Der Kern dieser Arbeit ist, allein und ungeschützt im Verkehr unterwegs zu sein – jede Fahrt verlangt volle Aufmerksamkeit auf Straße, Regeln und Fahrzeug gleichzeitig.
Ob Kurierfahrt oder Fahrgast auf drei Rädern: Kraftradfahrer bringen Personen, Post oder Güter mit dem Motorrad oder motorisierten Dreirad ans Ziel.
Kraftradfahrer fahren und bedienen Krafträder oder motorisierte Dreiräder, die zum Transport von Material, Gütern oder Fahrgästen ausgerüstet sind. Zu den Aufgaben gehören - (a) Fahren und Bedienen von Krafträdern oder motorisierten Dreirädern zum Transport von Material, Gütern und Fahrgästen; (b) Beachten der Verkehrsregeln und -signale; (c) Reinigen und Waschen der Fahrzeuge sowie Durchführen von Wartungs- und kleineren Reparaturarbeiten; (d) Führen eines Fahrtenbuchs; (e) Zustellen von Nachrichten. Beispiele für die hier eingeordneten Berufe: - Kurierfahrer/in - Fahrer/in (motorisierte Rikscha) - Fahrer/in (motorisiertes Dreirad) - Kraftradfahrer/in Einige verwandte, anderswo eingeordnete Berufe: - Fahrer/in (Fahrzeug mit Pedalantrieb) - 9331
Auslieferer mit Motorrad · Auslieferer mit Motorrad/Auslieferin mit Motorrad · Ausliefererin mit Motorrad · Kurier mit Motorrad · Kurierin mit Motorrad · Warenzusteller mit Motorrad · Warenzustellerin mit Motorrad · Zusteller mit Motorrad · Zustellerin mit Motorrad · express delivery motorcycle driver · home delivery motorcycle driver · motorcycle delivery person · +5 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 8321.
Das Fahren selbst bleibt gering betroffen — bewegt hat sich der schriftliche Papierkram daneben, der sich vom Verfassen hin zum Überarbeiten verschiebt.
Kraftradfahrer liegt im mittleren Bereich — von Fahrzeugreiniger · am wenigsten bis Datenerfasser · am stärksten betroffen.
| Eigene Auswertung | ILO-Einstufung | In der Berufsgruppe |
|---|---|---|
| Mittelfeld von 411 Berufen | nur am Rand von generativer KI berührt | Von 11 verglichenen Berufen sind 9 weniger betroffen als dieser. Gruppe: Fahrzeugführung & mobile Anlagen |
Ähnlich eingeordnet: Bediener von Anlagen in der Metallerzeugung und -umformung · Bediener von Anlagen und Maschinen für chemische Erzeugnisse · Fahrer schwerer Lastkraftwagen
Zum autonomen Fahren und zu Fahrassistenz gibt es keinen einzigen Befund. Ein niedriger Wert bedeutet, dass ein Sprachmodell kein Kraftrad fährt, und nicht, dass diese Tätigkeit gegen Automatisierung geschützt wäre. Nach heutigem Stand wenig berührt, mit der Fahrzeugautomatisierung 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
Für diesen Beruf gibt es einen eigenen Messwert, und das Fahren selbst ist niedrig eingestuft: Die Tätigkeit bleibt als Ganzes stark auf Aufgaben angewiesen, die sich kaum automatisieren lassen. Auffällig ist zwar eine breite Streuung, doch welche einzelnen Teilaufgaben sie erzeugt, sagt die Studienlage nicht — der Fahrvorgang selbst gilt ausdrücklich nicht als betroffen. Wo dieser Beruf aber Lieferscheine, Berichte und Verwaltungstexte schreibt, ist die Verschiebung gemessen: Der Zeitanteil für den ersten Entwurf halbierte sich von rund 50 auf unter 25 Prozent, das Überarbeiten stieg von 25 auf über 50 Prozent. Das Bedienen von Umschlagmaschinen und das Warten der Fahrzeuge bleibt unbewegt — die körperliche Ausführung bleibt menschlich. Der Schreib-Befund stammt allerdings aus einem kurzen Online-Experiment und aus Stellenanzeigen, nicht aus dem Fahrbetrieb selbst.
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.
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: Kraftradfahrer · 8321
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 Fahren selbst ist gemessen und niedrig eingestuft, aber die Streuung ist auffällig breit — und die schriftlichen Nebenaufgaben verschieben sich belegt.
Für diese Rolle liegt ein eigener Messwert vor: Die ILO führt 8321 Motorcycle Drivers unter „Minimal Exposure" mit 0,25 bei einer Streuung von 0,17 — das ist ein anderer Befund als bei Bus-, Bahn- und Baumaschinenführern, deren Streuung mit 0,02 bis 0,06 so eng liegt, dass auch keine einzelne Teilaufgabe auffällt; bei den Straßenfahrerberufen 8322 und 8332 mit SD 0,22–0,23 zeigt sich dasselbe Muster noch stärker, und die Quelle hält ausdrücklich fest, dass der Beruf als Ganzes „strongly reliant on tasks that have a low potential of automation" bleibt — sie sagt nicht, dass der Fahrvorgang exponiert wäre, und welche Teilaufgaben die Streuung erzeugen, weist sie nicht aus. Wo diese Rolle Lieferscheine, Berichte und Verwaltungstexte erstellt, ist die Verschiebung dagegen gemessen: Der Zeitanteil für den Rohentwurf halbierte sich von etwa 50 auf unter 25 Prozent, das Redigieren stieg von 25 auf über 50 Prozent, und in KI-exponierten Betrieben sinkt die Nachfrage nach administrativ-schriftlichen Fertigkeiten — beides allerdings aus einem kurzen Online-Experiment mit 444 Teilnehmenden beziehungsweise aus Stellenanzeigen, nicht aus dem Fahrbetrieb. Das Bedienen von Umschlagmaschinen und das Warten der Fahrzeuge bleiben unbewegt; bei letzterem wertete die ILO den Umfragewert nach Expertenprüfung von 0,55 auf 0,25 ab, weil die physische Ausführung menschlich bleibt.
Zum autonomen Fahren und zu Fahrassistenz enthält der gesamte Korpus keinen einzigen Befund auf Tätigkeitsebene — ein ILO-Wert von 0,25 bedeutet, dass ein Sprachmodell kein Kraftrad fährt, und nicht, dass diese Tätigkeit gegen Automatisierung geschützt wäre.
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Kraftradfahrer 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): Kraftradfahrer — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/kraftradfahrer
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0