Wie sind diese Zahlen entstanden?

Vollständige Transparenz über die Daten, das Modell und die Einschränkungen. Der Datensatz ist frei verwendbar unter Creative Commons BY 4.0 — mit Quellenangabe.

Kurzfassung

98 Berufsgruppen basierend auf KldB 2010. Jede Berufsgruppe bewertet nach KI-Exposition (0–10) mit der JPE-Methodik. Prognose 2030 über ein parametrisches Modell: Beschäftigungsmomentum + KI-Druck, kalibriert für den deutschen Arbeitsmarkt (Kurzarbeit, Betriebsräte, Kündigungsschutz). Kreuzvalidiert mit Felten AIOE (r = 0,87 auf NL-Daten). Alle Daten unter CC BY 4.0.

Abdeckung und Umfang

Die Karte umfasst 98 Berufsgruppen basierend auf der Klassifikation der Berufe (KldB 2010) der Bundesagentur für Arbeit, gemappt auf ISCO-08. Zusammen repräsentieren diese Berufe rund 29.3 Millionen Beschäftigte — den Großteil des deutschen Arbeitsmarktes (Destatis: 45,9 Mio. Erwerbstätige 2025).

Die Berufe verteilen sich auf 20 Sektoren. Der gewichtete Durchschnitt der KI-Exposition liegt bei 5.0/10.27 Berufe scoren ≥ 7 (hohe bis sehr hohe Exposition).

Scoringsrubric: KI-Exposition (0–10)

Die KI-Expositionsbewertung gibt an, welcher Anteil der Kernaufgaben eines Berufs technisch durch aktuelle KI-Systeme automatisierbar ist (LLMs, Computer Vision, Robotik, agentische KI). Es ist ein Maß für technische Exposition, nicht für tatsächliche Verdrängung.

0–2
Gering

Kaum Aufgaben automatisierbar. Physische, unstrukturierte oder tiefmenschliche Arbeit. Beispiele: Altenpfleger, Bauarbeiter, Feuerwehrleute.

3–4
Begrenzt

Unterstützende Aufgaben gefährdet (Administration, Berichtswesen), aber Kernaufgaben erfordern menschliches Urteil oder physische Präsenz. Beispiele: Lehrkräfte, Polizisten, Ärzte.

5–6
Mittel

Wesentlicher Teil der Aufgaben durch KI beeinflussbar. Routinearbeit wird automatisiert, Strategie und Kreativität bleiben. Beispiele: Ingenieure, Personalmanager, Architekten.

7–8
Hoch

Kernaufgaben sind direkt exponiert. KI kann den Großteil dieser Arbeit technisch übernehmen. Beispiele: Buchhalter, Marketingfachleute, Kundenservice.

9–10
Sehr hoch

Nahezu vollständige Aufgabenautomatisierung ist technisch möglich. Beispiele: Softwareentwickler, Data Scientists (Code-Generierung, Datenanalyse).

Hoher KI-Score ≠ Jobverlust

Softwareentwickler scoren 9/10 bei KI-Exposition, verzeichnen aber +35% Beschäftigungswachstum (2015–2025). Die Nachfrage nach Software wächst schneller als KI die Produktivität steigert. Umgekehrt schrumpfen manche Handwerksberufe nicht durch KI, sondern durch demografischen Wandel und Strukturveränderungen. Der Score misst technische Exposition, nicht Arbeitsplatzsicherheit.

Prognosemodell 2030

Das Modell beantwortet die Frage: Wenn sich der aktuelle Trend fortsetzt und KI-Automatisierung zunimmt, wie viele Arbeitsplätze gibt es dann 2030?

Es kombiniert zwei Kräfte: Momentum (wie hat sich der Beruf in den letzten Jahren entwickelt?) und KI-Disruption (wie stark drückt Automatisierung auf diesen Beruf?).

Ein Dämpfungsfaktor von 0,6 wird angewandt — niedriger als NL (0,7) und US (0,7), weil Kurzarbeit, Betriebsräte und Kündigungsschutz Arbeitsmarkttransitionen in Deutschland verlangsamen.

Die Formel in fünf Schritten

Schritt 1Berechne das aktuelle Momentum
(Index 2025 − Index 2023) × 0,6

Wie hat sich der Beruf in den letzten zwei Jahren entwickelt? Der Index ist relativ (2015 = 100). Das Ergebnis wird mit Faktor 0,6 gedämpft, weil Trends sich abschwächen.

Schritt 2Bestimme den KI-Disruptionsdruck
KI ≥ 9 → −6 | KI 7–8 → −4 | KI 5–6 → −2 | KI 3–4 → 0 | KI 0–2 → +1

Die Druckwerte sind Designentscheidungen, keine empirischen Messungen. Bei KI 9–10 ist nahezu das gesamte Aufgabenpaket automatisierbar (starker Abwärtsdruck). Bei KI 0–2 verstärkt KI die Arbeit eher (leicht positiver Nachfrageeffekt).

Schritt 3Berechne die erwartete Veränderung
RUNDEN((Momentum + KI-Druck) × 2,5)

Momentum und KI-Druck werden addiert und 2,5 Perioden voraus projiziert (5 Jahre = 2,5 × eine 2-Jahres-Periode). Das Ergebnis ist die erwartete Veränderung in Indexpunkten.

Schritt 4Berechne den Prognose-Index
MAX(25, MIN(350, Index 2025 + Veränderung))

Die Veränderung wird zum aktuellen Index addiert. Das Ergebnis wird begrenzt: minimal 25 (Beruf verschwindet nicht vollständig) und maximal 350 (unrealistisches Wachstum vermeiden).

Schritt 5Umrechnung in Prozent
RUNDEN((Index 2030 − Index 2025) / Index 2025 × 100)

Die Indexveränderung wird in einen Prozentsatz umgerechnet. Für Berufe mit einem Index nahe 100 macht dies wenig Unterschied, aber bei stark gewachsenen oder geschrumpften Berufen ist die Korrektur erheblich.

Wichtig: Modellannahmen

  • KI-Druckwerte (−6, −4, −2, 0, +1) sind Designentscheidungen, keine empirischen Messungen.
  • Der Dämpfungsfaktor (0,6) ist nicht gegen historische Daten gebacktestet. Er ist eine konservative Annahme.
  • JPE-Scores sind LLM-geschätzt und speisen direkt das Prognosemodell. Kreuzvalidierung mit Felten AIOE begrenzt, eliminiert dieses Risiko aber nicht.
  • Prognosen sind richtungsweisende Szenarien, keine Vorhersagen.

Beispielberechnung: Softwareentwickler/innen

Index 202312828% mehr Beschäftigte als 2015 (Basis = 100)
Index 2025135+35% Wachstum seit 2015
Schritt 1: Momentum(135 − 128) × 0,6 = 4,2Starkes Wachstum, gedämpft
Schritt 2: KI-DruckKI-Score 9 → −6Höchste Exposition: starker Abwärtsdruck
Schritt 3: VeränderungRUNDEN((4,2 + −6) × 2,5) = −5Leichter Netto-Rückgang in Indexpunkten
Schritt 4: Prognose 2030135 + (−5) = 130Leichter Rückgang vom Allzeithoch
Schritt 5: Prozent(130 − 135) / 135 × 100 = −4%Prozentualer Rückgang gegenüber 2025

Beispielberechnung: Bürokaufleute

Index 202392Bereits 8% weniger als 2015
Index 202594Leichte Erholung, aber unter Basisniveau
Schritt 1: Momentum(94 − 92) × 0,6 = 1,2Schwaches positives Momentum
Schritt 2: KI-DruckKI-Score 8 → −4Hohe Exposition: starker Druck
Schritt 3: VeränderungRUNDEN((1,2 + −4) × 2,5) = −7KI-Druck dominiert das schwache Momentum
Schritt 4: Prognose 203094 + (−7) = 8713% unter dem Niveau von 2015
Schritt 5: Prozent(87 − 94) / 94 × 100 = −7%Moderater Rückgang gegenüber 2025

Datenquellen pro Datenpunkt

BerufsklassifikationAmtlichKlassifikation der Berufe (KldB 2010), Bundesagentur für Arbeit
BeschäftigtenzahlenDestatis-basiertMikrozensus 2024, Erwerbstätigenrechnung (Statistisches Bundesamt)
KI-ExpositionModellschätzungLLM-geschätzt mit JPE-Methodik, kreuzvalidiert mit Felten AIOE (r = 0,87 auf NL-Daten)
MediangehaltBA-basiertEntgeltatlas 2024 der Bundesagentur für Arbeit (Brutto-Medianjahresgehalt)
BeschäftigungsentwicklungIAB-basiertIAB / Bundesagentur für Arbeit, Beschäftigungsstatistik 2015–2025
ISCO-MappingAmtlichKldB 2010 → ISCO-08 Crosswalk (Bundesagentur / ILO)
Prognose 2030ModellberechnungParametrisches Modell: gedämpftes Momentum (0,6) + KI-Disruption. Range-Output.
Rationale pro BerufModellschätzungLLM-generiert (englischsprachig, gleiche Methodik wie NL/US)
KI-Tools pro BerufRedaktionellLLM-generiert basierend auf aktuellem Markt (DATEV, SAP, Siemens etc.)

Validierung: JPE vs. Felten AIOE

Die zentrale Frage bei jedem neuen Index: Stimmen die Scores? Die JPE-Scores wurden auf niederländischen Daten gegen den Felten AIOE validiert — das meistzitierte akademische Referenzframework für KI-Exposition von Berufen (Felten, Raj & Seamans, 2023).

Ergebnis: Pearson r = 0,87, Spearman ρ = 0,90 über 103 niederländische Berufsgruppen. Da die deutschen Scores mit derselben Methodik generiert werden und über ISCO-08 gemappt sind, gelten die Validierungsergebnisse als übertragbar.

Der Kernunterschied

Felten misst „Kann KI diese Aufgabe?“ (theoretische Kapazität). JPE misst „Verändert KI diese Arbeit tatsächlich?“ (praktische Disruption). Die Abweichungen sitzen genau dort, wo man sie erwartet: Bildung, Pflege und Rechtsprechung — Berufe, bei denen die Technologie vorhanden ist, aber Regulierung, Ethik oder Fachkräftemangel die Adoption bremsen.

Deutschland-spezifische Faktoren

Das Prognosemodell verwendet für Deutschland einen niedrigeren Dämpfungsfaktor (0,6) als für die Niederlande und die USA (jeweils 0,7). Ebenso sind die KI-Druckwerte moderater. Die Begründung:

  • Kurzarbeit: Ermöglicht Unternehmen, Arbeitskräfte zu halten statt zu entlassen — verlangsamt strukturelle Anpassungen.
  • Betriebsräte: Mitbestimmung ab 5 Mitarbeitern — technologische Veränderungen müssen verhandelt werden.
  • Kündigungsschutz: Stärker als in den USA/UK — Rollenveränderungen erfolgen gradueller.
  • Duale Berufsausbildung: Hohe Facharbeiterdichte schafft Widerstandsfähigkeit in Handwerk und Produktion.
  • Fachkräftemangel: In Pflege, IT und Handwerk ist der Mangel so groß, dass KI-Verdrängung unwahrscheinlich ist.
  • EU AI Act: Hochrisiko-Einstufung für Recruiting, Gesundheitswesen und Bildung — bremst KI-Adoption in regulierten Bereichen.

Einschränkungen

  • KI-Scores sind LLM-geschätzt, nicht empirisch gemessen. Trotz Kreuzvalidierung (r = 0,87) können einzelne Scores um 1–2 Punkte abweichen.
  • Beschäftigungsdaten basieren auf dem Mikrozensus 2024 — Selbstständige und geringfügig Beschäftigte sind möglicherweise unterrepräsentiert.
  • Das Prognosemodell extrapoliert aktuelle Trends und kann externe Schocks (Pandemie, Regulierung, geopolitische Ereignisse) nicht vorhersagen.
  • Die Karte deckt den Großteil, aber nicht die Gesamtheit des deutschen Arbeitsmarktes ab. Spezialisierte oder seltene Berufe fehlen.
  • Gehaltsdaten aus dem Entgeltatlas sind Median-Bruttojahresgehälter. Bei Berufen mit hohem Teilzeitanteil liegt der Wert unter dem Vollzeitäquivalent.
  • Die historischen Indizes sind synthetisch generiert aus IAB-Wachstumsdaten (nicht beobachtete CBS-Zeitreihen wie bei NL).

Quellenverweise

  • Felten, E., Raj, M. & Seamans, R. (2023). Occupational Heterogeneity in Exposure to Generative AI. SSRN Working Paper.
  • Bundesagentur für Arbeit (2010). Klassifikation der Berufe 2010 — Band 1: Systematischer und alphabetischer Teil.
  • Statistisches Bundesamt (2025). Erwerbstätige nach Berufsgruppen — Mikrozensus 2024.
  • Bundesagentur für Arbeit (2024). Entgeltatlas — Medianentgelt nach Berufen.
  • IAB — Institut für Arbeitsmarkt- und Berufsforschung (2025). Beschäftigungsstatistik 2015–2025.
  • Georgieff, A. & Hyee, R. (2021). Artificial intelligence and employment. OECD Social, Employment and Migration Working Papers, No. 265.
  • Europäische Kommission (2024). AI Act — Verordnung über Künstliche Intelligenz.

Lizenz und Zitierweise

Alle Daten sind unter Creative Commons BY 4.0 lizenziert. Zitiervorschlag:

Janssen, S. (2026). KI-Expositionskarte Deutschland: 98 Berufsgruppen, KI-Exposition und Prognose 2030. simondjanssen.nl/de/ki-karte

Vergleich mit anderen Ländern

🇳🇱 NL Methodik🇺🇸 US Methodology

Von Simon Janssen, CTO bei HappyNurse.