💻 computer science

Inteligencia artificial y empleo en España: una aproximación territorial y de género a la exposición laboral

Dieser Artikel schlägt einen sektorbasierten methodischen Rahmen vor, um die Arbeitsmarktexposition gegenüber KI in Spanien von 2021 bis 2023 zu bewerten, und zeigt auf, dass metropolitan und dienstleistungsorientierte Regionen höheren Risiken ausgesetzt sind und dass die Beschäftigung von Frauen in allen Gebieten durchgängig eine stärkere Exposition aufweist.

Ursprüngliche Autoren: Antoni Mestre, Xavier Naya, Manoli Albert, Vicente Pelechano

Veröffentlicht 2026-05-06

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Antoni Mestre, Xavier Naya, Manoli Albert, Vicente Pelechano

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Eine "Wetterkarte" für Arbeitsplätze

Stellen Sie sich den spanischen Arbeitsmarkt als eine weite Landschaft vor. Seit Jahren machen sich Menschen Sorgen darüber, wie Künstliche Intelligenz (KI) diese Landschaft verändern könnte. Wird es auf einige Jobs regnen und andere trocken lassen? Wird es bestimmte Städte überschwemmen, während andere sicher bleiben?

Dieses Papier, verfasst von einem Team von Forschern, versucht nicht, die Zukunft mit einer Kristallkugel vorherzusagen. Stattdessen haben sie eine "Wetterkarte" (eine Methodik) erstellt, um zu messen, wie stark der aktuelle Arbeitsmarkt in Spanien dem Regen der KI ausgesetzt ist. Sie sagen nicht, dass KI diese Jobs morgen definitiv ersetzen wird; sie messen lediglich, wie viel der Arbeit in diesen Jobs aufgrund der Art der Aufgaben von KI geleistet werden könnte.

Das Werkzeug: Eine Brücke zwischen zwei verschiedenen Sprachen

Die Forscher stießen auf ein kniffliges Problem. Internationale Studien sprechen über Jobs meist in Bezug auf spezifische Rollen (wie "Buchhalter" oder "Softwareentwickler"). Die offiziellen Statistiken Spaniens sprechen jedoch über Jobs in Bezug auf Industrien (wie "Einzelhandel", "Gesundheitswesen" oder "Bauwesen").

Es ist, als würde man versuchen, ein Rezept für einen Kuchen (die internationalen Studien) mit einer Liste von Lebensmittelgeschäften (den spanischen Daten) zu vergleichen. Man kann sie nicht einfach miteinander mischen.

Um dies zu beheben, baute das Team eine Übersetzerbrücke (eine Matrix). Sie nahmen die internationalen Daten darüber, welche Aufgaben KI erledigen kann, und übertrugen sie auf die Industrien Spaniens. Jetzt konnten sie eine Provinz (wie Madrid) betrachten und sagen: "Weil in dieser Provinz so viele Menschen im Einzelhandel und in der Verwaltung arbeiten, hat sie eine hohe 'KI-Expositions-Score'."

Die Ergebnisse: Wo der Regen am stärksten ist

1. Die "Stadt vs. Land"-Spaltung
Die Karte zeigt ein klares Muster. Der "Regen" der KI-Exposition fällt am stärksten in den großen, geschäftigen Städten und an den Küstenorten des Tourismus.

Gebiete mit hoher Exposition: Madrid, Barcelona, Valencia, Málaga und die Inseln (Balearen und Kanarische Inseln).
Warum? Diese Orte sind voll von "intelligenten" Jobs: Büros, Banken, Geschäfte, Hotels und Schulen. Diese Jobs beinhalten viel Schreiben, Organisieren, Sprechen mit Kunden und Verarbeiten von Daten – Dinge, bei denen KI sehr gut ist.
Gebiete mit niedriger Exposition: Ländliche Provinzen im Inneren (wie Soria, Teruel oder Zamora).
Warum? Diese Gebiete verlassen sich mehr auf Landwirtschaft, traditionelle Fertigung und Bauwesen. Diese Jobs beinhalten körperliche Arbeit, das Bewegen schwerer Gegenstände oder das Arbeiten mit Maschinen auf eine Weise, die die aktuelle KI (die hauptsächlich "digitale Gehirn"-Kraft ist) nicht leicht berühren kann.

2. Die Geschlechterlücke: Ein strukturelles Ungleichgewicht
Eines der auffälligsten Ergebnisse ist, dass Frauen im gesamten Land durchgehend stärker der KI ausgesetzt sind als Männer.

Die Analogie: Stellen Sie sich zwei verschiedene Bootstypen vor. Männer arbeiten im Durchschnitt auf Booten, die aus Holz und Stahl gebaut sind (Bauwesen, Transport, Schwerindustrie) – diese sind für KI schwerer zu ersetzen. Frauen arbeiten im Durchschnitt auf Booten aus Papier und Glas (Bildung, Gesundheitswesen, Verwaltung, Einzelhandel) – diese sind durchsichtiger und für KI leichter zu durchschauen und zu beeinflussen.
Das Ergebnis: In jeder einzelnen Provinz ist der "KI-Expositions-Score" für Frauen höher als für Männer. Dies liegt nicht daran, dass Frauen weniger qualifiziert sind; es liegt daran, dass sie in Sektoren konzentriert sind, in denen KI derzeit am anwendbarsten ist.

3. Stabilität: Die Karte verändert sich kaum
Die Forscher betrachteten Daten aus den Jahren 2021 und 2022. Sie stellten fest, dass die Karte in beiden Jahren fast identisch aussah.

Das Fazit: Dies ist kein plötzlicher Sturm, der über Nacht hereingebrochen ist. Die "Exposition" ist in die Struktur der Wirtschaft selbst eingebaut. Eine Provinz wird nicht nur wegen eines schlechten Monats zu einem "hohen Risiko"; sie ist ein hohes Risiko, weil ihre Wirtschaft seit Jahrzehnten so aufgebaut ist. Die Struktur ist solide und verändert sich nur sehr langsam.

Was dies bedeutet (und was nicht)

Die Autoren betonen sehr sorgfältig: "Dies ist eine Karte des Potenzials, keine Vorhersage des Untergangs."

Exposition $\neq$ Ersetzung: Nur weil ein Job "exponiert" gegenüber KI ist, bedeutet das nicht, dass die Person ihren Job verliert. Es könnte bedeuten, dass sie einen "superkräftigen Assistenten" (wie einen sehr klugen Co-Piloten) erhält, der ihnen hilft, schneller zu arbeiten.
Keine Kristallkugel: Das Papier gibt zu, dass es eine "vorläufige" Studie ist. Es ist ein erster Entwurf. Es weiß nicht, wie schnell Unternehmen KI tatsächlich kaufen werden, wie sich Gesetze ändern werden oder wie Menschen sich anpassen werden.

Das Fazit

Dieses Papier liefert einen Kompass für Spanien. Es sagt uns Folgendes:

Geografie ist wichtig: Große Städte und Dienstleistungszentren sind die vorderste Front des KI-Wandels.
Geschlecht ist wichtig: Frauen sind strukturell eher in Rollen, die KI berühren kann, was besondere Aufmerksamkeit erfordert, um sicherzustellen, dass sie nicht zurückgelassen werden.
Struktur ist wichtig: Die Wirtschaft ist auf tiefen Fundamenten aufgebaut. Wir können nicht erwarten, dass sich die Landschaft über Nacht verändert, aber wir können diese Karte nutzen, um zu planen, wie wir bessere Schutzräume (Schulung, Politik und Unterstützung) für die Menschen in den Gebieten bauen, in denen der "KI-Regen" am stärksten ist.

Kurz gesagt haben die Forscher uns eine Taschenlampe gegeben, um zu sehen, wo die Schatten liegen, damit wir beginnen können, uns auf das Licht der Zukunft vorzubereiten.

Technische Zusammenfassung: Territoriale und geschlechtsspezifische Perspektiven auf Künstliche Intelligenz und Beschäftigung in Spanien

1. Problemstellung

Die rasche Ausbreitung generativer Künstlicher Intelligenz (KI) hat die Debatten über die Zukunft der Arbeit, die Produktivität und den sozialen Zusammenhalt grundlegend neu strukturiert. Während die internationale Fachliteratur robuste Methoden zur Messung der beruflichen Exposition gegenüber KI etabliert hat (z. B. unter Verwendung von SOC-, ISCO- oder ESCO-Klassifikationen), besteht für den spanischen Kontext eine erhebliche methodische Lücke. Die offiziellen Arbeitsmarktstatistiken Spaniens werden primär nach Wirtschaftszweigen (CNAE) auf Provinz- und Ebene der Autonomen Gemeinschaften aufgeschlüsselt und nicht nach spezifischen Berufen.

Diese Diskrepanz verhindert die direkte Anwendung internationaler KI-Expositionsindizes auf regionale Daten Spaniens und behindert die Entwicklung gezielter öffentlicher Politiken, Gewerkschaftsstrategien und territorialer Planungen. Darüber hinaus übersehen bestehende Literatur oft die Schnittstelle territorialer Disparitäten und geschlechtsspezifischer Verwundbarkeiten, obwohl Belege darauf hindeuten, dass Frauen in administrativen und Dienstleistungssektoren überrepräsentiert sind, die einer hohen Automatisierung durch KI ausgesetzt sind. Der Beitrag adressiert den dringenden Bedarf an einem objektiven, vergleichbaren Instrument zur Messung der KI-Exposition in Spanien, das seiner spezifischen statistischen Struktur (CNAE) gerecht wird und eine granulare territoriale und geschlechtsspezifische Analyse ermöglicht.

2. Methodik

Die Studie schlägt eine vorläufige, replizierbare Methodik vor, um die Lücke zwischen internationalen berufsbezogenen KI-Metriken und spanischen sektoralen Daten zu schließen. Der Ansatz umfasst drei Hauptschritte:

2.1. Konstruktion der KI–CNAE-Inzidenzmatrix

Die Autoren adaptieren den „AI Applicability Score" von Tomlinson et al. (2025), der auf über 200.000 realen Interaktionen mit generativen KI-Tools (z. B. Microsoft Copilot) basiert. Anstatt Berufscodes direkt zu verwenden, erstellen die Autoren eine Zuordnungsmatrix, die diese beruflichen Fähigkeiten in die spanische CNAE-Klassifikation (2-stellig) übersetzt.

Faktorenzuweisung: Jeder CNAE-Sektor erhält einen „Inzidenzfaktor" im Bereich von 0,06 bis 0,30.
Logik: Sektoren, die von manuellen, physischen oder Routinetätigkeiten dominiert werden (z. B. Landwirtschaft, Bauwesen), erhalten niedrige Faktoren. Sektoren, die durch administrative, sprachliche, analytische oder synthetisierende Tätigkeiten gekennzeichnet sind (z. B. Finanzen, professionelle Dienstleistungen, Information und Kommunikation), erhalten höhere Faktoren.
Synthese: Die Matrix stellt eine gewichtete Synthese internationaler Evidenz und der spezifischen beruflichen Zusammensetzung spanischer Sektoren dar.

2.2. Datenquellen und Berechnungsmodell

Die Studie nutzt Mikrodaten des spanischen Nationalen Statistikinstituts (INE) für die Jahre 2021 und 2022, speziell den jährlichen Zensus der erwerbstätigen Bevölkerung, aufgeschlüsselt nach Provinz, Sektor (CNAE) und Geschlecht.

Sektorale Exposition: Für jede Provinz $p$ und jeden Sektor $c$ wird die „KI-adjustierte Beschäftigung" wie folgt berechnet:
$IA\_employment(p,c) = employment(p,c) \times factor_{IA}(c)$
Territorialer Indikator: Die aggregierte Exposition einer Provinz wird als Verhältnis der gesamten KI-adjustierten Beschäftigung zur gesamten Provinzbeschäftigung definiert:
$IA\text{-}share(p) = \frac{\sum_{c} IA\_employment(p,c)}{\sum_{c} employment(p,c)}$
Geschlechtsspezifische Aufschlüsselung: Dieselbe Berechnung wird separat für männliche und weibliche Beschäftigung durchgeführt, um geschlechtsspezifische Expositionsindizes ( $IA\text{-}share_{female}$ und $IA\text{-}share_{male}$ ) abzuleiten.

2.3. Einschränkungen

Die Autoren stellen ausdrücklich fest, dass es sich um eine vorläufige Studie handelt, die die potenzielle strukturelle Exposition misst, nicht den tatsächlichen Ersatz oder Arbeitsplatzverlust. Das Modell geht von einer homogenen beruflichen Zusammensetzung innerhalb jedes CNAE-Sektors aus, was interne Heterogenität verschleiern kann. Es berücksichtigt keine dynamischen Effekte wie die Schaffung neuer Aufgaben, Produktivitätsgewinne oder das Tempo der Unternehmensadoption.

3. Hauptbeiträge

Methodische Anpassung: Der Beitrag liefert die erste systematische Übersetzung internationaler KI-Expositionsmaße in den spanischen CNAE-Rahmen und ermöglicht Analysen auf Provinzebene, wo zuvor nur nationale oder breite regionale Schätzungen möglich waren.
Territoriale Kartierung: Es wird eine detaillierte Karte der KI-Exposition über alle 52 spanischen Provinzen erstellt, die strukturelle Verwundbarkeiten basierend auf der wirtschaftlichen Spezialisierung identifiziert.
Geschlechteranalyse: Es wird eine anhaltende strukturelle Lücke in der KI-Exposition zwischen Männern und Frauen quantifiziert, die zeigt, dass die weibliche Erwerbsbevölkerung in allen Territorien systematisch stärker der KI-getriebenen Transformation ausgesetzt ist.
Politikinstrument: Es bietet eine transparente, offene Methodik für Gewerkschaften, politische Entscheidungsträger und Forscher, um Trends zu überwachen und Strategien für einen „gerechten Übergang" zu entwickeln, die mit der Nationalen KI-Strategie (ENIA) im Einklang stehen.

4. Ergebnisse

Die Analyse der Daten von 2021–2022 zeigt mehrere konsistente Muster:

4.1. Aggregierte Exposition

Spanien weist eine moderate bis hohe aggregierte Exposition gegenüber KI auf, wobei der „IA-share" zwischen 18 % und 22 % der Gesamtbeschäftigung schwankt. Dies deutet darauf hin, dass ein erheblicher Teil des spanischen Arbeitsmarktes in Tätigkeiten tätig ist, für die generative KI eine hohe Anwendbarkeit aufweist.

4.2. Territoriale Polarisierung

Ein klarer „Zentral-mediterraner Korridor" hoher Exposition wird identifiziert, der Madrid, Barcelona, Valencia, Alicante, Málaga und die Kanarischen Inseln (Las Palmas und Santa Cruz de Tenerife) umfasst. Diese Provinzen überschreiten eine Exposition von 21 %.

Treiber: Eine hohe Exposition korreliert mit einer Konzentration fortschrittlicher Dienstleistungen, Finanzen, professioneller Beratung, Information/Telekommunikation und Einzelhandel/Handel.
Niedrige Exposition: Provinzen im Binnenland (z. B. Soria, Teruel, Zamora, Palencia) und solche mit starken landwirtschaftlichen oder traditionellen verarbeitenden Grundlagen weisen eine niedrigere Exposition auf (ca. 17,5 %–18,5 %).
Stabilität: Die Rangfolge der Provinzen blieb zwischen 2021 und 2022 bemerkenswert stabil, was bestätigt, dass die Exposition durch tief verwurzelte strukturelle wirtschaftliche Faktoren und nicht durch kurzfristige konjunkturelle Schwankungen getrieben wird.

4.3. Geschlechterlücke

In jeder einzelnen Provinz zeigt die weibliche Beschäftigung eine höhere Exposition gegenüber KI als die männliche Beschäftigung.

Ausmaß: Die Lücke reicht allgemein von 1,5 bis 3 Prozentpunkten, ist jedoch in stark tertiärisierten Regionen breiter.
Ursachen: Frauen sind unverhältnismäßig stark in Sektoren mit hoher KI-Anwendbarkeit konzentriert, wie Bildung, Gesundheitswesen, Verwaltung und soziale Dienste. Im Gegensatz dazu sind Männer stärker im Bauwesen, im Transport und im Bergbau vertreten, die niedrigere KI-Anwendungsfaktoren aufweisen.
Implikation: Dies stellt eine strukturelle Verwundbarkeit für die weibliche Erwerbsbevölkerung dar und legt nahe, dass die KI-Adoption die Beschäftigungsmuster von Frauen unverhältnismäßig stark beeinflussen könnte, sofern sie nicht durch spezifische Politiken gemildert wird.

5. Bedeutung und Behauptungen

Der Beitrag positioniert sich nicht als definitive Vorhersage von Arbeitsplatzverlusten, sondern als diagnostisches Instrument für die strategische Planung. Seine primäre Bedeutung liegt in:

Überbrückung der Datenlücke: Ermöglichung der Nutzung standardmäßiger spanischer statistischer Daten (INE/CNAE), um Fragen zur KI-Auswirkung zu beantworten, die zuvor auf subnationaler Ebene unbeantwortbar waren.
Hervorhebung struktureller Ungleichheiten: Demonstration, dass die KI-Exposition nicht zufällig ist, sondern bestehenden Linien territorialer Spezialisierung und geschlechtsspezifischer Segregation auf dem Arbeitsmarkt folgt.
Informierung des „gerechten Übergangs": Bereitstellung einer Basislinie für die spanische Regierung und soziale Partner, um Schulungs-, Umschulungs- und Schutzpolitiken zu entwickeln, die geografisch und demografisch gezielt sind.

Die Autoren schließen, dass, obwohl die unmittelbare Auswirkung der KI wahrscheinlich komplementär ist (Steigerung der Produktivität), die in dieser Studie identifizierte strukturelle Exposition aufzeigt, wo die Risiken der Verdrängung und der Bedarf an Anpassung am größten sind. Sie betonen, dass zukünftige Arbeiten das Modell mit granulareren Berufsdaten verfeinern und dynamische Adoptionsraten einbeziehen sollten, aber der aktuelle Rahmen einen notwendigen ersten Schritt für eine inklusive und gerechte technologische Governance in Spanien bietet.