Mit diesen Fragen haben sich Jan Mackensen und Raffael Ruppert in einer Kooperation zwischen dem Forschungs- und Innovationszentrum KODIS des Fraunhofer IAO und dem KI-Campus-Hub Baden-Württemberg beschäftigt. Sie haben dafür eine Methodik zur Analyse von Unternehmenswebseiten und Stellenbeschreibungen erarbeitet. Das Besondere daran: Generative KI wurde als Werkzeug eingesetzt, um die gefragten Kompetenzen rund um KI zu ermitteln. Zentrale Ergebnisse stellen sie in diesem Blogbeitrag vor, das entstandene Whitepaper findet ihr auf der Seite des Fraunhofer IAO.
1. Zentrale Ergebnisse unserer KI-Analyse
Die Methode bietet eine detaillierte Übersicht, ob und in welchem Umfang KI bereits in Unternehmen eingesetzt wird. Gleichzeitig zeigt die Studie auf, welche Anforderungen Unternehmen derzeit an Arbeitnehmer:innen im Bereich KI stellen.
Ergebnisse der Unternehmensanalyse:
- KI-Reifegrad: Die Auswertung der Webseiten von 446 großen Unternehmen in Baden-Württemberg ergab, dass rund ein Drittel KI bereits aktiv nutzt. Insbesondere das verarbeitende Gewerbe hebt sich hervor, da hier häufig digitale Technologien zum Einsatz kommen und KI oft zur Optimierung der Lieferketten oder zur prädiktiven Wartung eingesetzt wird. Hingegen zeigte das Gesundheitswesen einen geringeren Einsatz von KI, was den Entwicklungsbedarf in dieser Branche verdeutlicht.
- Häufige Anwendungsfälle: Prädiktive Analysen (z. B. zur Vorhersage von Wartungsbedarf), Qualitätskontrolle und industrielle Automatisierung sind die wichtigsten Use-Cases in der Industrie. Im Dienstleistungsbereich werden KI-gestützte Systeme häufig im Kundenservice eingesetzt, während im Gesundheitswesen erst ein begrenztes Spektrum an KI-Anwendungen vorkommt.
Ergebnisse der Analyse der Stellenbeschreibungen:
- Technische Kompetenzen: Python ist die gefragteste Programmiersprache, gefolgt von Java und C++. Zu den meistgeforderten Frameworks zählen SQL, GIT und TensorFlow, was darauf hinweist, dass Unternehmen nicht nur spezifische KI-Kompetenzen, sondern auch umfassende Programmier- und Datenbankkenntnisse schätzen.
- Kompetenzen zum Thema KI: Unternehmen verwenden häufig Schlagworte wie Maschinelles Lernen und Künstliche Intelligenz, ohne die genauen Anforderungen zu spezifizieren – sei es, um mehr Bewerber anzuziehen, sei es, weil sie selbst nicht genau wissen, welche Kompetenzen in ihrem Unternehmen benötigt werden. Besonders nachgefragt werden Kompetenzen in den Bereichen Natural Language Processing (NLP) und generative KI, was auf Fortschritte bei großen Sprachmodellen zurückzuführen ist.
- Soft Skills: Neben den technischen Fähigkeiten werden Teamfähigkeit, Kommunikationskompetenz und Selbstständigkeit erwartet, um die digitale Transformation in Unternehmen aktiv mitgestalten zu können. Unternehmen suchen demnach nicht nur Spezialist:innen, sondern auch Führungspersönlichkeiten, die das Thema KI im Unternehmenskontext vorantreiben.
Die Ergebnisse unterstreichen den Bedarf an KI-Kompetenzen und Future Skills für die Arbeitswelt. Die Allianz für Future Skills des Stifterverbandes hat diesen Bedarf ebenfalls erkannt und es sich zum Ziel gesetzt, den Anteil der Hochschulen, die KI-Kompetenzen und Future Skills fest in ihr Bildungsangebot aufnehmen, signifikant zu erhöhen.
2. Generative KI für die Arbeitsmarktanalyse: Vorgehen und Methode
Das Whitepaper beschreibt eine Methode, die auf generativer KI basiert und Unternehmenswebseiten sowie Stellenangebote systematisch auswertet, um Qualifikationsbedarfe im Bereich KI zu identifizieren. Diese Methode ist speziell auf große, unstrukturierte Textmengen zugeschnitten und zielt darauf ab, relevante Informationen direkt aus den Texten zu extrahieren, um sie anschließend gebündelt zu analysieren.
Die Methode umfasst folgende Schritte:
- Analyse von Unternehmenswebseiten: Mithilfe generativer KI-Modelle wie LLama3-8b-Instruct werden Informationen zu potenziellen KI-Use-Cases und Kompetenzanforderungen aus den Webseiten extrahiert und anschließend analysiert. Das Modell scannt die Webseiten nach relevanten Inhalten, entscheidet welche Webseiten als nächstes besucht werden und analysiert die gesammelten Informationen nach vorgegebenen Kriterien.
- Analyse von Stellenbeschreibungen: Zusätzlich analysiert die Methode Stellenangebote der Bundesagentur für Arbeit nach Kompetenzen, die in der KI-Arbeitswelt relevant sind. In den durch gezielte API-Anfragen schon vorausgewählten Stellenangeboten wird mit generativen KI-Modellen der Kompetenzbedarf automatisch erfasst. In einem weiteren Schritt werden die Inhalte gefiltert, um spezifische Anforderungen an Fähigkeiten und Soft Skills in KI-Positionen zu identifizieren.
- Clustering-Verfahren: Die Ergebnisse der beiden Analysen werden anschließend durch ein Clustering-Verfahren weiterverarbeitet. Hierbei gruppiert das KI-Modell ähnliche Kompetenzbedarfe und Anwendungsfälle, wodurch klarere Trends für die benötigten Kompetenzen in verschiedenen Branchen sichtbar werden.
Limitationen und Ausblick
Die Untersuchung zeigt, dass generative KI-basierte Analysemethoden einen vielversprechenden Weg darstellen, um den dynamischen Kompetenzbedarf in der KI-Arbeitswelt besser zu verstehen. Die Methode erlaubt es, den Fortschritt in verschiedenen Branchen zu verfolgen, und hilft, neue Kompetenzbedarfe gezielt zu erkennen.
Gleichzeitig birgt der Einsatz von generativer KI in der Forschung auch Risiken. So besteht die Gefahr, dass die Ergebnisse durch Halluzinationen oder Biases im Modell verfälscht werden. Dies ist besonders kritisch zu betrachten, da in komplexen Systemen wie generativen Modellen solche Fehler schwer zu entdecken und noch schwerer nachzuvollziehen sind. Hier muss in Zukunft durch weitere Forschung nachgebessert werden, um generative KI zuverlässig als Analysewerkzeug einsetzen zu können.
Langfristig könnten weitere Analysen mit generativer KI jedoch dazu beitragen, die Arbeitsmarktforschung noch präziser zu gestalten und so den Weg für eine nachhaltige Integration von KI in Unternehmen zu ebnen.
Zur Publikation „Qualifizierungsbedarfe und Künstliche Intelligenz“
Jan Mackensen studierte Cognitive Science an der TU Darmstadt mit den Schwerpunkten Künstliche Intelligenz und Maschinelles Lernen. Als wissenschaftlicher Mitarbeiter am Fraunhofer IAO KODIS beschäftigt er sich hauptsächlich mit der Frage, wie große Sprachmodelle für die Analyse von Webdaten genutzt werden können. Seine Expertise liegt dabei nicht nur in der Anwendung großer Sprachmodelle, sondern auch in deren Evaluierung und Erprobung im Anwendungskontext.
Raffael Ruppert betreut die Datenarbeit und Begleitforschung des KI-Campus beim Stifterverband. Er hat Politikwissenschaft an der Sciences Po in Paris und der Freien Universität in Berlin (M.A.) studiert. Sein Fokus liegt auf der Aufarbeitung von Daten für die nutzerzentrierte Weiterentwicklung des KI-Campus‘ sowie der Untersuchung von Lernendenverhalten.
