> For the complete documentation index, see [llms.txt](https://docs.tabiya.org/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.tabiya.org/tabiya-documentation/deutsch/uberblick/about-tabiya.md). # Über Tabiya In den nächsten zehn Jahren werden etwa 1 Milliarde junge Menschen in den Arbeitsmarkt eintreten. Wir wollen sie mit besseren Daten stärken.

Wir verfolgen das Ziel, Open-Source-Technologie und praktische Lösungen zu entwickeln, um Arbeitssuchende mit Möglichkeiten zu verbinden. Die Grundlage unserer Arbeit ist eine Reihe inklusiver Taxonomien zu Lebensgrundlagen, auf denen Partner Anwendungen aufbauen können, die Arbeitssuchende stärken.

## Unsere Vision Tabiya ist eine Forschungsorganisation, die Open-Source-Technologie und praktische Lösungen entwickelt, um Arbeitssuchende mit Möglichkeiten zu verbinden. Unsere Vision sind inklusive Arbeitsmärkte, die Menschen stärken, indem sie ihre formalen und informellen Fähigkeiten anerkennen. > Tabiya, aus dem Arabischen طبيعة „Wesen“, ist eine Schach-Eröffnungsstellung, die als Ausgangspunkt für viele mögliche weitere Züge dient. Sie spielt auf den Ausgangspunkt an, von dem aus Arbeitssuchende die vielen unterschiedlichen Wege durch die Arbeitsmärkte navigieren können. Es kann auch mit „Talent“ übersetzt werden und verweist auf das Humankapital, das junge Menschen aufbauen, schützen und nutzen wollen. Unser Ziel ist es, Software, Modelle und Standards zu schaffen, die Regierungen, gemeinnützigen Organisationen, Basisorganisationen, Bildungs- und Ausbildungsanbietern sowie Arbeitgebern in Ländern mit niedrigem und mittlerem Einkommen (LMICs) helfen, das Potenzial von Daten und KI zu nutzen, um gerechtere und effizientere Arbeitsmärkte zu schaffen und dabei die globalen Herausforderungen der Digitalisierung und Dekarbonisierung zu bewältigen. ### Unsere Leitprinzipien Unsere Arbeit basiert auf den folgenden vier Leitprinzipien: 1. **Öffentliche Güter statt abgeschotteter Ökosysteme:** In Ländern mit niedrigem und mittlerem Einkommen entstehen reiche Ökosysteme des Privatsektors für die Arbeitsmarktintermediation, jedoch mit wenig bis gar keiner Integration, Koordination und Harmonisierung von Daten. Regierungen und gemeinnützige Organisationen in LMICs finden es schwierig, auf Ökosysteme des Privatsektors für Analysen zuzugreifen oder Lösungen als öffentliches Gut für ihre Arbeitsmärkte zu entwickeln. Von der Stange erhältliche Arbeitsmarktinformationssysteme und KI-basierte Analysen sind ausschließlich auf Arbeitsmärkte in Ländern mit hohem Einkommen ausgerichtet und für Anwendungen in LMICs unerschwinglich teuer. 2. **Standardisierung zur Förderung von Integration, Koordination und Harmonisierung:** Unterschiedliche Akteure des Arbeitsmarkts müssen dieselbe „Sprache“ sprechen – sie müssen eine gemeinsame Referenzterminologie für den Arbeitsmarkt verwenden. Diese Referenzterminologie muss die Gesamtheit der Berufe in einer Volkswirtschaft und die Anatomie jedes Berufs beschreiben – die Mischung aus Fähigkeiten, Kompetenzen und Qualifikationen, die für den Job erforderlich sind. Solche Rahmenwerke existieren für LMIC-Arbeitsmärkte entweder nicht oder sind häufig veraltet. Ein standardisiertes Rahmenwerk ist eine zentrale Voraussetzung, um Daten über Akteure hinweg für groß angelegte Datenanalysen und KI-basierte Anwendungen nutzbar zu machen. Zugleich riskiert eine Taxonomie, die die Lebensgrundlagen in LMICs nicht abbildet, bestehende Ungleichheiten zu verschärfen, und wirft Fragen zur algorithmischen Fairness auf. 3. **Strenge Evidenz und Forschung zu Gerechtigkeit, Effizienz oder algorithmischer Fairness:** Es gibt eine entstehende Forschungsagenda zu den Chancen und Risiken von Technologie und KI für die Arbeitsmarktintermediation in Ländern mit hohem Einkommen, aber die Herausforderungen in LMICs sind nicht gut verstanden. 4. **Eine neutrale Plattform für offenen Austausch, Diskussion und Lernen:** Koordination und Wissensaustausch über die Chancen und Risiken von Technologie für Arbeitsmärkte unter Expertinnen und Experten öffentlicher und privater Arbeitsvermittlungsdienste sowie politischen Entscheidungsträgern aus LMICs fehlen. Mit unseren Wurzeln an der Universität Oxford bieten wir eine neutrale Plattform, um jüngste Fortschritte in daten- und KI-basierten Technologien breiter verfügbar zu machen und gleichzeitig algorithmische Verzerrungen streng zu prüfen. ## Globale Herausforderung: Jugendbeschäftigung Jugendbeschäftigung ist bereits eine drängende globale Herausforderung, mit rund 75 Millionen arbeitslosen jungen Menschen und 280 Millionen Menschen, die weder erwerbstätig sind noch sich in Bildung oder Ausbildung befinden. In den nächsten 10 Jahren werden mehr als 1 Milliarde junge Menschen in die Erwerbsbevölkerung eintreten, allein 700 Millionen in Afrika. In den kommenden Jahrzehnten werden Digitalisierung und Dekarbonisierung die Lebensgrundlagen in Ländern mit niedrigem und hohem Einkommen gleichermaßen weiter verändern. Arbeitsplätze in verschiedenen Wirtschaftssektoren könnten verschwinden oder sich drastisch verändern, während andernorts neue wirtschaftliche Chancen entstehen werden. Investitionen in Humankapital und die Formulierung politischer Maßnahmen als Reaktion auf Digitalisierung und Dekarbonisierung erfordern Evidenz sowie gezielte Beratung und Empfehlungen, um Arbeitssuchende auf ihrem Weg durch diese sich wandelnden Arbeitsmärkte zu stärken. Die akademische Forschung hat außerdem eine Reihe von Arbeitsmarktreibungen identifiziert, die die effiziente Zuordnung von Arbeitskräften zu Stellen in LMICs untergraben. Millionen von Jugendlichen in Ländern mit niedrigem Einkommen stehen vor einer „rutschigen Jobleiter“: Während sie versuchen, zu besser bezahlten Jobs aufzusteigen, fallen sie häufig zurück in Niedriglohnarbeit, informelle Selbstständigkeit oder Arbeitslosigkeit. Dieser unproduktive Kreislauf hält sie in Armut gefangen und verschärft Ungleichheiten. Mangelnde Information ist eine Erklärung dafür, warum die Leiter so rutschig ist – Arbeitssuchende wissen oft nicht, wie sie ihre Fähigkeiten am besten einsetzen können, und Unternehmen wissen nicht, wo sie die besten Arbeitskräfte finden – und eine Verbesserung der Informationen kann die Ergebnisse für Arbeitssuchende verbessern. Verbesserte Daten- und KI-Systeme versprechen, diese Herausforderungen anzugehen, bleiben jedoch für Akteure in LMICs unzugänglich und unbezahlbar. Proprietäre kommerzielle Lösungen dominieren den Markt, werfen aber Bedenken hinsichtlich begrenzter Interoperabilität und vertraglicher Abhängigkeiten („walled gardens“) auf. Wo diese Werkzeuge eingesetzt werden, schließen sie oft große Teile der Bevölkerung im florierenden und vielfältigen informellen Sektor aus. Das verschärft bestehende, oft stark geschlechtsspezifische Ungleichheiten. ## Kontext: Die Verbesserung von Arbeitsmärkten mit Technologie kann nur ein kleines Puzzleteil der Globalen Herausforderung: Jugendbeschäftigung sein Online-Jobvermittlungsplattformen haben sich als beliebtes Instrument etabliert, um Arbeitgeber und Arbeitssuchende in einer zunehmend digitalen Welt miteinander zu verbinden. Und tatsächlich gibt es inzwischen belastbare Evidenz dafür, dass die Verringerung von Such- und Matching-Reibungen durch eine bessere Informationsweitergabe zwischen Arbeitgebern und Arbeitssuchenden die Ergebnisse auf dem Arbeitsmarkt verbessern kann.
Warum sollte man in den Arbeitsmarkt eingreifen, wenn Arbeitssuchende typischerweise starke Anreize haben, Jobs zu finden, und Unternehmen starke Anreize haben, die richtigen Beschäftigten zu finden? Arbeitssuchende haben typischerweise starke Anreize, Jobs zu finden, und Unternehmen haben starke Anreize, die richtigen Beschäftigten zu finden. Wie [Carranza und McKenzie *JEP* 2024](https://www.aeaweb.org/articles?id=10.1257/jep.38.1.221) zeigen anhand von Daten aus Arbeitskräfteerhebungen aus einer Reihe von Ländern (größtenteils mit mittlerem Einkommen), dass öffentliche oder private Arbeitsmarktvermittlungsdienste nur einer winzigen Minderheit der Arbeitssuchenden dabei helfen, Arbeit zu finden. Welcher Grund also spricht dafür, in den freien Arbeitsmarkt einzugreifen und Job-Matching-Plattformen sowie andere innovative Technologielösungen zu unterstützen, die darauf abzielen, Such- und Matching-Reibungen zu verringern? Ein wichtiges Argument sind Gerechtigkeitsbedenken: Wir wissen, dass in vielen Kontexten bestehende Netzwerke eine große Rolle dabei spielen, wer die wenigen verfügbaren Jobs bekommt. Unterversorgte Gemeinschaften ohne diese Netzwerke könnten leer ausgehen. Innovative, technologiebasierte Lösungen könnten theoretisch die Einbeziehung dieser unterversorgten Gruppen verbessern, wenn sie Informationen gerechter bereitstellen. Es bleibt jedoch die Frage, inwieweit solche Plattformen die wirtschaftliche Inklusion unterversorgter Gruppen tatsächlich verbessern können. Nicht jeder hat Zugang zu Smartphones, dem Internet oder der notwendigen digitalen Kompetenz, um diese Plattformen wirksam zu nutzen. Ein zweites Argument könnte sein, dass die Verringerung von Informationsreibung die Umverteilung von Arbeitskräften über Sektoren und Räume hinweg verbessern kann – etwa in Kontexten mit sich schnell ändernder Nachfrage in bestimmten Sektoren. So hat beispielsweise die Ethiopian Investment Commission (EIC) – die Investitionsförderungsagentur der äthiopischen Regierung – mit Partnern zusammengearbeitet, um ein zentrales, sektorspezifisches Arbeitsmarktinformationssystem aufzubauen, das ein großes Angebot an Arbeitskräften mit spezifischen Jobs in den Industrieparks des Landes zusammenbringt.
Gleichzeitig ist wichtig zu betonen, dass Informationsreibung nur einen sehr kleinen Teil der Globalen Herausforderung: Jugendbeschäftigung darstellt. Während wir glauben, dass Technologie – wenn sie gut eingesetzt wird – dazu beitragen kann, diese Reibungen zu überwinden, adressiert sie nur die Oberfläche tieferer, struktureller Probleme – vor allem den Mangel an wirtschaftlichem Wachstum, unzureichende Schaffung von Arbeitsplätzen und die tief verwurzelte soziale und wirtschaftliche Ausgrenzung bestimmter Gruppen. Dieser breitere wirtschaftliche Kontext kann selbst die effizientesten Job-Matching-Plattformen unwirksam machen. Technologie kann daher nur Teil eines breiteren Ansatzes zur Lösung der Globalen Herausforderung: Jugendbeschäftigung und zur Förderung wirtschaftlicher Inklusion sein. Es braucht breite Ökosysteme aus Privatsektor, Regierung und Zivilgesellschaft, die zusammenarbeiten, um strukturelle Barrieren auf beiden Seiten des Marktes zu beseitigen. Tabiya zielt darauf ab, zu diesen Ökosystemen mit digitalen öffentlichen Gütern beizutragen, auf denen andere aufbauen können. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://docs.tabiya.org/tabiya-documentation/deutsch/uberblick/about-tabiya.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.