KI als Treiber von Produktivität und Wandel im Arbeitsmarkt

KI und Produktivität: Eine Analyse der aktuellen Entwicklungen

Die Diskussion um Künstliche Intelligenz (KI) dominiert seit geraumer Zeit die Wirtschafts- und Technologiewelt. Insbesondere die Frage, inwieweit KI die Produktivität beeinflussen wird, steht im Mittelpunkt. Prognosen reichen von einem "gigantischen Umbruch" bis hin zur Skepsis, ob es sich lediglich um ein "Strohfeuer" handelt. Dieser Artikel beleuchtet die vielschichtigen Aspekte der KI-gesteuerten Produktivitätssteigerung aus einer neutralen und analytischen Perspektive, basierend auf aktuellen Studien und Expertenmeinungen.

Das Potenzial von KI als Universaltechnologie

Künstliche Intelligenz wird von vielen Expertinnen und Experten als eine Universaltechnologie betrachtet, vergleichbar mit der Elektrizität oder dem Internet. Dies impliziert, dass KI das Potenzial besitzt, sich über eine Vielzahl von Sektoren und Berufen hinweg zu verbreiten, sich kontinuierlich selbst zu verbessern und komplementäre Innovationen zu generieren. Diese Eigenschaften sind entscheidend für die langfristige Wirkung auf die Produktivität.

• Breite Anwendbarkeit: KI-Systeme können Vorhersagen treffen, Empfehlungen abgeben oder Entscheidungen beeinflussen, was in Bereichen wie dem Gesundheitswesen, der Logistik, dem Finanzwesen und der Bildung Anwendung findet.
• Selbstverbesserung: Insbesondere maschinelles Lernen ermöglicht es Systemen, aus Daten zu lernen und ihre Leistung eigenständig zu optimieren.
• Innovationskatalysator: KI kann als "Erfindung einer Erfindungsmethode" wirken, indem sie komplexe Probleme löst und die Kreativität skaliert, was zu neuen Produkten, Dienstleistungen und sogar ganzen Industrien führen kann.

Die wirtschaftliche Bedeutung dieser Klassifizierung liegt in der Annahme, dass KI weitreichende Produktionssteigerungen und Wohlfahrtsgewinne ermöglichen kann. Die Auswirkungen auf den Arbeitsmarkt, seien sie positiv oder negativ, werden dadurch ebenfalls verstärkt.

KI als Automatisierungstechnologie: Substitution oder Komplementarität?

Ein zentraler Aspekt der KI ist ihre Fähigkeit zur Automatisierung von Aufgaben. Im Gegensatz zu früheren Automatisierungswellen, die primär repetitive und geringqualifizierte Tätigkeiten betrafen, kann KI auch nicht-routinemäßige kognitive Aufgaben übernehmen. Dies wirft die Frage auf, ob KI menschliche Arbeitskraft primär ersetzen oder ergänzen wird.

Verdrängungseffekte und neue Aufgabenfelder

Theoretische Modelle beschreiben, wie KI-gestützte Automatisierung die Arbeitsnachfrage senken kann, indem sie Produktionsschritte durch Kapital ersetzt. Dies kann zu einem Verdrängungseffekt führen, der den Anteil der Erwerbseinkommen am Nationaleinkommen verringert und die Löhne vom Produktivitätswachstum entkoppelt. Allerdings gibt es auch gegenläufige Effekte:

• Produktivitätseffekt: Kosteneinsparungen durch Automatisierung können die Verbrauchernachfrage erhöhen und somit die Nachfrage nach Arbeitskräften in nicht-automatisierten Bereichen steigern.
• Kapitalakkumulationseffekt: Automatisierung kann die Kapitalintensität der Produktion erhöhen, was wiederum die Nachfrage nach Arbeitskräften in komplementären Tätigkeiten fördert.
• Entstehung neuer Tätigkeiten: KI kann zur Schaffung neuer, hochproduktiver und arbeitsintensiver Aufgaben führen, die menschliche Fähigkeiten erfordern. Dies kann den Verdrängungseffekt langfristig ausgleichen und zu einem ausgewogeneren Wachstum beitragen.

Die empirische Evidenz der letzten zehn Jahre zeigt bisher keinen generellen Beschäftigungs- und Lohnrückgang in Berufen, die stark von KI betroffen sind. Einige Studien deuten sogar auf einen positiven Effekt auf das Lohnwachstum hin, insbesondere für qualifizierte Arbeitskräfte. Dies legt nahe, dass KI in vielen Fällen menschliche Fähigkeiten ergänzt, anstatt sie vollständig zu ersetzen.

Herausforderungen bei der Messung und Prognose

Die Vorhersage der genauen Auswirkungen von KI auf die Produktivität ist mit erheblicher Unsicherheit behaftet. Dies liegt unter anderem an folgenden Punkten:

• Produktivitätsparadoxon: Trotz erheblicher Fortschritte in der KI ist das Produktivitätswachstum in den letzten Jahrzehnten vergleichsweise langsam gestiegen. Eine Erklärung hierfür ist, dass die vollständige Entfaltung des Potenzials einer Universaltechnologie Zeit benötigt, da umfassende Umstrukturierungen und Investitionen in komplementäre Güter (z.B. neue Geschäftsprozesse, Schulungen) erforderlich sind.
• Messprobleme: Die Produktivität von Wissensarbeitern, deren Output oft immateriell ist, lässt sich nur schwer messen. Dies könnte zu einer "stillen Produktivitätssteigerung" führen, die in den offiziellen Statistiken nicht vollständig erfasst wird.
• Vielfalt der KI-Anwendungen: Die Auswirkungen variieren stark je nach Art der KI, dem Sektor und der spezifischen Implementierung in Unternehmen.

Die Rolle der Umgestaltung von Tätigkeiten und neuen Kompetenzen

Die Einführung von KI führt nicht nur zu Potenzialen für Produktivitätssteigerungen, sondern auch zu einer tiefgreifenden Neuorganisation von Tätigkeiten. Anstatt ganze Berufe zu eliminieren, verändert KI das Profil vieler Arbeitsplätze, indem sie bestimmte Aufgaben automatisiert und gleichzeitig neue, oft komplexere oder kreativere Aufgaben für Menschen schafft.

• Veränderte Berufsbilder: Ökonomen müssen beispielsweise immer noch Berichte schreiben und Empfehlungen abgeben, auch wenn KI ihnen bei der Datenanalyse und Prognose hilft. Die Fähigkeit zur Interpretation, zum kritischen Denken und zur Kommunikation bleibt entscheidend.
• Nachfrage nach neuen Kompetenzen: Die Arbeitskräfte müssen sich umschulen oder weiterqualifizieren, um den veränderten Anforderungen gerecht zu werden. Dies umfasst nicht nur KI-bezogene technische Fähigkeiten, sondern auch Kompetenzen, die KI (noch) nicht replizieren kann:
  • Kreativität und Originalität
  • Komplexe soziale Interaktion und emotionale Intelligenz
  • Schlussfolgerndes und kritisches Denken
  • Umgang mit Unsicherheit
• Lebenslanges Lernen: Die Anpassungsfähigkeit durch kontinuierliche Weiterbildung wird zu einem entscheidenden Faktor für den Erfolg im Zeitalter der KI.

Ethische Aspekte und soziale Auswirkungen

Neben den ökonomischen Effekten bringt der Einsatz von KI am Arbeitsplatz auch ethische und soziale Fragen mit sich, die sorgfältig betrachtet werden müssen:

• Datenschutz und Überwachung: KI-Systeme können große Mengen an Daten über die Arbeitsleistung und das Verhalten von Mitarbeitenden erfassen. Dies birgt Risiken einer übermäßigen Überwachung, die Stress auslösen und das Wohlbefinden beeinträchtigen kann. Die Einhaltung von Datenschutzbestimmungen, wie der DSGVO, ist hierbei essenziell.
• Transparenz und Nachvollziehbarkeit: Die Funktionsweise mancher KI-Algorithmen kann intransparent sein ("Black-Box-Problem"). Dies erschwert es, Entscheidungen nachzuvollziehen und potenzielle Verzerrungen oder Diskriminierungen zu erkennen und zu beheben. Ein Beispiel hierfür sind KI-gestützte Bewerbungstools, die unbeabsichtigt Vorurteile aus Trainingsdaten übernehmen können.
• Ungleichheit: Es besteht die Gefahr, dass die Vorteile der KI primär den Kapitaleignern oder "Superstarunternehmen" zugutekommen, während bestimmte Gruppen von Arbeitskräften benachteiligt werden. Politische Maßnahmen zur Umverteilung und zur Förderung einer breiten Teilhabe an den Vorteilen der KI könnten hier entgegenwirken.
• Mensch-Roboter-Kollaboration (Kobotik): Die Zusammenarbeit von Menschen und KI-gestützten Robotern (Koboter) verspricht Produktivitätssteigerungen und die Entlastung von physisch anstrengenden Tätigkeiten. Gleichzeitig müssen neue physische und psychosoziale Risiken, wie erhöhter Arbeitsdruck oder das Gefühl der Entfremdung, adressiert werden.

Fazit und Ausblick

Die Künstliche Intelligenz ist zweifellos eine transformative Technologie mit dem Potenzial, die Produktivität in vielen Bereichen erheblich zu steigern. Die bisherigen empirischen Beobachtungen deuten darauf hin, dass KI eher zu einer Umgestaltung von Aufgaben und Berufen als zu massiven Arbeitsplatzverlusten führt. Die vollständige Ausschöpfung dieses Potenzials erfordert jedoch mehr als nur die technologische Entwicklung.

Für Unternehmen bedeutet dies, dass sie nicht nur in KI-Technologien investieren, sondern auch ihre Geschäftsprozesse anpassen, ihre Mitarbeiterinnen und Mitarbeiter weiterbilden und eine Unternehmenskultur fördern müssen, die den verantwortungsvollen Umgang mit KI in den Mittelpunkt stellt. Die Zusammenarbeit zwischen Mensch und Maschine sollte die Stärken beider Seiten optimal nutzen, um eine synergetische Wirkung zu erzielen, die über die Summe der einzelnen Teile hinausgeht.

Politik und Gesellschaft stehen vor der Aufgabe, Rahmenbedingungen zu schaffen, die die positiven Effekte der KI fördern und gleichzeitig die Risiken minimieren. Dies beinhaltet Investitionen in Bildung und Forschung, die Gestaltung fairer Übergänge für Arbeitskräfte sowie die Entwicklung ethischer Richtlinien und Regulierungen, die Transparenz, Fairness und Datenschutz gewährleisten.

Die Zukunft der Produktivität mit KI wird nicht allein durch die Leistungsfähigkeit der Algorithmen bestimmt, sondern maßgeblich davon, wie Menschen und Organisationen diese Technologie adaptieren, gestalten und in ihre Arbeitswelt integrieren. Die "Singularität" im Sinne einer vollständigen Ablösung menschlicher Intelligenz scheint noch weit entfernt, doch die kontinuierliche Entwicklung und Anwendung von KI wird unsere Arbeitsweise und unser Wirtschaftsleben nachhaltig prägen.

Bibliographie

- Accenture (2017), How AI boosts industry profits and innovation, Accenture. - Accenture (2018), Reworking the Revolution, Accenture. - Acemoglu, D. et al. (2020), “AI and Jobs: Evidence from Online Vacancies”, NBER Visiokonferenz “Economics of Artificial Intelligence”. - Acemoglu, D. und P. Restrepo (2018), “Artificial Intelligence, Automation and Work”, NBER Working Paper, No. 24196. - Acemoglu, D. und P. Restrepo (2019), “Automation and New Tasks: How Technology Displaces and Reinstates Labor”, Journal of Economic Perspectives, Vol. 33/2. - Acemoglu, D. und P. Restrepo (2020), “The wrong kind of AI? Artificial intelligence and the future of labor demand”, Cambridge Journal of Regions, Economy and Society, Vol. 13/1. - Aghion, P. et al. (2017), “Artificial Intelligence and Economic Growth”, NBER Working Paper, No. 23928. - Aghion, P., C. Antonin und S. Bunel (2019), “Artificial Intelligence, Growth and Employment: The Role of Policy”, Economie et Statistique / Economics and Statistics, no. 510-511-512. - Agrawal, A., J. Gans und A. Goldfarb (2019), “Artificial Intelligence: The Ambiguous Labor Market Impact of Automating Prediction”, The Journal of Economic Perspectives, Vol. 33/2. - Alekseeva, L. et al. (2019), “The Demand for AI Skills in the Labor Market”, Paper. - Analysis Group (2016), “Global Economic Impacts Associated with Artificial Intelligence”, Economic Impact Study. - Andrews, D., C. Criscuolo und P. Gal (2016), “The Best versus the Rest: The Global Productivity Slowdown, Divergence across Firms and the Role of Public Policy”, OECD Productivity Working Papers, No. 5. - Arai, T., R. Kato und M. Fujita (2010), “Assessment of operator stress induced by robot collaboration in assembly”, CIRP Annals – Manufacturing Technology, Vol. 59/1. - Autor, D. (2014), “Polanyi’s Paradox and the Shape of Employment Growth”, NBER Working Paper, No. 20485. - Autor, D. (2015), “Why Are There Still So Many Jobs? The History and Future of Workplace”, Journal of Economic Perspectives, Vol. 29/3. - Autor, D., F. Levy und R. Murnane (2003), “The Skill Content of Recent Technological Change: An Empirical Exploration”, The Quarterly Journal of Economics, Vol. 118/4. - Babina, T., A. Fedyk, A. He und J. Hodson (2024), “Artificial intelligence, firm growth, and product innovation”, Journal of Financial Economics, Vol. 151. - Beede, D. et al. (2020), “Measuring Technology Adoption in Enterprise-Level Surveys: The Annual Business Survey”, Präsentation ASSA-Jahresversammlung 2020. - Behaghel, L., E. Caroli und M. Roger (2011), “Age Biased Technical and Organisational Change, Training and Employment Prospects of Older Workers”, IZA Discussion Paper, No. 5544. - Berkowitz, M. und K. Miller (2018), “AI, Attitudes and Values and Ethics”, Draft Paper, OECD, Paris. - Bersin, J. (2018), “Employee Engagement 3.0: Humu Launches Nudge Engine”, Online-Artikel. - Bessen, J. et al. (2018), “The Business of AI Startups”, Law and Economics Research Paper, No. 18-28. - Bodie, M. et al. (2017), “The Law and Policy of People Analytics”, University of Colorado Law Review, Vol. 88. - Bostrom, N. (2006), “How long before superintelligence?”, Linguistic and Philosophical Investigations, Vol. 5/1. - Bresnahan, T. und M. Trajtenberg (1992), “General Purpose Technologies “Engines of Growth?””, NBER Working Paper, No. 4148. - Brynjolfsson, E. und A. McAfee (2017), “The Business of Artificial Intelligence. What it can – and cannot – do for your organization”, Harvard Business Review. - Brynjolfsson, E., T. Mitchell und D. Rock (2018), “What Can Machines Learn and What Does It Mean for Occupations and the Economy?”, AEA Papers and Proceedings, Vol. 108. - Brynjolfsson, E., D. Rock und C. Syverson (2017), “Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics”, NBER Working Paper, No. 24001. - Byrne, D. und D. Sichel (2017), “The productivity slowdown is even more puzzling than you think”, VoxEU. - Calvino, F. und L. Fontanelli (2023), “A portrait of AI adopters across countries: Firm characteristics, assets’ complementarities and productivity”, OECD Science, Technology and Industry Working Papers, 2023/02. - Cappelli, P. (2020), “The consequences of AI-based technologies for jobs”, R&I Paper Series, No. WP 2020/4. - Caselli, F. und A. Manning (2017), “Robot Arithmetic: Can New Technology Harm All Workers or the Average Worker?”, CEP Discussion Paper, No. 1497. - Cockburn, I., R. Henderson und S. Stern (2018), “The Impact of Artificial Intelligence on Innovation”, NBER Working Paper, No. 24449. - Corrado, C., J. Haskel und C. Jona-Lasinio (2021), “Artificial intelligence and productivity: An intangible assets approach”, Oxford Review of Economic Policy, Vol. 37/3. - Cowen, T. (2016), “Is Innovation Over?”, Foreign Affairs, Vol. 95/2. - Czarnitzki, D., G. P. Fernández und C. Rammer (2023), “Artificial intelligence and firm-level productivity”, Journal of Economic Behavior and Organization, Vol. 211. - Dastin, J. (2018), “Amazon scraps secret AI recruiting tool that showed bias against women”, Reuters. - Daugherty, P. und J. Wilson (2018a), “Collaborative Intelligence: Humans and AI Are Joining Forces”, Harvard Business Review. - Daugherty, P. und J. Wilson (2018b), Human + Machine: Reimagining Work in the Age of AI, Harvard Business Review Press, Boston. - Davenport, T. und R. Kalakota (2019), “The potential for artificial intelligence in healthcare”, Future Healthcare Journal, Vol. 6/2. - De Stefano, V. (2018), “‘Negotiating the algorithm’: Automation, artificial intelligence and labour protection”, Employment Working Paper, No. 246, ILO, Genf. - Edelman (2019), “2019 Edelman AI Survey”, White Paper. - Ernst, E., R. Merola und D. Samaan (2018), “The economics of artificial intelligence: Implications for the future of work”, Future of Work Working Paper, No. 5, ILO, Genf. - EU-OSHA (2017), Key trends and drivers of change in information and communication technologies and work location, Europäische Agentur für Sicherheit und Gesundheitsschutz am Arbeitsplatz, Bilbao. - Europäische Kommission (2020), “Weißbuch zur Künstlichen Intelligenz – Ein europäisches Konzept für Exzellenz und Vertrauen”, COM(2020) 65 final, Europäische Kommission, Brüssel. - Felten, E., M. Raj und R. Seamans (2019), “The Occupational Impact of Artificial Intelligence on Labor: The Role of Complementary Skills and Technologies”, Paper, NYU Stern School of Business. - Fossen, F. und A. Sorgner (2019), “New Digital Technologies and Heterogeneous Employment and Wage Dynamics in the United States: Evidence from Individual-Level Data”, IZA Discussion Paper, No. 12242. - Frey, C. und M. Osborne (2017), “The Future of Employment: How susceptible are jobs to computerisation”, Technological Forecasting and Social Change, Vol. 114. - Gal, P. et al. (2019), “Digitalisation and productivity: In search of the holy grail – Firm-level empirical evidence from EU countries”, OECD Economics Department Working Papers, No. 1533. - Gartner (2017), “Gartner Says By 2020, Artificial Intelligence Will Create More Jobs Than It Eliminates”, Pressemitteilung. - Geroski, P. A. (2000), “Models of technology diffusion”, Research Policy, Vol. 29/4-5. - Goldberg, K. (2019), “Robots and the return to collaborative intelligence”, Nature Machine Intelligence, Vol. 1/1. - Gombolay, M. et al. (2015), “Decision-making authority, team efficiency and human worker satisfaction in mixed human-robot teams”, Autonomous Robots, Vol. 39/3. - Good, I. (1966), “Speculations Concerning the First Ultraintelligent Machine”, Advances in Computers, Vol. 6/C. - Gordon, R. (2018), “Why has Economic Growth Slowed When Innovation Appears to be Accelerating?”, NBER Working Paper, No. 24554. - Grace, K. et al. (2018), “Viewpoint: When Will AI Exceed Human Performance? Evidence from AI Experts”, Journal of Artificial Intelligence Research, Vol. 62. - Graetz, G. und G. Michaels (2018), “Robots at Work”, The Review of Economics and Statistics, Vol. 100/5. - Grennan, J. und R. Michaely (2019), “Artificial Intelligence and the Future of Work: Evidence from Analysts”, NBER-Konferenz “Economics of Artificial Intelligence”. - Gries, T. und W. Naudé (2018), “Artificial Intelligence, Jobs, Inequality and Productivity: Does Aggregate Demand Matter?”, IZA Discussion Paper, No. 12005. - Griliches, Z. (1957), “Hybrid Corn: An Exploration in the Economics of Technological Change”, Econometrica, Vol. 25/4. - Growiec, J. (2022), “Hardware and Software. In Accelerating Economic Growth: Lessons From 200,000 Years of Technological Progress and Human Development”, Springer. - Guszcza, J. et al. (2018), “Why We Need to Audit Algorithms”, Harvard Business Review. - Hancock, P. et al. (2011), “A Meta-Analysis of Factors Affecting Trust in Human-Robot Interaction”, Human Factors, Vol. 53/5. - ILO (2016), Workplace Stress: A collective challenge, ILO, Genf. - Jaehrling, K. et al. (2018), “The digitisation of warehousing work. Innovations, employment and job quality in French, German and Dutch retail logistics companies”, in QuInnE Working Paper, No. 6. - Jha, S. und E. Topol (2016), “Adapting to artificial intelligence: Radiologists and pathologists as information specialists”, JAMA, Vol. 316/22. - Julia, L. (2019), L’intelligence artificielle n’existe pas, FIRST. - Jungmittag, A. und A. Pesole (2019), “The impact of robots on labour productivity: A panel data approach covering 9 industries and 12 countries”, JRC Working Papers Series on Labour, Education and Technology, 2019/08. - Jurkat, A., R. Klump und F. Schneider (2022), “Tracking the Rise of Robots: The IFR Database”, Jahrbücher Für Nationalökonomie Und Statistik. - Jurkat, A., R. Klump und F. Schneider (2023), “Robots and Wages: A Meta-Analysis”, Econstor Working Paper, ZBW – Leibniz Information Centre for Economics. - Karasek, R. (1979), “Job Demands, Job Decision Latitude, and Mental Strain: Implications for Job Redesign”, Administrative Science Quarterly, Vol. 24/2. - Karasek, R. und T. Theorell (1990), Healthy work : stress, productivity and the reconstruction of working life, Basic Books, New York. - Kark, R., D. Van Dijk und D. Vashdi (2018), “Motivated or Demotivated to Be Creative: The Role of Self-Regulatory Focus in Transformational and Transactional Leadership Processes”, Applied Psychology, Vol. 67/1. - Kelnar, D. (2019), “Introducing The State of AI 2019: Divergence”, MMC Writes. - Knudsen, M. und J. Kaívo-Oja (2020), “Collaborative Robots: Frontiers of Current Literature”, Journal of Intelligent Systems: Theory and Applications. - Korinek, A. und J. Stiglitz (2017), “Artificial Intelligence and Its Implications for Income Distribution and Unemployment”, NBER Working Paper, No. 24174. - Kromann, L., N. Malchow-Møller, J. R. Skaksen und A. Sørensen (2019), “Automation and productivity—A cross-country, cross-industry comparison”, Industrial and Corporate Change, Vol. 29/2. - Landi, C. et al. (2018), “Relieving operators’ workload: Towards affective robotics in industrial scenarios”, Mechatronics, Vol. 54. - Lasota, P. und J. Shah (2015), “Analyzing the Effects of Human-Aware Motion Planning on Close-Proximity Human-Robot Collaboration”, Human Factors, Vol. 57/1. - Leka, S. und A. Jain (2010), Health Impact of Psychosocial Hazards at Work: An Overview, Weltgesundheitsorganisation, Genf. - Li, D., L. Raymond und P. Bergman (2020), “Hiring as Exploration”, NBER Working Paper, No. 27736. - Mathis, J. (2018), “Innovations are Coming to the Human Resource”, The Journal of Private Equity, Vol. 21/4. - McElheran, K. (2018), “Economic Measurement of AI”, NBER-Konferenz “Economics of Artificial Intelligence”. - McKinsey (2018), “Notes from the AI Frontier: Modeling the Impact of AI on the World Economy”, Discussion Paper. - McKinsey (2019), “Global AISurvey: AI adoption proves its worth, but few scale impact”. - Moore, P. (2019), “OSH and the Future of Work: benefits and risks of artificial intelligence tools in workplaces”, Discussion Paper, EU-OSHA, Bilbao. - Moore, P., M. Upchurch und X. Whittaker (Hrsg.) (2018), Digitalisation of Work and Resistance, Palgrave Macmillan. - Moretti, E. (2010), “Local multipliers”, American Economic Review, Vol. 100/2. - Moretti, E. (2012), The New Geography of Jobs, Houghton Mifflin Harcourt, Boston. - Naudé, W. (2019), “The Race against the Robots and the Fallacy of the Giant Cheesecake: Immediate and Imagined Impacts of Artificial Intelligence”, IZA Discussion Paper, No. 12218. - Nedelkoska, L. und G. Quintini (2018), “Automation, skills use and training”, OECD Social, Employment and Migration Working Papers, No. 202. - Nielsen, P. et al. (2016), “Are Transformational and Transactional Types of Leadership Compatible? A Panel Study of Work Motivation”, Midwest Political Science Association, Chicago. - Nordhaus, W. (2015), “Are We Approaching an Economic Singularity? Information Technology and the Future of Economic Growth”, Cowles Foundation Discussion Paper, No. 2021. - OECD (2017), OECD Guidelines on Measuring the Quality of the Working Environment, OECD Publishing, Paris. - OECD (2018a), Good Jobs for All in a Changing World of Work: The OECD Jobs Strategy, OECD Publishing, Paris. - OECD (2018b), OECD Science, Technology and Innovation Outlook 2018: Adapting to Technological and Societal Disruption, OECD Publishing, Paris. - OECD (2019a), OECD Employment Outlook 2019, OECD Publishing, Paris. - OECD (2019b), “Scoping the OECD AI Principles: Deliberations of the Expert Group on Artificial Intelligence at the OECD (AIGO)”, OECD Digital Economy Papers, No. 291. - OECD (2019c), “Wissen für 2030”, in OECD Lernkompass 2030 – OECD-Projekt Future of Education and Skills 2030: Rahmenkonzept des Lernens, OECD, Paris. - OECD (2020), Künstliche Intelligenz in der Gesellschaft, OECD Publishing, Paris. - Olmstead, A. und P. Rhode (2002), “Reshaping the Landscape: The Impact and Diffusion of the Tractor in American Agriculture, 1910-1960”, The Journal of Economic History, Vol. 61/03. - Polanyi, M. (2009), The Tacit Dimension, University of Chicago Press, Chicago. - PwC (2017), Artificial Intelligence in HR: a No-brainer, Paper. - PwC (2018), The macroeconomic impact of artificial intelligence. - Ransbotham, S. et al. (2019), “Winning With AI”, MITSloan Management Review. - Sage-Gavin, E., M. Vazirani und F. Hintermann (2019), “Getting Your Employees Ready for Work in the Age of AI”, MIT Sloan Management Review. - Saint-Martin, A., H. Inanc und C. Prinz (2018), “Job Quality, Health and Productivity: An evidence-based framework for analysis”, OECD Social, Employment and Migration Working Papers, No. 221. - Schwellnus, C. et al. (2018), “Labour share developments over the past two decades: The role of technological progress, globalisation and ‘winner-takes-most’ dynamics”, OECD Economics Department Working Papers, No. 1503. - Seamans, R. und M. Raj (2018), “AI, Labor, Productivity and the Need for Firm-level Data”, NBER Working Paper, No. 24239. - Sengenberger, W. (1987), Struktur und Funktionsweise von Arbeitsmärkten: Die Bundesrepublik Deutschland im internationalen Vergleich, Campus Verlag, Frankfurt/Main. - TNO (2018), Emergent risks to workplace safety; Working in the same space as a cobot, Netherlands Organisation for Applied Scientific Research, Den Haag. - Toney, A. und M. Flagg (2020), “U.S. Demand for AI-Related Talent”, CSET Data Brief. - Ultimate Software (2018), “Sentiment Analysis and The Future of Work”, White Paper, Ultimate Software Group Inc. - Van den Broek, E. (2017), “Monitoring technology in the workplace”, EU-OSHA Discussion papers, EU-OSHA, Bilbao. - Villani, V. et al. (2018), “Survey on human–robot collaboration in industrial settings: Safety, intuitive interfaces and applications”, Mechatronics, Vol. 55. - Webb, M. (2020), “The Impact of Artificial Intelligence on the Labor Market”, Paper. - Wilson, H., P. Daugherty und N. Morini-Bianzino (2017), “The Jobs That Artificial Intelligence Will Create”, MITSloan Management Review. - Woodcock, J. (2016), Working the Phones: Control and resistance in call centres, Pluto Press, London. - Wright, R. (2019), “Workplace automation: How AI is coming for your job”, Financial Times. - Yamamoto, I. (2019), “The impact of AI and information technologies on worker stress”, VoxEU. - Zeng, M. (2018), “Alibaba and the Future of Business”, Harvard Business Review. - Zhang, H., S. Feinzig und H. Hemmingham (2018), “Making Moves: Internal Career Mobility and the Role of AI”, White Paper, IBM Corporation, Armonk.