Eine rote Job-Karte. Was verändert KI wirklich?

Du öffnest eine Karte des Arbeitsmarkts. Rechtecke füllen den Bildschirm. Einige sind groß, einige kräftig gefärbt. Sofort liegt der Gedanke nahe: Dort verschwinden besonders viele Jobs. Aber dafür müsste die Farbe etwas anderes messen.

Andrej Karpathys US Job Market Visualizer zeigt 342 US-Berufskategorien. Die Fläche steht für die Beschäftigtenzahl im verwendeten Datensatz. Die Farbe zeigt die gewählte Ebene: zum Beispiel Gehalt, Beschäftigungsausblick oder „Digital AI Exposure“. Du kannst dieselbe Fläche anders einfärben, ohne dass auch nur ein Job hinzugekommen ist. Die Karte erkundet Daten und Schätzungen; sie kündigt keine Entlassungen an.

Das Werkzeug verarbeitet Berufsbeschreibungen und strukturierte Angaben des US-amerikanischen Bureau of Labor Statistics, kurz BLS. Das Occupational Outlook Handbook enthält Tätigkeiten, Ausbildungsanforderungen, Bezahlung und Beschäftigungsausblicke. BLS zu den Berufsprofilen. Diese Quelle liefert einen US-Kontext; sie ist keine unmittelbare Messung deiner Firma oder des deutschen Arbeitsmarkts.

Für die zusätzliche KI-Ebene bekommt ein Sprachmodell eine Berufsbeschreibung und eine Bewertungsanweisung. Es bewertet die erwartete Veränderung durch digitale KI von 0 bis 10 und gibt eine kurze Begründung zurück. Die Datenverarbeitung führt diese Bewertung mit den BLS-Angaben zusammen; der Browser zeichnet die Rechtecke. Das macht die Karte anschaulich. Der zusätzliche Score bleibt eine Modellschätzung. Datenweg, Bewertungsanweisung und Code.

Ein Score von 9/10 auf dieser Skala bedeutet weder „90 % der Stellen verschwinden“ noch „dieser Beruf stirbt mit 90 % Wahrscheinlichkeit aus“. Die Bewertung fragt, wie stark digitale KI eine Tätigkeit verändern könnte. Der Code legt dabei schon Annahmen fest: Am Computer erledigte Arbeit bekommt eine hohe erwartete Exposition. Diese Annahmen bestimmen einen Teil der Farbe. Bewertungsskala.

Karpathy bezeichnet die Scores ausdrücklich als grobe Schätzungen. Nachfrage nach zusätzlichen Leistungen, regulatorische Grenzen oder eine Vorliebe für menschliche Arbeit sind darin nicht abgebildet. Erläuterung der Karte. Die nützliche Anschlussfrage lautet deshalb: Welche Teile der Arbeit verändern sich — und was passiert mit der gewonnenen Kapazität?

Nehmen wir unseren eigenen Beispielfall: Eine Kundin schreibt, ein Paket sei beschädigt. Eine Support-Mitarbeiterin liest die Bestellhistorie, prüft die Erstattungsregel, formuliert eine Antwort und entscheidet, welche Lösung im konkreten Fall zulässig ist. Danach dokumentiert sie den Vorgang. „Kundenservice“ ist ein Berufstitel; hier sehen wir die Arbeit dahinter.

Ein KI-Werkzeug könnte die Bestellhistorie und die gültige Regel bekommen. Es fasst den Vorgang zusammen, schlägt einen passenden Text vor und nennt die Fundstelle in der Regel. Heraus kommt zunächst ein überprüfbarer Entwurf. Eine tatsächlich ausgeführte Erstattung wäre ein eigener Handlungsschritt mit anderen Berechtigungen. Fehlt die Bestellinformation oder gilt die Regel nicht für diesen Fall, kann eine flüssige Antwort trotzdem falsch sein.

Wir könnten Lesen und Entwerfen erleichtern und gleichzeitig mehr Prüfaufwand bekommen. Schwierige Ausnahmen, Gespräche mit aufgebrachten Kunden und Verantwortung verschwinden aus diesem Auftrag nicht einfach, weil ein Absatz schneller entsteht. Welche Schritte in einer konkreten Organisation automatisierbar sind, musst du am tatsächlichen Ablauf überprüfen.

Machen wir eine angenommene Beispielrechnung, keine Messung: Das Team bearbeitet 200 Fälle pro Woche. Jeder Fall kostet im Durchschnitt 20 Minuten menschliche Arbeitszeit, einschließlich Prüfung und Dokumentation. Das sind 200 × 20 = 4.000 Minuten, also etwa 66,7 Stunden.

Angenommen, ein geänderter Ablauf senkt diese gesamte Zeit auf 10 Minuten pro gleich gut gelöstem Fall. Bei unverändert 200 Fällen werden 2.000 Minuten, etwa 33,3 Stunden, benötigt. Das schafft rechnerisch 33,3 Stunden Kapazität. Ob das Unternehmen damit mehr Fälle betreut, Rückstände abbaut, Beratung verbessert oder Stellen anders plant, steht nicht in der Multiplikation.

Ein zweites Unternehmen erhält jetzt 400 Fälle. Mit denselben 10 Minuten braucht es 400 × 10 = 4.000 Minuten. Die Zeit je Fall wurde halbiert; die Gesamtarbeit ist wieder gleich groß. Die Zahl der Beschäftigten lässt sich daraus allein nicht ableiten. Auch der angenommene Sprung auf 10 Minuten muss erst gemessen werden: Zusätzliche Fehlersuche und Prüfung zählen mit.

Wähle einen häufigen, klar begrenzten Auftrag. Schreibe auf, was hineingeht, welche Arbeit erledigt wird und woran du ein gutes Ergebnis erkennst. Beim Support-Beispiel: freigegebene Bestelldaten und geltende Regeln hinein; Zusammenfassung und Antwortentwurf heraus; korrekte Lösung und richtige Anwendung der Regel als Prüfung.

Vergleiche ähnliche Fälle mit und ohne Werkzeug. Miss die gesamte menschliche Zeit pro erfolgreich gelöstem Fall, einschließlich Korrekturen. Halte Fehler, ungelöste Ausnahmen und Qualität separat fest. Ein schnellerer Entwurf mit mehr unbemerkten falschen Erstattungen wäre kein belegter Erfolg. Anschließend prüfst du die Nachfrage: Bleibt die Zahl der Fälle gleich? Warten andere Aufträge? Entsteht zusätzlicher Bedarf? Das ist ein Vorgehensvorschlag für einen lokalen Versuch, kein Ergebnis aus Karpathys Karte.

Die Karte ist ein guter Anlass, Berufe genauer anzusehen. Ihr besonders nützlicher Effekt ist der Perspektivwechsel: von einem großen Namen wie „Softwareentwicklung“ oder „Kundenservice“ zu konkreten Aufgaben, Daten, Ergebnissen und Entscheidungen.

Wenn du dein nächstes rotes Rechteck siehst, frage: Was kann das Werkzeug tatsächlich verändern? Wie prüfen wir das? Wer entscheidet, wofür die frei werdende Kapazität genutzt wird? Dann hast du mehr gelernt als eine vermeintliche Prozentzahl für deinen Job. Du hast einen Ansatz, die Veränderung deiner Arbeit selbst zu untersuchen.

Stand der Quellenprüfung: 13. Oktober 2026. Die Karte beschreibt US-Daten und eine bestimmte Bewertungsanweisung; die Beispiele und Rechnungen in diesem Beitrag sind ausdrücklich eigene Annahmen.