Karpathy hat berechnet, wen neuronale Netze ersetzen werden 🤖

Andrej Karpathy hat ein weiteres interessantes Hobbyprojekt veröffentlicht – US Job Market Visualizer. Es ist eine interaktive Karte des US-amerikanischen Arbeitsmarktes (143 Millionen Arbeitsplätze, 342 Berufe), bei der jeder Beruf nach dem Grad der „AI Exposure“ (Anfälligkeit gegenüber KI) bewertet wird.

Was ist mit Programmierern?
Softwareentwickler haben eine Bewertung von 9/10. Wir sind tief in der roten Zone.

Bedeutet das, dass es Zeit ist, Fliesenlegen zu lernen? Keineswegs. Karpathy weist darauf hin, dass eine hohe Anfälligkeit nicht gleichbedeutend mit dem Verschwinden des Berufs ist. Code schreiben, Debuggen und Testautomatisierung sind ideale Anwendungsfälle für LLMs. Die Produktivität eines einzelnen Ingenieurs schießt in die Höhe.

Die Nachfrage nach Entwicklern könnte sogar steigen, aber bezahlt wird für Architekturentwurf, Kommunikation mit Stakeholdern und Lösung von Geschäftsproblemen. Lineare Codierer, blinde Ticket-Abarbeiter und manuelle Tester hingegen haben mein Beileid – dieses Segment wird als erstes umstrukturiert.

Was ist noch interessant:
▫️ Nur 4,4 % der Arbeitsplätze haben ein minimales Risiko (Dachdecker, Lader, Hausmeister). Körperliche Arbeit ist vorerst außen vor.
▫️ Je höher das Gehalt und die Bildung, desto stärker sind Sie im Visier der KI. Berufe mit einem Einkommen über 100.000 $ haben eine durchschnittliche Anfälligkeitsbewertung von 6,7.
▫️ In der Hochrisikozone (ab 7 Punkten) werden jährlich 3,7 Billionen $ an Gehältern generiert.

Wie es unter der Haube funktioniert
Für einen Python-Entwickler ist dieses Repository eine ideale, kristallklare Referenz dafür, wie man heute Datenverarbeitungspipelines mit LLMs aufbauen sollte. Kein überkomplizierter Müll, alles mit Standardwerkzeugen:

1️⃣ scrape.py – nicht-headless Playwright (BLS blockiert Bots), um rohes HTML zu extrahieren.
2️⃣ parse_detail.py und process.py – klassisches BeautifulSoup4 zum Bereinigen des Layouts und Konvertieren in reines Markdown. Keine Magie, nur Kontextvorbereitung.
3️⃣ score.py – der wichtigste Teil. Das Skript füttert Markdown-Beschreibungen der Berufe an Gemini 3 Flash über OpenRouter. Im System-Prompt sind die Bewertungskriterien (von 0 bis 10) fest vorgegeben und die Anforderung, nur JSON der Form {"exposure": int, "rationale": "string"} zurückzugeben.
4️⃣ build_site_data.py – erstellt das finale JSON für das Frontend in vanilla HTML/JS.

Wenn Sie schon lange LLM an Ihre eigenen langweiligen Daten (Bewertungen, Logs, Lebensläufe) anbinden wollten – forken Sie das Projekt. Werfen Sie Karpathys Prompt zu „AI Exposure“ weg, schreiben Sie Ihren eigenen (z. B. „Bewerten Sie die Wahrscheinlichkeit der Automatisierung dieser Arbeit durch humanoide Roboter“ oder „Bewerten Sie das Outsourcing-Risiko“), führen Sie das Skript aus und erhalten Sie fertige Analysen.

🔗Quellcode auf GitHub