Methodik · Career Impact Dashboard
Diese Seite erklärt, wie das Career Impact Dashboard KI-Substituierbarkeit von Berufen darstellt: welche Quellen es nutzt, wie Bandbreiten zustande kommen, wie Konfidenz klassifiziert wird, und was das Dashboard ausdrücklich nicht ist.
1. Was zeigt das Dashboard?
Das Career Impact Dashboard aggregiert, was Forschungs-Institute und nationale Statistik-Behörden über die KI-Substituierbarkeit einzelner Berufe veröffentlicht haben — für 8 Länder (DE, US, UK, FR, CA, NL, SE, AU) und 82 kuratierte ISCO-08-Berufsgruppen. Jeder Datenpunkt zeigt eine Bandbreite (Minimum–Median–Maximum) aus mehreren Quellen, nicht eine einzelne Zahl.
Substituierbarkeit (auf einer Skala 0–1) beschreibt: Welcher Anteil der heutigen Kerntätigkeiten eines Berufs ist mit existierender oder absehbarer KI technisch ersetzbar? Das ist nicht gleichbedeutend mit "wird ersetzt werden" — die tatsächliche wirtschaftliche und regulatorische Umsetzung ist eine andere Frage.
2. Das 3-Schichten-Quellenmodell
Pro Land × Beruf × Jahr werden bis zu drei Schichten herangezogen — je verfügbar. Eine fehlende Schicht ist kein Fehler, sondern wird im Detail-Panel transparent als Edge-Case-Flag markiert.
Schicht A — Nationale Statistik-Behörden
Vorrangig herangezogene Quelle. Pro MVP-Land eine offizielle Reihe — z.B. IAB Substituierbarkeitspotenzial (DE), BLS Employment Projections + O*NET Work Activities (US), ONS Probability of Automation (UK, Stand 2019), France Stratégie/DARES (FR), Statistics Canada AI Occupational Exposure (CA), CBS AI-monitor (NL), Arbetsförmedlingen Yrkeskompassen (SE), Jobs and Skills Australia (AU). Native Klassifikationen (KldB, SOC, PCS, NOC, SSYK, ANZSCO) werden vor dem Eintragen auf ISCO-08 4-digit gemappt.
Schicht B — OECD-Vergleichsrahmen
Wenn nationale Daten fehlen oder zu alt sind, kommt der OECD-Cross-Country-Rahmen zum Zug — methodologisch verankert in Lassébie & Quintini (2022) "AI exposure of occupations" und fortgeschrieben in OECD Employment Outlook 2025 sowie "Who will be the workers most affected by AI?". Beschreibt KI-Exposition deskriptiv, ohne wirtschaftliche Substitutions-Prognose.
Schicht C — Frey/Osborne 2013 (Letzter Fallback)
Der Frey/Osborne-Datensatz "The Future of Employment" (Oxford 2013) wird nur als letzte Schicht eingeblendet — wenn weder A noch B Daten haben. Per Konstruktion universell pro ISCO (gleiche Wahrscheinlichkeit weltweit). Die Quelle ist seit 10+ Jahren stark kritisiert (siehe Abschnitt 6); ihr Einsatz wird im Detail-Panel immer mit einem Caveat markiert.
3. Wie entsteht die Bandbreite?
Aus allen verfügbaren Quellen-Werten pro Zelle (ISCO × Land × Jahr) wird der Median berechnet — gleichgewichtet, ohne nach Quellen-Autorität zu rangieren. Minimum und Maximum geben die Bandbreite. Das ist bewusst konservativ: wenn Forschung uneins ist, soll das Dashboard die Spannweite zeigen, nicht den scheinbar präzisesten Punktwert.
Ausreißer (Werte, die um den Faktor 1,5 vom Median abweichen) werden annotiert, aber nicht aus der Bandbreite gestrichen. Sie erscheinen als Flag im Detail-Panel — der User entscheidet, ob er ihnen Gewicht gibt.
4. Confidence-Quality: robust / divergent / sparse
Jeder Datenpunkt bekommt ein Konfidenz-Label, das die Verlässlichkeit der Bandbreite einordnet — nicht die Bandbreite selbst überschreibt.
- Robust ≥3 Quellen, Standardabweichung < 0,15. Forschung ist sich weitgehend einig — die Bandbreite ist eng und belastbar.
- Divergent ≥3 Quellen, Standardabweichung ≥ 0,15. Quellen weichen erheblich voneinander ab — die Bandbreite reflektiert Perspektiven-Divergenz, nicht Messfehler.
- Spärlich <3 Quellen. Nicht genug für statistische Aussagen über Konsens — die Bandbreite kann durch eine weitere Studie deutlich verschieben.
5. Quellen im Detail
Pro Quelle Methodik-Kurzbeschreibung, Lizenz und Stand. Detail-Tiefe siehe verlinkte Original-Reports und das Quellen-Schema im Repository.
| Land | Quelle | Lizenz | Hinweis |
|---|---|---|---|
| DE | IAB Substituierbarkeitspotenzial (Forschungsbericht 23/2025) | DL-DE BY 2.0 | KldB→ISCO-Crosswalk via destatis. |
| US | BLS Employment Projections + O*NET Work Activities | US Government Works | Zwei kombinierte Reihen; Crosswalk SOC→ISCO. |
| UK | ONS Probability of Automation (2019) | OGL v3 | Kein Update seit 2019 — wird als stale geflaggt; UK präferiert oft Schicht B. |
| FR | France Stratégie / DARES — IA et travail | Etalab Open Licence 2.0 | PCS-2020→ISCO-Crosswalk. |
| CA | Statistics Canada AI Occupational Exposure | Statistics Canada Open Licence | NOC-2021→ISCO-Crosswalk. |
| NL | CBS AI-monitor / SER-Advies AI en werk | CBS Open Data | Nativ in ISCO-08 — kein Crosswalk nötig. |
| SE | Arbetsförmedlingen Yrkeskompassen + Automatiseringen | CC0 1.0 | SSYK-2012→ISCO-Crosswalk. |
| AU | Jobs and Skills Australia — Generative AI Capacity Study | CC BY 4.0 | ANZSCO-1.3→ISCO-Crosswalk. |
| — | OECD Lassébie/Quintini 2022 + Follow-ups | OECD T&C | Schicht B — Cross-Country-Rahmen, deskriptiv. |
| — | Frey/Osborne 2013 — Future of Employment | Academic / fair use | Schicht C — letzter Fallback, ältere Quelle (siehe Abschnitt 6). |
6. Frey/Osborne 2013 — die längere Geschichte
Die Oxford-Studie von Carl Benedikt Frey und Michael A. Osborne (2013) prägte die öffentliche Debatte über KI-Arbeitsmarkt-Effekte mit der Schätzung, ~47 % der US-Beschäftigung sei "in den nächsten 10–20 Jahren automatisierbar". Die Methodik basierte auf Expert-Workshops und einer probabilistischen Klassifikation von SOC-Codes — kein Tätigkeits-Level-Modell.
Spätere Arbeiten (besonders OECD 2018, Nedelkoska/Quintini) kritisierten die Berufs-Level-Heuristik scharf: wenn man auf Tätigkeits-Ebene heruntergeht, sinkt das Substitutions-Potenzial dramatisch (auf ~9–14 %), weil Berufe selten als Ganzes ersetzt werden, sondern nur einzelne Tätigkeiten. Die OECD-Methodik gilt seither als methodologischer Standard für Cross-Country-Vergleiche.
Warum wir Frey/Osborne trotzdem als Schicht C zulassen: in einigen Ländern ist nichts anderes verfügbar. Eine Bandbreite mit Frey/Osborne-Wert plus Caveat ist transparenter als gar keine Bandbreite. Das Detail-Panel markiert die Quelle immer mit Hinweis auf die OECD-2018-Kritik.
7. Limits & Disclaimer
Was das Career Impact Dashboard ausdrücklich nicht ist:
- Keine Berufs-Empfehlung. "Hohe Substituierbarkeit" bedeutet nicht "diesen Beruf nicht ergreifen". Die tatsächliche Arbeitsmarkt-Entwicklung hängt von Regulierung, Geschäftsmodellen, Tarif-Verhandlungen und vielen Faktoren ab, die hier nicht modelliert sind.
- Keine Vorhersage. Die Werte beschreiben technisches Substitutions-Potenzial, nicht beobachtete oder prognostizierte Beschäftigungs-Veränderung. Was technisch ginge, passiert oft nicht (oder nicht in dem Tempo).
- Keine Individualisierung. Die Daten gelten für Berufsgruppen als statistische Aggregate. Ein:e Einzelne mit spezifischer Spezialisierung, regionalem Arbeitsmarkt und Erfahrung kann massiv abweichen.
- Keine Cross-Country-Stilisierung. Datenlücken pro Land werden transparent angezeigt (Edge-Case-Flag noNationalData). Eine grüne Färbung in einem Land mit nur Schicht-C-Daten ist nicht direkt vergleichbar mit einer grünen Färbung in einem Land mit drei robusten Schicht-A-Quellen.
- Keine Tagesaktualität. Nationale Reihen werden typischerweise jährlich oder seltener aktualisiert. Das Dashboard fasst eine Reihe zusammen, kein Live-Ticker.
Eigene Aggregate sind als CC BY-NC-SA 4.0 lizenziert. Quellen behalten ihre Original-Lizenz (siehe Tabelle in Abschnitt 5).