4,5 Millionen Jobs. 75 Berufsgruppen. Eine Frage: Wie stark verändert generative KI den österreichischen Arbeitsmarkt? Die Debatte darüber wird leidenschaftlich geführt – aber selten datenbasiert. Der BerufsRadar macht diese Frage interaktiv erkundbar: mit offiziellen Beschäftigungsdaten, reproduzierbarer Methodik und Open-Source-Code.
BerufsRadar – Interaktive KI-Arbeitsmarkt-Karte
75 Berufsgruppen, 4,5 Mio. Jobs, interaktive Karte mit Branchenanalyse, Berufsvergleich und offiziellen Daten. Kostenlos, ohne Anmeldung.
- Was die Austrian AI Impact Map zeigt und wie sie funktioniert
- Woher die Daten stammen und warum sie reproduzierbar sind
- Welche Erkenntnisse die Visualisierung liefert
- Wie das Open-Source-Projekt technisch aufgebaut ist
- Was Unternehmen, Bildungseinrichtungen und Politik daraus ableiten können
Inhaltsverzeichnis
Was die Map zeigt
Der BerufsRadar ist eine interaktive Treemap-Visualisierung des österreichischen Arbeitsmarkts. Jede Kachel repräsentiert eine ISCO-08-Berufsgruppe. Die Fläche entspricht der Anzahl der Beschäftigten – je größer die Kachel, desto mehr Menschen arbeiten in diesem Berufsfeld.
Vier Layer, vier Perspektiven
Die Map bietet vier austauschbare Farbebenen (Layer), die unterschiedliche Dimensionen des Arbeitsmarkts sichtbar machen:
Outlook 2023–2030
Beschäftigungsprognose: Basiert auf der WIFO/AMS-Mittelfristprognose (gewichteter Durchschnitt aus NACE-Sektorwachstum 60 % + ISCO-Berufsgruppenentwicklung 40 %). Grün signalisiert Wachstum, Rot Rückgang.
Median-Einkommen
Bruttojahresgehälter in EUR – inklusive 13. und 14. Monatsgehalt, wie in Österreich üblich. Quelle: Verdienststrukturerhebung 2022.
Bildungsniveau
Typisches Qualifikationsniveau pro Berufsgruppe – von Pflichtschulabschluss bis Hochschulstudium.
AI Impact
Wie stark generative KI die jeweilige Berufsgruppe voraussichtlich verändern wird – als qualitative Einschätzung auf einer Skala von 0 bis 10 nach Karpathys Rubrik.
Zusätzlich bietet die Anwendung inzwischen sieben Navigationsansichten: Karte (interaktive Treemap), Alle Berufe (sortierbare Tabelle aller 75 Gruppen), Hauptgruppen (ISCO-Familien), Branchen (ÖNACE-Sektoren mit interaktiven Diagrammen), Vergleich (direkter AT-vs.-US-Vergleich), Verifikation (öffentliche Testübersicht) und About/Info – ein Methodik-Bereich mit Quellenangaben, Datenverarbeitungs-Dokumentation und Verifizierungstests.
Der österreichische Arbeitsmarkt in Zahlen
- Beschäftigte insgesamt
- 4,5 Mio.
- Durchschnittlicher AI Impact (jobgewichtet)
- 4,5
- ISCO-08-Berufsgruppen
- 75
- High-Impact-Einkommen jährlich
- €47 Mrd.
| Impact-Kategorie | Beschäftigte | Anteil (%) |
|---|---|---|
| Minimal (0–1) | 317.000 | 7 |
| Niedrig (2–3) | 1,3 Mio. | 29 |
| Moderat (4–5) | 1,7 Mio. | 38 |
| Hoch (6–7) | 782.000 | 17 |
| Sehr hoch (8–10) | 370.000 | 8 |
Ein zentrales Ergebnis: 25 % der Beschäftigten (1,15 Mio.) arbeiten in Berufsgruppen mit hohem oder sehr hohem KI-Impact (Score 6–10). Der größte Anteil (38 %) fällt in den moderaten Bereich (4–5). Berufe mit minimalem KI-Impact machen nur 7 % aus – überwiegend Tätigkeiten mit hoher physischer Präsenz wie Rettungsdienst, Dachdecker:innen oder Hebammen.
Ein hoher AI-Impact-Score bedeutet nicht, dass Berufe verschwinden. Softwareentwicklung beispielsweise erreicht Werte von 8–10 – aber die Nachfrage nach Software steigt, wenn jede Entwickler:in produktiver wird. Der Score misst technische Substituierbarkeit, nicht Jobverdrängung. Elastizität der Nachfrage, regulatorische Hürden und gesellschaftliche Präferenzen sind nicht eingepreist.
Von Karpathys Idee zur österreichischen Adaption
Das US-Original
Im März 2026 veröffentlichte Andrej Karpathy – ehemaliger Director of AI bei Tesla und Mitgründer von OpenAI – den US Job Market Visualizer. Das Tool visualisiert 342 Berufe aus dem Bureau of Labor Statistics Occupational Outlook Handbook und deckt 143 Millionen Jobs in der US-Wirtschaft ab.
Das Besondere an Karpathys Ansatz: Die AI Exposure Scores werden nicht manuell vergeben, sondern über eine LLM-Pipeline erzeugt. Ein Prompt definiert das Bewertungsraster, das Modell bewertet jede Berufsbeschreibung einzeln. Der gesamte Prozess ist reproduzierbar und im GitHub-Repository öffentlich einsehbar.
"This is not a report, a paper, or a serious economic publication — it is a development tool for exploring BLS data visually."
— Andrej Karpathy, US Job Market Visualizer
Der AI-Impact-Score folgt einer fünfstufigen Skala mit klaren Ankerpunkten und österreichischen Beispielen:
| Tier | Kriterium | Beispiele (Österreich) |
|---|---|---|
| Minimal (0–1) | Vernachlässigbare digitale Substituierbarkeit. Hohe physische Präsenz, manuelle Arbeit oder direkte Personenpflege. | Rettungsdienst, Dachdecker:in, Hebammen |
| Niedrig (2–3) | KI-gestützte Werkzeuge anwendbar; überwiegender Aufgabenanteil erfordert manuelle, sensorische oder interpersonelle Kompetenzen. | Pflegekräfte, Polizei, Installateur:in vor Ort |
| Moderat (4–5) | Relevanter Anteil routinisierter kognitiver oder administrativer Aufgaben. | Lehrkräfte, Einzelhandel, Industrieküche |
| Hoch (6–7) | Substanzielle Umstrukturierung wahrscheinlich; Personalbedarfe entkoppeln sich zunehmend vom Output. | Lagerlogistik, öffentliche Verwaltung, Fernverkehr |
| Sehr hoch (8–10) | Der überwiegende Anteil der Kernaufgaben ist bereits durch aktuelle Modelle abbildbar. | Softwareentwicklung, Finanzbuchhaltung, Übersetzung, Performance Marketing |
Ein Schlüsselsignal: Ob die Arbeit grundsätzlich digital ist. Kann ein Beruf vollständig vom Home Office aus erledigt werden – Schreiben, Programmieren, Analysieren, Kommunizieren – liegt der KI-Impact inhärent bei 7+. Berufe mit physischer Präsenz, manueller Geschicklichkeit oder unmittelbarer menschlicher Interaktion in der physischen Welt haben eine natürliche Barriere.
Was sich unterscheidet
Die Austrian AI Impact Map übernimmt Konzept und Scoring Rubric von Karpathy – aber Datenquellen, Informationsarchitektur und Methodik wurden vollständig für den österreichischen Arbeitsmarkt neu aufgebaut. Zugleich ist sie ausdrücklich eine unabhängige, nicht amtliche Adaption ohne institutionelle Anbindung an AMS, WIFO, Statistik Austria oder andere öffentliche Stellen.
| Feature | US-Original (Karpathy) | Österreich-Adaption (webconsulting) |
|---|---|---|
| Datenquellen | Bureau of Labor Statistics (BLS) | Eurostat lfsa_egai2d, nama_10_a64_e, Statistik Austria OGD |
| Berufsklassifikation | SOC (342 Berufe) | ISCO-08 (75 Berufsgruppen) |
| Struktur | Sektorbasiert | Berufsbasiert + ÖNACE-Sektorkontext |
| Einkommen | USD Median Annual | EUR Brutto inkl. 13./14. Gehalt |
| Outlook | BLS Occupational Outlook Handbook | WIFO/AMS Beschäftigungsprognose 2023–2030 |
| Sprache | Englisch | Deutsch / Englisch (bilingual) |
Die Methodik: Transparenz statt Black Box
AI-Impact-Scoring: Wie der KI-Einfluss bewertet wird
Das Scoring folgt Karpathys Methodik: Jede Berufsgruppe erhält einen AI-Impact-Score auf einer Skala von 0 bis 10. Die Werte werden kuratiert und begründet – als qualitative Einschätzung entlang klarer Ankerpunkte nach Karpathys Rubrik (Anteil kognitiver/digitaler Aufgaben). Wichtig: Diese Scores sind keine empirische Messung, sondern eine nachvollziehbare, dokumentierte Bewertung. Die veröffentlichte Daten-Pipeline läuft deterministisch; beim Build werden keine LLMs eingesetzt.
Bewertungslogik der österreichischen Adaption: von der Rubrik zur Visualisierung
Der entscheidende Punkt: Das Framework ist erweiterbar. Dieselbe Datenstruktur funktioniert auch für zusätzliche Bewertungsdimensionen – etwa Impact humanoider Robotik, Offshoring-Risiko oder Klimaauswirkungen. Dafür braucht es keine intransparente Black Box, sondern klar definierte Regeln und dokumentierte Kriterien.
Datenquellen und Reproduzierbarkeit
Jeder Datenpunkt ist auf eine offizielle Quelle zurückführbar. Alle Rohdaten sind als Open Government Data frei herunterladbar. Die Generierungs-Pipeline ist Open Source, läuft deterministisch und wird bei jeder Neugenerierung durch 99 hypothesengeleitete Verifizierungstests abgesichert – darunter 13 Zeile-für-Zeile-Abgleiche mit den ursprünglichen Eurostat- und VSE-Daten.
Die Datenquellen im Detail:
- Beschäftigung: Eurostat
lfsa_egai2d(Mikrozensus-Arbeitskräfteerhebung 2024) nach ISCO-08. Zusätzlich dientnama_10_a64_e(NACE-Sektorbeschäftigung) als proportionale Gewichtung, um die ISCO-Gesamtzahlen auf die ÖNACE-beschrifteten Berufszeilen aufzuteilen. - Outlook: WIFO/AMS-Mittelfristprognose zur Beschäftigungsentwicklung 2023–2030 (AMS report 185, Dezember 2024). Der Outlook pro Berufsgruppe wird als gewichteter Durchschnitt aus NACE-Sektorwachstum (60 %) und ISCO-Berufsgruppenentwicklung (40 %) berechnet.
- Einkommen: Verdienststrukturerhebung 2022 (Statistik Austria Open Government Data) – zwei Datensätze:
OGD_veste403liefert den Bruttostundenverdienst (Median) nach ISCO-08-Berufsgruppe,OGD_veste401nach Wirtschaftsabschnitt als ergänzender Sektorkontext. Die Umrechnung auf Bruttojahresentgelt erfolgt über: Stundenverdienst × 2.080 Stunden/Jahr × 1,17 (13. und 14. Monatsgehalt). - Sektorkontext: ÖNACE 2025 (gültig seit 1.1.2025) für die Wirtschaftsabschnitte A–S. Die VSE 2022 wurde unter ÖNACE 2008 erhoben; auf Abschnittsebene ist die Struktur identisch.
- AI Impact: Integer 0–10 je Berufsgruppe, qualitativ kuratiert nach Karpathys Rubrik (kognitive/digitale Aufgabenanteile). Der Score ist eine dokumentierte Einschätzung, keine empirische Messung.
Was Sie mit der Map tun können
Der BerufsRadar ist mehr als eine hübsche Grafik. Er ist ein Analyse-Werkzeug für alle, die datenbasiert über KI und Arbeit nachdenken wollen.
Für Unternehmen
Strategische Personalplanung
Welche Berufsgruppen in Ihrem Unternehmen haben den höchsten KI-Impact? Wo lohnt sich Upskilling, wo braucht es neue Rollen? Die Map liefert die Datenbasis für evidenzbasierte Entscheidungen.
Technologie-Roadmap validieren
Gleichen Sie Ihre geplanten KI-Investitionen mit den Impact-Scores ab. Wo stimmen interne Annahmen mit der Datenlage überein – und wo gibt es blinde Flecken?
Für Bildung und Politik
Curricula weiterentwickeln
Bildungseinrichtungen sehen auf einen Blick, welche Berufsfelder sich am stärksten verändern. Das Bildungsniveau-Layer zeigt, wo Qualifikationsanforderungen steigen.
Arbeitsmarktpolitik evidenzbasiert gestalten
Kombination aus Outlook und AI Impact: Welche Berufsgruppen verlieren Beschäftigung und haben hohen KI-Impact? Dort entsteht der dringendste Handlungsbedarf.
Für Forschung und Journalismus
- Reproduzierbare Analyse: Alle Daten und Methoden sind offen – ideal für wissenschaftliche Arbeiten und investigative Recherchen.
- Zusätzliche Bewertungsdimensionen: Das offene Datenmodell lässt sich um weitere Exposure-Layer ergänzen – etwa Robotik, Offshoring oder regulatorisches Risiko.
- Ländervergleich: Das US-Original und mehrere internationale Adaptionen (Australien, EU) ermöglichen direkte Vergleiche.
Technik unter der Haube
Der Tech-Stack
- Next.js mit App Router und Server Components
- TypeScript für durchgängige Typsicherheit
- shadcn/ui als Komponentenbibliothek
- webconsulting Design System für konsistentes Branding
- Responsive Design mit bilingualem Interface (DE/EN)
Open Source und Reproduzierbarkeit
Das gesamte Projekt ist Open Source und auf GitHub verfügbar:
Austrian AI Impact Map – GitHub Repository
Kompletter Quellcode der Austrian AI Impact Map: deterministische Daten-Pipeline, Visualisierung und 99 Verifizierungstests. Fork it, extend it, build on it.
Andrej Karpathys US Job Market Visualizer – GitHub Repository
Das Ursprungsprojekt: 342 US-Berufe, LLM-Scoring-Pipeline und interaktive Treemap-Visualisierung. Die Vorlage für alle internationalen Adaptionen.
Was als Nächstes möglich wäre
Die offene Architektur lädt zur Weiterentwicklung ein. Einige Ansätze, die auf dem bestehenden Framework aufbauen könnten:
Fazit
Der BerufsRadar macht eine abstrakte Debatte greifbar. Statt über „KI und Arbeit" zu spekulieren, können Unternehmen, Bildungseinrichtungen und politische Entscheidungsträger:innen 75 Berufsgruppen und 4,5 Millionen Jobs konkret analysieren – mit offiziellen Daten, transparenter Methodik und Open-Source-Code.
Nicht die Technologie entscheidet, welche Berufe sich verändern – sondern wie schnell Organisationen diese Veränderung erkennen und gestalten.
Die wichtigsten Erkenntnisse:
- Datenbasiert statt spekulativ: Alle Beschäftigungs- und Einkommensdaten stammen aus offiziellen Quellen (Eurostat, Statistik Austria OGD) und sind vollständig reproduzierbar.
- Transformation, nicht Elimination: Hoher KI-Impact bedeutet Veränderung der Arbeitsweise – nicht zwangsläufig weniger Arbeitsplätze. Nachfrageelastizität und gesellschaftliche Faktoren spielen eine zentrale Rolle.
- Erweiterbar by Design: Die offene Datenstruktur lässt sich um neue Bewertungsdimensionen und zusätzliche Exposure-Layer ergänzen.
- Open Source: Quellcode, Daten-Pipeline und Integritätschecks sind öffentlich auf GitHub verfügbar – zum Forken, Erweitern und Weiterentwickeln.