historische Sekundärquelle: New Yorker ausschließlich zur Dokumentation der Hinton-Radiologie-Aussage.
• Zentrale Unsicherheit: Langfristige Beschäftigungs- und Karriereeffekte sind 2026 noch nicht kausal stabil identifiziert.
• Größte Refresh-Risiken: Einstiegsbeschäftigung, AI-Act-Aufsicht, AI-Fähigkeiten, Unternehmensadoption und Skill-Nachfrage.

Schlussfolgerung für die Buchreihe

Die belastbare Storyline ist nicht, dass AI Arbeitsplätze entweder „vernichtet“ oder „nur ergänzt“. Die empirische Lage zeigt eine Transformation mit drei gleichzeitig wirkenden Mechanismen: (1) Automation einzelner Tasks, (2) Augmentation menschlicher Arbeit und (3) Neuaufteilung von Rollen und Skills. Welche Wirkung dominiert, hängt vom konkreten Prozess, von Nachfrage, Organisationsdesign und Kompetenzaufbau ab.

Das zentrale Managementrisiko ist deshalb nicht nur zu langsame AI-Adoption. Ebenso riskant ist eine schnelle Adoption ohne Workforce-Architektur: Unternehmen können kurzfristig Output gewinnen und langfristig Lernpfade, Fachkompetenz oder Nachwuchsentwicklung schwächen. Gute AI-Transformation misst daher neben Produktivität auch Qualität, Skill-Erhalt, interne Mobilität und die Fähigkeit, AI-Ergebnisse kritisch zu kontrollieren.