AI Exposure Score

Ein AI Exposure Score ist eine Zahl, die eine einzige Frage beantworten soll: Wie stark könnte Computertechnik, die selbst Texte schreibt, Bilder erzeugt oder Daten auswertet, eine bestimmte Tätigkeit verändern? Der englische Begriff « exposure » bedeutet hier « Ausgesetztsein » oder « Betroffenheit ». Untersucht werden meistens Berufe, manchmal aber auch ganze Unternehmen oder Branchen. Ein hoher Wert heißt: Sehr viele Arbeitsschritte in diesem Beruf lassen sich im Prinzip von einer Maschine erledigen. Ein niedriger Wert heißt: Die Arbeit besteht überwiegend aus Dingen, die eine Maschine bisher nicht kann. Wichtig ist der Unterschied zwischen « könnte » und « wird » — der Score sagt nichts darüber, ob es tatsächlich passiert.

Warum Anleger und Arbeitsmarktforscher auf diese Zahl schauen

Seit 2023 diskutieren Politik und Wirtschaft heftig darüber, welche Jobs sich durch KI verändern. Diese Debatte lief lange mit Bauchgefühl und Schlagzeilen. Ein Exposure Score versucht, sie auf Zahlen zu stellen. Damit lassen sich Berufe vergleichen, statt nur zu spekulieren.

An der Börse hat die Kennzahl noch einen zweiten Zweck. Banken und Fondsgesellschaften berechnen Scores für börsennotierte Firmen. Ein Callcenter-Betreiber, dessen Geschäft aus Telefongesprächen besteht, gilt als stark betroffen. Ein Bauunternehmen dagegen kaum. Solche Einschätzungen fließen in Anlageentscheidungen ein und bewegen echtes Geld.

Auch Schüler und Studierende begegnen der Zahl bei der Berufswahl. Man sollte sie aber nicht als Prophezeiung lesen. Studien zeigen regelmäßig: Hohe Exposure bedeutet oft, dass sich ein Beruf wandelt, nicht dass er verschwindet. Buchhalter arbeiteten nach der Erfindung der Tabellenkalkulation anders — aber es gab danach mehr von ihnen, nicht weniger.

Von der Tätigkeitsliste zur Punktzahl

Die Berechnung beginnt fast immer mit einer Berufsdatenbank. Die bekannteste heißt O*NET und stammt vom US-Arbeitsministerium. Dort ist für rund tausend Berufe aufgelistet, aus welchen einzelnen Aufgaben sie bestehen. Ein Radiologe etwa liest Röntgenbilder, schreibt Befunde, berät Kollegen und spricht mit Patienten.

Im zweiten Schritt bewertet jemand jede einzelne Aufgabe. Kann heutige KI sie erledigen, ganz oder teilweise? Früher machten das menschliche Fachleute. Heute lässt man diese Einschätzung oft von einem Sprachmodell selbst vornehmen, also von einem Programm, das auf riesigen Textmengen trainiert wurde. Beide Verfahren werden miteinander verglichen, um Fehler zu erkennen.

Am Ende wird gewichtet zusammengezählt, wie viel Anteil der Arbeitszeit auf betroffene Aufgaben entfällt. Heraus kommt ein Wert, meist zwischen 0 und 1 oder als Prozentzahl. Genau hier steckt die größte Schwäche: Das Ergebnis hängt stark davon ab, wie fein man Aufgaben zerlegt und wie großzügig man KI-Fähigkeiten einschätzt. Zwei seriöse Studien können deshalb für denselben Beruf deutlich verschiedene Zahlen liefern.

Wo die Zahl in Schlagzeilen und Berichten auftaucht

Bekannt wurde das Konzept durch eine Studie von OpenAI und der Universität Pennsylvania aus dem Jahr 2023. Ihr Ergebnis: Bei etwa 80 Prozent der US-Beschäftigten könnte KI mindestens zehn Prozent der Aufgaben beeinflussen. Solche Sätze wandern regelmäßig in Zeitungsüberschriften. Ähnliche Zahlen veröffentlichen der Internationale Währungsfonds, Goldman Sachs und das deutsche IAB.

Auffällig ist das Muster hinter den Ergebnissen. Betroffen sind vor allem gut bezahlte Bürojobs: Übersetzung, Programmierung, Marketing, Rechtsrecherche. Handwerk, Pflege und Gastronomie schneiden dagegen niedrig ab. Das dreht die alte Erwartung um, wonach zuerst einfache Tätigkeiten automatisiert werden.

Wer solche Meldungen liest, sollte drei Fragen stellen. Wer hat die Studie bezahlt? Wurde « betroffen » als « ersetzt » oder als « unterstützt » definiert? Und stammen die Zahlen aus echten Beobachtungen oder aus Schätzungen? Ein Exposure Score ist ein Werkzeug zum Nachdenken, keine Wettervorhersage für den eigenen Arbeitsplatz.