Eine 2025 veröffentlichte Analyse von Microsoft Research hat erhebliche Aufmerksamkeit erregt. Auf Basis von rund 200.000 Nutzungen des KI-Tools Copilot wurden Tätigkeitscluster identifiziert, deren Aufgabenprofile eine besonders hohe Überschneidung mit generativer KI aufweisen. Der „AI applicability score“ misst dabei Coverage, Completion Rate und Impact Scope typischer Aufgaben.
Zu den laut Microsoft Research am stärksten gegenüber generativer KI exponierten Tätigkeitsfeldern zählen unter anderem Kundenservice, Telemarketing, Übersetzung, textbasierte Content-Erstellung, Webentwicklung und standardisierte Datenanalyse. Akademische, analytische und digital-kreative Tätigkeiten weisen dagegen eine deutlich niedrigere unmittelbare KI-Exposition auf. Wichtig für die Einordnung: Das bedeutet nicht „Job weg“. Es bedeutet meist zuerst: Aufgaben werden umgebaut, Standardanteile werden automatisiert, und der verbleibende menschliche Anteil verschiebt sich zu Verantwortung, Prüfung, Entscheidung, Abstimmung und Ausnahmefällen. Diese Aufgabenlogik wird auch in der Forschung zur Struktur von KI-unterstützter Arbeit diskutiert, etwa auf arXiv.
Der KI-Forscher Dr. Wolfgang Sender, Herausgeber von Life-in-Germany.de, hat für das Magazin eine Untersuchung durchgeführt, was diese Copilot-Ergebnisse für die Zukunft von Studienfächern in Deutschland bedeuten. „Copilot-Daten zeigen vor allem, welche Aufgaben schnell standardisierbar werden. Für Studiengänge ist das eine Warnlampe für den Einstieg, nicht für den Abschluss“, sagt Sender. Die Untersuchung bewertet daher nicht Studiengangstitel als Etikett, sondern typische Einstiegsrollen und deren Aufgabenprofile. „Der Titel eines Studiengangs sagt wenig. Entscheidend ist, womit Absolventinnen und Absolventen in den ersten 12 bis 24 Monaten im Job wirklich ihre Zeit verbringen“, so Sender.
Inhaltsverzeichnis
Übertragbarkeit auf Studiengänge: Was genau bewertet wurde
Die Untersuchung ordnet Studienfächer entlang eines pragmatischen Rasters ein: Wie hoch ist im Einstieg der Anteil standardisierter Text-, Daten- und Informationsarbeit, wie breit sind die Einstiegsrampen im deutschen Arbeitsmarkt, und wie stabil ist das Feld bis etwa 2030. Als Korrektur wurde berücksichtigt, ob Praxis vor Ort, Haftung, Normen oder Regulierung den Kern der Arbeit prägen. Sender fasst das als Grundsatz zusammen: „Automatisierbarkeit und Markt gehören auf denselben Zettel. Viel KI ist nicht automatisch schlecht, aber es macht den Einstieg anspruchsvoller, wenn der Markt eng ist.“
Als zusätzlicher Kontext ist relevant, wie verbreitet generative KI im Alltag und Beruf tatsächlich ist. Nutzung und Akzeptanz unterscheiden sich deutlich nach Branche und Tätigkeitsfeld, was die Geschwindigkeit des Umbaus mitbestimmt. Dazu liegt in Deutschland unter anderem eine Erhebung des bidt vor.
Life-in-Germany.de ist ein unabhängiges Online-Magazin, das seit 2018 über Karrieremöglichkeiten in Deutschland informiert. Wir geben Tipps zu Ausbildung, Dualem Studium, Studium, Job und Bewerbung. Wir unterstützen Unternehmen und Initiativen bei der internationalen Fachkräftegewinnung. Wir freuen uns über Kooperationsanfragen und Themenvorschläge.
Übersicht der von KI betroffenen Studiengänge (Auswahl)
Hinweis: Die Kategorien sind Orientierungsgrößen. „Kritisch“ bedeutet nicht „aussichtslos“, sondern: hohe Automatisierbarkeit im Einstieg plus schwächere Einstiegsrampen. „Attraktiv trotz Umbau“ bedeutet: starke KI-Nutzung, aber breiter Markt. „Hochsicher“ bedeutet: praxis- oder haftungsrelevanter Kern und stabile bis steigende Nachfrage.
| Studiengang (Beispiele) | Absehbare KI-Exposition | Marktpuffer (Tendenz) | Trendstabilität (Tendenz) | Voraussichtliche Gesamtbewertung |
|---|---|---|---|---|
| Medien, Kommunikation, Journalistik (generalistisch) | Sehr hoch | Begrenzt, fragmentiert | Eher rückläufig im klassischen Einstieg | 🚨 Kritisch |
| Germanistik, Literatur, Kulturwissenschaft (ohne klare Berufsspezialisierung) | Hoch | Begrenzt | Stabil bis rückläufig | 🚨 Kritisch |
| Übersetzen, Sprachmittlung (klassisch, ohne Spezialisierung) | Sehr hoch | Mittel, stark umgebaut | Stabil | 🟡 Umbau mit Chancen |
| BWL Marketing, Kommunikation, Digital (klassisch) | Sehr hoch | Mittel, sektorabhängig | Stabil, starker Umbau | 🟡 Umbau mit Chancen |
| Design (reine Gestaltung ohne UX, Produkt, System) | Hoch | Mittel | Stabil | 🟡 Umbau mit Chancen |
| Politikwissenschaft (generalistisch) | Mittel bis hoch | Niedrig | Stabil | 🟡 Umbau mit Chancen |
| Data Analytics, Data Science (Routinefokus) | Sehr hoch | Hoch, Rollen verschieben sich | Wachsend | 🟡 Kurzfristig stabil, mittelfristig riskanter |
| Informatik (generalistisch) | Hoch im unteren Segment | Hoch | Steigend | ✅ Attraktiv trotz Umbau |
| Wirtschaftsinformatik (implementierungsnah) | Hoch | Hoch | Steigend | ✅ Attraktiv trotz Umbau |
| BWL allgemein (ohne Spezialisierung) | Hoch | Hoch | Stabil | ✅ Attraktiv trotz Umbau |
| VWL, Economics (quantitativ, angewandt) | Mittel bis hoch | Mittel bis hoch | Stabil | ✅ Attraktiv trotz Umbau |
| Finance, Controlling, Accounting | Hoch bei Standardprozessen | Hoch | Stabil | ✅ Attraktiv trotz Umbau |
| HR, Personalmanagement | Hoch bei Standardprozessen | Mittel bis hoch | Stabil | ✅ Attraktiv trotz Umbau |
| Verwaltungswissenschaften, Public Management | Hoch bei Standardprozessen | Hoch | Stabil | ✅ Attraktiv trotz Umbau |
| Jura | Mittel (Recherche, Standardtexte) | Hoch | Stabil | ✅ Attraktiv trotz Umbau |
| Architektur | Mittel (Planung wird stärker toolgestützt) | Mittel bis hoch | Stabil | ✅ Attraktiv trotz Umbau |
| Psychologie (klinisch, diagnostisch, Beratung) | Niedrig bis mittel | Hoch | Steigend | 🟢 Hochsicher |
| Soziale Arbeit | Niedrig bis mittel | Hoch | Stabil bis steigend | 🟢 Hochsicher |
| Lehramt, Pädagogik | Niedrig bis mittel | Hoch | Stabil bis steigend | 🟢 Hochsicher |
| Medizin | Niedrig im Kern, mittel in Dokumentation und Diagnostik-Assistenz | Sehr hoch | Steigend | 🟢 Hochsicher |
| Pflege, Therapiewissenschaften, Gesundheitsstudiengänge | Niedrig im Kern, mittel in Dokumentation | Sehr hoch | Stabil hoch | 🟢 Hochsicher |
| Maschinenbau | Niedrig | Sehr hoch | Steigend | 🟢 Hochsicher |
| Elektrotechnik, Informationstechnik (inklusive Energietechnik) | Niedrig bis mittel | Sehr hoch | Steigend | 🟢 Hochsicher |
| Bauingenieurwesen | Niedrig | Hoch | Steigend | 🟢 Hochsicher |
| Chemie, Verfahrenstechnik | Niedrig bis mittel | Mittel bis hoch | Stabil | 🟢 Hochsicher |
| Biologie, Life Sciences (Labor, angewandt) | Niedrig bis mittel | Mittel bis hoch | Stabil bis steigend | 🟢 Hochsicher |
Einordnung: Was die Tabelle in der Praxis bedeutet
Die Tabelle zeigt, dass hohe KI-Exposition allein noch keine schlechte Perspektive bedeutet. Entscheidend ist, ob der Einstieg über Aufgaben läuft, die sich stark standardisieren lassen, und ob es genug Einstiegsrampen gibt, um trotz Umbau gute Übergänge zu ermöglichen. „Wenn das Feld viele Leute braucht, bleibt der Einstieg möglich, aber die Messlatte verschiebt sich“, sagt Sender. Häufig wird weniger reine Routineausführung erwartet, dafür mehr Steuerung, mehr Qualitätssicherung und mehr Nachweisfähigkeit.
Umgekehrt wird es dort schwieriger, wo sich Standardoutput skalieren lässt und der Einstiegsmarkt ohnehin eng ist. In diesen Feldern werden Einstiegsaufgaben eher automatisiert oder so beschleunigt, dass weniger Stellen für denselben Output nötig sind. Das trifft besonders generalistische Profile, deren Einstieg stark aus Standardtexten, Standardformaten oder Standardreporting besteht.
Strategische Implikationen
Für Studieninteressierte
Die Untersuchung legt nahe, Studienwahl als Kombination aus Fachinteresse und Einstiegsrealität zu verstehen. In vielen Feldern ist das Risiko nicht der Abschluss, sondern die erste Jobstufe. „Das Risiko sitzt selten im Abschluss. Es sitzt im Einstieg, wenn der Einstieg aus Standardoutput besteht“, sagt Sender. Das betrifft vor allem Studienrichtungen, deren typische Junior-Aufgaben stark aus Contentproduktion, Standardanalysen, Standardkorrespondenz oder Routinecoding bestehen.
Daraus folgt eine klare Logik: Generalistische Studiengänge können funktionieren, wenn früh ein Domänenanker aufgebaut wird. „Wer ein konkretes Feld besetzt, wird weniger austauschbar als jemand, der nur Tools bedienen kann“, sagt Sender. Domänenanker sind beispielsweise Energie, Gesundheit, Logistik, Bau, Bildung, Regulierung, Industrieprozesse oder öffentliche Verwaltung. In solchen Umfeldern zählt stärker, ob Ergebnisse prüfbar sind, ob Fehlerfolgen verstanden werden, und ob Entscheidungen sauber dokumentiert werden können.
Auch bei als robust eingestuften Fächern gilt: Stabil heißt nicht, dass Arbeit gleich bleibt. Der Kern bleibt, aber die Umgebung wird digitaler. Dokumentation, Nachweise, Qualitätsstandards, toolgestützte Planung und KI-unterstützte Diagnose oder Bewertung gewinnen an Gewicht. Wer diese Komponente ignoriert, kann selbst in stabilen Feldern Probleme beim Einstieg bekommen, weil Arbeitgeber zunehmend „KI-unterstützte Arbeitsfähigkeit plus Prüfkompetenz“ erwarten.
Für Unternehmen
Für Arbeitgeber verschiebt sich der Wert von Nachwuchsprofilen. Standardoutput wird günstiger, schneller und leichter skalierbar. Rekrutierung und Nachwuchsentwicklung werden dadurch stärker zu einer Frage von Verantwortung und Qualität: Wer kann Anforderungen klären, Risiken benennen, Ergebnisse prüfen, Dokumentation sauber führen und in Prozessen verlässlich entscheiden?
„Wer nur Output rekrutiert, baut austauschbare Teams. Wer Prüfen und Verantworten rekrutiert, baut Resilienz“, sagt Sender. Das betrifft kaufmännische Felder ebenso wie IT, Daten und Technik. In kaufmännischen Rollen steigt der Wert von Menschen, die unklare Situationen strukturieren, Stakeholder zusammenbringen, Konflikte moderieren und Entscheidungen nachvollziehbar begründen. In IT und Daten steigt der Wert von Profilen, die Systeme absichern, integrieren, testen, überwachen und regulatorische Anforderungen in reale Umsetzung übersetzen.
Praktisch bedeutet das für Unternehmen: Nachwuchsprogramme sollten weniger auf reine Produktion trainieren und stärker auf Review, Qualität, Sicherheitsbewusstsein und Nachweisfähigkeit. Wenn Standardaufgaben automatisiert werden, werden frühe Verantwortung und strukturierte Lernpfade wichtiger, damit Nachwuchs nicht im Routinekorridor hängen bleibt.
Für Hochschulen
Hochschulen stehen unter Zeitdruck, weil Curricula und Prüfungsordnungen oft langsamer sind als der technologische Wandel. Die Untersuchung legt nahe, dass generative KI nicht als optionales Werkzeug behandelt werden sollte, sondern als Teil einer Pflichtkompetenz: Ergebnisse prüfen, Grenzen erkennen, sauber dokumentieren, Datenschutz und Sicherheit verstehen, fachliche Standards anwenden.
„Wenn KI Output liefert, muss die Hochschule den Maßstab liefern“, sagt Sender. Gemeint ist: Fachlogik, Normen, Recht, Sicherheitsanforderungen und Qualitätskriterien müssen stärker prüfbar werden. Prüfungen, die primär Textproduktion belohnen, verlieren an Aussagekraft. Prüfungen, die Bewertung, Begründung, Fehleranalyse und Entscheidungslogik verlangen, passen eher zu den Rollen, die im Arbeitsmarkt an Bedeutung gewinnen.
Schlussfolgerungen
Die Untersuchung zeigt ein Muster, das für Studiengänge wichtiger ist als einfache Schlagworte über „Jobkiller“. Entscheidend ist selten der Studiengang als Titel. Entscheidend ist die Kombination aus Aufgabenprofil im Einstieg, Marktbreite und Verantwortungsgrad. Wo Einstiegsrollen stark aus standardisierter Text-, Daten- oder Informationsarbeit bestehen, steigt der Umbaudruck schneller. Das ist kein Ende solcher Fachrichtungen, aber es verändert die Einstiegslogik: Tätigkeiten, die früher als Lernrampe dienten, werden häufiger automatisiert oder so beschleunigt, dass weniger Stellen für denselben Output nötig sind. Dadurch steigen die Anforderungen an Juniorprofile: weniger Routine, mehr Review, mehr Qualitätssicherung, mehr Dokumentation.
Zweitens wirkt der Arbeitsmarkt als Puffer, aber nicht als Schutzschild. In Feldern mit starkem Marktpuffer bleibt der Einstieg eher möglich, selbst wenn Tätigkeiten stark verändert werden. Der Preis dafür ist ein verändertes Kompetenzprofil: Wer in solchen Bereichen erfolgreich starten will, muss schneller Verantwortung übernehmen können. Dazu gehören sauberes Arbeiten, nachvollziehbare Begründungen, ein Gefühl für Risiken und ein sicherer Umgang mit digitalen Prozessen. In der Logik der Untersuchung ist Nachfrage ein Puffer gegen Wegfall von Einstiegsmöglichkeiten, nicht gegen Veränderung der Arbeit.
Drittens sind praxis- und haftungsrelevante Kerne besonders stabil. Wo reale Systeme, Normen, Regulierung, Sicherheit oder Arbeit am Menschen dominieren, unterstützt KI häufig, ersetzt aber den Kern seltener. Das erklärt die robuste Einordnung von Ingenieurwesen, Infrastruktur und Gesundheit. Gleichzeitig ist auch dort ein deutlicher Umbau absehbar: mehr digitale Dokumentation, mehr toolgestützte Planung, mehr standardisierte Nachweise, häufig auch mehr Datenarbeit rund um Qualität und Sicherheit. „Robust heißt: Der Kern bleibt. Aber die Umgebung wird digitaler“, sagt Sender.
Viertens sind IT- und Datenstudiengänge zweigeteilt. Routineanteile werden schneller skaliert, während verantwortungsnahe Rollen stabil bleiben. Die Untersuchung trennt daher implizit zwischen Outputproduktion und Systemverantwortung. Routinecoding, Standardtests, Standardreports und einfache Datenpipelines sind leichter austauschbar. Architektur, Integration, Security, Qualität, Compliance und Domänenbetrieb werden wichtiger. Dadurch wird der Standardteil weniger differenzierend, und die Fähigkeit, Risiken zu managen und Qualität zu sichern, stärker differenzierend.
Fünftens ergibt sich eine klare Konsequenz für Institutionen: Wenn KI Output liefert, steigt der Bedarf an Maßstäben. Hochschulen müssen Prüfkompetenz, Dokumentationsfähigkeit und Sicherheitsbewusstsein verbindlich verankern, Unternehmen müssen Nachwuchs so entwickeln, dass Verantwortung früh trainiert wird. Studiengänge, die Praxis, Verantwortung und überprüfbare Qualitätsstandards in den Mittelpunkt stellen, verbessern die Anschlussfähigkeit ihrer Absolventinnen und Absolventen in fast allen Feldern.
Stichwortsuche zu diesem Beitrag: bewerben, KI, Studienberatung, Studium