Werkzeugmaschineneinrichter und -bediener

Werkzeugmaschineneinrichter und -bediener richten Werkzeugmaschinen ein und/oder bedienen verschiedene Werkzeugmaschinen und arbeiten dabei mit engen Toleranzen. Zu den Aufgaben gehören - (a) Einrichten einer oder mehrerer Arten von Werkzeugmaschinen für die Produktion von Metallgegenständen in standardisierten Serien; (b) Bedienen und Überwachen von Metallbearbeitungsmaschinen wie Drehbänken, Fräs-, Hobel-, Bohrwerks-, Bohr-, Schleif- oder Honmaschinen, einschließlich numerisch gesteuerter Mehrzweck-Metallbearbeitungsmaschinen; (c) Ausführen ähnlicher Aufgaben bei der Bearbeitung von Kunststoffen und anderen Metallersatzstoffen; (d) Beobachten von Maschinenabläufen zur Erkennung von Werkstückfehlern oder Maschinenstörungen sowie Justieren von Maschinen nach Bedarf; (e) Prüfen von Werkstücken auf Mängel und Messen von Werkstücken zur Bestimmung der Genauigkeit des Maschinenbetriebs mithilfe von Linealen, Schablonen oder anderen Messinstrumenten; (f) Auswechseln von verschlissenem Maschinenzubehör wie Schneidwerkzeugen und Bürsten mithilfe von Handwerkzeugen. Beispiele für die hier eingeordneten Berufe: - Bohrwerksbediener - Gussmaschinenbediener - Werkzeugmaschinenbediener - Werkzeugmaschineneinrichter - Werkzeugmaschineneinrichter-Bediener - Metalldreher - Bediener von Nietenherstellungsmaschinen - Bediener von Werkzeugherstellungsmaschinen

• Werkzeugmaschinen für die Produktion von Metallgegenständen in standardisierten Serien einrichten
• Metallbearbeitungsmaschinen wie Drehbänke, Fräs-, Bohr-, Schleif- oder Honmaschinen bedienen und überwachen
• Maschinenabläufe beobachten, um Werkstückfehler oder Störungen zu erkennen, und Maschinen nachjustieren
• Werkstücke auf Mängel prüfen und mit Linealen, Schablonen oder Messinstrumenten die Maschinengenauigkeit kontrollieren
• Verschlissenes Maschinenzubehör wie Schneidwerkzeuge und Bürsten austauschen

Das Bedienen und Steuern von Maschinen lebt vom körperlichen Tun, und genau hier stößt die heutige KI an ihre Grenze: Fachleute haben die Automatisierbarkeit dieser Aufgabe deutlich nach unten korrigiert, weil Systeme für Text und Sprache keinen Zugriff auf die physische Ausführung haben — unabhängige Untersuchungen kommen für manuelle Tätigkeiten zum selben Ergebnis. Wohin sich der Anteil unmittelbarer Bedienung verschiebt, wenn selbstlernende Steuerungssoftware die routinemäßige Prozessführung übernimmt und der Mensch stärker überwacht und bei Abweichungen eingreift, ist damit aber noch nicht beantwortet.

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.

Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.

Bauteile zu fertigen und zu montieren heißt, mit Geschick und Präzision am Werkstück zu arbeiten — und genau das kann die heutige KI nicht ausführen: Sprach- und Bildsysteme haben keinen Zugriff auf die physische Handhabung, weshalb Fachleute diese Aufgabe durchweg niedrig bewerten und keine der geprüften manuellen Fähigkeiten derzeit als ersetzbar gilt. Es gibt sogar Hinweise, dass die Nachfrage nach Produktions- und körperlichen Fähigkeiten in KI-nahen Betrieben eher leicht steigt. Offen bleibt allein, wie sich die Serienmontage aufteilt, wenn Robotik repetitive Füge- und Zuführschritte übernimmt und der menschliche Anteil auf Varianten, Nacharbeit und Prüfung wandert — das ist eine begründete Vermutung, kein Befund.

Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.

Zuletzt geprüft 2026-07-19

Amtliche Bezeichnung nach ISCO-08: Werkzeugmaschineneinrichter und -bediener · 7223

Belege · Maschinen und Anlagen bedienen und steuern (5)

• Experten senkten die Automatisierbarkeit genau dieser Tätigkeit drastisch ab

  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.

  ILO WP 140, Abschnitt 4 (Expert validation survey), PDF-S. 34 (gedruckt S. 31) · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell · konvergent belegt
• Konkretes Task-Beispiel mit Score-Revision 0,43 → 0,05

  Applying various welding methods and using different types of welding machines and equipment, in accordance with training or qualifications. 0.43 0.05 0.05 The task involves hands-on physical work requiring skill and precision, such as welding using various machines, which is not currently automatable by generative AI technologies like ChatGPT. These technologies excel in tasks involving data processing, language understanding, and information generation but do not possess capabilities for physical task execution, hence aligning closer with the revised score.

  ILO WP 140, Table 4, PDF-S. 34–35 (gedruckt S. 31–32) · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell · konvergent belegt
• Systematischer Befund für die gesamte Berufsgruppe

  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.

  ILO WP 140, Abschnitt zu Figure 13, PDF-S. 32 (gedruckt S. 29) · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell · konvergent belegt
• Unabhängige Bestätigung durch die OECD

  Occupations involving cognitive, non-routine tasks – such as programming, translating, interpreting and other highly skilled professional work – tend to exhibit higher exposure. […] By contrast, roles reliant on physical or manual tasks, such as cleaning or equipment operation, show minimal exposure.

  OECD AI Papers No. 60, Skills in the AI Age, PDF-S. 18 (gedruckt S. 17) · Skills in the AI Age (OECD AI Papers No. 60) · OECD Publishing, Paris, 2026 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell · konvergent belegt
• Streuungs-Differenzierung: nicht alle Untergruppen sind gleich

  Occupations where most tasks remain relatively unaffected by GenAI, with low task variability and a stable low mean exposure score.

  ILO WP 140, Table 5, PDF-S. 41 (Definition), Werte aus Table A1, PDF-S. 57–62 · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell

Belege · Anlagen und Geräte installieren, warten und reparieren (4)

• Die Tätigkeit wurde auf Task-Ebene explizit gemessen — und nach Experten-Prüfung abgewertet

  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.

  ILO WP 140, Table 4 „Sample of adjustments and justifications between the survey and expert scores", PDF-S. 35 (gedruckte S. 32) · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell
• Der zugrunde liegende Abwertungsgrund gilt generisch für physisch-manuelle Tasks

  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.

  ILO WP 140, Abschnitt zur Score-Adjustierung, PDF-S. 34 (gedruckte S. 31) · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell
• „Not Exposed" ist bei der ILO eine gemessene Kategorie, keine Datenlücke

  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.

  ILO WP 140, Table 5 „GenAI Exposure Gradients: Definition and Interpretation", PDF-S. 41 (gedruckte S. 38) · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell
• Unabhängige Bestätigung: Installations-/Wartungs-Skills sitzen im Niedrig-Expositions-Segment

  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.

  OECD AI Papers No. 14, AI and the Changing Demand for Skills in the Labour Market, Abschnitt 3.1, PDF-S. 25 · Artificial Intelligence and the Changing Demand for Skills in the Labour Market (OECD AI Papers No. 14) · OECD Publishing, Paris, 2024 · Klasse A
  Generieren · Reine Software · Berufsebene · Realisierte Arbeitsmarktdaten · konvergent belegt

Belege · Bauteile und Konstruktionen fertigen und montieren (5)

• Der Kern der Tätigkeit fällt in „Not Exposed"; die Montage-Berufe in „Minimal Exposure"

  Occupations where most tasks remain relatively unaffected by GenAI, with low task variability and a stable low mean exposure score. | Occupations with low GenAI exposure, where some tasks show moderate automation potential, but overall occupational exposure remains limited. | Not Exposed 7212 Welders and Flame Cutters 0.13 0.05 | Not Exposed 7214 Structural Metal Preparers and Erectors 0.11 0.02 | Not Exposed 7211 Metal Moulders and Coremakers 0.13 0.01 | Minimal Exposure 8211 Mechanical Machinery Assemblers 0.27 0.17 | Minimal Exposure 8212 Electrical and Electronic Equipment Assemblers 0.28 0.19

  ILO WP 140, Table 5, PDF-S. 41 (Kategorie-Definitionen); Table A1, PDF-S. 57 und PDF-S. 63 · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell
• Eine Fertigungs-Tätigkeit wurde direkt auf Task-Ebene gemessen: Score 0,05

  The task involves hands-on physical work requiring skill and precision, such as welding using various machines, which is not currently automatable by generative AI technologies like ChatGPT. These technologies excel in tasks involving data processing, language understanding, and information generation but do not possess capabilities for physical task execution, hence aligning closer with the revised score.

  ILO WP 140, Table 4 „Sample of adjustments and justifications between the survey and expert scores", PDF-S. 34 (gedruckt S. 31) · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell
• Experten korrigierten die Scores für Fertigungs-/Montageberufe systematisch nach unten

  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. | the limitations of generative AI in handling physical and manual components | leading to significantly reduced adjusted scores compared to the survey.

  ILO WP 140, Abschnitt 4 „Expert validation survey", PDF-S. 32 (gedruckt S. 29); ergänzend PDF-S. 34 · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell
• WEF: manuelle Geschicklichkeit und Präzision zeigen aktuell kein Substitutionspotenzial

  Zero of the more than 2,800 skills assessed were determined to exhibit „very high capacity" to be replaced by the current generation of GenAI tools, with the majority of examined skills (69%) determined to have either „very low capacity" or „low capacity" to be substituted, indicating that GenAI currently remains limited in performing tasks that require physical execution, nuanced judgment or hands-on application. | 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

  WEF Future of Jobs Report 2025, Kap. 3, PDF-S. 44 (gedruckt S. 43) · The Future of Jobs Report 2025 · World Economic Forum, Genf, 2025 · Klasse C
  Generieren · Reine Software · Berufsebene · Experteneinschätzung/Umfrage · konvergent belegt
• Gegenläufig: höhere betriebliche KI-Exposition geht mit steigender Nachfrage nach Produktions- und körperlichen Skills einher

  The report also provides some evidence that AI adoption may increase the demand for some blue-collar skills, possibly through a productivity effect that results in higher demand and spills over to other workers at the establishment. For example, the report finds that higher establishment AI exposure is associated with increased establishment demand for skills related to production and technology, and physical skills. | Demand increased slightly for some skill groupings, such as production and technology and physical skills. These skill groupings are found disproportionately in low-exposure occupations and include skills such as maintenance, repair, forklift driving and more fundamental skills such as dexterity, heavy lifting and range of motion. This provides some suggestive evidence of the types of skills that may see increased demand due to complementarities with AI in production. However, these increasing skill demands were quite modest with substantial cross-country heterogeneity.

  OECD AI Papers No. 14, Executive Summary, PDF-S. 9; Präzisierung PDF-S. 13 · Artificial Intelligence and the Changing Demand for Skills in the Labour Market (OECD AI Papers No. 14) · OECD Publishing, Paris, 2024 · Klasse A
  Generieren · Reine Software · Betriebsebene · Realisierte Arbeitsmarktdaten

Belege · Werkstücke und Bauteile auf Qualität und Maßhaltigkeit prüfen (Fertigung/Industrie) (5)

• Der Kernberuf der Tätigkeit liegt in „Minimal Exposure" — mit niedriger Task-Varianz

  Minimal Exposure 7543 Product Graders and Testers (except Foods and Beverages) 0.31 0.11

  ILO WP 140, Table A1 (ISCO-08 occupations by exposure gradient), PDF-S. 57, gedruckt S. 54 · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell · konvergent belegt
• Was „Minimal Exposure" laut ILO bedeutet — Definition, nicht Interpretation

  we introduce a more granular distinction of Minimal Exposure, where some interaction with GenAI may occur, but without significantly altering the nature of these roles, and the lowest category of Not Exposed occupations, where GenAI currently has no observable potential to automate tasks.

  ILO WP 140, Text zu Table 5 (GenAI Exposure Gradients: Definition and Interpretation), PDF-S. 40–41, gedruckt S. 37–38 · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell
• Die technisch-handwerklichen Prüfberufe liegen sämtlich in „Not Exposed", zum Teil mit sehr niedriger SD

  Not Exposed 3115 Mechanical Engineering Technicians 0.26 0.08 Not Exposed 3119 Physical and Engineering Science Technicians Not Elsewhere Classified 0.26 0.05 Not Exposed 7222 Toolmakers and Related Workers 0.2 0.1 Not Exposed 7223 Metal Working Machine Tool Setters and Operators 0.18 0.05 Not Exposed 7311 Precision-instrument Makers and Repairers 0.21 0.08

  ILO WP 140, Table A1, PDF-S. 58–61, gedruckt S. 55–58 · Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · International Labour Office, Genf, 2025 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell
• Unabhängige Zweitmessung: Rollen mit physisch-manuellem Kern zeigen minimale Exposition

  By contrast, roles reliant on physical or manual tasks, such as cleaning or equipment operation, show minimal exposure.

  OECD AI Papers No. 60, Skills in the AI Age (2026), Kap. „exposure to GenAI tools varies widely across occupations", PDF-S. 18, gedruckt S. 17 · Skills in the AI Age (OECD AI Papers No. 60) · OECD Publishing, Paris, 2026 · Klasse A
  Generieren · Reine Software · Berufsebene · Expositionsmodell · konvergent belegt
• Schwaches Nutzungsindiz: physische Berufsgruppen sind in tatsächlicher KI-Nutzung unterrepräsentiert

  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.

  Anthropic Economic Index „Cadences" (Juni 2026), Abschnitt zu Berufskategorien (lokaler Volltext Z. 70; die Datei enthält keine PDFPAGE-Marker) · Anthropic Economic Index — Report "Cadences" (Juni 2026) · Anthropic, 2026 · Klasse D
  Generieren · Reine Software · Berufsebene · Gemessene Nutzung

Fachliche Ebene

Einrichten, Bedienen und Messen bleiben in der Messung durchgängig unverändert, betroffen ist nur die auswertende Schicht darüber

Die ILO misst für 7223 Metal Working Machine Tool Setters and Operators 0,18 bei einer Streuung von 0,05 und ordnet den Beruf „Not Exposed" zu — bei dieser Streuung liegt auch die exponierteste Einzelaufgabe des Berufs noch weit unterhalb jeder Automatisierungsschwelle; für das Prüfen auf Qualität und Maßhaltigkeit ist das der rollenspezifische Wert, für das Bedienen der Maschinen und das Warten der Anlagen führt die jeweilige Zuordnung keine eigene 7223-Zeile. Auf Tätigkeitsebene deckt sich der Befund: Fachexperten senkten die Bewertung eines Bedien-/Fertigungs-Tasks von 0,43 auf 0,05 und eines Installations-Tasks von 0,55 auf 0,25, weil generative KI „do[es] not possess capabilities for physical task execution" und ihr Beitrag sich auf „planning, documentation, and troubleshooting guides" beschränkt. Ein Gegenbefund liegt eine Ebene höher: In Stellenanzeigen sank bei Industrial Production Managers die Nachfrage nach dem Konzipieren von Qualitätsregelsystemen und dem Auswerten von Betriebsberichten um 26,6 Punkte, während der dem Messen nächstliegende Task — „Collect and analyze production samples to evaluate quality" — mit −5,9 den schwächsten Rückgang zeigte; die Werte sind innerhalb des Berufs residualisiert und messen relative Umschichtung, keine absolute Verdrängung.

Automatische optische Inspektion, Koordinatenmesstechnik und ML-gestützte Fehlerklassifikation sind etablierte Fertigungsverfahren, die keine der Quellen misst — für diese Automatisierungsklasse gilt ausdrücklich Nichtwissen, nicht Entwarnung.

Hypothesen

• Hypothese (kein Beleg): Der Anteil unmittelbarer Maschinenbedienung dürfte sich vermutlich in Richtung Überwachung, Störungsdiagnose und Eingriff bei Abweichungen verschieben, während die routinemäßige Prozessführung zunehmend von selbstlernender Steuerungssoftware übernommen wird.
  Warum unbelegt: Keine Quelle misst, welcher Anteil der Bedientätigkeit selbst sich verschiebt. ISI zählt Betriebe, nicht Arbeitsschritte. Stand 07/2026 existiert keine tätigkeitsgenaue Messung.
  Ableitungsbasis: Fraunhofer ISI misst, dass 8 % der deutschen Produktionsbetriebe KI zur Steuerung ihrer Produktionsprozesse einsetzen — der größte gemessene Anwendungsbereich überhaupt (Korpus II §5.2). IAB ordnet Fertigungsberufen die größten Substituierbarkeitspotenziale zu (Korpus III L1.2). Beides betrifft genau diese Tätigkeit, bleibt aber auf Betriebs- bzw. Berufsebene.
• Hypothese (kein Beleg): Der planbare, intervallgesteuerte Wartungsanteil dürfte vermutlich zugunsten zustandsorientierter Eingriffe zurückgehen; die Tätigkeit könnte sich in Richtung Befundinterpretation und Priorisierung verschieben.
  Warum unbelegt: Der IAO-Text ist ein Experten-Rating, keine Messung — und die thematisch direkteste Aussage der OECD zu Predictive Maintenance wurde in Korpus II §7.1 abgelehnt, weil ihre Fußnote auf einen LinkedIn-Beitrag zeigt. Es existiert keine belastbare Messung des Tätigkeitsanteils.
  Ableitungsbasis: Fraunhofer ISI misst 6 % der Betriebe mit KI-Einsatz in Instandhaltung und Wartung (Korpus II §5.2). Fraunhofer IAO beschreibt die Verschiebung von geplanter zu zustandsorientierter Instandhaltung als konkretes Einsatzszenario (Korpus II §6, Abschnitt 3.7.5).
• Hypothese (kein Beleg): In der Serienmontage dürfte sich vermutlich eine Aufteilung ausbilden, bei der repetitive Füge- und Zuführschritte an Robotik übergehen und der menschliche Anteil auf Varianten, Nacharbeit und Prüfung konzentriert wird.
  Warum unbelegt: Acemoglu misst Regionen, nicht Montageschritte. Die drei einschlägigen Montage-Fallstudien (BAuA/ISAK, zwei MDPI-Artikel) waren in Lauf D nicht abrufbar (Korpus IV §2) — es liegt bis heute kein gelesener Vorher/Nachher-Fall vor.
  Ableitungsbasis: Acemoglu & Restrepo belegen, dass die Beschäftigungseffekte von Industrierobotern am stärksten in „routine manual, blue collar, assembly and related occupations" auftreten (Korpus II §3.2) — realisierte Arbeitsmarktdaten, nicht Modell. IAB ordnet Fertigungsberufen die größten Potenziale zu (Korpus III L1.2). Lassébie & Quintini nennen Fingerfertigkeit und manuelle Geschicklichkeit als nicht mehr Engpass (Korpus II §1.1).

Alle Quellen

• [A] Artificial Intelligence and the Changing Demand for Skills in the Labour Market (OECD AI Papers No. 14) — OECD Publishing, Paris, 2024
• [A] Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) — International Labour Office, Genf, 2025
• [A] Skills in the AI Age (OECD AI Papers No. 60) — OECD Publishing, Paris, 2026
• [C] The Future of Jobs Report 2025 — World Economic Forum, Genf, 2025
• [D] Anthropic Economic Index — Report "Cadences" (Juni 2026) — Anthropic, 2026