1. Überschrift und Einstieg
Ein Diagramm aus einem aktuellen Anthropic-Bericht sorgt derzeit für Unruhe: Es zeigt, dass große Sprachmodelle theoretisch bis zu 80 Prozent der Aufgaben in vielen Berufen übernehmen könnten. Auf den ersten Blick wirkt es wie eine Vorhersage massiver Jobverluste im Bürobereich. Doch der blaue Bereich der „theoretischen Fähigkeiten“ basiert auf spekulativen Einschätzungen aus dem Jahr 2023 – eingefroren auf dem Höhepunkt des KI-Hypes.
In diesem Beitrag analysieren wir, wie Anthropic zu diesen Werten kommt, was die zugrunde liegende OpenAI‑Studie tatsächlich gemessen hat und warum Unternehmen, Politik und Arbeitnehmer:innen solche Grafiken eher als Stimmungsbarometer denn als Zukunftsszenario behandeln sollten. Die eigentliche Gefahr ist nicht, dass KI heute 80 Prozent Ihres Jobs kann – sondern dass wackelige Kennzahlen reale Entscheidungen auf dem Arbeitsmarkt steuern.
2. Die Nachricht in Kürze
Laut Ars Technica hat Anthropic einen Bericht zu den Arbeitsmarktauswirkungen von KI veröffentlicht. Darin vergleicht das Unternehmen über 22 Berufsgruppen hinweg zwei Größen: die aktuelle „beobachtete Exposition“ gegenüber großen Sprachmodellen (LLMs) und eine deutlich höhere Schätzung der „theoretischen Fähigkeit“.
Statt eigene Zukunftsszenarien experimentell zu untersuchen, stützt sich Anthropic für diese theoretische Kurve auf eine Studie von 2023: „GPTs are GPTs“, verfasst von Forschenden bei OpenAI, OpenResearch und der Universität Pennsylvania. Diese Arbeit nutzte die US‑Datenbank O*NET, um Berufe in sehr feingranulare Tätigkeiten zu zerlegen. Menschliche Annotator:innen – unterstützt von GPT‑4 – bewerteten dann, ob das damals stärkste OpenAI‑Modell die Bearbeitungszeit einer einzelnen Tätigkeit bei gleicher Qualität mindestens halbieren könnte, oder ob dies künftig durch „erwartete LLM‑basierte Software“ möglich wäre.
Die Autor:innen betonten ausdrücklich die Subjektivität und Grenzen des Ansatzes. Anthropic nutzt diese Schätzungen nun als Benchmark und kommt zum Ergebnis, dass die reale KI‑Nutzung bisher weit unter diesem theoretisch „machbaren“ Niveau liegt.
3. Warum das wichtig ist
Das Problem ist weniger, dass Anthropic eine ältere Studie verwendet, sondern was ein solches Diagramm mit der öffentlichen Debatte macht.
Indem eine komplexe, annahmenreiche Methodik in einen einzigen blauen Bereich gegossen wird, lädt die Grafik zu einer simplen Interpretation ein: „KI könnte 80 Prozent der meisten Jobs übernehmen; sie wird nur noch nicht eingesetzt.“ Für CEOs mit Sparzielen oder Politiker:innen, die beim Thema „Zukunft der Arbeit“ Handlungsstärke demonstrieren wollen, ist das eine verführerische Zahl – obwohl sie auf Folgendem beruht:
- Es werden Tätigkeiten betrachtet, nicht ganze Berufe.
- Gemessen wird Zeitersparnis, nicht vollständige Automatisierung.
- Grundlage sind Experteneinschätzungen aus 2023, keine gemessenen künftigen Leistungen.
- Einen klaren Zeithorizont gibt es nicht.
Diese Details sind entscheidend. Eine Tätigkeit, die theoretisch um 50 Prozent beschleunigt werden kann, kann in der Praxis langsamer werden, sobald man die Zeit für Prompts, Ergebnisprüfung, Compliance‑Checks und technische Integration einrechnet. Ars Technica verweist auf eine Studie von 2025, in der Open‑Source‑Entwickler:innen mit KI‑Unterstützung insgesamt langsamer waren, wenn man alle Zusatzaufwände berücksichtigt.
Wer profitiert? Anbieter von KI‑Lösungen und Beratungen erhalten ein starkes Verkaufsargument für Transformationsprojekte. Investor:innen bekommen eine weitere Rechtfertigung für hohe Bewertungen. Wer verliert? Beschäftigte, denen man anhand spekulativer Labels erklärt, ihr Beruf sei „zu 80 Prozent automatisierbar“, und politische Entscheidungsträger:innen, die womöglich auf die falschen Risiken reagieren – oder die richtigen übersehen.
Kurzfristig droht, dass wir Strategien, Förderprogramme und Personalentscheidungen an einem Zerrbild ausrichten, statt an der tatsächlichen, oft viel langsameren Transformation der Arbeit.
4. Der größere Zusammenhang
Anthropics Grafik steht exemplarisch für mehrere Entwicklungen.
Erstens verschiebt sich der Fokus von technischer Leistungsfähigkeit im Labor hin zu volkswirtschaftlichen Interpretationen. Beratungen, Zentralbanken und Thinktanks versuchen zunehmend, aus Modell-Benchmarks Kennzahlen zu Produktivität, BIP oder Jobverlusten abzuleiten. Das Bedürfnis nach Orientierung ist verständlich, aber die Brücke von Benchmarks zu gesamtwirtschaftlichen Effekten ist fragil.
Zweitens entstand die zugrunde liegende Studie 2023 am Höhepunkt der KI‑Euphorie – inklusive offener Briefe, Forderungen nach Entwicklungsstopps und apokalyptischen Warnungen vor „Superintelligenzen“. Wenn man Expert:innen damals bittet, sich „zukünftige LLM‑basierte Software" ohne Zeitlimit vorzustellen, misst man vor allem die Stimmung dieser Phase, nicht eine nüchterne Prognose.
Drittens passt das in eine längere Historie überschätzter Technologieeffekte auf Beschäftigung. Von frühen Automatisierungsstudien bis hin zu pauschalen Aussagen wie „47 Prozent der Jobs sind gefährdet“ – die Schlagzeilen waren oft dramatischer als die realen Arbeitsmarktverläufe. Berufe verschwinden selten linear; sie spalten sich auf, wandern in andere Branchen oder verändern ihr Aufgabenprofil.
Im Wettbewerb der großen KI‑Labs – OpenAI, Google, Anthropic, Meta – besteht heute ein klarer Anreiz, den potenziellen Wirkungsradius der eigenen Technologie möglichst groß zu zeichnen. Wer behauptet, seine Modelle könnten langfristig die Hälfte aller Tätigkeiten im Arbeitsmarkt berühren, verkauft nicht nur Produkte, sondern auch eine Erzählung, die weitere Milliardeninvestitionen rechtfertigt. Diese Interessenlage sollten wir bei der Interpretation solcher Analysen mitdenken.
5. Die europäische / DACH-Perspektive
Für Europa – und speziell den DACH‑Raum – ist die Frage, wie wir KI‑Auswirkungen messen, fast so wichtig wie die Auswirkungen selbst.
Arbeitsmärkte in Deutschland, Österreich und der Schweiz sind stärker reguliert, Tarifverträge und Mitbestimmung (Betriebsräte, Aufsichtsräte) spielen eine zentrale Rolle. Ob ein Unternehmen KI nutzt, ist hier nicht nur eine Management‑Entscheidung, sondern oft Verhandlungsgegenstand mit Arbeitnehmervertretungen. Ein US‑zentriertes Diagramm sollte da nicht zur stillschweigenden Referenz werden.
Anthropic stützt sich auf O*NET und US‑Berufsstrukturen. Die europäische Realität sieht anders aus: stärkere Industrieanteile in Deutschland und Österreich, ein großer öffentlicher Sektor, hohe Bedeutung des Mittelstands und zahlreiche spezialisierte Nischen. Eine eins‑zu‑eins‑Übernahme US‑amerikanischer „Expositionsmetriken“ wird diesen Unterschieden nicht gerecht.
Hinzu kommt die Regulierung: Die EU‑KI‑Verordnung, flankiert von DSGVO, Digital Services Act und Digital Markets Act, wird konkrete Leitplanken dafür setzen, wie und wo LLMs im Arbeitskontext eingesetzt werden dürfen – insbesondere in „hochriskanten“ Bereichen wie Personalrekrutierung oder Bewertung von Beschäftigten. In einem solchen Umfeld sind vage, zeitlich unbefristete Theoriemaße besonders problematisch: Sie können leicht missbraucht werden, um Restrukturierungen oder Outsourcing zu legitimieren.
Gerade im deutschsprachigen Raum mit seiner ausgeprägten Datenschutz‑ und Arbeitnehmerkultur sollten Politik, Gewerkschaften und Unternehmen deshalb auf eigene Datengrundlagen setzen: europäische Berufsklassifikationen, empirische Studien zu realer Nutzung in Betrieben, Pilotprojekte mit Fraunhofer‑Instituten oder Hochschulen.
6. Ausblick
Was bedeutet das für Beschäftigte, Führungskräfte und Politik in den nächsten Jahren?
Wir werden mehr – und widersprüchliche – Grafiken wie die von Anthropic sehen. Jede große Beratung, jede Big‑Tech‑Firma wird ihren eigenen Index der „KI‑Exposition“ vorstellen, mit je eigenen Annahmen zu Aufgaben, Qualitätsmaßstäben und menschlicher Aufsicht. Die Versuchung wird groß sein, sich die gerade passende Zahl für die eigene Argumentation herauszupicken.
Wirklich aufschlussreich werden andere Formate sein:
- Feldexperimente in Unternehmen, die KI‑Zugang randomisiert verteilen und Effekte auf Produktivität, Fehlerquoten, Gesundheit und Zufriedenheit messen.
- Längsschnittstudien auf Betriebsebene, die nachzeichnen, wie sich KI‑Einführung auf Beschäftigung, Löhne, Organisationsstrukturen und Mitbestimmung auswirkt.
- Studien aus Sicht der Beschäftigten, die fragen, welche Aufgaben KI tatsächlich erleichtert und wo neue Belastungen (Kontrollaufwand, ständige Erreichbarkeit, Überwachung) entstehen.
Auf einem Zeithorizont von etwa 3–7 Jahren ist plausibel, dass LLMs tief in Office‑Suiten, Kundensupport, Wissensmanagement und Entwicklungswerkzeuge integriert sind. Die Arbeitswelt wird eher nach „Entbündelung von Tätigkeiten“ aussehen: Ein Teil der Routine wandert zu KI‑Systemen, Einstiegsjobs verändern sich, dafür entstehen neue Koordinations‑, Controlling‑ und Qualitätssicherungsrollen.
Im DACH‑Raum wird außerdem entscheidend sein, wie Betriebsräte und Tarifparteien reagieren. Werden sie KI‑Einsatz über Betriebsvereinbarungen eng steuern – oder gemeinsame Pilotprojekte fördern, bei denen Produktivitätsgewinne und Beschäftigungssicherung zusammen gedacht werden? Beides ist möglich.
7. Fazit
Anthropics Kurve der „theoretischen Fähigkeiten“ ist keine Prognose kurzfristiger Massenautomatisierung, sondern ein stilisierter Schnappschuss dessen, was einige Expert:innen im Jahr 2023 für langfristig vorstellbar hielten. Sie als deterministische Zukunft zu lesen, ist ein Kategorienfehler.
KI wird Arbeit verändern – hauptsächlich, indem sie Tätigkeiten neu zuschneidet und umverteilt, nicht indem sie ganze Berufe über Nacht auslöscht. Die Aufgabe für Europa und den DACH‑Raum ist es, bessere, empirisch fundierte Messinstrumente für diese Veränderungen zu bauen. Bevor Sie also einem Diagramm glauben, das „beweist“, dass 80 Prozent Ihres Jobs bald automatisiert sind, sollten Sie fragen: Wessen Annahmen stecken in diesem blauen Bereich?
