Das Unternehmen Anthropic hat mit seinem neuen Bericht zu den Arbeitsmarktwirkungen von künstlicher Intelligenz einen Punkt präzisiert, der in der öffentlichen Debatte häufig verwischt wird. Der gegenwärtige Stand der technologischen Entwicklung spricht weder für einen unmittelbar bevorstehenden flächendeckenden Abbau von Arbeitsplätzen noch für die beruhigende These einer vorerst marginalen ökonomischen Wirkung künstlicher Intelligenz. Sichtbar wird vielmehr eine strukturelle Differenz zwischen der theoretischen Leistungsfähigkeit großer Sprachmodelle und der tatsächlichen produktiven Nutzung dieser Systeme in den organisatorischen Strukturen der Unternehmen. 

Gerade diese Differenz besitzt eine strategische Bedeutung. Sie markiert die Übergangsphase zwischen der technischen Möglichkeit einer neuen Technologie und ihrer organisatorischen Umsetzung in den betrieblichen Wertschöpfungsprozessen. In dieser Phase entscheidet sich nicht nur, welche Tätigkeiten sich verändern, sondern vor allem, welche Geschäftsmodelle, Organisationsformen und Qualifikationsprofile unter den Bedingungen künstlicher Intelligenz langfristig tragfähig bleiben.

Der Bericht führt mit der sogenannten beobachteten Exposition ein neues analytisches Maß ein, das sich deutlich von früheren, rein theoretischen Expositionsmaßen unterscheidet.

Dieses Maß verbindet drei Ebenen:

• die Aufgabenstruktur einzelner Berufe gemäß der O*NET-Datenbank,
• die theoretische Beschleunigbarkeit dieser Aufgaben durch große Sprachmodelle sowie
• die tatsächliche berufsbezogene Nutzung solcher Systeme in den Daten des Anthropic Economic Index.

Besonders stark gewichtet werden dabei automatisierte und arbeitsbezogene Anwendungen, während unterstützende Nutzungsformen ein geringeres Gewicht erhalten.

Damit verschiebt sich der analytische Blick von der abstrakten Möglichkeit technologischer Leistungsfähigkeit zur realen organisatorischen Einführung dieser Systeme. Genau darin liegt der methodische Fortschritt des Berichts. Nicht alles, was technisch möglich wäre, hat bereits Eingang in die betrieblichen Organisationsstrukturen gefunden.

Besonders deutlich zeigt sich diese Differenz innerhalb der Berufsgruppe der Computer and Mathematical Occupations. In diesem Bereich liegt die theoretische Aufgabenabdeckung durch große Sprachmodelle bei rund 94 Prozent der beruflichen Tätigkeiten. Die tatsächlich beobachtete Nutzung erreicht dagegen nur etwa 33 Prozent. Diese Differenz ist erheblich. Sie zeigt, dass die technische Leistungsfähigkeit der Systeme ihrer institutionellen und organisatorischen Einbettung in den betrieblichen Arbeitsprozessen deutlich vorausläuft. 

Die gegenwärtige Veränderung liegt daher nicht in einer vollständigen Ersetzung ganzer Berufe, sondern in einer zunächst partiellen, jedoch bereits wirksamen Verschiebung einzelner Aufgabenanteile innerhalb bestehender beruflicher Tätigkeiten, die als als Adoptionslücke der künstlichen Intelligenz bezeichnet werden kann.

Die neue Messung bestätigt zugleich, dass sich die Exposition gegenüber künstlicher Intelligenz sehr ungleich über die Struktur der Berufe verteilt. Zu den am stärksten exponierten Tätigkeiten zählen nach dem Bericht insbesondere:

• Computer Programmers
• Customer Service Representatives
• Data Entry Keyers
• Market Research Analysts
• Financial Analysts

Diese Berufe verbindet eine gemeinsame strukturelle Eigenschaft. Ihre Wertschöpfung beruht in hohem Maße auf digital vorliegenden Informationen, auf sprachlicher Verarbeitung großer Datenmengen sowie auf analytischer Verdichtung standardisierbarer Inhalte. Genau diese Kombination gehört zu den zentralen Fähigkeiten moderner Sprachmodelle. Entsprechend früh greifen diese Systeme in die bisherigen Arbeitsvollzüge dieser Tätigkeiten ein. 

Gleichzeitig zeigt der Bericht, dass am anderen Ende der beruflichen Struktur rund 30 Prozent der Beschäftigten überhaupt keine beobachtete Aufgabenabdeckung durch künstliche Intelligenz aufweisen. Der Grund liegt darin, dass ihre Tätigkeiten entweder physische Arbeit erfordern, an konkrete Orte gebunden sind oder nur selten in den beobachteten Nutzungsdaten erscheinen. Zu dieser Gruppe zählen beispielsweise Köche, Motorradmechaniker, Rettungsschwimmer, Barkeeper oder Spülkräfte. Diese Differenz verdeutlicht, dass die gegenwärtige Transformation durch künstliche Intelligenz keine gleichmäßige Veränderung des gesamten Arbeitsmarktes darstellt, sondern zunächst eine selektive Restrukturierung wissensintensiver Tätigkeiten hervorbringt.

Der Bericht zeigt darüber hinaus, dass die am stärksten exponierten Berufe keineswegs nur randständige oder gering qualifizierte Tätigkeiten betreffen. Die Gruppe der stärker exponierten Beschäftigten ist im Durchschnitt älter, häufiger weiblich, höher gebildet und zugleich deutlich besser bezahlt. Ihr durchschnittliches Einkommen liegt etwa 47 Prozent über dem Einkommen der nicht exponierten Beschäftigtengruppe. Personen mit weiterführendem Hochschulabschluss sind innerhalb der stark exponierten Gruppe nahezu viermal so häufig vertreten wie innerhalb der nicht exponierten Gruppe.  

Damit verschiebt sich der Schwerpunkt der öffentlichen Debatte erheblich. Die frühen Wirkungen künstlicher Intelligenz richten sich nicht primär gegen einfache Routinetätigkeiten im unteren Lohnsegment, sondern erfassen in beträchtlichem Umfang gerade jene wissensintensiven Berufe, die bislang als vergleichsweise geschützt galten. Gerade deshalb besitzt diese Entwicklung eine besondere Bedeutung für Unternehmen, Hochschulen und qualifizierte Berufsanfänger.

Trotz dieser hohen Exposition findet der Bericht bislang keinen systematischen Anstieg der Arbeitslosigkeit innerhalb der am stärksten exponierten Berufsgruppen. Seit der Veröffentlichung von ChatGPT verlaufen die Arbeitslosenquoten stark exponierter und weniger exponierter Beschäftigtengruppen weitgehend parallel. Die beobachteten Unterschiede bleiben klein und sind statistisch nicht signifikant.

Dieser Befund besitzt erhebliche Bedeutung. Er zeigt zunächst, dass die gegenwärtige Welle der KI-Entwicklung bislang nicht als offener Beschäftigungsschock sichtbar geworden ist. Wer aus der theoretischen Leistungsfähigkeit großer Sprachmodelle unmittelbar auf einen massiven Abbau von Arbeitsplätzen schließt, findet in den bisher verfügbaren Daten keine Bestätigung.  

Gleichzeitig darf dieser Befund nicht mit einer Entwarnung verwechselt werden. Der Bericht weist ausdrücklich darauf hin, dass technologische Strukturbrüche selten zuerst in Form offener Arbeitslosigkeit erscheinen. Ihre erste Wirkung zeigt sich häufig in schwächerem Beschäftigungswachstum, in veränderten Einstellungsprofilen oder in einer schrittweisen Umverteilung von Aufgaben innerhalb bestehender Berufe.

Historische Erfahrungen mit technologischen Innovationen zeigen, dass ihre wirtschaftlichen Wirkungen nur selten in Form unmittelbarer Entlassungswellen auftreten. Der Anpassungsprozess verläuft in der Regel indirekter und zeitlich gestreckt.

Typischerweise lassen sich drei aufeinanderfolgende Anpassungsebenen beobachten:

• Zunächst verändern sich die Eintrittschancen in den Arbeitsmarkt.
• Darauf folgt eine Veränderung der Aufgabenstruktur innerhalb bestehender Berufe.
• Erst in einer späteren Phase wandelt sich die organisatorische Produktionsweise von Unternehmen.  

Auch bei der Einführung künstlicher Intelligenz lässt sich gegenwärtig ein ähnliches Muster erkennen.

Ein besonders aufschlussreicher Hinweis ergibt sich aus der Entwicklung jüngerer Arbeitnehmer.

Bei Beschäftigten im Alter von 22 bis 25 Jahren bleibt die Arbeitslosenquote in stark exponierten Berufen zwar stabil, jedoch ist die sogenannte Job-Finding-Rate, also die Rate neuer Stellenaufnahmen, in diesen Berufen seit dem Jahr 2022 um rund 14 Prozent gesunken.

Diese Entwicklung deutet auf eine frühe strukturelle Anpassung hin. Viele Unternehmen ersetzen zunächst nicht ihre erfahrenen Mitarbeiter. Stattdessen sinkt der Bedarf an Einsteigerpositionen, deren Aufgaben sich vergleichsweise leicht automatisieren lassen.  

Die Wirkung der neuen Technologie zeigt sich daher zunächst am Beginn beruflicher Laufbahnen.

Angesichts der technischen Möglichkeiten stellt sich eine naheliegende Frage. Warum wird künstliche Intelligenz bislang nur in begrenztem Umfang genutzt?

Mehrere Faktoren tragen zu dieser Entwicklung bei.

Die Integration künstlicher Intelligenz erfordert häufig tiefgreifende organisatorische Veränderungen. Die bestehenden Datenstrukturen der Unternehmen, ihre organisatorischen Entscheidungswege sowie ihre betrieblichen Arbeitsprozesse müssen an die Nutzung dieser Systeme angepasst werden.

Hinzu kommen Fragen der Verantwortung und der Haftung für automatisierte Entscheidungen. Viele Unternehmen zögern deshalb, KI-Systeme unmittelbar in kritische Geschäftsprozesse einzubinden.

Darüber hinaus wird ein Beruf nur selten vollständig durch künstliche Intelligenz ersetzt. Die Technologie verändert vielmehr die Arbeitsteilung zwischen menschlicher Tätigkeit und maschineller Informationsverarbeitung. Diese neue Aufgabenteilung muss organisatorisch erst entwickelt werden. 

Schließlich behandeln viele Organisationen künstliche Intelligenz noch immer als isoliertes IT-Projekt, obwohl ihre Wirkung die gesamte Struktur betrieblicher Wertschöpfung berührt.

Der zentrale analytische Gewinn des Berichts liegt daher in einer Verschiebung der Fragestellung. Die entscheidende Frage lautet nicht, wie viele Arbeitsplätze künstliche Intelligenz morgen unmittelbar vernichten wird. Die entscheidende Frage lautet vielmehr, wie rasch sich die Lücke zwischen der technischen Leistungsfähigkeit der Systeme und ihrer organisatorischen Nutzung in den Unternehmen schließt und welche Teile betrieblicher Wertschöpfung in diesem Prozess neu verteilt werden. 

Die Adoptionslücke ist daher keine statistische Nebenbeobachtung, sondern der Kern der gegenwärtigen Transformation. Solange die tatsächliche Nutzung künstlicher Intelligenz deutlich hinter ihrer technischen Leistungsfähigkeit zurückbleibt, entsteht ein großer Raum latenter Produktivitätspotentiale und zugleich latenter Anpassungsrisiken. In diesem Raum vollzieht sich der eigentliche Umbau von Geschäftsmodellen.

Für Unternehmen bedeutet diese Entwicklung, dass künstliche Intelligenz gegenwärtig nicht primär als Instrument des Personalabbaus verstanden werden sollte. Sie ist vielmehr ein Instrument zur Neuordnung betrieblicher Wertschöpfung, organisatorischer Arbeitsprozesse und unternehmerischer Entscheidungsarchitekturen.

Wer künstliche Intelligenz lediglich als Sammlung einzelner Werkzeuge oder als isoliertes IT-Projekt behandelt, unterschätzt daher ihre wirtschaftliche Tragweite. Die produktive Einführung dieser Systeme verlangt organisatorische Anpassungen. Die bestehenden Datenstrukturen der Unternehmen, ihre organisatorischen Entscheidungswege sowie ihre betrieblichen Arbeitsprozesse müssen an die Nutzung dieser Technologien angepasst werden. Hinzu treten Fragen der Verantwortung, der Haftung sowie der menschlichen Kontrolle automatisierter Entscheidungen in kritischen Geschäftsprozessen.  

Besonders deutlich wird diese Herausforderung im deutschen Mittelstand. Dort besteht die eigentliche strategische Aufgabe in der organisatorischen Integration künstlicher Intelligenz in die bestehenden Wertschöpfungsprozesse. Nicht die technische Verfügbarkeit dieser Systeme bildet den Engpass, sondern die Fähigkeit der Unternehmen, ihre Nutzung in eine tragfähige Ordnung von Zuständigkeiten, Qualifikationen und Arbeitsabläufen zu überführen. In dieser organisatorischen Übersetzungsleistung entscheidet sich, ob künstliche Intelligenz zum Hebel höherer Produktivität oder zum Auslöser struktureller Rückstände wird.

• Adoptionslücke (AI Adoption Gap)
Bezeichnet die Differenz zwischen der theoretischen Leistungsfähigkeit künstlicher Intelligenz und ihrer tatsächlichen produktiven Nutzung in Unternehmen.

• Anthropic Economic Index
Datensatz des Unternehmens Anthropic, der reale Nutzungsmuster großer Sprachmodelle in beruflichen Kontexten auswertet.

• Aufgabenbasierter Ansatz der Arbeitsmarktanalyse (Task-Based Approach)
Arbeitsmarktökonomischer Ansatz, der Berufe nicht als einheitliche Tätigkeiten betrachtet, sondern als Bündel einzelner Aufgaben analysiert, deren Automatisierbarkeit unterschiedlich sein kann.

• Automatisierung und Augmentation
Unterscheidung zweier Wirkungsformen künstlicher Intelligenz: Automatisierung ersetzt menschliche Arbeit vollständig bei bestimmten Aufgaben, während Augmentation menschliche Arbeit unterstützt und ergänzt.

• Beobachtete Exposition (Observed Exposure)
Messgröße für den tatsächlichen Grad der Durchdringung beruflicher Tätigkeiten durch künstliche Intelligenz. Sie kombiniert theoretische Automatisierbarkeit einzelner Aufgaben mit real beobachteter Nutzung.

• Berufliche Exposition gegenüber KI
Grad, in dem Aufgaben eines Berufs theoretisch oder praktisch durch künstliche Intelligenz unterstützt oder automatisiert werden können.

• Bureau of Labor Statistics (BLS)
Statistikbehörde der Vereinigten Staaten, die unter anderem langfristige Beschäftigungsprognosen für einzelne Berufe erstellt.

• Job-Finding-Rate
Arbeitsmarktökonomische Kennzahl für die Wahrscheinlichkeit, innerhalb eines bestimmten Zeitraums eine neue Beschäftigung aufzunehmen.

• Künstliche Intelligenz (KI)
Sammelbegriff für computergestützte Systeme, die Aufgaben ausführen können, die normalerweise menschliche kognitive Fähigkeiten erfordern, etwa Analyse, Mustererkennung oder Sprachverarbeitung.

• Large Language Models (LLM)
Große Sprachmodelle, die auf umfangreichen Textkorpora trainiert werden und natürliche Sprache analysieren, generieren und strukturieren können.

• O*NET-Datenbank
US-amerikanische Datenbank zur systematischen Beschreibung von Berufen und deren Aufgabenstruktur.

• Produktivitätswirkung von KI
Ökonomischer Effekt, der entsteht, wenn künstliche Intelligenz Aufgaben schneller, kostengünstiger oder mit höherer Qualität ausführen kann als bisherige Arbeitsprozesse. 

• Wissensarbeit
Berufliche Tätigkeit, deren Wertschöpfung primär auf der Verarbeitung von Informationen, Analyse, Kommunikation und Entscheidungsfindung beruht.

• Anthropic (2026): Anthropic, Labor Market Impacts of AI: A New Measure and Early Evidence. 

Der zentrale Forschungsbericht, auf dem die vorliegende Analyse basiert. Die Studie führt mit der „beobachteten Exposition“ eine neue Messgröße ein, die theoretische Automatisierbarkeit beruflicher Aufgaben mit realen Nutzungsdaten großer Sprachmodelle kombiniert und erstmals empirisch mit Arbeitsmarktdaten verknüpft.

• Acemoglu, Daron; Autor, David (2022): Artificial Intelligence and Jobs.
Grundlegende arbeitsmarktökonomische Analyse zu den langfristigen Beschäftigungseffekten von Automatisierung und künstlicher Intelligenz. Die Autoren betonen die zentrale Rolle der Aufgabenstruktur von Berufen für technologische Anpassungsprozesse.

• Autor, David; Dorn, David; Hanson, Gordon (2013): The China Syndrome: Local Labor Market Effects of Import Competition.
Klassische Studie über strukturelle Arbeitsmarktveränderungen infolge globaler Handelsintegration. Sie dient häufig als Vergleichsrahmen für die Analyse technologischer Strukturbrüche.

• Brynjolfsson, Erik; Chandar, Bharat; Chen, Ruyu (2025): Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence.
Empirische Untersuchung zu frühen Arbeitsmarkteffekten generativer KI. Die Studie weist unter anderem auf Veränderungen der Einstellungsdynamik in besonders KI-exponierten Tätigkeiten hin.

• Eloundou, Tyna; Manning, Sam; Mishkin, Pamela; Rock, Daniel (2023): GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models.
Eine der ersten systematischen Analysen zur potenziellen Automatisierbarkeit beruflicher Aufgaben durch große Sprachmodelle. Die Studie bildet eine wichtige theoretische Grundlage für spätere empirische Arbeiten zur KI-Exposition von Berufen.

• U.S. Bureau of Labor Statistics (BLS): Occupational Employment Projections.
Langfristige Beschäftigungsprognosen für einzelne Berufe in den Vereinigten Staaten, die häufig als Referenzrahmen für arbeitsmarktökonomische Analysen genutzt werden. 

• U.S. Department of Labor: O*NET Database.
Umfangreiche Datenbank zur systematischen Beschreibung von Berufen und deren Aufgabenstruktur. Sie bildet die Grundlage vieler moderner Studien zur Automatisierbarkeit beruflicher Tätigkeiten.