How AI is expanding what people do at work (Work at the Frontier, rapport 1)

Kernpunkte

1. Datum / Quelle. 27. Juli 2026, OpenAI Economic Research, erste Folge der Reihe Work at the Frontier, basierend auf mehr als 800.000 Nachrichten von US-amerikanischen ChatGPT-Nutzern.
2. Zentrale Rahmung. Das Paper fragt nicht, ob das Modell eine feste Liste von Aufgaben ausführen kann, sondern wer was tut — « Unsere Belege deuten darauf hin, dass KI auch verändert, wer welche Aufgaben übernimmt. » Es misst eine beobachtete Umverteilung, keine theoretische Substituierbarkeit. ### Die zwei Schlagzeilenzahlen, stets gemeinsam zu nennen 16,8 % der arbeitsbezogenen Nachrichten und 43,5 % der berufsspezifischen Nachrichten. Der Trichter: 61,5 % der beruflichen Nutzung sind generisch (Schreiben, Zusammenfassen, Planen — « zu breit über die Berufe verteilt, um als Beleg für Crossover zu gelten ») und werden aus der Berechnung entfernt; von den verbleibenden 38,5 % liegen 43,5 % außerhalb des Berufs. Die 43,5 % werden also auf Basis von 38,5 % der Nutzung berechnet, und ihre isolierte Nennung verdoppelt den Eindruck des Ausmaßes nahezu. Zusätzliche Nuance: Das Komplement ist nicht „innerhalb des Berufs“, sondern « innerhalb oder in der Nähe des Berufs eines Nutzers » — die gemessene Grenze ist konstruktionsbedingt unscharf. ### Nach Beruf, Anteil außerhalb des Berufs Kundenerfahrung 77 % · Design 75 % · Personalwesen 69 % · Recht 56 % · Marketing 53 % · Vertrieb 40 % · Finanzen 40 % · Engineering 28 %. « Arbeit außerhalb des Berufs stellt in fünf von acht Gruppen die Mehrheit. » ### Die Heatmap, das ergiebigste Element des Berichts Zeilen = Beruf des Nutzers, Spalten = Herkunftsberuf der Aufgabe; Diagonale fett. | Nutzer ↓ / Aufgabe → | CX | Design | Eng. | Fin. | HR | Recht | Mktg | Vertrieb | |---|---|---|---|---|---|---|---|---| | Kundenerfahrung | 11 | 5 | 20 | 14 | 6 | 6 | 26 | 11 | | Design | 6 | 12 | 28 | 10 | 4 | 4 | 28 | 8 | | Engineering | 4 | 4 | 53 | 9 | 4 | 4 | 20 | 2 | | Finanzen | 6 | 4 | 22 | 23 | 4 | 8 | 25 | 7 | | HR | 9 | 5 | 18 | 16 | 10 | 10 | 23 | 9 | | Recht | 5 | 4 | 17 | 12 | 7 | 31 | 18 | 6 | | Marketing | 10 | 6 | 17 | 11 | 4 | 4 | 36 | 12 | | Vertrieb | 11 | 5 | 18 | 15 | 4 | 6 | 29 | 12 | Drei Lesarten, die der Text nicht anbietet. Die Diagonale ist das eigentliche Ergebnis: Engineering behält 53 % der eigenen Arbeit, Kundenerfahrung 11 %, HR 10 %, Design 12 %, Vertrieb 12 %. Bei vier Berufen übersteigt die Marketing-Spalte die Diagonale — ein Designer erledigt mehr Marketing-Aufgaben (28 %) und Engineering-Aufgaben (28 %) als Design-Aufgaben (12 %). Zwei Spalten absorbieren fast alles: Marketing (überall 18 bis 36 %) und Engineering (17 bis 53 %). Vorbehalt: Eine niedrige Diagonale bedeutet nicht, dass diese Beschäftigten ihre eigene Arbeit nicht mehr erledigen, sondern dass ihre nicht-generischen Nachrichten anderswo eingeordnet werden, auf einer Basis, die bereits 61,5 % der Nutzung ausschließt. Die für diese Berufe spezifischen Aufgaben sind möglicherweise genau jene, die als „generisch“ eingestuft werden. ### Zirkulationsrichtungen | Beruf | Importe | Exporte | |---|---|---| | Design | 35,2 % | 1,7 % | | Engineering | 18,5 % | 7,4 % | | Marketing | 24,3 % | 8,9 % — « der höchste Exportanteil in der Stichprobe » | Marketing ist der einzige Beruf, der beides tut. Zwei Aufgaben werden universell entliehen — Finanzberechnung und Fehlerbehebung bei Technologie erscheinen in den Top 3 der Entlehnungen für die übrigen sieben Gruppen; die Erstellung von Marketingmaterial erscheint bei fünf weiteren Gruppen. ### Die Asymmetrie des Engineering Engineering ist zugleich der am wenigsten poröse Beruf (28 %, Import 18,5 %) und ein bedeutender Exporteur (7,4 %), mit der höchsten Diagonale (53 %). Die vielgerühmte Porosität verläuft also größtenteils einseitig in Richtung des technischen Bereichs: Andere Berufe übernehmen Fehlerbehebung und Arbeit an technischen Systemen, der umgekehrte Fall ist selten. KI verwässert Engineering nicht in andere Berufe hinein, sondern verteilt Engineering-Aufgaben überallhin, während Ingenieure bei ihrer Kernarbeit bleiben. ### Der Größeneffekt ist schwächer, als andernorts berichtet Die Verschiebung von 18,9 % auf 16,3 % gilt ausschließlich « bei durchschnittlichen Nutzern », und « bei den intensivsten Nutzern zeigt sich nicht dasselbe monotone Muster ». OpenAI bietet zwei mögliche Erklärungen an — moderate Nutzer in kleinen Organisationen greifen auf KI zurück, wenn sie auf Arbeit stoßen, die zu einer anderen Funktion gehört; intensive Nutzer verfügen über eingespielte Arbeitsabläufe oder nutzen KI intensiver innerhalb ihres Kernberufs. Die Schlussfolgerung bleibt bedingt: « KI ist möglicherweise besonders nützlich als generalistisches Werkzeug, wo spezialisierte Ressourcen knapp sind. » Korrektur zu [[sfeir-ia-frontieres-metiers-skill-based-organisation-2026-08-01]], das diese 2,6 Punkte als sauberes Ergebnis und die generalistische Schlussfolgerung als Feststellung behandelt: Die Quelle ist vorsichtiger als ihr Kommentar. ### Beanspruchter epistemischer Status Ein frühes Signal: Diese Daten erlauben es, Neukombinationen sichtbar zu machen « bevor Unternehmen Stellenbeschreibungen umschreiben oder neue Berufsbezeichnungen schaffen » und « können ein frühes Signal für beruflichen Wandel liefern, das konventionelle Arbeitsmarktstatistiken erst später erfassen ». Ein Frühindikator, kein Beschäftigungsmaß — er zeigt, was Menschen versuchen, nicht, was Organisationen ratifiziert haben. Das Paper stützt sich auf das AI Jobs Transition Framework desselben Teams, dessen These lautet, dass viele Berufe eher reorganisiert als verschwinden werden. ### Zugrunde liegende Vorbehalte
3. OpenAI misst OpenAI. — ein einzelner Assistent, ausschließlich die eigenen Nutzer, als Vorteil beansprucht (« unser einzigartiges Fenster »). Gemessen wird die ChatGPT-Nutzung, nicht die KI-Nutzung.
4. Ausschließlich US-Nutzer. , eine selbstselektierte Population, die nicht repräsentativ für die Erwerbsbevölkerung ist.
5. Die Klassifizierung der Berufe erfolgt durch ein Modell. , anhand von Nachrichten, ohne beschriebene externe Validierung. Die acht Kategorien und die Grenze generisch/spezifisch sind Gestaltungsentscheidungen, die die Ergebnisse mechanisch bestimmen — hier entscheidet sich tatsächlich die Robustheit der 43,5 %.
6. Erklärtes Ziel. « Politik und Praxis anzuleiten ». Ein Akteur, der die Daten zur eigenen Wirkung selbst produziert und öffentliche Politik mitgestalten will.