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.
Der Score fragt: Welche Aufgaben in einem Beruf werden durch Sprachmodelle leichter?
Gezählt werden vor allem Text, Recherche, Analyse, Dokumentation, Kommunikation und digitale Toolarbeit. Nicht gezählt werden körperliche Arbeit, Robotik, autonome Fahrzeuge oder die Frage, ob ein Beruf verschwindet.
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 "Mapping mit Hinweis" die konkrete Tätigkeitsmischung prüfen.
Plausibilitätscheck verwandter Berufe
Diese Fälle wurden wegen Rückfragen besonders markiert. Die Erklärungen stehen auch im Detailpanel der jeweiligen Berufe; die Scores selbst wurden hier nicht automatisch verändert.
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
