Quellen
Quellen und Prüfdaten
Die Links führen entweder zu Primärquellen oder zu lokalen Artefakten, mit denen Mapping, BFS-Refresh, 2026-Szenarien und Validierung nachvollzogen werden können.
Peer-reviewed Paper
Definition des LLM-Expositionsmasses und wissenschaftlicher Kontext.
Eloundou et al. (2024), Science OpenAI ProjektseiteExpositionsdaten
Berufsebene mit O*NET-SOC-Code und `dv_rating_beta`.
GitHub Repository `data/occ_level.csv` Lokale Kopie `occ_level.csv`Berufscode-Mapping
Übersetzung von SOC-2010 auf ISCO-08 via BLS.
BLS Crosswalk-Übersicht BLS `isco_soc_crosswalk.xls` Lokale Kopie CrosswalkSchweizer Arbeitsmarkt
Beschäftigte und Kontext zu Aufgabenprofilen aus BFS/SAKE. Die 86 Berufszeilen nutzen den bestehenden SAKE-2023-Berufsmix plus v4-Ergänzungswerte und werden proportional mit dem offiziellen SAKE-Gesamtwachstum 2023-2024 kalibriert.
BFS Arbeit und Erwerb BFS SAKE in Kürze 2023 BFS SAKE in Kürze 2024 BFS Arbeitsmarktindikatoren 2025 BFS/SAKE Aufgaben und Digitalisierung 2022Medianlöhne
BFS Lohnstrukturerhebung 2024 als Basis der Lohnbenchmarks. Die Zuordnung erfolgt über CH-ISCO-19-Berufsgruppen auf 2-Steller-Ebene; Spezial-, Kantons-, Vertrags- und Arbeitgeberquellen bleiben dort erhalten, wo die Gruppenlöhne zu grob wären.
BFS Lohnstruktur BFS LSE 2024: erste Ergebnisse BFS LSE 2024 PxWeb BerufsgruppenDashboard-Prüfdaten
Lokale Arbeitsdateien für Mapping, Anleitung und automatisierte Checks.
Mapping-Ergebnis JSON Integrationsanleitung BFS-2024-Refresh CSV BFS-2024-Refresh JSON ValidierungsscriptHeute-Framework
Szenariobasierte 2026-Heuristik bis 21. Mai 2026: technische Exposition getrennt von Adoption, mit Sensitivität, Unsicherheit, Mapping und Mini-Reannotation. Das Hauptszenario ist ein plausibles Basisszenario, kein defensives Minimum.
Methodenpapier 2026 Generierte Scores JSON Generierte Scores CSV Sensitivitätsszenarien JSON Mini-Reannotation CSV Mapping-Tabelle CSV OpenAI GPT-5.5: Agentic Work OpenAI GPT-5.4: Computer Use OpenAI GPT-4.1: Coding, Long Context, Agents OpenAI GPT-4o: Text, Audio, Bild, Video Anthropic Computer Use Google Gemini: 1M Context Microsoft Work Trend Index Schweiz 2025LLM-Exposition (Beta-Score)
Eloundou, T. et al. (2024). "GPTs are GPTs: Labor market impact potential of LLMs." Science, 384, 1306-1308.
Das Beta-Mass bewertet pro Beruf, inwieweit LLMs die Erledigungszeit von Aufgaben um mindestens 50% reduzieren können. Formel: Beta = E1 + 0.5 x E2. Mapping von O*NET-SOC auf ISCO-08 via BLS-Crosswalk.
Zweite Sicht: Heute 2026
Der Original-Score bleibt die Basis. Die 2026-Sicht ist keine neue wissenschaftliche Replikation, sondern eine transparente Dashboard-Heuristik. Die Hauptansicht zeigt technische Exposition im Basisszenario; Adoption wird separat dokumentiert.
Technisch: Beta = min(Cap, Original-Beta + Long-Context + Agentik + Multimodalität + Berufs-Override).
Adoptionsgewichtet: Beta = min(Cap, technische Beta + Adoption).
Beschäftigte
Bundesamt für Statistik (BFS)
Dashboard-Berufszeilen: bestehender SAKE-2023-Berufsmix plus v4-Ergänzungswerte, proportional mit SAKE-Gesamtwachstum 2023-2024 skaliert (4.848 Mio. -> 4.876 Mio. Erwerbstätige). Keine neue Dashboard-SAKE-Mikrotabelle.
Medianlöhne
BFS Lohnstrukturerhebung (LSE)
Dashboard-Berufszeilen: LSE 2024 nach CH-ISCO-19-Berufsgruppen gemappt; Spezial-, Kantons-, Vertrags- und Arbeitgeberquellen bleiben bei stark spezialisierten Berufen erhalten. LSE 2024: gesamtwirtschaftlicher Median 7024 Franken brutto pro Monat.
SOC-ISCO Mapping
Bureau of Labor Statistics (BLS)
ISCO-08 to SOC 2010 Crosswalk (2015)
Aggregation: O*NET-SOC -> SOC-2010 -> ISCO-08 -> CH-Berufe