Kennzahl Observed Exposure: Wie sich der reale Einfluss von KI auf den Arbeitsmarkt messen lässt

vor 4 Wochen

Künstliche Intelligenz wird häufig anhand ihrer technischen Möglichkeiten bewertet, denn viele Studien untersuchen vor allem, welche Aufgaben theoretisch von grossen Sprachmodellen übernommen oder zumindest deutlich beschleunigt werden könnten. Zwischen dieser technischen Machbarkeit und der tatsächlichen Nutzung in Unternehmen besteht jedoch häufig eine erhebliche Lücke. Genau an diesem Punkt setzt die Kennzahl Observed Exposure an, die in der Studie Labor market impacts of AI: A new measure and early evidence von Anthropic eingeführt wurde, um den tatsächlichen Einfluss von KI auf Arbeit systematisch messbar zu machen.

Warum neue Messmethoden notwendig sind

Viele Analysen zum Einfluss von KI auf den Arbeitsmarkt basieren auf der grundlegenden Frage, ob ein KI System eine bestimmte Aufgabe grundsätzlich erledigen könnte. Solche Untersuchungen konzentrieren sich daher vor allem auf das theoretische Potenzial neuer Technologien.

In der Realität entscheidet jedoch nicht allein die technische Fähigkeit darüber, ob eine Aufgabe automatisiert oder durch KI unterstützt wird. In Unternehmen spielen zahlreiche weitere Faktoren eine Rolle, beispielsweise organisatorische Abläufe, rechtliche Rahmenbedingungen, vorhandene Softwarelandschaften oder auch Fragen der Verantwortung und Kontrolle. Selbst wenn eine Aufgabe technisch automatisierbar wäre, bedeutet dies daher nicht automatisch, dass sie tatsächlich von KI übernommen wird.

Die Studie verfolgt deshalb einen anderen Ansatz und verschiebt den Fokus von rein theoretischen Fähigkeiten hin zur tatsächlichen Nutzung von KI innerhalb realer Arbeitsprozesse.

Was Observed Exposure misst

Observed Exposure beschreibt, in welchem Umfang KI tatsächlich Aufgaben innerhalb eines Berufs beeinflusst, indem sie diese entweder unterstützt oder vollständig übernimmt. Um diese Kennzahl zu berechnen, kombiniert die Studie mehrere unterschiedliche Datenquellen miteinander.

Zunächst werden frühere Forschungsergebnisse berücksichtigt, die untersuchen, bei welchen Aufgaben grosse Sprachmodelle grundsätzlich in der Lage sind, Arbeit deutlich zu beschleunigen. Zusätzlich fliessen anonymisierte Nutzungsdaten aus professionellen Anwendungen des KI Systems Claude in die Analyse ein. Darüber hinaus werden Daten aus der O*NET Datenbank des US-Arbeitsministeriums verwendet, welche rund achthundert Berufe detailliert in einzelne Aufgaben und Tätigkeiten aufschlüsselt.

Durch die Kombination dieser drei Perspektiven entsteht ein deutlich realitätsnäheres Bild davon, welche Aufgaben in verschiedenen Berufen tatsächlich von KI beeinflusst werden.

Die mathematische Formel hinter der Kennzahl Observed Exposure

Die Kennzahl basiert auf der Annahme, dass ein Beruf aus einer Vielzahl einzelner Aufgaben besteht, die unterschiedlich viel Zeit beanspruchen und unterschiedlich stark von KI beeinflusst werden können. Die Observed Exposure eines Berufs ergibt sich deshalb aus einer gewichteten Summe über alle Aufgaben, die typischerweise zu diesem Beruf gehören.

$O E_{j} = \sum_{t \in T_{j}} w_{t} \cdot c_{t}$

Dabei bedeuten die einzelnen Elemente:

$O E_{j}$ ist die Observed Exposure des Berufs j
$T_{j}$ ist die Menge aller Aufgaben (Tasks), die zum Beruf j gehören
$w_{t}$ ist der Zeitanteil oder die Gewichtung der Aufgabe t innerhalb dieses Berufs
$c_{t}$ ist der KI-Expositionswert dieser Aufgabe, also wie stark diese Aufgabe durch KI unterstützt oder automatisiert wird

Durch die Multiplikation von Zeitanteil und Expositionswert wird jede Aufgabe entsprechend ihrer Bedeutung für den Beruf gewichtet. Anschliessend werden die Werte über alle Aufgaben summiert, sodass sich eine Kennzahl ergibt, die beschreibt, welcher Anteil der typischen Arbeit eines Berufs derzeit durch KI beeinflusst wird.

Die Lücke zwischen Potenzial und Realität

Ein besonders interessantes Ergebnis der Studie besteht darin, dass zwischen dem technischen Potenzial von KI und ihrer tatsächlichen Nutzung eine deutliche Diskrepanz besteht. Viele Aufgaben könnten theoretisch bereits heute durch KI unterstützt oder teilweise automatisiert werden, doch in der Praxis wird dieses Potenzial bislang nur in begrenztem Umfang genutzt.

Selbst in Berufen mit stark digitaler Arbeitsweise bleibt der reale Einsatz von KI deutlich hinter den technischen Möglichkeiten zurück. Die Studie zeigt damit sehr deutlich, dass sich technologische Innovationen häufig wesentlich schneller entwickeln als ihre praktische Umsetzung innerhalb von Organisationen.

Welche Berufe derzeit besonders exponiert sind

Die Analyse zeigt ausserdem, dass eine besonders hohe Observed Exposure vor allem in Berufen auftritt, in denen ein grosser Teil der Arbeit aus textbasierter Informationsverarbeitung besteht. Dazu gehören beispielsweise Tätigkeiten in der Softwareentwicklung, im Kundenservice oder in der Datenerfassung.

In diesen Bereichen lassen sich viele Aufgaben direkt durch KI unterstützen, da sie stark digital strukturiert sind und häufig auf der Verarbeitung von Text, Informationen oder Daten beruhen. Demgegenüber weisen Berufe mit einem hohen Anteil an physischer Arbeit oder komplexen manuellen Tätigkeiten derzeit eine deutlich geringere Exposition gegenüber KI auf.

Warum die Kennzahl Observed Exposure wichtig ist

Die Kennzahl liefert nicht nur eine Momentaufnahme der aktuellen KI Nutzung, sondern kann auch als Frühindikator für Veränderungen im Arbeitsmarkt dienen. Wenn der Anteil automatisierter oder durch KI unterstützter Aufgaben in bestimmten Berufen kontinuierlich steigt, können sich daraus langfristig Veränderungen in Qualifikationsanforderungen, Tätigkeitsprofilen und Beschäftigungsstrukturen ergeben.

Gleichzeitig zeigt die Studie, dass sich diese Veränderungen bisher nur begrenzt in klassischen Arbeitsmarktindikatoren wie Arbeitslosigkeit oder Beschäftigungsquoten widerspiegeln. Observed Exposure ermöglicht daher eine frühere Beobachtung struktureller Veränderungen, die in offiziellen Statistiken häufig erst mit zeitlicher Verzögerung sichtbar werden.

Grenzen und kritische Aspekte der Kennzahl

Trotz ihres innovativen Ansatzes ist auch die Kennzahl Observed Exposure nicht frei von Einschränkungen. Wie bei vielen quantitativen Messmethoden hängen die Ergebnisse stark von den zugrunde liegenden methodischen Annahmen ab. Insbesondere Gewichtungen einzelner Aufgaben sowie definierte Schwellenwerte für die Klassifikation von KI Einfluss können die resultierenden Werte deutlich beeinflussen. Unterschiedliche Annahmen würden daher möglicherweise zu anderen Ergebnissen führen.

Ein weiterer wichtiger Punkt betrifft die Interpretation niedriger Expositionswerte. Eine geringe beobachtete Nutzung von KI bedeutet nicht zwangsläufig, dass eine Aufgabe technisch nicht automatisierbar wäre. Häufig spielen organisatorische, regulatorische oder rechtliche Rahmenbedingungen eine entscheidende Rolle. Unternehmen müssen neue Technologien zunächst in bestehende Prozesse integrieren, Verantwortlichkeiten klären und mögliche Risiken berücksichtigen, bevor sie KI tatsächlich im Arbeitsalltag einsetzen. Nebst den offensichtlichen Arbeiten und Prozessen, dürfen die Tätigkeiten im Hintergrund nicht vergessen werden. Tätigkeiten, die nötig sind, jedoch nicht offensichtlich registriert werden.

Hinzu kommt, dass die zugrunde liegenden Daten auf beobachteter Nutzung basieren und damit nicht alle möglichen KI Anwendungen erfassen können. Viele Unternehmen nutzen interne Systeme oder experimentieren mit Technologien, deren Nutzung in öffentlich verfügbaren Daten nicht sichtbar wird. Die gemessene Exposition bildet daher nur den Teil der KI Nutzung ab, der tatsächlich beobachtbar ist.

Schliesslich können plattformspezifische Nutzungsdaten strukturelle Verzerrungen enthalten. Wenn die Analyse auf Interaktionen mit bestimmten KI Systemen basiert, spiegelt sie vor allem die Nutzung innerhalb dieser Plattformen wider. Andere Tools, proprietäre Lösungen oder spezialisierte Anwendungen können dadurch unterrepräsentiert bleiben.

Diese Einschränkungen bedeuten jedoch nicht, dass Observed Exposure wenig aussagekräftig ist. Vielmehr zeigen sie, dass die Kennzahl als ein erster empirischer Ansatz verstanden werden sollte, der neue Perspektiven auf die tatsächliche Nutzung von KI im Arbeitsalltag eröffnet und zukünftige Forschung weiter verfeinern kann.

Fazit

Observed Exposure stellt einen wichtigen Schritt dar, um die Auswirkungen von KI auf Arbeit realistischer zu bewerten. Anstatt sich ausschliesslich auf theoretische Möglichkeiten zu konzentrieren, verbindet die Kennzahl technisches Potenzial mit real beobachteter Nutzung in der Praxis. Dadurch entsteht ein differenzierteres Bild der aktuellen Entwicklung. Denn KI beeinflusst bereits heute zahlreiche Aufgaben, während ihr tatsächlicher Einsatz noch deutlich unter dem technisch möglichen Niveau liegt.

Für Unternehmen, Politik und Forschung bietet dieser Ansatz eine wertvolle Grundlage, um den Wandel der Arbeitswelt genauer zu beobachten und zukünftige Entwicklungen besser einschätzen zu können.