Der Kern dieser Arbeit ist, aus Messwerten eine Vorhersage zu machen, auf die andere sich verlassen können – und die trotzdem nie ganz sicher ist. Daten sammeln, Modelle rechnen, Warnungen formulieren: Die Atmosphäre bewegt sich weiter, während die Vorhersage schon läuft.
Meteorologen sagen das Wetter vorher – für die Luftfahrt, die Landwirtschaft, die Schifffahrt und für alle, die morgens aus dem Fenster schaün.
Meteorologen erstellen kurzfristige oder langfristige Wettervorhersagen, die in der Luftfahrt, Schifffahrt, Landwirtschaft und anderen Bereichen sowie zur Information der Öffentlichkeit genutzt werden. Sie betreiben Forschung zur Zusammensetzung, Struktur und Dynamik der Atmosphäre. Zu den Aufgaben gehören - (a) Untersuchen von Richtung und Geschwindigkeit von Luftbewegungen, Drücken, Temperaturen, Luftfeuchtigkeit, physikalischen und chemischen Umwandlungen von Schadstoffen sowie anderer Phänomene wie Wolkenbildung und Niederschlag, elektrischer Störungen oder Sonneneinstrahlung; (b) Auswerten von Daten, die von Wetterstationen, Radar- und Satellitenbildern sowie Computermodellausgaben gesammelt wurden, um Wetterbedingungen darzustellen und vorherzusagen; (c) Erstellen und Melden kurz- oder langfristiger Wetterkarten, Vorhersagen und Warnungen zu atmosphärischen Phänomenen wie Wirbelstürmen, Stürmen und anderen Gefahren für Leben und Eigentum sowie Verbreiten von Informationen über atmosphärische Bedingungen über verschiedene Medien einschließlich Radio, Fernsehen, Printmedien und Internet; (d) Durchführen von Experimenten zur Nebelauflösung, Wolkenimpfung, Regenverstärkung und anderen Arten von Wettermodifikationsprogrammen; (e) Entwickeln und Testen mathematischer Computermodelle von Wetter und Klima für experimentelle oder operative Nutzung; (f) Mitwirken an Studien über die Auswirkungen des Wetters auf die Umwelt; (g) Analysieren der Auswirkungen von Industrieprojekten und menschlicher Aktivität auf Klima und Luftqualität sowie Zusammenarbeiten mit den Sozial-, Ingenieur- und Wirtschaftswissenschaften zur Entwicklung geeigneter Minderungsstrategien; (h) Mitwirken an der Konzeption und Entwicklung neuer Geräte und Verfahren zur meteorologischen Datenerfassung und Fernerkundung oder für verwandte Anwendungen; (i) Betreiben von Forschung sowie Verbessern oder Entwickeln von Konzepten, Theorien und Arbeitsmethoden im Zusammenhang mit der Zusammensetzung, Struktur und Dynamik der Atmosphäre sowie Erstellen wissenschaftlicher Arbeiten und Berichte über die Ergebnisse dieser Forschung. Beispiele für die hier eingeordneten Berufe: - Klimatologe - Hydrometeorologe - Meteorologe - Wettervorhersager
Fachkraft Messwesen · Meteorologe · Meteorologe/Meteorologin · Meteorologin · Metrologe · Metrologe/Metrologin · Metrologin · atmospheric analyst · atmospheric research analyst · atmospheric research scientist · atmospheric researcher · atmospheric science researcher · +25 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 2112.
Das Durchsuchen und Auswerten großer Datenbestände verschiebt sich — das Deuten der Ergebnisse gewinnt an Gewicht, und über Messungen und Feldanalysen schweigt die Studienlage.
Meteorologen liegt nahe am oberen Rand — von Fahrzeugreiniger · am wenigsten bis Datenerfasser · am stärksten betroffen.
| Eigene Auswertung | ILO-Einstufung | In der Berufsgruppe |
|---|---|---|
| oberstes Fünftel von 411 Berufen | im oberen Bereich der von generativer KI berührten Berufe | Von 24 verglichenen Berufen sind 22 weniger betroffen als dieser. Gruppe: Naturwissenschaft & Ingenieurwesen |
Ähnlich eingeordnet: Journalisten · Autoren und verwandte schriftstellerische Berufe · Bibliotheks- und Informationswissenschaftler
Die Einordnung steht auf Ebene der einzelnen Tätigkeiten, denn ein eigener Wert für diese Rolle liegt nicht vor. Untersucht wurde ausschließlich generative KI — automatische Messnetze, Sensorik und Feldmesstechnik fallen aus dem Bild heraus. Zu diesem technisch-messenden Teil der Arbeit lässt sich nach heutigem Stand also noch nichts Belastbares sagen.
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
Der explorative Teil der Arbeit verschiebt sich am deutlichsten: Das Durchsuchen von Datenbeständen und das Aufspüren von Mustern und Ursachen übernimmt zunehmend die verbreitetste KI-Anwendung überhaupt. Das Deuten der Ergebnisse wird dadurch nicht überflüssig, sondern laut Studienlage sogar wichtiger — dass die Interpretationsleistung selbst übernommen würde, belegt keine Quelle. Auf der Berichts- und Textseite verlagert sich die Zeit spürbar: weg vom Rohentwurf, hin zum Redigieren. Das Durchführen von Messungen, Tests und Feldanalysen dagegen hat bislang keine Untersuchung betrachtet — daraus folgt weder Betroffenheit noch das Gegenteil.
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.
Zu dieser Aufgabe liegt noch keine belastbare Untersuchung vor.
Wie sich das Durchführen von Experimenten, Tests und Feldanalysen entwickelt, lässt sich noch nicht belastbar sagen — es ist einer der größten blinden Flecken der verfügbaren Untersuchungen. Vermutlich verschieben sich vor allem das Auswerten und Dokumentieren der Versuche, während die praktische Durchführung und Probennahme am Objekt stärker menschlich bleiben; der wertbildende Kern könnte in Versuchsdesign und Ergebnisbeurteilung wandern. Das ist aber eine begründete Vermutung, kein Befund.
Das maschinelle Auswerten von Daten übernimmt zunehmend die KI, das Deuten der Ergebnisse wird wichtiger.
Das Analysieren und Deuten von Daten verändert sich spürbar: Das Aufspüren von Trends und Zusammenhängen ist die verbreitetste KI-Anwendung überhaupt und trifft genau die Berufe, die diese Aufgabe ausführen — Werkzeuge durchsuchen Kennzahlen und Datenbanken und fassen Auffälligkeiten in verständlicher Sprache zusammen. Die eigentliche Interpretationskompetenz wird dadurch aber nicht ersetzt, sondern gerade wichtiger; Fachleute berichten, dass Datenauswertung und -deutung an Bedeutung gewinnen. Wie stark sich die Aufgabe verschiebt, hängt davon ab, wie breit sie im jeweiligen Beruf ausgefüllt wird — mal verlagert sie sich nur, mal fällt sie stärker weg.
Beim Entwickeln von Modellen und Methoden übernimmt KI zunehmend die strukturiert-analytischen Anteile, das Durchdenken und Verantworten bleibt.
Das Entwickeln von Modellen, Theorien und Methoden gehört zu den Tätigkeiten, bei denen sich viel bewegt: Ein erheblicher Teil der Aufgaben ist durchgängig KI-nah, und Fachleute haben gerade die strukturiert-analytischen, daten- und kommunikationsbezogenen Anteile nach oben korrigiert — nicht nur Routinearbeit, sondern spezialisierte fachliche Aufgaben. Betroffenheit heißt dabei aber nicht Ersetzung: Ein großer Teil der heutigen Arbeit lässt sich mit KI erledigen, während dieselben Tätigkeiten sich zugleich weiterentwickeln und neue Aufgaben hervorbringen können.
Zuletzt geprüft 2026-07-19
Amtliche Bezeichnung nach ISCO-08: Meteorologen · 2112
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.
Kein Einzelbeleg — als „nicht untersucht" eingestuft.
Gradient 4 2413 Financial Analysts 0.62 0.06 […] Gradient 3 3314 Statistical, Mathematical and Related Associate Professionals 0.57 0.1 […] Gradient 3 2120 Mathematicians, Actuaries and Statisticians 0.56 0.09 […] Gradient 3 2631 Economists 0.55 0.08 / 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.
SMEs indicate that GenAI has made data analysis and interpretation skills more important, along with other skills (OECD, 2025 [11]). / growing use of algorithmic management tools in the workplace is increasing the need for certain skills, such as those related to general management and analysis (e.g. ability to use or interpret data) (Milanez, Lemmens and Ruggiu, 2025 [34])
The most common cluster across nearly all sectors is 'Business Intelligence Insights,' reflecting the broad applicability of predictive analytics. / Applications in the Business Intelligence Insights category affect a wide range of workers, especially those in Management, Business and Financial, and Computer and Math occupations. / Business-intelligence tools here scan dashboards and databases to find trends and root causes without manual digging. They alert users when a key metric shifts and explain the main drivers by region, channel, or customer type. Natural-language summaries make insights readable for non-analysts.
Management Analysts and Financial Risk Specialists show similar mean exposure to 'Business Intelligence Insights' applications, but exposure is more concentrated for Management Analysts, making them less likely to be displaced according to our model. / 'Operational Data Analytics' affects tasks more narrowly than 'Customer Experience Automation' despite similar mean exposure, leading to very different implications for labor demand.
Technology-related roles are the fastest-growing jobs in percentage terms, including Big Data Specialists, Fintech Engineers, AI and Machine Learning Specialists and Software and Application Developers.
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.
some occupations – such as financial analysts, and web and multimedia developers (gradient 4), as well as bank tellers, translators, applications programmers, investment advisers (gradient 3) – have increased their levels of exposure, highlighting the expanding abilities of GenAI technology to potentially automate more specialized tasks in professional and technical roles.
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. / experts highlighted the limitations of generative AI in handling physical and manual components, leading to significantly reduced adjusted scores compared to the survey.
we stress that such exposure does not imply the immediate automation of an entire occupation, but rather the potential for a large share of its current tasks to be performed using this technology. / The scores reflect the high potential of automation among their current tasks, but these occupations also possess a strong capacity to evolve and develop new tasks through innovative application of GenAI and related digital tools.
Das Durchsuchen und Auswerten von Datenbeständen verschiebt sich, das Deuten der Ergebnisse gewinnt an Gewicht — für Messungen und Feldanalysen liegt keine Untersuchung vor.
Für ISCO 2112 selbst weist keine Quelle einen Expositionswert aus; auf Tätigkeitsebene liegen die datenanalytischen Trägerberufe in der oberen Hälfte der ILO-Skala (2120 Mathematiker, Aktuare und Statistiker 0,56 und 3314 statistische Fachkräfte 0,57, beide Gradient 3; 2413 Financial Analysts 0,62, Gradient 4), bei mittleren Streuungen von 0,06–0,10, was für eine über die Teilaufgaben hinweg relativ gleichmäßige Exposition spricht. Konkret verschiebt sich dabei der explorative Teil: das Durchsuchen von Datenbeständen und das Auffinden von Mustern und Ursachen übernimmt laut NBER die über nahezu alle Sektoren verbreitetste KI-Anwendungsklasse („find trends and root causes without manual digging"), während die OECD berichtet, dass Datenanalyse- und Interpretationsfähigkeiten dadurch *wichtiger* werden — eine Übernahme der Interpretationsleistung selbst belegt keine Quelle, und in der Modell- und Methodenentwicklung stufte die ILO formal-mathematische Modellbildung (Gradient 3) deutlich höher ein als messgebunden-experimentelle Fächer (2113 Chemiker 0,39; 2114 Geologen und Geophysiker 0,36, beide Minimal Exposure). Für die Berichts- und Textseite ist die Zeitstruktur experimentell verschoben (Rohentwurfsanteil von rund 50 % auf weniger als die Hälfte, Redigieranteil von 25 % auf über 50 %, bei 444 Teilnehmenden), während das Durchführen von Messungen, Tests und Feldanalysen von keiner der zehn Korpusquellen betrachtet wird — daraus folgt weder Betroffenheit noch Unbetroffenheit.
Alle Aussagen zu dieser Rolle stehen auf Tätigkeitsebene, da für 2112 kein eigener Expositionswert existiert; automatisierte Messnetze, Sensorik und Feldmesstechnik fallen unter keine der zehn Quellen, gemessen wurde ausschließlich generative KI.
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Meteorologen allgemein — mit Tätigkeiten wie „Sach- und Verwaltungstexte sowie Berichte verfassen“ oder „Experimente, Tests und Feldanalysen durchführen“.
Für diesen Beruf sprechen die Daten für deutliche 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): Meteorologen — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/meteorologen
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0