Andrej Karpathy — Mitgründer von OpenAI, ehemaliger Leiter der KI-Abteilung bei Tesla — hat ein Tool veröffentlicht, das die KI-Exponierung des gesamten US-Arbeitsmarkts visualisiert. Dann hat er es wieder gelöscht. Beides verdient Aufmerksamkeit.
342 Berufe, bewertet von einer KI
Karpathy hat 342 Berufsgruppen aus der Datenbank des US Bureau of Labor Statistics (BLS) gezogen und jede einzelne von Gemini Flash auf einer Skala von 0 bis 10 bewerten lassen: Wie stark ist der jeweilige Beruf durch KI gefährdet? Die Ergebnisse hat er als interaktive Treemap visualisiert — eine Heatmap, in der die Fläche jedes Berufs seine Beschäftigtenzahl widerspiegelt und die Farbe den Gefährdungsgrad.
Der gewichtete Durchschnitt über alle 143 Millionen erfassten Arbeitsplätze: 4,9 von 10. Der ungewichtete Schnitt über alle 342 Berufsgruppen liegt sogar bei 5,3. Mehr als die Hälfte aller Jobs hat eine mittlere bis hohe KI-Exponierung.
Wer am meisten betroffen ist — und wer am wenigsten
Die Treemap erzählt eine klare Geschichte: Je mehr ein Job am Bildschirm stattfindet, desto höher die Gefährdung.
Einige Beispiele aus Karpathys Bewertung:
- Medical Transcriptionists: 10/10
- Software-Entwickler: 8–9/10
- General Office Clerks: 9/10
- Anwälte: 8/10
- Krankenpfleger, Ärzte: 4–5/10
- Dachdecker, Hausmeister: 0–1/10
Der Klempner ist sicherer als der Analyst. Der Hausmeister ist sicherer als der Manager. Ben Sigman bringt es auf den Punkt: Besserverdiener mit über 100.000 Dollar Jahresgehalt sind zu 67 Prozent exponiert — Geringverdiener unter 35.000 Dollar nur zu 34 Prozent.
3,7 Billionen Dollar in der Gefahrenzone
TFTC hat die Zahlen aufgeschlüsselt: 42 Prozent aller US-Jobs — rund 59,9 Millionen Arbeitsplätze — scoren bei 7 oder höher. Das entspricht 3,7 Billionen US-Dollar an jährlichen Löhnen in der Hochrisikozone.
Besonders brisant: Bildung schützt nicht — sie macht verwundbarer. Bachelor- und Master-Absolventen sind stärker exponiert als Inhaber von Handwerkszertifikaten. Denn „Denkarbeit", die am Computer stattfindet, ist genau das, was KI zuerst automatisiert.
Veröffentlicht, gelöscht, geforkt — das Rätsel um die Löschung
Innerhalb von Stunden nach der Veröffentlichung hat Karpathy sowohl das GitHub-Repository als auch die Originalseite unter karpathy.ai/jobs wieder entfernt. Beide liefern jetzt einen 404-Fehler beziehungsweise leiten auf seine Hauptseite um.
In der Community wird seitdem gerätselt, was dahintersteckt. Druck von Arbeitgebern? Bedenken wegen der Methodik — schließlich stammen die Scores von einem einzelnen LLM-Durchlauf? Angst vor der eigenen Brisanz? Oder schlicht der Wunsch, keine Panik auszulösen?
Ryzm kommentiert trocken auf X: Karpathy habe das Repository auffällig schnell gelöscht — das allein sage viel darüber aus, wie unbequem die Daten für viele gewesen seien. Die K-förmige Spaltung des Arbeitsmarkts — Bildschirmjobs oben bei 9 bis 10, physische Berufe unter 5 — sei kein Zukunftsszenario, sondern bereits in die Löhne eingepreist.
Tuki formuliert es unverblümt: Karpathy habe kein Meinungsstück geschrieben, sondern jeden einzelnen Job in Amerika gescrapt, durch eine KI gejagt und bewertet, wie ersetzbar man ist. Keine Prognose — eine Diagnose. Besonders bitter sei die Ironie: 2015 lautete der universelle Karrieretipp, Programmieren zu lernen. 2025 schreibe der Code sich selbst — und die Generation, die dem Ratschlag folgte, sei nun die am stärksten ersetzbare.
Die Daten selbst sind trotz der Löschung nicht verschwunden: Die Originalvisualisierung lebt als Community-Fork weiter (GitHub). Tim Haldorsson hat auf Basis der Daten sogar ein eigenes Tool gebaut, das für jeden Beruf anzeigt, ob er „safe or cooked" ist. Das Internet vergisst nicht — schon gar nicht, wenn die Daten so unbequem sind.
Theorie vs. Realität: Was die Anthropic-Studie zeigt
Anish Moonka liefert einen wichtigen Gegenpart zu Karpathys LLM-Scores: Anthropics eigene Nutzungsdaten zeigen eine erhebliche Lücke zwischen theoretischer und tatsächlicher Automatisierung. Während 94 Prozent der Aufgaben in Mathematik und Informatik theoretisch automatisierbar sind, werden aktuell nur 35 Prozent davon tatsächlich von KI übernommen.
Die realen Spitzenreiter nach Anthropics Daten: Programmierer mit 74,5 Prozent tatsächlicher Exponierung, gefolgt von Kundenservice (70,1%) und Dateneingabe (67,1%). Auf der anderen Seite: 30 Prozent der US-Beschäftigten — Köche, Mechaniker, Barkeeper, Rettungsschwimmer — haben in der Praxis aktuell null KI-Exponierung.
Die Konsequenzen zeichnen sich bereits ab: Jeder Anstieg der KI-Exponierung um 10 Prozentpunkte korreliert mit 0,6 Punkten weniger projiziertem Jobwachstum bis 2034. Und obwohl Massenentlassungen bisher ausbleiben, gibt es ein leiseres Signal: eine messbare Verlangsamung bei Einstiegsjobs für 22- bis 25-Jährige in hochexponierten Branchen. 77 Prozent der Generation Z priorisieren inzwischen „automatisierungssichere" Berufe.
0xSammy warnt allerdings vor einem Paradoxon: Wenn alle gleichzeitig ins Handwerk flüchten, droht genau dort eine Übersättigung. Die vermeintlich sichere Fluchtroute könnte sich als Sackgasse erweisen, wenn Millionen von Wissensarbeitern gleichzeitig denselben Ausweg suchen.
🎯 Was das für die Praxis bedeutet
1. Bildschirmarbeit ist KI-Arbeit: Die Faustregel aus Karpathys Analyse ist simpel: Je mehr ein Beruf am Computer stattfindet, desto höher die KI-Exponierung. Wer seinen Arbeitstag überwiegend mit Text, Tabellen und Daten verbringt, sollte sich fragen, welche Anteile davon bereits automatisierbar sind.
2. Gehalt und Bildung schützen nicht — im Gegenteil: Die Annahme, dass gut bezahlte Wissensarbeit sicher ist, wird durch die Zahlen widerlegt. Gerade die teuersten Tätigkeiten bieten für KI-Anbieter den größten Automatisierungsanreiz. Und ein Hochschulabschluss signalisiert paradoxerweise höhere Ersetzbarkeit.
3. Die Flucht ins Handwerk hat Grenzen: Berufe mit hohem physischem Anteil zeigen durchweg niedrige Exposure-Scores — aber wenn alle gleichzeitig dorthin drängen, droht Übersättigung. Die klügere Strategie: Tätigkeiten kombinieren, die sowohl physische Präsenz als auch digitale Kompetenz erfordern.
