Sozialmediaposts können die offiziellen Arbeitslosenquoten bis zu zwei Wochen vor deren Veröffentlichung vorhersagen, wie eine Studie zeigt. Forscher um Sam Fraiberger entwickelten ein künstliches Intelligenz-Modell namens JoblessBERT, das mithilfe eines Transformer-Modells Unemployment-Bezüge in Texten identifiziert – auch wenn sie in Umgangssprache oder mit Rechtschreibfehlern verfasst sind, wie „I needa job!“. Das Modell wurde an Daten von 31,5 Millionen Twitter-Nutzern aus den Jahren 2020 bis 2022 trainiert. Durch demografische Anpassungen wurde berücksichtigt, dass Twitter nicht repräsentativ für die Gesamtbevölkerung ist. Anschließend prognostizierte das Modell Arbeitslosenversicherungsansprüche auf nationaler, staatlicher und städtischer Ebene. Es erfasste fast dreimal so viele relevante Aussagen wie frühere regelbasierte Ansätze und erreichte gleichzeitig hohe Genauigkeit. Im Vergleich zu gängigen Branchenvorhersagen senkte das Modell die Fehlerquote um 54,3 Prozent. Besonders auffällig war die Leistung während der COVID-19-Pandemie: Das Modell erkannte bereits Anfang März 2020 den dramatischen Anstieg der Arbeitslosenmeldungen, Tage bevor die amtlichen Zahlen veröffentlicht wurden. Die Forscher betonen, dass solche Ansätze zeigen, wie KI-gestützte Analyse von Social-Media-Daten traditionelle Wirtschaftsindikatoren ergänzen und in Krisenzeiten zeitnahe Entscheidungsgrundlagen für Politik und Wirtschaft liefern können. Die Methode stellt einen bedeutenden Fortschritt in der wirtschaftlichen Frühwarnsystematik dar. Während klassische Statistiken oft mit Verzögerungen von Wochen oder Monaten erscheinen, ermöglicht die Nutzung von Social-Media-Daten eine nahezu Echtzeit-Analyse von gesellschaftlichen Trends. Experten sehen darin eine wertvolle Ergänzung für Wirtschafts- und Sozialpolitik, besonders in Krisensituationen wie Pandemien oder wirtschaftlichen Abschwüngen. Unternehmen wie Google oder Meta nutzen bereits ähnliche Ansätze zur Monitoring-Zwecken, doch die Integration in offizielle Wirtschaftsprognosen bleibt noch selten. JoblessBERT zeigt, dass maschinelles Lernen nicht nur zur Datenanalyse, sondern auch zur Verbesserung der politischen Entscheidungsfindung beitragen kann. Die Herausforderung bleibt jedoch die Datenqualität und die Repräsentativität – besonders bei Plattformen wie Twitter, deren Nutzergruppen stark von Alter, Bildung und Region abweichen. Dennoch gilt die Studie als wegweisend für die Zukunft der wirtschaftlichen Monitoring-Systeme.