Der Kern dieser Arbeit ist, große Mengen an Zahlen sauber und nachvollziehbar aufzubereiten. Von der Planung einer Erhebung bis zur fertigen Tabelle steckt viel wiederkehrende Rechen- und Prüfarbeit dahinter. An genau dieser Stelle verändert sich gerade etwas.
Wenn Zahlen für eine Erhebung gesammelt, geprüft und aufbereitet werden müssen, sind nicht akademische statistische und mathematische Fachkräfte zur Stelle – meist an der Seite von Statistikern oder Versicherungsmathematikern.
Nicht akademische statistische, mathematische und verwandte Fachkräfte unterstützen bei der Planung der Erhebung, Verarbeitung und Präsentation statistischer, mathematischer oder versicherungsmathematischer Daten und bei der Durchführung dieser Tätigkeiten, in der Regel unter Anleitung von Statistikern, Mathematikern und Versicherungsmathematikern. Zu den Aufgaben gehören - (a) Unterstützung bei der Planung und Durchführung statistischer, mathematischer, versicherungsmathematischer und verwandter Berechnungen; (b) Erstellung detaillierter Schätzungen von Mengen und Kosten der für statistische Zählungen und Erhebungsvorgänge erforderlichen Materialien und Arbeitskräfte; (c) Durchführung technischer Aufgaben im Zusammenhang mit dem Aufbau, der Pflege und der Nutzung von Registern und Stichprobenrahmen für Zählungen und Erhebungsvorgänge; (d) Durchführung technischer Aufgaben im Zusammenhang mit Datenerhebung und Qualitätskontrolle bei Zählungen und Erhebungen; (e) Verwendung von Standard-Computersoftware zur Durchführung mathematischer, versicherungsmathematischer, statistischer, buchhalterischer und verwandter Berechnungen; (f) Aufbereitung statistischer, mathematischer, versicherungsmathematischer, buchhalterischer und anderer Ergebnisse zur Darstellung in grafischer oder tabellarischer Form; (g) Anwendung von Kenntnissen statistischer, mathematischer, versicherungsmathematischer, buchhalterischer und verwandter Grundsätze und Praktiken zur Identifizierung und Lösung von Problemen, die im Verlauf ihrer Arbeit auftreten; (h) Beaufsichtigung der Arbeit von statistischen Sachbearbeitern. Beispiele für die hier eingeordneten Berufe: - Versicherungsmathematischer Assistent - Mathematischer Assistent - Statistischer Assistent Einige verwandte, anderswo eingeordnete Berufe: - Versicherungsmathematiker - 2120 - Mathematiker - 2120 - Statistiker - 2120 - Buchhaltungsassistent - 3313 - Statistischer Sachbearbeiter - 4312
statistische Assistentin · Statistischer Assistent · Statistischer Assistent/Statistische Assistentin · Teamassistent - Statistik · Teamassistentin - Statistik · Versicherungsmathematische Assistentin · versicherungsmathematischer Assistent · Versicherungsmathematischer Assistent/Versicherungsmathematische Assistentin · actuarial aide · actuarial analyst assistant · actuarial assistant · actuarial assistant - life product development · +17 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 3314.
Datenauswertung und Erhebungsarbeit zählen zu den deutlich betroffenen Tätigkeiten — das Deuten der Ergebnisse gewinnt zugleich an Gewicht.
Nicht akademische Statistikfachkräfte 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 20 weniger betroffen als dieser. Gruppe: Kaufmännische Fachkräfte |
Ähnlich eingeordnet: Fachkräfte für Abrechnungs- und Speditionsdienstleistungen · Sekretariatsfachkräfte im juristischen Bereich · Kreditsachbearbeiter
Wie viel der Analysezeit tatsächlich an KI übergeht, ist bisher nicht beziffert, und zur Qualität KI-gestützter Dateninterpretation gibt es noch kein einziges Experiment. Für Modellentwicklung, Dokumentation und Personalarbeit fehlt eine eigene Auswertung dieses Berufs — sie ruht auf Zahlen aus verwandten Tätigkeiten. Nach heutigem Stand deutet vieles auf Veränderung hin, doch ob die Ergebnisse verlässlich sind, muss sich erst noch zeigen.
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 das Auswerten von Daten und die Umfragearbeit liegt ein Wert für genau diesen Beruf vor, und er ist deutlich: Diese Tätigkeiten zählen zu den stärker betroffenen, und die Betroffenheit verteilt sich über den ganzen Aufgabenmix, nicht auf eine einzelne Randaufgabe. Belegt verschiebt sich vor allem der erkundende Teil — Dashboards und Datenbanken nach Mustern durchsuchen, Ergebnisse in normaler Sprache zusammenfassen; umgekehrt berichten Betriebe, dass gerade Analyse und Deutung wichtiger werden, und betroffen heißt hier Potenzial, nicht vollzogene Ersetzung. Für die übrigen Aufgabenstränge — Aktenverwaltung, Methodenentwicklung, Personalarbeit — fehlt ein eigener Wert, und die Quelle hat ihre früheren Erwartungen für Büroaufgaben ausdrücklich als zu optimistisch zurückgenommen.
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.
Das Ablegen und Verwalten von Dokumenten läuft zunehmend automatisch, ganz ohne menschlichen Anteil geht es aber nicht.
Das Verwalten und Ablegen von Akten gehört zu den Tätigkeiten, die KI am stärksten erfasst — die Berufe, in denen es steckt, zählen zu den am deutlichsten betroffenen. In KI-nahen Betrieben sinkt die Nachfrage nach Aktenführungs- und Bürofertigkeiten messbar, und Fachleute rechnen mit einem KI-getriebenen Rückgang dieser Tätigkeiten; das gilt als Bruch mit einer früheren Zeit, in der solche Fertigkeiten sogar gefragter wurden. Zugleich hat die Forschung ihre eigene Erwartung an eine Vollautomatisierung nach unten korrigiert: In der Praxis brauchen viele dieser Aufgaben weiterhin spürbaren menschlichen Einsatz.
Das maschinelle Auswerten von Daten übernimmt zunehmend die KI, das Deuten der Ergebnisse wird wichtiger.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
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.
Das Erheben und Auswerten verschiebt sich Richtung KI, doch der Aufwand am Menschen bleibt größer als zunächst gedacht.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
Das Durchführen von Umfragen und Interviews zählt zu den stärker betroffenen Tätigkeiten: Sowohl die Feldarbeit selbst als auch die Auswertungsseite sind durchgängig betroffen, und stärker exponierte Aufgaben verlieren in den Daten anschließend an Arbeitsnachfrage. Zugleich haben die Forschenden ihre frühere Einschätzung nach unten korrigiert — Aufgaben wie das reine Erfassen galten einmal als fast vollständig automatisierbar, erfordern in der Praxis aber weiterhin erheblichen menschlichen Aufwand. Der Trend zeigt klar Richtung KI, fällt im Tempo aber nüchterner aus als anfangs angenommen.
Zuletzt geprüft 2026-07-19
Amtliche Bezeichnung nach ISCO-08: Nicht akademische statistische, mathematische und verwandte Fachkräfte · 3314
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.
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.
While tasks such as taking meeting notes or scheduling appointments can significantly benefit from GenAI support, our 2023 scores for such tasks, which reached 0.9 in some cases, reflected an overly optimistic assessment of full automation potential. In reality, many of these tasks still require substantial human effort.
Skills and tasks that can be roughly described as clerical tasks were the sub-group of skills that saw the largest reduction in demand. Demand for clerical skills declined by slightly more than 2 percentage points for a one standard deviation increase in establishment-level AI exposure … The most frequently demanded skills in clerical tasks are administrative support and record keeping, and this subgrouping includes the use of general office tools as well.
Hershbein and Kahn (2018) show that vacancies demanding routine, cognitive skills such as those found in clerical and administrative occupations demanded more skills, and employment in these positions grew modestly after the great recession. … This report finds that AI may now be putting these same clerical and administrative skills under direct threat of automation leading to diminishing demand for these skills.
The presence of both Graphic Designers and Legal Secretaries just outside the top 10 fastest-declining job roles, a first-time prediction not seen in previous editions of the Future of Jobs Report, may illustrate GenAI's increasing capacity to perform knowledge work. Job decline in both roles is seen as driven by both AI and information processing technologies as well as by broadening digital access.
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.
Gradient 3 4227 Survey and Market Research Interviewers 0.55 0.16
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.
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 2431 Advertising and Marketing Professionals 0.55 0.09 | Gradient 3 2631 Economists 0.55 0.08 | Gradient 3 2642 Journalists 0.54 0.1 | Gradient 2 2632 Sociologists, Anthropologists and Related Professionals 0.48 0.12
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 | While tasks such as taking meeting notes or scheduling appointments can significantly benefit from GenAI support, our 2023 scores for such tasks, which reached 0.9 in some cases, reflected an overly optimistic assessment of full automation potential. In reality, many of these tasks still require substantial human effort.
Tasks with higher AI exposure subsequently experience reduced labor demand. | Table A.2: Top and bottom 25 occupations by average AI exposure 25 Most Exposed Occupations … Market Research Analysts and Marketing Specialists
Datenauswertung und Erhebungsarbeit sind für genau diesen Beruf als deutlich exponiert gemessen, während die Interpretationsleistung laut derselben Quellenlage an Gewicht gewinnt
Für zwei der fünf Aufgabenstränge dieser Rolle gibt es einen Wert für exakt diesen Beruf: Die ILO führt 3314 mit 0,57 bei einer Streuung von 0,10 in Gradient 3, sowohl für das Analysieren und Interpretieren von Daten als auch für die Instrumenten- und Auswertungsseite von Umfragen — die Streuung ist dabei mittel, die Exposition also über den Aufgabenmix verteilt und nicht auf eine einzelne Randaufgabe zusammengedrängt. Was sich verschiebt, ist belegt vor allem der explorative Teil: Die verbreitetste KI-Anwendungsklasse überhaupt („Business Intelligence Insights“, NBER 33509) durchsucht Dashboards und Datenbanken „to find trends and root causes without manual digging“ und macht Ergebnisse per „natural-language summaries“ auch für Nicht-Analysten lesbar — gegenläufig dazu berichtet die OECD, dass Betriebe „data analysis and interpretation skills more important“ nennen, was als Relais zweier Fremdstudien allerdings nur als eine Stimme zählt, und die ILO betont, Exposition sei „potential“, nicht vollzogene Substitution. Ungleich betroffen sind die übrigen Stränge: Aktenverwaltung, Modell- und Methodenentwicklung sowie Personalarbeit haben für 3314 keinen eigenen Wert, sondern nur Tätigkeitsbefunde — bei der Modellentwicklung reicht die Spreizung von 2120 Mathematikern und Aktuaren (0,56, Gradient 3) bis zu experimentell-laborgebundener Arbeit bei Minimal Exposure, und die ILO hat ihre eigenen 2023er-Erwartungen für Büroaufgaben ausdrücklich als „overly optimistic“ zurückgenommen.
Kein Korpuswert beziffert, welcher Anteil der Analysezeit tatsächlich auf KI übergeht, es gibt kein einziges Experiment zur Qualität KI-gestützter Dateninterpretation, und für Modellentwicklung, Aktenführung und Personalarbeit liegt kein Wert für 3314 vor, sondern nur eine Einordnung über fremde ISCO-Codes.
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Nicht akademische Statistikfachkräfte allgemein — mit Tätigkeiten wie „Personal führen, einstellen und schulen“ oder „Akten und Dokumente verwalten und ablegen“.
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): Nicht akademische Statistikfachkräfte — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/nicht-akademische-statistikfachkraefte
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0