KI-Indikatoren

KI in Arbeit und Gesellschaft

Welche Entwicklungen und Trends von KI-Anwendungen in Arbeitsmarkt, Arbeitswelt und Arbeitsorganisation können wir beobachten? Wie verändert KI das Zusammenleben? Um die Entwicklungen und Auswirkungen von KI zu verstehen und wissenschaftlich oder politisch zu beantworten, sind Kennzahlen notwendig. Das KI-Observatorium analysiert, welche Zahlen aussagekräftig sind, um ein umfassendes Verständnis der Technologie zu entwickeln. Eine erste Auswahl zu den Themen Arbeit, Gesellschaft und Kompetenzen finden Sie hier. Sie haben Ideen für weitere Indikatoren? Dann schreiben Sie uns: .

Den Einfluss, den Künstliche Intelligenz (KI) auf unser Zusammenleben und unsere Arbeitswelt hat, beobachtet und analysiert das KI-Observatorium anhand sogenannter Indikatoren. Im Video erfahren Sie, was genau diese KI-Indikatoren sind und wie sie uns dabei helfen, die mit KI verbundenen Effekte besser zu verstehen.

Was sind KI-Indikatoren?

Zum Aktivieren des Videos müssen Sie auf den Button klicken. Nach dem Aktivieren des Buttons gelten die Datenschutzbestimmungen von Google.

Der Einsatz von KI-Anwendungen in der Arbeitswelt und die Folgen für die Erwerbstätigen sind von großer Bedeutung. Spezifische KI-Indikatoren können Hinweise darauf geben, wie es um die Sicherheit von Arbeitsplätzen vor dem Hintergrund der Entwicklung dieser Technologie steht; wie sich der Arbeitsalltag der Beschäftigten mit KI wandelt; welche Veränderungen Erwerbstätige durch den Einsatz von KI in der Arbeitswelt vermuten und welche Konsequenzen sie befürchten.

Die Mehrheit rechnet nicht mit einem Verlust des Arbeitsplatzes

Die Sicherheit von Arbeitsplätzen wird häufig diskutiert, wenn es um die Folgen von KI für die Arbeitswelt geht; ihre Akzeptanz ist wesentlich davon abhängig.

Der hier dargestellte Indikator zeigt, für wie wahrscheinlich die Befragten einer repräsentativen Umfrage (Sample: ab 18-Jährige in Deutschland) einen Arbeitsplatzverlust für (a) sich selbst, (b) Personen aus ihrem näheren Umfeld oder (c) Angehörige gesellschaftlicher Minderheiten und benachteiligter Gruppen einschätzen. Zur letzten Gruppe zählen unter anderem Menschen mit Migrationshintergrund, Menschen mit Behinderungen oder Alleinerziehende.

Insgesamt erwarten nur wenige der Befragten umwälzende Veränderungen auf dem Arbeitsmarkt in den nächsten fünf Jahren. Rund 14 % der Befragten vermuten, dass mehr neue Arbeitsplätze geschaffen als ersetzt werden, eine positivere Einschätzung als im Jahr 2020. Die geringste Gefahr für einen Arbeitsplatzverlust sehen die Befragten bei sich selbst: Nur 6 % halten den Verlust der eigenen Berufstätigkeit durch KI für wahrscheinlich oder sehr wahrscheinlich. Rund 15 % vermuten, dass Massenarbeitslosigkeit droht und etwas weniger glauben, dass Familienmitglieder, Freunde und Bekannte ihren Arbeitsplatz verlieren könnten (16 %). Die Erkenntnisse aus diesem Indikator stehen konträr zur häufigen Grundthese in Debatten, dass sich viele Menschen vor dem Einsatz von KI fürchten. Tatsächlich ist zu beobachten, dass die Einschätzung zur Arbeitsplatzsicherheit angesichts des vermehrten Einsatzes von KI im Vergleich zu 2020 positiver ist; Befürchtungen über den Verlust von Arbeitsplätzen haben also abgenommen.

Zentrale Ergebnisse des BMAS-Fachkräftemonitorings zeigen, dass im Vergleich zu heute in den nächsten fünf Jahren 1,4 Millionen Arbeitsplätze nicht mehr bestehen, gleichzeitig aber auch 1,3 Millionen neue Arbeitsplätze neu entstehen werden. Dabei werden Annahmen einer digitalisierten Arbeitswelt, der demografische Wandel, die Transformation hin zu einer klimaneutralen Wirtschaft sowie die Folgen der COVID-19-Pandemie berücksichtigt.

Wie unterscheiden sich diese Einschätzungen zwischen Männern und Frauen? Insgesamt sind Männer optimistischer als Frauen. Außerdem kann man erkennen, dass rund 8 % der Frauen keine Einschätzung zu einem möglichen Arbeitsplatzverlust durch KI abgeben können. Eine Begründung könnte darin liegen, dass sich Frauen weniger mit Technikthemen auseinandersetzen und weniger in solchen Berufen arbeiten, die sehr technisiert sind. Vergleicht man verschiedene Altersgruppen miteinander, fällt auf, dass Personen zwischen 18-35 sowie über 66 Jahren optimistischer bzgl. der Arbeitsplatzsicherheit sind. Dies kann daran liegen, dass jüngere Menschen vertrauter mit dem Themenbereich technologischer Fortschritt sind und Menschen über 66 in der Regel nicht mehr von Veränderungen der Arbeitswelt betroffen sind.

Vermuteter Arbeitsplatzverlust durch KI

Wie hoch schätzen Sie die Wahrscheinlichkeit ein, dass durch einen vermehrten Einsatz von KI in den nächsten fünf Jahren… (N für 2020 = 1001 , N für 2021 = 1011)
  • KI-Definition: Im Rahmen dieser Befragung wurde den Befragten keine Definition von KI vorgegeben. Die Antworten der Befragten basieren folglich auf ihrer aktuellen Vorstellung von KI.

    Methodik: Die dem Indikator zugrunde liegenden Daten wurden durch das Projekt „Meinungsmonitor Künstliche Intelligenz [MeMo:KI]“ des Centers for Advanced Internet Studies und der Heinrich-Heine-Universität Düsseldorf in Zusammenarbeit mit dem KI-Observatorium im Rahmen einer Sonderbefragung zum Thema „KI in der Arbeitswelt“ erhoben. Die Befragung führte das Institut forsa Politik & Sozialforschung GmbH in einer Onlinebefragung unter Personen durch, die mindestens 18 Jahre alt waren und die mindestens gelegentlich das Internet nutzten. Für 2020 handelt es sich dabei um eine Zufallsstichprobe von 1001 Befragten, die nach den Kriterien Alter, Geschlecht und Region (Bundesland) gewichtet wurde (davon 60 % Erwerbstätige, 51 % weiblich, 32 % zwischen 18 und 39 Jahre alt, 64 % mit (Fach-)Abitur, 53 % mit einem Haushaltsnettoeinkommen von 3000 € oder mehr). In 2021 umfasste die Zufallsstichprobe 1011 Befragte und wurde nach denselben Kriterien gewichtet (davon 68 % Erwerbstätige, 51 % weiblich, 31 % zwischen 18 und 39 Jahre alt, 55 % mit (Fach-)Abitur, 47 % mit einem Haushaltsnettoeinkommen von 3000 € oder mehr). Die Befragungen wurden im Zeitraum vom 24.-28.08.2020 und 23.-27.08.2021 durchgeführt.

    Der Inhalt der Befragung fokussiert sich vor allem auf Erwartungen im beruflichen Kontext in Verbindung mit KI, die sich auf die Befragten selbst bezogen. Die Befragten konnten auf einer Skala von 1 (sehr unwahrscheinlich) bis 5 (sehr wahrscheinlich) antworten. In der Graphik sind die Antworten zu den Werten 1 und 2 auf der Skala sowie zu den Werten 4 und 5 zusammengefasst präsentiert. Weitere Informationen zur Befragung zum Thema „KI in der Arbeitswelt“, zum Projekt MeMo:KI und den ausführlichen Methodensteckbrief finden Sie in den jeweiligen Links.

Größte Veränderungen durch KI bei Datensicherheit und den Kompetenzanforderungen erwartet

Wie wirkt sich der Einsatz von KI auf die alltägliche Arbeit aus? Inwiefern gibt es ein Bewusstsein in der Bevölkerung für mögliche Veränderungen durch KI auf die eigene Tätigkeit? Dieser Indikator stellt auf Basis einer repräsentativen Umfrage unter Erwerbstätigen in Deutschland dar, welche Erwartungen diese mit dem Einsatz von KI verbinden und wie sich ihrer Einschätzung nach die Nutzung von KI auf ihre Arbeitsbedingungen auswirkt.

Es zeigt sich in den Befragungsdaten, dass mehr als die Hälfte der Befragten, in 2020 sowie in 2021, bei den meisten Arbeitsbedingungen nur teilweise (3) oder eher keine Veränderungen (1 & 2) erwartet. Die größten Veränderungen werden von den Befragten, in beiden Jahren, hinsichtlich der Sicherheit ihrer Daten und hinsichtlich der Kompetenzanforderungen an ihrem Arbeitsplatz vermutet. Insbesondere bei der Einkommensentwicklung, Mitbestimmung, Zufriedenheit mit der Arbeit sowie den Karrierechancen glaubt nur ein kleiner Teil der Befragten, dass der Einzug von KI in das Arbeitsleben mittelfristig etwas für sie ändern wird.

Laut den Forscher*innen der MeMo:KI-Studie halten Expert*innen es für wahrscheinlich, dass KI zu Veränderungen in diversen Bereichen führen wird. Es stellt sich bei diesem Indikator die Frage, warum die befragten Erwerbstätigen das Veränderungspotential ihrer Arbeitsbedingungen als generell eher gering und für verschiedene Arbeitsbedingungen sehr unterschiedlich eingeschätzt haben. Möglicherweise könnte dies an einem unterschiedlichen Sensibilisierungsgrad für verschiedene Veränderungen liegen.

Im Jahr 2021 wird jedoch ein noch geringes Veränderungspotenzial für jede Arbeitsbedingung registriert. Dies kann auf drei mögliche Erklärungen zurückgeführt werden (unter Berücksichtigung der Tatsache, dass die Rahmenbedingungen der Befragung gleich waren). Zuerst könnte man annehmen, dass der Befragungszeitraum kurz vor der Bundestagswahl 2021 einen Einfluss auf die Ergebnisse hatte, da die Themen Arbeit und Digitalisierung nur eine geringe Aufmerksamkeit erfahren haben. Damit könnten eine geringere Sensibilisierung für diese Themen und gesunkene Erwartungen im Hinblick auf Veränderungen verbunden gewesen sein. Die Umfrage im Jahr 2020 fand hingegen unter „Normalbedingungen“ statt. Eine andere mögliche Erklärung wäre, dass die Bevölkerung „Digitalisierung“ und „KI“ als Synonyme betrachtet. Während die letzte Befragung im ersten Coronasommer eher noch in Zeiten durchgeführt wurde, in denen Normalität in naher Zukunft erwartet werden konnte, ist die Bevölkerung in diesem Jahr vermutlich deutlich skeptischer. Veränderungen, die sich in der Arbeitswelt ergeben haben, hängen zwar durchaus mit Digitalisierung und KI zusammen, werden jedoch aufgrund der skeptischen Gesamtlage als nicht so weitreichend eingeschätzt. Die letzte mögliche Erklärung wäre, dass nach einem zwischenzeitlichen Hype 2018 und 2019 das Interesse an KI stark gesunken ist. In der medialen Berichterstattung spielte das Thema 2021 eine geringere Rolle.

Einschätzung der Veränderung der eigenen Arbeitswelt durch KI

Inwieweit werden sich die folgenden Arbeitsbedingungen bei Ihrer beruflichen Tätigkeit durch einen Einsatz von KI in den nächsten fünf Jahren verändern? (Nur an Erwerbstätige; N für 2020 = 602 N für 2021 = 685)
  • KI-Definition: Im Rahmen dieser Befragung wurde den Befragten keine Definition von KI vorgegeben. Die Antworten der Befragten basieren folglich auf ihrer aktuellen Vorstellung von KI.

    Methodik: Die dem Indikator zugrunde liegenden Daten wurden durch das Projekt „Meinungsmonitor Künstliche Intelligenz [MeMo:KI]“ des Centers for Advanced Internet Studies und der Heinrich-Heine-Universität Düsseldorf in Zusammenarbeit mit dem KI-Observatorium im Rahmen einer Sonderbefragung zum Thema „KI in der Arbeitswelt“ erhoben. Die Befragung führte das Institut forsa Politik & Sozialforschung GmbH in einer Onlinebefragung unter Personen durch, die mindestens 18 Jahre alt waren und die mindestens gelegentlich das Internet nutzten.

    Für 2020 handelt es sich dabei um eine Zufallsstichprobe von 1001 Befragten, die nach den Kriterien Alter, Geschlecht und Region (Bundesland) gewichtet wurde (davon 60% Erwerbstätige, 51 % weiblich, 32 % zwischen 18 und 39 Jahre alt, 64 % mit (Fach-)Abitur, 53 % mit einem Haushaltsnettoeinkommen von 3000 € oder mehr). In 2021 umfasste die Zufallsstichprobe 1011 Befragte und wurde nach denselben Kriterien gewichtet (davon 68 % Erwerbstätige, 51 % weiblich, 31 % zwischen 18 und 39 Jahre alt, 55 % mit (Fach-)Abitur, 47 % mit einem Haushaltsnettoeinkommen von 3000 € oder mehr).

    Die Frage, auf der der Indikator beruht, wurde nur an Erwerbstätige gestellt. Die Befragungen wurden im Zeitraum vom 24.-28.08.2020 und 23.-27.08.2021 durchgeführt. Die Befragungen fokussierten sich vor allem auf Erwartungen zu KI im beruflichen Kontext der Befragten selbst. Die Befragten konnten auf einer Skala von 1 (gar keine Veränderung) bis 5 (sehr starke Veränderung) antworten. In der Graphik sind die Antworten zu den Werten 1 und 2 sowie zu den Werten 4 und 5 zusammengefasst präsentiert. Weitere Informationen zur Befragung zum Thema „KI in der Arbeitswelt“, zum Projekt MeMo:KI und den ausführlichen Methodensteckbrief finden Sie in den jeweiligen Links.

Intransparenz bei der Datennutzung und Überwachung am Arbeitsplatz als am meisten befürchtete Konsequenzen durch KI genannt

Der Einsatz von KI in der Arbeitswelt birgt Chancen, aber auch Herausforderungen. Dieser Indikator zeigt, welche Folgen von KI für die Arbeitswelt Erwerbstätige befürchten. Auch hier liegt eine repräsentative Umfrage unter erwachsenen Erwerbstätigen ab 18 Jahren in Deutschland zugrunde.

Es werden vor allem Intransparenz bei der Datennutzung (44 %) und Überwachung am Arbeitsplatz (41 %) als befürchtete Konsequenzen genannt. Dagegen sind nur 12 % der Befragten darüber besorgt, dass ihre Qualifikation für die zukünftigen Anforderungen nicht mehr ausreichend sein könnte, und nur 9 % machen sich Gedanken darüber, dass sie durch den Einsatz von KI in ihrer Branche überfordert werden.

Dieser Indikator ergänzt den Indikator „Einschätzung der Veränderung der eigenen Arbeitswelt durch KI“ und unterstreicht, dass aus Sicht der Betroffenen vor allem der Bereich Datensicherheit eine große Rolle spielt. Veränderte Kompetenzanforderungen werden zwar erwartet (siehe oben), jedoch nur von wenigen für sich persönlich befürchtet.

Der Indikator bestätigt zudem die Tendenz des Indikators „Vermuteter Arbeitsplatzverlust durch KI“, dass Frauen die Folgen von KI grundsätzlich negativer einschätzen und 7 % der befragten Frauen angeben, dieses Phänomen nicht beurteilen zu können. Auch in diesem Fall könnte die Ursache hierfür darin liegen, dass sich Frauen weniger mit Technikthemen auseinandersetzen und weniger in solchen Berufen arbeiten, die sehr technisiert sind.

Im Vergleich der Altersgruppen zeigt sich, dass die 51-65-Jährigen größere Befürchtungen haben, obwohl sie sich mit den meisten Veränderungen innerhalb ihres Arbeitslebens vermutlich nur noch am Rande werden beschäftigen müssen. Dass die Befürchtungen trotzdem so hoch sind, kann daran liegen, dass es dieser Altersgruppe schwerer fällt, sich auf neue Umstände im Arbeitskontext einzustellen und dies Angst davor hervorruft, abgehängt zu werden. 

Befürchtete Konsequenzen durch KI

Inwieweit stimmen Sie den folgenden Aussagen bezüglich der Veränderungen in der Arbeitswelt durch KI zu oder nicht zu? Ich befürchte, dass… (Nur an Erwerbstätige; N für 2020 = 602, N für 2021 = 685)
  • KI-Definition: Im Rahmen dieser Befragung wurde den Befragten keine Definition von KI vorgegeben. Die Antworten der Befragten basieren folglich auf ihrer aktuellen Vorstellung von KI.

    Methodik: Die dem Indikator zugrunde liegenden Daten wurden durch das Projekt „Meinungsmonitor Künstliche Intelligenz [MeMo:KI]“ des Centers for Advanced Internet Studies und der Heinrich-Heine-Universität Düsseldorf in Zusammenarbeit mit dem KI-Observatorium im Rahmen einer Sonderbefragung zum Thema „KI in der Arbeitswelt“ erhoben. Die Befragung führte das Institut forsa Politik & Sozialforschung GmbH in einer Onlinebefragung unter Personen durch, die mindestens 18 Jahre alt waren und die mindestens gelegentlich das Internet nutzten.

    Für 2020 handelt es sich dabei um eine Zufallsstichprobe von 1001 Befragten, die nach den Kriterien Alter, Geschlecht und Region (Bundesland) gewichtet wurde (davon 60 % Erwerbstätige, 51 % weiblich, 32 % zwischen 18 und 39 Jahre alt, 64 % mit (Fach-)Abitur, 53 % mit einem Haushaltsnettoeinkommen von 3000 € oder mehr). In 2021 umfasste die Zufallsstichprobe 1011 Befragte und wurde nach denselben Kriterien gewichtet (davon 68 % Erwerbstätige, 51 % weiblich, 31 % zwischen 18 und 39 Jahre alt, 55 % mit (Fach-)Abitur, 47 % mit einem Haushaltsnettoeinkommen von 3000 € oder mehr). Die Befragungen wurden im Zeitraum vom 24.-28.08.2020 und 23.-27.08.2021 durchgeführt.

    Die Frage, auf der der Indikator beruht, wurde nur an Erwerbstätige gestellt. Die Befragungen wurden im Zeitraum vom 24.-28.08.2020 und 23.-27.08.2021 durchgeführt. Die Befragung fokussiert sich vor allem auf Erwartungen zu KI im beruflichen Kontext der Befragten selbst. Die Befragten konnten auf einer Skala von 1 (stimme überhaupt nicht zu) bis 5 (stimme voll und ganz zu) antworten. In der Graphik sind die Antworten zu den Werten 1 und 2 sowie zu den Werten 4 und 5 zusammengefasst präsentiert.

KI-Fachkräfte und ihre Kompetenzen sind stark nachgefragt. Daher ist es essentiell zu verstehen, wie sich die Situation von Arbeitnehmerinnen und Arbeitnehmern mit KI-Kompetenzen auf dem Arbeitsmarkt darstellt. Wie viele Menschen in Deutschland können KI programmieren, sie nutzen und steuern? Wo steht Deutschland bei den Zahlen zu KI-Fachkräften im internationalen Vergleich? Welche KI-Kompetenzen sind aktuell besonders gefragt – Kenntnisse zu maschinellem Lernen, Deep Learning oder einem anderen Bereich? Erste Antworten auf diese Fragen liefern die in dem Themenfeld „Kompetenzen“ dargestellten Indikatoren.

Maschinelles Lernen: Unangefochtene Nr. 1 bei den KI-Kompetenzen in Deutschland

Welche KI-Kompetenzen sind in Deutschland besonders gefragt und aktuell? Um diese Frage zu beantworten, werden zwei Indikatoren herangezogen. Der erste Indikator zeigt, welche Fähigkeiten in den Jahren 2015-2020 die am häufigsten hinzugefügten KI-Kompetenzen unter LinkedIn-Nutzer*innen in Deutschland waren. Der zweite Indikator gibt für denselben Zeitraum an, bei welchen KI-Kompetenzen der größte prozentuale Zuwachs in der Häufigkeit der Nennung durch LinkedIn-Nutzer*innen zu sehen war (im Jahresvergleich). 

Bei den größten Veränderungen der Nennung der KI-Kompetenzen im Jahresvergleich (zweiter Indikator) fällt auf, dass sich sowohl die Reihenfolge als auch die Kompetenzen so gut wie jedes Jahr vollkommen ändern. Waren die drei wichtigsten KI-Kompetenzen im Jahr 2019 Mustererkennung, Spracherkennung und Convolutional Neural Networks, so waren es im Jahr 2020 Datenstrukturen, Pandas (Software) und Julia (Programmiersprache). 

Dieser Indikator zeichnet ein reiches Bild davon, welche Fähigkeiten sich hinter dem viel gebrauchten Begriff „KI-Kompetenzen“ – insbesondere in Deutschland – verbergen. 

Top KI-Kompetenzen nach Häufigkeit (2015-2020) (Deutschland)

KI-Kompetenzen, die in den Jahren 2015-2020 am häufigsten von LinkedIn-Nutzer*innen in Deutschland hinzugefügt wurden

  1. Maschinelles Lernen
  2. Künstliche Intelligenz (KI)
  3. Deep Learning
  4. Computer Vision
  5. Bildverarbeitung
  6. TensorFlow
  7. Natural Language Processing (NLP)
  8. OpenCV
  9. Keras
  10. Neuronale Netze

LinkedIn Economic Graph, Dezember 2020

Top KI-Kompetenzen bezogen auf den größten Zuwachs im Vergleich zum Vorjahr (2015-2020) (Deutschland)

KI-Kompetenzen, die in den Jahren 2015-2020 den größten Zuwachs im Jahresvergleich durch die Nennung von LinkedIn-Nutzer*innen in Deutschland aufwiesen

LinkedIn Economic Graph, Dezember 2020
Ranking20162017201820192020
1Bestärkendes LernenAlexaConvolutional Neural Networks (CNN)MustererkennungDatenstrukturen
 
2RapidMinerCaffeKerasSpracherkennungPandas (Software)
3AlgorithmenentwicklungTensorFlowBestärkendes LernenConvolutional Neural Networks (CNN)Julia (Programmiersprache)
4Künstliche neuronale NetzeKerasKünstliche Intelligenz (KI)Resource Description Framework (RDF)
 
Ontologien
5Deep LearningJulia (Programmiersprache)SentimentanalyseAlgorithmenentwicklungPyTorch
6WekaDeep LearningPyTorchBestärkendes LernenNatural Language Processing (NLP)
7KlassifizierungPyTorchDatenstrukturenSupport Vector Machine (SVM)Mustererkennung
8Neuronale NetzeScikit-LearnTextanalyseDatenstrukturenKünstliche neuronale Netze
9Support Vector Machine (SVM)RapidMinerAlgorithmische GeometrieTextanalyseComputer Vision
103D-RekonstruktionBestärkendes LernenOpenCVBildverarbeitungMaschinelles Lernen

 

  • Hinweis: LinkedIn-Daten stellen kein randomisiertes Sample der erwerbstätigen Bevölkerung eines Landes dar. Sie basieren auf den Angaben der LinkedIn-Nutzer*innen und sind deshalb nicht unbedingt repräsentativ für alle Erwerbstätigen eines Landes, auch wenn in vielen Ländern ein hoher Anteil der Erwerbstätigen LinkedIn-Nutzer*innen sind. Die hier vorgestellten Analysen zeigen die Welt aus der Sicht von LinkedIn, d.h. Ergebnisse werden dadurch beeinflusst, wer LinkedIn nutzt und wie LinkedIn genutzt wird. Je nach Land kann dies unterschiedlich sein und hängt u.a. vom professionellen, sozioökonomischen, regionalen oder kulturellen Hintergrund ab. In Deutschland sind weniger als 40% der erwerbstätigen Bevölkerung auf LinkedIn.

    KI-Definition: Die hier vorliegende Definition von KI-Kompetenzen umfasst eine Liste von Fähigkeiten, die von LinkedIn als KI-Kompetenzen identifiziert wurden. Zu dieser Liste gehören unter anderem maschinelles Lernen, Natural Language Processing, Data Structures, Artificial Intelligence, Computer Vision, Image Processing, Deep Learning, TensorFlow, Pandas (Software) und OpenCV. Die komplette Liste der KI-Kompetenzen ist Eigentum von LinkedIn und nicht öffentlich verfügbar. Für weitere Informationen zum LinkedIn Kompetenzcluster siehe auch: World Bank Group, LinkedIn (2018), Data insights: Jobs, skills and migration trends methodology & validation results, Appendix F.

    Methodik: Top KI-Kompetenzen nach Häufigkeit: Die Daten, die diesem Indikator unterliegen sind die zehn im Durchschnitt meistgenannten KI-Kompetenzen durch LinkedIn-Nutzer*innen in Deutschland in den Jahren 2015-2020. Künstliche Intelligenz ist ebenfalls eine der Kompetenzen die am zweithäufigsten von LinkedIn-Nutzer*innen zwischen 2015 und 2020 zu ihrem Profil hinzugefügt wurden. Auch wenn sich diese Kompetenz mit dem Obergriff der KI-Kompetenzgruppe deckt, existiert sie bei LinkedIn als einzelne Kompetenz, was daran liegt, dass LinkedIn-Nutzer*innen sie auf ihrem Profil als solche angeben. LinkedIns Kompetenz-Taxonomie ergibt sich aus den Kompetenzen, die LinkedIn-Nutzer*innen angeben. Diese werden von LinkedIn überprüft und als tatsächliche Kompetenz verifiziert und dann standardisiert, d.h. die Kompetenz-Taxonomie ist stark durch Nutzer*innen generiert. Top KI-Kompetenzen bezogen auf die größte Veränderung im Jahresvergleich: Die zehn Kompetenzen die in den jeweiligen Jahren den höchsten prozentualen Zuwachs von LinkedIn-Nutzer*innen in Deutschland hatten, die diese Kompetenzen zu ihrem Profil hinzugefügt haben. Weitere Informationen sind in der methodischen Anmerkung des OECD.AI Policy Observatoriums (OECD.AI) zu finden.

Nur 21% der KI-Talente in Deutschland sind Frauen

KI-Expert*innen sind auf dem Arbeitsmarkt hart umkämpft. Qualifizierte Mitarbeiter*innen für offene Stellen im KI-Bereich zu finden stellt Unternehmen, Hochschulen und Forschungseinrichtungen vor große Herausforderungen. Wie viele KI-Talente gibt es in Deutschland und anderen Ländern? Und wie sind Frauen in diesem zukunftsweisenden Bereich repräsentiert? In welchen Branchen arbeiten KI-Talente in Deutschland? Dieser Indikator zeigt die Anzahl von KI-Talenten in Deutschland, den USA, Großbritannien, Frankreich, der Schweiz, den Niederlanden und Dänemark. In Deutschland wurden 143.000 LinkedIn-Nutzer*innen als KI-Talente identifiziert. Die absolute Anzahl von KI-Talenten in den Ländern kann nicht direkt verglichen werden, da die Anzahl der Erwerbstätigen der Länder unterschiedlich groß ist, der Anteil der LinkedIn Nutzer*innen an der erwerbstätigen Bevölkerung variiert und Branchen und Arbeitsmarktbereiche je nach Land unterschiedlich stark auf LinkedIn repräsentiert sind. Auch wenn die Zahlen international nicht direkt vergleichbar sind, geht LinkedIn davon aus, dass KI-Trends auf der Plattform gut abgebildet werden, da Mitglieder eine Affinität zum Digitalbereich haben. Es zeigt sich deutlich, dass noch mehr getan werden muss, um Frauen im Bereich KI zu fördern. Der Anteil von Frauen an den KI-Talenten ist in Deutschland im Vergleich zu den anderen Ländern relativ gering. Nur 21% der KI-Talente in Deutschland sind Frauen. In den USA sind immerhin 28% der KI-Talente Frauen, in Großbritannien 27%. In Deutschland arbeiten die meisten KI-Talente in der IKT-Branche (31% verglichen mit 12% aller LinkedIn-Nutzer*innen in Deutschland).

Anzahl der KI-Talente nach Ländern und Anteil nach Gender (Dezember 2020)

LinkedIn Economic Graph, Dezember 2020, KI-Definition und Methodik: siehe Indikator KI-Talente nach Branche (Deutschland)
LandAnzahl der KI-TalenteWeiblichMännlich
Deutschland143.00021%79%
Schweiz30.00023%77%
Vereinigte Staaten von Amerika970.00028%72%
Dänemark17.00025%75%
Niederlande44.00026%74%
Großbritannien147.00027%73%
Frankreich106.00027%73%

KI-Talente nach Branche (Deutschland) (Dezember 2020)

KI-Talente unter LinkedIn-Nutzer*innen im Jahr 2020 nach Branchenzugehörigkeit
  • Hinweis: LinkedIn-Daten stellen kein randomisiertes Sample der erwerbstätigen Bevölkerung eines Landes dar. Sie basieren auf den Angaben der LinkedIn-Nutzer*innen und sind deshalb nicht unbedingt repräsentativ für alle Erwerbstätigen eines Landes, auch wenn in vielen Ländern ein hoher Anteil der Erwerbstätigen LinkedIn-Nutzer*innen sind. Die hier vorgestellten Analysen zeigen die Welt aus der Sicht von LinkedIn, d.h. Ergebnisse werden dadurch beeinflusst, wer LinkedIn nutzt und wie LinkedIn genutzt wird. Je nach Land kann dies unterschiedlich sein und hängt u.a. vom professionellen, sozioökonomischen, regionalen oder kulturellen Hintergrund ab. 

    KI-Definition: Als KI-Talent definiert wird jede/r LinkedIn-Nutzer*in, die/der auf ihrem/seinem LinkedIn-Profil explizit eine der von LinkedIn identifizierten KI-Kompetenzen aufgelistet hat oder einen von LinkedIn als KI-Beruf definierten Jobtitel angibt. Beispiele für die von LinkedIn als KI-Kompetenzen identifizierten Kompetenzen sind unter anderem maschinelles Lernen, Natural Language Processing, Data Structures, Artificial Intelligence, Computer Vision, Image Processing, Deep Learning, TensorFlow, Pandas (software) and OpenCV. Beispiele von KI-Berufen sind unter anderem Machine Learning Engineer, Artificial Intelligence Engineer, und Computer Vision Engineer. Die komplette Liste an KI-Kompetenzen und KI-Berufen ist Eigentum von LinkedIn und nicht öffentlich verfügbar.

    Methodik: Die hier dargestellten Daten repräsentieren den Stand der Daten von LinkedIn zu einem bestimmten Zeitpunkt im Dezember 2020. LinkedIns Economic Graph zufolge repräsentieren die LinkedIn-Nutzer*innen der genannten Länder mindestens 40% der erwerbstätigen Bevölkerung, so dass die Qualität der Daten gewährleistet werden kann. Die Qualität der Daten für Deutschland ist jedoch aufgrund einer geringeren Durchdringung von LinkedIn in der erwerbtätigen Bevölkerung geringer als der Rest der Daten. Die Genderzugehörigkeit wird nicht von LinkedIn-Nutzer*innen angegeben, sondern wird aufgrund der Vornamen der LinkedIn-Nutzer*innen abgeleitet. Die Software, die LinkedIn für diese Identifizierung nutzt, ist von LinkedIn eigens programmiert worden. Die im Indikator 5.2. angebenden Branchen entsprechen der Klassifizierung von LinkedIn. Die Zuordnung der LinkedIn-Branchen auf die europäische statistische Klassifizierung von ökonomischen Aktivitäten (NACE) kann bei der Einordnung der LinkedIn-Branchen hilfreich sein.

Hoher Bedarf an KI-Talenten in Deutschland

Der Nachfrage nach mehr KI-Talenten und KI-Kompetenzen wird oft thematisiert. So auch in einer Studie aus dem Jahr 2019, die vom Bundesministerium für Wirtschaft und Energie beauftragt wurde und vom Leibniz-Zentrum für Europäische Wirtschaftsforschung durchgeführt wurde. Die Studie bestätigt, dass es einen hohen Bedarf an KI-Expert*innen gibt: 30% der KI-einsetzenden Unternehmen in Deutschland hatten im Jahr 2019 offene Stellen in diesem Bereich zu besetzen.

Welches Bild zeichnet sich hinsichtlich der Einstellungsraten von KI-Talenten in anderen OECD-Ländern ab? Dieser Indikator zeigt, dass die Einstellungsrate von KI-Expert*innen in Deutschland im Jahr 2020 1,58-mal höher war als im Jahr 2016. Die größten Veränderungen der KI-Einstellungsraten können in Chile und in der Türkei beobachtet werden (was an einer niedrigeren Ausgangsrate liegen kann). In Slowenien ist die KI-Einstellungsrate in 2020 geringer als in 2016.

Einstellungsraten von KI-Talenten in ausgewählten OECD-Ländern (Dezember 2020)

Der KI-Einstellungsraten-Index ist auf die durchschnittliche KI-Einstellungsrate im Jahr 2016 indiziert. Hier dargestellt sind nur OECD Länder mit 100,000 LinkedIn-Mitgliedern oder mehr.
  • Hinweis: LinkedIn-Daten stellen kein randomisiertes Sample der erwerbstätigen Bevölkerung eines Landes dar. Sie basieren auf den Angaben der LinkedIn-Nutzer*innen und sind deshalb nicht unbedingt repräsentativ für alle Erwerbstätigen eines Landes, auch wenn in vielen Ländern ein hoher Anteil der Erwerbstätigen LinkedIn-Nutzer*innen sind. Die hier vorgestellten Analysen zeigen die Welt aus der Sicht von LinkedIn, d.h. Ergebnisse werden dadurch beeinflusst, wer LinkedIn nutzt und wie LinkedIn genutzt wird. Je nach Land kann dies unterschiedlich sein und hängt u.a. vom professionellen, sozioökonomischen, regionalen oder kulturellen Hintergrund ab. In diesem Indikator sind nur OECD-Länder mit 100.000 LinkedIn-Mitgliedern oder mehr dargestellt.

    KI-Definition: KI-Talent ist hier definiert als jede/r LinkedIn-Nutzer*in, der/die auf seinem/ihrem LinkedIn-Profil explizit eine der von LinkedIn identifizierten KI-Kompetenzen aufgelistet hat oder der/die einen von LinkedIn definierten KI-Beruf im Lebenslauf genannt hat. Beispiele für die von LinkedIn als KI-Kompetenzen identifizierten Kompetenzen sind unter anderem maschinelles Lernen, Natural Language Processing, Data Structures, Artificial Intelligence, Computer Vision, Image Processing, Deep Learning, TensorFlow, Pandas (Software) und OpenCV. Beispiele, die von LinkedIn als KI-Berufe klassifiziert werden, sind unter anderem Machine Learning Engineer, Artificial Intelligence Engineer, Computer Vision Engineer. Die komplette Liste an KI-Kompetenzen und KI-Berufen ist Eigentum von LinkedIn und nicht öffentlich verfügbar.

    Methodik: Die Einstellungsrate von KI-Talenten wird von LinkedIn für jedes Land wie folgt berechnet: Die Anzahl von KI-Talenten, die im Jahr 2020 in ihrem LinkedIn-Profil in einem Monat sowohl einen neuen Arbeitsplatz als auch eine/n neue/n Arbeitgeber*in angegeben haben, dividiert durch die Anzahl aller LinkedIn-Nutzer*innen in einem Land. Weitere Informationen sind in der methodischen Anmerkung des OECD.AI Policy Observatoriums (OECD.AI) zu finden.

Kontinuierlicher Anstieg der Einstellungsrate von KI-Talenten in Deutschland

Wie bereits mit Indikator „Einstellungsraten von KI-Talenten in ausgewählten OECD-Ländern“ deutlich wird, werden KI-Talente stark nachgefragt: Ihre Fähigkeiten und Kompetenzen sind für Anwendungen Künstlicher Intelligenz erforderlich, zugleich gibt es auf dem Arbeitsmarkt jedoch zu wenige von ihnen. Vor diesem Hintergrund stellt sich die Frage, wie sich die Nachfrage nach Arbeitnehmer*innen mit KI-Kompetenzen in den letzten Jahren verändert hat. Daher zeigt dieser Indikator, mit welcher Rate KI-Talente in Deutschland eingestellt werden. Das Ergebnis: Im Zeitverlauf ist zu sehen, dass sie seit 2017 vermehrt eingestellt wurden, was die starke Nachfrage nach KI-Talenten verdeutlicht.

Einstellungsrate von KI-Talenten im Zeitverlauf in Deutschland

monatlich 2017-2020
  • Hinweis: LinkedIn-Daten stellen kein randomisiertes Sample der erwerbstätigen Bevölkerung eines Landes dar. Sie basieren auf den Angaben der LinkedIn-Nutzer*innen und sind deshalb nicht unbedingt repräsentativ für alle Erwerbstätigen eines Landes, auch wenn in vielen Ländern ein hoher Anteil der Erwerbstätigen LinkedIn-Nutzer*innen sind. Die hier vorgestellten Analysen zeigen die Welt aus der Sicht von LinkedIn, d.h. Ergebnisse werden dadurch beeinflusst, wer LinkedIn nutzt und wie LinkedIn genutzt wird. Je nach Land kann dies unterschiedlich sein und hängt u.a. vom professionellen, sozioökonomischen, regionalen oder kulturellen Hintergrund ab. In Deutschland sind weniger als 40% der erwerbstätigen Bevölkerung auf LinkedIn.

    KI-Definition: KI-Talent ist hier definiert als jede/r LinkedIn-Nutzer*in, der/die auf seinem/ihrem LinkedIn-Profil explizit eine der von LinkedIn identifizierten KI-Kompetenzen aufgelistet hat oder der/die einen von LinkedIn definierten KI-Beruf im Lebenslauf genannt hat. Beispiele für die von LinkedIn als KI-Kompetenzen identifizierten Kompetenzen sind unter anderem maschinelles Lernen, Natural Language Processing, Data Structures, Artificial Intelligence, Computer Vision, Image Processing, Deep Learning, TensorFlow, Pandas (Software) und OpenCV. Beispiele, die von LinkedIn als KI-Berufe klassifiziert werden, sind unter anderem Machine Learning Engineer, Artificial Intelligence Engineer, Computer Vision Engineer. Die komplette Liste an KI-Kompetenzen und KI-Berufen ist Eigentum von LinkedIn und nicht öffentlich verfügbar.

    Methodik: Die Einstellungsrate von KI-Talenten wird von LinkedIn für jedes Land wie folgt berechnet: Die Anzahl von KI-Talenten, die für 2020 in ihrem LinkedIn-Profil im selben Monat einen neuen Arbeitsplatz und eine/n neue/n Arbeitgeber*in angegeben haben, dividiert durch die Anzahl aller LinkedIn-Nutzer*innen in einem Land. Der KI-Einstellungsraten-Index ist als gleitender Durchschnitt über zwölf Monate berechnet, um die Kurve zu glätten. Weitere Informationen sind in der methodischen Anmerkung des OECD.AI Policy Observatoriums (OECD.AI) zu finden.

KI-Kompetenzen: Deutschland international auf Platz 2

Wie verbreitet sind KI-Kompetenzen in Deutschland im Vergleich zu anderen OECD-Ländern? Der Indikator „Relative Durchdringung von KI-Kompetenzen in OECD-Ländern“ – von LinkedIn entwickelt und vom OECD.AI Policy Observatorium genutzt – zeigt, dass LinkedIn-Nutzer*innen in Deutschland 1,58-mal so häufig KI-Kompetenzen angeben, wie der OECD-Durchschnitt. Im Vergleich zu anderen OECD-Ländern steht Deutschland damit auf dem zweiten Platz hinter den USA sowie vor Israel, Kanada, Südkorea, Japan, Großbritannien und Frankreich. Das zeigt, dass Deutschland hinsichtlich KI-Kompetenzen international relativ gut aufgestellt ist, jedoch im Vergleich zu den USA noch etwas Aufholbedarf hat.

Relative Durchdringung von KI-Kompetenzen in OECD-Ländern

Vergleich relative Durchdringung von KI-Kompetenzen unter OECD Ländern mit 100.000 LinkedIn-Mitgliedern oder mehr (Durchschnitt für 2015-2020)
  • Hinweis: LinkedIn-Daten stellen kein randomisiertes Sample der erwerbstätigen Bevölkerung eines Landes dar. LinkedIn-Daten basieren auf den Angaben der LinkedIn-Nutzer*innen und sind deshalb nicht unbedingt repräsentativ für alle Erwerbstätigen eines Landes, auch wenn in vielen Ländern ein hoher Anteil der Erwerbstätigen LinkedIn-Nutzer*innen sind. Die hier vorgestellten Analysen präsentieren die Welt aus der Sicht von LinkedIn und diese wird dadurch beeinflusst, wie die LinkedIn-Nutzer*innen LinkedIn verwenden. Dies kann sehr vom professionellen, sozioökonomischen, regionalen oder kulturellen Hintergrund abhängen sowie von der Verfügbarkeit und Zugänglichkeit der LinkedIn-Webseite.

    KI-Definition: Die hier vorliegende Definition von KI-Kompetenzen umfasst eine Liste von Fähigkeiten, die von LinkedIn als KI-Kompetenzen identifiziert wurden. Zu dieser Liste gehören unter anderem maschinelles Lernen, Natural Language Processing, Data Structures, Artificial Intelligence, Computer Vision, Image Processing, Deep Learning, TensorFlow, Pandas (Software) und OpenCV. Die komplette Liste an KI-Kompetenzen ist Eigentum von LinkedIn und nicht öffentlich verfügbar. Für weitere Informationen zu LinkedIn Kompetenzcluster siehe auch: World Bank Group, LinkedIn (2018), Data insights: Jobs, skills and migration trends methodology & validation results, Appendix F.

    Methodik: Der Indikator „Relative Durchdringung von KI-Kompetenzen“ beruht auf dem von LinkedIn entwickelten Skills-Genom-Index, der die Top 50 für einen Jobtitel „sowohl einzigartigen und repräsentativen“ Kompetenzen erfasst und dann den Anteil der von LinkedIn als KI-Kompetenzen klassifizierten Kompetenzen an diesen errechnet. 
    Die Durchdringung mit KI-Kompetenzen in einem Land ist definiert als der durchschnittliche Anteil, den KI Kompetenzen in den Skills-Genomen aller Jobtitel in diesem Land darstellen. Da die Liste der Jobtitel von Land zu Land variieren kann, ist der Indikator nicht direkt über alle Länder hinweg vergleichbar. Um einen internationalen Vergleich des Indikators zu ermöglichen, ist die relative Durchdringung mit KI-Kompetenzen definiert als Verhältnis zwischen der Durchdringung mit KI-Kompetenzen in einem Land und der durchschnittlichen Durchdringung mit KI-Kompetenzen in allen Ländern. Dabei werden nur die Jobtitel einbezogen, die in allen Ländern vorkommen. In diesem Indikator werden nur Länder mit mehr als 100.000 LinkedIn Nutzer*Innen dargestellt. Es ist davon auszugehen, dass digitale Kompetenzen in den entwickelten Volkswirtschaften relativ gut auf LinkedIn aufgeführt werden. Weitere Informationen sind in der methodischen Anmerkung des OECD.AI Policy Observatoriums (OECD.AI) zu finden.

Über LinkedIn

Das berufliche Netzwerk LinkedIn vernetzt Arbeitnehmer*innen und Arbeitgeber*innen und bietet eine Plattform zum Informationsaustausch, zur Jobsuche sowie zur Weiterbildung und Vernetzung. Alle LinkedIn-Mitglieder haben die Möglichkeit, auf ihrem Profil ihre Fähigkeiten anzugeben. Den Profilen der Mitglieder stehen Stellenanzeigen gegenüber, die von Unternehmen über die Plattform veröffentlicht werden. Weltweit gibt es derzeit etwa 740 Millionen LinkedIn-Mitglieder und es wird über elf Millionen offene Stellen informiert.

Alle LinkedIn-Mitglieder haben die Möglichkeit, auf ihrem Profil ihre Kompetenzen anzugeben. Die genannten Fähigkeiten der Mitglieder stellen Selbsteinschätzungen dar, können aber durch das persönliche Netzwerk bestätigt werden. Aktuell gibt es mehr als 35.000 unterschiedliche, standardisierte Kompetenzen, die von LinkedIn klassifiziert wurden. Diese werden ständig aktualisiert, indem neu aufkommende Fähigkeiten der Mitglieder durch Algorithmen erfasst werden. Die angegebenen Kompetenzen der Mitglieder werden von LinkedIn in eine Taxonomie von 249 Kompetenzclustern gruppiert, die auf anonymisierte Weise statistisch für diesen Datensatz ausgewertet wurden.

Die Daten des Karrierenetzwerks umfassen die unterschiedlichen Bereiche des deutschen Arbeitsmarkts nicht im gleichen Maße. Einige Branchen und Regionen sind stärker vertreten als andere. Vor allem die Wirtschaftszweige „Industrie“, „freiberufliche, wissenschaftliche, technische Dienstleistungen“ und „Information und Kommunikation“ sind gut vertreten. Im Gegensatz zur amtlichen Statistik sind die Teilnahme am LinkedIn-Netzwerk und die Angaben der Mitglieder freiwillig.

Die Denkfabrik Digitale Arbeitsgesellschaft und das KI-Observatorium analysieren Arbeit in ihren gesellschaftlichen Bezügen. Dies gilt auch für ein umfassendes Verständnis von KI-Technologien. Inwiefern ist die gesellschaftliche Diversität in der KI-Forschung repräsentiert? Wie hoch ist die Akzeptanz der Bevölkerung für einen KI-Einsatz außerhalb der Arbeitswelt – zum Beispiel in staatlichen Organisationen?

Klare Ablehnung des KI-Einsatzes vor Gericht und bei politischen Entscheidungen

Wie stehen die Menschen in Deutschland zum Einsatz von KI in verschiedenen Gesellschaftsfeldern? Dieser Indikator zeigt, dass es durchaus unterschiedliche Bewertungen von KI-Lösungen in verschiedenen Anwendungsfeldern gibt.

Die größte Zustimmung für den Einsatz von KI gibt es in der industriellen Produktion und die größte Ablehnung für den Einsatz von KI vor Gericht und bei politischen Entscheidungen. Es lässt sich auch feststellen, dass die Verwendung von KI durch staatliche Institutionen im Vergleich zum Einsatz in Unternehmen eher auf Ablehnung stößt. Männer beurteilen KI in der Regel optimistischer als Frauen. 18-39-Jährige wie auch über 70-Jährige befürworten KI in mehr Anwendungsfeldern als 40-69-Jährige. Diese Ergebnisse legen nahe, dass die mit KI-Anwendungen verbundenen Risiken in der Gesellschaft unterschiedlich eingeschätzt werden.

Akzeptanz von KI in verschiedenen Gesellschaftsbereichen

Wie beurteilen Bürger*innen den Einsatz Künstlicher Intelligenz in verschiedenen Gesellschaftsbereichen? Bewerten Sie auf einer Skala von 1-5, ob Sie den Einsatz von KI in diesen Gesellschaftsbereichen ablehnen (1) oder befürworten (5).
  • KI-Definition: Im Rahmen dieser Befragung wurde den Befragten keine Definition von KI vorgegeben. Die Antworten der Befragten basieren folglich auf ihrer aktuellen Vorstellung von KI.

    Methodik: Die dem Indikator zu Grunde liegenden Daten beruhen auf einer Befragung von etwa 4.005 Personen ab 18 Jahren, die mindestens gelegentlich das Internet nutzen. Die Befragung wird vom Institut forsa Politik & Sozialforschung GmbH Projektes zunächst alle vier Wochen (KW 33 2020 bis KW 13 2021) im Rahmen des Projektes „Meinungsmonitor Künstliche Intelligenz (MeMo:KI)“ des Centers for Advanced Internet Studies und der Heinrich-Heine-Universität Düsseldorf durchgeführt. Das Projekt wurde bis März 2021 vom Ministerium für Kultur und Wissenschaft des Landes NRW gefördert. Seit April 2021 besteht eine Förderung des Projekts durch die Stiftung Mercator.

    Die genaue Fragestellung, die den Befragten präsentiert wurde lautete: „In der Gesellschaft gibt es verschiedene Ansichten zum Einsatz von Künstlicher Intelligenz in verschiedenen Bereichen. Manche Menschen sind eher dafür, manche dagegen. Im Folgenden sehen Sie unterschiedliche Bereiche, in denen zukünftig Künstliche Intelligenz zum Einsatz kommen könnte aufgelistet, sind Sie eher für oder gegen den Einsatz von Künstlicher Intelligenz...“ Die Antwortmöglichkeiten bewegen auf einer Skala von 1 (voll und ganz dagegen) bis 5 (voll und ganz dafür). Insgesamt sind Antworten von 4.005 Befragten aus einer für die Merkmale Geschlecht, Alter und Region (Bundesland) gewichteten Stichprobe dargestellt. Die Daten wurden dann aggregiert und es wurde ein Durchschnitt für den Zeitraum Januar bis April 2021 (KW 1, 5, 9, 13; N=4.005 Befragte) ermittelt.

    Weiterführende Informationen:
    Projekt MeMo:KI - CAIS NRW
    ausführlicher Methodensteckbrief

Die Bedeutung von KI im öffentlichen Diskurs ist gestiegen

Der Diskurs zu KI und damit auch die Sichtbarkeit des Themas nehmen über die Zeit zu. Dies zeigt sich an Daten der Social-Media-Plattform Twitter, die einen Teil des gesellschaftlichen Diskurses zu KI abbildet. Die Menge an KI-Tweets ist stark gewachsen und macht bis zu 15 Prozent aller untersuchten Tweets aus. Grund für den Anstieg könnten politische Ereignisse des Jahres 2018 mit Bezug zu KI sein, die verstärkt rezipiert und diskutiert wurden: Dazu zählen die Vorstellung der KI-Strategien von Europäischer Union und Bundesregierung, die konstituierende Sitzung der Enquete-Kommission zu KI des deutschen Bundestages oder der Digital-Gipfel mit dem Schwerpunktthema KI. Durch den Ausbruch der COVID-19-Pandemie im Frühjahr 2020 wird das Thema KI gemessen am Anteil der Tweets in der öffentlichen Diskussion seither etwas verdrängt.

Die Analyse zeigt, dass das Thema KI in der öffentlichen Diskussion an Bedeutung gewonnen hat. Politische und gesellschaftliche Initiativen können dabei durchaus zu einer größeren Sichtbarkeit des Themas beitragen.

KI-Tweets im Zeitverlauf

  • KI-Definition: Als „KI-Tweets“ werden Tweets gezählt, die mindestens einen der folgenden Begriffe enthalten: „Künstliche Intelligenz“, „Maschinelles Lernen“, „Neuronale Netze“, „Deep Learning“ sowie ihre Abkürzungen, Deklinationsformen und englischen Übersetzungen.

    Methodik: 27 Twitter-Accounts wurden als Startpunkt (“Startaccounts”) für eine Netzwerkanalyse definiert, um aus deren Netzwerk weitere relevante Accounts in der Debatte zu KI und Gesellschaft zu identifizieren. Die Netzwerkanalyse beruht auf den Follower-Beziehungen der Accounts. Für die Analyse wurden alle Accounts herangezogen, denen im Oktober 2021 mindestens sechs der 27 Startaccounts folgten und die einen Bezug zu KI und Digitalisierung haben (135 Accounts). Accounts von Privatpersonen, Ministerien, Universitäten und Nachrichtenplattformen sowie internationale Accounts wurden nicht berücksichtigt. Die daraus resultierende Stichprobe umfasst insgesamt über 200.000 Tweets. Davon enthalten 14.000 Tweets Begriffe entsprechend unserer KI-Definition. Unkommentierte Retweets sind aus der Stichprobe ausgenommen. Reguläre Tweets, Antworten und kommentierte Retweets, sogenannte „Quote Tweets“, sind eingeschlossen. Die Anzahl an Tweets pro Account ist durch die Twitter-API auf die letzten 3.200 Tweets begrenzt. Der Anteil an KI-Tweets errechnet sich aus dem Verhältnis von KI-Tweets zur Anzahl aller Tweets des jeweiligen Monats in der Stichprobe.

    Hinweis: Twitter stellt nur einen Teil des öffentlichen Raumes und der Diskussion zu KI und Gesellschaft dar und ist daher nicht unbedingt repräsentativ für die Entwicklungen und Diskurse eines Landes. Die hier untersuchte Stichprobe bezieht sich ausschließlich auf Twitter-Accounts von Organisationen mit Bezug zu KI und Digitalisierung.

Unterschiedliche Trends der öffentlichen Diskussion zu einzelnen KI-Themenfeldern

KI ist für viele Bereiche der Gesellschaft relevant. Auf Basis von Retweets der Social-Media-Plattform Twitter kann die Resonanz eines Tweets gemessen werden. Für einzelne Themenfelder ergeben sich unterschiedliche Resonanz-Trends. Dies zeigt, dass also durchaus themenspezifische Diskussionen zu KI bestehen.  

Die Themen „Arbeit“, „Ethik & Gesellschaft“ sowie „Politik“ und „Sicherheit“ beispielweise treten besonders in den Jahren 2018 bzw. 2019 hervor. Dementgegen steht der Verlauf des Themas „Bildung“. Hier ist seit 2017 ein anhaltender, wenn auch von Schwankungen geprägter Aufwärtstrend erkennbar. In Q3 2021 ist „Bildung" das Thema mit den meisten Retweets.

Thementrends im Laufe der Zeit

  • KI-Definition: Als „KI-Tweets“ werden Tweets gezählt, die mindestens einen der folgenden Begriffe enthalten: „Künstliche Intelligenz“, „Maschinelles Lernen“, „Neuronale Netze“, „Deep Learning“ sowie ihre Abkürzungen, Deklinationsformen und englischen Übersetzungen.

    Methodik: 27 Twitter-Accounts wurden als Startpunkt (“Startaccounts”) für eine Netzwerkanalyse definiert, um aus deren Netzwerk weitere relevante Accounts in der Debatte zu KI und Gesellschaft zu identifizieren. Die Netzwerkanalyse beruht auf den Follower-Beziehungen der Accounts. Für die Analyse wurden alle Accounts herangezogen, denen im Oktober 2021 mindestens sechs der 27 Startaccounts folgten und die einen Bezug zu KI und Digitalisierung haben (135 Accounts). Accounts von Privatpersonen, Ministerien, Universitäten und Nachrichtenplattformen sowie internationale Accounts wurden nicht berücksichtigt. Die daraus resultierende Stichprobe umfasst insgesamt über 200.000 Tweets. Davon enthalten 14.000 Tweets Begriffe entsprechend unserer KI-Definition. Unkommentierte Retweets sind aus der Stichprobe ausgenommen. Reguläre Tweets, Antworten und kommentierte Retweets, sogenannte „Quote Tweets“, sind eingeschlossen. Die Anzahl an Tweets pro Account ist durch die Twitter-API auf die letzten 3.200 Tweets begrenzt. Der Anteil an KI-Tweets errechnet sich aus dem Verhältnis von KI-Tweets zur Anzahl aller Tweets des jeweiligen Monats in der Stichprobe. Der Retweet-Index als Maß der Auseinandersetzung mit einem Thema errechnet sich aus der Summe aller Retweets zu einem Thema im Verhältnis zur Anzahl aller Tweets der Stichprobe des jeweiligen Monats. Alle Retweets, nicht nur jene von den Stichprobenaccounts, wurden herangezogen. Da die Studie im November 2021 endete, umfasst das Quartal Q4 2021 nur die beiden Monate Oktober und November. Grundlage zur Identifikation von Tweets zu den sechs Themen sind jeweils deutsche und englische Wortstämme und Derivate folgender Begriffe:

    • Arbeit: Arbeit, Fachkraft, Beschäftigte
    • Ethik & Gesellschaft: Gesellschaft, Gemeinwohl, Teilhabe, Partizipation, Solidarität, Sozial, Gerechtigkeit, Nachhaltigkeit, Ethik, Moral, Fairness, Diskriminierung, Bias, Vorurteil, Stereotyp
    • Politik: Politik, Regierung
    • Bildung: Bildung, Kompetenz, Lehre, Universität, Schule, MOOC (Massive Open Online Course)
    • Sicherheit: Sicherheit, Vertrauen, Verlässlichkeit, Kontrolle, Transparenz, Nachvollziehbarkeit, Blackbox, Erklärbarkeit, Robustheit
    • Regulierung: Regulierung, Zertifizieren, Normieren, Standard, Verbot, Gesetz, Audit, Legal

    Hinweis: Twitter stellt nur einen Teil des öffentlichen Raumes und der Diskussion zu KI und Gesellschaft dar und ist daher nicht unbedingt repräsentativ für die Entwicklungen und Diskurse eines Landes. Die hier untersuchte Stichprobe bezieht sich ausschließlich auf Twitter-Accounts von Organisationen mit Bezug zu KI und Digitalisierung.

Unterschiedliche Akteure tragen zum Diskurs über KI bei

Die Relevanz von KI für unterschiedliche gesellschaftliche Bereiche spiegelt sich idealerweise in der Vielfalt der Akteure wider, die sich an der öffentlichen Diskussion beteiligen. Unter den meistzitierten institutionellen Twitteraccounts sind unter anderem Stiftungen, Forschungseinrichtungen, Cluster in der KI-Wirtschaft, Initiativen der KI-Strategie der Bundesregierung, gemeinnützige Vereine oder Bildungsangebote. Fünf der insgesamt 17 meistzitierten Twitter-Accounts haben themenunabhängig eine hohe Reichweite. Bei den Themenfeldern „KI und Arbeit“ sowie „KI, Ethik und Gesellschaft“ kommen jeweils Institutionen zu den Akteuren mit hoher Reichweite hinzu. Es besteht somit auch eine themenfokussierte öffentliche Diskussion, was insgesamt auf eine vertiefte und vielfältige Debatte rund um den Einsatz von KI schließen lässt.

  • KI-Definition und Methodik

    KI-Definition: Als „KI-Tweets“ werden Tweets gezählt, die mindestens einen der folgenden Begriffe enthalten: „Künstliche Intelligenz“, „Maschinelles Lernen“, „Neuronale Netze“, „Deep Learning“ sowie ihre Abkürzungen, Deklinationsformen und englischen Übersetzungen.

    Methodik: 27 Twitter-Accounts wurden als Startpunkt (“Startaccounts”) für eine Netzwerkanalyse definiert, um aus deren Netzwerk weitere relevante Accounts in der Debatte zu KI und Gesellschaft zu identifizieren. Die Netzwerkanalyse beruht auf den Follower-Beziehungen der Accounts. Für die Analyse wurden alle Accounts herangezogen, denen im Oktober 2021 mindestens sechs der 27 Startaccounts folgten und die einen Bezug zu KI und Digitalisierung haben (135 Accounts). Accounts von Privatpersonen, Ministerien, Universitäten und Nachrichtenplattformen sowie internationale Accounts wurden nicht berücksichtigt. Die daraus resultierende Stichprobe umfasst insgesamt über 200.000 Tweets. Davon enthalten 14.000 Tweets Begriffe entsprechend unserer KI-Definition. Unkommentierte Retweets sind aus der Stichprobe ausgenommen. Reguläre Tweets, Antworten und kommentierte Retweets, sogenannte „Quote Tweets“, sind eingeschlossen. Die Anzahl an Tweets pro Account ist durch die Twitter-API auf die letzten 3.200 Tweets begrenzt. Der Anteil an KI-Tweets errechnet sich aus dem Verhältnis von KI-Tweets zur Anzahl aller Tweets des jeweiligen Monats in der Stichprobe. Grundlage für diesen Indikator sind alle Tweets der Stichprobe ab 2019. Die Summe aller Retweets von (1) KI-Tweets, (2) Tweets zu KI und Arbeit und (3) Tweets zu KI und Ethik & Gesellschaft wurde pro Account errechnet. Die hier gelisteten Accounts sind die zehn Accounts mit den meisten Retweets bei einer Mindestanzahl von zehn Tweets zum jeweiligen Thema. Alle Retweets, nicht nur jene von den Stichprobenaccounts, wurden herangezogen. Tweets zu einem Thema wurden nur gezählt, wenn sie im Kontext von KI verwendet werden. Grundlage zur Identifikation von Tweets zu den beiden Themen sind jeweils deutsche und englische Wortstämme und Derivate folgender Begriffe:

    • Arbeit: Arbeit, Fachkraft, Beschäftigte
    • Ethik & Gesellschaft: Gesellschaft, Gemeinwohl, Teilhabe, Partizipation, Solidarität, Sozial, Gerechtigkeit, Nachhaltigkeit, Ethik, Moral, Fairness, Diskriminierung, Bias, Vorurteil, Stereotyp.

    Hinweis: Twitter stellt nur einen Teil des öffentlichen Raumes und der Diskussion zu KI und Gesellschaft dar und ist daher nicht unbedingt repräsentativ für die Entwicklungen und Diskurse eines Landes. Die hier untersuchte Stichprobe bezieht sich ausschließlich auf Twitter-Accounts von Organisationen mit Bezug zu KI und Digitalisierung.

  • Übersicht

    Das Diagramm zeigt, welche Twitterkonten zu den drei Themenfeldern „KI gesamt“, „KI und Arbeit“ und „KI und Ethik & Gesellschaft“ am häufigsten zitiert werden. Beim Thema „KI gesamt“ gehören die Konten @_KINRW, @BremenAI, @FraunhoferIAIS und @KICampus zu den 10 am häufigsten zitierten, beim Thema „KI und Arbeit“ die Konten @boeckler_de, @iaostuttgart, @plattform_i40 und @zukunftdarbeit und beim Thema „KI und Ethik & Gesellschaft“ die Konten @algoethik, @join_ada und @JWI_Berlin.

    Einige Konten werden zudem zu mehreren Themenfeldern häufig zitiert. So zählt der Account @Cyber_Valley sowohl im Themenfeld „KI gesamt“ als auch in „KI und Ethik & Gesellschaft“ zu den am häufigsten zitierten Accounts, während in den Themenfeldern „KI und Arbeit“ und „KI und Ethik & Gesellschaft“ die Inhalte des Accounts @hiig_berlin besonders häufig in Retweets aufgenommen werden. Die Konten @DFKI, @informatikradar, @algorithmwatch, @denkfabrik_bmas und @LernendeSysteme werden zu allen drei Themenbereichen häufig zitiert.

    Datensatz

    Folgende Konten werden am meisten zitiert (kein Ranking):

    KI gesamtKI und ArbeitKI und Ethik & Gesellschaft
    @_KINRW@boeckler_de@Cyber_Valley
    @BremenAI@iaostuttgart@DFKI
    @FraunhoferIAIS@plattform_i40@informatikradar
    @KICampus@zukunftdarbeit@algorithmwatch
    @DFKI@hiig_berlin@denkfabrik_bmas
    @informatikradar@DFKI@LernendeSysteme
    @algorithmwatch@informatikradar@hiig_berlin
    @denkfabrik_bmas@algorithmwatch@algoethik
    @LernendeSysteme@denkfabrik_bmas@join_ada
    @Cyber_Valley@LernendeSysteme@JWI_Berlin

    Darstellung

    Die Abbildung zeigt ein Venn-Diagramm mit drei verschiedenfarbigen Kreisen, denen jeweils ein Themenfeld zugeordnet ist. Das Themenfeld „KI gesamt“ wird in Pink, das Themenfeld „KI und Ethik & Gesellschaft“ in Gelb und das Themenfeld „KI und Arbeit“ in Blau dargestellt. Die Kreise überlappen sich so, dass insgesamt vier Schnittmengen zwischen ihnen entstehen: Drei Schnittmengen, die jeweils zwei Themenfelder umfassen, und eine Schnittmenge, die alle drei Themenfelder umfasst. Die Schnittmenge der Themenfelder „KI gesamt“ und „KI und Ethik & Gesellschaft“ ist in Orange, die Schnittmenge zwischen „KI und Arbeit“ und „KI gesamt“ in Lila und die Schnittmenge zwischen „KI und Arbeit“ und „KI und Ethik & Gesellschaft“ in Grün dargestellt. Im orangenen Feld steht das Konto @Cyber_Valley und im grünen Feld das Konto @hiig_berlin. Die Schnittmenge aller Kreise in der Mitte ist braun eingefärbt. Hier stehen die Twitterkonten @DFKI, @informatikradar, @algorithmwatch, @denkfabrik_bmas und @LernendeSysteme.

KI ist eine neue Technologie, die aktuell umfassend erforscht wird. Verlässliches Wissen über mögliche Anwendungsbereiche und Auswirkungen ist wichtig, um sie sinnvoll und nachhaltig nutzen zu können. Das KI-Observatorium beobachtet daher die Entwicklungen in der KI-Forschung in Deutschland, um daraus Erkenntnisse für Politik, Wirtschaft und Gesellschaft zu gewinnen. Indikatoren auf der Basis wissenschaftlicher Publikationen zeigen beispielsweise, wie aktiv in Deutschland zu KI geforscht wird und wie produktiv andere Länder sind.

Zunahme von Publikationen zu KI in Deutschland

Der erste Indikator zeigt, dass die Anzahl der Publikationen zu KI in Deutschland zwischen 2010 und 2021 kontinuierlich gestiegen ist. Einen starken Zuwachs haben auch Länder wie China und die USA zu verzeichnen. Die Zunahme der Publikationszahlen spiegelt die global gestiegene Forschungstätigkeit im Bereich KI wider. Eine Ursache könnten gestiegene Ausgaben für die KI-Forschung sein. 

Forschungsaktivitäten im internationalen Vergleich

Anzahl wissenschaftlicher Publikationen zum Thema KI (2010-2021), nach Ländern
  • KI-Definition: Eine Publikation wird als KI-Publikation definiert, wenn im Titel, in der Zusammenfassung oder in den Keywords KI-Schlüsselbegriffe enthalten sind. Beispiele für solche Begriffe sind: back-propagation neural network, genetics-based machine learning, cohen-grossberg neural networks, back-propagation algorithm und neural networks learning. Maschinelles Lernen wird auch genutzt, um ein Klassifizierungsmodell zu trainieren und zu bewerten und so die wichtigsten KI-Konzepte zu bestimmen. Die Zuordnung einer Publikation zu einem Land erfolgt über die institutionelle Zugehörigkeit des/der Autor*in. Die Publikation einer deutschen Forscherin an einer US-amerikanischen Universität wird also beispielsweise den USA zugeordnet. 

    Methodik: Die dem Indikator unterliegende Analyse wurde vom Wissenschaftsverlag Elsevier durchgeführt und vom OECD.AI Policy Observatorium (OECD.AI) veröffentlicht. Unter Anwendung von Methoden wie Natural Language Processing Techniques (NLP) wurde nach Schlüsselbegriffen in Titeln, Zusammenfassungen und Keywords gesucht. Die Schlüsselbegriffe wurden im Hinblick auf ihre Relevanz für das Forschungsfeld KI als hoch, mittel oder niedrig eingestuft und mit einem entsprechenden Gewicht versehen. Auf diese Weise wurden 5,7 Millionen Publikationen identifiziert. Weitere Informationen dazu finden sich unter: Elsevier (Scopus) data  - OECD.AI

Zu wenig Frauen in der KI-Forschung in Deutschland

Erste Untersuchungen unterstützen die These, dass Diversität in KI-Entwicklungsteams zu einer größeren Vielfalt an Perspektiven führt und damit in der Folge auch zu diverseren und inklusiveren KI-Systemen (Stathoulopoulos, K., J. Mateos-Garcia (2019)). Wie steht es mit der Diversität in der KI-Forschung?

Der Indikator zur Geschlechterdiversität in der KI-Forschung zeigt, wie stark Frauen an der Forschung zu KI teilnehmen im Vergleich zu Frauen in allen anderen Forschungsgebieten im jeweiligen Land. Demnach sind Frauen in Deutschland in der KI-Forschung leicht unterrepräsentiert (negativer Wert) im Vergleich zu anderen Ländern.

Geschlechterdiversität in der KI Forschung (2019), nach Ländern

Relative Repräsentation von KI-Publikationen mit mindestens einer Autorin auf arXiv (2019)
  • KI-Definition: Um Studien mit KI-Bezug auf arXiv zu identifizieren, wurde von Nesta ein eigenes Informationsgewinnungssystem entwickelt und nicht die Kategorien von arXiv verwendet (cs.AI, cs.NE). Das entwickelte Informationsgewinnungssystem basiert auf einer erweiterten Suchfragen-Methode und einem Konzept des maschinellen Lernens, das Wörter in einen Vektorraum projiziert. In dem Vektorraum ist es möglich, die Ähnlichkeiten zwischen Wörtern zu messen. Dieser Ansatz ermöglicht es – zusätzlich zu einem Begriff, mit dem man die Suche startet – auch Synonyme und verwandte Begriffe zu verwenden; dadurch wird die Vollständigkeit des Vokabulars in der Suchanfrage verbessert. Durch diese Methode wurden 2250 Suchbegriffe mit KI-Bezug identifiziert, die verwendet wurden, um Studien mit KI-Bezug auf ArXiv zu finden. Weitere Informationen finden Sie in  Gender Diversity in AI Research | Nesta.

    Methodik: Die dem Indikator unterliegende Analyse wurde von der britischen Innovationsstiftung Nesta durchgeführt und in der Studie „Gender Diversity in AI Research“ zusammen mit weiteren Ergebnisse zum Thema veröffentlicht. Die Daten, auf denen die Analyse basiert, kommen aus dem in der KI-Forschung viel genutzten Dokumentenserver für Preprints arXiv. Für die Analyse wurden im März 2019 über die Anwendungsprogrammierschnittstelle von arXiv alle verfügbaren Studien gesammelt. Studien ohne Zusammenfassung, die weniger als 300 Zeichen hatten oder von denen man erkennen konnte, dass sie von arXiv zurückgezogen wurden, wurden aus dem Datensatz entfernt. Rund 87% dieser Studien wurden außerdem mit der Datenbank von Microsoft Academic Graph, die weitere 140 Millionen Studien enthält, ergänzt. Die Zuordnung von einer Studie zu einem Land erfolgte vorwiegend über die Anwendung des API Google Places. Für die Zuordnung von Autor*innen zu Gender wurde die Gender API genutzt. Die relative Repräsentation von Frauen ist durch einen z-Test zum Vergleich des Anteils von Frauen in KI-Publikationen zum Anteil von Frauen in allen Publikationen dargestellt. Weitere Informationen finden sie in Gender Diversity in AI Research | Nesta.

Die Präsenz von Frauen in der KI-Forschung hat sich seit 2010 zudem kaum erhöht: Bis 2020 ist der Anteil von Frauen an deutschen wissenschaftlichen KI-Publikationen von 11,5 % auf lediglich 15 % gestiegen. 

Publikationsbeteiligungen von Forscherinnen im Bereich KI

Anteil Autorinnen an wissenschaftlichen Publikationen (Deutschland) (2010-2020)
  • KI-Definition: Eine Publikation wird als KI-Publikation definiert, wenn im Titel, in der Zusammenfassung oder in den Keywords KI-Schlüsselbegriffe enthalten sind. Beispiele für solche Begriffe sind: back-propagation neural network, genetics-based machine learning, cohen-grossberg neural networks, back-propagation algorithm und neural networks learning. Maschinelles Lernen wird auch genutzt, um ein Klassifizierungsmodell zu trainieren und zu bewerten und so die wichtigsten KI-Konzepte zu bestimmen. Die Zuordnung einer Publikation zu einem Land erfolgt über die institutionelle Zugehörigkeit des/der Autor*in. Die Publikation einer deutschen Forscherin an einer US-amerikanischen Universität wird also beispielsweise den USA zugeordnet. 

    Methodik: Die dem Indikator unterliegende Analyse wurde vom Wissenschaftsverlag Elsevier durchgeführt und vom OECD.AI Policy Observatorium (OECD.AI) veröffentlicht. Unter Anwendung von Methoden wie Natural Language Processing Techniques (NLP) wurde nach Schlüsselbegriffen in Titeln, Zusammenfassungen und Keywords gesucht. Die Schlüsselbegriffe wurden im Hinblick auf ihre Relevanz für das Forschungsfeld KI als hoch, mittel oder niedrig eingestuft und mit einem entsprechenden Gewicht versehen. Auf diese Weise wurden 5,7 Millionen Publikationen identifiziert. Das Geschlecht der Autor*innen wurde über eine API anhand des angegebenen Namens sowie des Herkunftslands (basierend auf dem Land der Zugehörigkeit, das aus den ersten Veröffentlichungen abgeleitet werden konnte) geschätzt. Das Verfahren liefert einen "Gender Probability Score", der eine Klassifizierung nach männlich/weiblich ermöglicht. Nur denjenigen Autor*innen, für die der Algorithmus eine Gender Probability Score von 85 % oder mehr ergab, wurde ein Geschlechtswert zugewiesen. Weitere Informationen dazu finden sich unter: The OECD Artificial Intelligence Policy Observatory - OECD.AI.