GCRI · Künstliche Intelligenz und autonome Systeme
Arbeits- und Sozialfolgen
AI changes which tasks people do, how work is organised, which skills are valued and how information spreads. Effects differ by occupation, country, gender and age, and depend on how firms and governments choose to deploy it. This page sets out how AI affects work and society, how exposure and impacts are measured, and what evidence serves the labour ministries, employers, unions and educators involved.
Labour and social effects on the record.
Labour and social effects: how the risk develops.
Work, education, public trust and inclusion. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Tasks change before jobs do
AI automates or assists specific tasks within occupations. Jobs are reorganised around remaining tasks before they disappear or new ones form.
Exposure is uneven
Clerical and some professional tasks are highly exposed to generative AI, while manual and interpersonal work is less exposed. Women are over-represented in some highly exposed clerical jobs.
Skills and training lag
Workers need new skills to use AI well, and those displaced need retraining. Training Systeme often respond more slowly than technology adoption.
Information ecosystems shift
Generated content, recommendation systems and synthetic media change how people find and judge information, with effects on trust and public debate.
How labour and social effects is modelled, measured and tested.
Das Modell, seine Annahmen, seine Daten und seine Unsicherheit in der Form, in der eine Wissenschaftlerin oder ein Ingenieur sie prüfen würde. Die Strukturen folgen veröffentlichten Methoden. Die dargestellten Werte sind illustrativ, keine Befunde.
Systemmodell
The couplings between the systems in labour and social effects: signs of influence, a reinforcing and a balancing loop, and cross-links where stress jumps.
AI’s effects on work vary across domains.
- GesundheitKopplungClinical and administrative tasks are exposed differently.What to watchTask exposure by occupation
- ErnährungKopplungAgricultural work is less exposed to generative AI than clerical work.What to watchExposure by sector
- EnergieKopplungGrid operations need new digital skills.What to watchKompetenzlücken
Labour studies are designed for the Reihe Exponential Technology. The ILO’s 2023 working paper estimates exposure, not job loss, and finds clerical work most exposed.
- Firm-level adoption studies.
- Worker surveys on task change.
Was gemessen wird und wie gut.
Jeder Indikator trägt seine Einheit, seinen Rhythmus, die Art der zugrunde liegenden Quelle und die Evidenzkennzeichnung, die ein Wert tragen würde. Es werden keine Werte gezeigt: Ein Programm liefert sie unter seiner eigenen Autorität.
| Indikator | Einheit | Takt | Quellentyp | Kennzeichnung |
|---|---|---|---|---|
| Employment in occupations highly exposed to AI | percent of employment | je Bewertung | Exposure studies using occupational data | GESCHÄTZT |
| Firms using AI | percent of firms | jährlich | Business surveys | BERICHTET |
| Workers using AI tools at work | percent of workers | per survey | Labour force and worker surveys | BERICHTET |
| AI-related job postings | share of postings | monatlich | Online job posting data | BEOBACHTET |
| Participation in AI skills training | percent of workforce | jährlich | Training surveys | BERICHTET |
| Wage changes in exposed occupations | percent change | jährlich | Wage statistics | Veröffentlichte Statistiken |
Woher die Evidenz stammt.
Benannte öffentliche Datensätze und institutionelle Aufzeichnungen, jeweils mit ihrer Lizenzklasse. Quellen auf Vereinbarungsbasis werden nur zu ihren Bedingungen genutzt und niemals weiterveröffentlicht.
| Quelle | Was es liefert | Lizenzklasse |
|---|---|---|
| ILO studies on generative AI exposure of occupations | Occupational exposure estimates by country and gender | Public, ILO terms |
| OECD Employment Outlook and AI in work studies | Evidence on AI adoption and labour effects | Public, OECD terms |
| Eurostat ICT usage in enterprises survey | Share of enterprises using AI | Open, Eurostat reuse policy |
| Online job posting data such as Lightcast summaries | Demand for AI skills | Commercial; public summaries (to check) |
| Stanford AI Index | Compiled indicators on AI adoption, investment and labour | Public, licence to check |
Wer entscheidet und wozu die Evidenz dient.
Studio Künstliche Intelligenz und autonome System prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| Wer entscheidet | Die Frage | Evidenz, der diese Seite dient |
|---|---|---|
| Labour ministries | Which workers and sectors need transition support | Exposure analyses; adoption tracking |
| Employers and unions | How to introduce AI at work and share its gains | Adoption and wage evidence |
| Bildung and training bodies | Which skills to teach and to whom | Skills demand evidence |
Ergebnisse, die dieses Thema hervorbringt
- Occupational exposure analyses by sector, gender and region
- Adoption tracking from business and worker surveys
- Evaluation designs for AI training programmes
- Evidence notes for social dialogue on AI at work
What researchers ask about social effects.
- Which tasks can current AI perform well, and how does that map onto occupations?
- Does AI substitute for workers, complement them or change what their jobs consist of?
- How does AI change learning and assessment in education?
- How do errors, opacity and misuse affect trust, and who is excluded?
Tasks, not jobs.
Jobs are bundles of tasks. AI tends to automate or assist specific tasks, such as drafting, summarising, coding or classifying images, which changes the content of jobs rather than simply removing them. Whether that raises productivity and wages or displaces workers depends on how organisations redesign work and how gains are shared.
In education, AI can personalise support but also undermine assessment and the learning that comes from effort. Trust depends on experience: visible errors, unexplained decisions and synthetic content erode it, while accountable use can build it. People with limited digital access, skills or language support risk exclusion.
Evidence on social effects.
- 01
Task exposure analysis
Mapping AI capabilities onto occupational task data. Exposure is not the same as displacement.
- 02
Field and natural experiments
Studying workplaces and classrooms that adopt AI, using Sozial- und Verhaltenswissenschaften. Early studies may not generalise.
- 03
Surveys of trust and use
Measuring how people use and perceive AI. Attitudes change quickly and vary by context.
- 04
Evaluierung der Fähigkeiten
Linking what Systeme can actually do, from Engineering für KI-Evaluierung und -Assurance, to claims about social effects.
Wie es untersucht wird und was die Methoden nicht sagen können.
- 01Sozial- und VerhaltenswissenschaftenStudien zur menschlichen Aufsicht · Forschung mit betroffenen Gemeinschaften · Studien zur Einführung am ArbeitsplatzHier angewandt
- 02Wahrscheinlichkeit und StatistikUnsicherheit von Benchmark-Werten · Bewertung der Kalibrierung · PrüfstichprobenHier angewandt
- 03Künstliche Intelligenz und maschinelles LernenAnalyse von Verteilungsverschiebungen · Feinabstimmung für einen bestimmten Einsatz · InterpretierbarkeitsmethodenHier angewandt
- 04Robotik und AutomatisierungSzenariobasiertes Testen · Sicherheit kollaborativer Roboter · Überwachung des EinsatzbereichsHier angewandt
Where this page’s references lead.
Die Gremien und Dokumente, vor deren Hintergrund diese Seite gelesen wird. Status und Ausgaben ändern sich; jeder Link führt zur herausgebenden Stelle.
Fragen und Antworten.
Will AI take jobs?
What is occupational exposure to AI?
Who is most exposed to generative AI?
Will AI cause mass unemployment?
Which workers are most exposed?
How does this topic relate to Future of Work and Skills?
Does the platform advise employers?
Evidenz von dieser Seite aus beitragen.
Berichte is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
- E-MailZugang GW-GCRIVon dieser Seite aus sendenEvidenz, eine Korrektur, ein Fall, eine Methode, eine Prüfung, eine Übersetzung oder ein Beitrag zu einem Profil. Sie kommt mit dieser Seite gekennzeichnet an, sodass die zuständige Redaktion sie erhält.
- ZenodoOffene HinterlegungHinterlegen und bei der Community einreichenVeröffentlichen Sie Ihren eigenen Eintrag auf Zenodo mit Ihrer ORCID iD und reichen Sie ihn dort bei der Reports-Community ein. Kuratorinnen und Kuratoren prüfen ihn; der DOI bleibt bei Ihnen.
- BerichteGCRIAlle Wege zum Beitragen ansehenDie Beitragsarten, wie jede geprüft wird, welche Nennung Sie erhalten, die Lizenz und was nie angenommen wird.
Senden Sie nie personenbezogene Daten, sensible Infrastrukturdetails oder etwas, das Sie nicht weitergeben dürfen. Ein Beitrag wird vor der Nutzung geprüft; das Einsenden begründet weder Urheberschaft noch redaktionelle Rechte, und Sponsoring erkauft nie ein Ergebnis.
Bringen Sie eine Methode, einen Datensatz oder eine Frage mit.
Information und Anfragen sind heute offen. Eine Anfrage erhält ein Aktenzeichen und nennt den nächsten Schritt; Bewerbungen, Zahlungen, Rechenzuteilungen und Registrierungen öffnen erst, wenn Team, Bedingungen und Prüfkapazität bestehen.
Rechtliche Dokumente.
Karten, Daten und Zahlen auf dieser Website werden zu Kontext- und allgemeinen Informationszwecken gezeigt. Sie sind weder Beratung noch Prognosen oder Warnungen; die Grenzen der Information sind in den Haftungsausschlüssen und Datenhinweisen dargelegt.