Der Kern dieser Arbeit ist, schwere Lasten auf engem Raum exakt zu positionieren – heben, stapeln, absetzen, ohne dass etwas kippt oder beschädigt wird. Dieselben Handgriffe wiederholen sich viele Male am Tag, dazu kommen Kontrolle des Fahrzeugs und kleine Wartungsarbeiten. Wie viel davon bald anders läuft, deutet sich bereits an.
In Lagerhäusern, Häfen und Fabriken sind sie überall im Einsatz: Gabelstaplerfahrer heben, stapeln und transportieren Paletten mit Gütern.
Gabelstaplerfahrer und verwandte Berufe fahren, bedienen und überwachen Hubfahrzeuge oder ähnliche Fahrzeuge zum Transportieren, Heben und Stapeln von Paletten mit Gütern. Zu den Aufgaben gehören - (a) Bedienen und Überwachen von Hubfahrzeugen und ähnlichen Geräten zum Be- und Entladen, Transportieren, Heben und Stapeln von Gütern und Paletten in Terminals, Häfen, Lagerhäusern, Fabriken und anderen Betrieben; (b) Positionieren von Hebevorrichtungen unter, über oder um beladene Paletten, Gleitschienen und Kisten sowie Sichern von Material oder Produkten für den Transport zu den vorgesehenen Bereichen; (c) Prüfen von Geräten auf Verschleiß und Beschädigung; (d) Durchführen routinemäßiger Wartungsarbeiten an Fahrzeugen und Geräten; (e) Führen von Aufzeichnungen über durchgeführte Arbeiten und Fahrzeugausfälle. Beispiele für die hier eingeordneten Berufe: - Gabelstaplerfahrer/in
Gabelstaplerfahrer · Gabelstaplerfahrer/Gabelstaplerfahrerin · Gabelstaplerfahrerin · Hubstaplerfahrer · Hubstaplerfahrerin · Staplerfahrer · Staplerfahrerin · forklift driver · forklift operator · forklift truck operator · operator of forklift trucks · order picker driver · +3 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 8344.
Das Bedienen der Umschlagfahrzeuge bleibt niedrig eingestuft – doch das Schreiben von Protokollen und Berichten daneben verschiebt sich deutlich.
Gabelstaplerfahrer und verwandte Berufe liegt im mittleren Bereich — von Fahrzeugreiniger · am wenigsten bis Datenerfasser · am stärksten betroffen.
| Eigene Auswertung | ILO-Einstufung | In der Berufsgruppe |
|---|---|---|
| unteres Mittelfeld von 411 Berufen | nicht von generativer KI berührt | Von 11 verglichenen Berufen sind 6 weniger betroffen als dieser. Gruppe: Fahrzeugführung & mobile Anlagen |
Ähnlich eingeordnet: Bediener von Dampfmaschinen und -kesseln · Bediener von Metallbeschichtungsanlagen · Lokomotivführer
Autonome Flurförderzeuge werden zwar als KI-Anwendungsfeld benannt, aber nicht als Messung der Tätigkeit erfasst — das ist die größte Lücke dieser Rolle. Ein niedriger Wert heißt präzise „ein Sprachmodell fährt keinen Stapler", nicht „diese Tätigkeit ist vor Automatisierung sicher". Nach heutigem Stand wenig berührt, mit dieser Technik 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
Den Gabelstapler oder das Umschlagfahrzeug zu fahren zählt zu den unberührten Tätigkeiten – anders als bei den Nachbarberufen streuen die Teilaufgaben hier aber breiter, einzelne sind also durchaus stärker berührt. Genau dort, wo dieser Beruf schreibt – Schichtprotokolle, Bestandsdokumentation, Auftragsvermerke –, ist die Verschiebung belegt: In einem kontrollierten Versuch halbierte sich die Zeit für den Rohentwurf, während das Redigieren zum Schwerpunkt wurde, bei spürbar weniger Aufwand und besserer Qualität. Gemessen wurde das allerdings an gut 400 Personen in einem kurzen Online-Experiment, nicht im Lageralltag. Das Prüfen von Material und das Warten der Geräte bleiben dagegen unbewegt, und für Gabelstapler-Fertigkeiten deutet sich sogar eine leicht steigende Nachfrage an.
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 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 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.
Zuletzt geprüft 2026-07-19
Amtliche Bezeichnung nach ISCO-08: Gabelstaplerfahrer und verwandte Berufe · 8344
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.
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 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.
Das Bedienen der Umschlagfahrzeuge ist gemessen und niedrig eingestuft, das Schreiben von Protokollen und Berichten dagegen verschiebt sich deutlich.
Für diese Rolle liegt ein eigener Messwert vor: 8344 Lifting Truck Operators steht bei der ILO in „Not Exposed" mit 0,20 — aber mit einer Streuung von 0,10 und damit merklich breiter als die Nachbarberufe Krane, Bagger und Frachtumschlag, die bei 0,02–0,03 liegen; das heißt, einzelne Teilaufgaben dieses Berufs sind sehr wohl höher bewertet, und welche das sind, sagt Table A1 nicht. Genau dort, wo diese Rolle schreibt — Schichtprotokolle, Bestandsdokumentation, Auftragsvermerke — ist die Verschiebung belegt: Im kontrollierten Versuch halbierte sich der Zeitanteil für den Rohentwurf von etwa 50 auf unter 25 Prozent, während das Redigieren von 25 auf über 50 Prozent stieg, bei 0,8 Standardabweichungen weniger Zeitaufwand und 0,4 Standardabweichungen besserer Qualität — gemessen an 444 Personen in einem 20- bis 30-minütigen Online-Experiment, nicht im Lagerbetrieb, und die ILO senkte ihre eigenen Werte für solche Aufgaben zwischen 2023 und 2025 ab, weil „many of these tasks still require substantial human effort". Das Prüfen von Material auf Qualität und Maßhaltigkeit sowie das Warten der Geräte bleiben dagegen unbewegt, und die OECD findet in Stellenanzeigen sogar eine leicht steigende Nachfrage nach Gabelstapler-Fähigkeiten bei höherer betrieblicher KI-Exposition, die sie selbst als „modest" mit „substantial cross-country heterogeneity" einordnet.
Autonome Flurförderzeuge werden im Korpus namentlich als KI-Anwendungsfeld geführt, aber von keiner Quelle auf Tätigkeitsebene vermessen — das ist die größte Lücke dieser Rolle, und der ILO-Wert von 0,20 heißt präzise „ein Sprachmodell fährt keinen Stapler", nicht „diese Tätigkeit ist vor Automatisierung sicher".
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Gabelstaplerfahrer und verwandte Berufe allgemein — mit Tätigkeiten wie „Anlagen und Geräte installieren, warten und reparieren“ oder „Sach- und Verwaltungstexte sowie Berichte verfassen“.
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): Gabelstaplerfahrer und verwandte Berufe — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/gabelstaplerfahrer-und-verwandte-berufe
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0