LLM-Auswirkungen auf Chinas Arbeitsmarkt: Lohnprämien statt Verdrängung

Wenn Forscher der künstlichen Intelligenz über die Auswirkungen auf den Arbeitsmarkt diskutieren, stützen sie sich in der Regel auf Daten aus den Vereinigten Staaten und anderen westlichen Volkswirtschaften. Dies schafft einen grundlegenden blinden Fleck: Was passiert, wenn KI-Tools, die hauptsächlich auf englischsprachigen Daten basieren, auf Arbeitsmärkte mit völlig unterschiedlichen Strukturen, kulturellen Normen und institutionellen Rahmenbedingungen treffen?

China, die zweitgrößte Volkswirtschaft der Welt mit 1,4 Milliarden Menschen und einer einzigartigen Arbeitsmarktdynamik, bietet einen entscheidenden Testfall. Wenn die Auswirkungen von KI auf die Arbeit universellen Mustern folgen, sollten wir ähnliche Effekte in verschiedenen Volkswirtschaften sehen. Wenn die Auswirkungen je nach Kontext variieren, werden Einheitsstrategien für die Belegschaft scheitern, und Organisationen benötigen marktspezifische Ansätze.

Neue Forschung, die das einflussreiche Eloundou-Expositions-Framework an chinesische Berufsdaten anpasst, enthüllt überraschende Muster, die sowohl die konventionelle Automatisierungstheorie als auch Annahmen über die universelle Wirkung von KI in Frage stellen. Die Ergebnisse deuten darauf hin, dass große Sprachmodelle die Arbeit durch grundlegend andere Mechanismen beeinflussen könnten als frühere Technologiewellen, mit tiefgreifenden Auswirkungen darauf, wie globale Organisationen über die Einführung von KI nachdenken sollten.

Das Eloundou-Framework und die chinesische Anpassung verstehen

Das Eloundou-Expositions-Framework, das von Forschern von OpenAI und akademischen Mitarbeitern entwickelt wurde, bietet eine systematische Methodik zur Bewertung, welche Berufe der größten Exposition gegenüber den Fähigkeiten großer Sprachmodelle ausgesetzt sind. Das Framework analysiert den Aufgabeninhalt von Berufen und identifiziert Arbeit, die LLMs potenziell erweitern oder automatisieren können, basierend auf Fähigkeiten wie Textgenerierung, Informationssynthese, Mustererkennung und Wissensabruf.

Die Anwendung dieses Frameworks auf den Arbeitsmarkt der Vereinigten Staaten führte zu einflussreichen Erkenntnissen darüber, welche Berufe einer hohen KI-Exposition ausgesetzt sind. Berufsdefinitionen, Aufgaben-Zusammensetzungen und Arbeitsmarktstrukturen unterscheiden sich jedoch erheblich zwischen den Ländern. Ein "Finanzanalyst" in den USA kann andere Aufgaben ausführen und unter anderen organisatorischen Bedingungen arbeiten als sein chinesischer Kollege.

Chen, Ge, Xie, Xu und Yang (2025) passten die Eloundou-Methodik an das chinesische Berufsklassifikationssystem und die Arbeitsmarktdaten an. Dies erforderte mehr als eine einfache Übersetzung, es erforderte eine sorgfältige Zuordnung von Aufgabeninhalten und die Anpassung an Unterschiede in der Organisation, Regulierung und Vergütung von Arbeit in den beiden Volkswirtschaften.

Die Forscher untersuchten dann die Korrelationen zwischen der beruflichen LLM-Exposition und zwei wichtigen Arbeitsmarktergebnissen: dem Lohnniveau und den Erfahrungsprämien (dem Einkommensanstieg, der mit zusätzlichen Dienstjahren verbunden ist). Wenn LLMs hauptsächlich Arbeitnehmer verdrängen, würden wir negative Korrelationen erwarten, eine höhere Exposition würde niedrigere Löhne und komprimierte Erfahrungsprämien vorhersagen. Wenn LLMs Arbeitnehmer erweitern, könnten wir positive Korrelationen sehen.

Die Daten zeigten auffällige Muster: Eine höhere LLM-Exposition korrelierte positiv sowohl mit dem Lohnniveau als auch mit den Erfahrungsprämien. Dies galt für mehrere Spezifikationen und Robustheitsprüfungen, was darauf hindeutet, dass, zumindest im beobachtbaren Zeitraum, die KI-Exposition in China eher mit Einkommensvorteilen als mit Verdrängung verbunden ist.

Die Routinisierungshypothese und warum sie bei LLMs versagt

Um zu verstehen, warum diese Ergebnisse von Bedeutung sind, müssen wir den dominanten Rahmen, der die Forschung zu Technologie und Arbeit seit Jahrzehnten geprägt hat, erneut betrachten: die Routinisierungshypothese.

Diese einflussreiche Theorie, die von Ökonomen entwickelt wurde, die die Computerisierung und Automatisierung untersuchten, argumentiert, dass Technologie hauptsächlich Routineaufgaben betrifft, Arbeit, die vorhersagbaren, regelbasierten Mustern folgt, die in Software kodifiziert werden können. Kognitive Routinearbeit (Dateneingabe, einfache Buchhaltung, einfache Analyse) und manuelle Routinearbeit (Fließbandaufgaben, Standardfertigung) sind einem hohen Automatisierungsrisiko ausgesetzt. Nicht-Routine-Arbeit, die Urteilsvermögen, Kreativität oder komplexe Problemlösung erfordert, bleibt geschützt.

Der Routinisierungsrahmen erklärte erfolgreich viele Arbeitsmarktmuster während der Computerisierungsära. Arbeitsplätze mit mittlerer Qualifikation, die einen erheblichen Routineanteil aufwiesen, Fertigungsarbeiter, Büroangestellte, Verwaltungsmitarbeiter, erlebten eine erhebliche Verdrängung und Lohnstagnation. Gleichzeitig blieben hochqualifizierte kognitive Arbeit und geringqualifizierte Dienstleistungsarbeit, die menschliche Interaktion erfordert, relativ unberührt.

Dieser Rahmen prägte, wie Organisationen und politische Entscheidungsträger über KI dachten. Die Annahme: KI würde dem gleichen Muster folgen, Routinearbeit automatisieren und nicht-routinemäßige kognitive Aufgaben den Menschen überlassen. Personalstrategien betonten die Verlagerung von verdrängten Routinearbeitern in nicht-routinemäßige Rollen.

Aber die China-Forschung, zusammen mit ergänzenden Erkenntnissen aus westlichen Arbeitsmärkten, legt nahe, dass große Sprachmodelle durch andere Mechanismen wirken. Die LLM-Exposition korreliert stärker mit der Intensität der Informationsverarbeitung als mit der Aufgabenroutinisierung. Berufe, die eine erhebliche Informationssynthese, Wissensabruf, schriftliche Kommunikation und Entscheidungsfindung unter Unsicherheit beinhalten, weisen die höchste Exposition auf, unabhängig davon, ob ihre Aufgaben routinemäßig oder nicht-routinemäßig sind.

Dieser grundlegende Unterschied erfordert ein Umdenken bei Personalstrategien, die auf Routinisierungsannahmen basieren. Organisationen können nicht einfach Routineaufgaben zur Automatisierung und nicht-routinemäßige Aufgaben für menschliche Arbeitskräfte identifizieren. Stattdessen müssen sie bewerten, welche Arbeit eine Informationsverarbeitung beinhaltet, die LLMs verbessern können, und wie Rollen um dieses Erweiterungspotenzial herum neu strukturiert werden können.

Entropiebasierte Lerntheorie: Ein neuer Rahmen für die Auswirkungen von KI

Die Forschung führt einen konzeptionellen Rahmen zum Verständnis der Auswirkungen von LLMs auf die Arbeit ein, der sich grundlegend von Modellen der Aufgabenautomatisierung unterscheidet. Basierend auf der Informationstheorie schlagen die Autoren eine entropiebasierte Lernperspektive vor.

In diesem Rahmen beinhaltet Arbeit die Verarbeitung von Informationen, die durch unterschiedliche Grade an Unsicherheit (Entropie) gekennzeichnet sind. Arbeitnehmer müssen Wissen erwerben, synthetisieren und anwenden, um diese Unsicherheit zu bewältigen und effektive Entscheidungen zu treffen. Traditionelle Automatisierung reduziert die Unsicherheit durch die Standardisierung von Prozessen und die Durchsetzung von Regeln. LLMs hingegen helfen den Arbeitnehmern, die bestehende Unsicherheit durch verbesserte Informationsbeschaffung, Mustererkennung und Wissenssynthese effektiver zu bewältigen.

Stellen Sie sich einen Lieferkettenanalysten vor, der mit einem Störungsereignis konfrontiert ist. Der routinemäßige Automatisierungsansatz würde versuchen, Reaktionsregeln zu kodifizieren: Wenn X passiert, tue Y. Dies funktioniert bei vorhersehbaren Störungen, versagt aber bei neuen Situationen mit hoher Unsicherheit. Ein LLM-gestützter Analyst kann jedoch schnell Informationen aus verschiedenen Quellen, Nachrichtenberichte, Lieferantenkommunikation, historische Muster, Branchendaten, synthetisieren, um ein situationsspezifisches Urteil unter Unsicherheit zu bilden.

Diese Unterscheidung legt nahe, dass LLMs die Arbeit beeinflussen, indem sie die menschlichen Informationsverarbeitungsfähigkeiten verstärken, anstatt das menschliche Urteilsvermögen vollständig zu ersetzen. Arbeitnehmer in informationsintensiven Berufen erzielen Produktivitätsvorteile, indem sie KI als kognitives Erweiterungswerkzeug nutzen, während Arbeitnehmer in Berufen mit geringeren Anforderungen an die Informationsverarbeitung geringere Auswirkungen sehen, unabhängig von der Aufgabenroutinisierung.

Die in der Forschung beobachtete positive Korrelation zwischen LLM-Exposition und Erfahrungsprämien unterstützt diese Theorie. Wenn LLMs einfach Aufgaben automatisieren würden, würden wir erwarten, dass Erfahrung weniger wichtig wird, Anfänger mit KI-Tools könnten die Leistung von Experten nachbilden. Stattdessen deuten die Daten darauf hin, dass erfahrene Arbeitnehmer mehr von der KI-Erweiterung profitieren, weil sie überlegene mentale Modelle, Mustererkennung und Urteilsrahmen besitzen, die LLMs verstärken.

Ein erfahrener Finanzanalyst mit tiefem Fachwissen kann LLMs nutzen, um weitaus mehr Informationen zu verarbeiten und anspruchsvollere Erkenntnisse zu generieren als ein Anfänger mit denselben Werkzeugen. Das LLM fungiert als Produktivitätsmultiplikator, der auf bestehendes Fachwissen angewendet wird, anstatt als Ersatz für Fachwissen.

Vergleich der Arbeitsmarktmuster in China und den USA

Einer der wichtigsten Beiträge der Studie ergibt sich aus dem marktübergreifenden Vergleich. Folgen die Auswirkungen von LLMs universellen Mustern oder variieren sie je nach institutionellem Kontext?

Die Evidenz deutet auf eine erhebliche Gemeinsamkeit hin, welche Berufe eine hohe Exposition aufweisen, obwohl es wichtige Unterschiede gibt, wie sich die Exposition manifestiert. Sowohl der chinesische als auch der US-amerikanische Arbeitsmarkt zeigen eine starke LLM-Exposition in Fachberufen wie Analysten, Beratern, Forschern und Spezialisten, Rollen, die eine erhebliche Informationsverarbeitung, schriftliche Kommunikation und Wissensarbeit beinhalten.

Beide Märkte zeigen kurzfristig positive Korrelationen zwischen Exposition und Einkommen, was darauf hindeutet, dass Augmentationseffekte derzeit Verdrängungseffekte in verschiedenen institutionellen Kontexten dominieren. Dieses Muster gilt trotz Chinas unterschiedlichen Arbeitsvorschriften, Sozialversicherungssystemen und Belegschaftsmerkmalen.

Die Implementierungsdetails variieren jedoch erheblich zwischen den Märkten. Chinas Arbeitsmarkt weist unterschiedliche Anforderungen an die Berufszulassung, Bildungswege und Unternehmens-Organisationsstrukturen auf, die sich auf den Einsatz von KI-Tools auswirken. Chinesische Organisationen haben oft andere Informationsflüsse, Entscheidungshierarchien und Berichtsanforderungen im Vergleich zu US-amerikanischen Pendants.

Für globale Organisationen, die in beiden Märkten tätig sind, schafft dies sowohl Chancen als auch Herausforderungen. Die zugrunde liegende Dynamik, LLMs schaffen Produktivitätsvorteile in informationsintensiver Arbeit, scheint universell zu sein. Aber die spezifischen Arbeitsabläufe, Werkzeugkonfigurationen und organisatorischen Änderungen, die erforderlich sind, um diese Vorteile zu nutzen, müssen an den lokalen Kontext angepasst werden.

Ein multinationaler Hersteller entdeckte dies durch Erfahrung. Sie setzten ähnliche KI-Planungstools für Lieferkettenoperationen in US-amerikanischen und chinesischen Einrichtungen ein. Nach 18 Monaten divergierten die Ergebnisse: US-Betriebe verzeichneten Aufgabenautomatisierung und Personalabbau, während chinesische Betriebe Produktivitätssteigerungen und Lohnwachstum ohne Verdrängung verzeichneten.

Die Untersuchung ergab, dass chinesische Einrichtungen unterschiedliche Informationsflüsse, Entscheidungshierarchien und regulatorische Berichtsanforderungen hatten, die die Informationssynthese wertvoller machten als die Aufgabenautomatisierung. Das Unternehmen passte seine globale KI-Strategie an, um regional angepasst zu sein, mit Fokus auf Automatisierung in den USA und Entscheidungsunterstützung in China, und verbesserte so sowohl die Produktivität als auch die Mitarbeiterbindung in den Regionen.

Wichtige Erkenntnis: Sowohl der chinesische als auch der US-amerikanische Arbeitsmarkt zeigen positive Lohnkorrelationen mit der LLM-Exposition in informationsintensiven Berufen, mit bemerkenswert ähnlichen Mustern, die auf eine universelle Augmentationsdynamik hindeuten. Fachliche und Informationsarbeiterrollen zeigen die stärksten Effekte, während kognitive Routine- und manuelle Arbeit eine minimale Korrelation aufweisen.

Erfahrungsprämien und Kompetenzverstärkung

Eine der überraschendsten Erkenntnisse der Studie betrifft die Erfahrungsprämien, die Lohnerhöhung, die mit zusätzlichen Dienstjahren in einem Beruf verbunden ist. Die traditionelle Automatisierungstheorie sagt voraus, dass Technologie die Erfahrungsprämien komprimieren sollte, indem sie es Anfängern ermöglicht, die Leistung von Experten durch Werkzeugunterstützung schnell zu erreichen.

Die chinesischen Daten zeigen das Gegenteil: Berufe mit höherer LLM-Exposition korrelieren mit größeren Erfahrungsprämien. Arbeitnehmer mit mehr Erfahrung in KI-exponierten Berufen sehen größere Einkommensvorteile im Vergleich zu weniger erfahrenen Arbeitnehmern als in Berufen mit geringerer KI-Exposition.

Dieses Muster tritt sowohl in chinesischen als auch in westlichen Arbeitsmarktdaten auf, was auf ein robustes Phänomen hindeutet. Es impliziert, dass LLMs bestehendes Fachwissen verstärken, anstatt es zu ersetzen, erfahrene Arbeitnehmer nutzen KI-Tools effektiver als Anfänger und verstärken so ihre Produktivitätsvorteile.

Dies hat entscheidende Auswirkungen auf die Talentstrategie. Organisationen sollten in die Bindung und Entwicklung erfahrener Arbeitnehmer in KI-exponierten Berufen investieren und sich nicht nur auf jüngere Arbeitnehmer konzentrieren, von denen angenommen wird, dass sie technisch versierter sind. Die Produktivitätsvorteile aus der Kombination von tiefem Fachwissen mit KI-Erweiterung übertreffen die Vorteile aus der digitalen Gewandtheit allein.

Es deutet auch darauf hin, dass die Bedenken, dass KI Expertenwissen "kommodifiziert", kurz- bis mittelfristig übertrieben sein könnten. Während LLMs Wissen zugänglicher machen, erfordert die Umwandlung dieses Wissens in effektive Maßnahmen in komplexen Umgebungen immer noch Fachwissen, das LLMs eher verstärken als ersetzen.

Eine Beratungsfirma, die KI-Tools über verschiedene Erfahrungsstufen hinweg testete, beobachtete diese Dynamik direkt. Junior-Berater, die KI-Tools verwendeten, produzierten bessere Arbeit als ohne Tools, aber erfahrene Partner, die dieselben Tools verwendeten, erzielten überproportional größere Produktivitätssteigerungen. Die tiefere Mustererkennung, die strategischen Rahmenbedingungen und das Kundenverständnis der Partner ermöglichten es ihnen, die KI-Fähigkeiten effektiver zu nutzen.

Strategische Implikationen für globale Organisationen

Für Organisationen, die in mehreren Märkten tätig sind, legen diese Ergebnisse mehrere strategische Prioritäten nahe.

Erstens, führen Sie marktspezifische Expositionsanalysen durch, anstatt US-basierte Rahmenwerke universell anzuwenden. Obwohl die Kernmuster ähnlich sein können, variieren Berufsdefinitionen, Aufgaben-Zusammensetzungen und Organisationsstrukturen. Nutzen Sie die Expositionsanalyse, um zu identifizieren, welche Rollen in jedem Markt den größten KI-Einfluss haben, und entwerfen Sie marktgerechte Strategien.

Zweitens, erkennen Sie an, dass die Auswirkungen von LLMs von traditionellen Automatisierungsmustern abweichen können, die von der Routinisierungstheorie geprägt sind. Konzentrieren Sie die Personalplanung auf die Intensität der Informationsverarbeitung und nicht nur auf die Aufgabenroutinisierung. Identifizieren Sie Rollen, in denen Informationssynthese, Wissensabruf und Entscheidungsfindung unter Unsicherheit die Kernarbeit darstellen, und priorisieren Sie diese für Investitionen in die KI-Erweiterung.

Drittens, investieren Sie in Strategien zur Erfahrungsverstärkung. Anstatt anzunehmen, dass KI das Spielfeld zwischen Anfängern und Experten ebnet, erkennen Sie an, dass erfahrene Arbeitnehmer KI-Tools am effektivsten nutzen können. Priorisieren Sie die Bindung und Entwicklung von erfahrenem Personal in KI-exponierten Berufen und entwerfen Sie Tools, die Fachwissen verstärken, anstatt nur Aufgaben auf Anfängerniveau zu automatisieren.

Viertens, passen Sie die Implementierungsansätze an den Marktkontext an und behalten Sie gleichzeitig eine konsistente strategische Vision bei. Die zugrunde liegende Dynamik, LLMs schaffen Produktivitätsvorteile durch die Erweiterung der Informationsverarbeitung, scheint universell zu sein, aber spezifische Arbeitsabläufe, Werkzeugkonfigurationen und organisatorische Änderungen müssen lokal angepasst werden.

Fünftens, verlagern Sie den Schulungsfokus von der Aufgabenautomatisierung auf die Informationsverarbeitung und das Urteilsvermögen. Wenn die Auswirkungen von LLMs durch verbesserte Synthese und Entscheidungsunterstützung und nicht durch reinen Aufgabenaustausch wirken, sollte die Schulung betonen, wie KI effektiv für die Wissensarbeit genutzt werden kann, nicht nur, welche Aufgaben an die Automatisierung delegiert werden sollen.

Praktische Anwendungen und nächste Schritte

Basierend auf diesen Erkenntnissen sind hier konkrete Maßnahmen für verschiedene organisatorische Rollen:

Für globale Strategieführer: Bewerten Sie, ob KI-Einführungsstrategien je nach Geografie auf der Grundlage lokaler Arbeitsmarktstrukturen, regulatorischer Umgebungen und Informationsflüsse variieren sollten. Beauftragen Sie marktspezifische Expositionsanalysen für Schlüsselregionen, anstatt universelle Muster anzunehmen. Weisen Sie Ressourcen für die regionale Anpassung von KI-Implementierungsansätzen zu.

Für Vergütungsleiter in multinationalen Unternehmen: Überwachen Sie, ob Lohnprämien für KI-exponierte Berufe in verschiedenen Märkten mit unterschiedlichem Timing und Ausmaß auftreten. Passen Sie die Vergütungsstrategien je nach Markt an, um Talente zu halten, wo Prämien entstehen, und vermeiden Sie gleichzeitig eine Überbezahlung in Märkten, in denen der Wettbewerbsdruck gering bleibt. Verfolgen Sie die Trends bei den Erfahrungsprämien, um die Bindungsstrategien zu informieren.

für Talententwicklungsleiter: Gestalten Sie Schulungsprogramme neu, um sich auf Informationsverarbeitung, Urteilsvermögen und KI-gestützte Entscheidungsfindung zu konzentrieren, anstatt nur auf Aufgabenautomatisierung. Betonen Sie, wie erfahrene Arbeitnehmer KI nutzen können, um ihr Fachwissen zu verstärken. Messen Sie die Wirksamkeit von Schulungen durch die Qualität der Informationssynthese und die Entscheidungsergebnisse und nicht nur durch die Metriken zur Aufgabenerledigung.

Für Personalplanungsleiter: Aktualisieren Sie die Arbeitskräfteprognosemodelle, um zwischen den Auswirkungen der Informationsverarbeitung und traditionellen Automatisierungsmustern zu unterscheiden. Testen Sie routinisierungsbasierte Verdrängungsprognosen anhand der tatsächlichen Ergebnisse der LLM-Einführung und passen Sie die Modelle an, wenn die Vorhersagen fehlschlagen. Erstellen Sie marktspezifische Modelle, anstatt universelle Annahmen anzuwenden.

Für Produkt- und Werkzeugentwicklungsleiter: Entwerfen Sie KI-Assistenzsysteme, die sich auf Informationssynthese, Wissensextraktion und Entscheidungsunterstützung konzentrieren, anstatt auf reine Aufgabenautomatisierung. Erstellen Sie Funktionen zur Erfahrungsverstärkung, die erfahrenen Benutzern helfen, KI effektiver zu nutzen. Erstellen Sie regionale Werkzeugkonfigurationen, die sich an lokale Informationsflüsse und Organisationsmuster anpassen.

Wichtige Einschränkungen und Forschungsgrenzen

Obwohl diese Forschung wertvolle marktübergreifende Einblicke liefert, verdienen mehrere wichtige Einschränkungen Beachtung.

Die Studie dokumentiert Korrelationen zwischen der beruflichen LLM-Exposition und den Arbeitsmarktergebnissen, kann aber keine endgültige Kausalität herstellen. Andere Faktoren, Qualifikationsnachfrage, Branchenwachstum, Arbeitskräfteangebotsbeschränkungen, können einige der beobachteten Beziehungen erklären. Die Analyse auf Berufsebene erfasst möglicherweise keine wesentlichen Unterschiede darin, wie sich KI auf verschiedene Arbeitnehmer innerhalb desselben Berufs auswirkt.

Die entropiebasierte Informationsverarbeitungstheorie ist zwar konzeptionell überzeugend, bleibt aber hauptsächlich theoretisch. Die empirische Validierung der spezifischen Mechanismen, durch die die Informationsverarbeitung die Auswirkungen von LLMs antreibt, erfordert zusätzliche Forschung. Die Theorie kann sich für einige Berufe als anwendbarer erweisen als für andere.

Die Forschung untersucht relativ kurzfristige Muster nach der ersten Einführung von LLMs. Längerfristige Dynamiken können sich unterscheiden, wenn Organisationen die Neugestaltung von Arbeitsabläufen abschließen, wenn die KI-Fähigkeiten fortschreiten und wenn die Akzeptanz universell wird und nicht mehr differenziert. Die beobachteten positiven Lohnkorrelationen können Übergangseffekte und nicht ein dauerhaftes Gleichgewicht darstellen.

Marktübergreifende Vergleiche stehen vor Herausforderungen durch Datenunterschiede, Diskrepanzen bei der Berufsklassifikation und institutionelle Faktoren, die einen direkten Vergleich erschweren. Obwohl die Forschung sorgfältig darauf achtet, angemessene Vergleiche zu gewährleisten, können einige der beobachteten Unterschiede eher Messprobleme als echte Marktunterschiede widerspiegeln.

Organisationen sollten diese Ergebnisse daher als Input für die Strategie und nicht als endgültige Vorhersagen behandeln. Überwachen Sie sowohl Lohn- als auch Beschäftigungstrends im Laufe der Zeit, kombinieren Sie quantitative Expositionsanalysen mit qualitativer Forschung darüber, wie sich die Arbeit tatsächlich verändert, und bewahren Sie die Flexibilität, sich anzupassen, wenn die KI-Einführung reift und langfristige Muster entstehen.