Deutscher Arbeitsmarkt – KI-Exposition GitHub

Inspiriert von karpathy.ai/jobs von Andrej Karpathy (US-Arbeitsmarkt). Deutsche Adaption: Digital-Audit Stefan Werner 2026.

Diese Treemap zeigt ~130 Berufsgruppen des deutschen Arbeitsmarkts aus der Beschaeftigtenstatistik der Bundesagentur fuer Arbeit (KldB 2010, 3-Steller).

So liest man die Karte: Die Groesse jeder Kachel entspricht der Anzahl sozialversicherungspflichtig Beschaeftigter — je groesser das Rechteck, desto mehr Menschen arbeiten in diesem Beruf. Die Farbe zeigt die oben gewaehlte Metrik: Mediangehalt (weiss = gut bezahlt, dunkel = niedrig), Anforderungsniveau (weiss = Experte, dunkel = Helfer) oder KI-Exposition (dunkel = stark betroffen, weiss = kaum betroffen). Die Statistiken oberhalb der Karte zeigen Gesamtwerte und Aufschluesselungen zur gewaehlten Ebene. Hover ueber eine Kachel fuer Details, Klick oeffnet die BERUFENET-Seite der Bundesagentur.

Mediangehalt: Die groessten Berufsgruppen (Pflege, Lager, Verkauf, Gastronomie) sind dunkel — niedrige Gehaelter, aber Millionen Beschaeftigte. Kleine helle Kacheln (IT, Medizin, Geschaeftsfuehrung) zeigen hohe Gehaelter bei weniger Beschaeftigten.

Anforderungsniveau: Faerbt nach Helfer (dunkel) bis Experte (weiss/hell). Der Grossteil des Arbeitsmarkts besteht aus Fachkraeften — Experten-Berufe (Aerzte, Wissenschaftler, Piloten) sind eine kleine, gut bezahlte Minderheit.

KI-Exposition: Das Bild kehrt sich um — jetzt sind die gut bezahlten Buero- und Wissensberufe (IT, Beratung, Verwaltung, Finanzen) dunkel, waehrend Handwerk und Pflege hell bleiben. Dunkel bedeutet dabei nicht „Job faellt weg“, sondern „KI veraendert diese Arbeit stark“. Ein Softwareentwickler (9/10) wird weiterhin gebraucht — aber KI veraendert wie gearbeitet wird, und moeglicherweise wie viele gebraucht werden.

Methodik: KI-Expositions-Scoring per LLM

Die KI-Exposition (0–10) wird per Large Language Model (LLM) geschaetzt. Jede Berufsgruppe wird einzeln bewertet nach: Wie stark wird KI diesen Beruf umgestalten? Direkte Effekte (Automatisierung) und indirekte Effekte (Produktivitaetssteigerung, weniger Stellen noetig) fliessen ein. Ankerpunkte: - 0-1: Minimale Exposition. Physisch/handwerklich. Bsp: Dachdecker, Landschaftsgaertner. - 2-3: Niedrig. Ueberwiegend physisch. Bsp: Elektriker, Klempner, Feuerwehr. - 4-5: Mittel. Mix Wissens-/physische Arbeit. Bsp: Krankenpflege, Polizei. - 6-7: Hoch. Ueberwiegend Wissensarbeit. Bsp: Lehrer, Manager, Buchhalter. - 8-9: Sehr hoch. Fast nur am Computer. Bsp: Softwareentwickler, Designer, Uebersetzer. - 10: Maximal. Routine-Informationsverarbeitung. Bsp: Datentypisten, Telefonverkauf. Der Quellcode (github.com/obimad/AIJobverlust) enthaelt die komplette Pipeline. Der Prompt kann frei angepasst werden — z.B. fuer Robotik-Exposition, Offshoring-Risiko oder Klimawandel-Auswirkung.

Hinweis: Die KI-Expositionswerte sind LLM-Schaetzungen, keine belastbaren Prognosen. Ein hoher Wert bedeutet nicht, dass der Beruf verschwinden wird — Softwareentwickler erhalten 9/10, weil KI ihre Arbeit transformiert, aber die Nachfrage nach Software koennte steigen. Der Score beruecksichtigt weder Nachfrageelastizitaet noch regulatorische Barrieren oder gesellschaftliche Praeferenzen.