Auswirkungen auf Berufsbilder & Arbeitsmarkt (IAB-Studien)

Lernziele

• Sie referieren die zentralen Erkenntnisse aktueller Arbeitsmarktforschung (IAB, OECD, McKinsey) zu KI-Beschäftigungseffekten und unterscheiden dabei präzise zwischen Substitution und Augmentation.
• Sie ordnen Berufsbilder aus verschiedenen Sektoren in eine Tätigkeits-Expositionsmatrix ein und bewerten deren relative Vulnerabilität gegenüber KI-Automatisierung.
• Sie erklären, warum IT- und Wissensarbeitsberufe gleichzeitig stark exponiert und gut für Augmentation positioniert sind — und welche strategische Konsequenz das hat.
• Sie leiten aus den Forschungsbefunden konkrete persönliche Handlungsoptionen ab und benennen mindestens zwei Kompetenzbereiche, die durch KI-Kompetenzentwicklung gestärkt werden.
• Sie formulieren eine faktenbasierte Antwort auf die Frage „Wird KI meinen Job übernehmen?” — differenziert, quellengestützt und ohne Katastrophenprognose oder Beschwichtigung.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

„Wird KI meinen Job übernehmen?” Diese Frage steht unausgesprochen hinter vielen KI-Schulungsmaßnahmen — auch hinter dieser. Sie ist berechtigt. Sie verdient eine ehrliche, differenzierte Antwort — keine Beruhigungspille und keine Katastrophenprognose.

Die Forschungslage ist eindeutiger als viele Schlagzeilen vermuten lassen: KI ersetzt selten ganze Berufe — sie verändert Tätigkeitsanteile. Die Frage ist nicht „IT-Berater: ja oder nein?” — sondern: „Welche der vierzig Tätigkeiten, die ein IT-Berater täglich ausführt, werden durch KI automatisiert, welche werden durch KI beschleunigt, und welche bleiben im Kern menschlich?”

Das Institut für Arbeitsmarkt- und Berufsforschung (IAB), das OECD Employment Outlook und das McKinsey Global Institute liefern dafür konkrete Daten. Diese Unterrichtseinheit stellt die wichtigsten Befunde vor, überträgt sie auf branchenübergreifende Kontexte und schließt mit einer persönlichen Reflexion: Wo stehen Sie heute — und wo möchten Sie in zwei Jahren stehen?

Diese Einheit ist die letzte in Modul 1 und bereitet die Überleitung zu Modul 2 vor: Wer versteht, wie KI den Arbeitsmarkt verändert, versteht auch, warum rechtliche und ethische Kompetenz im Umgang mit KI keine optionale Zusatzqualifikation ist, sondern Kernbestandteil professioneller Arbeit im Jahr 2026.

Lerntext — Theorie und Konzepte

Das IAB und seine Methodik — Tätigkeiten statt Berufe

Das Institut für Arbeitsmarkt- und Berufsforschung (IAB) in Nürnberg ist die Forschungseinrichtung der Bundesagentur für Arbeit. In einer Reihe von Forschungsberichten (2023–2025) hat das IAB das Substituierbarkeitspotenzial von Berufen durch KI und Automatisierung systematisch analysiert (IAB Forschungsberichte zu KI und Beschäftigung).

Methodischer Ansatz: Das IAB analysiert nicht Berufe als Ganzes, sondern die einzelnen Tätigkeiten, die in diesen Berufen ausgeführt werden. Ein Buchhalter führt beispielsweise 15 verschiedene Tätigkeiten aus — manche davon (Dateneingabe, Standardberichte erstellen) sind hoch automatisierbar, andere (Steueroptimierungsberatung, Mandantengespräche) deutlich weniger. Das Substituierbarkeitspotenzial eines Berufs ergibt sich aus dem gewichteten Anteil automatisierbarer Tätigkeiten.

Kernbefund IAB 2024/2025: Laut IAB-Forschungsbericht 2024 weisen ca. 19 Prozent der sozialversicherungspflichtig Beschäftigten in Deutschland Berufe auf, bei denen mehr als 70 Prozent der Tätigkeiten technisch automatisierbar sind — nicht zwingend heute, aber mittelfristig. Weitere 45 Prozent arbeiten in Berufen mit einem Substituierbarkeitspotenzial von 50 bis 70 Prozent. Diese Zahlen beschreiben ein technisches Potenzial, kein Beschäftigungsparadigma. Automatisierung hängt von Adoptionsgeschwindigkeit, Wirtschaftlichkeit und gesellschaftlichen Entscheidungen ab.

IT-Berufe — Das Paradox der Exposition: IT-Berufe zeigen eine bemerkenswerte Zweiteilung. IT-Systemintegratoren und -Administratoren: 45 bis 60 Prozent Substituierbarkeitspotenzial (Routinetätigkeiten wie Patch-Management, Standardkonfiguration, Helpdesk-Tickets). IT-Berater und Projektmanager: nur 20 bis 35 Prozent (strategische Beratung, komplexe Problemlösung, Kundenbeziehungen). Die gute Nachricht: IT-Fachkräfte, die strategische Kompetenz entwickeln, sind gut positioniert.

Substitution vs. Augmentation — Ein entscheidender Unterschied

Die Forschungsliteratur unterscheidet konsequent zwischen zwei Typen von KI-Beschäftigungseffekten:

Substitution bedeutet: KI übernimmt eine Tätigkeit vollständig, der Mensch wird für diese Tätigkeit nicht mehr benötigt. Beispiele: Dateneingabe in strukturierte Systeme, Standardübersetzungen, einfache Kundenanfragen (FAQ-Chatbots), Erstellung von Standardberichten aus vorhandenen Daten. In diesen Bereichen findet echte Substitution statt — Tätigkeiten fallen weg.

Augmentation bedeutet: KI macht einen Menschen bei einer Tätigkeit produktiver — die Aufgabe bleibt menschlich, aber die Bearbeitungszeit sinkt oder die Qualität steigt. Beispiele: KI-gestützte Code-Generierung (Entwickler bleibt verantwortlich, schreibt aber schneller), KI-gestützte Textformulierung (Berater bleibt Autor, formuliert aber effizienter), KI-gestützte Datenanalyse (Analyst entscheidet, KI beschleunigt Auswertung).

Die wichtigste Botschaft: In den meisten Wissensarbeitsberufen dominiert Augmentation, nicht Substitution. KI wird IT-Berater, Systemintegratoren und Projektmanager nicht ersetzen — sondern diejenigen, die KI-Werkzeuge kompetent einsetzen, in die Lage versetzen, mehr Arbeit in weniger Zeit mit besserer Qualität zu liefern. Der Wettbewerbsdruck entsteht nicht durch KI, sondern durch Kolleginnen und Kollegen, die KI einsetzen.

Merksatz

Menschen ohne KI werden nicht durch KI ersetzt — sie werden durch Menschen mit KI-Kompetenz ersetzt. Das ist die zentrale Botschaft der Arbeitsmarktforschung für Wissensarbeiter. Die Konsequenz: KI-Kompetenz ist heute eine Kernkompetenz, keine Zusatzqualifikation.

McKinsey Global Institute — Skalierung und Timing

Das McKinsey Global Institute veröffentlichte 2023 und 2024 umfangreiche Analysen zur generativen KI und Beschäftigung (McKinsey: The economic potential of generative AI, 2023).

Kernzahlen (McKinsey 2023/2024): - 60 bis 70 Prozent der heutigen Tätigkeiten könnten durch generative KI anteilig automatisiert werden — aber selten vollständig. - Der Anteil der Arbeitszeit, der auf technisch automatisierbare Tätigkeiten entfällt, liegt in Hochlohnländern bei ca. 30 Prozent bis 2030 (abhängig vom Adoptionsszenario). - Wissensarbeiter in höheren Einkommensgruppen sind prozentual stärker exponiert als Beschäftigte in manuellen Tätigkeiten — ein fundamentaler Unterschied zu früheren Automatisierungswellen, die primär Niedriglohnjobs betrafen. - Gleichzeitig: Generative KI schafft nach McKinsey netto neue Tätigkeiten und Rollen — KI-Trainingsrollen, KI-Governance, KI-Prompt-Engineering, KI-Integrationsarchitektur.

Timing: McKinsey schätzt, dass der überwiegende Teil der Adoption bis 2030 stattfinden wird — aber mit erheblicher Unsicherheit. In der IT-Branche ist die Adoptionsgeschwindigkeit höher als in anderen Sektoren.

OECD Employment Outlook — Nettobeschäftigungseffekte

Der OECD Employment Outlook 2024 analysiert KI-Beschäftigungseffekte in OECD-Ländern und kommt zu differenzierten Schlussfolgerungen:

Neue Jobs entstehen: KI-Trainer, KI-Governance-Rollen, Prompt-Engineers, KI-Integrations-Architekten, KI-Auditoren. Diese Rollen waren vor 2020 nicht existent oder marginal.

Bestehende Jobs wandeln sich: Ärzte mit KI-Diagnoseunterstützung, Anwälte mit KI-Recherche, Steuerberater mit KI-gestützter Planung, IT-Berater mit KI-Automatisierung. Der Arbeitsinhalt verändert sich — hin zu mehr strategischer und relationaler Arbeit.

Nettobeschäftigungseffekt: In optimistischen OECD-Szenarien ist der mittelfristige Nettobeschäftigungseffekt moderat positiv — neue Jobs überwiegen wegfallende Jobs. In pessimistischen Szenarien überwiegen Anpassungskosten und strukturelle Arbeitslosigkeit in bestimmten Berufsgruppen. Die Unsicherheitsspanne ist groß — was die Notwendigkeit aktiver Weiterbildungsstrategie unterstreicht.

Gesellschaftliche Dimension — Ungleichheit als Risikofaktor: Wer Zugang zu KI-Werkzeugen hat und diese kompetent nutzt, profitiert. Wer nicht, verliert Wettbewerbsposition. Diese Spaltung verläuft entlang von Unternehmensgrößen (große Konzerne vs. KMU), Branchen (Tech-nahe vs. traditionelle) und Qualifikationsniveaus. Gezielte Weiterbildung ist die gesellschaftliche Antwort auf diese strukturelle Herausforderung.

Tätigkeits-Expositionsmatrix für Wissensarbeitsberufe

Abb. 10.1 — Tätigkeits-Exposition: Substituierungs- vs. Augmentierungspotenzial (Schätzwerte auf Basis IAB-Kurzberichte 2023–2025 und McKinsey Global Institute 2023)

Die Grafik zeigt: Routine-Tätigkeiten (Dateneingabe, Standardsupport, Dokumentation nach Vorlage) haben hohes Substituierbarkeitspotenzial. Strategische und relationale Tätigkeiten haben geringes Substituierbarkeitspotenzial, aber hohes Augmentierungspotenzial — KI wird diese Tätigkeiten effizienter machen, nicht ersetzen.

Vertiefung — Vier Tätigkeitskategorien und ihre Exposition:

Kognitiv-routinemäßig (hoch exponiert): Standardberichte erstellen, Dateneingabe, Dokumentation nach Vorlage, einfache Ticket-Klassifizierung, Standardübersetzungen. Diese Tätigkeiten sind in allen Branchen stark betroffen — und gleichzeitig sind sie die ersten, bei denen KI produktive Effizienzgewinne liefert.

Kognitiv-komplex (mittel exponiert, hoch augmentierbar): Datenanalyse, Recherche, Code-Entwicklung, Angebotserstellung, Präsentationskonzeption. Hier ist KI starker Beschleuniger — aber die finale Qualitätssicherung und Entscheidung verbleibt beim Menschen.

Relational (niedrig exponiert): Kundengespräche führen, Change Management begleiten, Verhandlungen führen, Teams motivieren, Vertrauen aufbauen. Diese Tätigkeiten erfordern menschliche Empathie, Kontext und Beziehungsfähigkeit — Bereiche, in denen KI strukturell schwach ist.

Kreativ-strategisch (niedrig exponiert, hoch augmentierbar): Neue Geschäftsmodelle entwickeln, Architekturentscheidungen treffen, ethische Abwägungen anstellen, Innovationsstrategien konzipieren. KI kann Ideen generieren — die Bewertung, Entscheidung und Verantwortung bleibt menschlich.

Die Implikation: Investieren Sie in strategische, relationale und kreativ-strategische Kompetenzen. Diese sind KI-komplementär — sie werden durch KI wertvoller, nicht weniger wertvoll.

Vertiefung — Transformations-Roadmap für Organisationen

Für Unternehmen jeder Größe ergeben sich aus den Forschungsbefunden drei strategische Konsequenzen:

Konsequenz 1 — Kompetenzverlagerung: Der Marktwert von Fähigkeiten verlagert sich. Fähigkeiten, die KI gut repliziert (Standarddokumentation, einfache Code-Snippets), sinken im relativen Wert. Fähigkeiten, die KI schlecht repliziert (komplexe Kundenbeziehungen, strategische IT-Architekturen, Change-Management), steigen im Wert. KI-Kompetenzentwicklung ist Teil dieser strategischen Investition.

Konsequenz 2 — Beratungsangebot erweitern: Kunden werden verstärkt KI-Implementierungs- und Governance-Projekte nachfragen. IT-Berater mit KI-Kompetenz können diesen Beratungsbedarf decken. Das öffnet neue Umsatzfelder, die vor 2023 nicht existierten.

Konsequenz 3 — Interne Produktivität steigern: Wenn Mitarbeitende täglich 30 bis 45 Minuten durch KI-gestützte Arbeit einsparen, entspricht das — über eine Organisation von hundert Mitarbeitenden — einem internen Produktivitätsgewinn von ca. fünf Vollzeitstellen pro Jahr. Diese Effizienzgewinne können in Wachstum oder Qualitätssteigerung reinvestiert werden.

Gesellschaftliche Dimension — Weiterbildung als strategische Antwort: Die Forschungsbefunde von IAB, OECD und McKinsey konvergieren in einer zentralen Aussage: Der entscheidende Faktor für individuelle und unternehmerische Resilienz gegenüber KI-bedingten Veränderungen ist Kompetenz — nicht Schutz vor Technologie.

Neue Berufsrollen entstehen: Nach OECD-Daten entstehen durch KI neue Beschäftigungsfelder — KI-Compliance-Officer, KI-Trainer, KI-Integrations-Architekten, KI-Auditoren, KI-Ethik-Beauftragte. Für IT-Dienstleister sind insbesondere KI-Beratungsrollen und KI-Implementierungsrollen neue Wachstumsfelder.

Vertiefung II — Roadmap zur AGI: Stand der Forschung 2026

Die Frage, ob und wann eine „Allgemeine Künstliche Intelligenz” (Artificial General Intelligence, AGI) erreichbar ist, zählt zu den meistdiskutierten und zugleich am wenigsten präzise definierten Fragen in der gesamten KI-Forschung. Ein sachkundiger Überblick über den Stand der Forschung 2026 schützt vor sowohl übertriebener Angst als auch naivem Optimismus.

Was ist AGI — und warum ist die Definition schwierig?

AGI bezeichnet üblicherweise ein KI-System, das menschliche kognitive Fähigkeiten in ihrer gesamten Breite und Flexibilität erreicht oder übertrifft: Problemlösung in unbekannten Domänen, Transfer von Wissen zwischen Bereichen, kausallogisches Denken, autonomes Lernen und Planen. Die Definition ist absichtlich vage — Menschen sind sich nicht einig, was genau „allgemeine Intelligenz” ausmacht.

Unterschiedliche Forscher setzen AGI-Schwellen an sehr verschiedenen Stellen. OpenAI definiert AGI intern als ein System, das „die Mehrheit der wirtschaftlich wertvollen Wissensarbeit besser als Menschen ausführen kann”. Das ist pragmatischer als der klassische Turing-Test, aber ebenfalls nicht operationalisierbar. DeepMind (Levels of AGI, Morris et al. 2024) schlägt ein fünfstufiges Framework vor: Emergent → Competent → Expert → Virtuoso → Superhuman — mit jeweils zwei Dimensionen: Breite (Generalität) und Tiefe (Performance).

Merksatz

AGI ist kein klar definierter technischer Begriff — es ist ein Zielzustand, über dessen Definition Forscher und Unternehmen keine Einigkeit haben. Vor Prognosen über AGI-Zeitpunkte sollte immer gefragt werden: Welche Definition von AGI wird verwendet, und ist diese Definition messbar?

Was aktuelle Modelle können und nicht können

Die Modelle der Generation 2025/26 (Claude 4, GPT-5, Gemini 2.5 Ultra) zeigen in spezifischen Domänen überragende Fähigkeiten: Sie lösen olympiade-niveau Mathematikaufgaben, entwickeln und debuggen komplexen Code, synthetisieren wissenschaftliche Literatur, übersetzen zwischen fast allen Sprachen. In bestimmten Aufgaben übertreffen sie menschliche Experten zuverlässig.

Gleichzeitig zeigen sie fundamentale Schwächen, die den aktuellen Abstand zu AGI verdeutlichen:

Mangelnde Kausalität: LLMs sind statistisch Musterabbilder. Sie lernen Korrelationen aus Trainingsdaten, aber kein echtes Kausalverständnis. Auf Fragen wie „Wenn ich aufhöre, Aspirin zu nehmen, steigt dann mein Blutdruck?” geben sie oft korrekt klingende, aber kausal falsch begründete Antworten. Judea Pearl (Turing Award 2011) hat gezeigt, dass echtes kausales Denken eine Fähigkeit erfordert, die aktuelle Architekturen strukturell nicht besitzen.

Fehlendes Körpergefühl (Embodiment): Kognitionswissenschaftler wie Hubert Dreyfus haben seit den 1970er Jahren argumentiert, dass menschliche Intelligenz wesentlich durch körperliche Welterfahrung geprägt wird — ein Aspekt, der in LLMs vollständig fehlt. Robotik-integrierte KI-Systeme beginnen, diese Lücke zu adressieren, aber in frühen Stadien.

Keine echte Metakognition: Aktuelle Modelle haben keine verlässliche Selbsteinschätzung ihrer eigenen Unsicherheit. Sie können sich mit gleicher Selbstsicherheit zu korrekten und falschen Aussagen äußern (Halluzinationsphänomen, UE 7).

Aktuelle Forschungsrichtungen auf dem Weg zu allgemeinerer KI

Drei Forschungslinien sind besonders relevant:

1. Reasoning-Modelle: OpenAIs o1/o3-Modellreihe und ähnliche Ansätze zeigen, dass das Durchlaufen von mehrstufigen Schlussfolgerungssequenzen vor der Ausgabe qualitative Verbesserungen bei Mathematik, Logik und Planung bringt. Ob das ein Weg zu echter AGI ist oder nur zu besserer Benchmark-Performance, ist umstritten.

2. Agentenarchitekturen: Systeme wie OpenAIs „Computer Use” (Anthropic), Google’s „Project Astra” und Microsoft’s „Copilot Agents” versuchen, LLMs mit dauerhaftem Gedächtnis, Werkzeugnutzung und mehrstufigen Planungsfähigkeiten auszustatten. Das ist eher eine architektonische Erweiterung als eine Grundlageninnovation.

3. Neuro-symbolische Integration: Hybride Systeme, die statistische Lernverfahren (wie Transformer) mit symbolischer Logik und Planungsalgorithmen kombinieren, gelten in der akademischen Forschung als vielversprechendster Ansatz für robusteres, generalisierbares Denken. Konkretes Beispiel: AlphaCode 2 (DeepMind) kombiniert LLM-Generierung mit symbolischer Code-Verifikation.

Zeitprognosen und ihre Grenzen

Öffentliche Prognosen zu AGI-Zeitpunkten variieren dramatisch: Sam Altman (OpenAI) sprach 2025 davon, AGI könnte „in wenigen Jahren” erreicht werden. Yoshua Bengio und andere renommierte Forscher sind deutlich skeptischer und betonen die fundamentalen Lücken. Eine sachliche Einschätzung: Die Modelle verbessern sich schnell in gemessenen Benchmarks, aber ob diese Benchmarks echte allgemeine Intelligenz messen oder nur spezifische Testdomänen, ist eine offene Frage. Prognosen über AGI-Zeitpunkte sind mit extremer Unsicherheit behaftet.

Gesellschaftliche Szenarien für die KI-Entwicklung bis 2035

Jenseits der technischen Frage, wann AGI erreicht werden könnte, ist die gesellschaftliche und wirtschaftliche Transformation durch KI — auch unterhalb eines AGI-Schwellenwerts — bereits erheblich. Drei Szenarien werden in der Zukunftsforschung diskutiert:

Szenario 1 — Kognitive Augmentation (wahrscheinlichstes Szenario): KI-Systeme erweitern menschliche Fähigkeiten, ohne sie zu ersetzen. Der Arzt trifft Diagnosen besser, weil KI ihn bei der Mustererkennung unterstützt. Der Anwalt arbeitet effizienter, weil KI die Recherchearbeit übernimmt. Der Ingenieur entwirft bessere Systeme, weil KI Simulations- und Optimierungsaufgaben beschleunigt. In diesem Szenario steigt die Produktivität, Berufe wandeln sich (weniger Routinearbeit, mehr komplexe Entscheidungsarbeit), aber Massenarbeitslosigkeit tritt nicht ein. Begünstigende Faktoren: demographischer Wandel in Industrieländern erzeugt Arbeitskräftemangel, der durch KI gemildert werden kann.

Szenario 2 — Strukturelle Substitution in Teilbereichen (mittelfristig realistisch): Bestimmte klar abgegrenzte kognitive Aufgaben werden weitgehend automatisiert. Callcenter-Routing, einfache Textgenerierung, Standardisierte Dokumentenanalyse, Basis-Programmiertätigkeiten — diese Tätigkeiten werden innerhalb von fünf bis zehn Jahren weitgehend von KI übernommen. Die Zahl der direkt betroffenen Stellen ist erheblich, aber zeitlich gestreckt und in den meisten Ländern durch Rentenabgänge und Neuqualifizierungen abgefedert.

Szenario 3 — Beschleunigte Disruption durch Agenten (spekulativ, aber nicht unmöglich): Wenn Agenten-KI-Systeme (autonome, mehrstufige Aufgabenausführung) die erwartete Zuverlässigkeit erreichen, könnten ganze Prozessketten automatisiert werden — nicht nur Einzelaufgaben. Ein Software-Entwicklungs-Agent, der selbstständig Anforderungen analysiert, Code schreibt, testet und deployed, würde die Struktur von IT-Teams fundamental verändern. Das IAB (Institut für Arbeitsmarkt- und Berufsforschung) betonte in Studien 2024, dass die entscheidende Variable nicht die KI-Fähigkeiten an sich sind, sondern die Geschwindigkeit der Diffusion und die Anpassungsgeschwindigkeit des Arbeitsmarkts.

Merksatz

Die Auswirkungen von KI auf den Arbeitsmarkt sind nicht binär (Verlust oder kein Verlust), sondern differenziert nach Aufgabenstruktur, Branche und Qualifikationsniveau. Die relevante Frage für jeden Berufsträger ist nicht „Ersetzt KI meinen Beruf?“, sondern „Welche Anteile meiner Tätigkeit kann KI heute übernehmen — und wie verändert das den Wert meiner verbleibenden Arbeit?”

Die Bedeutung von Human-AI Collaboration für die Zukunft der Arbeit

Unabhängig davon, welches der drei Szenarien eintritt, zeichnet sich eine gemeinsame Kompetenz ab, die für Wissensarbeiter in den nächsten zehn Jahren entscheidend sein wird: die Fähigkeit zur effektiven Zusammenarbeit mit KI-Systemen. Diese Kompetenz umfasst mehr als das Schreiben von Prompts. Sie beinhaltet das Verständnis, was KI kann und nicht kann (Modul 1 dieser Schulung); die Fähigkeit, KI-Outputs kritisch zu bewerten (Halluzinationserkennung); das Design von Mensch-KI-Workflows, die die jeweiligen Stärken beider kombinieren; und die Bereitschaft, das eigene Arbeitsrepertoire kontinuierlich anzupassen, wenn KI neue Aufgaben übernimmt.

Diese Kompetenz ist nicht einer Berufsgruppe vorbehalten. Sie ist eine Querschnittskompetenz für alle, die mit Informationen, Texten, Daten und Entscheidungen arbeiten — das umfasst nahezu alle Wissensarbeitsberufe. Diese Schulung ist ein Beitrag zur Entwicklung genau dieser Kompetenz.

Praxisvertiefung: Augmentation statt Substitution — die Forschungsperspektive

Die dominierende wissenschaftliche Perspektive auf KI und Arbeitsmarkt ist nicht Substitution, sondern Augmentation: KI verändert die Art, wie Menschen arbeiten, nicht primär ob sie arbeiten.

Das Augmentation-Framework: Erik Brynjolfsson und Tom Mitchell (MIT) argumentieren in ihrem 2017 erschienenen Paper „What Can Machines Learn, and What Does It Mean for Occupations and the Economy?“, dass die wirtschaftlich relevante Frage nicht „Welche Jobs werden ersetzt?” lautet, sondern „Welche Aufgaben werden automatisiert — und wie verändert das die Anforderungen an Jobs?” Berufe bestehen aus vielen verschiedenen Aufgaben. KI kann einzelne Aufgaben innerhalb eines Berufs automatisieren, ohne den Beruf als Ganzes zu ersetzen — und damit den Schwerpunkt der Tätigkeit verschieben.

Empirische Evidenz: Studien zur frühen Adoptionsphase generativer KI zeigen konsistent positive Produktivitätseffekte — insbesondere bei mittelmäßig bis gut qualifizierten Mitarbeitenden in Wissensberufen. Ein vielzitiertes Experiment von Noy und Zhang (2023, MIT) zeigte, dass ChatGPT die Produktivität bei Schreibaufgaben um 37 % steigerte — mit dem stärksten Effekt bei Personen mit unterdurchschnittlicher Schreibkompetenz. Das suggeriert einen Egalisierungseffekt: KI hebt das Grundniveau an, profitiert aber weniger extravagante Hochleistungsschreiber. Für Personalstrategie bedeutet das: KI kann bestehende Kompetenzlücken teilweise ausgleichen — aber nicht ersetzen, was Menschen besser als KI tun.

Was Menschen strukturell besser als KI machen: Vertrauen aufbauen in persönlichen Beziehungen; ethische Urteile in mehrdeutigen Situationen fällen; Verantwortung übernehmen und kommunizieren; kreative Arbeit mit persönlichem Stilrisiko; Kontext lesen, der nicht explizit kommuniziert wird (Körpersprache, soziale Dynamiken). Diese Fähigkeiten sind nicht algorithmisch kodierbar und bleiben deshalb langfristig in menschlicher Hand.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

Für IT-Dienstleister trifft die IAB-Forschung aus zwei Richtungen: als betroffene Organisation (eigene Mitarbeitende) und als Beratungssubjekt (Kundenberatung zur KI-Transformation).

Als betroffene Organisation: Die Tätigkeitsanalyse zeigt, dass routinemäßige Tätigkeitsanteile — Standardkonfigurationen, einfache Ticket-Bearbeitung, Routinedokumentation — durch KI beschleunigt oder teilautomatisiert werden können. Das ist eine Chance, wenn die freiwerdende Zeit in wertschöpfende Tätigkeiten investiert wird — strategische Beratung, Kundenbeziehungspflege, Innovation. Es ist ein Risiko, wenn die Transformation nicht aktiv gestaltet wird.

Als Beratungssubjekt: IT-Berater, die die IAB-Studien kennen und souverän referieren können, sind in Beratungsgesprächen zur KI-Transformation klar im Vorteil. Konkret: Ein Logistikkonzern mit 500 Mitarbeitenden fragt, welche Berufsbilder von KI am stärksten betroffen sein werden und wie die Weiterbildungsstrategie ausgerichtet werden soll. Berater, die IAB-Methodik und Tätigkeits-Expositions-Analysen kennen, können dieses Mandat bearbeiten — ein messbarer Kompetenzvorsprung.

Industrie & Fertigung

In der Fertigungsindustrie betrifft die KI-bedingte Tätigkeitsveränderung vor allem zwei Bereiche: Qualitätssicherung und Predictive Maintenance. Routineprozesse in der Qualitätssicherung (Sichtprüfung standardisierter Bauteile, Datenerfassung und -dokumentation) haben hohes Substituierbarkeitspotenzial. Komplexe QS-Entscheidungen (Bewertung von Grenzfällen, Freigabe für kritische Bauteile, Ursachenanalyse von Fertigungsfehlern) verbleiben beim Menschen.

Die Augmentierungsperspektive: Wenn ein Qualitätsingenieur durch KI-gestützte Bildanalyse von der Routine-Sichtprüfung entlastet wird, kann er sich auf die komplexen Entscheidungen konzentrieren — und die Qualität bei gleichem Personalaufwand verbessern. Dieses Muster — Routine weg, Kompetenz stärken — ist das dominante Augmentierungs-Muster in der Fertigung.

Für Facharbeiter in der Fertigung ist die Situation differenzierter: Manuelle Tätigkeiten (Montage, Justierung, Wartung physischer Systeme) sind in der Regel weniger von KI betroffen als kognitive Routinetätigkeiten. Gleichzeitig wächst die Bedeutung digitaler Kompetenz — Facharbeiter, die KI-gestützte Wartungssysteme bedienen, Sensordaten interpretieren und mit digitalen Assistenzsystemen umgehen können, sind besser positioniert.

Finanzdienstleistung & Versicherung

Im Finanzsektor ist die Transformation durch KI bereits weit fortgeschritten. Routinetätigkeiten in Banken (Kreditantragsvorprüfung, Dokumentenprüfung, Standardkommunikation) sind bereits heute zu erheblichen Teilen automatisiert. Die Herausforderung für die Branche: Qualifizierung der verbleibenden Mitarbeitenden für komplexere Aufgaben — Kundenberatung, Risikobeurteilung, Produkt-Innovation.

Für Versicherungsunternehmen zeigt die Tätigkeitsanalyse: Sachbearbeitung (Standardschadensmeldungen, Vertragsanpassungen, Dokumentenmanagement) — hohes Substituierbarkeitspotenzial. Komplexe Regulierung (strittige Schadensfälle, Sonderkonstruktionen, Betrugserkennug) — niedriges Substituierbarkeitspotenzial, hohes Augmentierungspotenzial.

Die strategische Botschaft für den Finanzsektor: Investieren Sie in die Qualifizierung von Mitarbeitenden für KI-komplementäre Tätigkeiten — komplexe Kundenbeziehungen, spezialisierte Risikobeurteilung, ethisch fundierte Entscheidungsfindung. Diese Tätigkeiten werden durch KI wertvoller, nicht weniger relevant.

Öffentliche Verwaltung

In der öffentlichen Verwaltung ist die KI-Adoption strukturell langsamer als in der Privatwirtschaft — durch Datenschutzanforderungen, Vergabeprozesse und Trägheit großer Strukturen. Das verändert das Timing, nicht die Richtung.

Tätigkeiten in der Sachbearbeitung (Standardanträge bearbeiten, Formulare prüfen, Routinebescheide erstellen) haben hohes Substituierbarkeitspotenzial. Tätigkeiten, die Ermessen, Rechtsbindung und direkte Bürgerinteraktion erfordern (Widerspruchsverfahren, komplexe Sozialleistungsprüfung, Ordnungsrecht), verbleiben beim Menschen — teils aus regulatorischen Gründen (EU AI Act Hochrisiko-Klassifizierung), teils aus demokratischen Gründen (Verwaltungsakt als Hoheitsakt).

Für Beschäftigte in der öffentlichen Verwaltung ist die Botschaft: KI-Kompetenz wird zur Schlüsselqualifikation — nicht um Routineaufgaben schneller zu erledigen, sondern um die freiwerdende Kapazität in bürgernahe, komplexe und strategische Tätigkeiten zu investieren. Weiterbildungsprogramme, die diese Kompetenz aufbauen, sind gesellschaftliche Investitionen mit messbarem Ertrag.

Übung 1 — Tätigkeits-Expositionsanalyse der eigenen Rolle

Übung 1

Aufgabe: Sie führen eine strukturierte Selbstanalyse Ihrer eigenen Tätigkeiten durch, um Ihren persönlichen Expositionsgrad gegenüber KI-Automatisierung einzuschätzen.

Material: Papier oder digitales Dokument, Handout-Grafik aus diesem Kapitel als Referenz.

Schritt-für-Schritt: 1. Listen Sie alle Tätigkeiten auf, die Sie in einer typischen Arbeitswoche ausführen. Seien Sie konkret: nicht „IT-Support”, sondern „Helpdesk-Tickets bearbeiten”, „Kunden telefonisch unterstützen”, „Server-Updates planen” usw. Schätzen Sie für jede Tätigkeit den wöchentlichen Zeitanteil in Stunden. 2. Kategorisieren Sie jede Tätigkeit: (a) Kognitiv-routinemäßig (= standardisierbar, wiederholbar); (b) Kognitiv-komplex (= Problemlösen, Urteilsvermögen); (c) Relational (= Kommunikation, Vertrauen, Führung); (d) Physisch-manuell. 3. Bewerten Sie für jede Tätigkeit das Substituierbarkeitspotenzial: Hoch (>60 %), Mittel (30–60 %), Niedrig (<30 %). 4. Berechnen Sie: Wie viele Stunden pro Woche entfallen auf Tätigkeiten mit hohem Substituierbarkeitspotenzial? Wie viel Prozent Ihrer Arbeitszeit ist das? 5. Formulieren Sie zwei konkrete Maßnahmen: (a) Eine Tätigkeit, bei der Sie ab nächster Woche KI einsetzen werden; (b) Eine Kompetenz, die Sie in den nächsten sechs Monaten ausbauen möchten, weil sie KI-komplementär ist.

Musterlösung — Beispiel IT-Projektmanagerin:

Anteil mit hohem Substituierbarkeitspotenzial: 7 h / 22 h = 32 %. Konkrete Maßnahmen: (a) Projektstatusberichte ab nächster Woche mit Claude vorschreiben lassen; (b) Kompetenz in KI-gestützter Datenanalyse ausbauen, um Projektcontrolling effizienter zu machen.

Übung 2 — Beratungsgespräch zur KI-Arbeitsmarktfolge simulieren

Übung 2

Aufgabe: Sie simulieren ein Beratungsgespräch, in dem ein Kunde fragt, wie er seine Belegschaft auf KI-bedingte Veränderungen vorbereiten soll. Sie nutzen die IAB- und McKinsey-Erkenntnisse als Grundlage.

Schritt-für-Schritt: 1. Lesen Sie folgendes Szenario: Ein mittelständisches Logistikunternehmen (150 MA, davon 40 in der IT-Abteilung) fragt: „Wir hören, dass KI viele Jobs automatisieren wird. Welche unserer Mitarbeitenden sind am stärksten betroffen? Wie sollen wir investieren?” 2. Identifizieren Sie die drei relevantesten IAB/McKinsey-Erkenntnisse für diesen Kunden. 3. Formulieren Sie eine strukturierte Antwort in drei Teilen: (a) Bestandsaufnahme (Welche Tätigkeiten in der IT-Abteilung sind hoch exponiert?); (b) Handlungsempfehlung (Welche Weiterbildungsmaßnahmen empfehlen Sie?); (c) Prognose (Was verändert sich in 2 Jahren, was in 5 Jahren?). 4. Schreiben Sie eine kurze Executive Summary (max. 200 Wörter), die der Kunde dem Geschäftsführer vorlegen kann.

Musterlösung — Executive Summary:

Auf Basis aktueller Arbeitsmarktforschung (IAB-Kurzberichte 2024, McKinsey Global Institute 2023) zeigt sich: In IT-Abteilungen von Logistikunternehmen sind Tätigkeiten mit hohem Routinecharakter — Standardkonfigurationen, Helpdesk-Ticketbearbeitung, Dokumentationserstellung — mittelfristig mit einem Substituierbarkeitspotenzial von 60 bis 75 Prozent behaftet. Tätigkeiten mit strategischem und relationalem Charakter — Systemarchitektur, Lieferantenbeziehungen, Projektleitung — sind deutlich weniger exponiert (15 bis 30 Prozent) und weisen gleichzeitig hohes Augmentierungspotenzial auf.

Empfehlung: Investieren Sie prioritär in KI-Werkzeugkompetenz für alle 40 IT-Mitarbeitenden (Zeithorizont: 6 bis 12 Monate). Fokus auf Bereiche mit hohem Augmentierungspotenzial — Code-Unterstützung, Dokumentationsautomatisierung, KI-gestützte Systemdiagnose. Gleichzeitig: Strategische Kompetenzen durch gezielte EntwicklungEmpfehlung: Investieren Sie prioritär in KI-Werkzeugkompetenz für alle IT-Mitarbeitenden (Zeithorizont: 6 bis 12 Monate). Fokus auf Bereiche mit hohem Augmentierungspotenzial — Code-Unterstützung, Dokumentationsautomatisierung, KI-gestützte Systemdiagnose. Gleichzeitig: Strategische Kompetenzen (Architekturentscheidungen, Kundenberatung, Change-Management) durch gezielte Entwicklung stärken.

Der Nettobeschäftigungseffekt bei konsequenter KI-Adoption: nach McKinsey-Schätzung 20 bis 30 Prozent Produktivitätssteigerung in Wissensarbeitsaufgaben — bei gleichbleibender Belegschaftsgröße bedeutet das messbar mehr Projektkapazität.

Cheatsheet

Erweiterte Übung 3 — Persönliche KI-Lern-Roadmap entwickeln

Übung 3 — Persönliche KI-Lern-Roadmap

Aufgabe: Sie entwickeln auf Basis der Inhalte der UE 1–10 eine persönliche KI-Lern-Roadmap für die nächsten 12 Monate. Diese Transfer-Aufgabe verknüpft das Wissen aus Modul 1 mit einer selbstreflexiven Kompetenzanalyse und einer konkreten Lernplanung — sie bereitet gleichzeitig auf die folgenden Module vor.

Material: Die Kompetenzbeschreibungen der UE 1–10 (Lernziele); eigene Einschätzung des aktuellen Wissensstands; Kenntnisse der eigenen beruflichen Anforderungen.

Schritt-für-Schritt:

1. Kompetenzbilanz: Erstellen Sie eine persönliche Kompetenztabelle für die zehn Kernthemen aus Modul 1. Bewerten Sie für jedes Thema Ihren aktuellen Stand auf einer Skala 1–4:

• 1 — Beginner: Noch kaum Kenntnisse, brauche Grundlagenverständnis.
• 2 — Grundkenntnisse: Ich verstehe die Konzepte, kann sie aber noch nicht sicher anwenden.
• 3 — Anwender: Ich kann das Thema in der eigenen Arbeit einsetzen und anderen erklären.
• 4 — Experte: Ich beherrsche das Thema tiefgehend und kann Andere darin schulen. Die zehn Themen: KI-Taxonomie, KI-Geschichte, KI-Ökosystem/Markt, LLM-Mechanismus, Trainingsarten/RLHF, KI-Stärken & Grenzen, Halluzinationen, Multimodalität, Modellauswahl, Arbeitsmarktauswirkungen.

1. Gap-Analyse: Identifizieren Sie die drei Themen mit dem größten Gap zwischen aktuellem Stand und beruflich benötigtem Niveau. Für jeden Gap: Welche konkreten Fähigkeiten fehlen Ihnen noch?
2. Lernziele definieren: Formulieren Sie für jedes der drei Gap-Themen ein konkretes, messbares Lernziel im SMART-Format (Spezifisch, Messbar, Attraktiv, Realistisch, Terminiert). Beispiel: „Bis Ende Q2 kann ich für fünf reale Szenarien aus meinem Berufsalltag begründet entscheiden, ob ein Open-Source- oder proprietäres Modell besser geeignet ist.”
3. Lernpfad skizzieren: Für jedes der drei Lernziele: Welche Ressourcen werden Sie nutzen? (Kurse der folgenden Module, externe Kurse, Praxisprojekte, Fachliteratur?) Wann werden Sie welche Etappe erreichen? Tragen Sie Ihre Planung in einen 12-Monats-Kalender ein (Quartalsziele).
4. Transferplan: Wählen Sie eine konkrete Aufgabe aus Ihrem beruflichen Alltag, die Sie in den nächsten vier Wochen mit KI-Unterstützung anders angehen werden. Beschreiben Sie: Was genau werden Sie tun, welches Tool werden Sie einsetzen, und wie werden Sie den Erfolg messen?
5. Accountability: Tauschen Sie Ihre Roadmap mit einer anderen Person aus. Vereinbaren Sie einen Check-in-Termin in 4 Wochen: Was haben Sie umgesetzt?

Erwartetes Ergebnis: Vollständig ausgefüllte Kompetenztabelle (10 Themen × 4 Stufen), drei SMART-Lernziele, 12-Monats-Plan mit Quartalsetappen, Transferplan für die nächsten 4 Wochen und Accountability-Partner.

Reflexion zur Lernplanung

Eine gut strukturierte persönliche Lern-Roadmap ist mehr als ein Planungsdokument — sie ist ein Commitment-Instrument. Forschungen zur Lernpsychologie (Gollwitzer, 1999: Implementierungsintentionen) zeigen, dass die explizite Formulierung von Wenn-Dann-Plänen (z. B. „Wenn ich montags ein neues KI-Tool teste, dann dokumentiere ich meine Beobachtung in einem Satz in meinem Notizbuch”) die Wahrscheinlichkeit der tatsächlichen Umsetzung um bis zu 300 % erhöht gegenüber reinen Zielformulierungen ohne Verhaltensplan.

Das bedeutet für Ihre Roadmap: Wandeln Sie Ihre Quartalsziele in konkrete Verhaltensintentionen um. Statt „Bis Q2 verstehe ich RLHF” → „Jeden Dienstag nach dem Mittagessen lese ich 15 Minuten im Lerntext zu Trainingsarten und notiere eine Frage, die ich in der nächsten Schulungsstunde stellen möchte.” Diese Konkretisierung ist der entscheidende Schritt von der Intention zur Handlung.

Teilen Sie Ihre Roadmap mit dem Accountability-Partner und vereinbaren Sie einen konkreten Termin für den ersten Check-in. Dann: Fangen Sie mit der kleinsten möglichen sinnvollen Aktion an — nicht mit dem großen Ziel, sondern mit dem ersten Schritt.

Musterlösung (Beispiel für eine Person mit IT-Beratungshintergrund, 5 Jahre Berufserfahrung):

Kompetenztabelle (Selbsteinschätzung):

Drei größte Gaps: Trainingsarten/RLHF, Halluzinationen, Multimodalität.

SMART-Lernziele:

1. Trainingsarten/RLHF: „Bis Ende Q2 kann ich einem Kunden in einem Beratungsgespräch erklären, warum ein ChatGPT-Modell eine bestimmte Anfrage ablehnt, und dabei die RLHF-Trainingsphase korrekt beschreiben.”
2. Halluzinationen: „Bis Ende Q1 habe ich für meine drei häufigsten KI-Anwendungsfälle (Zusammenfassungen, Vertragsanalyse, Marktrecherche) ein schriftliches Verifikationsprotokoll erstellt und einmal pro Woche angewendet.”
3. Multimodalität: „Bis Ende Q3 habe ich mindestens zwei Kundenpräsentationen mit einem multimodalen KI-Workflow (Diagramm-Analyse + Zusammenfassung) unterstützt.”

Transferplan (nächste 4 Wochen): Jeden Kundenauftrag über zwei Seiten zunächst mit Claude 3.5 zusammenfassen lassen; die Zusammenfassung gegen das Original prüfen und Halluzinationen dokumentieren. Ergebnis: persönliche Statistik zur Zuverlässigkeit des Modells für diese Aufgabenklasse.

Cheatsheet

Prompt-Beispiel: Tätigkeits-Expositionsanalyse für ein Rollenportfolio erstellen

Rolle: Sie sind HR-Business-Partner bei einer mittelgroßen Versicherungsgesellschaft (1.800 Mitarbeitende).

Aufgabe: Erstellen Sie eine Expositionsanalyse für drei Schlüsselrollen in Ihrer Organisation (Sachbearbeiter Schadensmeldungen, Versicherungsmathematiker, Vertriebsmitarbeiter Außendienst) nach der Methodik des IAB-Expositionsindex. Bewerten Sie für jede Rolle: (A) KI-Substitutionspotenzial, (B) KI-Komplementärpotenzial, (C) Tätigkeiten, die voraussichtlich menschlich bleiben.

Kontext: Die Analyse dient als Grundlage für eine strategische Personalplanung für den Zeitraum 2025–2030. Der Betriebsrat ist involviert und möchte eine sachliche, evidenzbasierte Darstellung.

Format: Tabelle (3 Rollen × 3 Kategorien A/B/C) mit je 2–3 konkreten Tätigkeitsbeispielen, danach eine Zusammenfassung (100 Wörter) der strategischen Personalimplikationen.

Beispiel-Ergebnis (Auszug): „Sachbearbeiter Schadensmeldungen: (A) Substitution: Dateneingabe aus standardisierten Formularen, Pflichtfelder-Vollständigkeitsprüfung, Datenabfragen aus CRM-Systemen. (B) Komplement: Kommunikation bei komplexen Fällen, Ausnahmeentscheidungen bei unklaren Schadensfällen. (C) Menschlich: Telefonberatung bei emotional aufgewühlten Kunden, Entscheidungen mit Ermessensspielraum, ethisch schwierige Regulierungsentscheidungen.”

Vertiefung: Arbeitsmarktökonomie der KI-Transition — Was die Forschung tatsächlich zeigt

Die öffentliche Debatte über KI und Arbeitsmarkt bewegt sich oft zwischen zwei Extremen: radikaler Disruption und Entwarnung. Die Forschungslage ist differenzierter.

Die IAB-Forschungsgrundlage: Das Institut für Arbeitsmarkt- und Berufsforschung (IAB) hat einen der methodisch robustesten Ansätze zur Messung von KI-Exposition entwickelt. Der IAB-KI-Expositionsindex analysiert für über 800 Berufe in Deutschland, welcher Anteil der typischen Tätigkeiten prinzipiell durch aktuelle KI-Systeme substituierbar ist. Wichtig: „Substituierbar” bedeutet nicht „wird substituiert” — die tatsächliche Diffusion hängt von Investitionskosten, regulatorischen Rahmenbedingungen, organisatorischen Trägheiten und gesellschaftlichen Präferenzen ab.

Methodische Stärken und Grenzen: Der IAB-Ansatz basiert auf der Berufsstrukturanalyse der Bundesagentur für Arbeit (BERUF-Net), die Tätigkeitsprofile für über 800 Berufe enthält. Das ist methodisch deutlich stärker als Experten-Einschätzungen oder Selbstauskünfte. Die Grenzen: Die Analyse erfasst nur prinzipielle Substituierbarkeit, nicht Implementierungswahrscheinlichkeit. Sie berücksichtigt keine nicht-technischen Barrieren (Regulierung, Betriebsratsrechte, Kundenpräferenz). Und sie kann neue Tätigkeitsprofile, die durch KI entstehen, per Definition nicht vorhersagen.

Die Acemoglu-Debatte: Der MIT-Ökonom Daron Acemoglu hat 2023 argumentiert, dass der positive Beschäftigungseffekt von KI in den nächsten Jahren deutlich überschätzt wird. Sein Argument: Produktivitätssteigerungen durch KI konzentrieren sich auf Hochlohnsektoren; die Disruption betrifft hingegen Mittellohn-Berufe stärker. Das führt zu Polarisierungseffekten — ein Phänomen, das bereits bei früheren Automatisierungswellen (Robotik, Computerisierung) beobachtet wurde und von der empirischen Arbeitsmarktforschung gut dokumentiert ist.

Merksatz

KI-Exposition bedeutet nicht KI-Substitution. Die tatsächliche Transformation von Berufsbildern hängt von technischen, wirtschaftlichen, regulatorischen und gesellschaftlichen Faktoren ab — und verläuft in der Praxis langsamer als rein technische Potenzialanalysen nahelegen.

Branchen-Vignette: Finanzdienstleistung — KI-Transition in einer Regionalbank

Eine Regionalbank (500 Mitarbeitende, 45 Filialen) analysiert die KI-Exposition ihrer Beschäftigten und stellt fest, dass rund 35 % der Tätigkeiten in der Filiale (Standardberatung, Kontoverwaltung, Überweisungsbearbeitung) prinzipiell KI-substituierbar sind. Das klingt nach einem massiven Personalrisiko — aber die strategische Analyse zeigt ein differenzierteres Bild.

Erstens: Die Bank hat Kunden, die ausdrücklich menschliche Beratung wünschen — insbesondere bei komplexen Lebenssituationen (Erbe, Altersvorsorge, Unternehmensfinanzierung). Diese Präferenz ist ein Marktpositionierungsvorteil. Zweitens: Die KI-substituierbaren Tätigkeiten sind oft die zeitaufwändigsten Routinetätigkeiten — wenn diese KI-unterstützt effizienter werden, gewinnen Berater Zeit für Beratungsleistungen, die den Kundenwert ausmachen. Drittens: Der Regulierungsrahmen (BaFin, MiFID II) erfordert für viele Beratungsleistungen dokumentierte menschliche Verantwortung — das begrenzt das kurzfristige Substitutionspotenzial strukturell.

Das Fazit: Nicht Personalabbau, sondern Tätigkeitsverschiebung ist die wahrscheinlichere Transformation. Das erfordert Weiterbildung — aber keinen Stellenabbau als erstes Reaktionsmuster.

Übung 4 — Kompetenz-Portfolio der Zukunft: Persönliche KI-Lernstrategie entwickeln

Aufgabe: Sie entwickeln auf Basis der IAB-Expositionsanalyse eine persönliche KI-Lernstrategie für die nächsten 18 Monate.

Schritt-für-Schritt: 1. Beschreiben Sie Ihre aktuelle Rolle in maximal fünf Tätigkeitsschwerpunkten. 2. Bewerten Sie jeden Schwerpunkt: (A) KI-substituierbar mittelfristig, (B) KI-komplementär (KI macht Sie produktiver), (C) Bleibt voraussichtlich menschlich. 3. Identifizieren Sie die drei wichtigsten KI-Kompetenzen, die Sie für Kategorie-B-Tätigkeiten aufbauen müssen. 4. Recherchieren Sie für jede Kompetenz einen konkreten Lernpfad: Was können Sie in den nächsten 4 Wochen lernen? In 6 Monaten? In 18 Monaten? 5. Überlegen Sie: Welche Ihrer heutigen Tätigkeiten sind „KI-resistent”, weil sie menschliche Eigenschaften erfordern, die KI strukturell nicht besitzt (Vertrauen, Empathie, Urteilsvermögen in Grenzfällen)? 6. Formulieren Sie einen persönlichen Leitsatz für Ihre KI-Transition (ein Satz).

Erwartetes Ergebnis: Ausgefüllte Tätigkeitsanalyse, drei Kompetenz-Lernpfade und ein persönlicher KI-Transitionsleitsatz.

Reflexionsfragen

1. Welche Tätigkeit in Ihrem Berufsalltag würden Sie — wenn Sie ehrlich sind — als „kognitiv-routinemäßig” einstufen, und welche Schritte müssten Sie unternehmen, um diese Tätigkeit KI-gestützt effizienter zu erledigen?
2. Die IAB-Forschung zeigt, dass IT-Fachkräfte gleichzeitig stark exponiert und gut für Augmentation positioniert sind. Was bedeutet das konkret für Ihre persönliche Weiterbildungsstrategie in den nächsten zwölf Monaten?
3. Stellen Sie sich vor, ein Kollege sagt: „KI wird sowieso alles übernehmen — es hat keinen Sinn, sich damit zu beschäftigen.” Wie würden Sie dieser Aussage auf Basis der Forschungslage sachlich widersprechen?
4. Welche neuen Berufsrollen entstehen nach OECD-Einschätzung durch KI — und welche davon wären für Sie persönlich oder Ihre Organisation mittelfristig relevant?
5. Modul 1 endet hier. Welches der zehn Konzepte aus diesem Modul hat Ihre Einschätzung der KI-Technologie am stärksten verändert — und warum?

Prompt-Beispiel: Mitarbeitende über KI-Arbeitsmarktauswirkungen informieren

Rolle: Sie sind HR-Director eines Unternehmens und kommunizieren gegenüber 500 Mitarbeitenden über die geplante KI-Einführung.

Aufgabe: Verfassen Sie eine interne Kommunikationsmitteilung (ca. 300 Wörter), die die Mitarbeitenden sachlich und transparent über die Auswirkungen der geplanten KI-Einführung informiert. Die Mitteilung soll weder Panik erzeugen noch die Risiken kleinreden.

Kontext: Das Unternehmen führt KI für Routineaufgaben in der Buchhaltung und im Kundensupport ein. Interne Analyse zeigt: 20 % der Tätigkeiten in diesen Bereichen werden KI-gestützt effizienter, 5 % könnten mittelfristig wegfallen. Gleichzeitig entstehen neue Tätigkeiten im Bereich KI-Pflege, Qualitätssicherung und komplexe Kundenberatung. Betriebsrat ist informiert und unterstützt die Kommunikation.

Format: Interne Mitteilung mit Begrüßung, Kontext (Warum KI?), Auswirkungen (ehrlich), Maßnahmen (Weiterbildung, Umschulungsangebote), Call-to-Action.

Beispiel-Ergebnis (gekürzt): „Liebe Kolleginnen und Kollegen, mit diesem Schreiben möchten wir Sie transparent über unsere Pläne zur KI-Einführung informieren. KI wird bei uns zunächst bei standardisierten Aufgaben unterstützen — bei der Buchungsbelegerkennung und der ersten Antwort auf Standard-Kundenanfragen. Das wird die Arbeit effizienter machen. Es wird auch bedeuten, dass einige Tätigkeiten weniger Zeitaufwand erfordern. Wir sind ehrlich: Das betrifft voraussichtlich 5 % der heutigen Tätigkeiten in Buchhaltung und Kundensupport. Gleichzeitig entstehen neue Aufgaben — und wir investieren in Weiterbildung, damit Sie diese neue Rollen übernehmen können.”

Zusätzliche Reflexionsfragen — Vertiefung

1. Die IAB-Forschung unterscheidet zwischen KI-Substitution (Tätigkeiten werden von KI übernommen) und KI-Augmentation (KI unterstützt menschliche Tätigkeiten). Welcher der beiden Effekte überwiegt nach aktuellem Forschungsstand — und wie unterscheidet sich das zwischen verschiedenen Berufsgruppen?
2. OECD-Daten zeigen, dass Länder mit stärkerem Kündigungsschutz tendenziell langsamer KI-Technologien adoptieren als Länder mit flexibleren Arbeitsmärkten. Welche Konsequenzen hat das für die Wettbewerbsfähigkeit des deutschen Mittelstands?
3. Stellen Sie sich vor, Sie sind in 10 Jahren als Berater tätig. Welche Fähigkeiten aus Ihrem heutigen Repertoire werden dann noch gefragt sein — und welche könnten durch KI substanziell ersetzt worden sein?

Weiterführende Vertiefung: Der Kompetenzrahmen für KI-Anwendende — was Organisationen aufbauen sollten

Für Organisationen, die KI strategisch einsetzen wollen, reicht es nicht aus, Tools einzukaufen und bereitzustellen. Notwendig ist der systematische Aufbau von KI-Kompetenzen bei den Mitarbeitenden. Verschiedene Rahmenwerke helfen dabei, diesen Kompetenzaufbau zu strukturieren.

DigComp und DigCompEdu: Die Europäische Kommission hat mit dem Digital Competence Framework (DigComp 2.2, 2022) und dem European Framework for the Digital Competence of Educators (DigCompEdu) Referenzrahmen geschaffen, die digitale Kompetenzen — einschließlich KI-Kompetenzen — für Bürger, Arbeitnehmer und Lehrende strukturieren. Diese Rahmen bilden zunehmend die Basis für nationale Bildungsinitiativen und werden für die EU-geförderte Weiterbildungsförderung relevant.

KI-Kompetenzstufen für Organisationen: In Anlehnung an internationale Forschung (u. a. OECD AI Skills Taxonomy) lassen sich drei Kompetenzstufen für KI-Anwendende in Organisationen unterscheiden:

Stufe 1 — KI-Anwender: Kann vorhandene KI-Tools für eigene Aufgaben nutzen; versteht grundlegende Funktionsweise; kann Qualität und Grenzen einschätzen; kennt relevante Datenschutzregeln. Diese Stufe ist für alle Mitarbeitenden, die KI im Alltag nutzen, das Mindestziel.

Stufe 2 — KI-Gestalter: Kann Prompt-Ingenieurstätigkeiten ausüben; kann KI-Workflows entwerfen und implementieren; kann KI-Tools für eigene Abteilung bewerten und auswählen; kann andere Mitarbeitende in der KI-Nutzung schulen. Diese Stufe ist für Multiplikatoren, Team-Leads und KI-Koordinatoren relevant.

Stufe 3 — KI-Architekt: Versteht ML-Grundlagen tief genug, um Modellauswahl, Fine-Tuning und Integration zu verantworten; kann KI-Governance-Strukturen aufbauen; kommuniziert zwischen Fachbereichen und technischen Teams. Diese Stufe erfordert typischerweise technische Ausbildung oder intensive Weiterbildung.

EU AI Act und Kompetenzen: Art. 4 EU AI Act verpflichtet Anbieter und Betreiber von KI-Systemen, für „ausreichende KI-Kompetenz” ihrer Mitarbeitenden zu sorgen. Diese Pflicht ist nicht wohldefiniert (kein konkreter Mindestkatalog), schafft aber eine rechtliche Grundlage für Investitionen in KI-Weiterbildung — und eine Haftungsgrundlage bei nachweislichem Kompetenzversagen bei KI-Entscheidungen.

Selbstlerner-Hinweise — UE 10

Für Selbstlernende ohne Kurs-Kontext:

Lernpfad: Diese letzte Einheit von Modul 1 ist ein guter Moment zur Konsolidierung. Schreiben Sie eine persönliche Zusammenfassung: Was sind die fünf wichtigsten Erkenntnisse aus Modul 1? Was hat Ihre KI-Einschätzung am stärksten verändert?

Empfohlene Ergänzungsquellen: IAB-Forschungsberichte zu KI und Beschäftigung (iab.de) sind kostenlos auf Deutsch verfügbar. McKinsey Global Institute „The economic potential of generative AI” (2023) bietet umfassende wirtschaftliche Analyse.

Praktische Aufgabe: Führen Sie die Tätigkeitsanalyse aus Übung 4 durch und diskutieren Sie die Ergebnisse mit einer Vertrauensperson aus Ihrem beruflichen Umfeld. Sehen Sie die Exposition ähnlich?

Vorbereitung auf Modul 2: Überprüfen Sie: Können Sie die zentralen Konzepte aus UE 1–10 aus dem Gedächtnis erklären? Notieren Sie Unsicherheiten und planen Sie, diese UEs vor Modul 2 zu wiederholen.

Zeitaufwand: Lerntext: ca. 75 Minuten. Persönliche Modul-1-Zusammenfassung: 30 Minuten. Tätigkeitsanalyse: 30–45 Minuten. Gesamt: ca. 2,5 Stunden.

Selbstkontrollfragen: Können Sie den IAB-Expositionsindex und seine Grenzen erklären? Können Sie den Unterschied zwischen KI-Substitution und KI-Augmentation an einem konkreten Berufsbeispiel erläutern?

Quellen & Weiterlesen

Trainer-Hinweise

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 10

Timing (45 Min): - 0–5 Min: Einstieg mit der Frage „Wer hier hat schon mal jemanden sagen hören, KI übernimmt unsere Jobs?” — Stimmungsbild per Handzeichen. Brücke: „Heute schauen wir, was die Forschung wirklich sagt.” - 5–20 Min: Input — IAB-Methodik (Tätigkeiten statt Berufe), Substitution vs. Augmentation, McKinsey-Kernzahlen, OECD-Nettobeschäftigungseffekt. - 20–35 Min: Übung 1 — Tätigkeits-Expositionsanalyse der eigenen Rolle (Einzelarbeit, dann Austausch zu zweit). Ergebnisse kurz in der Gruppe oder allein teilen. - 35–45 Min: Übung 2 — Beratungssimulation in Tandems (5 Min Vorbereitung, 5 Min Präsentation). Abschluss: Reflexionsfrage 5 (Was hat sich verändert?) als Exit-Ticket.

Methodische Empfehlung: UE 10 trägt eine besondere emotionale Ladung — die Frage nach der eigenen Jobsicherheit berührt Teilnehmende persönlich. Halten Sie den Ton sachlich und faktenbasiert, ohne die emotionale Dimension zu ignorieren. Formulierungen wie „Die Forschung zeigt, dass die Frage nicht ist ob, sondern welche Tätigkeiten” helfen, die Diskussion konstruktiv zu halten. Vermeiden Sie Beschwichtigung ebenso wie Alarmismus — beide Extreme schaden dem Lerneffekt.

Stolpersteine: - Diskussion driftet in generelle KI-Skepsis oder Technikfeindlichkeit: Zurück auf die Datenebene — IAB, McKinsey, OECD als sachliche Anker. - Teilnehmende fühlen sich persönlich bedroht: Differenzieren zwischen Tätigkeiten und Berufen. „Ihr Job als Ganzes verschwindet nicht — bestimmte Tätigkeiten in Ihrem Job werden sich verändern.” - Verwirrung über Substitution vs. Augmentation: Konkrete Beispiele aus dem Berufsalltag der Teilnehmenden einfordern. - Teilnehmende wollen Prognosen: Ehrlich kommunizieren, dass die Unsicherheit groß ist — aber die Richtung klar. McKinsey-Szenarien als Bandbreite, nicht als Punkt-Prognose darstellen.

Diskussionsfragen für vertiefte Gruppen: - „Welche Kompetenz wäre für Sie persönlich die wichtigste Investition — und warum?” - „Stellen Sie sich vor, Sie müssen in fünf Jahren einem Berufseinsteiger erklären, was Ihre Rolle ausmacht. Was sagen Sie?” - „Wie unterscheidet sich die Situation in Ihrer Branche von der in einer anderen? Welche Faktoren machen den Unterschied?”

Tafelbild-Vorschlag: Zeichnen Sie eine einfache 2×2-Matrix: X-Achse „Substituierbarkeitspotenzial (niedrig → hoch)“, Y-Achse „Augmentierungspotenzial (niedrig → hoch)”. Tragen Sie live Tätigkeiten ein, die die Teilnehmenden nennen — das macht die Konzepte sofort anschaulich. Routine-Tätigkeiten landen rechts unten (hoch substituierbar, niedrig augmentierbar). Strategische Tätigkeiten landen links oben (niedrig substituierbar, hoch augmentierbar).

Differenzierung: - Power-User: Können die IAB-Methodik direkt auf ihre eigene Organisation anwenden und eine vollständige Tätigkeits-Expositionsanalyse für ihr Team erstellen. Vertiefte Lektüreempfehlung: Originalpapiere von Acemoglu/Restrepo zu Tasks and Automation. - Einsteiger: Fokussieren auf die drei Kernbotschaften — Tätigkeiten statt Berufe, Augmentation dominiert Substitution, KI-Kompetenz als persönliche Antwort. Die Übungsformate sind für beide Niveaus geeignet, da sie erfahrungsbasiert sind.

Materialliste: - Handout UE 10 (ausgedruckt oder digital) - Whiteboard oder Flipchart für Tafelbild - Zugang zu iab.de (optional: IAB-Kurzberichte als ausgedruckte Zusammenfassung) - Übungsblatt für Tätigkeitsanalyse (oder Notizbuch)

Übergang zur nächsten UE / zum nächsten Modul: „Wir haben in Modul 1 verstanden, was KI ist, wie sie funktioniert, was sie kann und was nicht — und wie sie den Arbeitsmarkt verändert. Modul 2 stellt die Folgefrage: Unter welchen rechtlichen und ethischen Bedingungen dürfen und sollen wir KI einsetzen? Der EU AI Act, die DSGVO und ethische Rahmenwerke geben die Antwort — und sie sind direkt relevant für Ihren Arbeitsalltag.”

Tipp zur Branchenauswahl: Wenn die Gruppe aus einem einzigen Sektor kommt, vertiefen Sie ausschließlich den relevanten Branchen-Vignetten-Block und vergleichen mit einem anderen Sektor als Kontrast. Bei gemischten Gruppen: Übung 1 explizit branchenspezifisch durchführen — jede Teilnehmende analysiert die eigene Rolle aus der eigenen Branchenperspektive. Das erzeugt reiche Vergleichsdaten für die Plenumsdiskussion und macht die unterschiedlichen Expositionsprofile direkt erlebbar.

Multiplikatoren-Hinweise — UE 10

Für Trainer, Führungskräfte und interne Botschafter:

UE 10 schließt das Modul ab. Als Multiplikator haben Sie jetzt die Aufgabe, Kontinuität zu gewährleisten: Lernen endet nicht mit diesem Kurs.

Empfehlungen für die Nachbereitung: - Schlagen Sie in Ihrem Team einen regelmäßigen „KI-Update-Slot” vor: 15 Minuten im monatlichen Meeting, in dem neue KI-Entwicklungen und Auswirkungen auf die eigene Arbeit besprochen werden. - Nutzen Sie den eigenen Lernplan aus Übung 4 als Vorlage — helfen Sie Kolleginnen und Kollegen, ihre eigenen Lernpfade zu entwickeln. - Sprechen Sie mit der Personalentwicklung über strukturierte KI-Weiterbildungsmaßnahmen — dieses Modul kann als Grundlage für ein breiter angelegtes Programm dienen.

Kernerkenntnis: KI-Kompetenz ist keine einmalige Qualifikation — sie erfordert kontinuierliche Aktualisierung. Wer das Lernen aufhört, verliert schnell den Anschluss.

Abschlussfrage für Ihr Team: „Was ist die eine KI-Gewohnheit, die Sie ab morgen einführen?”

Übung 5 (Transferaufgabe): Persönlicher 90-Tage-KI-Aktionsplan

Ziel: Die wichtigsten Erkenntnisse aus dem gesamten Modul in konkrete, umsetzbare Schritte überführen.

Aufgabe: Entwickeln Sie einen persönlichen 90-Tage-Aktionsplan nach folgendem Schema:

Phase 1 (Tage 1–30): Experimentieren - Ich probiere diese zwei KI-Tools aus: - Ich wende KI auf folgende Aufgabe an: - Ich stelle folgende Frage an mein Team: ___

Phase 2 (Tage 31–60): Vertiefen - Ich lese / schaue folgende Quelle: - Ich teile folgende Erkenntnis mit meinem Team: - Ich verbessere meinen Prompt für folgende Aufgabe: ___

Phase 3 (Tage 61–90): Verankern - Ich schlage folgende neue Prozessverbesserung vor: - Ich führe folgenden KI-Standard in meinem Bereich ein: - Ich messe den Erfolg an folgendem Kriterium: ___

Abschluss: Teilen Sie Ihren Plan mit einer Vertrauensperson aus dem Kurs — gegenseitige Accountability erhöht die Umsetzungswahrscheinlichkeit deutlich.

Kernaussagen — UE 10 auf einen Blick

1. KI verändert Berufsbilder — aber selten vollständige Berufe. Meistens verändern sich einzelne Aufgabenpakete innerhalb von Rollen.

2. Die IAB-Studie zeigt: Höher qualifizierte Tätigkeiten haben eine höhere KI-Exposition — aber auch größere Augmentationspotenziale.

3. Automatisierungsrisiken betreffen vor allem repetitive, regelbasierte Aufgaben. Kreative, soziale und strategische Kompetenzen bleiben vorerst komplementär.

4. Lebenslanges Lernen ist keine Option mehr — es ist die wichtigste Kompetenz in einer KI-transformierten Arbeitswelt.

5. Der beste Zeitpunkt für KI-Kompetenzaufbau war gestern. Der zweitbeste ist heute.

Vertiefende Literaturhinweise — UE 10

Zu KI und Arbeitsmarkt — Kernliteratur: - IAB (Institut für Arbeitsmarkt- und Berufsforschung): „Berufe im Wandel durch Künstliche Intelligenz” (2023). Methodisch robusteste deutsche Studie zu KI-Exposition. Kostenlos unter iab.de. - Acemoglu & Restrepo (2019): „Automation and New Tasks: How Technology Displaces and Reinstates Labor” — wegweisendes Paper zur ökonomischen Analyse von Automatisierung. NBER Working Paper 25684. - Acemoglu (2023): „Harms of AI” — Kritische Perspektive auf wirtschaftliche KI-Auswirkungen. NBER Working Paper 29247.

Zu Augmentation und Komplementarität: - Brynjolfsson et al. (2018): „What Can Machines Learn, and What Does It Mean for Occupations and the Economy?” AEA Papers and Proceedings — Grundlagenpaper zu KI-Augmentation. - Noy & Zhang (2023): „Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence” — MIT-Studie zu ChatGPT-Produktivitätseffekten. Science 2023.

Zu KI-Kompetenzen und Weiterbildung: - Europäische Kommission: „DigComp 2.2: The Digital Competence Framework for Citizens” (2022). Referenzrahmen für digitale Kompetenzen inklusive KI. - OECD: „OECD AI Skills Taxonomy” — systematische Beschreibung KI-relevanter Kompetenzen für Organisationen. oecd.ai. - Stifterverband: „KI-Kompetenzen für alle: Entwicklung und Verbreitung von KI-Kompetenzen in Deutschland” (2023). Praxisnahe Analyse des deutschen Weiterbildungsmarkts.

Abschlusswort — Modul 1

Dieses Modul hat die Grundlagen geschaffen: technisches Verständnis, kritische Urteilsfähigkeit und erste praktische Kompetenz im Umgang mit KI-Systemen.

Das Wissen aus diesen zehn Lerneinheiten ist keine abgeschlossene Sammlung — es ist ein lebendiges Fundament, das Sie durch eigene Anwendung, Reflexion und Weiterbildung kontinuierlich ausbauen. Nutzen Sie die Ressourcen, Übungen und Kontakte aus diesem Modul als Sprungbrett.

Nächster Schritt: Setzen Sie noch heute eine der Erkenntnisse aus UE 10 in eine konkrete Handlung um. Kompetenz entsteht durch Praxis — nicht durch Lesen allein.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.