Am 27. August 2026 veröffentlichte das Bureau of Labor Statistics seine erste Klassifikation der KI-Exposition: vier Kategorien — niedrig, moderat, hoch, sehr hoch — zugeordnet zu allen 831 detaillierten Berufen der Beschäftigungsprojektionen 2025-35. Auf derselben Seite hält das BLS fest, die Klassifikation sei "keine Prognose von Beschäftigungswachstum oder -rückgang", "keine Schätzung der Wahrscheinlichkeit einer KI-Einführung" und "keine Schätzung einer Ersetzung von Beschäftigten" (U.S. Bureau of Labor Statistics, 2026).
Innerhalb weniger Tage hatte die Fachpresse daraus Listen gefährdeter und sicherer Jobs gemacht.
Genau diese Lesart schließt die Behörde aus — schriftlich, auf der Seite, aus der die Listen gebaut wurden. Und das ist mehr als eine pedantische Korrektur, denn die BLS-Tabelle zur KI-Exposition wird demnächst in den Personalplänen 2027 des Mittelstands auftauchen — als der autoritativste Input im ganzen Deck. Eine Bundesstatistikbehörde, alle Berufe, vier saubere Stufen. Sie wird als Streichliste gelesen werden. Diese Entscheidung kann sie nicht tragen.
Was die BLS-Klassifikation zur KI-Exposition tatsächlich aussagt
Die Klassifikation ist ein relatives Ranking, erzeugt von einem Clustering-Algorithmus über fünf externe Expositionsmaße. Das BLS benennt die Grenzen deutlich: Die Kategorien sind "relativ zu anderen Berufen", sie implizieren kein "absolutes 'hohes' oder 'niedriges' Expositionsniveau", und sie "unterscheiden nicht zwischen KI-Wirkungen durch Automatisierung und durch Augmentierung" (U.S. Bureau of Labor Statistics, 2026).
Bleiben Sie beim letzten Punkt. Automatisierung und Augmentierung sind in dieser Tabelle dieselbe Kategorie. "Sehr hohe Exposition" ist gleichermaßen vereinbar damit, dass die Arbeit verschwindet, und damit, dass dieselbe Person sie mit dreifachem Durchsatz erledigt — mit einem Prüfschritt dahinter. Die Tabelle sagt nicht, welches von beidem — und diese Richtung ist der gesamte Inhalt einer Personalentscheidung.
Die umgebenden Projektionen sind der Kontext, aus dem das Ranking üblicherweise herausgelöst wird. Das BLS projiziert für die US-Wirtschaft 5,9 Millionen zusätzliche Arbeitsplätze zwischen 2025 und 2035, die Beschäftigung steigt von 170,3 auf 176,2 Millionen — ein Wachstum von 3,5 Prozent, das die Behörde als "langsamer als das Wachstum von 10,9 Prozent im Jahrzehnt 2015-25" einordnet (U.S. Bureau of Labor Statistics, 2026). Langsameres Wachstum, keine Schrumpfung. Die KI-bezogenen Anpassungen konzentrieren sich auf IT- und Mathematikberufe, Kunst und Medien, Unternehmensverwaltung und Rechtsdienstleistungen.
Das Konstruktionsdetail, das die Obergrenze setzt
Die fünf Inputs sind drei theoretische Expositionsmaße und zwei Datensätze beobachteter Nutzung — die Beobachtungsseite stammt aus den Claude-Nutzungsdaten von Anthropic und den Copilot-Daten von Microsoft. Das BLS bildet den medianen Perzentilrang je Dimension und clustert anschließend. Von 4.155 möglichen Beruf-Quelle-Kombinationen waren 3.944 beobachtet und 211 imputiert, was 75 Berufe betrifft (U.S. Bureau of Labor Statistics, 2026).
Und dann der Satz, der bestimmen sollte, wie weit Sie diese Tabelle reisen lassen: "Die theoretischen Quellen konzipieren KI-Fähigkeiten als jene, die spätestens Mitte 2023 verfügbar waren."
Drei von fünf Inputs beschreiben eine Modellgeneration, die jedem agentischen Produkt vorausgeht, das Ihr Team pilotiert hat. Das BLS merkt zudem an, dass alle fünf Quellen Berufe als Bündel unabhängiger Aufgaben behandeln und "Engpässe, Komplementaritäten oder andere nicht unabhängige Eigenschaften von Berufen nicht berücksichtigen".
Das ist kein Mangel der BLS-Arbeit — es ist eine offengelegte Eigenschaft der verfügbaren Literatur, und genau dafür gibt es eine Statistikbehörde. Es ist ein Mangel der Verwendung. Eine Zehnjahresplanung auf Basis dieses Rankings verankert eine drei Jahre alte Momentaufnahme von Fähigkeiten — und zwar in dem einen Dokument, das Ihr CFO nicht hinterfragen wird.
Was das Ranking wirklich abbildet: die Prüflast
Hier die vertretbare Lesart, und sie kehrt die populäre um.
Wenn ein Beruf im Cluster hoher Exposition landet, erkennen die fünf zugrundeliegenden Quellen gemeinsam vor allem eines: dass ein großer Teil seiner Aufgaben von der Art ist, die aktuelle Modelle versuchen werden. Ob das Modell richtig liegt, ist eine separate Frage, die der Expositionswert nicht berührt — denn, wie das BLS anmerkt, behandeln die Inputs Aufgaben als unabhängig und ignorieren Komplementaritäten.
Hohe Exposition sagt also hohes Entwurfsvolumen voraus. Entwurfsvolumen erzeugt Prüfbedarf. Und der Prüfbedarf ist die Stelle, an der die Kosten tatsächlich anfallen.
McKinsey QuantumBlack hat das für Banking-Workflows direkt beziffert: Token-Kosten machen 20 bis 25 Prozent der variablen Betriebskosten eines KI-Agenten aus, während die menschliche Aufsicht durch Fach- und Risikoexperten 70 bis 75 Prozent ausmacht (McKinsey QuantumBlack, 2026). Die teure Position ist das Prüfen, und die prüfende Person muss fachlich stark genug sein, das Ergebnis zu verwerfen.
Die Studie von MIT Technology Review Insights und Microsoft mit 300 Technologieführungskräften und Praktikern, die 101 agentische Aufgaben auf einer Vertrauensskala von 0 bis 100 bewertete, weist in dieselbe Richtung: Vertrauen folgte der Überprüfbarkeit der Aufgabe und der Vollständigkeit des Geschäftskontexts, nicht der Modellfähigkeit — und 59 Prozent planen bereits dauerhafte menschliche Aufsicht (MIT Technology Review Insights, 2026).
Durch diese Linse gelesen, wird die BLS-Tabelle wirklich nützlich. Ihre Berufe mit sehr hoher und hoher Exposition sind jene, in denen sich KI-generierter Output konzentriert — also jene, in denen sich Prüfstunden konzentrieren — also jene, in denen Sie Menschen mit genug fachlichem Standing brauchen, um schlechten Output zurückzuweisen. Dort zuerst zu kürzen entfernt die Prüfenden aus den Funktionen mit dem meisten zu Prüfenden.
Warum eine Stellenbezeichnung die Entscheidung ohnehin nicht tragen kann
Es gibt ein zweites Problem, unabhängig von der Mitte-2023-Obergrenze, und es ist strukturell: Exposition wird pro Beruf gemessen, Adoption geschieht pro Person.
Bick, Blandin, Deming und Schumacher verknüpfen eine national repräsentative Befragung mit detaillierten O*NET-Aufgaben und finden, dass Expositionsmaße für generative KI nur etwa die Hälfte der Varianz in der Adoption zwischen Beschäftigten erklären — Menschen mit ähnlicher Arbeit adoptieren systematisch unterschiedlich (NBER Working Paper 35677, 2026). Sie finden zudem eine breite, aber flache Adoption: Mindestens jeder fünfte Beschäftigte nutzt generative KI in 80 Prozent der Berufe und 40 Prozent der Aufgaben, während die Adoption in den meisten Fällen unter 50 Prozent bleibt.
Die Hälfte der Varianz liegt innerhalb der Stellenbezeichnung, nicht zwischen Stellenbezeichnungen. Das heißt: Ein Plan, der Kapazitätsveränderungen nach Berufscode zuweist, ist bestenfalls halb informiert — und die Hälfte, die er verfehlt, ist genau die, die Sie steuern könnten, denn individuelle Adoption reagiert auf Befähigung, Werkzeuge und Rollendesign.
Nutzen Sie die BLS-Kategorien zur KI-Exposition so, wie man eine nationale Statistik nutzen sollte: als Vorannahme darüber, wo man hinschauen sollte. Und schauen Sie dann im eigenen Unternehmen nach, gegen Ihr eigenes Aufgabeninventar. Zwei Berufe derselben Kategorie werden sich in Ihrem Haus nicht gleich verhalten, und der Rest ist kein Rauschen — er ist der Teil des Problems, auf den Sie Einfluss haben.
Der faire Gegeneinwand: Es bleibt die beste öffentliche Grundlage
Ich will fair bleiben gegenüber dem, was das BLS geleistet hat, denn "nicht als Streichliste verwenden" heißt nicht "gar nicht verwenden".
Es ist die erste Klassifikation, die jeden projizierten Beruf nach einer konsistenten Methode abdeckt, sie kombiniert theoretische Evidenz mit beobachteter Nutzung statt sich auf eine Seite zu schlagen, und sie dokumentiert ihre eigenen Grenzen offener als die meiste Anbieterforschung. Für den Vergleich Ihres Personalmixes mit der nationalen Verteilung, für die Reihenfolge, in der Funktionen ein Befähigungsbudget erhalten, für die Argumentation vor einem Aufsichtsgremium, das eine zitierfähige Quelle will — es ist das beste verfügbare öffentliche Instrument, und kein Mittelständler wird intern ein besseres bauen.
Das Problem ist nicht die Tabelle. Es ist die Verdichtung: vier Stufen, eine Spalte, ein Kategorienlabel, das sich wie ein Urteil liest. Diese Formatierung lädt zu einer Personalschlussfolgerung ein, die die Methode nicht stützen kann — und das BLS hat es vorsorglich auf derselben Seite gesagt. Die nötige Disziplin ist gering: Lassen Sie die Einschränkungen mit der Zahl mitreisen, jedes Mal, wenn sie in einem Deck auftaucht.
Was in diesem Quartal zu entscheiden ist
Vier Änderungen daran, wie das BLS-Ranking zur KI-Exposition in Ihren Planungszyklus 2027 eingeht.
- Benennen Sie die Spalte um. Wo immer die Expositionskategorie in einem Planungsdokument erscheint, heißt die Überschrift "erwartete Prüflast", nicht "Risiko". Gleiche Daten, richtiges Verb. Das Label leistet den größten Teil der Arbeit daran, wie eine Tabelle gelesen wird.
- Koppeln Sie jeden Expositionswert an eine interne Adoptionsmessung. Exposition erklärt etwa die halbe Varianz; Ihre eigenen Nutzungsdaten erklären den Rest. Wenn Sie Adoption nicht pro Beschäftigtem messen können, ist diese Instrumentierung die Voraussetzung des Plans, nicht sein Ergebnis.
- Schützen Sie die Prüftiefe in Ihren am stärksten exponierten Funktionen. Dort entsteht der meiste maschinelle Output und dort braucht es das meiste erfahrene Urteilsvermögen zur Kontrolle. Modellieren Sie die Prüfstunden, bevor Sie die Einsparungen modellieren.
- Datieren Sie die Fähigkeitsannahme. Schreiben Sie "die theoretischen Inputs bilden KI-Fähigkeiten bis spätestens Mitte 2023 ab" direkt unter die Tabelle. Das lässt die Aussage vor den Augen des nächsten Lesers altern — die einzige Verteidigung dagegen, dass eine Momentaufnahme von 2026 stillschweigend eine Projektion bis 2035 regiert.
Das BLS hat Ihnen eine Karte gegeben, wo sich die Arbeit verändern wird. Es hat fünfmal getrennt und mit eigenen Worten gesagt, dass es Ihnen keine Karte gegeben hat, wohin die Beschäftigten gehen.
Wenn eine Personalzahl für 2027 in Ihrem Plan auf ein Label "sehr hohe Exposition" zurückgeht, haben Sie keine Personalentscheidung getroffen. Sie haben ein Ranking zitiert, das genau die Verwendung ausschloss, die Sie ihm gerade gegeben haben — und die Behörde, die es veröffentlicht hat, wird diese Zahl nicht verteidigen, wenn sie sich als falsch erweist.
