Methodik
Über diese Daten
Der Prüfpfad hält die peer-reviewte Science-2024-Basis und die heuristische Heute-2026-Erweiterung strikt getrennt. Originalwerte bleiben unverändert; Modifikatoren, Caps, Adoption und Unsicherheit der 2026-Sicht werden separat ausgewiesen.
Prüfpfad: Science-2024-Basis
Beispiel: Softwareentwickler/-in
Prüfanleitung
- Beta-Wert im Detailpanel mit `Files for CC/eloundou_mapping_results.json` vergleichen.
- Score kontrollieren: `round(beta x 10)` muss dem angezeigten Wert entsprechen.
- Bei Berufen mit Badge "Plausibilisierung" die konkrete Tätigkeitsmischung prüfen.
Was der Score misst: Das Eloundou-Mass quantifiziert, inwieweit Sprachmodelle (LLMs) berufliche Aufgaben beschleunigen, vorbereiten, dokumentieren oder teilweise übernehmen können. Grundlage ist die aufgabenbezogene Expositionswahrscheinlichkeit, nicht ein Jobverlustrisiko.
Was der Score nicht misst: Physische Automatisierung (Robotik, autonomes Fahren), bildbasierte KI-Systeme sowie Regulierung, gesellschaftliche Akzeptanz und Adoptionsgeschwindigkeit sind nicht Teil des Masses. Berufe wie Lastwagenfahrer/-in oder Grafiker/-in können durch andere Technologien stärker betroffen sein, als der Score suggeriert.
Hinweise zur Interpretation
- Mapping ist eine Annäherung: Schweizer Berufsbezeichnungen decken nicht immer exakt einen O*NET- oder ISCO-Beruf ab. Je nach konkretem Tätigkeitsprofil kann die Exposition höher oder tiefer liegen.
- Schweizer Tätigkeitsmischung kann abweichen: Gerade in IT, Finanzwesen, Gesundheit und regulierten Bereichen können Schweizer Rollen mehr Architektur, Review, Haftung, Interaktion oder höherqualifizierte Aufgaben enthalten als die US-O*NET-Basis.
- Die 0-10-Skala ist gerundet: Der präzisere β-Wert wird in den Details angezeigt. Rundungen nahe einer Kategoriengrenze sollten nicht überinterpretiert werden.
- "Sehr hoch" ist bewusst streng: Nur Score 8-10 wird rot markiert. Berufe mit 6 oder 7 sind trotzdem deutlich LLM-exponiert und verdienen Aufmerksamkeit.
- Heikle Zuordnungen sind kommentiert: Bei Berufen wie Logistik, Recht oder Koch/Köchin hängt der Score stark davon ab, ob administrative, analytische oder physische Aufgaben dominieren.
- Outlook ist nicht Teil des Scores: Frühere Wachstumsannahmen werden im Detailpanel nicht mehr als Evidenz angezeigt, solange keine Schweizer Quelle und Methodik sauber dokumentiert ist.
Wie wird der Score berechnet?
Das Eloundou-Verfahren in 4 Schritten
Eloundou et al. haben für ihren Science-Artikel (2024) jeden der 923 US-Berufe aus der O*NET-Datenbank in seine Einzelaufgaben zerlegt. Für jede Aufgabe wurde dann bewertet, ob ein LLM die Erledigungszeit um mindestens 50% reduzieren kann:
E2 = Anteil der Aufgaben, die ein LLM mit zusätzlichen Tools erledigen kann
β = E1 + 0.5 × E2
(Skala: 0.0 = keine Exposition, 1.0 = maximale Exposition)
Der Faktor 0.5 bei E2 berücksichtigt, dass Tool-unterstützte Automatisierung weniger unmittelbar ist als direkte LLM-Nutzung.
Beide Bewertungen (E1 und E2) wurden sowohl von menschlichen Experten als auch von GPT-4 durchgeführt.
Dieses Dashboard verwendet die GPT-4-Bewertung (dv_rating_beta), da sie konsistenter ist und von der KOF-Studie der ETH Zürich als Referenzmass verwendet wird.
Für die Schweizer Version haben wir die US-Berufscodes (O*NET-SOC) über den offiziellen BLS-Crosswalk auf den internationalen Standard ISCO-08 gemappt und dann den 86 Schweizer Berufen im Dashboard zugeordnet. Der β-Score (0.0-1.0) wurde mit × 10 auf die Dashboard-Skala (0-10) transformiert.
Warum hat nur Softwareentwicklung einen Score von 9/10?
Softwareentwickler/-innen haben mit einem β-Score von 0.91 die höchste LLM-Exposition aller 86 Berufe in diesem Dashboard. Das liegt daran, dass fast alle Teilaufgaben der Softwareentwicklung textbasiert sind und direkt von LLMs profitieren:
- Code schreiben - LLMs generieren funktionierenden Code in allen gängigen Sprachen
- Debugging - Fehlermeldungen analysieren und Fixes vorschlagen
- Code Review - Qualität, Sicherheitslücken und Best Practices prüfen
- Dokumentation - Docstrings, READMEs, technische Spezifikationen
- Tests - Unit-Tests und Testfälle generieren
- Refactoring - Code umstrukturieren und optimieren
Eloundou et al. aggregieren die Scores von "Software Developers" (β=0.87) und "Computer Programmers" (β=0.95), was den kombinierten Score von 0.91 ergibt.
Wichtig: Ein hoher Expositions-Score bedeutet nicht "der Beruf verschwindet". Er bedeutet: LLMs können die Produktivität in diesem Beruf massiv steigern. Softwareentwickler/-innen, die LLMs effektiv einsetzen, sind heute produktiver denn je - die Nachfrage nach Software steigt weiter. Der Score misst Exposition, nicht Ersetzbarkeit.
Was der Score nicht misst
Das Eloundou-Mass erfasst ausschliesslich LLM-Exposition - also ob Sprachmodelle wie GPT-4 oder Claude die Aufgaben beschleunigen können. Es misst nicht:
- Robotik & physische Automation - Deshalb haben Lagerfachleute (2/10) und Lastwagenfahrer/-innen (3/10) niedrige Scores, obwohl sie durch andere Technologien betroffen sein könnten
- Bild-KI (DALL-E, Midjourney) - Deshalb haben Grafiker/-innen nur 5/10, obwohl Bild-KI den Beruf stark verändert
- Autonomes Fahren - Nicht im Scope von Sprachmodellen
- Regulierung, gesellschaftliche Akzeptanz, Adoptionsgeschwindigkeit
