Erfassen Sie die Aufgaben, bevor Sie entscheiden, was Sie automatisieren

Worum es geht

Bevor Sie entscheiden, was Sie automatisieren, listen Sie die Aufgaben einer Rolle oder eines Prozesses auf und beurteilen Sie jede einzeln. Ein Beruf ist ein Bündel von Aufgaben. KI kann einige davon erledigen, bei anderen helfen und ist für den Rest nutzlos. „Exposition“ ist der Fachbegriff der Forschung dafür, wie viel eines Berufs KI grundsätzlich übernehmen oder unterstützen könnte.

Was die Evidenz zeigt

• Nur wenige Berufe lassen sich ganz automatisieren. Eine Studie, die 18.156 Aufgaben bewertete, fand: Die meisten Berufe enthalten einige Aufgaben, die maschinelles Lernen erledigen könnte, und nur wenige ließen sich ganz automatisieren. Um den Nutzen zu erzielen, muss der Beruf meist neu zugeschnitten werden.
• Unterstützen statt ersetzen ist der Normalfall. Eine weltweite Schätzung der International Labour Organization sagt voraus, dass generative KI Menschen in ihren Berufen vor allem unterstützen wird. Büro- und Verwaltungsarbeit ist am stärksten exponiert.
• Exposition sagt keinen Stellenabbau voraus. In 23 Ländern verloren Berufe mit höherer KI-Exposition insgesamt keine Beschäftigung. Wo viel am Computer gearbeitet wurde, ging höhere Exposition mit schnellerem Beschäftigungswachstum einher. Diese Studie nutzte Daten aus der Zeit vor den heutigen KI-Chatwerkzeugen. Seit 2022 ist die Evidenz umstritten. In US-Lohnabrechnungsdaten liegt die Beschäftigung von 22- bis 25-Jährigen in den am stärksten betroffenen Berufen etwa 19 % unter dem Trend. Der Tracker des Yale Budget Lab findet keine klare Störung in der US-Wirtschaft insgesamt.
• Exposition ist nicht Nutzung. Expositionswerte zeigen, was KI tun könnte, nicht, wofür sie genutzt wird. Ein aktuelles Arbeitspapier sagt das ausdrücklich.

Für ganze Berufe gibt es öffentliche Werte, etwa das AI Occupational Exposure measure. Sie beschreiben einen typischen Beruf. Ihre Buchhalterin oder Ihr Planer erledigt vielleicht andere Aufgaben.

So gehen Sie vor

1. Wählen Sie für den Anfang eine Rolle oder einen Prozess.
2. Listen Sie die Aufgaben gemeinsam mit den Menschen auf, die sie erledigen. Stellenbeschreibungen sind meist veraltet. Fragen Sie jede Person, welche Aufgaben sie automatisiert haben möchte und warum. In einer Studie, in der 1.500 Beschäftigte in den USA 844 Aufgaben bewerteten, befürworteten sie die Automatisierung von 46,1 % davon. Am häufigsten wollten sie KI als gleichberechtigten Partner. Bei 47,5 % der Aufgaben wollten sie mehr menschliche Beteiligung, als KI-Fachleute für nötig hielten. Die Studie ist ein Preprint, noch nicht fachlich begutachtet.
3. Notieren Sie für jede Aufgabe, wie oft sie anfällt, wie lange sie dauert und was schiefgeht, wenn sie schlecht erledigt wird.
4. Beurteilen Sie getrennt: Könnte KI die Aufgabe erledigen? Könnte Ihr Unternehmen das einführen und am Laufen halten? Braucht die Aufgabe das Urteil, die Beziehungen oder die Verantwortung eines Menschen?
5. Kennzeichnen Sie jede Aufgabe: automatisieren, unterstützen oder so lassen.
6. Prüfen Sie die Liste „automatisieren“ auf Aufgaben, an denen Berufseinsteiger lernen.
7. Bevor Sie Stellen streichen, prüfen Sie die Spuren, wie die Arbeit wirklich erledigt wird: Überstunden, Länge der Warteschlangen und wie oft Teamleitungen oder andere einspringen. Siehe den Kasten unten.
8. Beginnen Sie mit wenigen Aufgaben und messen Sie.

Spuren, die Sie prüfen sollten, bevor Sie Stellen streichen

Bei der Commonwealth Bank of Australia sagte die Bank, 45 Stellen im Kundenservice würden wegfallen und durch einen KI-Sprachbot ersetzt. Die Gewerkschaft verwies auf steigende Anrufzahlen, angebotene Überstunden und Teamleitungen, die Anrufe annahmen. Die Bank sagte daraufhin, ihre Einschätzung sei ein “error” [„Fehler“] gewesen und die Stellen seien nicht überflüssig. Aufzeichnungen zu Überstunden, Warteschlangen und Weiterleitungen zeigen, ob die Arbeit wirklich weggefallen ist. Prüfen Sie sie, bevor Sie eine Stelle streichen.

Was Sie messen

• Den Anteil der Arbeitszeit in jeder Gruppe: automatisieren, unterstützen, so lassen.
• Für die Aufgaben, die Sie ändern: Zeit und Qualität vorher und nachher.

Woran es scheitert

• Den Wert als Prognose lesen. Ein hoher Expositionswert heißt nicht, dass ein Beruf wegfällt. Wer ihn so behandelt, beunruhigt die Beschäftigten ohne Grund.
• Endlos erfassen. Eine Aufstellung ist nützlich, wenn sie innerhalb von Wochen zu einer ersten Änderung führt.
• Veraltete Aufstellungen. Was KI kann, ändert sich schnell. Beurteilen Sie neu, wenn sich die Werkzeuge ändern.

Nach Unternehmensgröße

• Kleinst- und Kleinunternehmen: Ein Nachmittag am Whiteboard reicht für eine ganze Rolle.
• Mittlere Unternehmen und größer: Erfassen Sie einen Prozess von Anfang bis Ende, bevor Sie das ganze Unternehmen erfassen. Öffentliche Expositionswerte können helfen, den Startpunkt zu wählen.

Diagnoseinstrumente für diese Praktik

Dies sind vorhandene Fragebögen, Tests und Leitfäden, die Sie nutzen können. Jede Karte nennt die Frage, die es beantwortet, wer es ausfüllt und ob Sie es frei nutzen dürfen. Alle Diagnoseinstrumente.

• Welche unserer Rollen könnte KI am stärksten berühren? AI Occupational Exposure measure (AIOE) Niemand wird befragt · Sie ordnen Ihre Berufsbezeichnungen US-amerikanischen Berufscodes zu Frei nutzbar, vor Änderungen fragen Prüfung: Mittel Aufgaben- und Berufsprofile
• In welchen Rollen könnte generative KI Aufgaben übernehmen, und in welchen könnte sie unterstützen? ILO index of occupational exposure to generative AI Niemand wird befragt · Sie ordnen Ihre Berufsbezeichnungen einer Standardliste von Berufen zu Frei nutzbar und anpassbar Prüfung: Vorläufig Aufgaben- und Berufsprofile
• Welche unserer eigenen Aufgaben könnte KI übernehmen oder unterstützen? TPAH task analysis Niemand wird befragt. Die prozessverantwortlichen Personen prüfen die Ergebnisse · Eine Analyse auf Grundlage einer Beschreibung des Unternehmens und seiner Rollen Kostenpflichtiger Dienst Prüfung: Vorläufig Aufgaben- und Berufsprofile

So sieht es angewandt aus

• Durchgerechnetes Beispiel 375 Aufgabengruppen erfasst in einem Unternehmen mit 118 Beschäftigten 31 Rollen in Aufgaben zerlegt und auf vier getrennten Skalen bewertet, mit den Aufgaben, die an KI gehen, den Aufgaben, bei denen KI einen Menschen unterstützt, und den Aufgaben, die bleiben, wie sie sind.

Firmenfälle

Unternehmen, die das getan haben

• Klarna Klarna übertrug benannte Aufgaben an KI (Übersetzung, Bildproduktion, Standardtexte), nicht das Marketing als Ganzes. Vom Unternehmen gemeldetes Ergebnis
• META-Regalbau Die Schritte der Kommissionierung und die Wege der Beschäftigten wurden erfasst und analysiert, bevor der Aufbau des neuen Lagers feststand. Vom Unternehmen gemeldetes Ergebnis

Was ohne sie passiert ist

• Commonwealth Bank of Australia Die Bank sagte später, ihre Einschätzung habe “did not adequately consider all relevant business considerations” [„nicht alle relevanten geschäftlichen Gesichtspunkte angemessen berücksichtigt“]. Teilweise zurückgenommen

Quellen

1. Brynjolfsson, Mitchell and Rock (2018). What Can Machines Learn and What Does It Mean for Occupations and the Economy?. AEA Papers and Proceedings, 108, 43–47. Was diese Studie untersucht und gefunden hat
2. Felten, Raj and Seamans (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195–2217. Was diese Studie untersucht und gefunden hat
3. Gmyrek, Berg and Bescond (2023). Generative AI and jobs: A global analysis of potential effects on job quantity and quality. International Labour Organization. Was diese Studie untersucht und gefunden hat
4. Georgieff and Hyee (2022). Artificial Intelligence and Employment: New Cross-Country Evidence. Frontiers in Artificial Intelligence, 5, 832736. Was diese Studie untersucht und gefunden hat
5. Sedai (2026). Exposure Is Not Adoption: Measuring Generative AI and Labor Demand. SSRN working paper. Was diese Studie untersucht und gefunden hat
6. Brynjolfsson, Chandar and Chen (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab working paper (revised 12 August 2026). Schränkt diese Praktik ein oder widerspricht ihr. Was diese Studie untersucht und gefunden hat
7. Shao, Zope, Jiang, Pei, Nguyen, Brynjolfsson and Yang (2026). Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce. arXiv 2506.06576. Preprint, not peer-reviewed. arxiv.org
8. The Budget Lab at Yale (updated September 2026). Tracking the Impact of AI on the Labor Market. budgetlab.yale.edu
9. Information Age (21 August 2025). CBA reverses AI-driven job cuts, admits error. ia.acs.org.au

Verwandte Praktiken

• Testen Sie für jede Art von Aufgabe, ob ein Mensch mit KI besser ist als jeder allein Gehen Sie nicht davon aus, dass ein Mensch zusätzlich zur KI oder KI zusätzlich zum Menschen das beste Ergebnis bringt. Testen Sie es für jede Art von Aufgabe, bevor Sie den Prozess festlegen. Als Nächstes · Aufwand: mittel (Wochen, einige Personen) Evidenz: Stark Kontextabhängig Prozesse neu gestalten · Umgestalten
• Erhalten Sie die Einstiegsaufgaben, an denen Neue lernen Bevor Sie Routinearbeit automatisieren, prüfen Sie, ob Nachwuchskräfte daran den Beruf lernen. Wenn ja, lassen Sie ihnen einen Teil davon, oder ersetzen Sie das Lernen auf andere Weise. Später · Aufwand: mittel (Wochen, einige Personen) Evidenz: Vorläufig Umstritten Menschen und Kompetenzen · Betreiben
• Gestalten Sie den Arbeitsablauf neu, statt nur ein Werkzeug hinzuzufügen Wer Menschen ein KI-Werkzeug in einem unveränderten Prozess gibt, ändert wenig. Legen Sie neu fest, wer jeden Schritt erledigt, in welcher Reihenfolge und wo ein Mensch prüft. Als Nächstes · Aufwand: hoch (Monate, mehrere Teams) Evidenz: Mittel Prozesse neu gestalten · Umgestalten