Wie wird KI-gesteuerte Automatisierung die Arbeitsplätze tatsächlich beeinflussen?

Wie werden KI-gesteuerte Automatisierung Arbeitsplätze tatsächlich beeinflussen?

Verfasst von Alex Imas und Soumitra Shukla über Ghosts of Electricity,

Eine der am häufigsten zitierten Erkenntnisse in der KI-Politik stammt aus einer 2023 veröffentlichten Arbeit von Eloundou, Manning, Mishkin und Rock mit dem Titel „GPTs are GPTs“. Der Titel ist eine schöne Doppeldeutigkeit: Die Arbeit untersucht, wie universelle Technologien (GPTs), die von großen Sprachmodellen (ebenfalls GPTs) angetrieben werden, den Arbeitsmarkt neu gestalten könnten. Die wichtigste Erkenntnis ist, dass etwa 80 % der US-Arbeitnehmer mindestens 10 % ihrer Aufgaben von LLMs beeinflusst haben könnten und etwa 19 % möglicherweise mehr als die Hälfte ihrer Aufgaben betroffen sehen. Im Wesentlichen versuchen diese Expositionsmaße zu erfassen, wie stark ein Beruf der KI ausgesetzt ist, je nachdem, ob KI die Aufgaben im Zusammenhang mit dem Job ergänzen kann: die direkte Exposition wird definiert als „ob der Zugriff auf ein LLM oder ein LLM-gestütztes System die Zeit, die ein Mensch für die Durchführung eines bestimmten DWA oder das Abschließen einer Aufgabe benötigt, um mindestens 50 % reduziert“. Die Autoren sind in der Arbeit sehr deutlich: Exposition entspricht der Fähigkeit der KI, an dem Job beteiligt zu sein, nicht dem Ausmaß, in dem der Job automatisiert werden kann. Aber das Wort „Exposition“ führte zu allen möglichen Ängsten genau darüber – zur Verdrängung. Und vielleicht aus diesem Grund sind diese KI-Expositionsmaße in den letzten Monaten routinemäßig in den sozialen Medien viral gegangen.

Ein aktuelles Beispiel stammt von Andrej Karpathy, einem der Mitbegründer von OpenAI und einem führenden Kopf, wenn es darum geht, über KI im Allgemeinen nachzudenken (z. B. er prägte die Begriffe „jagged intelligence“ und „vibe coding“). Sein Dashboard, das er als ein „vibe-coded“ Wochenendprojekt beschrieb, war eine Rangliste, wie stark die wichtigsten Berufe der KI-gesteuerten Automatisierung ausgesetzt sind. Es ging schnell auf X viral, da es alle bereits bestehenden Narrative über den schnellen Arbeitsplatzverlust durch KI bediente.

Nachdem Karpathy gesehen hatte, wie das Dashboard sensationell gemacht und wie ein Lauffeuer verbreitet wurde, präzisierte er, dass sein „Expositions“-Scorecard auf einer schnellen, LLM-generierten Messung dafür basierte, wie digital ein Job ist, und nie als ernsthafte Prognose dafür gedacht war, welche Berufe schrumpfen oder verschwinden werden. Obwohl seine eigene Projektwebsite denselben Vorbehalt enthielt, wurde dieser auf X weitgehend ignoriert. Um die bekannte Phrase zu verfälschen: „Ein vibe-coded Wochenendprojekt wird zweimal um die Welt reisen, bevor der Vorbehalt Zeit hat, seine Hose anzuziehen.“

Was diese jüngste Episode jedoch veranschaulicht, ist, dass solche Expositionsmaße zwar die Aufmerksamkeit der Öffentlichkeit erregt haben, aber routinemäßig falsch interpretiert werden (wobei einige sogar vorschlagen, den Begriff „Exposition“ vollständig zu verbieten). Wenn die Leute hören, dass ein Job zu „80 % der KI ausgesetzt“ ist, stellen sie sich vor, dass 80 % dieses Jobs verschwinden. Die tatsächliche Ökonomie der KI-Exposition und des Arbeitsplatzverlusts weicht jedoch stark von dieser Charakterisierung ab.

Was ist ein „Job“?

Ein Job ist eine Reihe von Aufgaben; eine Person wird in der Regel dafür bezahlt, wie gut sie alle mit dem Job verbundenen Aufgaben erledigt. Nehmen wir an, Sie sind Projektmanager. Ihr Job umfasst eine Reihe von Aufgaben wie das Generieren von Ideen, das prägnante Umreißen dieser Ideen und das Einholen von Feedback von Teammitgliedern, das Zusammenstellen von Präsentationen und eine Reihe von Routinearbeiten (z. B. das Genehmigen von Arbeitszeiten, das Bearbeiten von Logistik). Da die KI-Modelle immer besser werden, haben Sie festgestellt, dass Sie viele dieser Dinge automatisieren können: KI kann viele der Routinearbeiten für Sie erledigen und Ihnen sogar bei der Erstellung von Präsentationen helfen. Laut dem Expositionsmaß ist Ihr Job jetzt der KI „ausgesetzt“. Was passiert mit Ihrem Job und was passiert mit Ihrem Lohn? Nun, wenn die Automatisierung einiger Aufgaben Zeit für die Generierung besserer Ideen freisetzt, steigt Ihre Gesamtproduktivität – Sie werden für das Unternehmen noch wertvoller. Menschen sind weiterhin beschäftigt und wenn überhaupt steigen die Löhne.

Andererseits, wenn die KI alle Aufgaben automatisiert – nehmen wir an, Ihr Job umfasst nur zwei Aufgaben und beide werden automatisiert – dann wird menschliche Arbeit tatsächlich verdrängt werden. Wichtig ist, dass die geringere Anzahl von Aufgaben (was wir die Dimensionalität eines Jobs nennen) die Anreize des Unternehmens, ihn überhaupt erst zu automatisieren, umso größer sind. Dies ist der Teil, den viele Analysen zur Automatisierung übersehen: Die Einführung von KI in eine bestehende Organisation ist kostspielig, daher wird das Unternehmen eher investieren, wenn es den Job automatisieren kann, nicht nur die Aufgabe. „Exposition“ und Automatisierungsrisiko sind nicht nur eine Funktion der Modellfähigkeiten, sondern hängen auch von den Anreizen des Unternehmens ab. Und dies ist keine Hypothese: Wir haben jetzt viele Beweise dafür, dass solche Anreize eine große Rolle dafür spielen, was automatisiert wird und wann (z. B. automatisieren Unternehmen eher, wenn die Kosten für menschliche Arbeit steigen).

Zuletzt kann selbst wenn KI die Produktivität der Menschen steigert und zu höheren Löhnen führt, es in diesem Sektor immer noch zu massiven Entlassungen kommen, wenn die Verbraucher die gesteigerte Produktivität nicht „absorbieren“: Wenn die durch Produktivitätssteigerungen verursachten Preissenkungen nicht die Nachfrage nach dem Produkt erhöhen, werden in diesem Sektor weniger Arbeitskräfte benötigt.

Im Allgemeinen kann die Exposition einer Aufgabe gegenüber KI – selbst wenn diese Exposition einer vollständigen Automatisierung dieser Aufgabe entspricht – potenziell zu höheren Löhnen und mehr Neueinstellungen für diesen Beruf führen. Oder es kann zu Entlassungen und sogar zur vollständigen Verdrängung führen. Ob die Exposition zu besseren oder schlechteren Ergebnissen auf dem Arbeitsmarkt für Arbeitnehmer führt, hängt von zwei Schlüsselfaktoren ab: der Elastizität der Verbrauchernachfrage in diesem Sektor (wie viel mehr von dem Produkt die Leute kaufen, wenn die Preise sinken) und der Dimensionalität des Jobs (wie viele Aufgaben in diesem Job involviert sind). Wie wir Sie bis zum Ende dieses Artikels überzeugen wollen, sollten wir uns viel mehr Sorgen um Jobs wie LKW-Fahren und Lagerhaltung machen, als wir es derzeit tun.

Der Standardansatz zur Automatisierung

Lassen Sie uns mit dem „Standard“-Ansatz zum Thema Automatisierung beginnen. Zuerst zerlegen wir Jobs in Aufgaben mithilfe einer Taxonomie wie O*NET und bewerten dann, wie viele dieser Aufgaben durch KI automatisiert oder ergänzt werden können. Die Gesamtauswirkung auf den Job ist ein gewichteter Durchschnitt davon, wie stark jede Aufgabe verbessert wurde, was bedeutet, dass Sie einen „Expositionsindex“ erstellen können – typischerweise definiert als der Anteil der Aufgaben eines Jobs, die KI erledigen kann? – und dieser Index bildet linear ab, wie stark der Job betroffen ist (siehe z. B. Michael Webbs bereits klassische Arbeit). Dieser Ansatz war enorm nützlich, um die Landschaft des potenziellen KI-Reichs abzubilden. Aber er enthält eine Annahme, die für die meisten realen Jobs fast sicher falsch ist: er geht davon aus, dass Aufgaben trennbar sind. Das heißt, die Automatisierung von Aufgabe A hat keinen Einfluss auf die Produktivität von Aufgabe B, und die Gesamtauswirkung ist nur die Summe der Teile.

Betrachten Sie die Jobs, die Sie kennen. Es gibt viele, bei denen die Ausgabe darin besteht, viele verschiedene Dinge richtig zu machen, nicht nur einige davon. Sie können keinen Koch haben, der die meisten Schritte eines Rezepts befolgt, einen Schlagzeuger, der meistens im Takt ist, einen Programmierer, dessen Code nur teilweise funktioniert (oder, für den Fall der Fälle, einen Professor, der nur die Hälfte des Jobs forscht … obwohl einige diese Anforderung getestet haben). Dies sind Jobs, bei denen jede Aufgabe erfolgreich abgeschlossen werden muss, damit die Ausgabe akzeptabel ist.

Anders ausgedrückt, die Aufgaben sind nicht trennbar; sie sind Komplemente, d. h. die richtige oder falsche Ausführung einer Aufgabe beeinflusst, wie gut Sie andere Aufgaben im Job erledigen können, um ihn abzuschließen. Dass Aufgaben innerhalb eines Jobs eher Komplemente als Substitute sind, erscheint für die meisten realen Produktionsbedingungen durchaus plausibel. Und dies hat eine Reihe wichtiger Auswirkungen darauf, wie KI Arbeitsplätze tatsächlich beeinflussen wird.

Das O-Ring-Modell von Jobs

Die Idee, dass komplementäre Aufgaben eine nichtlineare Produktivität schaffen, geht auf Michael Kremers klassische Arbeit von 1993 „The O-Ring Theory of Economic Development“ zurück. Der Name kommt von der tragischen Challenger-Katastrophe: ein einziger fehlerhafter O-Ring verursachte den katastrophalen Ausfall des gesamten Systems. Kremers Erkenntnis war, dass die Produktivität eine multiplikative und nicht eine lineare Funktion des Könnens wird, wenn die Produktion viele Schritte erfordert und jeder Schritt gut ausgeführt werden muss. Ein Arbeitnehmer, der bei jeder Aufgabe etwas weniger Fehler macht, wird insgesamt deutlich produktiver sein, da sich diese kleinen Qualitätsgewinne bei jedem Schritt summieren.

Dieses aufgabenbasierte Modell von Jobs hat mit einer aktuellen Arbeit von Joshua Gans und Avi Goldfarb, „O-Ring Automation“, eine neue Relevanz erlangt, die Kremers Rahmenwerk direkt auf die KI-gesteuerte Automatisierung anwendet. Obwohl ihr Modell auf den ersten Blick einfach erscheinen mag, sind seine Implikationen weitreichend und tiefgreifend. Mindestens einer von uns (Alex) ist seit Monaten von diesem Papier besessen (siehe hier, hier und hier).

Gans und Goldfarb erstellen ein Modell einer Firma, in der der Job jedes Arbeitnehmers aus n Aufgaben besteht. Die Ausgabe des Jobs ist multiplikativ in der Qualität jeder Aufgabe – dies ist die O-Ring-Produktionsfunktion:

Ein Arbeitnehmer hat eine Zeitvorgabe h und verteilt diese auf die n Aufgaben. Wenn Aufgabe s manuell ausgeführt wird, verbringt der Arbeitnehmer h_s Stunden damit und erzeugt eine Qualität:

wobei a die Arbeitsproduktivität ist, die über alle Aufgaben hinweg konstant angenommen wird (eine vereinfachende Annahme). Die Zeitbeschränkung des Arbeitnehmers lautet:

Das Unternehmen kann auch jede Aufgabe automatisieren, indem es ein Kapital mietet, das eine feste Qualität θ zu einem Kostenbetrag r pro Aufgabe liefert. Dies ist der Schlüssel, auf den man achten muss: Ob Unternehmen in die Automatisierung einer Aufgabe investieren, hängt von den in diesem Problem eingebetteten Kompromissen ab. Sobald eine Aufgabe automatisiert ist, muss der Arbeitnehmer keine Zeit mehr dafür aufwenden.

Bisher ist die Einrichtung recht einfach. Der interessante Teil ist, was die multiplikative Struktur der Produktionsfunktion impliziert, sobald die Automatisierung ins Spiel kommt.

Wie kann Automatisierung die Löhne erhöhen?

Nehmen wir an, ein Unternehmen entscheidet sich, k von n Aufgaben zu automatisieren. Was passiert mit dem Arbeitnehmer und wie wirkt sich das auf den Lohn aus?

Vor der Automatisierung verteilt der Arbeitnehmer die Zeit gleichmäßig auf alle n Aufgaben, was angesichts der symmetrischen Struktur optimal ist. Jede manuelle Aufgabe erhält daher h/n Stunden und hat eine Qualität von a · h/n. Die Gesamtproduktion beträgt:

Nachdem k Aufgaben mit der Qualität θ automatisiert wurden, hat der Arbeitnehmer nun alle h Stunden, um sie auf nur n - k verbleibende manuelle Aufgaben zu verteilen. Jede manuelle Aufgabe erhält nun h/(n-k) Stunden und erzeugt eine Qualität von a · h/(n-k). Die Gesamtproduktion wird zu:

Die Produktion steigt also nach teilweiser Automatisierung, wenn und nur wenn:

Dies ist eine wichtige Bedingung, die besagt, dass die Produktion mit Sicherheit steigt, wenn die automatisierte Aufgabenqualität θ mindestens so gut ist wie die ursprüngliche manuelle Qualität des Arbeitnehmers für diese Aufgaben. Die Produktion steigt nicht automatisch nur deshalb an, weil einige Aufgaben automatisiert werden; sie steigt, wenn die Qualität der Automatisierung hoch genug ist.

Aber hier ist der entscheidende Einblick: Da die Automatisierung auch den Arbeitnehmer freisetzt, sich mehr Zeit für die verbleibenden Aufgaben zu konzentrieren, kann die Produktion sogar steigen, wenn die automatisierten Aufgaben mit etwas geringerer Qualität als die ursprüngliche Leistung des Arbeitnehmers vor der Automatisierung ausgeführt werden. Die Automatisierung ermöglicht es dem Arbeitnehmer, sich auf weniger Aufgaben zu konzentrieren und so die Qualität jeder einzelnen Aufgabe zu erhöhen. Dies ist der „Fokuseffekt“. Aufgrund der funktionalen Form der Produktionsfunktion erhöht sich eine höhere Qualität bei den verbleibenden manuellen Aufgaben nicht nur die Produktion – sie vervielfacht sich durch die Produktionsfunktion. Der Arbeitnehmer wird produktiver, weil er weniger Dinge tut.

Wenn die Automatisierungsqualität ausreichend hoch ist im Verhältnis zu dem, was der Arbeitnehmer manuell produzierte, steigt der Grenzertrag des Arbeitnehmers – und damit (typischerweise) sein Lohn. Teilweise Automatisierung ist in der O-Ring-Welt oft ein Komplement zur menschlichen Arbeit und nicht ein Ersatz dafür, was den Lohn des Arbeitnehmers erhöht.

Aber das ist nicht unbedingt eine gute Nachricht für die Arbeit

Höhere Arbeitsproduktivität ist gut für die Löhne, führt dies aber zu mehr oder weniger Arbeitsplätzen? Das hängt von der Konsumentennachfrage ab. Jeder Arbeiter stellt einen Taschenrechner pro Tag her und die Firma hat 10 Arbeiter. Alle Taschenrechner werden zum vorherrschenden Preis verkauft. Stellen Sie sich nun vor, jeder Arbeiter wird viel produktiver, so dass jeder Arbeiter 10 Taschenrechner herstellen kann. Der Preis jedes Taschenrechners sinkt (die Kosten sinken), aber die Konsumenten fordern immer noch etwa die gleiche Anzahl an Taschenrechnern. Dies ist der Fall einer unelastischen Nachfrage – einer, die nicht stark auf Preise reagiert. Nun wird die Firma 9 der Arbeiter entlassen. Aber was, wenn die Konsumenten bei niedrigeren Preisen viel mehr Taschenrechner kaufen, d. h. die Nachfrage ist sehr elastisch. Dann wird die Firma tatsächlich mehr Arbeiter einstellen, um die neue Nachfrage zu befriedigen, obwohl sie produktiver sind.

Im Allgemeinen führt ein Nachfrageelastizität > 1 dazu, dass eine Preissenkung zu einer überproportionalen Erhöhung der nachgefragten Menge führt. Die Produktion wächst stark. Die Firma benötigt mehr Arbeiter, um diese höhere Produktion zu erzielen, obwohl jeder Arbeiter jetzt produktiver ist. Nettoeffekt: mehr Neueinstellungen.

Wenn die Nachfrage unelastisch ist (Elastizität < 1), führt eine Preissenkung zu einer unterproportionalen Erhöhung der nachgefragten Menge. Die Produktion sinkt. Die Firma benötigt weniger Arbeiter, um die niedrigere Produktion zu erzielen, obwohl jeder Arbeiter jetzt produktiver ist. Nettoeffekt: Entlassungen.

Dies hängt eng mit einer populären Idee zusammen, die allgemein als Jevons-Paradox bezeichnet wird: Wenn eine Ressource effizienter genutzt wird, steigt der Gesamtverbrauch dieser Ressource oft eher als sinkt. Als die Dampfmaschine Kohle effizienter nutzbar machte, stieg der Kohleverbrauch sprunghaft an, weil so viele neue Anwendungen wirtschaftlich rentabel wurden. Die gleiche Logik gilt für Arbeit: Wenn KI einen Arbeiter dramatisch produktiver macht und die Nachfrage nach dem Produkt elastisch ist, kann es am Ende mehr Arbeiter in diesem Beruf geben, nicht weniger.

Warum die Dimensionalität des Jobs wichtig ist: Der Fall der Unternehmensanreize

Das Verhältnis zwischen Aufgaben und der Elastizität der Konsumentennachfrage ist eine wichtige Dimension für die Vorhersage der KI-gesteuerten Verdrängung, aber eine Variable, die oft übersehen wird, ist die Anzahl der Aufgaben im Job selbst, d. h. seine Dimensionalität. Die Dimensionalität eines Jobs ist aus zwei Gründen wichtig.

Erstens ist ein Job mit geringer Dimensionalität bei der Automatisierung einer Aufgabe eher vollständig verdrängt. Wenn ein Job 20 Aufgaben hat und eine automatisiert wird, ist ein menschlicher Arbeiter immer noch erforderlich, um die anderen 19 Aufgaben zu erledigen. Aber wenn ein Job eine Aufgabe hat und eine Aufgabe automatisiert wird, ist dieser Job weg. Zweitens – und diese Dimension wird vielleicht am meisten übersehen – haben Unternehmen einen stärkeren Anreiz, Aufgaben zu automatisieren, je weniger nicht automatisierte Aufgaben im Job verbleiben. Stellen Sie sich vor, die Automatisierung einer Aufgabe erfordert eine Investition von 10 Millionen Dollar (Kauf der Software, Onboarding, Verbindung mit dem Rest des Systems usw.). In einem Fall ist dies die einzige nicht automatisierte Aufgabe, die in einem Job verbleibt; im anderen Fall bleiben bei der Automatisierung dieser Aufgabe 19 andere nicht automatisierte Aufgaben bestehen. Das Unternehmen hat einen viel größeren Anreiz, die Aufgabe im ersten Fall zu automatisieren, da es dann den Arbeiter ersetzen und die damit verbundenen Kosteneinsparungen erzielen kann.1

Aus diesem Grund haben Unternehmen einen stärkeren Anreiz, in Technologie zu investieren, um Jobs mit geringer Dimensionalität zu automatisieren. Bei einem Job mit geringer Dimensionalität kann die Automatisierung aller oder der meisten Kernaufgaben die Position und den Lohnetat vollständig beseitigen. Dies macht die Rendite der Automatisierung viel größer. Mit anderen Worten, nicht alle „nicht exponierten“ Aufgaben sind gleich wichtig: In manchen Jobs halten die verbleibenden Aufgaben den bestehenden Arbeitnehmer im Unternehmen; in anderen tun sie das nicht.

Dies liefert eine klare Vorhersage: Selbst wenn ein Job derzeit nicht der KI „ausgesetzt“ ist, d. h. die KI nicht für die beteiligten Aufgaben eingesetzt wird, sollte er als gefährdet betrachtet werden, wenn er eine geringe Dimensionalität aufweist und die Technologie der Automatisierung der Aufgaben nahe kommt. Unternehmen werden härter arbeiten und mehr investieren, um die Aufgaben zu automatisieren, als im Fall von Jobs mit vielen nicht automatisierten Aufgaben.

LKW-Fahren und Lagerhaltung, die übersehenen Kanarienvögel in der Kohlemine

Aus diesem Grund denken wir, dass sich die Leute mehr Sorgen um Jobs wie LKW-Fahren und Lagerhaltung machen sollten.

Etwa 3 Millionen Amerikaner arbeiten als LKW-Fahrer. Viele sind in ihren 50ern, fahren seit Jahrzehnten und leben in Gemeinden, in denen das LKW-Fahren eine wirtschaftliche Grundlage ist. LKW-Fahren ist einer der besten Jobs, die man ohne Hochschulabschluss bekommen kann. Die eigentliche Arbeit eines Fernverkehrslkw-Fahrers wird von wenigen Kernfunktionen dominiert: dem sicheren Bewegen des LKW von Punkt A nach Punkt B. Die Logistik, das Be- und Entladen usw. werden alle von anderen erledigt. Wenn das autonome Fahren auf Langstrecken zuverlässig wird, wird der Job eines LKW-Fahrers nicht nur ergänzt; er ist grundsätzlich bedroht und kann sogar vollständig verdrängt werden. Und diese Möglichkeit ist nicht mehr theoretisch. Unternehmen wie Aurora Innovation und Kodiak Robotics führen bereits groß angelegte autonome LKW-Pilotprojekte und kommerzielle Einsätze auf eingeschränkten Strecken durch. Lagerhaltung erzählt eine ähnliche Geschichte. Die Lagerhaltung beschäftigt Millionen von US-Arbeitnehmern, und viele Lagerjobs – Kommissionieren, Verpacken, Sortieren, Palettenbewegung – sind relativ eng gefasst und zunehmend automatisierbar. Im Ausland betreiben Unternehmen bereits hochautomatisierte „Dark Warehouses“, die rund um die Uhr mit minimaler menschlicher Arbeitskraft betrieben werden. Diese Lagerhäuser sehen nicht aus wie das, was wir heute sehen: Sie sind von Grund auf so konzipiert, dass sie von Maschinen betrieben werden.

Vergleichen Sie dies mit einem Wissensarbeiter, sagen wir einem Managementberater. Der Job kombiniert Recherche, Datenanalyse, Kundenkommunikation, Präsentationsdesign, strategisches Denken, Teamkoordination und Beziehungsmanagement. Das sind mindestens sieben oder acht verschiedene komplementäre Aufgaben. Claude oder Codex mögen die erste Analyse und die Erstellung von Folien übernehmen, aber der Berater wird immer noch für alles andere benötigt. In O-Ring-Begriffen kann die Automatisierung einiger Aufgaben die verbleibenden Aufgaben wertvoller machen, indem der Arbeitnehmer mehr Zeit für sie aufwenden kann – der Berater kann mehr Zeit damit verbringen, mit dem Kunden zu sprechen und ihn von der Umsetzung zu überzeugen, die Zustimmung der verschiedenen Einheiten einzuholen usw. Infolgedessen können die Löhne steigen und die Beschäftigung steigen, wenn eine bessere Produktion und niedrigere Preise die Kundennachfrage erhöhen.

Sie können die gleiche Logik in vielen hochriskanten Berufen wie Medizin und Wissenschaft sehen. Es gibt jetzt über 870 von der FDA zugelassene KI-Tools für die Radiologie, und 66 % der Ärzte verwenden mindestens ein KI-Tool, hauptsächlich für Diktat und Diagnoseunterstützung. Aber diese Tools ergänzen Radiologen und Ärzte, sie ersetzen sie nicht. KI übernimmt typischerweise den Routine-Mustererkennungsaspekt des Jobs und ermöglicht es Ärzten, sich auf komplexe Fälle, die Patientenkommunikation und das klinische Urteilsvermögen zu konzentrieren. Ebenso debattieren Wissenschaftler, ob Fortschritte in der KI Forschungsassistenten wertvoller oder weniger wertvoll machen. Da KI Routine-Analysen automatisiert, können sich sowohl Professoren als auch RAs stärker auf Ideen und Urteilsvermögen konzentrieren und so die Produktion und die Nachfrage nach qualifizierter Forschungskraft steigern. Dies ist wiederum der O-Ring-Fokuseffekt in der Praxis.

Selbst in unserem Labor. Jedes zusätzliche Mitglied kann so viel mehr tun, die Herausforderung besteht darin, alle auf den neuesten Stand zu bringen, offene Diskussionen über die besten Möglichkeiten zur Nutzung dieser Tools vs. nicht und eine Kultur aufzubauen, in der sich die Menschen mehr wertgeschätzt fühlen. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) 18. März 2026

Was erfassen Expositionsindizes?

Lassen Sie uns zum Expositionsrahmen zurückkehren. Beim Standardansatz ist ein Managementberater stark der KI „ausgesetzt“, während ein LKW-Fahrer es nicht ist. Aber bedeutet das, dass der Berater einem höheren Verdrängungsrisiko ausgesetzt ist als der LKW-Fahrer? Nicht unbedingt. Die hohe Exposition des Beraters kann tatsächlich eine gute Nachricht sein, da sie bedeutet, dass KI viele seiner komplementären Aufgaben ergänzen wird, den Fokuseffekt auslöst und möglicherweise die Löhne erhöht. Andererseits ist die moderate Exposition des LKW-Fahrers auf eine einzige kritische Aufgabe viel gefährlicher, da LKW-Unternehmen einen viel größeren Anreiz haben, die Aufgabe des Fahrens zu automatisieren, und sobald dies erledigt ist, ist der Job ebenfalls weg. Diese Anreize spielen sich bereits in der Praxis aus:

NEWS: Jeff Bezos führt Gespräche über die Beschaffung von 100 Milliarden Dollar für einen neuen Fonds, der Produktionsunternehmen aufkaufen und KI-Technologie einsetzen will, um ihren Automatisierungspfad zu beschleunigen.
Es ist mit Jeffs Project Prometheus AI-Startup verbunden, das darauf abzielt, KI-Produkte für das Engineering zu entwickeln… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) 19. März 2026

Das relevante Objekt ist daher nicht die durchschnittliche Aufgabenexposition, sondern die Struktur von Engpässen und wie die Automatisierung die Arbeitszeit der Arbeitnehmer um diese herum neu gestaltet. Zwei Jobs mit identischen Expositionswerten können völlig unterschiedliche Verdrängungsrisiken haben, je nachdem, ob ihre Aufgaben komplementär sind, ob die Nachfrage nach ihrer Produktion elastisch oder unelastisch ist und welche Anreize das Unternehmen hat, in die Automatisierung zu investieren. Die am stärksten gefährdeten Arbeitnehmer sind nicht unbedingt diejenigen mit der höchsten durchschnittlichen Exposition, sondern diejenigen, deren Jobs auf einer kleinen Anzahl von Kernaufgaben basieren, die KI automatisieren kann.

1 Im Fall, dass Jobs nicht vollständig automatisiert werden, hängen die Kosteneinsparungen durch die Automatisierung der Randaufgabe von den Komplementaritäten zwischen den anderen Aufgaben im Job ab. Die genaue Beziehung wird im O-Ring-Modell der Automatisierung ausgearbeitet.

Alex Imas ist Professor an der UChicago Booth. Forschung zu Wirtschaft und angewandter KI. Substack hier.

Tyler Durden
Sa, 04.04.2026 - 09:20