KI-hart: Welchen Kurs nach dem Abi wählen?

Studieren, was alle studieren, war gestern eine Strategie. Heute ist es ein Risiko. Der KI-Umbruch trifft genau die Berufsbilder, auf die ein Abiturjahrgang in Deutschland klassisch hinarbeitet. Halbwegs sichere Bürojobs in Recht, Marketing, Controlling oder Unternehmensberatung stehen unter ernstem Druck. Nicht in ferner Zukunft, sondern bereits bei den Jahrgängen, die heute anfangen.

Rund 50 Prozent eines Abiturjahrgangs beginnen ein Studium. Doch welche Abschlüsse sichern 2030 noch einen Berufseinstieg, der sich nicht täglich vor Software rechtfertigen muss?

Das Wichtigste in Kürze

• KI greift zuerst kognitive Routinetätigkeiten an: Texte schreiben, Daten zusammenfassen, Muster erkennen
• Handwerk mit KI-Kompetenz ist langfristig stabiler als viele klassische Büroberufe
• Drei Bereiche gelten als strukturell robust: physische Komplexität, KI-Steuerung, echte Menschenschnittstellen
• Die entscheidende Frage lautet nicht „Was studiere ich?“, sondern: „Was will jemand in zehn Jahren persönlich von mir?“

Was hat das Massenstudium eigentlich mit KI zu tun?

In den 1990er-Jahren galt ein Hochschulabschluss als Versicherungspolice. Bildungsabschluss gleich Jobsicherheit. Der Plan funktionierte, weil Wissensarbeit damals ein Knappheitsgut war. Schnell lesen, strukturiert schreiben, Zusammenhänge erklären: Das genügte, um einen Vorsprung gegenüber allen zu haben, die das nicht konnten. Dieser Vorsprung schmilzt gerade weg.

GPT-4 schreibt Verträge. Claude analysiert Jahresabschlüsse. Gemini fasst Marktberichte zusammen. Kein Einzelfall, keine Randtechnik. Ein Junior-Analyst, der Datentabellen in PowerPoint-Folien übersetzt, erledigt eine Tätigkeit, die ein Sprachmodell in drei Minuten schafft. Die Nachfrage nach dieser Tätigkeit verschwindet nicht. Aber der Bedarf an menschlicher Arbeitskraft für sie sinkt erheblich.

Die Massenuniversität hat dabei ein strukturelles Problem, das sie selbst nicht lösen kann. Seit der Bologna-Reform Anfang der 2000er-Jahre hat das Hochschulsystem einen klaren Auftrag: mehr Menschen mit akademischem Abschluss ausstatten, schneller, einheitlicher, internationaler. Das ist gelungen. Rund 33 Prozent eines Abiturjahrgangs schlossen in den 1990ern ein Studium ab. Heute sind es über 50 Prozent.

Was dabei auf der Strecke blieb, war die inhaltliche Differenzierung. Viele Studiengänge wurden breiter und flacher, um möglichst viele Studierende aufzunehmen. Genau das erzeugt Absolventen, die dasselbe können: Texte schreiben, Daten lesen, Präsentationen aufbereiten. Und genau das macht sie austauschbar gegenüber Sprachmodellen, die dasselbe billiger tun.

Ein BWL-Bachelor ohne eigenes Profil, der vor allem Reports schreibt, tritt 2027 gegen Software an, die schneller, billiger und fehlerärmer arbeitet. Das zu verdrängen rächt sich dann beim Berufseinstieg.

Das bedeutet keine Absage an das Studium generell. Gemeint ist das Studium als unreflektierter Automatismus, als bloße Fortsetzung von Schule mit anderen Räumen und einem Abschluss am Ende.

Welche Jobs geraten tatsächlich unter Druck?

Hier lohnt eine Unterscheidung, die in der öffentlichen Debatte meist fehlt: Nicht alle kognitiven Jobs sind gleich gefährdet. Routinisierbare kognitive Arbeit steht unter Druck. Komplexe kognitive Arbeit mit Urteilskomponente steht unter keinem vergleichbaren Druck.

Was ist routinisierbar? Kanzleimitarbeiter, die Standardverträge aufsetzen. Junior-Analysten, die Daten in Berichte übersetzen. Content-Manager, die SEO-Texte nach Briefing produzieren. Marketing-Assistenten, die Social-Media-Kalender pflegen. All das sind Tätigkeiten, für die man früher jemanden mit Hochschulabschluss suchte. Heute sind es Einstiegsjobs, bei denen Arbeitgeber offen fragen, wie viel davon Bewerber überhaupt noch selbst erledigen sollen.

Was ist nicht routinisierbar? Der Anwalt, der eine strategische Verteidigungslinie für einen komplizierten Wirtschaftsstrafprozess entwickelt. Der Controller, der erkennt, dass hinter einer unauffälligen Kennzahl ein Lieferantenrisiko steckt, das in keinem Modell auftaucht. Die Beraterin, die bei einem Kunden versteht, dass das eigentliche Problem nicht der Prozess ist, sondern der Konflikt zwischen zwei Abteilungsleitern. Diese Urteile erfordern Erfahrung, Kontextwissen und Gespür für menschliche Dynamiken. Kein Sprachmodell löst das ist aber ein mächtiger Assistent.

Das McKinsey Global Institute schätzte 2023, dass bis 2030 bis zu 30 Prozent der geleisteten Arbeitsstunden in Deutschland substituierbar werden könnten. Das klingt dramatisch. Der entscheidende Punkt steckt aber im nächsten Satz der Studie: Substituierbar bedeutet nicht, dass die Stellen wegfallen. Viele Unternehmen behalten Menschen in diesen Rollen, weil Vertrauen, Haftung und Kundenbeziehung menschliche Ansprechpartner erfordern.

Aber die Zahl der Stellen sinkt, die Einstiegsgehälter geraten unter Druck, und der Erwartungsdruck an den verbleibenden menschlichen Teil steigt stark. Berufseinsteiger in diesen Feldern müssen von Tag eins beantworten können, was sie besser leisten als eine gut eingerichtete KI.

Arbeitswelt – Wie KI den Jobmarkt wirklich verändert

Was bedeutet KI-hart, wenn man es wirklich ernst nimmt?

Den Begriff hört man inzwischen überall. Wie bei vielen modischen Vokabeln verdunstet die Bedeutung schnell. Deshalb eine nüchterne Definition ohne Werbefloskeln.

KI-hart beschreibt Fähigkeiten, die ein Sprachmodell aus technischen oder wirtschaftlichen Gründen nicht kurzfristig übernehmen kann. Technisch, weil physische Präsenz, Körpergefühl und situatives Urteilsvermögen in unbekannten Umgebungen bisher niemand zuverlässig in Software übertragen hat. Wirtschaftlich, weil der Aufwand für Robotik in vielen Handwerksbereichen die Personalkosten noch lange übersteigt. Menschlich, weil Beziehungsvertrauen in Therapie, Pflege und Führung an Personen gebunden ist, nicht an Ausgabequalität.

Drei Bereiche erfüllen diese Kriterien zuverlässig.

Hände, die denken: physische Komplexität

Elektriker, Mechatroniker, Gebäudetechniker, Chirurgen, Hebammen. All diese Berufe verlangen Situationsurteil in unstrukturierten Umgebungen, die sich täglich verändern. Eine Wohnungsinstallation in einem Gründerzeitbau von 1910 ist für eine Maschine ein grundlegend anderes Problem als für einen erfahrenen Elektriker, der auf einen Blick erkennt, was der Vorbesitzer hier vor Jahrzehnten verbaut hat und warum das heute eine Brandgefahr darstellt. Solches Erfahrungswissen lässt sich nicht in Trainingsdaten überführen.

Hinzu kommt ein Angebotsproblem, das sich in den nächsten zehn Jahren weiter verschärft: Zwei Generationen haben das Handwerk gemieden, weil der gesellschaftliche Prestige-Kompass auf Akademisierung zeigte. Das Resultat ist ein struktureller Fachkräftemangel, der gut ausgebildeten Handwerkern mit eigenem Betrieb eine Verhandlungsposition gibt, die viele Akademiker nie erreichen werden. Im Bereich Photovoltaik, Wärmepumpen und Gebäudeautomatisierung suchen Betriebe heute händeringend nach Fachkräften, die sowohl die Anlage installieren als auch die Steuerungssoftware einrichten können. Beides zusammen beherrschen derzeit sehr wenige.

KI steuern statt KI bedienen

Systeme deployen, in bestehende Infrastruktur einbinden, auditieren und gegenüber Kunden oder Behörden erklären. Ausdrücklich nicht gemeint ist die Fähigkeit, mit KI zu chatten oder Prompts zu verfeinern. Gemeint ist, was dahinter liegt: Datenpipelines entwerfen, Sicherheitsarchitekturen verantworten, Modellentscheidungen nachvollziehbar machen.

Machine-Learning-Engineers, AI-Produktmanager, Data-Engineers: Diese Rollen wachsen. Aber es handelt sich um ein enges Feld mit hohen Einstiegsanforderungen. Bestehen lässt sich hier nur mit echtem Systemverständnis, nicht mit Kursabschlüssen von Lernplattformen. Der Unterschied zwischen jemandem, der KI-Tools bedient, und jemandem, der versteht, warum ein Modell in bestimmten Situationen systematisch falsch liegt, ist am Arbeitsmarkt bereits deutlich sichtbar. Unternehmen, die KI in Produktionsprozesse integrieren, zahlen für das zweite Profil ein Vielfaches des ersten.

Da sein, was kein Modell kann

Therapeuten, Führungskräfte mit echter Rückmeldekompetenz, Lehrer die Vertrauen aufbauen, Pflegekräfte mit Einfühlungsvermögen. KI kann beraten, strukturieren und zusammenfassen. Aber sie kann nicht da sein. Keine Scham aushalten, keine Trauer begleiten, keine Entscheidung in einer Unternehmenskrise mit persönlicher Haftung treffen.

Gesellschaften bezahlen für Fürsorge, Führung und Verlässlichkeit. Diese Berufe hatten gesellschaftlich historisch einen schlechten Ruf, weil sie selten spektakulär bezahlt wurden und viel verlangten. Im Zuge der KI-Verschiebung gewinnen sie systematisch an Bedeutung. Sie leisten genau das, was Sprachmodelle nicht können, und der Markt beginnt, das einzupreisen.

„Ein Abschluss schützt nur noch dort, wo Können dahintersteckt, das kein Programm ersetzen kann. Die wirkliche Frage nach dem Abi lautet deshalb nicht: Was studiere ich? Sie lautet: Was bleibt von mir, sobald die Software läuft?“ — Markus Seyfferth, Chefredakteur Dr. Web

Studium ja oder nein: Wo liegt der echte Unterschied?

Ein Studium sichert nichts mehr per se. Ein Studium mit klarer Spezialisierung, echter Praxiserfahrung und der Bereitschaft zur kontinuierlichen Weiterbildung kann sehr viel sichern. Hier eine Übersicht der gängigen Wege nach dem Abitur:

Weg	KI-Exposition	Robustheit	Empfehlung
BWL / VWL (Massenuni)	Hoch	Gering ohne Nische	Nur mit klarer Spezialisierung
Jura (klassisch)	Mittel bis hoch	Mittel	Nur für IT-Recht, Strafrecht
Informatik / Data Science	Mittel	Hoch bei Praxisbezug	Empfehlenswert
Handwerk + Meisterkurs	Gering	Sehr hoch	Stark empfehlenswert
Duales Studium Technik	Mittel	Hoch	Empfehlenswert
Pflege / Soziale Arbeit	Gering	Hoch	Empfehlenswert
Geisteswissenschaften	Sehr hoch	Gering	Nur mit konkretem Anschlussplan

Das Muster lässt sich klar benennen: Je mehr ein Abschluss auf Textproduktion und Mustererkennung aufbaut, desto höher die Exposition. Je mehr er auf physische Kompetenz oder echte Beziehungsarbeit setzt, desto belastbarer der Berufseinstieg.

Dabei lohnt ein genauerer Blick auf Jura und BWL, weil beide Fächer in der öffentlichen Wahrnehmung als Garantien gelten und in der Realität sehr unterschiedlich auseinanderfallen. Ein Arbeitsrechtler in einer Großkanzlei, der komplexe Tarifstreitigkeiten verhandelt, konkurriert kaum mit Sprachmodellen. Sein Kollege, der im dritten Berufsjahr dieselben Mietvertragsklauseln prüft, tut das bereits. BWL mit Schwerpunkt Controlling in einem mittelständischen Unternehmen, wo man drei Jahre lang Excel-Auswertungen nach Schema aufbereitet, ist gefährdet. BWL mit echtem Vertriebsstudium und Verhandlungserfahrung ist erheblich weniger gefährdet.

Der Unterschied liegt nicht im Fach, sondern in der Frage, welche Tätigkeiten ein Absolvent in den ersten drei Berufsjahren hauptsächlich ausübt. Das ist die Frage, die vor der Studienwahl gestellt werden muss.

Warum schlägt Handwerk plus KI-Kompetenz den klassischen Bürojob?

Zunächst klingt das nach einer romantischen Rückbesinnung auf Handarbeit. Die Datenlage zeigt etwas anderes.

Ein Elektriker, der Photovoltaik-Anlagen konfiguriert und gleichzeitig KI-gestützte Energiemanagementsysteme einrichtet und erklärt, bewegt sich 2030 in einer anderen Verhandlungsposition als sein Kollege, der nur Kabel verlegt. Konkret bedeutet das: Er installiert nicht nur die Wärmepumpe, er richtet auch das Steuerungsprotokoll ein, das die Anlage mit dem lokalen Stromanbieter vernetzt, und er liest aus den KI-generierten Diagnosedaten ab, ob die Heizleistung in zwei Jahren nachlassen wird. Dieses kombinierte Profil ist am Markt heute kaum zu finden und entsprechend gut bezahlt.

Ein Mechatroniker, der Produktionsanlagen mit KI-Diagnosetools überwacht, Fehlermuster interpretiert und dem Auftraggeber erklärt, warum eine Maschine in drei Wochen ausfallen wird, ist kein austauschbarer Handwerker mehr. Er ist ein Systempartner, der mehr versteht als das reine Werkzeug.

Dasselbe Muster zeigt sich bei sozialen Berufen: Eine Therapeutin, die digitale Interventionsformate kennt, den Unterschied zwischen KI-gestütztem Coaching und echter Therapie erklären kann und ihre Klientinnen und Klienten entsprechend einordnet, liefert einen anderen Mehrwert als jemand ohne jedes Verständnis der Tools. Eine Führungskraft, die KI-gestützte Analysen interpretiert und gleichzeitig Vertrauen im Team aufbaut, ist schwerer zu ersetzen als jemand, der beides getrennt betreibt.

Die Kombination aus körperlicher oder sozialer Kernkompetenz und digitaler Handlungsfähigkeit schafft eine Widerstandsfähigkeit, die ein Sprachmodell kurzfristig nicht replizieren kann. Nicht weil KI das nie lernt. Sondern weil der wirtschaftliche Aufwand, einen erfahrenen Handwerker mit Systemverständnis durch einen Roboter zu ersetzen, auf absehbare Zeit die Personalkosten übersteigt.

KI im Handwerk: Fünf Betriebe berichten von ihren Erfahrungen | Zukunft Handwerk 2026

Was konkret tun? Drei Szenarien für Abiturienten

Ist eine Ausbildung weniger wert als ein Studium? | SWR Aktuell 360 Grad

Szenario 1: Technische Neigung vorhanden

Duales Studium in Informatik, Elektrotechnik oder Mechatronik. Schwerpunkt auf Projekten mit echten Produktionssystemen oder Energieinfrastruktur, nicht auf abstrakter Theorie. Digitale Kompetenz entsteht nicht durch Kurszertifikate, sondern durch eigene Entwicklungen. Eine eingebundene API, ein feinabgestimmtes Modell, ein Automatisierungsprojekt im echten Betrieb: Das schafft Verständnis, das keine Lernumgebung simulieren kann.

Konkret empfehlenswert: Ausbildungsbetriebe in der Automatisierungstechnik, im Bereich erneuerbare Energien oder in der Produktionstechnik, die aktiv eigene KI-Pilotprojekte betreiben. Der Bewerbungsfilter lautet: Hat der Betrieb in den letzten zwei Jahren ein KI-Projekt gestartet? Lautet die Antwort nein, lernt man dort zwar gutes Handwerk, aber in einem stillstehenden Umfeld.

Szenario 2: Sozialer Schwerpunkt

Pflegestudium, Soziale Arbeit, Pädagogik. Bewusst ergänzt durch digitale Qualifikationen, die in diesen Berufen noch rar sind. Pflegeinformatik wächst. Sozialarbeiter, die digitale Interventionsformate verstehen und beurteilen können, sind gefragt. Pädagogen, die KI-gestützte Lernmethoden mit echter Beziehungskompetenz verbinden, werden in zehn Jahren nicht ersetzt.

Die konkrete Ergänzung, die heute fehlt und morgen zählt: Datenverarbeitung in Pflegedokumentationssystemen, Umgang mit digitalen Fallakten, Grundverständnis für KI-gestützte Frühwarnsysteme bei Pflegebedarfsentwicklung. Kein Informatikstudium, aber genug Verständnis, um diese Systeme kritisch zu beurteilen und im Teamalltag zu nutzen.

Szenario 3: Wirtschaftliche Affinität mit handwerklichem Fundament

Ausbildung in einem Betrieb im Bereich erneuerbare Energien, Gebäudetechnik oder Maschinenbau, anschließend Meisterkurs. Alternativ ein duales Studium, dessen Controlling-Schwerpunkt Datenanalyse und betriebswirtschaftliches Urteilsvermögen wirklich verbindet. Kein Folienstapeln.

Entscheidend in diesem Szenario ist die Bereitschaft, einen Weg zu gehen, der gesellschaftlich weniger Prestige mitbringt als der Jurastudent auf dem Familientreffen, aber 2030 erheblich mehr Verhandlungsmacht hat. Meister im Bereich Gebäudeautomatisierung mit KI-Zusatzqualifikation verdienen heute bereits in vielen Regionen Deutschlands mehr als Berufseinsteiger mit BWL-Bachelor in einer Unternehmensberatung.

Bei allen drei Szenarien gilt dieselbe Grundregel: Die Frage „Was will ich studieren?“ ist der falsche Ausgangspunkt. Richtig lautet sie: „Was will jemand in zehn Jahren persönlich von mir, das eine gut eingerichtete KI nicht liefern kann?“

Lesetipps:

• 12 neue KI-Modelle in einer Woche? Willkommen in 2026.
• SEO für Google, Amazon, YouTube, KI-Chatbots: Blicken Sie noch durch?
• Nimmt KI Ihnen den Job? Citrini sagt: Kommt darauf an.

Glossar: 12 wichtige Fachbegriffe zu KI und Berufswahl

Automatisierungspotenzial

Automatisierungspotenzial bezeichnet den Anteil von Tätigkeiten in einem Beruf, der theoretisch durch Maschinen oder Software übernommen werden könnte. Für die Berufswahl ist entscheidend: Je höher das Potenzial, desto mehr müssen Menschen einen nicht-automatisierbaren Mehrwert liefern, der über reine Aufgabenerfüllung hinausgeht.

Data Science

Data Science ist die Disziplin, die aus großen Datenmengen verwertbare Erkenntnisse gewinnt. Sie verbindet Statistik, Informatik und Domänenwissen. Im Kontext der Berufswahl gilt sie als eines der wachstumsstärksten Felder – allerdings mit hohem Einstiegsniveau und einem Markt, der Praxiserfahrung über Zertifikate stellt.

Duales Studium

Beim dualen Studium wechseln sich Lernphasen an der Hochschule mit Praxisphasen im Unternehmen ab. Das Modell verbindet akademische Qualifikation mit früher Berufserfahrung und baut Anwendungskompetenz in echten Arbeitssituationen auf, nicht in simulierten Lernumgebungen.

Fachkräftemangel

Fachkräftemangel beschreibt die strukturelle Lücke zwischen offenen Stellen und verfügbaren qualifizierten Arbeitnehmern. Im Handwerk und in der Pflege ist dieser Mangel in Deutschland besonders ausgeprägt. Er schützt diese Berufe vor dem Einkommensdruck, der andernorts durch Überangebot entsteht.

Generative KI

Generative KI bezeichnet Systeme, die neue Inhalte erzeugen: Texte, Bilder, Quellcode, Ton. ChatGPT, Claude und Gemini sind bekannte Beispiele. Für die Berufswahl relevant, weil genau diese Fähigkeiten viele klassische Bürotätigkeiten übernehmen können – schneller und zu erheblich niedrigeren Kosten.

KI-Exposition

KI-Exposition misst, wie stark ein Beruf durch KI-Systeme beeinflusst oder verdrängt werden kann. Hohe Exposition bedeutet nicht zwangsläufig Jobverlust, aber erhöhten Druck zur Spezialisierung und zur ständigen Weiterentwicklung der eigenen Kompetenzen.

Kognitiver Routinejob

Ein kognitiver Routinejob erfordert geistige Arbeit nach vorhersehbaren Mustern: Texte nach Briefing schreiben, Daten in Berichte übersetzen, Standardverträge aufsetzen. Diese Tätigkeiten sind die primären Angriffsziele moderner Sprachmodelle – weil sie genau das leisten, wofür große Sprachmodelle trainiert wurden.

Large Language Model

Ein Large Language Model (LLM) ist ein KI-System, trainiert auf enormen Textmengen, das Sprache verstehen, erzeugen und analysieren kann. GPT-4, Claude und Gemini sind prominente Beispiele. Sie bilden die technische Grundlage der meisten generativen KI-Anwendungen im Unternehmensumfeld.

Meisterbrief

Der Meisterbrief ist der höchste handwerkliche Abschluss in Deutschland und berechtigt zur selbstständigen Betriebsführung sowie zur Ausbildung von Fachkräften. Im Kontext des KI-Wandels gewinnt er an Bedeutung, weil er physische Fachkompetenz mit unternehmerischen Rechten und Verantwortung verbindet.

Prompt Engineering

Prompt Engineering bezeichnet die Fähigkeit, KI-Systeme durch präzise formulierte Eingaben zu optimalen Ausgaben zu führen. Als eigenständiger Beruf handelt es sich um ein enges Feld mit unsicherer Zukunft. Als Zusatzfähigkeit in anderen Berufen ist es zunehmend wertvoll, vor allem in Verbindung mit tieferem Systemverständnis.

Substituierbarkeit

Substituierbarkeit beschreibt, in welchem Maß eine menschliche Tätigkeit durch eine Maschine oder Software übernommen werden kann. Sie ist das zentrale Maß für die KI-Robustheit eines Berufs und das wichtigste Kriterium bei einer zukunftsorientierten Berufswahl im KI-Zeitalter.

STEM-Berufe

STEM steht für Science, Technology, Engineering, Mathematics. STEM-Berufe gelten im Allgemeinen als widerstandsfähiger gegenüber KI-Automatisierung, weil sie physische Umsetzungskompetenz mit analytischem Denken verbinden. Gleichzeitig profitieren sie stärker von KI-Tools als Produktivitätswerkzeug als viele andere Felder.

FAQ: KI-hart nach dem Abi

Quellen

McKinsey Global Institute – The future of work after COVID-19 – https://www.mckinsey.com/featured-insights/future-of-work/the-future-of-work-after-covid-19 – besucht am 17.03.2026

Institut für Arbeitsmarkt- und Berufsforschung (IAB) – Digitalisierung und Berufe in Deutschland – https://www.iab.de/de/publikationen/iabforschungsbericht.aspx – besucht am 17.03.2026

Statistisches Bundesamt – Bildung auf einen Blick 2024 – https://www.destatis.de/DE/Themen/Gesellschaft-Umwelt/Bildung-Forschung-Kultur/Bildungsstand/_inhalt.html – besucht am 17.03.2026

Frey, C. B. / Osborne, M. A. – The Future of Employment – Oxford Martin School – https://www.oxfordmartin.ox.ac.uk/downloads/academic/The_Future_of_Employment.pdf – besucht am 17.03.2026

Bundesministerium für Bildung und Forschung – Studienanfängerinnen und Studienanfänger 2024 – https://www.bmbf.de/bmbf/de/bildung/studium/studienaufnahme/studienaufnahme_node.html – besucht am 17.03.2026