Agentische KI bricht die Grundannahme hinter jeder Prognose zur Aufgabenexposition

Arbeitsmarktprognosen gingen bisher davon aus, dass Automatisierung Aufgaben einzeln übernimmt und den Beruf selbst bestehen lässt. Agentische KI, die ganze Arbeitsabläufe vollständig abwickelt, setzt diese Annahme außer Kraft, und ein neuer zusammengesetzter Kennwert, Agentic Task Exposure (ATE), misst nun, was die alten Modelle nicht erfassen können.

Zusammenfassung für Entscheidungsträger

Frühere Automatisierungsprognosen, einschließlich derer, die auf dem Aufgabenmodell von Autor, Levy und Murnane aufbauen, teilen eine zentrale Annahme: Der Beruf überlebt als Koordinationshülle rund um die verbleibende menschliche Arbeit.

Agentische KI-Systeme erfüllen vier Kriterien: Sie nehmen eine Zielvorgabe entgegen, wählen eigenständig Werkzeuge aus und rufen sie auf, halten den Zustand über mehrere Inferenzschritte hinweg aufrecht und erzeugen ein fertiges Arbeitsergebnis ohne menschliches Eingreifen bei Zwischenschritten.

Der ATE-Wert kombiniert KI-Fähigkeitswerte, Faktoren zur Workflow-Abdeckung und eine logistische Einführungsgeschwindigkeit. Kreditanalysten, Richter und Nachhaltigkeitsspezialisten erreichen ATE-Werte von 0.43-0.47.

Die Studie wendet ATE auf 236 SOC-Codes in sechs großen Berufsgruppen über fünf US-Technologieregionen hinweg an und bezeichnet sich selbst als die erste multiregionale empirische Anwendung des Modells der Aufgabenexposition, die gezielt auf agentische KI-Systeme ausgerichtet ist.

Neben der Verdrängung identifiziert die Studie siebzehn entstehende Berufskategorien mit Schwerpunkt auf der Mensch-KI-Zusammenarbeit, der KI-Governance und dem domänenspezifischen KI-Betrieb.

Die Prognosen, die über das Ziel hinausschossen #

Industrieroboter haben tatsächlich Arbeitskräfte in der Fertigung verdrängt. Sie taten dies jedoch weder in dem Zeitrahmen noch in dem Ausmaß, das die ursprünglichen Prognosen nahelegten. Dieser Satz sollte jeden, der beruflich Arbeitsmarktprognosen liest, vorsichtig stimmen, denn er beschreibt ein Muster: Die Richtung stimmte, aber die Größenordnung lag daneben.

Die bekannteste Schlagzeilenzahl in dieser Literatur stammt von Frey und Osborne, die Experten baten, 702 US-Berufe hinsichtlich ihrer allgemeinen "Computerisierbarkeit" zu bewerten. Ihr Ergebnis lautete, dass 47 % der Berufe einem hohen Risiko ausgesetzt seien. Es ist eine eindrucksvolle Zahl, und sie hat weite Kreise gezogen.

Arntz, Gregory und Zierahn zeigten anschließend, was passiert, wenn die Analyse auf die Aufgabenebene heruntergebrochen wird und die Heterogenität der Aufgaben innerhalb nominell exponierter Berufe berücksichtigt. Die Schätzungen für ein hohes Risiko sinken dann über die OECD-Länder hinweg auf 9-14 %. Der Abstand zwischen 47 % und 9-14 % ist keine Rundungsdifferenz. Er spiegelt eine Entscheidung über die Analyseeinheit wider, und diese Entscheidung verschiebt die Antwort um das Dreifache oder mehr.

Die Quelle räumt offen ein, dass die Debatte zwischen Schätzungen auf Berufsebene und solchen auf Aufgabenebene ungelöst ist. Worauf sich das Fachgebiet jedoch geeinigt hat, ist ein praktischer Konsens: Eine Zerlegung auf Aufgabenebene ist notwendig, und Etiketten auf Berufsebene sind zu grob. Dieser Konsens ist das Fundament, auf dem der Rest der Argumentation ruht. Es ist zugleich das Fundament, das durch agentische KI unter Druck gerät.

Wie die Aufgabenmodelle funktionieren #

Um zu verstehen, woher dieser Druck kommt, ist es hilfreich, genau zu betrachten, was die Tradition des Aufgabenansatzes postuliert.

Autor, Levy und Murnane unterteilten berufliche Aufgaben entlang zweier Achsen: Routine gegenüber Nicht-Routine sowie kognitiv gegenüber manuell. Ihr Argument lautete, dass Automatisierung Routineaufgaben ersetzt, während sie Nicht-Routineaufgaben ergänzt. Es ist ein klarer Gedanke, der späteren Arbeiten das Vokabular lieferte, um darüber zu sprechen, welche Teile einer Tätigkeit eine Maschine übernehmen kann.

Acemoglu und Restrepo errichteten darauf eine formale Struktur. Sie modellieren den Output als Ergebnis eines Kontinuums von Aufgaben, die zwischen Kapital und Arbeit aufgeteilt werden. In ihrem Modell steigt oder fällt die Lohnquote je nachdem, ob die Schaffung neuer Aufgaben, die sie als Wiedereingliederungskanal (Reinstatement Channel) bezeichnen, die Verdrängung von Aufgaben übertrifft. Ihnen folgend wird die Lohnquote an der Wertschöpfung als sL = W * L / Y = f(|NL| / |N|) geschrieben, wobei W der Lohnsatz, L die Beschäftigung und Y der Output ist. Zwei Kräfte ziehen in entgegengesetzte Richtungen, und welche davon gewinnt, entscheidet darüber, wer die Erträge einstreicht.

Zwei weitere Messansätze sind hier von Bedeutung, weil sie dieses Modell in Zahlen auf Berufsebene übersetzt haben. Felten, Raj und Seamans entwickelten den Kennwert AI Occupational Exposure (AIOE), indem sie veröffentlichte Fortschritte bei KI-Fähigkeiten mit der Fähigkeitstaxonomie von O*NET verknüpften. Eloundou et al. konstruierten ein paralleles Maß mit Fokus auf GPT-4, das Annotationen von Crowdworkern mit Selbsteinschätzungen von GPT-4 auf Aufgabenebene kombinierte.

Ihr zentraler Befund war, dass 80 % der US-Beschäftigten in Berufen arbeiten, in denen mindestens 10 % der Aufgaben gegenüber großen Sprachmodellen (LLMs) exponiert sind. Die stärkste Exposition konzentrierte sich auf hochbezahlte Berufe, die einen Hochschulabschluss erfordern. Dieses Ergebnis läuft der älteren Intuition zuwider, dass Automatisierung zuerst routinemäßige, geringer entlohnte Arbeit trifft, und erklärt, warum die Frage nach den Büro- und Wissensberufen so dringlich geworden ist.

Der blinde Fleck, den alle Modelle teilen #

Die Quelle erhebt einen pointierten Einwand gegen all diese Arbeiten. Jedes zitierte Modell teilt einen architektonischen blinden Fleck: Es modelliert Automatisierung als das Herausgreifen einzelner Aufgaben, während der Beruf selbst intakt bleibt. Fast alle Prognosen, einschließlich derer, die auf dem Aufgabenmodell von Autor, Levy und Murnane basieren, teilen die Annahme, dass Automatisierung Aufgaben einzeln abträgt und der Beruf als Koordinationshülle um die verbleibende menschliche Arbeit herum überlebt.

Das ist eine Annahme über die Struktur, nicht über die Technologie. Sie sagt nichts darüber aus, wie leistungsfähig die Maschine ist. Sie besagt lediglich, dass unabhängig davon, wie viele Aufgaben die Maschine übernimmt, immer noch jemand den Rest zusammenhalten muss.

Das Beispiel der Rechtsanwaltsfachangestellten (Paralegals) macht diesen Punkt greifbar. Eine Analyse der Aufgabenexposition könnte 80 % der Aufgaben einer solchen Fachkraft als LLM-exponiert einstufen und dennoch zu dem Schluss kommen, der Beruf sei sicher, weil die Koordination dieser Aufgaben menschliches Urteilsvermögen erfordert. Diese Schlussfolgerung ergibt sich direkt aus der Hüllenannahme. Die Aufgaben sind exponiert, aber die Nähte zwischen ihnen sind es nicht, also bleibt die Stelle bestehen.

Dann folgt der entscheidende Zug der Quelle: Der Koordinationsengpass, der die Rolle der Rechtsanwaltsfachkraft schützte, befindet sich nun im Inneren des Planungsmoduls des Agenten. Wenn das zutrifft, greift die Argumentation, die diese Stelle sicher erscheinen ließ, nicht mehr. Der Schutz entstand aus der Koordination. Und genau diese Koordination übernimmt ein agentisches System.

Ich halte dies für den nützlichsten Gedanken der gesamten Studie, und er verdient es, für sich genommen ernst genommen zu werden. Die älteren Modelle irren sich nicht bei den Aufgaben. Sie irren sich bei dem, was übrig bleibt, nachdem die Aufgaben wegfallen. Ein Maß, das Aufgaben einzeln bewertet, ist blind für ein System, das die gesamte Abfolge als Einheit abwickelt.

Was als agentisch gilt #

Wenn das Argument von einer Unterscheidung abhängt, braucht diese Unterscheidung eine Definition. Die Quelle liefert eine solche anhand von vier Kriterien. Ein agentisches KI-System ist ein System, das:

eine Zielvorgabe statt einer bloßen Aufgabenspezifikation erhält;
eigenständig Werkzeuge auswählt und aufruft, um dieses Ziel zu verfolgen;
den Zustand über mehrere Inferenzschritte hinweg aufrechterhält; und
ein fertiges Arbeitsergebnis ohne menschliches Eingreifen bei Zwischenschritten erzeugt.

Es lohnt sich, diese Aufzählung als Liste beizubehalten, da die Kriterien klar voneinander abgegrenzt sind und jedes einzeln geprüft werden kann. Ein System, das lediglich auf einen Prompt antwortet, scheitert am ersten Kriterium. Ein System, bei dem ein Mensch jeden Zwischenschritt freigeben muss, scheitert am vierten.

Einfacher ausgedrückt: Ein Agent erhält ein Ziel, wählt Werkzeuge aus, führt einen mehrstufigen Plan aus, überprüft seinen eigenen Output und liefert ein fertiges Arbeitsergebnis. Agentische Systeme verketten Werkzeugaufrufe, bewahren ein dauerhaftes Gedächtnis über Schritte hinweg, planen mehrgliedrige Handlungssequenzen und korrigieren sich selbst, wenn Zwischenergebnisse Qualitätsprüfungen nicht bestehen.

Das Detail der Selbstkorrektur wiegt schwerer, als es auf den ersten Blick scheint. Eine Pipeline, die abbricht, sobald ein einzelner Schritt fehlschlägt, benötigt weiterhin einen Menschen in Reichweite. Ein System hingegen, das eine fehlgeschlagene Qualitätsprüfung erkennt und es erneut versucht, hat bereits einen Teil der Aufsicht absorbiert, die zuvor die Anwesenheit des Menschen rechtfertigte.

Die Studie definiert ihren Gegenstand wie folgt: autonome KI-Agenten, die in der Lage sind, vollständige berufliche Arbeitsabläufe statt einzelner, isolierter Aufgaben zu erledigen. Das Gewicht liegt auf dem Wort "vollständige". Die gesamte Argumentation dreht sich um die Lücke zwischen einer einzelnen Aufgabe und einem kompletten Arbeitsablauf.

Warum der Zeitpunkt genau jetzt ist #

Die Quelle führt zwei Arten von Belegen dafür an, dass diese Frage nicht hypothetisch ist. Der erste betrifft die Leistungsfähigkeit. Modelle der GPT-4-Klasse erreichten oder übertrafen die Bestehensgrenzen bei der US-Anwaltsprüfung (Bar Exam) sowie der US-amerikanischen medizinischen Zulassungsprüfung (USMLE) und kamen bis auf wenige Prozentpunkte an das Bestehen der Prüfung CFA Level I heran. Dabei handelt es sich um Zulassungsprüfungen für Berufe, die den Zugang gerade deshalb beschränken, weil die Arbeit anspruchsvoll ist.

Der zweite Beleg betrifft den praktischen Einsatz. Große Anbieter von Unternehmenstechnologie, darunter Amazon, Microsoft, Salesforce, ServiceNow und Workday, legten im Jahr 2024 in ihren Gewinnkonferenzen und Investorenpräsentationen produktive Einführungen agentischer Systeme offen, die Arbeitsabläufe im Bürobereich betreffen. Dies sind produktive Einsätze, keine Forschungsdemos, und sie wurden gegenüber Investoren verkündet, nicht gegenüber Wissenschaftlern.

Die Quelle deutet diese Offenlegungen als jene Art von Mitteilungen, die Unternehmen erst dann machen, wenn sich Einführungen bereits auf die Personalplanung auswirken. Die Quelle formuliert dies als Interpretation, nicht als Messung, und genau so sollte es auch verstanden werden. Nichts in den mir vorliegenden Unterlagen nennt direkt Zahlen zum Personalabbau. Doch der Schluss ist naheliegend: Unternehmen präsentieren eine Technologieeinführung in der Regel nicht vor Investoren, es sei denn, sie ist für die Kostenbasis relevant.

Nimmt man beides zusammen, liegt das Argument für ein neues Messinstrument klar auf der Hand. Bloße Leistungsfähigkeit allein würde das Thema noch nicht erzwingen, ebenso wenig wie ein paar Pilotprojekte. Leistungsfähigkeit, die bereits berufliche Zulassungsschwellen überschreitet, in Systemen, die sich bereits im Produktivbetrieb befinden, tut es hingegen schon.

Der ATE-Wert: Was er misst und was nicht #

Die Antwort der Studie ist der Kennwert Agentic Task Exposure. Es handelt sich um eine zusammengesetzte Metrik, die das Aufgabenverdrängungsmodell von Acemoglu und Restrepo erweitert, um die durchgängige Workflow-Abdeckung, aktuelle Leistungsbenchmarks agentischer KI und die Einführungsgeschwindigkeit in Unternehmen einzubeziehen. Der Wert misst den Grad, in dem ein Beruf o einer durchgängigen Verdrängung durch aktuelle agentische KI-Systeme ausgesetzt ist.

Drei Komponenten fließen ein: KI-Fähigkeitswerte, Faktoren zur Workflow-Abdeckung und eine logistische Einführungsgeschwindigkeit. Der Faktor zur Workflow-Abdeckung ist jenes Element, das den blinden Fleck direkt adressiert. Laut Quelle fehlte in früheren Arbeiten ein Maß dafür, ob die gesamte Workflow-Zusammensetzung eines Berufs innerhalb des operativen Rahmens agentischer KI liegt, und genau dies wird als Faktor zur Workflow-Abdeckung formalisiert. Die älteren Kennwerte fragen, ob eine einzelne Aufgabe exponiert ist. Dieser fragt, ob der gesamte Arbeitsablauf in das hineinpasst, was ein Agent leisten kann.

Zwei weitere Bausteine der Konstruktion werden näher bestimmt. Der Term wo,t steht für die nach Wichtigkeit gewichtete Relevanz von Aufgabe t in Beruf o, abgeleitet aus den O*NET-Bewertungen zur Aufgabenwichtigkeit. Und CAP(t), der Fähigkeitsterm, wird aus der Literatur zu KI-Benchmarks sowie aus Praxisberichten über reale Einsätze geschätzt. Die Aufgabenwichtigkeit stammt also aus einer standardisierten Berufsdatenbank, während die Fähigkeiten aus zwei Quellen gespeist werden: Benchmarks und Erfahrungsberichten aus der Praxis.

Die Studie legt ihre Methode offen dar, und daran sollte man sie auch messen. ATE-Werte werden algorithmisch aus O*NET-Aufgabendaten unter Verwendung kalibrierter Einführungsparameter berechnet; es handelt sich nicht um Regressionsschätzungen. Das hat praktische Konsequenzen. Eine Regressionsschätzung bringt das übliche Instrumentarium aus Standardfehlern und Identifikationsargumenten mit. Ein kalibrierter algorithmischer Gesamtindex tut das nicht, und seine Ergebnisse sind modellgestützte Projektionen, ein Begriff, den die Studie selbst für ihre Verdrängungszahlen verwendet. Sie beschreiben, was das Modell unter seinen Parametern impliziert. Sie berichten nicht darüber, was bereits eingetreten ist.

Ich würde argumentieren, dass dies eine ehrliche Einordnung ist und genau die richtige für ein Prognoseproblem, bei dem das Prognostizierte noch nicht stattgefunden hat. Ein zusammengesetzter Index aus offengelegten Eingangsgrößen lässt sich überprüfen, hinterfragen und neu kalibrieren. Wer die Einführungsgeschwindigkeit anders einschätzt, weiß genau, an welchem Regler er drehen muss.

Wo das Modell zur Anwendung kommt #

Die empirische Anwendung ist breit angelegt. Die Studie wendet das ATE-Modell auf 236 Codes der Standard Occupational Classification (SOC) an, die sechs große Berufsgruppen abdecken, und erzeugt modellgestützte Verdrängungsprojektionen für fünf große Technologieregionen der Vereinigten Staaten für den Zeitraum 2025-2030. Die fünf Regionen sind die San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark und Boston-Cambridge.

Die Studie beschreibt dies als die erste multiregionale empirische Anwendung des Modells der Aufgabenexposition, die speziell auf agentische KI-Systeme abzielt. Das ist ein Prioritätsanspruch der Autoren, den ich anhand des mir vorliegenden Materials nicht überprüfen kann. Was ich jedoch sagen kann, ist, dass das regionale Design eine vernünftige Antwort auf ein Problem darstellt, das landesweite Studien teilen: Exposition ist eine Eigenschaft von Berufen, aber Einführung ist eine Eigenschaft von Standorten und Unternehmen.

Den Ergebnissen der Quelle zufolge erreichen Kreditanalysten, Richter und Nachhaltigkeitsspezialisten ATE-Werte von 0.43-0.47. Diese Gruppierung verdient einen zweiten Blick. Ein Kreditanalyst, ein Richter und ein Nachhaltigkeitsspezialist ähneln einander weder in ihrer Ausbildung noch in ihrer Bezahlung oder ihrem Arbeitsalltag. Was sie nach Darstellung der Studie verbindet, ist ein Wert im selben Bereich. Ich würde das als Beleg gegen jede bequeme Einteilung von Berufen in "sicher" und "gefährdet" nach Branche oder vermeintlicher Kreativität lesen.

Ebenso würde ich mich dagegen verwehren, mehr in diese Zahl hineinzulesen, als die Quelle hergibt. Das mir vorliegende Material nennt die Spanne für diese drei Berufe, sagt aber nicht, wie sie im Vergleich zu den übrigen der 236 Codes abschneidet. Die Zahl zeigt also, dass diese Rollen auf der Skala der Studie erheblich exponiert sind. Sie zeigt jedoch nicht, dass sie am stärksten exponiert sind.

Die regionalen Befunde sind mit einer Einschränkung versehen, die es wert ist, wiederholt zu werden. Die Studie stellt fest, dass die Arbeitsmarkteffekte in Seattle in den Jahren 2026-2027 vorwegnehmen, was die breitere landesweite nicht-technische Erwerbsbevölkerung in den Jahren 2028-2030 erleben wird. Das ist eine Vorhersage mit einer expliziten zeitlichen Verzögerung, und sie ist vorsichtig formuliert. Sie liest sich wie eine vom Modell erzeugte Hypothese und sollte nicht als gesicherte Tatsache betrachtet werden. Aber es ist eine nützliche Art von Behauptung, weil sie präzise genug ist, um widerlegt werden zu können. Wenn sich das frühe Muster aus Seattle bis 2028 nicht auf die landesweite nicht-technische Erwerbsbevölkerung überträgt, hat das Modell ein Problem, das sich nicht einfach wegerklären lässt.

Die Seite der Wiedereingliederung in der Bilanz #

Ein Verdrängungswert allein erzählt nur die halbe Geschichte von Acemoglu und Restrepo. In ihrem Modell hängt die Lohnquote davon ab, ob die Schaffung neuer Aufgaben die Verdrängung übertrifft. Eine Arbeit, die dieses Modell erweitert und lediglich die Verdrängung misst, hätte genau jenen Teil aufgegeben, der dem Modell seine innere Spannung verleiht.

Diese Studie tut das nicht. Sie identifiziert Berufskategorien, in denen agentische KI Wiedereingliederungseffekte erzeugt: Neue Rollen, die vor dem Einsatz von Agenten nicht existierten, schaffen in großem Maßstab Nachfrage nach menschlicher Aufsicht, Governance und Zusammenarbeit. Insgesamt identifiziert sie siebzehn entstehende Berufskategorien, die von Wiedereingliederungseffekten profitieren. Sie konzentrieren sich auf Rollen in der Mensch-KI-Zusammenarbeit, der KI-Governance und dem domänenspezifischen KI-Betrieb.

Der Mechanismus ist leicht nachvollziehbar. Wenn Agenten Arbeitsabläufe von Anfang bis Ende durchführen, muss sie jemand überwachen, die Regeln festlegen, unter denen sie laufen, und mit ihnen zusammenarbeiten. Dieser Bedarf existierte zuvor nicht in Form eigener Stellen, weil es noch nichts zu überwachen gab.

Die Quelle verrät nicht, wie viele Menschen diese siebzehn Kategorien beschäftigen würden oder ob ihr Wachstum die durch die ATE-Werte implizierte Verdrängung ausgleichen würde. Die Daten, auf die ich mich stützen kann, lassen die zentrale Frage also offen: ob die Wiedereingliederung die Verdrängung übertrifft. Jeder, der mit Gewissheit schreibt, dass sie es tut oder dass sie es nicht tut, geht über die gesicherten Aussagen hinaus. Der Beitrag der Studie besteht darin, beide Seiten der Bilanz in denselben Analyserahmen zu stellen und zu benennen, wo die neuen Rollen entstehen.

Was man daraus mitnehmen sollte #

Es gibt eine methodische und eine praktische Lehre.

Die methodische Lehre lautet, dass die Analyseeinheit über die Antwort entscheidet. Der Sprung von 47 % auf 9-14 % resultierte aus dem Wechsel von Berufen zu Aufgaben. Die Studie argumentiert, dass nun ein weiterer Schritt notwendig ist, von Aufgaben zu Arbeitsabläufen, weil das, was automatisiert wird, keine einzelne Aufgabe mehr ist. Jedes Mal, wenn sich die Einheit verschob, änderten sich die Schätzungen, und die Geschichte des Fachgebiets legt nahe, dass die Wahl der Einheit ebenso viel kritische Prüfung verdient wie die Wahl der Daten.

Die praktische Lehre richtet sich an alle, die für die nächsten fünf Jahre Personalbestände, Schulungen oder Produkte planen. Ein Wert, der besagt, dass 80 % der Aufgaben einer Rolle exponiert sind, reicht nicht aus, weil er nicht verrät, ob die verbleibenden 20 % einen dauerhaften menschlichen Kern bilden oder bloß den Kitt darstellen, den nun das Planungsmodul eines Agenten liefern kann. Der Faktor zur Workflow-Abdeckung existiert genau deshalb, um diese Frage direkt zu stellen.

Der ATE-Wert ist ein zusammengesetzter Index mit kalibrierten Parametern, und seine Projektionen sind modellgestützt. Sie sind ein strukturiertes Argument über den Zeitraum 2025-2030, kein Protokoll davon. Das ist ein Grund, sie zu testen, statt sie zu ignorieren. Die Seattle-Hypothese bietet einen frühen Test: Wenn die dortigen Effekte in den Jahren 2026-2027 so aussehen, wie es das Modell nahelegt, wird die zeitverzögerte Übertragung auf die landesweite nicht-technische Erwerbsbevölkerung in den Jahren 2028-2030 zum nächsten Punkt, den man beobachten muss. Und die siebzehn Wiedereingliederungskategorien werfen jene Frage auf, die die vorliegenden Aussagen nicht klären können: ob die zur Überwachung von Agenten geschaffenen Rollen in einer Größenordnung entstehen werden, die für die Lohnquote ins Gewicht fällt.

Häufig gestellte Fragen #

Warum unterschätzen frühere Modelle zur Aufgabenexposition die Auswirkungen agentischer KI?

Frühere Modelle in der Tradition von Autor, Levy und Murnane gehen davon aus, dass Automatisierung einzelne Aufgaben herauslöst, während der Beruf als menschliche Koordinationshülle erhalten bleibt. Agentische KI-Systeme übernehmen jedoch Planung, Werkzeugaufrufe, Zustandsverwaltung und Zwischenprüfungen der Qualität, wofür zuvor ein menschlicher Koordinator erforderlich war, und setzen damit ganze Arbeitsabläufe statt isolierter Aufgaben der Automatisierung aus.

Wie wird der Wert für Agentic Task Exposure (ATE) berechnet?

ATE ist ein algorithmischer Gesamtindex, der aus O*NET-Bewertungen zur Aufgabenwichtigkeit (wo,t), KI-Leistungsbenchmarks und Praxisberichten über Einsätze (CAP(t)), einem Faktor zur Workflow-Abdeckung - der misst, ob der gesamte Arbeitsablauf eines Berufs in den operativen Rahmen eines Agenten passt - sowie kalibrierten logistischen Parametern zur Einführungsgeschwindigkeit über 236 SOC-Codes hinweg gebildet wird.

Was stellt die Studie hinsichtlich der Schaffung neuer Arbeitsplätze (Wiedereingliederungseffekte) fest?

In Erweiterung des Wiedereingliederungskanals von Acemoglu und Restrepo identifiziert die Studie siebzehn entstehende Berufskategorien mit Schwerpunkt auf Mensch-KI-Zusammenarbeit, KI-Governance und domänenspezifischem KI-Betrieb. Ob das Wachstum in diesen Kategorien die Verdrängung auf Workflow-Ebene ausgleicht, bleibt eine offene empirische Frage.

Referenzen #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

Zuletzt überprüft 2026-11-01.

Diesen Artikel republizieren

Agentische KI bricht die Grundannahme hinter jeder Prognose zur Aufgabenexposition — Sebastien Rousseau

Modelle zur Aufgabenexposition behandeln einen Beruf als Hülle, die um das herum fortbesteht, was Menschen noch tun. Agentische Systeme verfolgen ein Ziel und liefern ein fertiges Arbeitsergebnis...

Dieser Artikel ist lizenziert unter Creative Commons Attribution 4.0 International. Eine Republikation erfordert Attribution zur kanonischen URL.

Agentische KI bricht die Grundannahme hinter jeder Prognose zur Aufgabenexposition — Sebastien Rousseau

Modelle zur Aufgabenexposition behandeln einen Beruf als Hülle, die um das herum fortbesteht, was Menschen noch tun. Agentische Systeme verfolgen ein Ziel und liefern ein fertiges Arbeitsergebnis...

Originally published at https://sebastienrousseau.com/de/2026-10-25-agentische-ki-bricht-grundannahme-hinter-jeder/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER