> 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/labor-markets-in-sub-saharan-africa/digital-platforms-and-ai-in-lmic-labor-market-intermediation.md). # Digitale Plattformen und KI in der Arbeitsmarktintermediation in Ländern mit niedrigem und mittlerem Einkommen ## Digitale Jobplattformen erweitern den Beschäftigungszugang in LMICs Digitale Plattformen zur Stellenvermittlung haben die Art und Weise verändert, wie Arbeitskräfte in Ländern mit niedrigem und mittlerem Einkommen (LMICs) mit Jobs in formellen, informellen und hochqualifizierten Sektoren in Kontakt kommen. Traditionell fanden die meisten Arbeitskräfte in Entwicklungsländern Jobs über persönliche Netzwerke oder durch direkte Ansprache von Arbeitgebern, während nur ein winziger Anteil Arbeitsvermittlungsagenturen nutzte​. Diese Abhängigkeit von informellen Netzwerken [beschränkte die Möglichkeiten auf den unmittelbaren Freundes- und Bekanntenkreis sowie die Nachbarschaft](#user-content-fn-1)[^1]​. Online-Plattformen helfen, diese Informationslücke zu schließen, indem sie Stellenangebote bündeln und leicht zugänglich machen. Sie verringern Suchfriktionen, indem sie Arbeitsmarktinformationen zentralisieren, Arbeitnehmenden ermöglichen, Chancen über Orte und Sektoren hinweg zu finden, und sogar Online-Tools für Fähigkeiten-Tests und Verifizierung anbieten. Diese von digitalen Plattformen getriebenen Effizienzgewinne haben den Zugang zu Beschäftigung für Gruppen erweitert, die auf traditionellen Arbeitsmärkten oft unterversorgt sind. * Im informellen Sektor, **mobile und webbasierte Jobbörsen** verknüpfen heute Arbeitskräfte mit geringem Einkommen und aus dem unorganisierten Sektor in großem Maßstab mit Beschäftigungsmöglichkeiten. Solche Plattformen nutzen **mobile Technologie, die keinen bis nur geringen Internetzugang erfordert** und verwenden einfache textbasierte Oberflächen, um Arbeitnehmende mit Arbeitgebern zu verbinden, und erhöhen die Sichtbarkeit informeller Arbeitskräfte für potenzielle Arbeitgeber drastisch, sodass sogar diejenigen ohne formale Qualifikationen Jobs finden können. * **Gig-Economy-Apps** (von Fahrdienstvermittlungsdiensten bis zu Online-Freelancing-Marktplätzen) ermöglichen es Arbeitskräften, Einkommen auf Aufgaben- oder Vertragsbasis zu verdienen. [Webbasierte Gig-Arbeit allein beschäftigt inzwischen ](#user-content-fn-2)[^2]schätzungsweise 4,4 % bis 12,5 % der Arbeitskräfte weltweit (Voll- oder Teilzeit) einschließlich standortbasierter Apps (wie Mitfahr- und Lieferdienste) bis zu **12 % des globalen Arbeitsmarktes** könnten bereits Gig-Arbeitende sein. In Entwicklungsländern eröffnen diese Plattformen **einzigartige Wege für Jugendliche, Frauen und ländliche Bevölkerungsgruppen** die auf traditionellen Arbeitsmärkten ausgeschlossen wurden​. * [**Online-Gig-Arbeit wird als förderlich für wirtschaftliche Inklusion angesehen** ](#user-content-fn-3)[^3]durch die Schaffung von Möglichkeiten für junge Menschen, Frauen, gering qualifizierte Arbeitskräfte und Personen in Gebieten mit wenigen lokalen Jobs​. Tatsächlich sind die meisten Online-Gig-Arbeitenden Jugendliche unter 30, die verdienen oder neue Fähigkeiten erlernen möchten, und Frauen nehmen in höherem Maße an der Online-Gig-Economy teil.[ Eine Analyse von 17 Ländern ergab](#user-content-fn-3)[^3] dass 42 % der Online-Gig-Arbeitenden Frauen waren, während der Anteil der Frauen am allgemeinen Arbeitsmarkt in diesen Ländern nur 31,8 % betrug. In Gesellschaften, in denen kulturelle Normen die Mobilität von Frauen einschränken oder sie auf häusliche Pflichten wie Kinderbetreuung beschränken, bietet Online-Gig-Arbeit eine praktische Lösung, die es ihnen ermöglicht, ein Einkommen zu erzielen und gleichzeitig ihre Haushaltspflichten zu bewältigen. * Digitale Plattformen haben außerdem **den Zugang für hochqualifizierte Fachkräfte erweitert** in LMICs. Über Online-Freelancing-Websites und Portale für Remote-Arbeit können qualifizierte Arbeitskräfte in Entwicklungsländern nun weltweit auf Kunden und Jobs zugreifen. Dies exportiert effektiv **qualifizierte Arbeitskraft** aus LMICs und bringt Einkommen ein. [Das Wachstum war bemerkenswert:](#user-content-fn-3)[^3] in Subsahara-Afrika stiegen die Stellenanzeigen auf einer großen Online-Arbeitsplattform **zwischen 2016 und 2020 um 130 %**, weit über dem Wachstum von 14 %, das in Nordamerika verzeichnet wurde. Durch die Verringerung geografischer Barrieren integrieren diese Plattformen Talente aus LMICs in internationale Märkte und schaffen Möglichkeiten für Softwareentwickler, Designer, Autoren und andere Fachkräfte, Aufträge zu sichern, die früher unerreichbar waren. ## KI-gestützte Verbesserungen bei der Stellenvermittlung und Fähigkeitenabstimmung Künstliche Intelligenz (KI) und Datenanalyse haben die Fähigkeiten digitaler Plattformen in den Bereichen Stellenvermittlung, Arbeitsmarktanalytik und Fähigkeitenabstimmung exponentiell verbessert. Moderne Online-Beschäftigungssysteme setzen zunehmend Machine-Learning-Algorithmen ein, um Arbeitssuchende viel effektiver mit offenen Stellen zu verknüpfen als einfache Stichwortsuche. Anders als traditionelle Jobbörsen, die auf einer eins-zu-eins-Schlüsselwortzuordnung beruhen, können KI-gestützte Plattformen den Kontext und die Bedeutung von Stellenanforderungen und Kandidatenprofilen interpretieren. [Das Ergebnis ist ein **bidirektionaler Best-Fit-Matching** Prozess, ](#user-content-fn-4)[^4]bei dem die Plattform die besten Kandidaten für einen Arbeitgeber vorschlägt *und* die besten Jobs für einen Kandidaten, oft mit einem „Match-Score“. * Über das Matching hinaus ermöglicht KI **fortschrittliche Analysen und Einblicke für Arbeitssuchende** die zuvor nicht erreichbar waren. [Unter Verwendung von Big-Data-Techniken](#user-content-fn-5)[^5], können Plattformen Profile und Beschäftigungsverläufe analysieren, um Trends zu erkennen und Ergebnisse vorherzusagen. So nutzt beispielsweise der öffentliche Beschäftigungsdienst Belgiens (VDAB) [KI-gestützte statistische Profilbildung, die eine Funktion mit „Klickdaten“ nutzt ](#user-content-fn-6)[^6]das Klickverhalten und die Aktivität von Arbeitssuchenden, um vorherzusagen, wie lange Arbeitssuchende arbeitslos sind. Der österreichische PES entwickelte ebenfalls ein statistisches Modell, das die Wahrscheinlichkeit kurz- und langfristiger Arbeitslosigkeit eines Arbeitssuchenden schätzt und es Beratern ermöglicht, Unterstützung gezielt auf diejenigen auszurichten, die am stärksten gefährdet sind, arbeitslos zu bleiben. * **Gamifizierung psychometrischer Assessments** hat in den letzten Jahren ebenfalls an Fahrt aufgenommen, auch bei öffentlichen Arbeitsverwaltungen. In Indien hat die National Skill Development Corporation (NSDC) mit KnackApp zusammengearbeitet, um über kognitive Spiele einen Mechanismus zur Kandidatenprofilierung (Fähigkeiten, Eigenschaften und Unternehmergeistpotenzial) zu entwickeln. Dieser wird genutzt, um Studierende zu Karrierechancen und Jobs zu führen, die am besten zu ihren Interessen passen. * KI-Tools werden auch eingesetzt, um **die Arbeitskräftenachfrage vorherzusagen** – [Frankreichs „La Bonne Boîte“](https://labonneboite.francetravail.fr/questions-frequentes) verwendet einen prädiktiven Algorithmus, um Einstellungen der letzten 12 Monate zu analysieren und jene der nächsten 3 Monate vorherzusagen. Diese Daten ermöglichen es Arbeitssuchenden, eine Auswahlliste von Unternehmen mit „hohem Einstellungspotenzial“ zu identifizieren, um unaufgeforderte Bewerbungen gezielt auszurichten. Solche Analysen verbessern die Entscheidungsfindung sowohl für Arbeitnehmende als auch für politische Entscheidungsträger: Arbeitssuchende erhalten datenbasierte Orientierung (zum Beispiel, welche Branchen wachsen oder welche Fähigkeiten gefragt sind), während Regierungen in Echtzeit Informationen über den Arbeitsmarkt erhalten, um bessere Aus- und Weiterbildungs- sowie Beschäftigungsprogramme zu gestalten. * KI-gesteuerte Karriereassistenten verbessern die **Personalisierung von Beratung und Weiterbildung** für Beschäftigte auf diesen Plattformen. Intelligente Karriereassistenten oder „Job-Coach“-Chatbots analysieren Nutzerprofile, Arbeitsmarktdaten und Einstellungstrends, um interaktiv maßgeschneiderte Jobempfehlungen, Vorschläge für Weiterqualifizierung und Karrierecoaching bereitzustellen. Allerdings ist die Wirksamkeit dieser KI-gestützten Berufsberatungswerkzeuge noch nicht abschließend geklärt. [Eine Evaluation von ](#user-content-fn-7)[^7][Bob Emploi, eine Website zur Unterstützung bei der Arbeitssuche](#user-content-fn-8)[^8], stellte durchweg keine Effekte auf zentrale Such- und Beschäftigungsergebnisse fest. ## Der Wandel hin zu kompetenz- und fähigkeitsbasierten Profilen Entscheidend ist, dass KI digitale Beschäftigungsplattformen in Richtung **kompetenzbasierter Abstimmung und Zuordnung**. Traditionelle Rekrutierung konzentriert sich stark auf formale Qualifikationen und Berufsbezeichnungen, wodurch Kandidaten übersehen werden können, die über die richtigen Fähigkeiten, aber nichtlineare Werdegänge verfügen. KI ermöglicht es Plattformen, reichhaltige Daten zu Hard und Soft Skills aus Lebensläufen, Online-Profilen und Verhaltensbewertungen zu verarbeiten und diese den Stellenanforderungen zuzuordnen​. **Fortschrittliche Jobplattformen enthalten heute oft eine kompetenzbasierte Matching-Komponente:** anstatt Kandidaten nur nach Abschluss oder früheren Berufsbezeichnungen zu filtern, berücksichtigt der Algorithmus das gesamte Spektrum technischer Fähigkeiten, übertragbarer Fähigkeiten und sogar Begabungen. Dieser ganzheitliche Ansatz bedeutet, dass die Programmier-, Sprach- oder Teamfähigkeiten einer arbeitssuchenden Person (selbst wenn sie sich diese selbst beigebracht oder informell erworben hat) erkannt und passenden offenen Stellen zugeordnet werden können, was die Chancen erweitert. Er hilft Arbeitgebern auch, Talente zu entdecken, die in unkonventionellen Lebensläufen verborgen sein könnten. **Viele Länder haben traditionelle Arbeitsklassifikationen und -rahmen erweitert, um Fähigkeiten und Kompetenzen einzubeziehen**. Die Europäische Kommission mit ihrer European Skills, Competences, Qualifications and Occupations (ESCO) definiert nun fast 13.500 Fähigkeiten, die mit der bereits bestehenden ILO- [ISCO ](#user-content-fn-9)[^9]beruflichen Säulen verknüpft sind. Rahmenwerke wie ESCO und O\*Net, das US-amerikanische Gegenstück, bieten eine ganzheitliche Zuordnung von Berufen und Fähigkeiten, waren jedoch schwer zu lokalisieren und auf stärker entwickelte bzw. aufstrebende Kontexte anzuwenden – was zu [alternativen methodischen Erkundungen](#user-content-fn-10)[^10] darin, Big Data aus Online-Stellenanzeigen und Bewerberprofilen in Kombination mit natürlicher Sprachverarbeitung (NLP) zu nutzen, um Informationen über Fähigkeiten zu extrahieren und lokale Taxonomien von Grund auf zu erstellen. [^1]: McKenzie, D., & Carranza, E. (2023). *Politische Maßnahmen der Regierung zur Jobsuche und Vermittlung: Was funktioniert und was besser gemacht werden sollte?* Blogs der Weltbank. [^2]: Alzate, D. (n.d.). *Die Auswirkungen der Regulierung plattformbasierter Arbeit auf Beschäftigungsergebnisse: Ein Überblick über die empirische Evidenz* \[Text/HTML]. Abgerufen am 7. März 2025, von [^3]: Datta, N., Rong, C., Singh, S., Stinshoff, C., Iacob, N., Nigatu, N. S., Nxumalo, M., & Klimaviciute, L. (2023). *Arbeiten ohne Grenzen: Das Versprechen und die Risiken von Online-Gig-Arbeit*. Washington, DC: Weltbank. [^4]: Lösungen für Jugendbeschäftigung. (2023). *Der Einsatz fortschrittlicher Technologie in Stellenvermittlungsplattformen: Aktuelle Beispiele öffentlicher Agenturen | Lösungen für Jugendbeschäftigung*. Weltbank. [^5]: Desiere, S., Langenbucher, K., & Struyven, L. (2019). *Statistische Profilbildung in öffentlichen Arbeitsverwaltungen: Ein internationaler Vergleich* (OECD Social, Employment and Migration Working Papers 224; OECD Social, Employment and Migration Working Papers, Vol. 224). [^6]: Ernst, S., Mueller, A. I., & Spinnewijn, J. (2024). Risikowerte für Langzeitarbeitslosigkeit und die Zuweisung zur Arbeitsuchberatung. *AEA Papers and Proceedings*, *114*, 572–576. [^7]: Ben Dhia, A., Crépon, B., Mbih, E., Paul-Delvaux, L., Picard, B., & Pons, V. (2022). *Kann eine Website die Arbeitslosigkeit senken? Experimentelle Evidenz aus Frankreich* (Working Paper 29914). National Bureau of Economic Research. [^8]: Bob Emploi bemüht sich, Arbeitssuchende zu unterstützen und zu motivieren, indem es personalisierte und datenbasierte Ratschläge zu Zielbranchen und -regionen gibt; schrittweise Planungsunterstützung anbietet; regelmäßige Erinnerungen und Ermutigungsnachrichten sendet; und allgemeine Tipps bereitstellt, etwa wie man sich bei einem Vorstellungsgespräch verhalten sollte. [^9]: Internationale Standardklassifikation der Berufe [^10]: Escudero, V., Liepmann, H., Boschetti Adamczyk, W., Boehmer, S., Delaporte, I., & International Labour Organization,. (2025). *Entwicklung einer neuen Methode zur Aufdeckung von Kompetenztrends in aufstrebenden Volkswirtschaften mithilfe von Online-Daten und NLP-Techniken*. ILO. --- # 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/labor-markets-in-sub-saharan-africa/digital-platforms-and-ai-in-lmic-labor-market-intermediation.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.