Der Kern dieser Arbeit ist, mit schwerem Gerät Erde und Untergrund gezielt zu formen – heben, verteilen, verdichten, glätten. Dafür braucht es ein ständiges Auge auf Maschine und Gelände, damit Tiefe, Neigung und Verdichtung stimmen. Auch dieses Zusammenspiel aus Auge und Maschine ist gerade im Wandel.
Straßen, Gräben und Baugruben entstehen oft erst durch sie: Führer von Erdbewegungsmaschinen heben, verteilen und verdichten Erde, Sand und ähnliche Materialien mit schwerem Gerät.
Führer von Erdbewegungs- und verwandten Maschinen bedienen Maschinen zum Ausheben, Planieren, Nivellieren, Glätten und Verdichten von Erde oder ähnlichen Materialien. Zu den Aufgaben gehören - (a) Bedienen und Überwachen von Baggermaschinen mit beweglichen Schaufeln, Greiferschaufeln oder Schleppschaufeln zum Ausheben und Bewegen von Erde, Fels, Sand, Kies oder ähnlichen Materialien; (b) Bedienen und Überwachen von Maschinen zum Ausheben von Gräben für Abwasser-, Entwässerungs-, Wasser-, Öl-, Gas- oder ähnliche Rohrleitungen; (c) Bedienen und Überwachen von Maschinen mit konkaven Stahlschilden zum Bewegen, Verteilen und Nivellieren von Erde, Sand, Schnee und anderen Materialien; (d) Bedienen und Überwachen von Geräten zum Entfernen von Sand, Kies und Schlamm vom Grund eines Gewässers; (e) Bedienen und Überwachen von Maschinen zum Einrammen von Holz-, Beton- oder Stahlpfählen in den Boden; (f) Bedienen und Überwachen von Straßenwalzen zum Verdichten und Glätten von Materialschichten beim Bau von Straßen und Belägen sowie bei ähnlichen Arbeiten; (g) Bedienen und Überwachen von Maschinen, die Beton oder bituminöse oder Teerzubereitungen verteilen und glätten, um Fahrbahnen, Straßen oder ähnliche Oberflächen zu bauen. Beispiele für die hier eingeordneten Berufe: - Planierraupenführer/in - Baggerführer/in - Führer/in von Frontladern - Rammbärführer/in - Straßenwalzenführer/in - Führer/in von Straßendeckenfertigern - Führer/in von Pistenraupen
Abraumbaggerfahrer · Abraumbaggerfahrer/Abraumbaggerfahrerin · Abraumbaggerfahrerin · Abraumbaggerführer · Abraumbaggerführerin · Asphaltbauer · Asphaltbauerin · Baggerführer · Baggerführer/Baggerführerin · Baggerführerin · Bulldozerfahrer · Bulldozerfahrerin · +154 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 8342.
Das Bedienen der Erdbewegungsmaschinen ist eigens gemessen und bleibt unverändert – offen ist allein, was autonome Maschinen bringen, die noch niemand vermessen hat.
Führer von Erdbewegungs- und verwandten Maschinen 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 11 verglichenen Berufen ist nur einer weniger betroffen als dieser. Gruppe: Fahrzeugführung & mobile Anlagen |
Ähnlich eingeordnet: Bediener von Anlagen zur Holzaufbereitung · Deckspersonal auf Schiffen und verwandte Berufe · Führer von mobilen land- und forstwirtschaftlichen Maschinen
Ob KI-gestützte Disposition, Routenplanung oder Vorgabezeiten die Ausführung dieser Arbeit verändern, misst keine Quelle — belegt ist ein Effekt allein auf der Nachfrageseite, nicht bei der Ausführung. Nach heutigem Stand wenig berührt, mit der planenden Seite 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
Die Bagger und Erdbewegungsmaschinen zu führen zählt zu den unberührten Tätigkeiten – und das so einheitlich, dass nicht einmal einzelne Handgriffe als betroffen gelten. Das kam nicht durch Wegsehen zustande: Fachleute haben die Einschätzung sogar ausdrücklich nach unten korrigiert, weil sich körperliche Arbeit und Fingerfertigkeit kaum automatisieren lassen. Eine unabhängige Auswertung von Stellenanzeigen findet für maschinenbedienende Fertigkeiten wie Gabelstaplerfahren eher leicht steigende statt sinkende Nachfrage – vorsichtig formuliert und je nach Land sehr verschieden. Zwei Vorbehalte bleiben: Die Datengrundlage ist für diese Berufe dünner als bei Büroarbeit, und gemessen wurde nur die textgenerierende KI – autonome und teilautonome Maschinen sind auf Tätigkeitsebene noch gar nicht erfasst.
Das Führen von Fahrzeugen bleibt — in KI-nahen Betrieben wird es teils sogar stärker gebraucht.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
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.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
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.
Das Abbrechen und Rückbaün bleibt körperliche Arbeit am Bauwerk, an der die heutige KI kaum ansetzt.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
Abbruch- und Rückbauarbeiten leben vom körperlichen Tun an der Baustelle, und genau daran stößt die heutige KI an ihre Grenze: Systeme für Text und Bild haben auf diese physische Arbeit keinen Zugriff. Fachleute wie unabhängige Studien stufen solche manuellen Tätigkeiten übereinstimmend als kaum berührt ein. Spürbar wird KI allenfalls eine Ebene darüber, beim Planen und Anleiten der Arbeiten, während das eigentliche Arbeiten am Bauwerk menschlich bleibt.
Zuletzt geprüft 2026-07-19
Amtliche Bezeichnung nach ISCO-08: Führer von Erdbewegungs- und verwandten Maschinen · 8342
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 9313 Building Construction Labourers 0.09 0.02" „Not Exposed 9312 Civil Engineering Labourers 0.09 0.02" „Not Exposed 7119 Building Frame and Related Trades Workers Not Elsewhere Classified 0.09 0.01" „Not Exposed 7112 Bricklayers and Related Workers 0.09 0.01" „Not Exposed 7214 Structural Metal Preparers and Erectors 0.11 0.02" „Not Exposed 8342 Earthmoving and Related Plant Operators 0.13 0.02" „Not Exposed 7542 Shotfirers and Blasters 0.12 0.05"
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.
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.
By contrast, roles reliant on physical or manual tasks, such as cleaning or equipment operation, show minimal exposure.
„Minimal Exposure 1323 Construction Managers 0.34 0.06" „Not Exposed 3123 Construction Supervisors 0.28 0.06"
Das Bedienen der Maschinen ist für diesen Beruf einzeln gemessen und als unverändert eingestuft, mit einer der niedrigsten Streuungen der gesamten Tabelle
Für diese Rolle liegt ein eigener Messwert vor: ILO Table A1 führt 8342 Earthmoving and Related Plant Operators als „Not Exposed" mit einem Mittelwert von 0,13 bei einer Streuung von 0,02 — dem niedrigsten Streuungsbereich der gesamten Tabelle, was heißt, dass nicht einmal einzelne Teilaufgaben als exponiert bewertet wurden. Dieser Wert entstand nicht durch Nichtbeachtung: Fachexperten haben die Bewertung für Maschinen- und Anlagenbedienberufe gegenüber der Befragung ausdrücklich nach unten korrigiert, „reflecting the practical limitations of automating tasks that require physical manipulation or manual dexterity", und eine methodisch unabhängige OECD-Auswertung von Stellenanzeigen findet für maschinenbedienende Fähigkeiten — namentlich genannt wird Gabelstaplerfahren — eher leicht steigende statt sinkende Nachfrage, allerdings ausdrücklich „modest" und mit „substantial cross-country heterogeneity". Zwei Vorbehalte bleiben: Die ILO weist selbst aus, dass „weiß nicht"-Antworten in den Berufsgruppen 8 und 9 doppelt so häufig auftraten, die Rohdatenbasis für genau diese Berufe also dünner ist als für Büroberufe; und gemessen wurde ausschließlich generative KI, während autonome und teilautonome Maschinen im Korpus nur als Technologiekategorie erscheinen und nie auf Tätigkeitsebene vermessen wurden.
Ob KI-gestützte Disposition, Routenplanung oder Vorgabezeiten die Ausführung dieser Arbeit verändern, misst keine Quelle — die OECD belegt einen Effekt allein auf der Nachfrageseite, nicht auf der Ausführungsseite.
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Führer von Erdbewegungs- und verwandten Maschinen allgemein — mit Tätigkeiten wie „Fahrzeuge und Verkehrsmittel führen“ oder „Maschinen und Fahrzeuge zum Materialumschlag bedienen“.
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): Führer von Erdbewegungs- und verwandten Maschinen — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/fuehrer-von-erdbewegungs-und-verwandten-maschinen
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0