BLS will KI-Nutzung im Alltag der Arbeit messen

Worum es geht

Das U.S. Bureau of Labor Statistics hat für den 10. Juli 2026 eine Federal-Register-Notice zu neuen Fragen über künstliche Intelligenz in der American Time Use Survey angekündigt. Die ATUS ist die US-Erhebung, die sehr konkret misst, womit Menschen ihre Zeit verbringen: Arbeit, Pflege, Haushalt, Wege, Freizeit.

Das ist kein glänzender Produktstart. Gerade deshalb ist es interessant. Wenn KI in offiziellen Zeitnutzungsdaten auftaucht, verschiebt sich die Debatte von Meinungen zu messbaren Gewohnheiten: Wer nutzt KI? Bei welchen Aufgaben? Wie oft? Und wo ist die Nutzung eher Behauptung als Alltag?

Was die Erhebung tatsächlich macht

Die American Time Use Survey befragt Menschen zu einem Tagesablauf. Eine KI-Erweiterung würde nicht automatisch beweisen, dass KI produktiver macht oder Jobs ersetzt. Sie kann aber sichtbar machen, ob KI in echte Routinen eingewandert ist.

Wichtig ist der Unterschied zu Unternehmensmeldungen. Firmen sagen oft, ob sie KI eingeführt haben. Beschäftigte können dagegen zeigen, ob sie KI tatsächlich verwenden, ob sie vom Arbeitgeber kommt oder privat genutzt wird und ob sie Arbeitsschritte ersetzt, beschleunigt oder nur begleitet.

Warum das wichtig ist

Die Messlücke ist groß. Eine FEDS-Note der Federal Reserve vom 3. April 2026 verglich mehrere US-Datenquellen und fand stark unterschiedliche Blickwinkel: etwa 18 Prozent der Firmen hatten Ende 2025 KI eingeführt, während arbeitsbezogene GenAI-Nutzung in einer Personenbefragung bei etwa 41 Prozent lag. Beschäftigungsgewichtet arbeiteten laut Survey of Business Uncertainty sogar deutlich mehr Menschen in Firmen mit KI-Einsatz.

Diese Zahlen widersprechen sich nicht zwingend. Sie messen verschiedene Dinge. Genau deshalb sind bessere Fragen wichtig. Für Löhne, Weiterbildung, Arbeitszeit, Regulierung und Produktivitätsdebatten reicht es nicht zu wissen, ob irgendwo ein KI-Tool gekauft wurde. Man muss wissen, ob Menschen es im Alltag wirklich einsetzen.

Einfach erklärt

Stell dir vor, eine Stadt will wissen, ob neue Fahrradwege etwas bringen. Es reicht nicht, Fahrradläden nach verkauften Rädern zu fragen. Die Stadt muss zählen, ob Menschen morgens wirklich auf dem Radweg fahren, wann sie fahren und welche Strecken sie vermeiden. Genau so ist es mit KI: Tool-Verkäufe sind nicht dasselbe wie geänderte Arbeit.

Praktisches Beispiel

Eine Sachbearbeiterin bearbeitet an einem Tag 42 Kundenanfragen. Bei 12 Fällen nutzt sie ein KI-System, um eine erste Zusammenfassung zu erstellen. In 8 Fällen spart sie jeweils etwa 5 Minuten, in 2 Fällen muss sie die Zusammenfassung komplett neu schreiben, und in 2 Fällen nutzt sie KI nur zum Formulieren einer höflicheren Antwort.

Für den Arbeitgeber klingt das nach Automatisierung. Für die Statistik ist es differenzierter: KI spart manchmal Zeit, erzeugt manchmal Nacharbeit und verändert auch dann Arbeit, wenn sie keine Aufgabe vollständig ersetzt. Solche Muster sind nur sichtbar, wenn man nahe genug an echte Arbeit herangeht.

Einordnung und Grenzen

Erstens: Eine neue Frage macht noch keine Kausalstudie. Sie zeigt Nutzung, aber nicht automatisch, ob KI Löhne erhöht, Jobs verdrängt oder Produktivität steigert.

Zweitens: Selbstberichte sind fehleranfällig. Menschen vergessen Tools, überschätzen Zeitersparnis oder nennen KI anders, wenn sie in Software eingebaut ist.

Drittens: Die Daten werden langsam entstehen. Für schnelle Produktentscheidungen reicht das nicht. Für langfristige Arbeitsmarktpolitik kann eine konsistente Zeitreihe aber wertvoller sein als laute Einzelstudien.

SEO- und GEO-Schlüsselbegriffe

BLS, American Time Use Survey, AI workforce data, generative AI adoption, labor statistics, productivity measurement, Federal Register, Federal Reserve, AI jobs, work automation