Google hat 14.653.926 de-identifizierte Gemini-Interaktionen auf mehr als 800 Berufe und 4.000 O\*NET-Aufgaben abgebildet. KI tauchte in 68 % der detaillierten Berufe auf — rund 88 % der zivil beschäftigten Erwerbstätigen in den USA. Innerhalb eines dieser typischen Berufe berührte sie 21 % der Aufgaben (Google ATLAS v1.0, 2026).
Zwei Drittel der Jobs. Ein Fünftel der Arbeit.
Und dort, wo die Arbeit nicht routinemäßig und kognitiv ist — Urteilsvermögen, Analyse, Problemlösung, also die Kategorie, für die Sie Ihre teuersten Leute einstellen — ist End-to-End-Automatisierung die erkennbare Absicht von weniger als 10 % der Konversationen. Die übrigen 90 % sind Entwürfe, Überprüfung, Informationsbeschaffung und lautes Denken.
Wenn Ihr KI-Business-Case auf dem Wegfall von Rollen beruht, ist das die Zahl, die ihn zerlegt. Nicht weil die Werkzeuge schwach wären, sondern weil die Rechnung auf der falschen Einheit aufgebaut wurde. Ein Fünftel eines Jobs ist kein Fünftel einer Stelle.
Was ATLAS gemessen hat — und warum es anders landet
Googles AI & Economy ATLAS (Activity, Task, Landscape, and Adoption Study) hat zwischen dem 6. und 19. April 2026 Interaktionen aus Gemini App, AI Mode und der Gemini API erhoben und sie auf offizielle Berufs- und Aufgabentaxonomien in 150 Ländern und 140 Sprachen abgebildet. Dame Diane Coyle (Cambridge) und Dr. David Autor (MIT) haben zum Bericht beigetragen — Autor ist der Ökonom, der seit zwei Jahrzehnten argumentiert, dass Technologie Arbeit Aufgabe für Aufgabe umformt, nicht Job für Job (Google, 2026).
Die meisten KI-Adoptionsdaten, die Sie kennen, sind selbstberichtet. Eine Umfrage fragt eine Führungskraft, ob ihr Team KI nutzt, und die Führungskraft beantwortet die Frage, die sie lieber bekommen hätte. ATLAS ist verhaltensbasiert: Es beobachtet, was Menschen dem Modell tatsächlich vorgelegt haben, und klassifiziert dann die Aufgabe. Diese Verschiebung zählt, denn berichtete Adoption und beobachtete Aufgabenabdeckung sind nicht dieselbe Messgröße und haben nie dieselbe Zahl ergeben.
Die Verteilung ist schiefer, als der Median von 21 % vermuten lässt. Bei 29 % der detaillierten Berufe beobachtete ATLAS überhaupt keine Aufgabensättigung — Regalauffüller und Kommissionierer, Küchenhilfen, Müllwerker, Streifenbeamte. Am anderen Ende zeigten nur 3 % der Berufe KI-Nutzung über drei Viertel oder mehr ihrer Aufgaben: Software-QA-Analysten und -Tester, Personalfachleute und Spezialisten für Dokumentenmanagement (PPC Land, 2026).
Drei von hundert Berufen sind tief abgedeckt. Das ist Ihre Liste der Automatisierungskandidaten. Sie ist kürzer, als Ihre Folie behauptet.
Der Vergleich, den Google selbst zieht, lohnt zur Kalibrierung: Anthropics Economic Index fand, dass rund 36 % der Berufe KI für mindestens ein Viertel ihrer Aufgaben nutzten; Googles Vergleichswert liegt bei etwa 30 % — eine Lücke, die die Autoren überwiegend strengeren Datenschutzschwellen zuschreiben und nicht wirklich abweichendem Verhalten (PPC Land, 2026). Zwei unabhängige Datensätze, zwei verschiedene Anbieter, dieselbe Form: breit und flach.
Warum End-to-End-Automatisierung unter 10 % bleibt
ATLAS ordnete Konversationscluster fünf Absichten zu: Aufgabenautomatisierung, teilweises Entwerfen und Generieren, Überprüfung und Verfeinerung, Ideenfindung und Strategie sowie Informationsbeschaffung und Lernen.
Das Ergebnis dreht die übliche Verdrängungsgeschichte um. Nicht-routinemäßige kognitiv-analytische Aufgaben machen 35 % aller Aufgaben in der O\*NET-Taxonomie aus, aber 65 % der beruflichen Gemini-Interaktionen. Menschen greifen zu KI vor allem bei den schwierigsten, am wenigsten standardisierten Teilen ihrer Arbeit — und genau dort geben sie das Ganze am seltensten ab. Weniger als 10 % dieser Konversationen zeigen eine End-to-End-Automatisierungsabsicht. Bei routinemäßiger kognitiver Arbeit tut es mehr als ein Viertel (Google ATLAS v1.0, 2026).
Der Mechanismus ist nicht rätselhaft. Eine Aufgabe wird vollständig delegiert, wenn das Ergebnis auf einen Blick prüfbar und der Fehlerkostenrahmen begrenzt ist. Ein Datensatz-Reformat erfüllt das. Die Entscheidung, welchen Lieferanten man streicht, nicht. Nicht-routinemäßige Arbeit ist genau jene Arbeit, deren Richtigkeit sich nicht bestätigen lässt, ohne den Großteil des Denkens zu wiederholen — der Mensch bleibt also in der Schleife, und die eingesparte Zeit ist real, aber partiell.
Google formuliert die Implikation unmissverständlich: Die Daten stützen nicht die Behauptung, KI stehe kurz davor, massenhafte Automatisierung und Verdrängung von Büroarbeit auszulösen. Die Autoren weisen zugleich darauf hin, dass die Absichtsklassifikation vorläufig ist und sich Verhalten mit wachsender Modellfähigkeit verschieben kann. Beide Hälften dieses Satzes gehören in Ihre Planungsannahmen.
Ihre Personalrechnung setzt eine Tiefe voraus, die Sie nicht haben
Hier wird das Ganze zu einem Operations-Problem und nicht zu einer interessanten Grafik.
Der Standard-KI-Business-Case im Mid-Market multipliziert eine Zeitersparnis pro Aufgabe mit einem Aufgabenvolumen, rechnet Stunden in FTE um und verbucht die Differenz. Rechnerisch geht das nur auf, wenn die eingesparten Stunden zusammenhängen und zu einer Rolle gehören, deren Restarbeit anderswo aufgefangen werden kann. ATLAS sagt: Die eingesparten Stunden verteilen sich über ein Fünftel eines Aufgabenportfolios — in den Teilen des Jobs, die nie der Engpass waren.
Nehmen Sie den Medianfall wörtlich. KI deckt 21 % der Aufgaben einer Rolle ab. Unterstellen Sie — großzügig — 40 % Zeitreduktion je Aufgabe. Das ergibt 8 % weniger Gesamtaufgabenzeit der Rolle. Sie haben keine Person freigesetzt. Sie haben ein Fragment von allen freigesetzt, über die Woche verteilt in Stücken, die zu klein zum Umverteilen und zu klein für eine Zeiterfassung sind.
Deshalb melden so viele Pilotprojekte gleichzeitig begeisterte Nutzer und unveränderte Betriebskosten. Beides stimmt. Die Einsparungen sind real, und die Einsparungen sind nicht buchbar, weil das Buchen eine Aufgabenkonsolidierung erfordert — die verbleibenden 79 % in eine neu zugeschnittene Rolle zu überführen — und dafür ist niemand beauftragt.
Die tiefere Falle sind die 3 %. Wird ein Business-Case an einer Leuchtturmfunktion gebaut — QA-Testing, HR-Dokumentenverwaltung, hoch abgedeckte Verwaltungsarbeit — wird die dort beobachtete Abdeckungsquote stillschweigend auf den Rest der Organisation hochgerechnet. Sie überträgt sich nicht. Diese drei von hundert Berufen sind strukturell ungewöhnlich: hohe Aufgabenstandardisierung, textnative Ergebnisse, sofortige Prüfbarkeit. Ihre Finanzanalysten und Account Manager haben keine dieser Eigenschaften.
Die Expertise-Umkehrung, die niemand eingepreist hat
Der Befund, der in Ihrem aktuellen Plan am wahrscheinlichsten falsch ist, betrifft die Frage, wer profitiert.
Die verbreitete Annahme lautet, KI höhle Junioren aus und verstärke Senioren. ATLAS verkompliziert beides. Die Nutzungsintensität steigt steil mit der Bezahlung — 1 % höheres Medianeinkommen eines Berufs geht mit über 2,5 % höherer Nutzungsintensität einher; kontrolliert man den Bildungsstand, sinkt der Wert auf 1,86 %. Beschäftigungsgewichtet liegt das mittlere Jahreseinkommen der Stichprobe bei 62.252 US-Dollar; gewichtet nach Gemini-Konversationen bei 82.919 US-Dollar; gewichtet nach Tokens bei 86.157 US-Dollar (PPC Land, 2026).
Senioren mit hohen Gehältern sind also die Vielnutzer. Bewertet man jedoch das Expertise-Niveau jeder Aufgabe mit der Methodik von Autor und Thompson — die Seltenheit und Domänenspezifik des Vokabulars in der Aufgabenbeschreibung bewertet — ist die Nutzung am stärksten überrepräsentiert bei den kognitiven Aufgaben mit der niedrigsten Expertise. Einen Bericht in eine andere Sprache umschreiben. Eine Produktspezifikation entwerfen.
Hochqualifizierte Beschäftigte bringen der KI ihre gering qualifizierte Arbeit.
Diese Umkehrung ist das Umsetzbarste an der Studie, und sie zeigt in die Gegenrichtung der meisten Rollout-Pläne. Der Wert liegt nicht darin, Ihren Senioren einen klügeren Denkpartner für schwierige Entscheidungen zu geben; er liegt darin, den geringqualifizierten Rückstand aus teuren Kalendern zu entfernen. Wenn Ihr Rollout auf Junior-Rollen zielt, weil deren Arbeit angeblich automatisierbarer sei, arbeiten Sie gegen den beobachteten Gradienten. Adoption folgt dem Ermessensspielraum, nicht der Aufgabeneinfachheit — Menschen nutzen KI dort, wo sie die Befugnis haben, über die eigene Arbeitsweise zu entscheiden.
Wo diese Evidenz endet
Die ehrlichen Grenzen, denn ein Head of Operations sollte auf Anbietertelemetrie nicht handeln, ohne sie einzupreisen.
ATLAS ist Google, das Google misst. Es beobachtet nur Gemini-Oberflächen; ein Unternehmen, das auf einen anderen Assistenten standardisiert ist, liegt außerhalb des Bildes. Es ist eine Zwei-Wochen-Stichprobe in einem schnell bewegten Markt. Enterprise-Plattformen — Workspace, Gemini Enterprise, agentische Coding-Tools — liegen weitgehend außerhalb des granularen Datensatzes, und genau dort findet tiefe, in Workflows eingebettete Automatisierung am ehesten statt. Über 86 % der Interaktionen sind nicht arbeitsbezogen; Arbeitskonversationen machen rund 13,5 % des App- und AI-Mode-Verkehrs aus — die Arbeitsstichprobe ist also groß, aber ein Ausschnitt.
Vor allem misst ATLAS Verhalten, nicht Ergebnisse. Eine abgeschlossene Konversation sagt nichts darüber, ob die Person bekam, was sie brauchte, oder eine Minute sparte (Forte Group, 2026).
Nichts davon rettet den Personal-Business-Case. Eine Untererfassung agentischer Enterprise-Werkzeuge würde die Obergrenze dessen anheben, wohin Automatisierung steuert; sie ändert nicht, was eine mediane Aufgabenabdeckung von 21 % für die Organisation bedeutet, die Sie dieses Quartal führen. Und die Richtung der Verzerrung gehört benannt: Hier veröffentlicht ein Modellanbieter eine Studie, die das Automatisierungsnarrativ untergräbt, das seinem eigenen kommerziellen Interesse dient. Befunde, die dem Anreiz des Publizierenden zuwiderlaufen, verdienen mehr Gewicht, nicht weniger.
Das Audit, das die Vermutung ersetzt
Ein konkreter Schritt vor Ihrer nächsten KI-Budgetprüfung: Hören Sie auf, Werkzeuge zu zählen, und zählen Sie Aufgaben.
Nehmen Sie die drei Rollen, die Ihre größte KI-Investition tragen. Schreiben Sie für jede das Aufgabenportfolio auf — 15 bis 25 einzelne Aufgaben, klar formuliert. Bewerten Sie jede anhand zweier Fragen: Ist das Ergebnis in unter einer Minute von einer qualifizierten Person prüfbar? und Kostet eine falsche Antwort mehr, als sie neu zu machen?. Aufgaben, die billig prüfbar und billig falsch sind, bilden Ihre echte Automatisierungsmenge. Alles andere ist Assistenz, und Assistenz zeigt sich in Qualität und Durchlaufzeit, nie im Stellenplan.
Messen Sie dann die Abdeckungsquote, die Sie tatsächlich haben. Liegt sie nahe 21 %, sind Sie Median — normal, kein Scheitern und keine Sparposition. Übersteigt eine Rolle 60 %, haben Sie eine der 3 % gefunden: Gestalten Sie diese Rolle bewusst neu, statt zu warten, dass die Ersparnis von allein auftaucht. Bleibt eine Rolle nach einem Jahr Lizenzen unter 10 %, liegt es weder am Werkzeug noch an den Menschen. Die Arbeit hat schlicht nicht die passende Form, und die Lizenzausgaben gehören woandershin.
Die unbequeme Lesart dieses Befunds ist zugleich die nützliche. KI steckt in fast jedem Job Ihres Unternehmens und in fast keinem tief, End-to-End-Automatisierung bleibt die Ausnahme und nicht der Plan, und die Rendite liegt im geringqualifizierten Rückstand, der Ihre teuersten Kalender verstopft. Holen Sie ihn sich zurück. Er ist kleiner, als die Schlagzeile versprach — und weit besser einlösbar.
