Während KI-Prognosen die Schlagzeilen dominieren, fehlt der Debatte um Jobverluste und Automatisierung das Entscheidende: belastbare, aufgabenbezogene Echtzeitdaten. MIT-Forscher zeigen, warum der Blick auf konkrete Tätigkeiten – nicht auf Berufsbezeichnungen – alles verändern würde.
KI und Arbeitsmarkt: MIT-Forscher fordern bessere Datenbasis für fundierte Prognosen
Die Debatte über den Einfluss von KI auf Beschäftigung wird bislang von Hochrechnungen und Modellschätzungen dominiert – belastbare Echtzeitdaten fehlen weitgehend. Forscher des Massachusetts Institute of Technology (MIT) argumentieren, dass eine bestimmte Datenkategorie die Diskussion auf eine sachlichere Grundlage stellen könnte: detaillierte Aufzeichnungen darüber, welche konkreten Aufgaben Beschäftigte tatsächlich ausführen – nicht nur, welchen Berufsbezeichnungen sie zugeordnet sind.
Das Problem mit bisherigen Methoden
Viele Studien zur KI-Arbeitsmarktforschung stützen sich auf Berufsklassifikationen und Tätigkeitsprofile, die von Statistikbehörden in mehrjährigen Abständen erhoben werden. Diese Daten bilden die Realität moderner Arbeitsumgebungen nur unzureichend ab.
Ein Softwareentwickler etwa kann heute je nach Unternehmen und Einsatzgebiet völlig unterschiedliche Aufgaben übernehmen – von Code-Reviews über Kundengespräche bis hin zu strategischer Produktplanung. Ob und in welchem Umfang KI-Systeme einzelne dieser Tätigkeiten übernehmen können, lässt sich aus der Berufsbezeichnung allein nicht ableiten.
Statt auf aggregierte Berufskategorien zu setzen, plädieren die MIT-Forscher für granulare, aufgabenbezogene Datenerhebungen auf Unternehmens- und Individualebene – nur so lasse sich messen, welche spezifischen Tätigkeiten durch KI-Systeme tatsächlich verändert, ersetzt oder neu gestaltet werden.
Automatisierung trifft Aufgaben, nicht Berufe
Die konzeptionelle Verschiebung vom Beruf zur Aufgabe ist dabei nicht neu – Ökonomen wie Daron Acemoglu und David Autor haben diesen Rahmen bereits vor Jahren entwickelt. Die MIT-Analyse schärft jedoch den Fokus:
Während frühere Automatisierungswellen vor allem routinierte, manuelle oder klar strukturierte kognitive Tätigkeiten betrafen, adressieren Large Language Models zunehmend auch komplexere Aufgaben wie das Verfassen von Texten, die Analyse von Dokumenten oder die Strukturierung von Informationen.
Das bedeutet konkret:
- Berufe, die als „KI-sicher” galten, können einen erheblichen Anteil automatisierbarer Einzelaufgaben enthalten.
- Vermeintlich gefährdete Berufe können gleichzeitig Tätigkeitsanteile aufweisen, die KI-Systeme nicht sinnvoll ersetzen können.
Datenlücke als politisches und unternehmerisches Problem
Die Konsequenz dieser Datenlücke betrifft nicht nur die Forschung. Unternehmen, die Personalplanung auf Basis grober Branchenprognosen betreiben, riskieren Fehlentscheidungen – sowohl in Richtung übertriebenen Stellenabbaus als auch unzureichender Qualifizierungsinvestitionen.
„Pauschale Szenarien – ‚KI gefährdet X Prozent aller Jobs’ – bieten wenig Orientierung für konkrete Personalentscheidungen.”
Das MIT schlägt vor, dass Unternehmen und Statistikbehörden systematisch beginnen sollten, tätigkeitsbezogene Daten zu erfassen – idealerweise in standardisierter Form, um Vergleichbarkeit herzustellen. Einige große Technologieunternehmen erheben solche Daten intern bereits, stellen sie jedoch nicht öffentlich zur Verfügung.
Einordnung für deutsche Unternehmen
Für deutsche Unternehmen ist die Botschaft pragmatisch: Wer die tatsächlichen Auswirkungen von KI auf die eigene Belegschaft verstehen will, kommt nicht umhin, zunächst die eigene Tätigkeitsstruktur zu kennen.
Eine interne Aufgabenanalyse, die erfasst, welche Tätigkeiten in welchem Umfang anfallen und welche davon durch verfügbare KI-Tools unterstützt oder substituiert werden könnten, dürfte belastbarere Grundlagen liefern als externe Studien.
Gerade vor dem Hintergrund des deutschen Fachkräftemangels könnte eine solche Analyse auch Potenziale für produktivitätssteigernde Mensch-KI-Kooperationen sichtbar machen – anstatt Stellenabbau in den Vordergrund zu stellen.
Quelle: MIT Tech Review – „The one piece of data that could actually shed light on your job and AI”
