Der Kern dieser Arbeit ist, etwas verlässlich von einem Ort zum anderen zu bringen – zu Fuß, oft unter Zeitdruck. Die eigentliche Fähigkeit dabei ist, den kürzesten Weg zu kennen und die Reihenfolge der Stopps klug zu planen. Wie diese Wege heute geplant werden, ist im Wandel.
Zu Fuß bringen sie Nachrichten, Pakete und Koffer genau dorthin, wo sie hinsollen – von Büro zu Büro oder vom Taxi zum Hotelzimmer.
Boten, Paketauslieferer und Gepäckträger tragen und überbringen zu Fuß Nachrichten, Pakete und andere Gegenstände, innerhalb eines Betriebs oder zwischen Betrieben, an Haushalte und anderswohin, oder tragen Gepäck, insbesondere in Hotels, Bahnhöfen und Flughäfen. Zu den Aufgaben gehören - (a) Überbringen von Nachrichten, Paketen und anderen Gegenständen innerhalb eines Betriebs oder zwischen Betrieben oder anderswo; (b) Ausliefern verschiedener Waren zu und von Unternehmen, Geschäften, Haushalten und anderen Orten; (c) Tragen und Ausliefern von Gepäck in Hotels, Bahnhöfen, Flughäfen und anderswo; (d) Entgegennehmen und Kennzeichnen von Gepäck durch Ausfüllen und Anbringen von Gepäckscheinen; (e) Planen und Befolgen der effizientesten Route; (f) Sortieren der auszuliefernden Gegenstände nach Auslieferungsroute. Beispiele für die hier eingeordneten Berufe: - Hotelportier - Gepäckträger/in - Bote/Botin - Flugblattverteiler/in - Zeitungszusteller/in Einige verwandte, anderswo eingeordnete Berufe: - Postbote/-botin - 4412 - Briefträger/in - 4412
Hoteldiener · Hoteldienerin · Hotelpförtner · Hotelpförtnerin · Hotelportier · Hotelportier/Hotelportierin · Hotelportière · Hotelportierin · Portier · Portier/Portière · Portière · Portierin · +21 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 9621.
Das Zustellen, Tragen und Fahren bleibt unverändert — während sich die Koordination und Dokumentation der Transportabläufe drumherum verschiebt.
Boten, Paketauslieferer und Gepäckträger liegt im mittleren Bereich — von Fahrzeugreiniger · am wenigsten bis Datenerfasser · am stärksten betroffen.
| Eigene Auswertung | ILO-Einstufung | In der Berufsgruppe |
|---|---|---|
| oberes Mittelfeld von 411 Berufen | am unteren Rand der von generativer KI berührten Berufe | Von 6 verglichenen Berufen sind 4 weniger betroffen als dieser. Gruppe: Abfallentsorgung & weitere Hilfskräfte |
Ähnlich eingeordnet: Zählerableser, Automatenbefüller und -kassierer · Weitere Hilfsarbeitskräfte · Führer von Handwagen und pedalbetriebenen Fahrzeugen
Zustellrobotik und autonome Lieferfahrzeuge werden nur als Technologiekategorie benannt, nie als Messung der Tätigkeit erfasst. Zudem sind die Rohdaten gerade für Helfer- und Bedienberufe am dünnsten. Nach heutigem Stand wenig berührt, mit der Zustelltechnik als offener Frage.
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
Das körperliche Zustellen und Tragen, das Fahren und das Bedienen von Umschlagmaschinen sind übereinstimmend als unverändert belegt — die nächstgelegenen gemessenen Berufe liegen alle in der niedrigsten von sechs Kategorien, so gleichmässig bewertet, dass keine einzelne Teilaufgabe herausragt. Anders sieht es bei der Bürohälfte aus: Transport- und Frachtabläufe zu koordinieren und zu dokumentieren gilt als verändert, weil die zugehörigen Schreibtischberufe — Speditions- und Abfertigungsarbeit, Transportsachbearbeitung — breit betroffen sind. Die Fachstelle formuliert das ausdrücklich als wachsendes Automatisierungsrisiko, nicht als Wegfall, und hält fest, dass ein Teil der Aufgaben weniger betroffen bleibt. Die Spreizung innerhalb der Rolle ist damit der eigentliche Befund: Das Ausliefern bleibt, die Status-, Papier- und Dispositionsarbeit darum herum verschiebt sich — was das konkret bedeutet, misst allerdings bisher keine Quelle.
Das Führen von Fahrzeugen bleibt — in KI-nahen Betrieben wird es teils sogar stärker gebraucht.
Ob Bus, Lok, Bagger oder Gabelstapler — das Führen selbst zählt zu den Aufgaben, die die heutige KI kaum berührt; die Systeme arbeiten mit Sprache und Daten, nicht am Steuer. In Betrieben, die KI einsetzen, steigt die Nachfrage nach solchen Fähigkeiten eher leicht an, weil sie sich mit der Technik ergänzen — etwa der Gabelstaplerfahrer im Lager, dessen Arbeit durch günstigere KI-gestützte Logistik zunimmt. Nur bei einzelnen Teilaufgaben im Straßenverkehr zeigt sich mehr Bewegung als beim Kern der Tätigkeit.
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.
Der heutigen KI bleibt die einfache körperliche Arbeit verschlossen — andere Automatisierung könnte weiter reichen.
Einfache Handreichungen leben von Körper, Geschick und Anwesenheit vor Ort. In einer Bewertung von über 2.800 Fähigkeiten zeigte manuelle Geschicklichkeit keinerlei Ersetzbarkeit durch die heutige KI — den Sprach- und Bildmodellen fehlt schlicht der Zugriff auf das Körperliche, und Fachleute haben die Werte für solche Tätigkeiten eigens nach unten gesetzt. Offen bleibt allerdings, ob nicht-sprachliche Automatisierung wie computergesteuerte Maschinen weiter in diese Aufgaben hineinreicht, als der KI-Nullbefund vermuten lässt — das ist plausibel, aber nicht ursächlich belegt.
Das Zusammenführen und Verbuchen der Abläufe verschiebt sich spürbar Richtung Automatisierung, die Abstimmung an den Schnittstellen weniger.
Das Koordinieren und Dokumentieren von Transport- und Frachtabläufen gehört zu den stärker betroffenen Bürotätigkeiten: Ein wachsender Teil des heutigen Aufgabenbestands lässt sich automatisieren, und zwei methodisch unabhängige Messungen ordnen die Logistik-Koordination übereinstimmend weit oben ein. Betriebe erwarten gerade in der Lieferketten- und Bestandssteuerung überdurchschnittlich, dass Stellen zurückgehen. Das Zusammenführen und Verbuchen von Daten verschiebt sich damit deutlich, während einzelne Teile der Abstimmung an den Schnittstellen weniger betroffen bleiben.
Zuletzt geprüft 2026-07-19
Amtliche Bezeichnung nach ISCO-08: Boten, Paketauslieferer und Gepäckträger · 9621
Not Exposed 8331 Bus and Tram Drivers 0.18 0.06 / Not Exposed 8311 Locomotive Engine Drivers 0.2 0.08 / 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 where most tasks remain relatively unaffected by GenAI, with low task variability and a stable low mean exposure score.
Gradient 1 8322 Car, Taxi and Van Drivers 0.28 0.23 / Minimal Exposure 8332 Heavy Truck and Lorry Drivers 0.24 0.22 / Exposed: Gradient 1 (Low exposure, high task variability) μ < 0.4 and μ + σ ≥ 0.5 — Low overall GenAI exposure at the occupational level, but high variability across tasks. Some tasks within these occupations have an elevated automation potential, even if the occupation as a whole remains strongly reliant on tasks that have a low potential of automation.
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.]
The three technology-based trends stand out as expected growth drivers only for light truck and delivery services drivers, software and applications developers, and nursing professionals.
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.
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. / 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. / These technologies excel in tasks involving data processing, language understanding, and information generation but do not possess capabilities for physical task execution
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
By contrast, roles reliant on physical or manual tasks, such as cleaning or equipment operation, show minimal exposure.
Physical occupation categories like Transportation & Material Moving, Food Preparation & Serving Related, and Construction & Extraction are all under-represented in the survey, as they are in Claude sessions as well.
Gradient 3 3331 Clearing and Forwarding A[g]ents 0.57 0.09
Gradient 3 4323 Transport Clerks 0.5 0.1
Gradient 3 captures occupations where a significant portion of tasks are consistently exposed to GenAI, signaling growing automation risks and requiring adaptation strategies for workers (Significant exposure, high task variability). | Above-moderate occupational exposure: even though some tasks remain less exposed, the overall potential of automation of the current tasks with GenAI is growing in these occupations.
25 Most Exposed Occupations […] Market Research Analysts and Marketing Specialists / Management Analysts / Logisticians / Computer Hardware Engineers / Financial Specialists / Computer and Information Systems Managers / Sales Engineers / Financial Risk Specialists / Transportation, Storage, and Distribution Managers […] | This table details the top and bottom 25 occupations ranked by average AI exposure […] These rankings are based on the computed AI exposure scores, which leverage task-level similarities between AI applications and occupational descriptions.
In nearly all functions, respondents anticipate a greater impact from AI on headcount next year than was observed in the past year, with expected decreases outpacing observed decreases. This trend is particularly pronounced in service operations, supply chain/inventory management, marketing and sales, and software engineering, where the expected decrease in employees for the next year significantly exceeds the actual decrease reported over the past year.
Zustellen, Tragen und Fahren sind als unverändert gemessen, während die Koordination und Dokumentation der Transportabläufe als verändert eingestuft ist
Für Boten, Paketauslieferer und Gepäckträger weist ILO Table A1 keinen eigenen Beruf aus, sodass die Einordnung auf Tätigkeitsebene ruht: Fahrzeuge führen, Umschlagmaschinen bedienen und einfache körperliche Hilfstätigkeiten sind übereinstimmend als unverändert belegt, und die nächstgelegenen gemessenen Berufe liegen bei 0,21 (9331 Hand- und Pedalfahrzeugführer), 0,14 bei einer Streuung von 0,03 (9333 Frachtumschlag) und 0,11 bei 0,03 (9622) — allesamt in der niedrigsten von sechs Kategorien und so gleichmäßig bewertet, dass auch keine einzelne Teilaufgabe herausragt. Anders steht es um den koordinierenden und dokumentierenden Anteil: Transport- und Frachtabläufe zu koordinieren und zu dokumentieren ist als verändert eingestuft, weil die zugehörigen Schreibtischberufe breit exponiert sind (3331 Speditions- und Abfertigungsagenten mit 0,57, 4323 Transportsachbearbeiter mit 0,50, beide Gradient 3 bei niedriger Streuung von 0,09 bis 0,10), wobei die ILO das ausdrücklich als „growing automation risks" und nicht als Wegfall formuliert und festhält, dass „some tasks remain less exposed". Die Spreizung innerhalb der Rolle ist damit der eigentliche Befund: Das physische Zustellen und Tragen bleibt von generativer KI unberührt, die Status-, Papier- und Dispositionsarbeit darum herum ist exponiert — was das für diese Rolle konkret bedeutet, bleibt offen, denn ein Messwert für 9621 selbst fehlt und keine Quelle misst einen realisierten Effekt.
Zustellrobotik und autonome Lieferfahrzeuge werden im Korpus nur als Technologiekategorie benannt, nie auf Tätigkeitsebene vermessen; zusätzlich weist die ILO selbst aus, dass ihre Rohdaten gerade für Helfer- und Bedienberufe am dünnsten sind.
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Boten, Paketauslieferer und Gepäckträger allgemein — mit Tätigkeiten wie „Fahrzeuge und Verkehrsmittel führen“ oder „Maschinen und Fahrzeuge zum Materialumschlag bedienen“.
Für diesen Beruf liegt die gemessene Betroffenheit im Mittelfeld.
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): Boten, Paketauslieferer und Gepäckträger — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/boten-paketauslieferer-und-gepaecktraeger
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0