Der Kern dieser Arbeit ist, Sauberkeit über viele Räume hinweg gleichzeitig zu organisieren und selbst mit anzupacken. Personal einteilen, Vorräte kontrollieren, und nebenbei selbst Betten machen oder Böden wischen – Führung und Handarbeit gehören hier zusammen.
Reinigungs- und Hauswirtschaftsleiter sorgen dafür, dass Hotels, Büros und ähnliche Häuser sauber bleiben – und leiten dafür ein ganzes Team.
Reinigungs- und Hauswirtschaftsleiter in Büros, Hotels und anderen Einrichtungen organisieren, beaufsichtigen und führen hauswirtschaftliche Tätigkeiten aus, um Innenräume, Einrichtungsgegenstände und Anlagen in diesen Einrichtungen sauber und ordentlich zu halten. Zu den Aufgaben gehören - (a) Einstellen, Ausbilden, Entlassen, Organisieren und Beaufsichtigen von Hilfskräften, Reinigungskräften und anderem hauswirtschaftlichem Personal; (b) Einkaufen oder Kontrollieren des Einkaufs von Vorräten; (c) Kontrollieren der Lagerung und Ausgabe von Vorräten; (d) Beaufsichtigen des allgemeinen Wohlergehens und Verhaltens von Personen in Einrichtungen; (e) Kehren oder Staubsaugen, Waschen und Polieren von Böden, Möbeln und anderen Einrichtungsgegenständen; (f) Betten machen, Reinigen von Badezimmern, Bereitstellen von Handtüchern, Seife und verwandten Artikeln; (g) Reinigen von Küchen und allgemeines Helfen bei Küchenarbeiten, einschließlich Geschirrspülen; (h) Auffüllen von Minibars und Nachfüllen von Artikeln wie Trinkgläsern und Schreibutensilien. Beispiele für die hier eingeordneten Berufe: - Hausdame (Hotel) - Wirtschafterin (Hauswirtschaft) Einige verwandte, anderswo eingeordnete Berufe: - Hotelleiter - 1411 - Betreiber von Bed & Breakfast - 5152 - Hauswirtschafter in Privathaushalten - 5152 - Hauswart - 5153 - Reinigungskraft (Privathaushalt) - 9111
Hausdame · Hausherr · Hotelbutler · Hotelbutlerin · Hoteldiener · Hoteldiener/Hoteldienerin · Hoteldienerin · Hotelpage · Leitende Hauswirtschafterin · Leitender Hauswirtschafter · Leitender Hauswirtschafter/Leitende Hauswirtschafterin · Page · +15 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 5151.
Der beaufsichtigte Reinigungs- und Versorgungsbetrieb bleibt unberührt — berührt wird die administrative Schicht darum herum: Planung, Beschaffung, Bürozuarbeit.
Reinigungs- und Hauswirtschaftsleitung 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 8 weniger betroffen als dieser. Gruppe: Personenbezogene Dienstleistungen |
Ähnlich eingeordnet: Gesellschafter und Zofen/Kammerdiener · Reisebegleiter und Stewards · Straßenverkäufer von Lebensmitteln
Reinigungs-, Küchen- und Regalroboter — der naheliegendste Weg zur Automatisierung dieser Rolle — hat bisher keine Studie einzeln untersucht; hier lässt sich schlicht noch nichts Belastbares sagen. Auch beim Einkauf widersprechen sich die Quellen, und ob Lieferantengespräche und Beziehungspflege betroffen sind, ist in keine Richtung belegt. Die körperliche und organisatorische Arbeit vor Ort bleibt damit die große Unbekannte.
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 Kern der Aufsicht — Reinigung und Versorgung anleiten und im Blick behalten — ist gemessen und gilt als unberührt, ebenso die ausführende Arbeit selbst; der Grund ist, dass die untersuchten Systeme körperliche Aufgaben schlicht nicht ausführen können. Anders sieht es in der verwaltenden Schale der Rolle aus, und dort verläuft eine klare Bruchlinie: Die schriftlich-administrative Zuarbeit ist deutlich stärker betroffen als die eigentliche Führungsebene. Über zehn Länder hinweg zeigt sich zwar ein Rückgang der Nachfrage nach Management-Fähigkeiten, doch die Studienlage verortet ihn ausdrücklich in der Büro-Unterschicht und hält zugleich fest, dass Führungskompetenz in Verbindung mit KI-Kenntnis zu den gefragtesten Fähigkeiten am Markt zählt. Auch beim Bestand und Einkauf trifft es die planend-analytischen Teilaufgaben stärker als das Anordnen selbst — wobei die Quellen hier offen auseinanderlaufen und noch kein klares Bild ergeben.
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.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
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.
Die planende und preisoptimierende Seite der Beschaffung gerät durch KI in Bewegung, das Aushandeln und Pflegen von Lieferantenbeziehungen bleibt menschliche Arbeit.
Beim Optimieren von Preisen, Mengen und Lieferketten zählt der Einkauf zu den am stärksten von KI berührten Bereichen: Wo Aufgaben besonders KI-fähig sind, sinkt anschliessend die Nachfrage nach den zugehörigen Fähigkeiten, und die Arbeit verlagert sich innerhalb des Berufs zu weniger berührten Teilaufgaben. Zugleich stuft eine andere Untersuchung genau die Kern-Einkaufsberufe als kaum berührt ein, sodass das Bild uneinheitlich bleibt. Absehbar ist vor allem eine Verschiebung: Die datengetriebene Analyse übernimmt zunehmend KI, das Aushandeln und Pflegen der Lieferantenbeziehungen bleibt eine menschliche Aufgabe.
Das Zubereiten und Servieren lebt vom körperlichen Tun — daran geht die heutige KI weitgehend vorbei.
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.
Das Organisieren von Warenbestand und Verkaufsfläche bleibt vom Anfassen geprägt und weitgehend unberührt.
Das Einräumen, Ordnen und Bereitstellen von Waren zählt zu den am wenigsten betroffenen Tätigkeiten: Die praktische Arbeit an Regal und Fläche lässt sich schwer automatisieren, und Fachleute haben die Automatisierungswerte für solche manuellen Aufgaben ausdrücklich nach unten korrigiert. Einzelne angrenzende Teilaufgaben, etwa im direkten Verkauf, sind stärker berührt, und anordnende oder planende Rollen liegen dabei höher als die ausführenden.
Zuletzt geprüft 2026-07-19
Amtliche Bezeichnung nach ISCO-08: Reinigungs- und Hauswirtschaftsleiter in Büros, Hotels und anderen Einrichtungen · 5151
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.
In pricing and supply chain optimization, Purchasing Managers and Wholesale and Retail Buyers emerge as the most exposed, while in process automation and operational efficiency the most exposed tasks are linked to Sales Engineers and Other Engineering Technologists.
Across all specifications, coefficients on task-level AI exposure are negative and of similar magnitude: greater exposure reduces the intensity with which firms demand skills linked to those tasks. […] a one–standard deviation increase in task-level AI exposure lowers demand for the associated skills by about 2 percent over five years. Because the dependent variable is a share, this implies reallocation of labor effort away from exposed tasks and toward less-exposed tasks within the same occupation.
Purchasing Agents (13-1023) 1.51 / High-skill, high-wage occupations are the most exposed to artificial intelligence. […] These are occupations that require cognitive skills that cannot be automated with a discrete set of instructions, but for which artificial intelligence excels
One-third of organizations expect AI to reduce their workforce in the coming year, even though large-scale job losses have not yet shown up in overall employment data. […] Anticipated reductions are highest in service operations, supply chain, and software engineering. Across nearly all functions, anticipated decreases outpaces those already observed. / This trend is particularly pronounced in service operations, supply chain/inventory management, marketing and sales, and software engineering, where the expected decrease in employees for the next year significantly exceeds the actual decrease reported over the past year.
Minimal Exposure 3323 Buyers 0.39 0.08 / Minimal Exposure 1324 Supply, Distribution and Related Managers 0.38 0.05 / 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. / a more granular distinction of Minimal Exposure, where some interaction with GenAI may occur, but without significantly altering the nature of these roles / Moderate occupational AI exposure, with high task-level variability. These occupations include a mix of some tasks that are exposed to GenAI and others not at risk, making the impact uneven.
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 9334 Shelf Fillers 0.2 0.1 / Occupations where most tasks remain relatively unaffected by GenAI, with low task variability and a stable low mean exposure score.
Minimal Exposure 4321 Stock Clerks 0.37 0.06 / Occupations with low GenAI exposure, where some tasks show moderate automation potential, but overall occupational exposure remains limited.
Gradient 1 5223 Shop Sales Assistants 0.38 0.16 / 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.
Gradient 2 5221 Shopkeepers 0.43 0.1 / Gradient 2 1420 Retail and Wholesale Trade Managers 0.44 0.15
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.
Der beaufsichtigte Reinigungs- und Versorgungsbetrieb ist gemessen und als nicht exponiert eingestuft, während sich das Gefälle in der leitenden, disponierenden und beschaffenden Schale der Rolle deutlich anders darstellt.
Die ILO führt Cleaning and Housekeeping Supervisors (5151) rollenspezifisch mit μ 0,22 bei SD 0,10 in der Kategorie „Not Exposed" — etwas höher als die ausführenden Reinigungsberufe, die mit 0,12 bei SD 0,02 und 0,10 bei SD 0,01 so eng streuen, dass dort nicht einmal eine einzelne Teilaufgabe herausfällt, und die ILO begründet das damit, dass die untersuchten Systeme „do not possess capabilities for physical task execution"; dasselbe gilt für Zubereitung und Ausgabe von Speisen, wo sieben von acht Berufen in der untersten Kategorie liegen. Für die anleitende Seite der Rolle ist der Befund gegenläufig: In der Personalarbeit trennt die ILO die administrativ-schriftliche Schicht (4416 Personnel Clerks 0,60, Gradient 4) um 0,24 Expositionspunkte von der Führungsschicht (1212 HR Managers 0,36 bei SD 0,05), und die OECD misst zwar in zehn Ländern einen Rückgang der Nachfrage nach Management-Fertigkeiten von knapp vier Prozentpunkten je Standardabweichung betrieblicher KI-Exposition, verortet ihn aber ausdrücklich selbst in der büroadministrativen Unterschicht und verweist gegenläufig darauf, dass Managementkompetenz in Verbindung mit KI-Kenntnis zu den gefragtesten Fähigkeiten am Markt zählt. In der dispositiven Schale wiederholt sich dieses Gefälle — beim Organisieren von Bestand und Fläche liegen die Ausführenden mit Shelf Fillers bei 0,20 und Stock Clerks bei 0,37 (SD 0,06) niedrig, die anordnenden Shopkeeper und Handelsleitungen mit 0,43 und 0,44 höher —, während beim Einkauf die Quellen offen auseinanderlaufen: Die ILO führt Buyers bei 0,39 als „Minimal Exposure" mit gleichmäßig niedriger Streuung, Firmendaten zeigen dagegen gerade die analytisch-dispositiven Teilaufgaben als hoch exponiert und messen eine Umschichtung von rund zwei Prozent Skill-Nachfrage je Standardabweichung Exposition über fünf Jahre.
Reinigungs-, Küchen- und Regalrobotik — der naheliegendste Automatisierungspfad dieser Rolle — wird von keiner der Korpusquellen auf Tätigkeitsebene gemessen, und der Widerspruch der Quellen zum Einkauf bleibt ungelöst; Lieferantenverhandlung und Beziehungspflege sind in keine Richtung belegt.
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Reinigungs- und Hauswirtschaftsleitung allgemein — mit Tätigkeiten wie „Personal führen, einstellen und schulen“ oder „Räume, Flächen und Fahrzeuge reinigen“.
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): Reinigungs- und Hauswirtschaftsleitung — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/reinigungs-und-hauswirtschaftsleitung
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0