Das virale KI-Arbeitsmarkt-Experiment

In der sich rasant entwickelnden Landschaft der Künstlichen Intelligenz (KI) erregen nur wenige Persönlichkeiten so viel Aufmerksamkeit wie Andrej Karpathy. Als Mitbegründer von OpenAI und ehemaliger Direktor für KI bei Tesla gilt Karpathy seit langem als Wegweiser für die Richtung der Branche. Am Wochenende des 15. März 2026 versetzte er die Tech-Community in Aufregung – und versuchte dann ebenso schnell, die Wogen wieder zu glätten – mit einem Projekt, das er als „vibe-coded“ KI-Arbeitsmarktanalyse bezeichnete.

Das Projekt, das kurzzeitig online gehostet wurde, bevor es wieder offline genommen wurde, war ein Datenvisualisierungsexperiment, das darauf ausgelegt war, die Exponiertheit von 342 US-Berufen gegenüber einer KI-Automatisierung abzubilden. Unter Verwendung von Daten aus dem Occupational Outlook Handbook des US-Amts für Arbeitsstatistik (Bureau of Labor Statistics, BLS) speiste Karpathy Stellenbeschreibungen in ein großes Sprachmodell ein, um jeden Beruf auf einer „KI-Exponiertheitsskala“ von null bis 10 zu bewerten. Die Ergebnisse, visualisiert in einer farbenfrohen Treemap, gingen sofort viral, was vor allem an einer krassen, kontraintuitiven Erkenntnis lag: Hochbezahlte White-Collar-Berufe sind deutlich stärker von KI-Umwälzungen betroffen als niedrig bezahlte, körperliche Berufe.

Methodik: Der „Vibe-Coded“-Ansatz

Der Begriff „Vibe-Coding“ – ein Ausdruck, den Karpathy in den vorangegangenen Monaten mitgeprägt hat – bezieht sich auf eine Entwicklungsmethode, bei der sich der Programmierer stark auf LLMs verlässt, um Code zu generieren, oft ohne manuelle Überprüfung oder tiefgreifendes Debugging. Dabei werden die „Vibes“ oder die allgemeine Richtung der Ausgabe über strenge softwaretechnische Standards priorisiert.

In dieser spezifischen Arbeitsmarkt-Analyse wandte Karpathy diesen hochgradig KI-gestützten Ansatz auf sozialwissenschaftliche Daten an. Durch das Scraping von 342 verschiedenen Berufskategorien beauftragte er die KI mit der Analyse der Kernverantwortlichkeiten jeder Rolle, um zu bestimmen, wie viel dieser Arbeit theoretisch durch automatisierte Systeme umgestaltet oder ausgeführt werden könnte.

Die Methodik basierte auf einer einfachen Prämisse:

• Eingangsdaten: Das umfassende BLS Occupational Outlook Handbook.
• Bewertungsmechanismus: Ein großes Sprachmodell bewertete jede Stellenbeschreibung im Hinblick auf KI-Fähigkeiten.
• Die Metrik: Eine Skala von null bis 10, wobei 10 die maximale Exponiertheit gegenüber KI-gesteuerter Automatisierung darstellte.

Während Kritiker in der Data-Science-Community schnell darauf hinwiesen, dass dieser Methodik die akademische Strenge einer wissenschaftlich begutachteten Studie fehlt, gelang es ihr, eine „Ground-Truth“-Visualisierung zu schaffen, die in der Öffentlichkeit Resonanz fand. Sie ging über theoretische Debatten hinaus und lieferte einen konkreten, wenn auch unvollkommenen Blick darauf, wie der KI-Übergang die moderne Belegschaft beeinflussen könnte.

Haupterkenntnisse: Die Lücke in der Automatisierungsexponiertheit

Das Hauptergebnis von Karpathys Analyse stellte die verbreitete Annahme infrage, dass die KI-Automatisierung zuerst auf Einstiegsaufgaben oder routinemäßige manuelle Tätigkeiten abzielen würde. Stattdessen deuteten die Daten darauf hin, dass hochqualifizierte Fachkräfte mit hohem Einkommen die höchsten Exponiertheits-Scores aufweisen.

Die Analyse offenbarte ein konsistentes Muster: Berufe, die digitale Artefakte produzieren – Code, Text, Berichte oder administrative Daten – schnitten auf der Exponiertheitsskala deutlich höher ab. Umgekehrt blieben Berufe, die körperliche Geschicklichkeit und Interaktion mit der realen Umwelt erfordern, wie Dachdecker oder Instandhaltungspersonal, weitgehend isoliert.

Die folgende Tabelle fasst die Verteilung der Exponiertheit über die Einkommensstufen basierend auf den Projektdaten zusammen:

Diese Daten zeichnen das Bild einer sich anbahnenden „White-Collar-Krise“, in der der Stellenwert von Wissensarbeit durch genau die Werkzeuge untergraben wird, die zur Steigerung der Produktivität entwickelt wurden. Während Softwareentwickler, Rechtsanalysten und Verwaltungsmanager Scores zwischen 8 und 9 sahen, landeten Rollen, die physische Präsenz erfordern, durchweg im Bereich geringer Exponiertheit.

Warum das Projekt zurückgezogen wurde

Kurz nachdem die interaktive Visualisierung viral gegangen war, entfernte Karpathy die Website und das zugehörige GitHub-Repository. In einem nachfolgenden Kommentar stellte er klar, dass das Projekt ein „kurzes Experiment“ und keine formelle wissenschaftliche Studie war. Er erklärte, dass das Projekt aus dem Wunsch heraus entstanden sei, eine spezifische Frage mit den ihm zur Verfügung stehenden Mitteln zu untersuchen, und nicht, um einen endgültigen politischen Rahmen für die US-Regierung oder Arbeitsorganisationen zu liefern.

Die Rücknahme unterstreicht ein wachsendes Spannungsfeld in der KI-Forschungsgemeinschaft: die Geschwindigkeit, mit der KI-Influencer datengestützte Erkenntnisse generieren und verbreiten können, gegenüber der Zeit, die für eine traditionelle Verifizierung erforderlich ist. Obwohl die Karte einflussreich war, gingen Nuancen in der schnellen Verbreitung der Ergebnisse auf sozialen Plattformen wie X (ehemals Twitter) und Reddit oft verloren, wo die Erkenntnisse häufig als absolute Fakten und nicht als eine „vibe-coded“ Untersuchung zitiert wurden.

Kontextualisierung durch institutionelle Forschung

Es ist wichtig anzumerken, dass Karpathys Experiment nicht im luftleeren Raum stattfand. Es entstand in derselben Woche, in der Forscher bei Anthropic eine bedeutende, wissenschaftlich begutachtete Arbeitsmarktstudie veröffentlichten. Die Anthropic-Studie konzentrierte sich auf die „beobachtete Exponiertheit“ – also darauf, was KI in professionellen Arbeitsabläufen tatsächlich tut, anstatt was sie theoretisch tun könnte.

Die Anthropic-Studie wirkte beruhigend auf das Narrativ einer unmittelbar bevorstehenden, massenhaften Verdrängung. Durch die Verfolgung tatsächlicher Claude-Nutzungsdaten fanden die Forscher heraus, dass die KI zwar technisch in der Lage ist, viele Aufgaben auszuführen, der tatsächliche Einsatz in Unternehmensumgebungen jedoch begrenzt bleibt. Die „Lücke“ ist keine Warnung vor sofortigem Jobverlust, sondern eher eine „To-Do-Liste“ für Unternehmen, die sich noch mit den Herausforderungen der Integration, des Änderungsmanagements und der kulturellen Anpassung auseinandersetzen.

Die Zukunft der Arbeit: Eine sich wandelnde Landschaft

Trotz der Rücknahme von Karpathys Projekt bleibt die angestoßene Konversation entscheidend. Die zentrale Erkenntnis sowohl aus der viralen „vibe-coded“ Karte als auch aus der formelleren Anthropic-Forschung ist konsistent: Die Belegschaft steht nicht vor einer totalen Ersetzung durch KI über Nacht. Stattdessen treten wir in eine Phase grundlegender Rollenentwicklung ein.

Für Fachkräfte, die jährlich über 100.000 US-Dollar verdienen, dienen die Exponiertheits-Scores als Weckruf hinsichtlich der Art ihrer täglichen Aufgaben. Der Schwerpunkt verlagert sich weg von rein ausführungsbasierter Arbeit hin zu Kuratierung, Management und strategischer Aufsicht. Die KI-Werkzeuge, die in der Lage sind, Einstiegsaufgaben zu ersetzen, werden gleichzeitig zu den primären Hebeln der Produktivität für die verbleibenden Rollen.

Während die KI weiter reift, wird die Unterscheidung zwischen „stark exponiert“ und „sicher“ wahrscheinlich verschwimmen. Die erfolgreichsten Arbeitnehmer im kommenden Jahrzehnt werden nicht diejenigen sein, die diese Trends ignorieren, sondern diejenigen, die KI als Co-Piloten annehmen und ihre eigenen Fähigkeiten als dynamische Variablen in einer zunehmend automatisierten Wirtschaft betrachten. Karpathys Experiment, wenn auch flüchtig, hat erfolgreich verdeutlicht, dass es bei der Zukunft der Arbeit nicht nur um die Technologie geht, die wir bauen, sondern darum, wie wir uns entscheiden, sie in das Gefüge des globalen Arbeitsmarktes zu integrieren.