İşStrateji

Strategische Positionierung für Einzelne: Wie Sie das Spiel wählen, das Sie wirklich gewinnen können

A person with a mug at a sunlit window looking out over a city where several roads diverge, choosing a direction

TL;DR. Die meisten Karriereratschläge handeln davon, härter zu spielen. Strategie handelt davon, das Spiel zu wählen. In den US-Lohndaten vom Mai 2025 verdient eine Person am 90. Perzentil über die gesamte Wirtschaft hinweg das 4,12-Fache einer Person am 10. Perzentil, innerhalb des typischen Berufs aber nur das 2,29-Fache: Ein großer Teil der Lohnlücke liegt zwischen den Arenen, nicht innerhalb von ihnen. Eine CEOtudent-Verknüpfung der KI-Expositionskategorien des Bureau of Labor Statistics (BLS) mit den OEWS-Lohnperzentilen für 830 Berufe zeigt: Arenen mit „Very high“ KI-Exposition haben das höchste typische Lohnniveau (Median der Berufsmediane 78.105 $), aber das langsamste projizierte Wachstum (2,0 Prozent für 2025-2035), die wenigsten offenen Stellen pro 100 Beschäftigte (8,4 pro Jahr) und die breiteste Lohnspreizung (Median P90/P10 von 2,70). Der CEO-Zug: Wählen Sie die Arena, in der Ihr relativer Vorsprung am größten ist und deren Auszahlungsform zu dem Rang passt, den Sie realistisch erreichen können, und schreiben Sie dann auf, worin Sie nicht konkurrieren werden. Der Student-Zug: Lernen Sie den einen spezifischen Vorsprung, den diese Arena belohnt, nicht eine allgemeine Liste gerade gefragter Fähigkeiten.

Dieser Beitrag handelt von der Wahl der Arena: wo Sie spielen. Er steht neben den bereits veröffentlichten Beiträgen darüber, welches Karrierekapital wächst und welches schwindet, wo es um die Vermögenswerte geht, die Sie aufbauen, und darüber, wie Sie eine persönliche These entwickeln, wo es um Ihren Standpunkt geht. Die Frage hier kommt zuerst: Welches Spiel betreten Sie, und warum gerade dieses?

Warum ist die Wahl der Arena eine Strategiefrage und keine Planungsfrage?

In „What Is Strategy?“ (Harvard Business Review, November-Dezember 1996) trennt Michael Porter operative Effektivität, also ähnliche Tätigkeiten besser auszuführen als die Konkurrenz, von Strategie: „Strategie ist die Schaffung einer einzigartigen und wertvollen Position, die eine andere Kombination von Tätigkeiten umfasst.“ Und in dem Satz, der für eine Karriere am meisten zählt: „Das Wesen der Strategie besteht darin, zu entscheiden, was man nicht tut.“

Porter benennt auch, was geschieht, wenn sich alle auf dieselbe Weise verbessern, die wettbewerbliche Konvergenz: „Je mehr Benchmarking Unternehmen betreiben, desto ähnlicher werden sie einander.“ Die individuelle Version ist 2026 leicht zu erkennen. Wenn alle Analysten, Autoren und Berater dieselben KI-Assistenten und dieselben Kurse nutzen, ist es operative Effektivität, bei derselben Arbeit schneller zu werden. Das ist notwendig, aber es ist keine Position. Der veröffentlichte Beitrag darüber, wie man Autorität aufbaut, wenn alle dieselben KI-Werkzeuge haben, behandelt die Sichtbarkeitsseite dieses Problems; dieser Beitrag behandelt die Entscheidung, die ihr vorausgeht.

Roger Martin hat es in „The Big Lie of Strategic Planning“ (Harvard Business Review, Januar-Februar 2014) schlichter formuliert: „Wer die zentralen Entscheidungen als Where to play und How to win beschreibt, hält die Diskussion auf dem Boden.“ Er warnt auch vor Unternehmen, die „lieber ein kleines Stück eines riesigen Marktes wollen als ein großes Stück eines kleinen“. Übertragen auf eine einzelne Person: „Ich arbeite in der Tech-Branche“ ist keine Where-to-play-Entscheidung. Es ist die Beschreibung einer Menschenmenge.

Für eine Einzelperson werden daraus zwei Entscheidungen:

  • Wo Sie spielen (Where to play): ein bestimmter Beruf, ein bestimmter Kundentyp oder eine bestimmte Problemklasse, in der Sie um Einkommen und Chancen konkurrieren.
  • Wie Sie gewinnen (How to win): der Vorsprung, der jemanden dazu bringt, Sie statt der nächsten qualifizierten Person in dieser Arena zu wählen.

Die CEO + Student-Linse lässt sich direkt darauf abbilden. Der CEO verantwortet die erste Entscheidung und die Liste der Dinge, in denen Sie nicht konkurrieren. Der Student verantwortet die zweite: den Vorsprung aufzubauen, den diese Arena belohnt, nicht ein generischer Arbeitsmarkt.

Was bedeutet komparativer Vorteil für eine einzelne Person?

Die älteste Strategielogik für Einzelne ist eine Fußnote in David Ricardos On the Principles of Political Economy and Taxation (erste Auflage 1817, dritte Auflage 1821). In Kapitel 7 beschreibt Ricardo zwei Männer, die beide Schuhe und Hüte herstellen, wobei einer in beidem besser ist. Bei Hüten kann er „seinen Konkurrenten nur um ein Fünftel oder 20 Prozent übertreffen“, bei Schuhen aber „kann er ihn um ein Drittel oder 33 Prozent übertreffen“. Beide gewinnen, wenn der bessere Mann nur Schuhe und der andere nur Hüte herstellt.

Daraus folgen drei Konsequenzen:

  1. Sie müssen in einer Arena nicht der Beste sein, um dorthin zu gehören. Ihr Vorsprung dort muss größer sein als in Ihren anderen Optionen.
  2. In vielem gut zu sein, ist kein Grund, in allem zu konkurrieren. Auch der bessere Schuhmacher verliert Wert, wenn er Hüte herstellt.
  3. Der Vergleich erfolgt mit Ihren eigenen Alternativen. Die Frage lautet nicht „Bin ich darin gut?“, sondern „Ist hier mein Vorsprung am größten?“

Die moderne Arbeitsökonomie nutzt dieselbe Logik. Das NBER-Kapitel von Daron Acemoglu und David Autor aus dem Jahr 2010 schlägt ein aufgabenbasiertes Modell vor, in dem „die Zuordnung von Fähigkeiten zu Aufgaben endogen ist“ und technischer Wandel „die Ersetzung bestimmter, zuvor von Arbeitskräften ausgeführter Aufgaben durch Maschinen“ bedeuten kann. Welche Aufgaben eine Person am Ende übernimmt, hängt vom relativen Vorteil ab, und Technologie verschiebt diese Zuordnung. KI ist die aktuelle Verschiebung.

David Demings NBER-Arbeitspapier über soziale Fähigkeiten (überarbeitet im Juni 2017) modelliert Beschäftigte, die „Aufgaben tauschen“, um komparative Vorteile zu nutzen, wobei soziale Fähigkeiten die Kosten dieses Tauschs senken. Seine Beschäftigungsdaten kommen einem Beleg am nächsten, dass Kombinationen und nicht einzelne Fähigkeiten die besten Arenen definieren.

Befund Wert wie berichtet Zeitraum und Daten Quelle
Berufe mit hoher Intensität sowohl in Mathematik als auch in sozialen Fähigkeiten wuchsen um etwa 7,2 Prozentpunkte als Anteil der US-Erwerbsbevölkerung 1980-2012, USA Deming, NBER WP 21473
Berufe mit niedriger Mathematik-, aber hoher Sozialkompetenz-Intensität wuchsen um etwa 4,6 Prozentpunkte 1980-2012, USA Deming
Alle Berufe mit hoher Sozialkompetenz-Intensität Gesamtanstieg des Beschäftigungsanteils um 11,8 Prozentpunkte 1980-2012, USA Deming
Berufe mit hoher Mathematik-, aber niedriger Sozialkompetenz-Intensität schrumpften um etwa 3,3 Prozentpunkte 1980-2012, USA Deming
Lohnwachstum von Hochschulabsolventen, das aufgabenspezifischem Humankapital zugeschrieben wird mindestens 40 Prozent über einen Zeitraum von zehn Jahren Deutschland Gathmann und Schönberg, IZA DP 3067
Gleiches Maß, gering und mittel qualifizierte Beschäftigte mindestens 35 bzw. 25 Prozent Deutschland Gathmann und Schönberg

Quellen: Deming, NBER Working Paper 21473 (überarbeitet im Juni 2017), Text zu Abbildung 4; Gathmann und Schönberg, IZA Discussion Paper 3067 (2007), Abstract.

Das Ergebnis von Gathmann und Schönberg fügt eine Einschränkung hinzu: Fähigkeiten lassen sich übertragen, aber überwiegend in benachbarte Arenen. Ihr Abstract berichtet, dass „Personen in Berufe mit ähnlichen Aufgabenanforderungen wechseln“. Eine Arena, die Sie mit Ihrem vorhandenen Aufgabenkapital erreichen, ist günstiger zu betreten als eine, die Sie auf null zurücksetzt. Der veröffentlichte Beitrag über das Stapeln von Fähigkeiten zeigt, wie Kombinationen Seltenheit erzeugen; die Wahl der Arena entscheidet, auf welchem Markt diese Seltenheit verkauft wird.

Warum zahlen manche Arenen dem Besten weit mehr als dem Zweitplatzierten?

Arenen unterscheiden sich nicht nur in der Größe, sondern auch in der Auszahlungsform. Die klassische Erklärung ist Sherwin Rosens Aufsatz „The Economics of Superstars“ aus dem Jahr 1981. Wie Douglas Clement für die Federal Reserve Bank of Minneapolis (2002) zusammenfasst, erklärte Rosen sehr hohe Spitzeneinkommen mit zwei Kräften: „unvollkommener Substituierbarkeit zwischen verschiedenen Anbietern und Skaleneffekten gemeinsamer Konsumtechnologien“. Geringeres Talent ist ein schlechter Ersatz für größeres Talent („Eine Abfolge mittelmäßiger Sänger zu hören, ergibt zusammen keine einzige herausragende Darbietung“, in Rosens Worten, wie dort zitiert), und manche Technologien erlauben es wenigen Anbietern, den gesamten Markt zu bedienen.

Derselbe Artikel zitiert eine spätere Theorie der Ökonomen Boldrin und Levine, die vorhersagt, dass „die zunehmende Reproduzierbarkeit von Information weiterhin große Einkommensunterschiede zwischen Personen sehr ähnlicher Fähigkeiten und in einer wachsenden Zahl von Branchen erzeugen wird“. Das ist eine Hypothese, 2002 im Zusammenhang mit digitalem Kopieren zitiert, kein gemessenes Ergebnis. Sie beschreibt aber die Richtung, in die KI drängt: Wenn Ergebnisse billig zu reproduzieren sind, wächst die Belohnung dafür, der gewählte Anbieter zu sein, im Verhältnis zur Belohnung dafür, ein kompetenter Anbieter zu sein.

Die Auszahlungsform verändert die Frage, die Sie vor dem Eintritt stellen. In einer Arena mit geringer Spreizung zahlt sich solides Können ungefähr so aus wie sehr gutes Können. In einer Arena mit breiter Spreizung lautet die realistische Frage, ob Sie innerhalb weniger Jahre das oberste Fünftel erreichen können, denn die Mitte zahlt weniger, als die Durchschnittswerte vermuten lassen.

Was zeigen die Arena-Daten tatsächlich?

CEOtudent hat zwei BLS-Datensätze verknüpft, die getrennt veröffentlicht werden:

  • BLS Employment Projections, KI-Expositionskategorien und Projektionen 2025-35: für 831 detaillierte Berufe die Beschäftigung 2025, die projizierte Veränderung bis 2035, jährliche offene Stellen, den Anteil Selbstständiger, den Medianlohn und eine vierstufige Kategorie der „relativen KI-Exposition“, die aus fünf externen Quellen gebildet wird.
  • BLS Occupational Employment and Wage Statistics (OEWS), Mai 2025: Lohnperzentile für dieselben Berufscodes. Das Verhältnis des 90. zum 10. Perzentil (P90/P10) dient hier als einfaches Maß dafür, wie breit die Löhne innerhalb einer Arena streuen.

830 der 831 Berufe ließen sich über den Code zuordnen. Das BLS benennt die Grenzen ausdrücklich: „Eine Expositionskategorie ist keine Prognose von Beschäftigungswachstum oder -rückgang“, seine theoretischen Quellen „fassen KI-Fähigkeiten als solche auf, die spätestens Mitte 2023 verfügbar waren“, und die Kategorien „unterscheiden nicht zwischen KI-Auswirkungen durch Automatisierung und durch Augmentierung“.

Tabelle 1. Arena-Bedingungen nach relativer KI-Expositionskategorie des BLS (CEOtudent-Analyse der KI-Expositionskategorien der BLS Employment Projections, 2025-35, und der BLS OEWS Mai 2025)

Relative KI-Exposition (BLS) Berufe Beschäftigung 2025 Projizierte Veränderung 2025-35 (beschäftigungsgewichtet) Offene Stellen pro 100 Beschäftigte pro Jahr Median P90/P10 innerhalb des Berufs Median der Berufs-Medianlöhne
Low 213 30,3 Mio. 2,5 % 10,8 1,93 49.120 $
Moderate 206 44,7 Mio. 6,2 % 13,2 2,17 52.760 $
High 206 42,1 Mio. 3,1 % 9,0 2,47 73.985 $
Very high 206 53,2 Mio. 2,0 % 8,4 2,70 78.105 $

Beschäftigung, projizierte Veränderung und offene Stellen stammen aus der BLS-Tabelle zur KI-Exposition; die P90/P10-Verhältnisse sind aus den nationalen OEWS-Perzentilen vom Mai 2025 berechnet (Stundenperzentile für die wenigen Berufe, die nur stündlich veröffentlicht werden; 212 zugeordnete Verhältnisse in der Zeile Low). Abgeleitete Zellen werden per Skript nachgerechnet.

Drei Dinge fallen auf. Die Lohnspreizung steigt mit jeder Expositionsstufe, von 1,93 auf 2,70: Die am stärksten KI-exponierten Arenen sind diejenigen, in denen sich die Spitzenverdiener am weitesten vom unteren Ende desselben Berufs entfernen. Exponierte Arenen zahlen mehr, bieten aber weniger Raum: Berufe mit „Very high“ Exposition haben die höchsten typischen Löhne und die niedrigsten Wachstums- und Stellenquoten, während die Gruppe „Moderate“, größtenteils praktische Handarbeit, bei beidem den meisten Raum bietet. Offene Stellen entstehen überwiegend durch Ersatz, nicht durch Wachstum: Von 17.461,8 Tausend offenen Stellen pro Jahr über alle Berufe hinweg entstehen 16.870 Tausend (96,6 Prozent) dadurch, dass Menschen den Beruf oder die Erwerbsbevölkerung verlassen. Eine hohe Stellenquote signalisiert oft Fluktuation.

Die Korrelation verlangt Vorsicht. Berufe mit „High“ und „Very high“ Exposition sind zugleich besser bezahlte, stärker an Qualifikationen gebundene Berufe, in denen lange Senioritätsleitern die Löhne naturgemäß auseinanderziehen. Tabelle 1 zeigt nicht, dass KI breitere Spreizungen verursacht. Sie zeigt, dass die Arenen, in denen KI heute am stärksten anwendbar ist, zugleich die turnierartigsten sind, genau das Umfeld, in dem die Position mehr zählt als die Anstrengung.

Das Expositionsetikett sagt zudem wenig über eine einzelne Arena aus. Die nächste Tabelle hält es konstant.

Tabelle 2. Gleiches Expositionsetikett, sehr unterschiedliche Arenen (CEOtudent-Analyse der BLS Employment Projections 2025-35 und der BLS OEWS Mai 2025)

Beruf (Arena) KI-Exposition (BLS) Beschäftigung 2025 (Tausend) Projizierte Veränderung 2025-35 Offene Stellen pro 100 Beschäftigte pro Jahr P90/P10 Selbstständige, 2025
Data Scientists Very high 275,6 34,6 % 9,0 2,96 1,9 %
Informationssicherheitsanalysten Very high 192,9 21,0 % 7,3 2,66 0,2 %
Managementanalysten (Unternehmensberatung) Very high 1.077,1 10,1 % 8,7 2,83 14,0 %
Softwareentwickler Very high 1.717,8 10,2 % 5,5 2,60 1,5 %
Projektmanagement-Fachkräfte Very high 1.094,3 6,7 % 7,0 2,73 1,2 %
Marktforschungsanalysten und Marketingspezialisten Very high 952,7 7,0 % 8,6 3,58 3,8 %
Buchhalter und Wirtschaftsprüfer Very high 1.595,2 5,0 % 7,2 2,57 5,5 %
Rechtsanwälte Very high 863,7 4,7 % 3,3 4,49 11,3 %
Persönliche Finanzberater Very high 299,4 1,4 % 5,7 7,11 9,7 %
PR-Fachleute Very high 314,5 1,8 % 7,3 3,06 1,1 %
Schriftsteller und Autoren Very high 140,3 -0,3 % 8,5 3,16 64,8 %
Redakteure und Lektoren Very high 105,0 -1,1 % 7,5 3,73 9,0 %
Grafikdesigner Very high 253,1 -1,7 % 6,3 2,65 20,5 %
Nurse Practitioners (Kontrast) High 336,3 41,0 % 8,7 1,72 1,6 %
Elektriker (Kontrast) Moderate 821,0 9,2 % 8,9 2,54 7,1 %

Auswahl: verbreitete Arenen der Wissensarbeit plus zwei Kontraste, von der Redaktion nach Relevanz ausgewählt, keine Rangliste. OEWS erfasst nur abhängig Beschäftigte, daher unterschätzt P90/P10 die Spreizung dort, wo viele freiberuflich arbeiten (Schriftsteller und Autoren: 64,8 Prozent Selbstständige).

Dreizehn Arenen tragen dasselbe Etikett „Very high“, doch das projizierte Wachstum reicht von -1,7 Prozent (Grafikdesigner) bis 34,6 Prozent (Data Scientists) und die Lohnspreizung von 2,57 (Buchhalter und Wirtschaftsprüfer) bis 7,11 (persönliche Finanzberater). Zwei Menschen, die beide „in einem KI-exponierten Bereich arbeiten“, können sich in Arenen mit gegensätzlicher Dynamik befinden. Das Etikett sagt, dass sich die Arbeit verändern wird. Raum und Auszahlungsform sagen, ob sich der Eintritt in die Arena lohnt.

Welche Arten von Arenen gibt es?

Teilt man alle 830 zugeordneten Berufe nach projiziertem Wachstum (über oder unter den 3,5 Prozent für alle Berufe) und nach P90/P10 (über oder unter dem Median von 2,29), ergeben sich vier Arena-Typen.

Tabelle 3. Vier Arena-Typen (redaktioneller CEOtudent-Rahmen, angewandt auf eine CEOtudent-Analyse der BLS Employment Projections 2025-35, der KI-Expositionskategorien und der OEWS Mai 2025)

Arena-Typ Regel Berufe Beschäftigung 2025 Anteil dieser Beschäftigung mit „High“ oder „Very high“ KI-Exposition Drei größte nach Beschäftigung Was er belohnt
Offenes Feld Wachsend, geringe Spreizung 143 42,6 Mio. 28 % Häusliche Gesundheits- und Pflegehilfskräfte; Fast-Food- und Thekenkräfte; examinierte Pflegefachkräfte Verlässliche Kompetenz und Qualifikationsnachweise; das Potenzial nach oben ist begrenzt
Umkämpfte Grenze Wachsend, breite Spreizung 213 43,1 Mio. 72 % Geschäftsführer und Betriebsleiter; Softwareentwickler; Buchhalter und Wirtschaftsprüfer Eine klare Position; Raum ist vorhanden, aber die Spitze setzt sich ab
Commodity-Arena Langsam, geringe Spreizung 272 58,1 Mio. 54 % Verkäufer im Einzelhandel; Kassierer; Hilfsarbeiter sowie manuelle Fracht-, Lager- und Materialtransportkräfte Kosten und Verlässlichkeit; kaum Belohnung für Herausragendes
Turnier-Arena Langsam, breite Spreizung 202 26,4 Mio. 80 % Kellner und Kellnerinnen; direkte Vorgesetzte von Büro- und Verwaltungskräften; direkte Vorgesetzte von Einzelhandelsverkäufern Rang; nur eine Spitzenposition zahlt gut

Schwellenwerte: 3,5 Prozent ist die vom BLS projizierte Veränderung der Gesamtbeschäftigung 2025-35 (Employment Projections Tabelle 1.2); 2,29 ist der Median von P90/P10 über die 830 zugeordneten Berufe. Die Namen der Typen und die Spalte „Was er belohnt“ sind ein redaktioneller CEOtudent-Rahmen, keine BLS-Kategorien.

Zwei Lesarten sind wichtig. In der Turnier-Arena ist die KI-Exposition am stärksten konzentriert: 80 Prozent ihrer Beschäftigung liegen in Berufen mit „High“ oder „Very high“ Exposition. In einer langsam wachsenden Arena mit breiter Spreizung lautet der realistische Plan, aufzusteigen oder sich neu zu positionieren, nicht die Mitte zu halten. Und die umkämpfte Grenze, in der die meisten wachstumsorientierten Wissensarbeiter spielen werden, ist ein Positionierungsspiel: Raum ist vorhanden, aber die Belohnung geht an eine eigenständige Position, nicht an allgemeine Kompetenz.

Die Arena-Auswahl-Scorecard

Bewerten Sie jede infrage kommende Arena in sechs Tests mit 0, 1 oder 2 Punkten. Definieren Sie die Arena so eng, dass Sie zehn Konkurrenten benennen könnten.

Tabelle 4. Die Arena-Auswahl-Scorecard (redaktioneller CEOtudent-Rahmen)

# Test 0 1 2 Logik
1 Relativer Vorsprung Vorsprung nicht größer als in Ihren anderen Optionen Etwas größer Eindeutig dort, wo Ihr Vorsprung gegenüber typischen Neueinsteigern am größten ist Ricardo
2 Passung der Auszahlungsform Breite Spreizung und kein glaubwürdiger Weg ins oberste Fünftel in 3-5 Jahren Unklar Geringe Spreizung oder breite Spreizung mit glaubwürdigem Weg nach oben Rosen
3 Raum Projizierter Rückgang und wenige offene Stellen Stagnierend oder Wachstum durch Fluktuation getragen Wachstum über dem gesamtwirtschaftlichen Wert und echte offene Stellen BLS-Projektionen
4 Richtung der KI KI erzeugt bereits das Kernergebnis, das Sie verkaufen würden Gemischt KI übernimmt die Routineteile; Ihr Vorsprung ist das, was bleibt (Urteilsvermögen, Beziehungen, verantwortete Entscheidungen, Kombination) BLS-Exposition; Acemoglu und Autor
5 Klarheit der Abwägung Sie können nicht benennen, womit Sie aufhören würden Benannt, aber nicht verbindlich Eine schriftliche Liste von Kunden, Aufgaben und Kanälen, die Sie ablehnen werden Porter
6 Nähe Keine Überschneidung mit aktuellen Aufgaben Teilweise Überschneidung Der Großteil Ihres aktuellen Aufgabenkapitals lässt sich übertragen, oder es gibt eine kurze Brücke Gathmann und Schönberg

So lesen Sie die Gesamtpunktzahl von 12 (redaktionelle CEOtudent-Schwellenwerte):

  • 10-12: festlegen. Machen Sie sie zur primären Arena und bauen Sie den Lernplan um ihren spezifischen Vorsprung herum.
  • 7-9: mit einem Test eintreten. Führen Sie zuerst ein begrenztes Experiment durch: ein Projekt, einen Pilotkunden, eine Portfolioarbeit. Der Beitrag über das Explore-Exploit-Dilemma zeigt, wie man solche Experimente dimensioniert und beendet.
  • 6 oder weniger: nicht in dieser Form eintreten. Engen Sie die Arena ein, bis der Vorsprung wächst, oder wählen Sie eine andere.

Eine Null bei Test 1 oder Test 5 blockiert eine Festlegung, unabhängig von der Gesamtpunktzahl. Ohne relativen Vorsprung gibt es keine Position; ohne Abwägung gibt es keine Strategie, nur eine Wunschliste.

So wenden Sie die Scorecard in einer Sitzung an

  1. Listen Sie drei infrage kommende Arenen auf, eng gefasst. Nicht „Daten“, sondern „Preisanalytik für Abo-Softwareunternehmen“; nicht „Schreiben“, sondern „technische Dokumentation für regulierte Medizinprodukte“.
  2. Holen Sie die öffentlichen Zahlen für den nächstliegenden Beruf. BLS-Projektionen, offene Stellen, Exposition und OEWS-Perzentile gibt es für jeden detaillierten US-Beruf; anderswo nutzen Sie das nationale Statistikamt und notieren, was fehlt. Tabelle 2 zeigt die Spalten, die sich festzuhalten lohnen.
  3. Bewerten Sie Test 1 ehrlich. Fragen Sie zwei Personen, die Ihre Arbeit kennen, wo Sie Gleichrangige übertreffen, und schreiben Sie den Vergleich mit Ihren eigenen Alternativen auf.
  4. Prüfen Sie die Auszahlungsform gegen Ihren wahrscheinlichen Rang. Liegt P90/P10 über etwa 3 (eine CEOtudent-Faustregel, kein BLS-Schwellenwert) und befinden Sie sich noch nicht im oberen Teil dieser Arena, erhält Test 2 eine 0 oder 1, bis es Belege für einen Weg nach oben gibt.
  5. Schreiben Sie die Liste dessen, worin Sie nicht konkurrieren. Kunden, die Sie nicht annehmen, Aufgaben, die Sie nicht verkaufen, Plattformen, denen Sie nicht hinterherlaufen. Der Beitrag darüber, was man nicht lernen sollte, wendet dieselbe Disziplin auf die Lernzeit an.
  6. Machen Sie aus der gewinnenden Arena ein einziges Lernziel. Das ist die Student-Hälfte: der Vorsprung, der das oberste Fünftel vom Median in dieser Arena trennt. Um zwischen infrage kommenden Fähigkeiten zu wählen, sobald die Arena feststeht, nutzen Sie die 4-Faktoren-Entscheidungsmatrix für Fähigkeiten.
  7. Legen Sie einen Überprüfungstermin fest. Das BLS veröffentlicht Projektionen jährlich; die Projektionen 2026-36 sollen 2027 erscheinen.

Worin sollten Sie sich weigern zu konkurrieren?

Porters Argument lautet, dass Abwägungen eine Position dauerhaft machen: „Eine Abwägung bedeutet, dass mehr von einer Sache weniger von einer anderen erfordert.“ In KI-exponierten Arenen zählen typischerweise drei Verweigerungen:

  • Generischer Durchsatz. Wenn alle Konkurrenten dieselben KI-Assistenten haben, nähert sich die Geschwindigkeit bei Standardleistungen dem Marktpreis an.
  • Der Median einer Turnier-Arena. Wo die Spreizung breit und das Wachstum langsam ist (Tabelle 3), ist die Mitte die teure Option, nicht die sichere.
  • Arenen, die über ein Werkzeug definiert sind. Ein Werkzeug ist kein Markt. Eine Arena wird dadurch definiert, wer für welches Problem bezahlt; die Werkzeuge darin werden sich noch oft ändern.

Zu entscheiden, was man nicht tut, befreit auch den Studenten: Eine enge Arena sagt Ihnen, welches Wissen gefahrlos veralten darf und welches wachsen muss. Der Beitrag, der argumentiert, dass das T-Profil überholt ist, beschreibt, wie sich die Form dieses Wissens verändert; die Wahl der Arena sagt Ihnen, wo Sie es ausbauen sollten.

Was das nicht bedeutet

  • Nicht, KI-exponierte Arenen zu meiden. Das BLS stellt fest, dass eine Exposition von „High“ oder „Very high“ „nicht zwangsläufig bedeutet, dass die Beschäftigung zurückgehen wird“. Für mehrere Very-high-Arenen in Tabelle 2 wird ein schnelleres Wachstum als für die Gesamtwirtschaft projiziert.
  • Nicht, dem am schnellsten wachsenden Beruf hinterherzulaufen. Wachstum ohne relativen Vorsprung ist ein überfüllter Eingang.
  • Nicht, P90/P10 als Talent zu lesen. Es ist eine Spreizung der Löhne abhängig Beschäftigter, die auch Seniorität, Region, Arbeitgebergröße und Arbeitszeit widerspiegelt, und sie schließt Selbstständige aus.
  • Keine festen Kategorien. Die Schwellenwerte der Arena-Typen stammen aus einem einzigen Projektionszyklus; Berufe nahe an einer Grenze können sich verschieben, wenn Daten revidiert werden.
  • Nicht eine Arena fürs Leben. Strategie ist eine Entscheidung, die mit aktuellen Informationen getroffen und nach Zeitplan überprüft wird.

Dieser Beitrag ist eine allgemeine Information und keine persönliche Karriere-, Finanz- oder Rechtsberatung.

Häufig gestellte Fragen

Was ist strategische Positionierung für eine Einzelperson?
Die bewusste Entscheidung, wo man konkurriert (ein bestimmter Beruf, Kundentyp oder ein bestimmtes Problem) und wie man dort gewinnt (der Vorsprung, der jemanden dazu bringt, Sie statt der nächsten qualifizierten Person zu wählen), einschließlich der Entscheidung, was man nicht tut.

Worin unterscheidet sich das vom Aufbau von Karrierekapital?
Karrierekapital sind die Vermögenswerte, die Sie ansammeln. Die Wahl der Arena ist der Markt, auf dem diese Vermögenswerte verkauft werden. Dieselben Fähigkeiten können in einer Arena viel mehr wert sein als in einer anderen, daher kommt die Wahl der Arena zuerst.

Macht eine KI-Exposition von „Very high“ eine Arena zu einer schlechten Wahl?
Nein. Das BLS beschreibt die Kategorien als relativ und nicht als Beschäftigungsprognosen. In der CEOtudent-Analyse haben Arenen mit „Very high“ Exposition das höchste typische Lohnniveau, aber die breiteste Spreizung und das langsamste durchschnittliche Wachstum; sie belohnen daher eine klare Position stärker als durchschnittliche Kompetenz.

Was sagt P90/P10 über eine Arena aus?
Es ist der Lohn am 90. Perzentil geteilt durch den Lohn am 10. Perzentil innerhalb eines Berufs. Ein höherer Wert bedeutet, dass der Rang mehr zählt. Über 830 Berufe liegt der Median bei 2,29; persönliche Finanzberater liegen bei 7,11 und Nurse Practitioners bei 1,72.

Was sollte jemand tun, der in mehreren Dingen gut ist?
Ricardos Logik anwenden: den Vorsprung über die eigenen Optionen hinweg vergleichen und sich dort spezialisieren, wo er gegenüber typischen Neueinsteigern am größten ist. Dann prüfen, ob die Arena Raum bietet und eine Auszahlungsform hat, die zu dem Rang passt, den man erreichen kann.

Wie oft sollte eine Arena-Entscheidung neu bewertet werden?
Einmal im Jahr ist ein vernünftiger Standard, abgestimmt auf neue Daten wie die jährlichen BLS-Projektionen, und sofort nach einer großen Veränderung Ihres Vorsprungs, Ihres Fachgebiets oder der Werkzeuge, die Ihre Kernarbeit erledigen.

Quellen

  1. U.S. Bureau of Labor Statistics, Employment Projections. AI exposure categories and 2025-35 employment projections (ergänzende Tabelle, mit dem Blatt Field Descriptions).
  2. U.S. Bureau of Labor Statistics. Artificial Intelligence (AI) exposure categories: methodology and limitations.
  3. U.S. Bureau of Labor Statistics, Employment Projections 2025-35. Berufstabellen 1.2 (Projektionen und Merkmale der Beschäftigten) und 1.10 (Abgänge und offene Stellen).
  4. U.S. Bureau of Labor Statistics, Occupational Employment and Wage Statistics. Nationale branchenübergreifende Schätzungen vom Mai 2025 und Feldbeschreibungen.
  5. Porter, Michael E. What Is Strategy? Harvard Business Review, November-Dezember 1996.
  6. Martin, Roger L. The Big Lie of Strategic Planning. Harvard Business Review, Januar-Februar 2014.
  7. Ricardo, David. On the Principles of Political Economy and Taxation, dritte Auflage, 1821, Kapitel 7, On Foreign Trade. Ausgabe der Library of Economics and Liberty.
  8. Clement, Douglas. Perfectly Competitive Superstars. Federal Reserve Bank of Minneapolis, 2002. Quelle für die dortige Zusammenfassung von und die Zitate aus Rosen (1981), The Economics of Superstars, sowie aus Boldrin und Levine; die Originalarbeiten wurden nicht geöffnet.
  9. Deming, David J. The Growing Importance of Social Skills in the Labor Market. NBER Working Paper 21473, 2015, überarbeitet im Juni 2017.
  10. Gathmann, Christina, und Uta Schönberg. How General Is Human Capital? A Task-Based Approach. IZA Discussion Paper 3067, 2007 (Abstract und Einleitung).
  11. Acemoglu, Daron, und David Autor. Skills, Tasks and Technologies: Implications for Employment and Earnings. NBER Working Paper 16082, 2010 (Abstract).

Redaktioneller Hinweis: Die Tabellen 1, 2 und 3 sind CEOtudent-Analysen, die die BLS-Tabelle der Employment Projections zur KI-Exposition (2025-35) über den Berufscode mit den Lohnperzentilen der BLS OEWS vom Mai 2025 verknüpfen; jede abgeleitete Zelle wird per Skript nachgerechnet. Die Namen der Arena-Typen und die Scorecard in Tabelle 4 samt ihren Schwellenwerten sind ein redaktioneller CEOtudent-Rahmen. Populäre Behauptungen, ein fester Prozentsatz der Arbeitsplätze werde durch KI ersetzt, wurden bewusst nicht verwendet: Das BLS stellt fest, dass seine Expositionskategorien keine Beschäftigungsprognosen sind, und keine für diesen Beitrag geöffnete Primärquelle stützt eine solche Zahl. Rosen (1981) sowie Boldrin und Levine werden nur so zitiert, wie die Federal Reserve Bank of Minneapolis sie zusammenfasst.


Dieser Inhalt wurde nach eingehender Recherche mit Unterstützung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und für die Veröffentlichung aufbereitet.

This post is also available in: Türkçe English Français Español

Benzer içerikler