Methodik

So entstand dieser Report.

Ein Datenanbieter, ein primäres Segment, ein Zeitfenster — und eine fünfstufige Taxonomie-Pipeline, in vier peer-reviewten Studien validiert. Einmal lesen, den Rest des Reports entsprechend gewichten.

A · Datengrundlage

Data source, segment, and coverage

The entire report draws on individual-level workforce data from Revelio Labs, accessed via Wharton Research Data Services (WRDS). Revelio assembles professional profiles from LinkedIn, XING and similar networks, and enriches them with machine-imputed salaries, predicted gender, education records, and standardized occupational classifications.

The report uses the austria_located segment — all workers physically located in Austria, regardless of nationality. It is comparable to Eurostat's "place of work" employment definition. The Austria-vs-abroad / diaspora lens in chapters 3 and 5 uses the total segment (all Austrian-educated workers regardless of current location).

Time period: 2018–2025 (2025 preliminary — Revelio's collection lag means some 2025 hires and moves are not yet observed; anomalies in the 2025 column are artefacts of this lag, not true labour-market events). Austrian coverage: roughly 22.5% of Eurostat official employment, reflecting XING and LinkedIn prevalence in the DACH region — within-country trends are robust; absolute cross-country headcount comparisons should carry the coverage caveat.

Salary metric: median machine-imputed annual EUR salary (ECB annual averages). Imputation carries individual-level uncertainty but produces aggregate medians that align closely with published Austrian salary surveys. Gender classification: machine-predicted by Revelio at ~95% aggregate accuracy; binary; all figures are machine classifications, not self-reported identities.

Datennutzung

Sämtliche in diesem Report veröffentlichten Zahlen sind aggregierte Statistiken, abgeleitet aus den Individual-Beschäftigungsdaten von Revelio Labs, abgerufen unter akademischer Lizenz über Wharton Research Data Services (WRDS). Die zugrunde liegenden Personen-Datensätze werden nicht weitergegeben; auf dieser Seite erscheinen ausschließlich abgeleitete Bestände, Anteile, Mediane und Längsschnitt-Trends. Aggregationen basieren auf dem WRDS-Abonnement der Wirtschaftsuniversität Wien (WU Wien); bei einer Wiederverwendung der Zahlen sind dieser Report sowie Revelio Labs als ursprüngliche Datenquelle zu zitieren.

B · Aufbau der Taxonomie

The five-step pipeline — identical across four co-authored studies

Die Core-AI-Taxonomie dieses Reports ist nicht ad hoc konstruiert. Sie entspricht jenem Rollen-Universum, das die Autoren in vier gemeinsam verfassten Forschungsarbeiten entwickelt und validiert haben — hier spezialisiert auf den österreichischen Arbeitsmarkt. Die Pipeline ist in allen vier Studien identisch:

STEP 01
Revelio-v3-Basistaxonomie
Ausgangspunkt: Revelios standardisierte Berufsklassifikation — rund 17.000 feingranulare Rollenkategorien, konsistent über Unternehmen und Zeit hinweg abgebildet.
17,000 → candidate set
STEP 02
Skill- und Keyword-Filterung
Identifikation des Kandidaten-Universums AI-relevanter Rollen über Skill-Endorsements und Titel-Keywords aus der bisherigen AI-Workforce-Forschung (Alekseeva et al. 2021; Acemoglu et al. 2022; Babina et al. 2024).
STEP 03
Ensemble-Coding
Eine Kombination aus regelbasierten Klassifikatoren und LLM-gestütztem Coding erzeugt eine erste Zuordnung (Build / Enable / Integrate) für jede Kandidaten-Rolle.
STEP 04
Unabhängige Expertenvalidierung
Zwei bis drei unabhängige akademische Expert:innen für AI und Data Science (außerhalb des Autorenteams) prüfen jede Rolle manuell. Abweichungen werden im Diskurs aufgelöst.
STEP 05
Interrater-Reliabilität
Die Übereinstimmung wird mit Cohen's κ = 0,82 (Zwei-Coder-Protokoll) und Fleiss' κ = 0,84 (Drei-Coder-Protokoll) quantifiziert. Beides entspricht „nahezu perfekter Übereinstimmung“ (Landis & Koch 1977).
→ 315–369 AI roles · 3 functional tiers

Wie die drei Forschungstaxonomien auf diesen Report abbilden

Jede der drei gemeinsamen Studien gruppiert dasselbe Rollen-Universum etwas anders — passend zur jeweiligen Forschungsfrage. Alle drei sind intern konsistent mit der Build / Enable / Integrate-Struktur dieses Reports.

Dieser Report (Österreich)	Build, Apply, Operate (2026)	ICIS 2026	PF & AI Talent (2026)
Build	Build (25 roles)	AI Invention (42)	Deep AI
Enable	Operate (60)	AI Scaling / Governance (96)	AI-support
Integrate	Apply (257)	AI Application / Design (231)	AI-infused
Adjacent	— (out of scope)	—	—

"Core AI" = ~120 roles with include_in_core=1 across Build / Enable / Integrate. "Full AI" adds the outer Adjacent ring (BI, domain analytics, decision support) and covers ~370 roles in total.

C · Validierung

Warum diese Zahlen verlässlich sind

κ = 0.82–0.84

Inter-rater reliability

Die Expertenübereinstimmung bei der Rollenklassifikation erreicht über Replikationen hinweg κ = 0,82–0,84 — von Landis & Koch (1977) als „nahezu perfekt“ eingestuft.

External validation

Cai et al. (2024) · Liang et al. (2025)

Revelios firmenbezogene Aggregate korrelieren stark mit den Pflichtangaben der Unternehmen gegenüber der SEC (Cai, Chen, Rajgopal & Azinovic-Yang 2024) und folgen den offiziellen Arbeitsmarktstatistiken über Branchen und Zeit hinweg eng (Liang, Lourie, Nekrasov & Shevlin 2025).

Peer uptake

Strategy · IS · Management

Dieselbe Workforce-Intelligence-Quelle wird in peer-reviewter Strategie-, IS- und Management-Forschung eingesetzt (Babina et al. 2024; Marchetti & Puranam 2026; Tambe 2025) — Ausdruck methodischer Reife.

Caveats

Revelio is not a census — coverage varies across countries and over time.
2025 is preliminary; year-over-year comparisons involving 2025 should be read with Revelio's collection lag in mind.
Machine-predicted gender is binary — non-binary identities are not separately represented.
Salary data are imputed medians; reliable at the cohort level, not for individual comparisons.
Brain drain is defined as the next observed position being outside Austria; it is not a permanent emigration measure.

D · Verwandte Forschung

Part of an ongoing research programme

Dieser Report ist Teil eines laufenden gemeinsamen Forschungsprogramms zur Zusammensetzung der AI-Belegschaft und zur Unternehmensperformance.

BMVIT — Austrian Federal Ministry for Transport, Innovation and Technology · 2016
Industrie 4.0 und ihre Auswirkungen auf die Transportwirtschaft und Logistik
Bundesministerieller Report zu den Auswirkungen von Industrie 4.0 auf Österreichs Transport- und Logistikbranche. Im Auftrag des BMVIT mitverfasst — die strukturelle Ausgangslage, an der sich der heutige 97-Prozent-Befund (Unternehmen ohne AI-Fachkräfte) misst: dieselbe Mittelstands-Readiness-Lücke, ein Jahrzehnt später von Sensorik und ERP auf Modelle und Datenpipelines übertragen.
Working paper · 2026
Build, Apply, Operate: Wie die Zusammensetzung des KI-Workforce-Portfolios den Firmenwert prägt
Auf Basis eines Panels von 1.927 US-Unternehmen (8.645 Firmenjahre, 2019–2025) und einer dedizierten Taxonomie mit 342 KI-Rollen zeigt die Studie: Unternehmen mit komplementären Build- und Apply-Fähigkeiten — bedingt auf Operate-Kapazität — erzielen höhere Marktbewertungen. Validiert durch unabhängige Expertencoder (Cohen's κ = 0,82).
Under review at ICIS 2026 · 2026
KI-Workforce-Architektur und digitale Innovation: Komplementarität, Governance und der Wert der Balance
Auf Basis von 3.236 US-Unternehmen (18.010 Firmenjahre, 2012–2021) und einer Taxonomie von 369 KI-Rollen (Invention / Application-Design / Scaling-Governance) zeigt die Studie: Ausgewogene KI-Workforce-Architekturen erzeugen neuere und breitere digitale Innovationen als konzentrierte; Scaling/Governance-Personal verstärkt die Invention × Application/Design-Komplementarität. Drei-Coder-Validierung (Fleiss' κ = 0,84).
Working paper · 2026
Search-Build Decoupling: Performance Feedback, Frontier-AI-Recruiting und interne Umbesetzung nach dem ChatGPT-Moment
S&P-500-Panel von 472 Unternehmen, 30,5 Mio. Personen, 65,6 Mio. Stellenausschreibungen (2018–2025). Belegt: Nach ChatGPT sind Performance-Rückstände mit weniger Frontier-AI-Recruiting und mehr Deep-AI-Abgängen verbunden — eine Entkopplung, die vor November 2022 nicht existierte. Taxonomie von 315 KI-Rollen, validiert durch drei unabhängige Fachexpert:innen.
SMS (Working paper) · 2026
KI als kompromissloser Gegenpart: Wie LLM-gestützte Devil's Advocacy strategische Entscheidungen verbessert
Zwei präregistrierte Laborexperimente (N = 194, N = 228) zeigen: Ein LLM als intensiver Devil's Advocate — nicht als Alternativgenerator — erzeugt die größten Gewinne an Strategieplanqualität, während dieselbe Kompromisslosigkeit von menschlicher Seite nach hinten losgeht. LLMs neutralisieren die sozialen Kosten von Dissens.

Zu den Autoren →