4,5 Millionen Jobs. 71 Berufsgruppen. Eine Frage: Wie stark verändert generative KI den österreichischen Arbeitsmarkt? Die Debatte darüber wird leidenschaftlich geführt – aber selten datenbasiert. Die Austrian Occupation Exposure Map macht diese Frage interaktiv erkundbar: mit offiziellen Beschäftigungsdaten, reproduzierbarer Methodik und Open-Source-Code.
- Was die Austrian Occupation Exposure 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
Die Austrian Occupation Exposure Map 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
Beschäftigungsentwicklung: Grün signalisiert Wachstum, Rot rückläufige Beschäftigung. Basiert auf Eurostat-Zeitreihen.
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 Exposure
Wie stark generative KI die jeweilige Berufsgruppe voraussichtlich verändern wird. LLM-Scoring auf einer Skala von 0 bis 10.
Zusätzlich bietet die Anwendung fünf Navigationsansichten: Treemap, Job Explorer, ISCO-Familien, Sektoren (ÖNACE) und einen Methodik-Bereich mit vollständiger Quellenangabe.
Der österreichische Arbeitsmarkt in Zahlen
- Beschäftigte insgesamt
- 4,5 Mio.
- Durchschnittlicher Outlook (jobgewichtet)
- +0,7 %
- ISCO-08-Berufsgruppen
- 71
| Outlook-Kategorie | Beschäftigte | Anteil (%) |
|---|---|---|
| Rückläufig (<0%) | 1,4 Mio. | 31 |
| Langsam (0–3%) | 2,7 Mio. | 59 |
| Durchschnittlich (4–7%) | 319.000 | 7 |
| Schnell (8–14%) | 129.000 | 3 |
Ein zentrales Ergebnis: 31 % der Beschäftigten arbeiten in Berufsgruppen mit rückläufiger Beschäftigungsentwicklung. Der Großteil (59 %) liegt im Bereich langsamen Wachstums. Starkes Wachstum (über 8 %) betrifft nur 3 % der Beschäftigten.
Ein hoher AI-Exposure-Score bedeutet nicht, dass Berufe verschwinden. Softwareentwicklung beispielsweise erreicht Werte von 8–9/10 – aber die Nachfrage nach Software steigt, wenn jede Entwickler:in produktiver wird. Der Score misst Transformation, nicht Elimination. 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
Karpathys Scoring-Prompt definiert klare Ankerpunkte für die 0–10-Skala:
| Tier | Kriterium | Beispiele |
|---|---|---|
| Minimal (0–1) | Physische Arbeit, kaum KI-Einfluss | Dachdecker:in, Landschaftspflege |
| Niedrig (2–3) | Überwiegend physisch/interpersonell | Elektriker:in, Installateur:in, Feuerwehr |
| Moderat (4–5) | Mix aus physischer und Wissensarbeit | Pflegekräfte, Polizei, Tierärzt:innen |
| Hoch (6–7) | Überwiegend Wissensarbeit | Lehrkräfte, Management, Buchhaltung |
| Sehr hoch (8–9) | Fast vollständig digital | Softwareentwicklung, Grafikdesign, Übersetzung |
| Maximum (10) | Routine-Informationsverarbeitung | Dateneingabe, Telemarketing |
Ein Schlüsselsignal: Ob die Arbeit grundsätzlich digital ist. Kann ein Beruf vollständig vom Home Office aus erledigt werden – Schreiben, Programmieren, Analysieren, Kommunizieren – liegt die KI-Exposition 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 Occupation Exposure Map übernimmt Konzept und Scoring Rubric von Karpathy – aber Datenquellen, Informationsarchitektur und Methodik wurden vollständig für den österreichischen Arbeitsmarkt neu aufgebaut.
| Feature | US-Original (Karpathy) | Österreich-Adaption (webconsulting) |
|---|---|---|
| Datenquellen | Bureau of Labor Statistics (BLS) | Eurostat lfsa_egai2d, Statistik Austria OGD |
| Berufsklassifikation | SOC (342 Berufe) | ISCO-08 (71 Berufsgruppen) |
| Struktur | Sektorbasiert | Berufsbasiert + ÖNACE-Sektorkontext |
| Einkommen | USD Median Annual | EUR Brutto inkl. 13./14. Gehalt |
| Sprache | Englisch | Deutsch / Englisch (bilingual) |
| Routenstruktur | Sektorbasiert | /occupation, /family, /sector |
Die Methodik: Transparenz statt Black Box
LLM-Scoring: Wie KI-Exposition bewertet wird
Das Scoring folgt Karpathys Methodik: Ein LLM erhält eine detaillierte Berufsbeschreibung und bewertet die KI-Exposition auf einer Skala von 0 bis 10. Der Prompt definiert klare Bewertungskriterien und Ankerpunkte. Das Ergebnis ist ein JSON-Objekt mit Score und Begründung.
LLM-Scoring-Pipeline: Von der Berufsbeschreibung zur Visualisierung
Der entscheidende Punkt: Das Framework ist erweiterbar. Derselbe Pipeline-Ansatz funktioniert für beliebige Fragestellungen – Exposition gegenüber humanoider Robotik, Offshoring-Risiko, Klimaauswirkungen. Es genügt ein neuer Prompt, und die Treemap färbt sich nach den neuen Kriterien.
Datenquellen und Reproduzierbarkeit
Jeder Datenpunkt ist auf eine offizielle Quelle zurückführbar. Alle Rohdaten sind als Open Government Data frei herunterladbar. Die Generierungs-Pipeline (scripts/generate-occupations.ts) ist Open Source, und 30+ automatisierte Integritätschecks verifizieren den Datensatz bei jeder Neugenerierung.
Die Datenquellen im Detail:
- Beschäftigung: Eurostat
lfsa_egai2d(Mikrozensus-Arbeitskräfteerhebung 2024) nach ISCO-08 - Einkommen: Verdienststrukturerhebung 2022 (Statistik Austria Open Government Data) nach ISCO-08
- Sektorkontext: ÖNACE-Wirtschaftsabschnitte parallel zu ISCO-Hauptgruppen
Was Sie mit der Map tun können
Die Austrian Occupation Exposure Map ist mehr als eine hübsche Grafik. Sie ist ein Analyse-Werkzeug für alle, die datenbasiert über KI und Arbeit nachdenken wollen.
Für Unternehmen
Strategische Personalplanung
Welche Berufsgruppen in Ihrem Unternehmen haben die höchste KI-Exposition? 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 Exposure-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 Exposure: Welche Berufsgruppen verlieren Beschäftigung und haben hohe KI-Exposition? Dort entsteht der dringendste Handlungsbedarf.
Für Forschung und Journalismus
- Reproduzierbare Analyse: Alle Daten und Methoden sind offen – ideal für wissenschaftliche Arbeiten und investigative Recherchen.
- Custom Scoring: Die LLM-Pipeline kann mit eigenen Prompts erweitert werden. Wie exponiert sind österreichische Berufe gegenüber humanoider Robotik? Schreiben Sie einen Prompt, lassen Sie die Pipeline laufen.
- 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 Occupation Exposure Map – GitHub Repository
Kompletter Quellcode der Austrian Occupation Exposure Map: Daten-Pipeline, LLM-Scoring, Visualisierung und 30+ Integritätschecks. 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
Die Austrian Occupation Exposure Map macht eine abstrakte Debatte greifbar. Statt über „KI und Arbeit" zu spekulieren, können Unternehmen, Bildungseinrichtungen und politische Entscheidungsträger:innen 71 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: Hohe KI-Exposition bedeutet Veränderung der Arbeitsweise – nicht zwangsläufig weniger Arbeitsplätze. Nachfrageelastizität und gesellschaftliche Faktoren spielen eine zentrale Rolle.
- Erweiterbar by Design: Die LLM-Scoring-Pipeline lässt sich mit neuen Prompts auf beliebige Fragestellungen anwenden.
- Open Source: Quellcode, Daten-Pipeline und Integritätschecks sind öffentlich auf GitHub verfügbar – zum Forken, Erweitern und Weiterentwickeln.