Wird KI Historiker ersetzen? Was die Daten zeigen

Ein Historiker sagte mir einmal, das Schwierigste an seinem Beruf sei nicht, die Dokumente zu finden – sondern zu wissen, welche Dokumente wichtig sind. In einer Ära, in der KI Millionen digitalisierter Archivseiten in Sekunden durchsuchen kann, wird diese Unterscheidung zum Kern von allem.

Der Historiker, der weiß, welche Dokumente wichtig sind, hat eine Zukunft. Der Historiker, dessen Aufgabe darin besteht, Dokumente zu finden, vielleicht nicht.

Die Daten: Moderat und handhabbar

Basierend auf den Mustern, die wir in vergleichbaren akademischen und Forschungsrollen in unserer Datenbank sehen – Archäologen, Politikwissenschaftler und andere Sozialwissenschaftsforscher – sehen Historiker einer geschätzten Gesamt-KI-Exposition von 35-45% [Schätzung] und einem Automatisierungsrisiko von etwa 25-30% [Schätzung] entgegen.

Die Exposition konzentriert sich auf spezifische Bereiche: Literaturrecherche und Quellsuche (hohes Automatisierungspotenzial), quantitative historische Datenanalyse (hoch) und vorläufige Entwurfsgenerierung (moderat). Aber die Kernaktivitäten, die historische Wissenschaft definieren – Interpretation von Primärquellen im Kontext, Konstruktion narrativer Argumente, Bewertung konkurrierender Interpretationen und Kommunikation historischen Verständnisses an vielfältige Zielgruppen – bleiben bei niedriger Automatisierung.

Das Bureau of Labor Statistics prognostiziert 3% Wachstum für Historiker bis 2034 [Fakt], mit einem mittleren Gehalt von etwa 67.000 Dollar [Fakt] und etwa 3.500 Praktikern unter der strengen BLS-Berufsdefinition [Fakt]. Dies ist ein kleiner Beruf nach Berufsklassifizierung, aber sein Wert erstreckt sich weit über seine Kopfzahl hinaus. Viele Geschichts-Doktoranden arbeiten als Archivare, Museumskuratoren, öffentliche Historiker, Dokumentarfilm-Berater, Politikanalysten und Autoren.

Die digitale Archivrevolution

KI transformiert historische Forschung tatsächlich in einer spezifischen Dimension: Zugänglichkeit. Die optische Zeichenerkennung hat sich dramatisch verbessert und kann jetzt handgeschriebene Dokumente in mehreren historischen Schriften lesen – von mittelalterlichem Latein über frühneuzeitliche englische Sekretärshandschrift bis hin zu Handschriften des 19. Jahrhunderts in Dutzenden von Sprachen. Tools wie Transkribus haben die Handschrifterkennung für Archivprojekte zunehmend praktikabel gemacht.

Machine-Learning-Modelle können Millionen digitalisierter Seiten nach spezifischen Namen, Daten oder Konzepten durchsuchen. Natural Language Processing kann linguistische Muster über Jahrhunderte von Texten identifizieren und Verschiebungen aufzeigen, wie Gesellschaften über Krieg, Geschlecht, Krankheit, Rasse oder Politik sprachen. Themenmodellierung von Zeitungen des 18. Jahrhunderts, Sentimentanalyse von Sklavennarrativen, Netzwerkanalyse mittelalterlicher Korrespondenz – das sind keine Science-Fiction-Spekulationen, sondern veröffentlichte Forschungsmethoden im aktiven Einsatz.

Ein Projekt, das einst Monate in einem einzigen Archiv erforderte, kann jetzt auf digitalisierte Sammlungen von Bibliotheken auf der ganzen Welt zurückgreifen, wobei KI hilft, Dokumente in einem Maßstab zu sortieren, kategorisieren und referenzieren, der vor einem Jahrzehnt physisch unmöglich war.

Das ist kraftvoll. Und auch gefährlich.

Warum KI-generierte Geschichte unzuverlässig ist

KI-Systeme, die auf digitalisierten Texten trainiert wurden, haben eine fundamentale Verzerrung: Sie können nur durchsuchen, was digitalisiert wurde. Die Archive mächtiger Institutionen sind gut digitalisiert. Die Aufzeichnungen marginalisierter Gemeinschaften, mündliche Überlieferungen, physische Artefakte, Dokumente in weniger verbreiteten Sprachen und die persönlichen Unterlagen gewöhnlicher Menschen nicht.

Eine KI-gestützte Suche im historischen Archiv überrepräsentiert systematisch bestimmte Stimmen und unterrepräsentiert andere. UNESCO hat geschätzt, dass große Mengen afrikanischer, asiatischer und indigener historischer Dokumentation undigitalisiert oder nicht digitalisierbar bleiben [Behauptung].

KI kann auch nicht zwischen den Zeilen lesen. Ein Brief eines Kolonialbeamten, der eine lokale Bevölkerung als „zufrieden" beschreibt, könnte von KI korrekt transkribiert und indiziert werden – aber der Historiker weiß zu fragen, warum der Beamte das sagen musste, was politisch zu der Zeit passierte, das eine solche Behauptung nützlich machte, und was die tatsächliche Bevölkerung gesagt hätte, wenn jemand gefragt hätte. Die historische Interpretation ist genau die Aufgabe, die die Oberflächenbedeutung von Quellen in Frage stellt.

ChatGPT-generierte historische Narrative haben wiederholt selbstbewusste Erfindungen produziert – nicht existierende Verträge zitierend, reale Zitate falschen Personen zuschreibend, Ereignisse aus verschiedenen Jahrhunderten vermischend und gelehrte Quellen erfindend [Behauptung]. Die Fehler sind für Nicht-Spezialisten oft unsichtbar, weil die Prosa flüssig ist.

Die wachsende Bedeutung des historischen Denkens

Ironischerweise könnte KI historisches Denken wertvoller machen, nicht weniger. Da KI riesige Mengen plausibel klingender Texte über die Vergangenheit generiert, wird die Fähigkeit, Quellen kritisch zu bewerten, zuverlässige Beweise von Fabrikationen zu unterscheiden und gut gestützte Argumente zu konstruieren, zu einer entscheidenden bürgerlichen Fähigkeit – nicht nur einer akademischen.

Historiker werden auch zunehmend als Berater in Bereichen wie KI-Ethik (Verstehen, wie Technologien historisch eingesetzt wurden), Unternehmensstrategie (Lernen aus vergangenen Branchentransformationen) und öffentlicher Politik (Bereitstellung evidenzbasierter Kontexte für zeitgenössische Entscheidungen) gesucht. Das Wachstum der öffentlichen Geschichte – Podcasts, Dokumentarfilmarbeit, Museumsberatung, narrative Sachbücher – hat neue Karrierewege geschaffen.

Der Digital-Humanities-Weg

Das Wachstum rechnerischer Methoden in der Geschichte hat eine interdisziplinäre Teildisziplin geschaffen – Digital Humanities – mit bedeutenden Beschäftigungsmöglichkeiten an Universitäten, Bibliotheken, Museen und Kulturerbeorganisationen. Institutionen wie Stanfords CESTA, Northeasterns NULab und George Masons Roy Rosenzweig Center haben robuste Programme aufgebaut.

Digital Humanities-Wissenschaftler kombinieren historische Expertise mit technischen Fähigkeiten: Textmining, Netzwerkanalyse, GIS-Kartierung, statistische Modellierung und zunehmend Machine-Learning-Evaluierung. Diese Kombination aus humanistischer Urteilskraft und rechnerischen Methoden ist einer der gefragtesten Profile in der aktuellen Kulturerbebranche.

Wo Historiker tatsächlich arbeiten

Die populäre Vorstellung von Historikern platziert sie in Tenure-Track-Universitätspositionen. Diese Vorstellung ist irreführend. Von den Tausenden von Geschichts-Doktorgraden, die jährlich in den USA vergeben werden, landen nur ein Bruchteil in Tenure-Track-akademischen Positionen.

Archivare und Unterlagenverwalter arbeiten in staatlichen und lokalen Archiven, Universitätssondersammlungen, Präsidialbibliotheken, Unternehmensarchiven und religiösen Archiven. Öffentliche Historiker arbeiten in Museen, Nationalparks, historischen Stätten und Dokumentarfilmproduktion. Regierungshistoriker arbeiten bei Behörden wie dem Außenministerium, dem Smithsonian und dem National Park Service.

Die Vergütung variiert. Regierungshistorikerpositionen zahlen wettbewerbsfähig. Archivare beginnen oft in einem mittleren Einkommensbereich, können aber mit wachsender Expertise aufsteigen. Unabhängige Gelehrte und Autoren produzieren bedeutende Arbeit außerhalb institutioneller Strukturen – Pulitzer-preisgekrönte Geschichten kommen zunehmend von Schriftstellern ohne traditionelle akademische Positionen.

Die vier Subfeld-Realitäten

Amerikanische Anthropologie teilt sich traditionell in vier Subfelder, und der KI-Einfluss variiert erheblich. Die Analogie gilt auch für die historischen Disziplinen, die eine ähnliche interne Differenzierung aufweisen.

Politische Geschichte und Wirtschaftsgeschichte profitieren am stärksten von KI-gestützten quantitativen Methoden: Wahlhistorie, Handelsvolumina, Preisreihen und andere numerische Datensätze lassen sich maschinell gut analysieren. Dennoch bleibt die Interpretation – warum ein politischer Akteur so handelte, welche Interessen hinter einem wirtschaftlichen Prozess standen – menschlicher Urteilsarbeit vorbehalten.

Sozialgeschichte und Geschichte von unten – die Geschichte gewöhnlicher Menschen, Arbeiterbewegungen, Frauen, unterdrückter Minderheiten – ist besonders schwer zu automatisieren, weil ihre Quellen oft lückenhaft, implizit oder in Sprachen und Idiomen überliefert sind, die KI-Systemen fremd sind. Ein irischer Arbeitermigrant, der im 19. Jahrhundert einen Gälisch-Englisch-Mischbrief schreibt, stellt selbst modernste Transkriptionssysteme vor erhebliche Herausforderungen.

Globale Geschichte und vergleichende Geschichte erfordert Sprachkenntnisse und kulturelles Kontextwissen, das über das Repertoire jedes einzelnen Forschers – oder KI-Systems – hinausgeht. Historiker, die mehrere Sprachen beherrschen und in verschiedenen nationalen Archivtraditionen arbeiten können, werden gefragter, nicht weniger gefragt.

Oral History – die Aufzeichnung und Analyse mündlicher Überlieferungen und Interviews mit Zeitzeugen – ist praktisch immun gegen KI-Verdrängung. Die Fähigkeit, Vertrauen aufzubauen, sensiblen Erzählungen Raum zu geben und Gesagtes und Ungesagtes gemeinsam zu interpretieren, ist genuin menschlich.

Die Archivarbeit verdient besondere Erwähnung: Digitale Archive expandieren weltweit, und die Nachfrage nach Fachleuten, die digitale Sammlungen aufbauen, kurieren und intellektuell zugänglich machen, wächst kontinuierlich. Die Society of American Archivists Zertifizierung (DAS, dann ACA) und entsprechende europäische Qualifikationen sind Eintrittskarten in diesen wachsenden Sektor.

Was Historiker tun sollten

Lernen Sie Digital-Humanities-Methoden – Textmining, Netzwerkanalyse, GIS-Kartierung und Datenvisualisierung erweitern, was historische Wissenschaft erreichen kann. Selbst grundlegende Kenntnisse in Tools wie Voyant, Gephi oder QGIS öffnen Türen.

Engagieren Sie sich mit der Öffentlichkeit über akademische Zeitschriften hinaus: Podcasts, Museumsberatung, Dokumentarfilmberatung, populäre Sachbücher und Politiktestimonie nutzen alle historische Expertise. Verfolgen Sie angewandte Positionen in Archiven, öffentlicher Geschichte, Museumsarbeit, Unternehmensgeschichte und Kulturerbemanagement.

Spezialisieren Sie sich auf Bereiche, in denen historisches Denken am meisten gebraucht wird – KI-Ethik und Technologiegeschichte, Klimawandel und Umweltgeschichte, öffentliche Gesundheit und Medizingeschichte – wo aktuelle Krisen historischen Kontext verlangen.

_Diese Analyse wurde mit KI-Unterstützung erstellt, unter Verwendung von Daten aus dem Anthropic Labour Market Report und Projektionen des Bureau of Labor Statistics._

Verwandt: Was ist mit anderen Berufen?

KI verändert viele Berufe:

• Wird KI Demographen ersetzen?
• Wird KI Statistiker ersetzen?
• Wird KI Ärzte ersetzen?
• Wird KI Köche ersetzen?

_Erkunden Sie alle 470+ Berufsanalysen in unserem Blog._