Wird die KI-Ersatzwelle überschätzt? Barclays: Nur 20% der zentralen Fähigkeiten am Arbeitsplatz können stark repliziert werden, aber der Verstärkungseffekt breitet sich bereits still und leise aus.

Die Auswirkungen von KI auf den Arbeitsmarkt könnten weit milder sein als die aktuellen Marktnarrative suggerieren, aber auch deutlich tiefgreifender. Die neueste Forschung von Barclays zeigt, dass nur etwa 20% der Kernkompetenzen am Arbeitsplatz wirklich stark von KI replizierbar sind; die Sorge vor einer großangelegten "Substitutionswelle" ist überbewertet. Allerdings stellt der "Amplifikationseffekt" auf die Produktivität durch KI eine ganz andere Dynamik dar – das Spektrum der betroffenen Bereiche ist weit breiter als das der automatisierten Substitution und dringt nahezu in jede Ecke des Arbeitsmarktes vor.

Barclays veröffentlichte am 22. September einen Bericht und stellte das "AI Automation and Amplification Framework" (Barclays 3A Framework) vor, das Kompetenzen statt Berufe als Kerneinheit analysiert, um systematisch die Auswirkungen von kognitiver und physischer KI auf mehr als 830 Berufe zu bewerten. Die Studie ergab, dass das Risiko der Automatisierung stark auf wenige Berufsgruppen konzentriert ist. Berufe mit hoher Exponierung gegenüber kognitiven KI sind vor allem Computer-, Ingenieur- und Wissenschaftsjobs, während physische KI hauptsächlich Berufe im Bau, in der Produktion, Installation, Wartung und Reparatur betrifft. Gleichzeitig zeigen US-amerikanische Stellendaten bereits strukturelle Veränderungen im Einklang mit KI: Seit 2022 ist der Anteil der Jobs mit der höchsten Automatisierung-Exponierung von etwa 30% auf etwa 25% zurückgegangen.

Die rapide Expansion der KI-Kompetenzanforderungen offenbart eine zusätzliche Dynamik: In den USA, Großbritannien, Frankreich und Deutschland ist der Anteil der Stellen, die KI-Kompetenzen verlangen, von etwa 2% im Jahr 2019 auf 6% bis 10% im August 2026 gestiegen. Bemerkenswert ist, dass der Fokus der KI-Kompetenzanforderungen sich verschiebt – waren 2019 über 70% der KI-bezogenen Jobs im Technologie- und Datenbereich, sinkt dieser Anteil bis 2026 auf rund 50%. Management-Jobs hingegen steigen von rund 10% auf 25% – KI breitet sich vom fachlichen Spezialgebiet auf die breitere Arbeitswelt aus.

Traditionelle Analysen zum Einfluss von KI auf den Arbeitsmarkt betrachten meist den "Beruf" als Einheit. Barclays argumentiert jedoch, dass Berufe Sammlungen von Aufgaben sind, Aufgaben Sammlungen von Kompetenzen – und Kompetenzen sind das "atomare Element" zur Analyse des KI-Einflusses. KI automatisiert oder amplifiziert eher spezifische Kompetenzen – wie Informationssammlung, Schreiben oder Datenanalyse – statt den gesamten Beruf.

Das 3A Framework basiert auf der Datenbank des US-Arbeitsministeriums, die 104 berufsübergreifende Kompetenzen enthält und auf über 800 Berufe abbildet. Die Innovation des Frameworks liegt in drei Dimensionen: Erstens werden sowohl kognitive als auch physische KI einbezogen, um digitale und physische Intelligenz abzudecken; zweitens ersetzen Kompetenzen Aufgaben oder Berufe als grundlegende Analyse-Einheit; drittens werden sowohl "Automatisierung" als auch "Amplifikation" erfasst – ersteres misst die Substitutionsrate der menschlichen Arbeit, letzteres das Potenzial von KI, die Produktivität menschlicher Kompetenzen zu steigern.

Das Forschungsergebnis zeigt, dass nur etwa 20% der Kompetenzen am Arbeitsplatz als hoch replizierbar durch KI bewertet werden, 40% zeigen starke Resistenz gegenüber kognitiver KI, und sogar 70% der Kompetenzen sind resistent gegenüber physischer KI, was darauf hinweist, dass die Automatisierung durch physische KI aktuell viel eingeschränkter ist als durch kognitive KI.

Im Hinblick auf die Verteilung der Automatisierungs-Exponierung ist die zentrale Erkenntnis von Barclays: Die extrem hohe Exponierung konzentriert sich auf sehr wenige Berufe, die Mehrheit der Berufe ist überwiegend nur gegen eine Art von KI exponiert – entweder kognitiv oder physisch, aber selten gegen beide gleichzeitig.

Berufe mit höchster Exponierung gegenüber kognitiver KI sind Data Scientists, Statistiker und Aktuare; deren Kernkompetenzen – Informationsrecherche, Mustererkennung, Dokumentenverarbeitung und programmatische Entscheidungen – decken sich stark mit KI-Fähigkeiten. Die höchste physische KI-Exponierung weisen Berufe wie Landarbeiter, Textilmaschinenbediener und Baustahlbauer auf, die repetitive körperliche Arbeit benötigen.

Im Vergleich dazu haben etwa 120 Berufe eine vergleichsweise niedrige Gesamt-Exponierung gegenüber beiden KI-Typen; sie machen etwa 20% der US-Arbeitskräfte aus, darunter Lehrer, Kinderbetreuer, Trainer sowie Hotel- und Unterhaltungsmitarbeiter – Berufe, die stark auf zwischenmenschliche Interaktion, Vor-Ort-Überwachung oder Unterhaltung angewiesen sind und von KI schwer replizierbar sind.

Im Gegensatz zur konzentrierten Verteilung der Automatisierung zeigt der Amplifikationseffekt von KI eine viel breitere und gleichmäßigere Verteilung. Im Modell von Barclays ist der Amplifikationseffekt am stärksten in Berufen mit einem ausgewogenen Anteil replizierbarer, teilweise replizierbarer und nicht replizierbarer Kompetenzen – KI übernimmt den replizierbaren Teil und erhöht gleichzeitig den Wert und die Produktivität der verbleibenden menschlichen Kompetenzen.

Berufe mit dem höchsten Amplifikationseffekt durch kognitive KI sind Fluglotsen, Manager im Gesundheitswesen sowie Trainer und Entwicklungsmanager – Management-Jobs, in denen KI administrative Dokumente und Informationsverarbeitung übernehmen kann und damit Leadership, Coaching und Personalführung als menschliche Kernkompetenzen verstärkt. Der Amplifikationseffekt physischer KI ist am ausgeprägtesten bei Maschinen- und Technikberufen, etwa Bus- und LKW-Mechanikern, Industriemechanikern etc.; Routinearbeiten werden automatisiert, während Diagnostik, Entscheidungen und Reaktionsfähigkeit weiter von Menschen ausgehen.

Barclays betont, dass die Verteilung des Amplifikationseffekts entscheidend ist: Die Automatisierungsfähigkeit von KI konzentriert sich auf bestimmte Berufe. Ihr Potential zur Steigerung der Produktivität hingegen erstreckt sich auf eine äußerst breite Gruppe – Ärzte, Lehrer und Ingenieure aus ganz unterschiedlichen Feldern können substantiell von KI-Anwendungen profitieren. Das bedeutet, dass der langfristige Gesamtzuwachs an Produktivität durch KI die reine Substitution von Jobs übersteigen könnte.

Daten vom Arbeitsmarkt bestätigen das genannte Rahmenwerk bereits. Laut Barclays' Analyse der LinkUp-Stellendaten sank seit 2022 der Anteil der Jobangebote in Berufen mit höchster Automatisierung-Exponierung von knapp 30% auf etwa 25%, wobei Software-Engineering den größten Rückgang beitrug. Der Anteil der Jobs mit niedriger Automatisierung-Exponierung stieg leicht von etwa 20% auf 21%-23%.

Parallel wächst der spezifische KI-Kompetenzbedarf rapide. Laut Indeed Hiring Lab und anderen Daten, die auf breiten Keyword-Suchen basieren, stieg der Anteil KI-bezogener Stellen in den USA, Großbritannien, Frankreich und Deutschland von etwa 2% im Jahr 2019 auf unterschiedlich 6% bis 10% im Jahr 2026, am stärksten in Großbritannien.

Strukturell bedeutend ist der Wandel der Nachfragestruktur. 2019 dominierte die Technologie- und Datensektion über 70% der KI-bezogenen Jobangebote. Bis 2026 sinkt dieser Anteil auf etwa 50%, Managementpositionen steigen von ca. 10% auf 25%. Dieses Muster zeigt sich in USA, Großbritannien, Frankreich und Deutschland und verdeutlicht, dass KI als universelle Arbeitsskills und nicht als exklusive Technologie in die ganze Arbeitswelt vordringt.

Der Bericht blickt weiter voraus und beschreibt neue wirtschaftliche Modelle, die mit der Verbreitung physischer KI entstehen könnten, unterschieden in zwei Entwicklungsphasen.

In der ersten Phase fungiert der Mensch als "Robotrainer" – weil physische KI keine Datenmengen wie die Trainingskorpora großer Sprachmodelle besitzt, werden derzeit per Fernsteuerung oder First-Person-Video-Daten Menschen als Demonstratoren eingesetzt, um Roboter mit Trainingsdaten zu versorgen. Figure's Index, Scale AI und andere Unternehmen bauen schon jetzt solche Crowdsourcing-Ökosysteme.

In der zweiten Phase verschiebt sich der Wert auf die "Operativen Prozeduren" selbst. Mit zunehmender Reife physischer KI wird der Fokus vom Hardware-Bereich auf die darin eingebetteten Kompetenzen und Arbeitsprozesse verlagert. Menschliche Expertise wie Schweißen, Chirurgie, Kochen könnte als skalierbare und übertragbare "Roboter-Bedienungsanleitung" kodiert werden und eine neue Form von geistigem Eigentum begründen. Unitree's UniStore und NEURA Robotics' NeuraGym/NeuraVerse gelten als frühe Beispiele für die Kommerzialisierung solcher Kompetenzen – wenn auch bislang noch eingebettet in die Plattformen der humanoiden Roboterhersteller.

Barclays prognostiziert, dass im Extremfall dieser Entwicklung Hardware zur Commodity wird und der wahre Wettbewerbsvorteil bei denjenigen liegt, die wertvolle Kompetenzen einfangen, codieren und steuern können. Das Unternehmen, das die meisten Roboter baut, ist nicht zwangsläufig der Gewinner, sondern dasjenige, das die "Command Layer" kontrolliert, wird im neuen Wettbewerb um Kompetenzen die Oberhand gewinnen.