Der Kern dieser Arbeit ist Timing und Gespür: Dieselbe Zutat wird je nach Moment und Erfahrung zu etwas anderem. Zutaten abwiegen, Temperaturen regulieren, Qualität prüfen – vieles davon nach Rezept, vieles nach eigenem Urteil.
Köche planen und kochen Mahlzeiten – nach Rezept oder eigenem Gespür – und behalten dabei die Qualität jeder Speise im Blick.
Köche planen, organisieren, bereiten zu und kochen Mahlzeiten, nach Rezepten oder unter Aufsicht von Küchenchefs, in Hotels, Restaurants und anderen Gaststätten, an Bord von Schiffen, in Reisezügen und in Privathaushalten. Zu den Aufgaben gehören - (a) Planen von Mahlzeiten, Zubereiten und Kochen von Lebensmitteln; (b) Planen, Beaufsichtigen und Koordinieren der Arbeit von Küchenhilfen; (c) Überprüfen der Qualität der Speisen; (d) Abwiegen, Abmessen und Mischen von Zutaten nach Rezept und eigenem Ermessen; (e) Regulieren der Temperatur von Öfen, Grills, Röstern und anderen Kochgeräten; Inspizieren und Reinigen der Küche, der Küchengeräte und der Serviceflächen, um sichere und hygienische Verfahren im Umgang mit Lebensmitteln zu gewährleisten; (f) Bedienen von Großraumkochgeräten wie Grills, Fritteusen oder Grillplatten. Beispiele für die hier eingeordneten Berufe: - Koch Einige verwandte, anderswo eingeordnete Berufe: - Café-Leiter - 1412 - Restaurantleiter - 1412 - Küchenchef - 3434 - Schnellimbiss-Zubereiter - 9411 Anmerkungen Betreiber kleiner Cafés, Restaurants und Bars, bei denen die Leitung und Beaufsichtigung des Personals keinen wesentlichen Bestandteil der Arbeit darstellt, werden je nach den hauptsächlich ausgeführten Aufgaben den Berufsgattungen 5120: Köche, 5131: Kellner oder 5132: Barkeeper zugeordnet.
Koch · Koch/Köchin · Köchin · Küchenchef · Küchenchefin · apprentice · chief of the group · chief of the kitchen · communard · cook · culinary operative · deputy kitchen chef · +17 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 5120.
Das Zubereiten, Reinigen und Bedienen der Küchentechnik bleibt von der KI-Welle unberührt — nur die Personalarbeit der Küchenleitung spaltet sich auf.
Köche 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 17 verglichenen Berufen sind 3 weniger betroffen als dieser. Gruppe: Personenbezogene Dienstleistungen |
Ähnlich eingeordnet: Feuerwehrleute · Kosmetiker und verwandte Berufe · Bestatter und Einbalsamierer
Küchen- und Serviceroboter, automatische Getränkeausgabe und Reinigungsautomaten hat bisher keine Studie einzeln betrachtet — die körperliche Arbeit in der Küche bleibt damit die große Unbekannte. Ein gemessener Rückgang von rund 5 % geht übrigens nicht auf KI zurück, sondern darauf, dass Betriebe ohne KI langsamer wuchsen.
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 Handwerk der Küche — kochen, reinigen, die Maschinen bedienen — zählt gemessen zu den am wenigsten betroffenen Tätigkeiten überhaupt; selbst einzelne Teilaufgaben zeigen hier kaum Angriffsfläche, einzig im Service tragen einzelne Aufgaben ein moderates Potenzial. Wo sich etwas verschiebt, ist die Leitung: Die schriftlich-administrative Ebene daneben — Ausschreibungen, Personalakten, Bescheinigungen — gehört zu den am stärksten betroffenen Bürotätigkeiten, während das Führen selbst gering betroffen bleibt. Dieselbe Küchenleitung, zwei Richtungen: das Anleiten bleibt, der Papierkram daneben verschiebt sich. Ein Hinweis aus einer anderen Branche zeigt, dass Neueinsteiger mit KI-Unterstützung deutlich schneller auf Erfahrungsniveau kamen — ob das auch für die Einarbeitung in der Küche gilt, ist allerdings ausdrücklich offen.
Die Arbeit an der Maschine bleibt körperlich, offene Fragen stellen sich erst bei der selbststeuernden Anlage.
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 Einarbeiten und Verwalten verschiebt sich, das Führen selbst bleibt menschlich.
Die administrative Seite der Personalarbeit gehört zu den am stärksten betroffenen Bürotätigkeiten, und beim Einarbeiten zeigt sich das konkret: Mit KI-Unterstützung sind neue Mitarbeitende schon nach zwei Monaten so weit wie sonst erst nach einem halben Jahr, und deutlich weniger von ihnen kündigen früh. Das Führen selbst — das Urteilen über Menschen und das Entscheiden in offenen Situationen — wird dagegen kaum an KI abgegeben und bleibt menschliche Aufgabe.
Die körperliche Reinigungsarbeit bleibt, die Rolle der Robotik ist noch offen.
Das Reinigen von Räumen, Flächen und Fahrzeugen lebt vom körperlichen Tun, und genau daran stößt die heutige KI an ihre Grenze: Systeme für Text und Bild haben auf diese physische Arbeit keinen Zugriff. Gleich drei unabhängige Untersuchungen ordnen die Reinigungsberufe übereinstimmend ganz unten bei der KI-Betroffenheit ein. Ob Robotik großflächige Bodenreinigung künftig übernimmt und sich die Tätigkeit stärker zu Nacharbeit, Kontrolle und Gerätebetreuung verschiebt, ist eine begründete Vermutung, aber noch nicht belegt.
Das Zubereiten und Servieren lebt vom körperlichen Tun — daran geht die heutige KI weitgehend vorbei.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
Die Arbeit in Küche und Service besteht im Kern aus körperlichem Handeln, und genau daran stößt die heutige KI an ihre Grenze: Systeme für Text und Sprache haben auf die physische Ausführung keinen Zugriff. Mehrere unabhängige Untersuchungen ordnen diese Tätigkeit übereinstimmend als kaum betroffen ein; das Servieren liegt dabei etwas höher als das Zubereiten, bleibt aber ebenfalls begrenzt. Unberührt heißt allerdings nicht ohne Folgen: Betriebe in diesem Feld führen KI seltener ein und könnten deshalb langsamer wachsen als stärker automatisierende Branchen.
Die handwerkliche Arbeit am Lebensmittel bleibt, weil die heutige KI hier nicht zugreifen kann.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
Das Verarbeiten und Veredeln von Lebensmitteln von Hand lebt vom körperlichen Tun — vom Zerlegen, Kneten, Prüfen und Abschmecken. Genau hier stößt die heutige KI an ihre Grenze: Sie ist stark im Verarbeiten von Sprache und Daten, hat aber auf die eigentliche physische Arbeit keinen Zugriff, weshalb Fachleute den manuellen Tätigkeiten durchweg ein niedriges Automatisierungspotenzial zuordnen. Mehrere unabhängige Messungen reihen diese Lebensmittelberufe übereinstimmend unter die am wenigsten betroffenen ein.
Zuletzt geprüft 2026-07-19
Amtliche Bezeichnung nach ISCO-08: Köche · 5120
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.
Gradient 4 4416 Personnel Clerks 0.6 0.09
Establishment-level AI exposure is associated with decreased demand for management skills. On average across countries in the sample demand for management skills declined by under 4 percentage points for a one standard deviation increase in AI exposure (Figure 4.2, Panel A). All countries in the sample are associated with a decline in management skills, and all are statistically significant from zero. Resource management includes human resource management, financial management, among others.
Access to the AI tool helps newer agents move more quickly down the experience curve: treated agents with two months of tenure perform just as well as untreated agents with more than six months of tenure. In contrast, we find minimal impacts on the productivity of more-experienced or more-skilled workers.
Panel A shows that access to AI assistance is associated with the strongest reductions in attrition among newer agents, those with less than 6 months of experience. The magnitude of this coefficient, around 10 percentage points, translates into a 40% decrease relative to a baseline attrition rate in this group of 25%.
Management, at 23% of respondents, is also heavily over-represented relative to its 7% employment share, even though it accounts for only 4% of sessions. This gap is consistent with managers using Claude for tasks other than management itself: in the survey, judgment and management are named by many respondents (especially those with more experience) as capabilities AI lacks.
Not Exposed 9112 Cleaners and Helpers in Offices, Hotels and Other Establishments 0.12 0.02 / Not Exposed 9123 Window Cleaners 0.11 0.03 / Not Exposed 9129 Other Cleaning Workers 0.1 0.01 / Not Exposed 7133 Building Structure Cleaners 0.09 0.01 / Not Exposed 9122 Vehicle Cleaners 0.09 0.01 / Not Exposed 9111 Domestic Cleaners and Helpers 0.14 0.08 / Not Exposed 9613 Sweepers and Related Labourers 0.09 0.03 / Minimal Exposure 5153 Building Caretakers 0.27 0.16 / Not Exposed 5151 Cleaning and Housekeeping Supervisors in Offices, Hotels and Other Establishments 0.22 0.1
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 / the highest exposure to GenAI is typically observed among groups with the largest share of tasks of cognitive nature and it declines with tasks of physical nature, which are more prominent among occupational groups 4-9
In contrast, ‚Cleaners, helpers', ‚Agriculture, forestry and fishery workers', ‚Food preparation assistants', ‚Labourers', ‚Refuse workers and other elementary workers' are the least exposed to AI. Therefore, high-skill, white collar occupations are the ones most exposed to recent progress in AI.
Table A.2: Top and bottom 25 occupations by average AI exposure — 25 Most Exposed Occupations | 25 Least Exposed Occupations […] Maids and Housekeeping Cleaners […] Janitors and Cleaners / These rankings are based on the computed AI exposure scores, which leverage task-level similarities between AI applications and occupational descriptions.
Not Exposed 5120 Cooks 0.18 0.06 / Not Exposed 9411 Fast Food Preparers 0.18 0.05 / Not Exposed 9412 Kitchen Helpers 0.13 0.02 / Not Exposed 3434 Chefs 0.25 0.06 / 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.
Minimal Exposure 5131 Waiters 0.28 0.16 / Minimal Exposure (Low exposure, moderate task variability) μ < 0.5 and μ + σ > 0.4 Occupations with low GenAI exposure, where some tasks show moderate automation potential, but overall occupational exposure remains limited.
In occupations dominated by manual and physical tasks […] 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
even occupations with little direct task exposure to AI—such as food preparation and serving—also experience employment share declines, since their employers are less likely to adopt AI and thus grow more slowly than AI-adopting firms.
In contrast, „Cleaners, helpers", „Agriculture, forestry and fishery workers", „Food preparation assistants", „Labourers", „Refuse workers and other elementary workers" are the least exposed to AI.
Not Exposed 7511 Butchers, Fishmongers and Related Food Preparers 0.13 0.03 / Not Exposed 7512 Bakers, Pastry-cooks and Confectionery Makers 0.17 0.08 / Not Exposed 7513 Dairy Products Makers 0.22 0.17 / Not Exposed 7514 Fruit, Vegetable and Related Preservers 0.15 0.04 / Not Exposed 7516 Tobacco Preparers and Tobacco Products Makers 0.14 0.06 / Minimal Exposure 7515 Food and Beverage Tasters and Graders 0.31 0.16 / 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.
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.
Food Preparation Workers / Cooks, Private Household / Cooks, Restaurant / This table details the top and bottom 25 occupations ranked by average AI exposure, as determined by the measurement process described in Section 2.2. These rankings are based on the computed AI exposure scores, which leverage task-level similarities between AI applications and occupational descriptions.
Zubereiten, Reinigen und das Bedienen der Küchentechnik sind gemessen unauffällig, allein die Personalarbeit der Küchenleitung spaltet sich auf
Für Cooks weist die ILO 0,18 bei SD 0,06 aus, unterste Kategorie „Not Exposed" — bei dieser Streuung ist auch keine einzelne Teilaufgabe des Berufs als exponiert gemessen worden; Küchenhilfen liegen bei 0,13 (SD 0,02), Fast Food Preparers bei 0,18 (SD 0,05), und nur das servierende Personal trägt mit Waiters (0,28, SD 0,16) einzelne Aufgaben mit moderatem Automatisierungspotenzial. Dasselbe Bild gilt für das Reinigen von Räumen, Flächen und Geräten — die Kern-Reinigungsberufe liegen bei 0,09 bis 0,14 mit Streuungen von 0,01 bis 0,03, unabhängig bestätigt durch Lane (2024) über die OECD und durch Hampole et al. — und für das Bedienen der Küchenmaschinen, wo kein Bedienberuf einen der vier Expositionsgradienten erreicht. Verändert ist allein der Personalteil der Küchenleitung: Die administrativ-schriftliche Schicht — Ausschreibungen, Personalakten, Bescheinigungen — liegt mit Personnel Clerks bei 0,6 im höchsten Gradienten, während die führende Schicht bei 0,36 bis 0,38 mit sehr niedriger Streuung bleibt, und eine Kundendienst-Feldstudie zeigt, dass Neue mit KI-Assistenz nach zwei Monaten das Leistungsniveau von über sechs Monaten Erfahrung erreichten — ob das für die Einarbeitung in der Küche gilt, ist ausdrücklich unbekannt.
Küchen- und Serviceroboter, automatisierte Getränkeausgabe und Reinigungsautomaten sind von keiner der zehn Korpusquellen auf Tätigkeitsebene gemessen; und der einzige Negativwert im Korpus — ein Rückgang des Beschäftigungsanteils von „Food Preparation and Serving" um 4,6 % — wird von der Quelle selbst nicht auf die Tätigkeit, sondern auf das langsamere Wachstum nicht KI-einführender Arbeitgeber zurückgeführt.
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Köche allgemein — mit Tätigkeiten wie „Maschinen und Anlagen bedienen und steuern“ oder „Personal führen, einstellen und schulen“.
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): Köche — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/koeche
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0