Digitale Arbeitswelt – Chancen und Herausforderungen für Beschäftigte und Arbeitsmarkt
Der digitale Wandel der Arbeitswelt gilt als eine der großen Herausforderungen für Wirtschaft und Gesellschaft. Wie arbeiten wir in Zukunft? Welche Auswirkungen hat die Digitalisierung und die Nutzung Künstlicher Intelligenz auf Beschäftigung und Arbeitsmarkt? Welche Qualifikationen werden künftig benötigt? Wie verändern sich Tätigkeiten und Berufe? Welche arbeits- und sozialrechtlichen Konsequenzen ergeben sich daraus?
Dieses Themendossier dokumentiert Forschungsergebnisse zum Thema in den verschiedenen Wirtschaftsbereichen und Regionen.
Im Filter „Autorenschaft“ können Sie auf IAB-(Mit-)Autorenschaft eingrenzen.
- Gesamtbetrachtungen/Positionen
- Arbeitsformen, Arbeitszeit und Gesundheit
- Qualifikationsanforderungen und Berufe
- Arbeitsplatz- und Beschäftigungseffekte
- Wirtschaftsbereiche
- Arbeits- und sozialrechtliche Aspekte / digitale soziale Sicherung
- Deutschland
- Andere Länder/ internationaler Vergleich
- Besondere Personengruppen
-
Literaturhinweis
AI-Powered Skill Classification: Mapping Technology Intensity in the German Labor Market (2026)
Zitatform
Grenz, Sabrina, Terry Gregory & Florian Lehmer (2026): AI-Powered Skill Classification: Mapping Technology Intensity in the German Labor Market. (IZA discussion paper / IZA Network @ LISER 18415), Bonn, 47 S.
Abstract
"The rapid evolution of technology is reshaping labor markets by altering skill demands and job profiles. This paper introduces a novel skill-based measure of occupational technology intensity – the Occupational Technology Skill Share (OTSS) – that distinguishes between manual, digital, and frontier technologies, including artificial intelligence (AI). Using natural language processing, generative AI, and supervised machine learning, we develop an AI-powered skill classification that enriches occupation linked skill labels with standardized GenAI-generated descriptions and structured indicators of technological content, enabling transparent classification by technology intensity. We compute OTSS for all occupations in the German labor market. For the average worker in 2023, manual technologies account for the largest share of skill content (42%), followed by digital (38%) and frontier technologies (20%). Frontier technologies remain concentrated in specialized occupations, while digital technologies are widespread. Linking these measures to administrative data from 2012–2023 shows a broad shift from manual and digital toward frontier skills across occupations, and reveals a non-linear, U-shaped relationship between changes in frontier skill intensity and employment growth." (Author's abstract, IAB-Doku) ((en))
-
Literaturhinweis
Generative AI and Career Choices (2026)
Zitatform
Gschwendt, Christian, Martina Viarengo & Thea S. Zoellner (2026): Generative AI and Career Choices. (Working paper / Swiss Leading House 251), Zürich, 52 S.
Abstract
"The economic impact of technological change will critically depend on how future workers invest in their human capital. Yet, little is known about how future workers themselves evaluate and choose their educational and occupational paths in light of emerging technologies. This paper examines how adolescents currently at the school-to-work transition stage value working with generative artificial intelligence (GenAI) in their future occupations, and how automation risk and opportunities for continuing education shape these preferences. We field a discrete-choice experiment among a nationally representative sample of over 7,000 Swiss adolescents aged around 15. We find that adolescents generally exhibit an aversion to collaborating with GenAI at work, with females consistently more averse than males. However, preferences are nuanced: adolescents welcome greater GenAI collaboration, provided that GenAI usage levels remain moderate and that it is not accompanied by increases in job-automation risk. Finally, continuing education opportunities in occupations improve attitudes towards working with GenAI across genders. Our results challenge simple narratives of technology acceptance or rejection, revealing that adolescents' willingness to work with GenAI depends on how it is implemented - its intensity, associated displacement risks, and accompanying skill development - rather than the technology itself. Our findings suggest that the way future workers value GenAI collaboration in their career choices critically depends on its intensity and on the interplay with automation risk and AI-related educational opportunities." (Author's abstract, IAB-Doku) ((en))
-
Literaturhinweis
Automation, skill and job creation (2026)
Zitatform
Guo, Kaizhao (2026): Automation, skill and job creation. In: Empirical economics, Jg. 70, H. 5. DOI:10.1007/s00181-026-02912-7
Abstract
"This paper explores the heterogeneous effects of automation technologies on employment rate across US regions from different income groups, and investigates mechanisms through proportion of skilled workers. Automation, measured by both robotic penetration and ICT trade volumes, is replacing labour force. Exploiting variations across US commuting zones, this study finds that employment reductions are significant and substantial in low and middle income areas, and rising income levels could cause insignificant employment responses. Leveraging shift-share IV strategies and generalised model specifications, further evidence suggests that a simple net job creation channel can explain these patterns. Specifically, displacement effects outweigh productivity effects in low income CZs with lower proportion of skilled labour, and job losses are larger in middle income CZs with concentration of routine occupations; job creations are complementing job destructions with growing income levels and higher skill shares. These technical changes are particularly significant in manufacturing sectors." (Author's abstract, IAB-Doku, © Springer-Verlag) ((en))
-
Literaturhinweis
Arbeitszeit, Produktivität, KI - wie Deutschland sein Arbeitskräfteangebot stabilisieren kann: Teil des Zeitgesprächs "Arbeitszeit im Wandel - Wie sich Wohlstand trotz sinkenden Arbeitskräfteangebots sichern lässt" (2026)
Hammermann, Andrea; Stettes, Oliver;Zitatform
Hammermann, Andrea & Oliver Stettes (2026): Arbeitszeit, Produktivität, KI - wie Deutschland sein Arbeitskräfteangebot stabilisieren kann. Teil des Zeitgesprächs "Arbeitszeit im Wandel - Wie sich Wohlstand trotz sinkenden Arbeitskräfteangebots sichern lässt". In: Wirtschaftsdienst, Jg. 106, H. 4, S. 248-252. DOI:10.2478/wd-2026-0064
Abstract
"Längere Arbeitszeiten können einen wichtigen Beitrag zur Stabilisierung des Arbeitskräfteangebots leisten, während Investitionen in technologischen und organisatorischen Fortschritt notwendig sind, um die Arbeitsproduktivität zu steigern. Vor diesem Hintergrund geht der Beitrag der Frage nach, wie sich das Arbeitskräfteangebot in Deutschland trotz des demografischen Wandels stabilisieren und der Wohlstand langfristig sichern lässt. Empirische Befunde legen nahe, dass KI und Humankapital in der Regel komplementär wirken und KIAnwendungen menschliche Arbeit eher ergänzen als ersetzen. Entscheidend für den Erhalt des Wohlstands ist somit, beide Hebel – Arbeitszeitund Produktivität – gemeinsam zu nutzen." (Autorenreferat, IAB-Doku)
-
Literaturhinweis
Use of Gen AI in the Workplace and the Value of Access to Training (2026)
Zitatform
Hashim, Ali, Gizem Koşar & Wilbert van der Klaauw (2026): Use of Gen AI in the Workplace and the Value of Access to Training. (Liberty Street Economics / Federal Reserve Bank of New York 2026-04-14), New York, NY: Federal Reserve Bank of New York, 5 S. DOI:10.59576/lse.20260414
Abstract
"The rapid spread of generative AI (AI) tools is reshaping the workplace at a remarkable rate. Yet relatively little is known about whether workers have access to these tools, how the tools affect workers’ daily productivity, and how much workers value the training needed to use the tools effectively. In this post, we shed light on these issues by drawing on supplemental questions in the November 2025 Survey of Consumer Expectations (SCE), fielded to a representative sample of the U.S. population. We find that adoption of AI tools at work is heterogeneous, that a sizable share of workers see AI training as important, and that a significant share of employers are nonetheless not yet providing access to AI tools or training on how to use them." (Author's abstract, IAB-Doku) ((en))
-
Literaturhinweis
The impact of AI on global knowledge work (2026)
Ide, Enrique; Talamas, Eduard;Zitatform
Ide, Enrique & Eduard Talamas (2026): The impact of AI on global knowledge work. In: Journal of monetary economics, Jg. 157. DOI:10.1016/j.jmoneco.2025.103876
Abstract
"We analyze how Artificial Intelligence (AI) reshapes global knowledge work in a two-region world where firms organize production hierarchically to use knowledge efficiently: the most knowledgeable individuals specialize in problem-solving, while others perform routine work. Before AI, the Advanced Economy specializes in problem-solving services, whereas the Emerging Economy focuses on routine work. AI converts compute — which is located in the Advanced Economy — into autonomous “AI agents” that perfectly substitute for humans with a given level of knowledge. Basic AI reduces the Advanced Economy ’s net exports of problem-solving services, potentially reversing pre-AI trade patterns. In contrast, sophisticated AI expands these exports, reinforcing existing trade patterns. Finally, we show that a global ban on AI autonomy redistributes AI’s gains toward lower-skilled workers, while a regional ban — such as prohibiting autonomy only in the Emerging Economy — offers little benefit to lower-skilled workers and harms the most knowledgeable individuals in that region." (Author's abstract, IAB-Doku, © 2025 The Authors. Published by Elsevier B.V.) ((en))
-
Literaturhinweis
Digital Gender Gap: Schwerpunkt 2026 Künstliche Intelligenz (2026)
Zitatform
Jahn, Sandy, Carola Burkert, Katharina Diener & Britta Matthes (2026): Digital Gender Gap. Schwerpunkt 2026 Künstliche Intelligenz. Berlin, 20 S. DOI:10.48720/IAB.D21.2026
Abstract
"Künstliche Intelligenz wird immer mehr zur Schlüsselressource. Ihre Nutzung entscheidet zunehmend über Wettbewerbsfähigkeit, Beschäftigungschancen und gesellschaftliche Teilhabe – vergleichbar mit Alphabetisierung oder Internetzugang in früheren Transformationsphasen. Die Studie des IAB und der Initiative D 21 zeigt: Es besteht ein signifikanter Gender AI Gap. Frauen nutzen KI-Anwendungen seltener und weniger intensiv als Männer (rund 16 Prozentpunkte Unterschied in der Ausgangsbetrachtung). Wenn Unterschiede in Alter, Bildung, Einkommen, beruflichem Kontext sowie Kompetenzen und Einstellungen statistisch berücksichtigt werden, verringert sich die Lücke zwar – bleibt aber auch dann bestehen (rund 8 Prozentpunkte)." (Autorenreferat, IAB-Doku)
Weiterführende Informationen
Interview mit den Autorinnen im Online-Magazin IAB-Forum -
Literaturhinweis
Der Gender AI Gap: "KI wird zur Schlüsselressource - aber Männer und Frauen nutzen sie nicht gleich" (2026)
Zitatform
Keitel, Christiane; Katharina Diener, Britta Matthes, Sandy Jahn & Carola Burkert (interviewte Person) (2026): Der Gender AI Gap: "KI wird zur Schlüsselressource - aber Männer und Frauen nutzen sie nicht gleich". In: IAB-Forum H. 23.04.2026. DOI:10.48720/IAB.FOO.20260423.01
Abstract
"Mit der rasanten Verbreitung von Künstlicher Intelligenz in der Arbeitswelt entsteht eine neue Lücke zwischen den Geschlechtern: der Gender AI Gap. Dies zeigt eine aktuelle Studie des IAB, die in Zusammenarbeit mit der Initiative D21 entstanden ist, Deutschlands größtem gemeinnützigen Netzwerk für die digitale Gesellschaft. Der Studie zufolge nutzen Frauen KI deutlich seltener und weniger intensiv nutzen als Männer – selbst bei vergleichbaren Voraussetzungen. Warum das so ist, welche Rolle Netzwerke und Wahrnehmungen spielen, und an welchen Stellschrauben Politik und Betriebe jetzt ansetzen müssen, erläutern die Autorinnen der Studie im Interview." (Autorenreferat, IAB-Doku)
-
Literaturhinweis
„Es geht nicht darum, was KI uns wegnehmen könnte, sondern welche Chancen entstehen“ (2026)
Zitatform
Keitel, Christiane; Britta Matthes & Katharina Grienberger (interviewte Person) (2026): „Es geht nicht darum, was KI uns wegnehmen könnte, sondern welche Chancen entstehen“. In: IAB-Forum H. 11.05.2026. DOI:10.48720/IAB.FOO.20260511.01
Abstract
"Der IAB-Job-Futuromat zeigt, welche beruflichen Tätigkeiten durch digitale Technologien und KI potenziell automatisierbar sind – und welche nicht. Im Interview erklären die Forscherinnen Britta Matthes und Katharina Grienberger, wie das Tool funktioniert, welche Berufe besonders betroffen sind und warum es bei der Berufswahl nicht um die Angst vor der Automatisierbarkeit, sondern vielmehr um Chancen gehen sollte." (Autorenreferat, IAB-Doku)
-
Literaturhinweis
When Algorithms Favor the Underrepresented - Race and Gender Biases in LLM Résumé Evaluations (2026)
Zitatform
Kim, Soonyoung Chloe, Ivan Hernandez & Jingyi Li (2026): When Algorithms Favor the Underrepresented - Race and Gender Biases in LLM Résumé Evaluations. In: Journal of Personnel Psychology, Jg. 25, H. 3, S. 148-157. DOI:10.1027/1866-5888/a000388
Abstract
"The literature on name-based biases in hiring suggests pervasive discrimination, as White-sounding names receive more callbacks than Black-sounding ones. This study assesses whether AI systems, through open Large Language Models (LLMs), exhibit similar biases. The LLMs evaluated résumés on attributes such as competence and warmth, aggregating these dimensions into composite scores for each résumé. The different names attached to a résumé led to changes in evaluation, despite identical content. Statistically significant race and gender biases were found in most models for warmth and competence ratings. Unlike typical settings, Black applicants and female names were rated slightly higher through the LLMs’ evaluations. These findings highlightthe importance of examining AI tools used in hiring as they may unintentionally reflect societal biases." (Author's abstract, IAB-Doku, © 2026 Hogrefe Verlag) ((en))
-
Literaturhinweis
Economics of Human and AI Collaboration: When is Partial Automation More Attractive than Full Automation? (2026)
Li, Wensu; Lyu, Harry; Goehring, Brian C.; Aboutorabi, Atin; Qian, Kaizhi; Thompson, Neil; Fleming, Martin;Zitatform
Li, Wensu, Atin Aboutorabi, Harry Lyu, Kaizhi Qian, Martin Fleming, Brian C. Goehring & Neil Thompson (2026): Economics of Human and AI Collaboration: When is Partial Automation More Attractive than Full Automation? (arXiv papers 2603.29121), 57 S.
Abstract
"This paper develops a unified framework for evaluating the optimal degree of task automation. Moving beyond binary automate-or-not assessments, we model automation intensity as a continuous choice in which firms minimize costs by selecting an AI accuracy level, from no automation through partial human-AI collaboration to full automation. On the supply side, we estimate an AI production function via scaling-law experiments linking performance to data, compute, and model size. Because AI systems exhibit predictable but diminishing returns to these inputs, the cost of higher accuracy is convex: good performance may be inexpensive, but near-perfect accuracy is disproportionately costly. Full automation is therefore often not cost-minimizing; partial automation, where firms retain human workers for residual tasks, frequently emerges as the equilibrium. On the demand side, we introduce an entropy-based measure of task complexity that maps model accuracy into a labor substitution ratio, quantifying human labor displacement at each accuracy level. We calibrate the framework with O*NET task data, a survey of 3,778 domain experts, and GPT-4o-derived task decompositions, implementing it in computer vision. Task complexity shapes substitution: low-complexity tasks see high substitution, while high-complexity tasks favor limited partial automation. Scale of deployment is a key determinant: AI-as-a-Service and AI agents spread fixed costs across users, sharply expanding economically viable tasks. At the firm level, cost-effective automation captures approximately 11% of computer-vision-exposed labor compensation; under economy-wide deployment, this share rises sharply. Since other AI systems exhibit similar scaling-law economics, our mechanisms extend beyond computer vision, reinforcing that partial automation is often the economically rational long-run outcome, not merely a transitional phase." (Author's abstract, IAB-Doku) ((en))
-
Literaturhinweis
Skill-biased technological change in the age of AI: a theoretical analysis of automation and inequality (2026)
Li, Te; Nichols, Hadrian;Zitatform
Li, Te & Hadrian Nichols (2026): Skill-biased technological change in the age of AI: a theoretical analysis of automation and inequality. In: Economics of Innovation and New Technology, S. 1-29. DOI:10.1080/10438599.2026.2649376
Abstract
"This paper develops a general equilibrium model to analyze how artificial intelligence (AI)–driven automation reshapes productivity, labor markets, and income distribution. The model features heterogeneous workers, endogenous automation decisions, and irreversible skill investment choices, allowing a unified examination of displacement, complementarity, and skill-supply responses. Automation substitutes for labor in routine tasks, reducing demand and wages for low-skilled workers, while simultaneously enhancing productivity in complex tasks where AI complements high-skilled labor. As a result, aggregate output and total welfare increase, but income inequality widens and the skill premium rises. A key finding is that technological progress is not Pareto improving: due to heterogeneous and irreversible skill investment costs, workers below a critical ability threshold experience absolute welfare losses despite overall economic growth. This generates a ‘growth paradox’ in which productivity gains coexist with immiseration for vulnerable groups. The paper further evaluates three policy instruments – redistributive taxation, education subsidies, and technology policy – and derives conditions under which each improves social welfare. Education subsidies emerge as the most effective tool for mitigating inequality while preserving efficiency, whereas excessive automation may arise when private incentives diverge from social optima." (Author's abstract, IAB-Doku) ((en))
-
Literaturhinweis
Monitor Digitale Arbeitsgesellschaft – Kurzbericht der dritten Befragungswelle. Nach dem KI-Aufmerksamkeitsanstieg: Zwischen Stabilisierung, Skepsis und Regulierungsanforderungen (2026)
Zitatform
Marcinkowski, Frank, Birte Keller, Marco Lünich & Florian Golo Flaßhoff (2026): Monitor Digitale Arbeitsgesellschaft – Kurzbericht der dritten Befragungswelle. Nach dem KI-Aufmerksamkeitsanstieg: Zwischen Stabilisierung, Skepsis und Regulierungsanforderungen. (SocArXiv papers), 11 S. DOI:10.31235/osf.io/zcxje_v1
Abstract
"Der Kurzbericht präsentiert zentrale Ergebnisse der dritten von vier repräsentativen Befragungswellen der Studie Monitor Digitale Arbeitsgesellschaft, die im Rahmen des Forschungsprojekts Meinungsmonitor Künstliche Intelligenz 3.0 durchgeführt wurde. Grundlage sind die Angaben von 1.647 Befragten (928 Erwerbstätige, 719 Nichterwerbstätige) im Januar 2026. Die dritte Befragungswelle zeigt, dass das im Verlauf des Jahres 2025 gestiegene Interesse an KI zu Beginn des Jahres 2026 wieder leicht zurückgeht, während die subjektive Einschätzung des eigenen Wissens auf dem erreichten Niveau stabil bleibt. Gleichzeitig nehmen Vorbehalte gegenüber bestimmten gesellschaftlichen Einsatzfeldern zu, insbesondere in Bereichen mit Bezug zu staatlichen Sicherheitsaufgaben und politischen Entscheidungen. In der Arbeitswelt bleibt die Bewertung der Auswirkungen von KI auf den eigenen Beruf insgesamt stabil und leicht nutzenorientiert. Die berufliche Nutzung von KI stagniert zuletzt weitgehend. Viele Beschäftigte berichten weiterhin keine grundlegenden Veränderungen ihrer Tätigkeitsanforderungen und nur geringe persönliche Jobunsicherheit, während die Sorge, dass KI menschliche Arbeit allgemein ersetzen oder grundlegend verändern könnte, weiterhin deutlich stärker verbreitet ist als die persönliche Jobunsicherheit. Erstmals wird zudem ein besonderes Schlaglicht auf die Regulierungspräferenzen der Bevölkerung geworfen: Während staatliche Eingriffe bei arbeitsmarktbezogenen Folgen breite Unterstützung finden, werden Eingriffe in wirtschaftliche Freiheiten und steuerpolitische Maßnahmen deutlich ambivalenter bewertet. Insgesamt deutet sich eine stärkere Ausdifferenzierung und Festigung der Einstellungen gegenüber KI an." (Autorenreferat, IAB-Doku)
-
Literaturhinweis
Artificial Intelligence and Productivity in Europe (2026)
Misch, Florian; Park, Ben; Sher, Galen; Pizzinelli, Carlo;Zitatform
Misch, Florian, Ben Park, Carlo Pizzinelli & Galen Sher (2026): Artificial Intelligence and Productivity in Europe. (CESifo working paper 12401), München, 37 S.
Abstract
"The discussion on Artificial Intelligence (AI) often centers around its impact on productivity, but macroeconomic evidence for Europe remains scarce. Using the Acemoglu (2024) approach we simulate the medium-term impact of AI adoption on total factor productivity for 31 European countries. We compile many scenarios by pooling evidence on which tasks will be automatable in the near term, using reduced-form regressions to predict AI adoption across Europe, and considering relevant regulation that restricts AI use heterogeneously across tasks, occupations and sectors. We find that the medium-term productivity gains for Europe as a whole are likely to be modest, at around 1 percent cumulatively over five years. While economically still moderate, these gains are still larger than estimates by Acemoglu (2024) for the US. They vary widely across scenarios and countries and are substantially larger in countries with higher incomes. Furthermore, we show that national and EU regulations around occupation-level requirements, AI safety, and data privacy combined could reduce Europe's productivity gains by over 30 percent if AI exposure were 50 percent lower in tasks, occupations and sectors affected by regulation." (Author's abstract, IAB-Doku) ((en))
-
Literaturhinweis
Predicting and Preventing Turnover in Industry 4.0: Understanding the Impact of Artificial Intelligence Adoption on Employee Turnover (2026)
Moon, Young-Kook; Mitropoulos, Tanya;Zitatform
Moon, Young-Kook & Tanya Mitropoulos (2026): Predicting and Preventing Turnover in Industry 4.0: Understanding the Impact of Artificial Intelligence Adoption on Employee Turnover. In: Human resource development quarterly, S. 1-11. DOI:10.1002/hrdq.70018
Abstract
"With the increasing adoption of Artificial Intelligence (AI) in the workplace, employees' career paths have become more diverse and less predictable in the era of Industry 4.0. As technological transformations accelerate, employee turnover patterns are also changing, as reflected in the growing prevalence of occupational transitions and large-scale layoffs. These shifts highlight the need for more developmental approaches to understanding and managing retention. To address this issue, the present paper examines how AI implementation influences employee turnover by focusing on both the motives and psychological states underlying the withdrawal process. Drawing on proximal withdrawal states theory, the paper provides a deeper understanding of the dynamic nature of employee withdrawal patterns. This perspective elucidates the withdrawal process shaped by AI adoption, emphasizing that employees' responses to technological disruption are diverse in both psychological and behavioral terms rather than uniform. Furthermore, the paper proposes Human Resource Development (HRD)-based interventions aimed at preventing undesirable turnover through employee education and career development initiatives. By integrating these elements, we introduce an HRD-focused framework for addressing turnover issues associated with AI adoption in a more developmental and sustainable manner. Finally, the paper outlines future research directions for empirically testing the proposed theoretical mechanisms and intervention strategies within the rapidly evolving technological landscape of work." (Author's abstract, IAB-Doku) ((en))
-
Literaturhinweis
KI in Betrieben: Mehr Ausbildung – aber Weiterbildung zunehmend für anspruchsvollere Tätigkeiten (2026)
Zitatform
Muehlemann, Samuel (2026): KI in Betrieben. Mehr Ausbildung – aber Weiterbildung zunehmend für anspruchsvollere Tätigkeiten. In: Ifo-Schnelldienst, Jg. 79, H. 03, S. 09-13.
Abstract
"Auf Basis des BIBB-Betriebspanels werden die Folgen der Einführung von Künstlicher Intelligenz für die betriebliche Aus- und Weiterbildung in Deutschland analysiert. Die Ergebnisse deuten darauf hin, dass KI-einführende Ausbildungsbetriebe im Durchschnitt rund 14% mehr neue Auszubildende einstellen. Das spricht für verstärkte Investitionen in den internen Kompetenzaufbau im Zuge des technologischen Wandels. Zugleich verschiebt sich die betriebliche Weiterbildung zugunsten hochqualifizierter Tätigkeiten, während Beschäftigte in Fachkraft- und einfachen Tätigkeiten seltener teilnehmen. Daraus ergibt sich das Risiko einer kumulativen Benachteiligung Geringqualifizierter. Es werden drei wirtschaftspolitische Handlungsfelder abgeleitet: die bessere Integration Jugendlicher mit geringen schulischen Qualifikationen in die duale Ausbildung, eine zielgerichtete Weiterbildungsförderung für Geringqualifizierte sowie schnellere Aktualisierungszyklen für Ausbildungsordnungen und Rahmenlehrpläne." (Autorenreferat, IAB-Doku)
-
Literaturhinweis
Machine learning for labor market matching (2026)
Zitatform
Mühlbauer, Sabrina & Enzo Weber (2026): Machine learning for labor market matching. In: Machine learning with applications, Jg. 23, 2026-02-03. DOI:10.1016/j.mlwa.2026.100861
Abstract
"This paper develops a large-scale machine learning framework to improve labor market matching using rich administrative data. Matching is defined as a job seeker entering employment in a specific occupational field. We exploit comprehensive employment biographies from Germany, covering individual characteristics and job-related information, to estimate employment probabilities across occupations and generate personalized job recommendations. The contribution lies in demonstrating why machine learning methods are particularly well suited for administrative labor market data and outperform traditional statistical approaches. We compare logit, ordinary least squares (OLS), k-nearest neighbors, and random forest (RF). RF consistently achieves the highest predictive performance. Its advantage is rooted in key methodological properties: RF builds an ensemble of decision trees trained on bootstrap samples, introduces random feature selection at each split, and aggregates predictions through majority voting. This enables RF to capture nonlinear relationships and complex interactions, remain robust in high-dimensional settings, and reduce overfitting — features that are particularly relevant for heterogeneous and imbalanced administrative data. Compared to conventional models, RF better exploits the full informational content of employment histories, especially when estimating on all employment spells rather than restricting the sample to unemployment-to-employment transitions. The sample comprises approximately 55 million spells, representing about 6 percent of the German workforce from 2012 to 2018. Our results suggest that ML-based matching, relative to standard statistical approaches, could hypothetically reduce the unemployment rate by up to 0.3 percentage points, highlighting the practical relevance of RF-based decision support for labor market policy." (Author's abstract, IAB-Doku, © Elsevier) ((en))
-
Literaturhinweis
Human-centred digital transitions and skill mismatches in European workplaces (2026)
Zitatform
Pouliakas, Konstantinos & Giulia Santangelo (2026): Human-centred digital transitions and skill mismatches in European workplaces. (CEDEFOP working paper series / European Centre for the Development of Vocational Training 2026,01), Luxembourg, 163 S. DOI:10.2801/9894877
Abstract
"New digital and artificial intelligence technologies are fast reshaping skill requirements in the EU labour market, fostering skill mismatches. There are marked concerns about the potentially adverse consequences of automation and AI on employment, as well as the lagging competitiveness of EU economies as individuals’ upskilling or reskilling is failing to adapt. To deepen understanding of how digitalisation is affecting the nature of work and skill mismatches in EU labour markets, Cedefop carried out the second wave of the European skills and jobs survey in 2021. In this special edition of Cedefop’s working paper series, ten original, short contributions have been drafted in which researchers explore in depth, for the first time, the ESJS2 microdata. The publication presents a wealth of focused and robust empirical analyses, covering a wide range of different issues on how the digital transition is affecting jobs, skills and training in Europe." (Author's abstract, IAB-Doku) ((en))
-
Literaturhinweis
Mehr Arbeit, weniger Jobs? Konsequenzen der KI-Technologieeinführung: Teil des Zeitgesprächs "Arbeitszeit im Wandel - Wie sich Wohlstand trotz sinkenden Arbeitskräfteangebots sichern lässt" (2026)
Zitatform
Pusch, Toralf, Muhamed Kudic & Akua Franziska Agyepong (2026): Mehr Arbeit, weniger Jobs? Konsequenzen der KI-Technologieeinführung. Teil des Zeitgesprächs "Arbeitszeit im Wandel - Wie sich Wohlstand trotz sinkenden Arbeitskräfteangebots sichern lässt". In: Wirtschaftsdienst, Jg. 106, H. 4, S. 296-300. DOI:10.2478/wd-2026-0072
Abstract
"Steigt durch die zunehmende Einführung von Künstlicher Intelligenz (KI) die Arbeitsbelastung? Und sind Arbeitsplätze bedroht? Daten der WSI-Betriebsrätebefragung zeigen, dass sich KI in ihrer Wirkung – zumindest in der frühen Einführungsphase – von anderen digitalen Technologien zu unterscheiden scheint. Statt einer bei anderen Technologien häufiger auftretenden Arbeitsverdichtung berichteten viele Betriebsräte eher von Arbeitsentlastung, und nach einem Beobachtungszeitraum von zwei Jahren zeigte sich per Saldo ein leichter Stellenaufbau." (Autorenreferat, IAB-Doku)
-
Literaturhinweis
Implikationen generativer künstlicher Intelligenz für den Arbeitsmarkt: Eine Analyse von Online-Stellenanzeigen in Deutschland (2026)
Zitatform
Rüschoff, Britta, Timm Eichenberg, Tom Staab & Michael Vogelsang (2026): Implikationen generativer künstlicher Intelligenz für den Arbeitsmarkt: Eine Analyse von Online-Stellenanzeigen in Deutschland. In: Zeitschrift für Arbeitswissenschaft, S. 1-17. DOI:10.1007/s41449-026-00528-2
Abstract
"Mit dem immer stärkeren Einsatz künstlicher Intelligenz (KI) in der Arbeitswelt wandeln sich berufliche Tätigkeiten und damit einhergehend die Anforderungen, die an Beschäftigte gestellt werden. Diese Studie untersucht die Implikationen generativer KI für den deutschen Arbeitsmarkt in der frühen Implementierungsphase der Technologie. Anhand eines umfangreichen Datensatzes von 9,3 Mio. Online-Stellenanzeigen aus den Jahren 2020 bis 2023 analysiert die Studie die Entwicklung der Anzahl an Stellenanzeigen mit Bezug zu generativer KI und identifiziert sowie klassifiziert Tätigkeiten im Zusammenhang mit generativer künstlicher Intelligenz unter dem Einsatz von Methoden des Natural Language Processing (NLP) und manueller Klassifizierung. Die Ergebnisse zeigen, dass generative KI auf dem deutschen Arbeitsmarkt bis Ende 2023 noch eine eher geringe Bedeutung erlangt hatte. Einzig das Prompt Engineering taucht als grundlegend neue berufliche Tätigkeit in einem sehr geringen Umfang auf. Praktische Relevanz: Diese Studie beleuchtet die Implementierung generativer KI auf dem deutschen Arbeitsmarkt auf Basis beobachtbarer Veränderungen in diesbezüglichen Stellenausschreibungen und damit einhergehende Veränderungen in beruflichen Tätigkeiten auf Basis realer Arbeitsmarktanforderungen. Die Ergebnisse dieser Studie können Erkenntnisse darüber liefern, wie generative KI den deutschen Arbeitsmarkt verändert. Unternehmen können Einblicke in die derzeitige Verbreitung generativer KI auf dem Arbeitsmarkt erlangen und diese nutzen, um sowohl ihre Rekrutierungsstrategien und Aufgabenprofile gezielt anzupassen sowie bestehende Mitarbeitende durch Weiterbildungsstrategien auf neue Anforderungen vorzubereiten. Auf individueller Ebene können die Ergebnisse dieser Studie Beschäftigten und Jobsuchenden ein realistisches Bild davon liefern, wo und auf welche Weise generative KI berufliche Tätigkeiten beeinflusst, sodass sie ihre Bildungs- und Karriereentscheidungen entsprechend ausrichten können." (Autorenreferat, IAB-Doku)
Aspekt auswählen:
Aspekt zurücksetzen
- Gesamtbetrachtungen/Positionen
- Arbeitsformen, Arbeitszeit und Gesundheit
- Qualifikationsanforderungen und Berufe
- Arbeitsplatz- und Beschäftigungseffekte
- Wirtschaftsbereiche
- Arbeits- und sozialrechtliche Aspekte / digitale soziale Sicherung
- Deutschland
- Andere Länder/ internationaler Vergleich
- Besondere Personengruppen