⚡ electrical engineering

Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption

Diese Studie erweitert das Acemoglu-Restrepo-Rahmenwerk um den Agentic Task Exposure (ATE)-Score, um zu zeigen, dass autonome KI-Agenten bis 2030 in den wichtigsten US-Technologiezentren 93,2 % der untersuchten Berufe einem moderaten Verdrängungsrisiko aussetzen, während gleichzeitig neue Rollen in der Mensch-KI-Kollaboration entstehen.

Ursprüngliche Autoren: Ravish Gupta, Saket Kumar

Veröffentlicht 2026-04-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ravish Gupta, Saket Kumar

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

🤖 Wenn KI nicht nur ein Werkzeug, sondern ein ganzer Mitarbeiter wird

Stellen Sie sich vor, Sie haben einen sehr klugen, aber etwas sturen Assistenten.

Die alte KI (Generative KI wie ChatGPT): Das ist wie ein Super-Schreiber. Wenn Sie ihm sagen: „Schreib mir einen Entwurf für einen Brief", macht er das hervorragend. Aber wenn Sie sagen: „Organisiere mir die ganze Reise, buche die Flüge, prüfe die Visa und rufen Sie den Hotelmanager an, falls etwas nicht passt", dann sagt er: „Ich kann den Brief schreiben, aber den Rest müssen Sie selbst machen." Er erledigt nur einen Schritt und gibt die Kontrolle zurück.
Die neue KI (Agentic AI): Das ist wie ein vollständiger Mitarbeiter. Wenn Sie ihm sagen: „Organisiere die Reise", sucht er selbstständig nach Flügen, prüft die Visa, bucht das Hotel und ruft sogar an, wenn etwas schiefgeht. Er denkt in ganzen Abläufen, trifft Entscheidungen und liefert ein fertiges Ergebnis – ohne dass Sie dazwischenhaken müssen.

Diese Studie von Ravish Gupta und Saket Kumar fragt sich: Was passiert, wenn diese „vollständigen Mitarbeiter" in unseren Büros und Kanzleien anfangen zu arbeiten?

📍 Das große Experiment: Fünf Städte im Vergleich

Die Forscher haben sich fünf wichtige Tech-Städte in den USA angesehen (San Francisco, Seattle, Austin, New York, Boston). Sie haben sich vorgestellt, wie schnell diese neuen KI-Agenten dort eingeführt werden.

San Francisco (Tier 1): Hier ist die KI-Revolution schon im vollen Gange. Es ist wie ein Feuerwerk, das gerade explodiert.
Seattle & Austin (Tier 2): Hier brennt das Feuer noch nicht ganz so hell, aber es kommt schnell.
New York (Tier 3): Hier dauert es noch etwas länger, bis die neuen Mitarbeiter ankommen.

⚖️ Die neue Messlatte: Der „ATE-Score"

Früher haben Ökonomen geglaubt: „Wenn eine KI einen Teil einer Aufgabe erledigt, bleibt der Job trotzdem bestehen, weil der Mensch den Rest macht."
Die Studie sagt: Nein, das ist falsch.

Wenn ein KI-Agent den ganzen Prozess von A bis Z erledigt (z. B. eine Kreditprüfung oder einen Gerichtsfall vorbereiten), braucht die Firma den Menschen gar nicht mehr für den Rest. Der Job verschwindet komplett, nicht nur ein Teil davon.

Um das zu messen, haben sie den ATE-Score (Agentic Task Exposure) erfunden.

Niedriger Score: Der Job braucht viel menschliche Handarbeit, Empathie oder physische Präsenz (z. B. Krankenschwester, Handwerker). Die KI kann hier nicht alles allein.
Hoher Score: Der Job besteht aus reinen Daten, Dokumenten und Logik (z. B. Kreditanalyst, Jurist, Buchhalter). Hier kann die KI den ganzen Prozess übernehmen.

📉 Was die Zahlen sagen (Die Ergebnisse)

Die Studie hat 236 verschiedene Berufe untersucht. Das Ergebnis ist alarmierend, aber nicht chaotisch:

Bürojobs sind in Gefahr: In San Francisco werden bis 2027 fast 92 % der Finanzberufe und 100 % der Juristen von dieser neuen KI bedroht. Das bedeutet nicht, dass sie alle morgen arbeitslos sind, aber ihre Aufgaben werden so stark automatisiert, dass die Firmen weniger Leute brauchen.
Es ist ein Zeitproblem: Was in San Francisco 2027 passiert, passiert in New York erst 2030. Die KI wandert wie eine Welle von West nach Ost.
Kein „Apokalypse-Szenario", aber ein Umbruch: Es gibt keine Berufe, die zu 100 % verschwinden (kein Score über 0,65). Aber fast alle Bürojobs werden sich stark verändern. Ein Kreditanalyst wird nicht mehr selbst rechnen, sondern nur noch prüfen, ob die KI richtig gerechnet hat.

🌱 Die gute Nachricht: Neue Jobs entstehen (Die „Wiederherstellung")

Wenn alte Jobs verschwinden, entstehen neue. Die Studie nennt das den „Reinstatement-Effekt". Aber diese neuen Jobs sehen anders aus als früher.

Früher dachte man: „Wenn der Roboter den Bauarbeiter ersetzt, wird er Programmierer."
Die Studie sagt: Nein. Die neuen Jobs brauchen keine Programmierkenntnisse. Sie brauchen menschliche Urteilskraft.

Stellen Sie sich vor, die KI ist ein sehr schneller, aber manchmal hallucinierender Anwalt. Wir brauchen jetzt Menschen, die:

Die KI überwachen: Jemand muss prüfen, ob die KI keine falschen Gesetze zitiert (KI-Qualitätsprüfer).
Die KI lenken: Jemand muss dem KI-Agenten sagen, was das eigentliche Ziel ist und wo die Grenzen liegen (KI-Workflow-Designer).
Für die KI gerade stehen: Wenn die KI einen Kredit ablehnt, muss ein Mensch die Verantwortung übernehmen und erklären, warum (KI-Ethik-Beauftragter).

Die Metapher: Früher waren wir die Handwerker, die den Stein schleifen. In Zukunft sind wir die Architekten, die dem Roboter sagen, wo der Stein hin muss, und prüfen, ob das Gebäude stabil steht.

💡 Was bedeutet das für uns?

Für die Politik: Man kann nicht warten, bis die Leute arbeitslos sind. In San Francisco muss man jetzt helfen, in New York hat man noch 2–3 Jahre Zeit. Eine „Einheitslösung" für das ganze Land funktioniert nicht.
Für die Bildung: Universitäten sollten nicht mehr nur lehren, wie man eine Rechnung erstellt (das macht die KI besser). Sie sollten lehren, wie man prüft, ob die Rechnung stimmt und wie man mit der KI zusammenarbeitet.
Für Arbeitnehmer: Wenn Sie in einem Bürojob sind, der viel mit Daten und Texten zu tun hat, sollten Sie sich fragen: „Kann ich meine Arbeit so machen, dass ich die KI leite, statt nur Aufgaben zu erledigen?" Die Fähigkeit, KI zu „managen", wird wichtiger sein als das Auswendiglernen von Fakten.

Zusammenfassung in einem Satz

Die neue KI ist nicht nur ein Werkzeug, das uns hilft, schneller zu arbeiten, sondern ein neuer Mitarbeiter, der ganze Jobs übernehmen kann; unsere Aufgabe ist es nun, zu lernen, wie wir diese neuen Mitarbeiter führen, überwachen und für ihre Fehler verantwortlich machen.

Technische Zusammenfassung: Agentic AI und berufliche Verdrängung

Titel: Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption
Autoren: Ravish Gupta & Saket Kumar

1. Problemstellung und Motivation

Die aktuelle wirtschaftswissenschaftliche Literatur zur Automatisierung (z. B. Autor–Levy–Murnane Framework, Acemoglu–Restrepo) basiert auf der Annahme, dass KI-Systeme einzelne Teilaufgaben (subtasks) ersetzen, während der Beruf als Koordinationshülle um die verbleibende menschliche Arbeit herum bestehen bleibt.

Das Paper argumentiert, dass diese Annahme für Agentic AI (autonome KI-Agenten) nicht mehr gilt. Im Gegensatz zu herkömmlicher KI (z. B. Chatbots, die nur Text generieren) können Agentic-Systeme:

Ziele statt einzelner Aufgaben erhalten.
Werkzeuge autonom auswählen und aufrufen.
Mehrstufige Pläne ausführen und den eigenen Output überprüfen.
End-to-End-Workflows ohne menschliche Zwischenunterbrechung abschließen.

Dies führt zu einem fundamentalen Wandel der ökonomischen Logik: Wenn ein Agent einen gesamten Workflow (z. B. Buchhaltung oder Vertragsprüfung) zu 80 % der Qualität eines Menschen erledigen kann und ein menschlicher Prüfer die Fehler von 50 Agenten korrigieren kann, ist der Anreiz für Unternehmen nicht die Umverteilung der menschlichen Arbeitskraft, sondern die vollständige Eliminierung der Rolle. Bestehende Modelle unterschätzen daher das Verdrängungsrisiko, da sie die Workflow-Koordination nicht als Teil des automatisierbaren Bereichs betrachten.

2. Methodik: Der Agentic Task Exposure (ATE) Score

Die Autoren entwickeln einen neuen Metrik-Ansatz, den Agentic Task Exposure (ATE) Score, der das Acemoglu–Restrepo-Rahmenwerk erweitert. Der Score wird algorithmisch aus O*NET-Daten berechnet und ist keine Regressionsabschätzung.

Die Formel für den ATE-Score einer Occupation $o$ in Region $r$ zum Zeitpunkt $\tau$ lautet:
$ATE_o(r, \tau) = \sum_{t \in T_o} w_{o,t} \cdot CAP(t) \cdot COV(t, o) \cdot V(r, \tau)$

Komponenten der Methode:

$w_{o,t}$ (Gewichtung): Wichtigkeitsgewicht der Aufgabe $t$ innerhalb des Berufs $o$ (basierend auf O*NET).
$CAP(t)$ (KI-Fähigkeit): Ein Score (0–1), der die aktuelle Fähigkeit von Agentic-Systemen misst, die Aufgabe $t$ auf professionellem Niveau zu erledigen (basierend auf Benchmarks wie MMLU, SWE-bench, AgentBench).
$COV(t, o)$ (Workflow-Coverage-Faktor): Dies ist die kerninnovative Komponente. Sie bewertet, ob ein Agentic-System den gesamten Workflow im Kontext des Berufs ausführen kann, ohne dass ein Mensch für Koordination, Kontextsetzung oder Ausnahmeregelungen eingreifen muss.
- Der Faktor wird durch vier Penalty-Kategorien reduziert:
  - P1: Interpersoneller Kontext (Verhandlung, Beratung).
  - P2: Regulatorische/Vertrauenspflicht (Haftung, Diagnose, Notar).
  - P3: Physische Präsenz.
  - P4: Ausnahmeregelungen bei Krisen oder mehrdeutigen Situationen.
$V(r, \tau)$ (Adoptionsgeschwindigkeit): Eine logistische S-Kurve, die die zeitliche und regionale Verbreitung modelliert. Sie wird für fünf US-Regionen (Tier 1: SF Bay Area bis Tier 3: New York) unterschiedlich kalibriert.

Risikoklassifizierung:

Hoch: ATE $\ge$ 0,65
Moderat: 0,35 $\le$ ATE < 0,65
Niedrig: ATE < 0,35

3. Datenbasis und Studiendesign

Datengrundlage: 236 Berufsgruppen (SOC-Codes) aus sechs informationsintensiven Gruppen (Finanzen, Recht, Gesundheitswesen, Gesundheitsunterstützung, Vertrieb, Verwaltung) basierend auf O*NET 30.2.
Regionen: Fünf US-Technologiezentren: San Francisco Bay Area (Tier 1), Seattle, Austin, Boston (Tier 2) und New York (Tier 3).
Zeithorizont: Projektionen von 2025 bis 2030.
Berücksichtigung von Remote Work: Ein "Remote Work Feasibility Index" ( $R_o$ ) wird eingeführt, um zu modellieren, dass Arbeitnehmer in langsamer adoptierenden Regionen (z. B. New York) durch Arbeitgeber in schneller adoptierenden Regionen (z. B. SF Bay) betroffen sein können. Dies führt zu einer Konvergenz der Risiken.

4. Wichtige Ergebnisse

A. Verbreitung des Risikos:

Bis 2030 überschreiten 93,2 % der analysierten 236 Berufe in Tier-1-Regionen (SF Bay Area) die Schwelle für moderates Risiko (ATE $\ge$ 0,35).
In Tier-2-Regionen (Seattle, Austin, Boston) ist dieser Effekt bis 2030 ähnlich stark, während Tier-3-Regionen (New York) aufgrund späterer Adoptionszeitpunkte zurückbleiben.
Top-Risikoberufe: Kreditanalysten, Richter und Nachhaltigkeits-Spezialisten erreichen ATE-Scores von 0,43–0,47 bis 2030.
Kein "High-Risk"-Schock: Kein Beruf erreicht den Schwellenwert für "hohes Risiko" (ATE $\ge$ 0,65) innerhalb des Prognosezeitraums. Das Risiko ist breit gestreut, aber nicht katastrophal für einzelne Berufe.

B. Regionale und zeitliche Dynamik:

Es gibt eine 2–3 Jahre lange Verzögerung zwischen Tier-1- und Tier-2-Regionen. Was in San Francisco 2027 passiert, passiert in Seattle/Austin/Boston erst 2030.
Remote Work komprimiert diese Lücke, indem sie die Adoptionsgeschwindigkeit von Arbeitgebern auf Arbeitnehmer in anderen Regionen überträgt.

C. Vergleich mit früheren Studien:

Im Gegensatz zu früheren Studien, die Bürokraten und Routinetätigkeiten als am stärksten gefährdet sahen, zeigt das ATE-Modell, dass informationsintensive Fachberufe (Finanzen, Recht) aufgrund ihrer gut definierten digitalen Workflows stärker gefährdet sind.
Die Ergebnisse sind konservativer als reine "Token-Level"-Analysen (z. B. Eloundou et al.), da sie die Notwendigkeit menschlicher Workflow-Koordination (COV-Faktor) berücksichtigen.

D. Validierung:

Der ATE-Score korreliert stark mit dem AIOE-Score (Felten et al., $\rho = 0,84$ ) und GPT-Exposure-Scores ( $\rho = 0,72$ ).
Empirische Validierung mittels BLS-Daten zeigt, dass in Tier-1-Regionen (SF Bay) die Beschäftigung in administrativen und finanziellen Sektoren bereits 2025 signifikant rückläufig ist, während Gesundheitssektoren wachsen.

5. Reinstatement-Effekte (Wiedereinstellungseffekte)

Das Paper identifiziert nicht nur Verdrängung, sondern auch neue Arbeitsplätze, die durch die Notwendigkeit menschlicher Aufsicht entstehen. Es werden 17 neue Berufskategorien identifiziert, die in vier Gruppen unterteilt sind:

AI Operations & Oversight: (z. B. AI Operations Specialist, Agent Monitor) zur Überwachung von KI-Drift und Halluzinationen.
Human-AI Collaboration Design: (z. B. AI Workflow Designer) zur Neugestaltung von Prozessen.
Domain-Specific AI Direction: (z. B. Senior AI-Augmented Paralegal) Fachkräfte, die KI-Agenten leiten, statt sie zu ersetzen.
AI Governance & Ethics: (z. B. AI Compliance Officer) für regulatorische Verantwortung.

Wichtig: Diese neuen Rollen erfordern keine Programmierkenntnisse, sondern tiefes Domänenwissen, um KI-Ausgaben kritisch zu prüfen und Ziele klar zu spezifizieren.

6. Bedeutung und Implikationen

Politik & Arbeitsmarkt: Die Ergebnisse erfordern eine regionale Stufung von Übergangshilfen. Tier-1-Regionen benötigen sofortige Maßnahmen, während Tier-2-Regionen einen Vorlaufzeitraum von 2–3 Jahren haben.
Weiterbildung: Der Fokus sollte nicht auf der Umschulung zu Software-Entwicklern liegen, sondern auf der Aufwertung bestehender Domänenkenntnisse (z. B. einen Anwalt darin schulen, KI-Entwürfe zu auditieren).
Bildungswesen: Universitäten müssen den Lehrplan von "Wissen, wie man eine Aufgabe macht" hin zu "Fähigkeit, KI-Ausgaben zu validieren und Ausnahmen zu managen" verschieben.
Unternehmensverantwortung: Da die Verdrängung oft graduell und nicht durch Massenentlassungen (WARN Act) erfolgt, werden neue Offenlegungspflichten für KI-Einsatzpläne gefordert.

Fazit: Agentic AI verändert die Definition von Automatisierungsexposition grundlegend. Das Risiko liegt weniger im vollständigen Verschwinden von Berufen, sondern in einer breiten, moderaten Verdrängung von informationsintensiven Aufgaben, die durch neue, überwachende und steuernde menschliche Rollen teilweise kompensiert wird. Die Geschwindigkeit dieser Transformation ist jedoch regional extrem unterschiedlich und wird durch Remote Work beschleunigt.