Cohere Research: Was KI-Expositionswerte wirklich messen und warum das für Entscheidungsträger nicht ausreicht

Vier Forscher von Cohere Research — Campbell Lund, Thomas Euyang, Zanele Munyikwa und Marzieh Fadaee — haben am 10. Juni 2026 eine umfassende kritische Analyse eines der einflussreichsten Werkzeuge zur Bewertung des Einflusses von KI auf den Arbeitsmarkt veröffentlicht: der sogenannten Expositionswerte (engl. AI exposure scores, AES). Die Arbeit ist von einem begleitenden Preprint im arXiv-Repository begleitet.

Was sind KI-Expositionswerte?

Expositionswerte sind ein grundlegendes Werkzeug in der Debatte über den Einfluss von KI auf den Arbeitsmarkt. Ausgangspunkt ist der Rahmen „GPTs are GPTs” (Eloundou et al., 2023), der die Exposition eines Berufs als Prozentsatz der Aufgaben innerhalb dieses Berufs definiert, die ein großes Sprachmodell (LLM) übernehmen oder unterstützen kann. Je höher der Prozentsatz, desto stärker gilt ein Beruf als „exponiert” — sei es durch Automatisierung oder durch KI-gestützte Arbeit.

Solche Werte wurden schnell zum Referenzpunkt für Entscheidungsträger (engl. policy makers), Ökonomen und Medien, die zu prognostizieren versuchen, welche Branchen KI verändern wird und in welchem Maße.

Einschränkungen statischer Werte für die Politikgestaltung

Die Autoren identifizieren zwei grundlegende Lücken zwischen der Forschungsmethodik und den tatsächlichen Bedürfnissen von Entscheidungsträgern.

Strukturelle Lücke (engl. structural gap): Statische Werte messen die Leistung eines bestimmten KI-Systems, angewendet auf eine konkrete Berufstaxonomie, zu einem ganz bestimmten Zeitpunkt. Das bedeutet, dass sie in drei Dimensionen inhärent begrenzt sind: zeitlich (was heute gilt, kann morgen veraltet sein), geografisch (Berufstaxonomien unterscheiden sich zwischen Ländern) und ontologisch (die Definition von „Aufgaben” innerhalb eines Berufs ist selbst fraglich und instabil). Entscheidungsträger benötigen jedoch Maße, die in allen drei Dimensionen flexibel sind.

Koordinative Lücke (engl. coordination gap): Die Forschungsgemeinschaft hat fortschrittlichere Methodologien entwickelt, die genau diese Einschränkungen adressieren — aber diese Methodologien bleiben in akademischen Kreisen gefangen. Entscheidungsträger zitieren unterdessen weiterhin veraltete statische Werte, weil sie mit neueren Ansätzen nicht vertraut sind. Das Ergebnis ist eine systematische Kluft zwischen dem methodisch Verfügbaren und dem in der Praxis Angewendeten.

Fünf neue Methodenfamilien

Die Autoren katalogisieren fünf neue methodische Richtungen, die die akademische Gemeinschaft entwickelt, die aber noch keinen Eingang in die standardmäßige Verwendung bei der Politikgestaltung gefunden haben:

1. Dynamische und benchmark-basierte Maße — anstatt einer statischen Bewertung die Veränderung der Exposition über die Zeit verfolgen, während KI-Systeme voranschreiten.
2. Ensemble-Methoden — Kombination mehrerer verschiedener Modelle und Bewertungsansätze zur Reduzierung der Verzerrung einzelner Systeme.
3. Erweiterungen von Aufgaben-Taxonomien (engl. task-framework extensions) — bessere Kartierung dessen, was Arbeitnehmer tatsächlich tun, anstatt sich auf standardisierte Berufsklassifikationen zu stützen.
4. Arbeitnehmerorientierte Maße (engl. worker-centered metrics) — Messung des KI-Einflusses aus der Perspektive des Arbeitnehmers selbst, nicht nur einer abstrakten „Aufgabe”.
5. Daten zur tatsächlichen Nutzung und Adoption (engl. adoption data) — Verwendung empirischer Daten darüber, wie und in welchem Umfang KI tatsächlich am Arbeitsplatz eingesetzt wird, anstatt theoretischer Schätzungen.

Gemeinsame Verantwortung: Forscher und Entscheidungsträger

Die Studie betont, dass die Verantwortung für die Überbrückung beider Lücken gemeinsam getragen wird.

Für Entscheidungsträger empfehlen die Autoren: die Beweisbasis durch Verwendung mehrerer Arten von Maßen zu erweitern, Arbeitnehmer als epistemische Partner (engl. epistemic partners) einzubeziehen — Menschen, die direkt relevantes Erfahrungswissen über ihre eigenen Arbeitsbedingungen besitzen — und den Fokus von Vorhersage auf Vorbereitung (engl. preparedness) zu verlagern. Anstatt zu fragen „Welche Berufe werden verschwinden?”, ist die relevantere Frage: Wie bereiten wir die Arbeitnehmer jetzt auf unsichere Veränderungen vor?

Für Forscher sind die Empfehlungen komplementär: Dateninfrastruktur aufbauen, die von Anfang an darauf ausgelegt ist, auf politische Bedürfnisse zu antworten, und interdisziplinäre Methoden einsetzen, die die Lücke zwischen Wirtschaft, Soziologie, Informatik und politikwissenschaftlicher Forschung überbrücken.

Breiterer Kontext

Die Arbeit von Cohere Research erscheint zu einem Zeitpunkt, in dem in der gesamten EU und darüber hinaus Debatten über die KI-Regulierung und ihre Auswirkungen auf den Arbeitsmarkt geführt werden. Statische Werte wie jene aus Eloundou et al. (2023) sind in solchen Debatten zu einem fast standardmäßigen Analyseeingang geworden — und genau deshalb kommt diese methodologische Kritik zum richtigen Zeitpunkt.

Ohne eine bessere methodologische Grundlage basieren Politiken auf Maßen, die die Realität zu stark vereinfachen: Sie berücksichtigen weder das Tempo des Wandels, die Unterschiede zwischen Arbeitsmärkten in verschiedenen Ländern noch die Perspektive der Arbeitnehmer selbst, deren Leben auf dem Spiel steht. Diese Arbeit setzt eine konkrete Agenda dafür, wie diese Situation verbessert werden kann.