How AI is expanding what people do at work (Work at the Frontier, rapport 1)

Kernpunkte

1. ⭐⭐ Die beiden Schlagzeilenzahlen, und warum beide immer genannt werden müssen. 16,8 % der arbeitsbezogenen Nachrichten UND 43,5 % der berufsspezifischen Nachrichten. Der Trichter: 61,5 % der Arbeitsnutzung sind generisch (Schreiben, Zusammenfassen, Planen — « zu breit über Berufe hinweg geteilt, um als Beleg für Crossover zu gelten ») und werden aus der Berechnung entfernt; von den verbleibenden 38,5 % fallen 43,5 % außerhalb des Berufs. → 43,5 % werden auf Basis von 38,5 % der Nutzung berechnet. Wird nur die Zahl 43,5 % zitiert, verdoppelt sich der wahrgenommene Umfang nahezu. Beide Zahlen stehen in der Quelle; in der Berichterstattung überlebt meist nur eine.
2. ⭐ Die Nuance „inside or near“. Das Komplement der 43,5 % ist nicht „innerhalb des Berufs“, sondern « innerhalb oder in der Nähe des Berufs eines Nutzers ». Die gemessene Grenze ist somit konstruktionsbedingt unscharf — was ehrlich ist, aber selten weitergegeben wird.
3. Der methodische Gegenzug — der eigentliche Beitrag des Papers. Die Literatur geht von einer festen Aufgabenliste pro Beruf aus und fragt, ob das Modell sie ausführen kann; hier lautet die Frage wer macht was. « Unsere Erkenntnisse deuten darauf hin, dass KI auch verändert, wer welche Aufgaben übernimmt. » → Dies misst eine beobachtete Umverteilung, keine theoretische Substituierbarkeit. Das unterscheidet diese Arbeit von Expositionsstudien (vgl. die in [[dgtresor-ia-effets-emploi-2026-06-30]] und [[sfeir-ia-emploi-risque-decrochage-2026-07-23]] diskutierten Spannen von 5–60 %).
4. Nach Beruf, Anteil berufsfremder Aufgaben. (an berufsspezifischen Nachrichten): Kundenerfahrung 77 % · Design 75 % · Personalwesen 69 % · Recht 56 % · Marketing 53 % · Vertrieb 40 % · Finanzen 40 % · Engineering 28 %. « Berufsfremde Arbeit stellt in fünf von acht Gruppen die Mehrheit. »
5. ⭐⭐ Die Heatmap — das ergiebigste Objekt und in der gesamten Berichterstattung abwesend. (Zeilen = Beruf des Nutzers, Spalten = Ursprungsberuf der Aufgabe; Diagonale fett): | Nutzer ↓ / Aufgabe → | CX | Design | Eng. | Fin. | HR | Recht | Mktg | Vertrieb | |---|---|---|---|---|---|---|---|---| | Kundenerfahrung | 11 | 5 | 20 | 14 | 6 | 6 | 26 | 11 | | Design | 6 | 12 | 28 | 10 | 4 | 4 | 28 | 8 | | Engineering | 4 | 4 | 53 | 9 | 4 | 4 | 20 | 2 | | Finanzen | 6 | 4 | 22 | 23 | 4 | 8 | 25 | 7 | | HR | 9 | 5 | 18 | 16 | 10 | 10 | 23 | 9 | | Recht | 5 | 4 | 17 | 12 | 7 | 31 | 18 | 6 | | Marketing | 10 | 6 | 17 | 11 | 4 | 4 | 36 | 12 | | Vertrieb | 11 | 5 | 18 | 15 | 4 | 6 | 29 | 12 | Drei Lesarten, die der Text nicht vornimmt: 1. Die Diagonale ist das eigentliche Ergebnis. Engineering behält 53 % seiner eigenen Arbeit; Kundenerfahrung 11 %, HR 10 %, Design 12 %, Vertrieb 12 %. → Manche Berufe haben in ihrer nicht-generischen ChatGPT-Nutzung fast aufgehört, ihre eigene Arbeit zu tun. 2. Bei vier Berufen übersteigt die Marketing-Spalte die Diagonale. Ein Designer erledigt mehr Marketingaufgaben (28 %) und Engineering-Aufgaben (28 %) als Design-Aufgaben (12 %); ein Kundenerfahrungs-Mitarbeiter erledigt mehr Marketing (26 %) als CX (11 %); dasselbe gilt für HR (23 % vs. 10 %) und Vertrieb (29 % vs. 12 %). 3. Zwei Spalten absorbieren fast alles: Marketing (18 bis 36 % überall) und Engineering (17 bis 53 %). Die anderen sechs Berufe erhalten nur Krümel. ⚠️ Lesehinweis: Die niedrige Diagonale bedeutet nicht, dass diese Beschäftigten ihre eigene Arbeit nicht mehr tun — sie bedeutet, dass ihre nicht-generischen Nachrichten anderswo eingeordnet werden, auf einer Basis, die bereits 61,5 % der Nutzung ausschließt. Die für diese Berufe spezifischen Aufgaben könnten genau jene sein, die als „generisch“ eingestuft werden.
6. Die beiden Zirkulationsrichtungen, quantifiziert. Design importiert 35,2 % / exportiert 1,7 %; Engineering importiert 18,5 % / exportiert 7,4 %; Marketing importiert 24,3 % / exportiert 8,9 % — « der höchste Exportanteil in der Stichprobe ». → Marketing ist der einzige Beruf, der beide Richtungen anhäuft.
7. Die beiden universell entlehnten Aufgaben. Finanzberechnung und Fehlerbehebung bei Technologie erscheinen in den Top 3 der Entlehnungen für die anderen sieben Gruppen. Die Erstellung von Marketingmaterial erscheint in fünf weiteren Gruppen, « besonders ausgeprägt bei Design-Nutzern ».
8. ⭐ Die Asymmetrie des Engineering — die praktisch relevanteste Zahl für ein IT-Dienstleistungsunternehmen. Engineering ist sowohl der am wenigsten poröse Beruf (28 %, Import 18,5 %) als auch ein bedeutender Exporteur (7,4 %), und seine Diagonale von 53 % ist mit Abstand die höchste. Die gefeierte Porosität verläuft somit weitgehend einseitig in Richtung der technischen Seite: Andere Berufe übernehmen Fehlerbehebung und technische Systemarbeit, umgekehrt ist es selten (Design exportiert 1,7 %). Was das konkret bedeutet: KI verwässert Engineering nicht in andere Berufe — sie verbreitet Engineering-Aufgaben überall sonst, während Ingenieure bei ihrer Kernarbeit bleiben.
9. ⚠️⚠️ Der Größeneffekt ist schwächer, als andernorts berichtet — zwei von OpenAI selbst genannte, oft verlorene Vorbehalte. 1. Die Verschiebung von 18,9 % auf 16,3 % gilt nur „unter Durchschnittsnutzern“. 2. « Bei den intensivsten Nutzern sehen wir nicht dasselbe monotone Muster. » → Der Trend gilt nicht für Vielnutzer. OpenAI bietet zwei mögliche Erklärungen an (moderate Nutzer in kleinen Organisationen greifen auf KI zurück, wenn sie auf Arbeit stoßen, die zu einer anderen Funktion gehört; Vielnutzer haben stabilisierte Arbeitsabläufe, die sich organisationsübergreifend ähneln, oder nutzen KI intensiver innerhalb ihres Kernberufs). 3. Die Schlussfolgerung ist bedingt: « KI könnte besonders nützlich als generalistisches Werkzeug sein, wo Fachressourcen knapp sind. » → Korrektur zu [[sfeir-ia-frontieres-metiers-skill-based-organisation-2026-08-01]], das diese 2,6 Punkte als eindeutiges Ergebnis und die generalistische Schlussfolgerung als Behauptung darstellte. Die Quelle ist vorsichtiger als der Kommentar dazu, und die von mir als Schwachstelle markierte Lücke von 2,6 Punkten wird von den Autoren selbst ausdrücklich eingegrenzt.
10. Der beanspruchte epistemische Status — Frühindikator. Diese Daten offenbaren Neukombinationen « bevor Unternehmen Stellenbeschreibungen umschreiben oder neue Jobtitel schaffen », und « können ein frühes Signal für beruflichen Wandel liefern, das konventionelle Arbeitsmarktstatistiken erst später erfassen ». → Ein Frühindikator, kein Beschäftigungsmaß. Es zeigt, was Menschen versuchen, nicht was Organisationen bestätigen.
11. Doktrinäre Zugehörigkeit. Das Paper stützt sich auf das AI Jobs Transition Framework desselben Teams, dessen These lautet, dass viele Berufe sich umorganisieren werden — « Jobs, deren Alltagsaufgaben sich erheblich verändern könnten » — statt zu verschwinden. Crossover ist der Nutzungsbeleg dafür.
12. ⚠️ Inhaltliche Vorbehalte, systematisch anzuführen.
13. OpenAI misst OpenAI. Ein einzelner Assistent, ausschließlich die eigenen Nutzer, dargestellt als Vorteil (« unser einzigartiges Fenster »). Gemessen wird die ChatGPT-Nutzung, nicht die KI-Nutzung.
14. Nur US-amerikanische Nutzer. Eine internationale Extrapolation ist nicht möglich, und der Bericht versucht auch keine.
15. Nicht repräsentative Population. der Erwerbstätigen: Es handelt sich um ChatGPT-Nutzer, selbstselektiert.
16. Die Berufsklassifikation erfolgt durch ein Modell. , anhand von Nachrichten, ohne im Beitrag beschriebene externe Validierung. Die Kategorien (acht Gruppen) und die Grenze „generisch / spezifisch“ sind Designentscheidungen, die die Ergebnisse mechanisch bestimmen — hier entscheidet sich in Wahrheit die Robustheit der 43,5-%-Zahl.
17. Erklärtes Ziel. « Politik und Praxis zu leiten ». Ein Akteur, der die Daten über seine eigene Wirkung erzeugt und damit die öffentliche Politik informieren will. Derselbe Bias, der bezüglich Bercy in [[sfeir-ia-emploi-risque-decrochage-2026-07-23]] angemerkt wurde.
18. Meta / Querverweise. Primärquelle für [[sfeir-ia-frontieres-metiers-skill-based-organisation-2026-08-01]], die sie ergänzt (16,8 %, Marketing 24,3 %, Heatmap) und korrigiert (nicht-monotoner Größeneffekt bei Vielnutzern); zu lesen zusammen mit [[dgtresor-ia-effets-emploi-2026-06-30]] und [[sfeir-ia-emploi-risque-decrochage-2026-07-23]] zur Lücke zwischen theoretischer Exposition und beobachteter Umverteilung; erweitert [[mollick-organizational-theory-agentic-ai-spans-control-2026-02]] und [[mollick-valence-ai-hr-playbook-leader-lab-crowd-2025-07-23]] auf der organisationstheoretischen Seite; HR-Kontext in [[bersin-chro-pivotal-role-ai-transformation-2025-10-10]].