Der Kern dieser Arbeit ist das sichere Bedienen schwerer Maschinen an einem Ort, der wenig Fehlertoleranz erlaubt. Bohren, Lösen, Abstützen, Reinigen – oft mehrere Maschinen und Aufgaben in einer Schicht, unter Tage oder im Steinbruch.
Unter Tage oder im Steinbruch: Bergleute und Grubenarbeiter bedienen die Maschinen, mit denen Gestein, Erz und andere Rohstoffe aus dem Boden geholt werden.
Bergleute und Grubenarbeiter bedienen Anlagen, Maschinen und Handwerkzeuge zur Gewinnung von Gestein, Mineralerzen und anderen Lagerstätten aus Untertage- und Übertagebergwerken sowie Steinbrüchen. Zu den Aufgaben gehören - (a) Positionieren, Bedienen und Überwachen der Leistung verschiedener Untertage- und Übertage-Bergbaugeräte, einschließlich Anlagen für kontinuierlichen Abbau, Schneid- und Fräsanlagen; (b) Einrichten und Bedienen von Bohrausrüstung in Untertage- und Übertagebergwerken sowie Steinbrüchen; (c) Bedienen von Maschinen und Verwenden von Hand- oder Elektrowerkzeugen zum Entfernen von gelöstem Gestein, Erz, Kohle und anderen Lagerstätten; (d) Vorbereiten, Anpassen und Installieren von Ausbauten im Untertagebau, einschließlich Gebirgsankern; (e) Bedienen von Maschinen zum Auffahren neuer Schächte, Strecken, Wetterschächte und Aufhauen; (f) Bedienen von Hilfsanlagen wie Pumpen zum Abführen von Luft, Wasser und Schlamm; (g) Durchführen kleinerer Wartungs- und Reparaturarbeiten sowie Schmieren und Reinigen von Anlagen, Maschinen und Werkzeugen; (h) Führen von Aufzeichnungen über die während der Schichten durchgeführten Arbeiten; (i) Sammeln von Mineralproben für Laboranalysen. Beispiele für die hier eingeordneten Berufe: - Bediener von Bagger-Ladern (Untertagebau) - Bediener von Anlagen für kontinuierlichen Abbau - Bediener von Schrappern (Bergbau) - Bohrer (Bergbau) - Bediener von Bohrwagen (Jumbo) - Bergmann - Bediener von Bergbauanlagen - Steinbrucharbeiter - Gebirgsanker-Setzer (Bergbau) Einige verwandte, anderswo eingeordnete Berufe: - Bergbauaufsichtsperson - 3121 - Sprengarbeiter - 7542 - Sprengmeister - 7542 - Bohrer (Erdöl- oder Erdgasbohrung) - 8113 - Bergbauhilfskraft - 9311 - Steinbruchhilfskraft - 9311
Bediener schwerer Untertagemaschinen · Bedienerin schwerer Untertagemaschinen · Berg- und Maschinenfrau · Berg- und Maschinenmann · Berg- und Maschinenmann/Berg- und Maschinenfrau · Bergbauarbeiter · Bergbauarbeiterin · Bergfrau · Bergfrau im Tagebau · Bergmann · Bergmann im Tagebau · Bohranlagenbediener · +62 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 8111.
Das Gewinnen, Fördern und Umschlagen bleibt in der Messung unverändert — Bewegung zeigt sich allein beim Berichten und Protokollieren daneben.
Bergleute und Grubenarbeiter liegt nahe am unteren Rand — von Fahrzeugreiniger · am wenigsten bis Datenerfasser · am stärksten betroffen.
| Eigene Auswertung | ILO-Einstufung | In der Berufsgruppe |
|---|---|---|
| unterstes Fünftel von 411 Berufen | nicht von generativer KI berührt | Von 25 verglichenen Berufen sind 9 weniger betroffen als dieser. Gruppe: Anlagen- & Maschinenbedienung |
Ähnlich eingeordnet: Bediener von Anlagen zur Glas- und Keramikherstellung · Bediener von Maschinen zur Herstellung von Kunststoffwaren · Signal- und Leittechnik im Bahnbetrieb
Welche Teilaufgaben die breitere Schwankung erzeugen, bleibt offen, und gemessen wurde nur generative KI — Bergbaurobotik, Fernsteuerung und autonome Fördertechnik sind nicht erfasst. Nach heutigem Stand wenig berührt. Genau der naheliegende Automatisierungspfad ist aber nicht untersucht.
Eigene Auswertung (SapientShift-Tätigkeitsanalyse) auf Basis der ILO-Einstufung · Quelle der Einstufung: ILO, Generative AI and Jobs (Working Paper 140), 2025 · Stand 2026-07-19 · Methodik
Der körperliche Kern der Arbeit — Anlagen bedienen, warten, Material umschlagen — zählt zu den am wenigsten betroffenen Tätigkeiten; Fachleute korrigierten die Automatisierbarkeit solcher Handarbeit sogar noch nach unten, weil heutige KI körperlich nichts ausführen kann. Deutlich anders steht es um das Verfassen von Sach- und Verwaltungstexten: In einem kontrollierten Versuch halbierte sich der Zeitanteil für den Rohentwurf, während sich das Redigieren mehr als verdoppelte, bei kürzerer Bearbeitungszeit und besserer Qualität. Gemessen wurde das allerdings an gut 400 Personen in kurzen Online-Schreibaufgaben, nicht im Betriebsalltag — und Teilnehmende, die das Werkzeug mieden, nannten fehlendes fachspezifisches Wissen als Grund. Der breite Streubereich des Berufswerts deutet zudem an, dass einzelne Teilaufgaben durchaus betroffen sein können, ohne dass die Quelle sagt, welche.
Die Arbeit an der Maschine bleibt körperlich, offene Fragen stellen sich erst bei der selbststeuernden Anlage.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
Das Bedienen und Steuern von Maschinen lebt vom körperlichen Tun, und genau hier stößt die heutige KI an ihre Grenze: Fachleute haben die Automatisierbarkeit dieser Aufgabe deutlich nach unten korrigiert, weil Systeme für Text und Sprache keinen Zugriff auf die physische Ausführung haben — unabhängige Untersuchungen kommen für manuelle Tätigkeiten zum selben Ergebnis. Wohin sich der Anteil unmittelbarer Bedienung verschiebt, wenn selbstlernende Steuerungssoftware die routinemäßige Prozessführung übernimmt und der Mensch stärker überwacht und bei Abweichungen eingreift, ist damit aber noch nicht beantwortet.
Das Installieren und Instandsetzen bleibt Handarbeit — die KI hilft beim Planen und Nachschlagen, nicht am Gerät selbst.
Installation, Wartung und Reparatur verlangen den Griff zum Gerät: Kalibrieren, Verkabeln und Prüfen am Objekt bleiben menschlich, während KI beim Planen, Dokumentieren und beim Nachschlagen in Störungsanleitungen unterstützt. Fachleute haben die Aufgabe deshalb ausdrücklich niedrig eingestuft, und Installations- und Wartungsfähigkeiten liegen auch am realen Arbeitsmarkt im wenig berührten Bereich. Dass der planbare Wartungsanteil zugunsten zustandsorientierter Eingriffe zurückgeht und sich die Tätigkeit stärker auf Befundinterpretation verlagert, ist eine begründete Vermutung — belastbar gemessen ist dieser Anteil bislang nicht.
Das Fertigen und Montieren bleibt körperliche Präzisionsarbeit — was Robotik in der Serie übernimmt, ist die eigentliche offene Frage.
Bauteile zu fertigen und zu montieren heißt, mit Geschick und Präzision am Werkstück zu arbeiten — und genau das kann die heutige KI nicht ausführen: Sprach- und Bildsysteme haben keinen Zugriff auf die physische Handhabung, weshalb Fachleute diese Aufgabe durchweg niedrig bewerten und keine der geprüften manuellen Fähigkeiten derzeit als ersetzbar gilt. Es gibt sogar Hinweise, dass die Nachfrage nach Produktions- und körperlichen Fähigkeiten in KI-nahen Betrieben eher leicht steigt. Offen bleibt allein, wie sich die Serienmontage aufteilt, wenn Robotik repetitive Füge- und Zuführschritte übernimmt und der menschliche Anteil auf Varianten, Nacharbeit und Prüfung wandert — das ist eine begründete Vermutung, kein Befund.
Das Verfassen der Berichte wird schneller, das Prüfen und Verantworten der Inhalte rückt in den Vordergrund.
Beim Schreiben von Sach- und Verwaltungstexten übernimmt KI zunehmend den ersten Rohentwurf: In kontrollierten Versuchen halbiert sich die Zeit fürs Draften, während das Überarbeiten sich mehr als verdoppelt — Tempo und Qualität steigen dabei zugleich. Diese Bürotätigkeiten gehören zu den am stärksten betroffenen, und in echten Stellenanzeigen sinkt bei KI-nahen Betrieben die Nachfrage nach reinen Schreib- und Verwaltungsfertigkeiten. Was bleibt, ist das Redigieren und das Einstehen für den Inhalt.
Das Bedienen der Umschlagmaschinen bleibt körperliche Arbeit — und wird eher mehr gebraucht als weniger.
Materialumschlag mit Stapler, Kran oder beim Verladen ist körperliche Arbeit an wechselnden Orten — genau das automatisiert die heutige KI nicht, und Fachleute haben die Automatisierungswerte für diese Berufe eigens nach unten korrigiert. Unabhängige Auswertungen von Stellenanzeigen zeigen die Nachfrage nach solchen Fähigkeiten sogar leicht steigend, weil sie sich mit KI-gestützter Logistik ergänzen. Ob der innerbetriebliche Transport künftig stärker automatisiert wird als der Umschlag an wechselnden Außenorten und sich die Aufgabe mehr zu Disposition und Ausnahmefällen verschiebt, ist eine begründete Vermutung — belegt ist es nicht.
Zuletzt geprüft 2026-07-19
Amtliche Bezeichnung nach ISCO-08: Bergleute und Grubenarbeiter · 8111
For tasks such as „operating injection molding machines" or „performing mechanical processing of silicon", experts highlighted the limitations of generative AI in handling physical and manual components, leading to significantly reduced adjusted scores compared to the survey.
Applying various welding methods and using different types of welding machines and equipment, in accordance with training or qualifications. 0.43 0.05 0.05 The task involves hands-on physical work requiring skill and precision, such as welding using various machines, which is not currently automatable by generative AI technologies like ChatGPT. These technologies excel in tasks involving data processing, language understanding, and information generation but do not possess capabilities for physical task execution, hence aligning closer with the revised score.
In occupations dominated by manual and physical tasks, such as Craft and Related Trades Workers, Plant and Machine Operators, and Farmers, Gardeners, Foresters, and Fishers, experts consistently assigned lower scores compared to the survey respondents, reflecting the practical limitations of automating tasks that require physical manipulation or manual dexterity.
Occupations involving cognitive, non-routine tasks – such as programming, translating, interpreting and other highly skilled professional work – tend to exhibit higher exposure. […] By contrast, roles reliant on physical or manual tasks, such as cleaning or equipment operation, show minimal exposure.
Occupations where most tasks remain relatively unaffected by GenAI, with low task variability and a stable low mean exposure score.
Installing and initiating mechanical and electrical robots and peripheral equipment at new workstations requires hands-on skills, precise calibration, and the ability to interact with physical hardware. While generative AI can assist with planning, documentation, and troubleshooting guides, the physical installation and configuration still require human expertise. Therefore, the lower score of 0.1925 is more reflective of reality, though slightly adjusted upward to 0.25 to acknowledge AI's support role in providing information or instructions during the task.
For tasks such as 'operating injection molding machines' or 'performing mechanical processing of silicon', experts highlighted the limitations of generative AI in handling physical and manual components, leading to significantly reduced adjusted scores compared to the survey.
Not Exposed | Occupations that don't meet any of the above conditions. | Occupations where most tasks remain relatively unaffected by GenAI, with low task variability and a stable low mean exposure score.
For occupations with low AI exposure the top grouping is production and technology, joined by attitudes and social skills. Production and technology includes the subgroupings installation and maintenance, quality assurance and production processes.
Occupations where most tasks remain relatively unaffected by GenAI, with low task variability and a stable low mean exposure score. | Occupations with low GenAI exposure, where some tasks show moderate automation potential, but overall occupational exposure remains limited. | Not Exposed 7212 Welders and Flame Cutters 0.13 0.05 | Not Exposed 7214 Structural Metal Preparers and Erectors 0.11 0.02 | Not Exposed 7211 Metal Moulders and Coremakers 0.13 0.01 | Minimal Exposure 8211 Mechanical Machinery Assemblers 0.27 0.17 | Minimal Exposure 8212 Electrical and Electronic Equipment Assemblers 0.28 0.19
The task involves hands-on physical work requiring skill and precision, such as welding using various machines, which is not currently automatable by generative AI technologies like ChatGPT. These technologies excel in tasks involving data processing, language understanding, and information generation but do not possess capabilities for physical task execution, hence aligning closer with the revised score.
In occupations dominated by manual and physical tasks, such as Craft and Related Trades Workers, Plant and Machine Operators, and Farmers, Gardeners, Foresters, and Fishers, experts consistently assigned lower scores compared to the survey respondents, reflecting the practical limitations of automating tasks that require physical manipulation or manual dexterity. | the limitations of generative AI in handling physical and manual components | leading to significantly reduced adjusted scores compared to the survey.
Zero of the more than 2,800 skills assessed were determined to exhibit „very high capacity" to be replaced by the current generation of GenAI tools, with the majority of examined skills (69%) determined to have either „very low capacity" or „low capacity" to be substituted, indicating that GenAI currently remains limited in performing tasks that require physical execution, nuanced judgment or hands-on application. | Skills rooted in human interaction – including empathy and active listening, and sensory processing abilities – and manual dexterity, endurance and precision, currently show no substitution potential due to their physical and deeply human components. These findings underscore the practical limitations of current GenAI models, which lack the physicality to perform tasks that require hands-on interaction
The report also provides some evidence that AI adoption may increase the demand for some blue-collar skills, possibly through a productivity effect that results in higher demand and spills over to other workers at the establishment. For example, the report finds that higher establishment AI exposure is associated with increased establishment demand for skills related to production and technology, and physical skills. | Demand increased slightly for some skill groupings, such as production and technology and physical skills. These skill groupings are found disproportionately in low-exposure occupations and include skills such as maintenance, repair, forklift driving and more fundamental skills such as dexterity, heavy lifting and range of motion. This provides some suggestive evidence of the types of skills that may see increased demand due to complementarities with AI in production. However, these increasing skill demands were quite modest with substantial cross-country heterogeneity.
Similar to our 2023 study, clerical occupations exhibit the highest levels of exposure, though with a decline in their mean scores due to a reassessment of certain task-level evaluations […] Among the 13 occupations classified in gradient 4, the majority represent clerical roles, including data entry clerks, typists and word processing operators, accounting and bookkeeping clerks, and general office clerks.
In contrast, occupations involving more cognitive or knowledge-intensive tasks, such as Clerical Support Workers and Professionals, show a much more mixed picture. While some tasks in these groups received lower scores, many others were revised upwards by the expert group, reflecting the greater adaptability of generative AI for structured, data-driven, or communication-focused tasks.
ChatGPT substantially changes the structure of writing tasks. Figure 3 Panel A shows that prior to the treatment, participants spend about 25% of their time brainstorming, 50% writing a rough draft, and 25% editing. Post-treatment, the share of time spent writing a rough draft falls by more than half and the share of time spent editing more than doubles.
Our results show that ChatGPT substantially raises average productivity: time taken decreases by 0.8 SDs and output quality rises by 0.4 SDs. Inequality between workers decreases, as ChatGPT compresses the productivity distribution by benefiting low-ability workers more.
At the establishment level, AI exposure is associated with declining demand for general skills commonly used in office settings. […] Digging further into these categories, the results point to drops in demand for general office skills such word processing and spreadsheet software, basic computer programming skills, as well as administrative and clerical tasks and basic project management skills.
Not Exposed 8344 Lifting Truck Operators 0.2 0.1 / Not Exposed 8343 Crane, hoist and related plant operators 0.18 0.03 / Not Exposed 9333 Freight Handlers 0.14 0.03 / Not Exposed 8342 Earthmoving and Related Plant Operators 0.13 0.02 / Not Exposed 8341 Mobile Farm and Forestry Plant Operators 0.12 0.03
Not Exposed Occupations that don't meet any of the above conditions. Occupations where most tasks remain relatively unaffected by GenAI, with low task variability and a stable low mean exposure score. / and the lowest category of Not Exposed occupations, where GenAI currently has no observable potential to automate tasks.
In occupations dominated by manual and physical tasks, such as Craft and Related Trades Workers, Plant and Machine Operators, and Farmers, Gardeners, Foresters, and Fishers, experts consistently assigned lower scores compared to the survey respondents, reflecting the practical limitations of automating tasks that require physical manipulation or manual dexterity.
There were some skill groupings that experienced modest increases in demand, including: production and technology and physical skills. These skills can be summarised as typically indicative of blue-collar occupations and include maintenance, repair, forklift driving and more fundamental skills such as dexterity, heavy lifting and range of motion. These are the types of skills that are possibly complementary in production to AI. For example, if a logistics warehouse can use AI to reduce the costs of routing shipments, they may be able to lower their costs and see increased demand – possibly necessitating greater demand for forklift drivers in the warehouse. However, these increasing skill demands were more modest with substantial cross-country heterogeneity. [norm.]
Finally, in addition to the displacement effect, the automation channel can give rise to a productivity effect. This can result in increases in labour demand for tasks or jobs not automated by AI, such as packers and forklift operators.
Gewinnen, Fördern und Umschlagen bleiben in der Messung unverändert, das Berichten und Protokollieren bekommt einen neuen Ablauf
Die ILO misst für 8111 Miners and Quarriers einen Expositionswert von 0,17 bei einer Streuung von 0,11 — der Mittelwert ist niedrig, die im Vergleich zu anderen Anlagenberufen breite Streuung zeigt aber an, dass einzelne Teilaufgaben durchaus exponiert sind, und die Quelle sagt ausdrücklich nicht, welche das sind. Der körperliche Kern bleibt dabei unberührt: Für das Bedienen von Anlagen, das Warten und Instandsetzen, das Fertigen und Montieren sowie den Materialumschlag liegen die Werte durchgängig im Bereich „Not Exposed" bis „Minimal Exposure" — Umschlagberufe etwa zwischen 0,12 und 0,20 —, und Fachexperten korrigierten physisch-manuelle Tasks systematisch nach unten, im dokumentierten Fall des Schweißens von 0,43 auf 0,05, weil generative KI keine physische Ausführung leisten kann. Belegt verändert hat sich dagegen das Verfassen von Sach- und Verwaltungstexten: In einem kontrollierten Versuch fiel der Zeitanteil für den Rohentwurf von rund 50 Prozent auf weniger als die Hälfte, der Anteil fürs Redigieren stieg von rund 25 Prozent auf über das Doppelte, die Bearbeitungszeit sank um 0,8 und die Qualität stieg um 0,4 Standardabweichungen — gemessen allerdings an 444 Personen in 20- bis 30-Minuten-Onlineaufgaben, nicht im Betriebsalltag, und Teilnehmende nannten als Grund für Nicht-Nutzung, dem Werkzeug fehle „context-specific knowledge".
Welche Teilaufgaben die vergleichsweise breite Streuung bei 8111 erzeugen, löst die ILO nicht auf, und gemessen wurde ausschließlich generative KI — Bergbaurobotik, Fernsteuerung und autonome Fördertechnik sind von keiner Quelle auf Tätigkeitsebene erfasst.
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Bergleute und Grubenarbeiter allgemein — mit Tätigkeiten wie „Maschinen und Anlagen bedienen und steuern“ oder „Anlagen und Geräte installieren, warten und reparieren“.
Für diesen Beruf sprechen die Daten bisher für wenig Veränderung.
Ihre Rolle ist bereits übernommen. Für eine Einschätzung, die zu Ihrer Lage passt, fragen wir noch nach Branche und Berufserfahrung — dieselbe Rolle bedeutet in unterschiedlichen Branchen Unterschiedliches.
SapientShift (2026): Bergleute und Grubenarbeiter — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/bergleute-und-grubenarbeiter
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0