Methodik

Über diese Daten

Der Prüfpfad trennt die peer-reviewte Science-2024-Basis von der heuristischen Heute-2026-Erweiterung. Die Originalwerte bleiben erhalten; 2026-Modifikatoren, Caps, Adoption und Unsicherheit werden separat dokumentiert.

Infografik: So entsteht der KI-Expositionsscore von Eloundou-Beta-Score über SOC-Bereinigung, ISCO-08-Mapping und BFS-Daten zum Dashboard-Score — Visueller Überblick über die Science-2024-Basis: Eloundou-Beta-Score, SOC/ISCO-Mapping, Schweizer Berufszuordnung mit BFS-basierten Lohnbenchmarks und Beschäftigtenschätzungen sowie Rundung auf den Dashboard-Score. Die Heute-2026-Sicht ergänzt diesen Basiswert anschliessend um technische Modifikatoren, Caps, separate Adoption und Sensitivität; die Schweizer Lohnbenchmarks und Beschäftigtenschätzungen werden über den BFS-2024-Refresh separat dokumentiert.

Prüfpfad: Science-2024-Basis

Eloundou-Score

Aus `occ_level.csv`: O*NET-SOC Berufscode, Titel und `dv_rating_beta` als LLM-Exposition.

β = E1 + 0.5 x E2

SOC vereinheitlichen

O*NET-SOC ist feiner als SOC-2010. Der Suffix wird entfernt; mehrere Einträge werden gemittelt.

15-1252.00 -> 15-1252

ISCO mappen

Über den BLS-Crosswalk wird SOC-2010 auf ISCO-08 übersetzt; Mehrfachtreffer werden gemittelt.

SOC -> ISCO-08

CH-Beruf zuordnen

ISCO-08 wird auf die Schweizer Berufsbezeichnung im Dashboard gelegt; LSE 2024 liefert Lohnbenchmarks nach CH-ISCO-Berufsgruppen, das SAKE-2024-Gesamtwachstum kalibriert die bestehenden Beschäftigtenschätzungen.

ISCO + LSE/SAKE -> Beruf

Dashboard-Score

Der Beta-Wert bleibt in den Details sichtbar; für die Treemap wird auf 0-10 gerundet.

Score = round(β x 10)

Beispiel: Softwareentwickler/-in

Software Developers β 0.87 + Computer Programmers β 0.95 -> Mittelwert β 0.9092 -> round(9.092) = 9/10

OpenAI `occ_level.csv` Lokales Mapping-JSON Validierungsscript

So kann man es prüfen

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.

Heute 2026 startet beim Original beta_2024 bleibt unverändert. Die neue Sicht ersetzt die Science-Basis nicht, sondern rechnet ein transparentes Szenario darauf.

Technische Modifikatoren Long Context, Agenten/Tools, Multimodalität und wenige Berufs-Overrides werden nur addiert, wenn keine Doppelzählung plausibel ist.

Caps und Schweizer Limiten Regulierung, Haftung, physische Präsenz, Beziehungsarbeit und Schweizer Tätigkeitsmischung begrenzen den technischen Score.

Adoption separat prüfen Die Hauptansicht zeigt technische Exposition. Adoption, Sensitivität, Confidence und Mini-Reannotation liegen als eigene Prüfdaten daneben.

Wichtiger Hinweis: Das Eloundou-Mass erfasst spezifisch die LLM-Exposition - also inwieweit Sprachmodelle berufliche Aufgaben beschleunigen, vorbereiten, prüfen, dokumentieren oder teilweise ausführen können. Es misst nicht allgemeine Automatisierung durch Robotik, autonomes Fahren oder physische KI-Systeme. Deshalb haben z.B. Lastwagenfahrer/-innen oder Lagerfachleute niedrige Scores, obwohl sie durch andere Technologien potenziell betroffen sind. Ein hoher Score bedeutet vor allem: hoher möglicher Produktivitätshebel durch LLMs, nicht automatisch Ersetzbarkeit oder Jobverlust. Die Berufs-, Beschäftigungs- und Lohndaten bleiben Näherungswerte: Löhne sind LSE-2024-Gruppenbenchmarks oder Spezialquellen, Beschäftigte sind SAKE-2024-total-kalibrierte Berufszeilen.

So sollte man die Scores lesen

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:

            E1 = Anteil der Aufgaben, die ein LLM direkt erledigen 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