Der Kern dieser Arbeit ist einfache Wiederholung im Freien: kehren, schaufeln, säubern, egal bei welchem Wetter. Was genau zu tun ist, ändert sich mit der Jahreszeit – Laub im Herbst, Schnee im Winter.
Straßen, Parks und Bahnhöfe bleiben sauber, weil sie regelmäßig durchgekehrt werden: Straßenkehrer fegen Laub, Schnee und Abfall weg.
Straßenkehrer und verwandte Hilfskräfte kehren und reinigen Straßen, Parks, Flughäfen, Bahnhöfe und andere öffentliche Orte. Zu den Aufgaben gehören - (a) Kehren von Straßen, Parks, Flughäfen, Bahnhöfen und ähnlichen öffentlichen Orten; (b) Schneeschaufeln; (c) Ausklopfen von Staub aus Teppichen mit einem Teppichklopfer; (d) Reinigen von Zufahrten und Grundstücken von Abfall, Laub und Schnee. Beispiele für die hier eingeordneten Berufe: - Parkkehrer/in - Straßenkehrer/in
Straßenfeger · Straßenfegerin · Straßenkehrer · Straßenkehrer/Straßenkehrerin · Straßenkehrerin · Straßenreiniger · Straßenreinigerin · leaf vacuum operator · leaf-sucker operator · street maintenance worker · street sweeper · street sweeper driver · +1 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 9613.
Die Flächenreinigung im öffentlichen Raum zählt zu den am niedrigsten gemessenen Tätigkeiten überhaupt — der Automatisierungspfad, der hier wirklich naheliegt, ist noch gar nicht untersucht.
Straßenkehrer und verwandte Berufe liegt nahe am unteren Rand — von Fahrzeugreiniger · am wenigsten bis Datenerfasser · am stärksten betroffen.
| Eigene Auswertung | ILO-Einstufung | In der Berufsgruppe |
|---|---|---|
| unterstes Fünftel von 411 Berufen | nicht von generativer KI berührt | Von 6 verglichenen Berufen ist keiner weniger betroffen als dieser. Gruppe: Abfallentsorgung & weitere Hilfskräfte |
Ähnlich eingeordnet: Arbeiter in der Abfall- und Wertstoffsammlung · Fahrzeugreiniger · Hilfsarbeiter im Ackerbau
Gemessen wurde nur Software-KI; Kehrmaschinen, autonome Reinigungsfahrzeuge und andere physische Automatisierung im öffentlichen Raum sind nicht erfasst. Nach heutigem Stand wenig berührt, mit dieser Technik 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
Das Kehren und Reinigen im öffentlichen Raum liegt mit einem der niedrigsten Werte der gesamten Tabelle ganz unten — nicht einmal einzelne Teilaufgaben wurden als betroffen bewertet, und eine zweite, unabhängige Untersuchung zählt Reinigungs- und einfache Hilfsberufe ausdrücklich zu den am wenigsten von KI berührten Gruppen. Der Grund ist eindeutig: Die untersuchten Systeme können körperliche Arbeiten schlicht nicht ausführen. Der einzige Befund, der nach KI-bedingtem Stellenabbau klingt, eine Rückgangsprognose, schliesst Technologie als Hauptursache selbst aus und nennt stattdessen schwaches Wachstum und Lebenshaltungskosten. Was hier tatsächlich naheliegt — Reinigungsrobotik — ist bisher gar nicht erhoben und bleibt die eigentlich offene Frage.
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.
Der heutigen KI bleibt die einfache körperliche Arbeit verschlossen — andere Automatisierung könnte weiter reichen.
Einfache Handreichungen leben von Körper, Geschick und Anwesenheit vor Ort. In einer Bewertung von über 2.800 Fähigkeiten zeigte manuelle Geschicklichkeit keinerlei Ersetzbarkeit durch die heutige KI — den Sprach- und Bildmodellen fehlt schlicht der Zugriff auf das Körperliche, und Fachleute haben die Werte für solche Tätigkeiten eigens nach unten gesetzt. Offen bleibt allerdings, ob nicht-sprachliche Automatisierung wie computergesteuerte Maschinen weiter in diese Aufgaben hineinreicht, als der KI-Nullbefund vermuten lässt — das ist plausibel, aber nicht ursächlich belegt.
Zuletzt geprüft 2026-07-19
Amtliche Bezeichnung nach ISCO-08: Straßenkehrer und verwandte Berufe · 9613
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 | 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
Skills rooted in human interaction – including empathy and active listening, and sensory processing abilities – and manual dexterity, endurance and precision, currently show no substitution potential due to their physical and deeply human components. These findings underscore the practical limitations of current GenAI models, which lack the physicality to perform tasks that require hands-on interaction
By contrast, roles reliant on physical or manual tasks, such as cleaning or equipment operation, show minimal exposure.
Physical occupation categories like Transportation & Material Moving, Food Preparation & Serving Related, and Construction & Extraction are all under-represented in the survey, as they are in Claude sessions as well.
Flächenreinigung im öffentlichen Raum ist mit einem der niedrigsten Werte der gesamten Tabelle gemessen — der Automatisierungspfad, der hier tatsächlich naheliegt, ist gar nicht erst erhoben
Die ILO führt „Sweepers and Related Labourers" (9613) mit einem Mittelwert von 0,09 bei einer Standardabweichung von 0,03 in der niedrigsten von sechs Kategorien — das ist einer der niedrigsten Werte der gesamten Tabelle, und die geringe Streuung besagt, dass nicht einmal einzelne Teilaufgaben als exponiert bewertet wurden; für die begleitenden einfachen Hilfstätigkeiten liegt kein eigener 9613-Wert vor, doch auf Tätigkeitsebene stehen die Nachbarberufe des öffentlichen Reinigungsdienstes ebenso niedrig (9611 Garbage and Recycling Collectors bei 0,09 und SD 0,03). Eine zweite, methodisch unabhängige Messung bestätigt das im Fließtext: Lane (2024) zählt über die OECD „Refuse workers and other elementary workers" ausdrücklich zu den am wenigsten KI-exponierten Gruppen, und die ILO nennt den Grund — die untersuchten Systeme besitzen keine Fähigkeit zur physischen Aufgabenausführung. Der einzige Befund, der nach KI-getriebenem Stellenabbau in Reinigungsberufen klingt, ist die WEF-Rückgangsprognose — dort schließt die Quelle Technologie als Haupttreiber jedoch selbst aus und nennt schwaches Wachstum und Lebenshaltungskosten.
Gemessen wurde ausschließlich generative Software; Kehrmaschinen, autonome Reinigungsfahrzeuge und andere physische Automatisierung im öffentlichen Raum sind von keiner der zehn Korpusquellen auf Tätigkeitsebene erfasst.
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Straßenkehrer und verwandte Berufe allgemein — mit Tätigkeiten wie „Räume, Flächen und Fahrzeuge reinigen“ oder „Einfache körperliche Hilfstätigkeiten ausführen“.
Für diesen Beruf sprechen die Daten bisher für wenig 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): Straßenkehrer und verwandte Berufe — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/strassenkehrer-und-verwandte-berufe
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0