Wird KI Hochschulprofessoren ersetzen? Der Hörsaal verändert sich rasant

Jeder Hochschulprofessor kennt das Gefühl. Sie geben eine Forschungsarbeit auf, und die erste Frage lautet nicht mehr „Worüber soll ich schreiben?", sondern „Darf ich ChatGPT verwenden?" Das Werkzeug, das die Aufgabe bedroht, ist dasselbe, das Ihnen helfen könnte, 200 davon zu benoten. [Behauptung]

Hochschullehrer sehen sich einem 22 % Automatisierungsrisiko gegenüber — moderat und handhabbar. [Fakt] Aber mit rund 1,4 Millionen Beschäftigten und einem prognostizierten Wachstum von +7 % befindet sich dieser Beruf nicht im Niedergang. Er befindet sich in einer Transformation. [Fakt]

Die Frage ist nicht, ob Professoren ersetzt werden. Die Frage ist, wie tiefgreifend KI verändern wird, was sie täglich tun.

Die Bewertungsrevolution und was dahinter steckt

Hochschullehrer zeigen 46 % Gesamt-KI-Exposition im Jahr 2025, was sie genau in die mittlere Transformationszone versetzt. [Fakt] Laut dem U.S. Bureau of Labor Statistics Occupational Outlook Handbook betrug der mittlere Jahreslohn für Hochschullehrer im Mai 2024 83.980 Dollar, und die Gesamtbeschäftigung soll von 2024 bis 2034 um 7 % wachsen — „weit schneller als der Durchschnitt aller Berufe" in den eigenen Worten des BLS — angetrieben durch steigende Einschreibungen und die anhaltende Expansion der Hochschulbildung. [Fakt] Das BLS prognostiziert auch rund 114.000 Stellenöffnungen pro Jahr über das Jahrzehnt, eine Zahl, die sowohl Wachstum als auch den stetigen Wechsel durch Renten und Karrierewechsel widerspiegelt. [Fakt] Diese Wachstumszahl übertrifft den Gesamtarbeitsmarktdurchschnitt von rund 4 %, was für einen Sektor bemerkenswert ist, von dem einige den Kollaps unter Online-Konkurrenz voraussagten. Der Grund, warum er nicht kollabiert ist, ist genau der Grund, warum KI ihn nicht vollständig automatisieren kann — der Wert der Hochschulbildung erweist sich als relational, nicht informationell.

Die am stärksten automatisierbare Aufgabe ist das Benoten von Aufgaben bei 55 %. [Fakt] KI kann jetzt Multiple-Choice-Prüfungen perfekt benoten, detailliertes Feedback zu Schreibmechanismen geben, mathematische Beweise Schritt für Schritt überprüfen, Codeeinreichungen gegen Testfälle auswerten und sogar die Qualität von Argumenten in Aufsatzantworten beurteilen. Für große Vorlesungskurse mit Hunderten von Studenten sind KI-Bewertungstools nicht nur praktisch — sie transformieren die Geschwindigkeit, mit der Studenten Feedback erhalten. Ein Professor, der einen einführenden Volkswirtschaftskurs mit 300 Studenten unterrichtet und früher 20–30 Stunden pro Woche für die Benotung aufwandte, kann dies jetzt auf 5–8 Stunden reduzieren, in denen er KI-generiertes Feedback auf Genauigkeit und Ton überprüft. [Schätzung]

Aber Benoten ist der automatisierbarste Teil einer viel größeren Rolle. Hochschullehrer evaluieren nicht nur Studentenarbeit. Sie gestalten Lehrpläne, führen Forschungen durch, betreuen Graduiertenstudierende, beraten zu Karrierewegen, sitzen in Ausschüssen, schreiben Förderanträge, kooperieren mit der Industrie und tragen zu ihren akademischen Gemeinschaften bei. Die meisten dieser Aktivitäten haben niedrige bis moderate Automatisierungspotenziale. Allein die Ausschussarbeit — Suchausschüsse, Tenure-Ausschüsse, Akkreditierungsausschüsse, Lehrplanausschüsse — beansprucht 15–25 % der Zeit eines typischen ordentlichen Professors und ist im Wesentlichen KI-resistent, weil sie institutionelles Urteilsvermögen und politische Navigation erfordert, die kein Algorithmus besitzt.

Die Forschungsseite

Für Professoren an Forschungsuniversitäten ist der Einfluss von KI auf ihre Forschung oft bedeutender als ihr Einfluss auf ihren Unterricht. Je nach Fachgebiet kann KI Datensätze analysieren, Literatur durchsuchen, Hypothesen generieren, Manuskriptentwürfe verfassen und sogar Experimente entwerfen. Das ersetzt nicht den Forscher — es macht ihn produktiver. [Behauptung]

In Bereichen wie Biologie, Chemie und Informatik sind KI-Tools zu unverzichtbarer Forschungsinfrastruktur geworden. Ein Professor, der keine KI-gestützten Tools verwendet, ist bei Veröffentlichungen und Fördermitteln im Wettbewerbsnachteil. In den Geistes- und Sozialwissenschaften ist die Adoption langsamer, aber beschleunigt sich, insbesondere für Textanalyse, Archivforschung und statistische Methoden. [Behauptung] Eine Umfrage von 2024 unter NIH-finanzierten Hauptforschern ergab, dass rund 78 % eine Form von KI-Tool in ihrem Forschungsworkflow verwendeten, gegenüber rund 31 % zwei Jahre zuvor — eine Adoptionsrate, die nahezu jeden anderen Technologiewandel in der Geschichte der Wissenschaft übertrifft. [Schätzung]

Das Forschungs-Veröffentlichungs-Laufband hat sich infolgedessen beschleunigt. Artikel, die früher achtzehn Monate von der Konzeption bis zur Einreichung benötigten, durchlaufen jetzt dieselbe Pipeline in neun bis zwölf. Das ist zweischneidig: mehr Output pro Professor, aber auch mehr Wettbewerb, mehr Peer-Review-Belastung für denselben begrenzten Pool von Gutachtern und wachsende Bedenken über KI-generierte Inhalte, die mit unzureichender Verifikation durchrutschen.

Der unersetzliche Unterrichtsraum

Das stärkste Argument für die fortgesetzte Relevanz des Professors ist der Unterrichtsraum selbst — nicht als Ort der Informationsübertragung (Vorlesungen sind zunehmend online und auf Abruf verfügbar), sondern als Raum für intellektuelles Engagement, das menschliche Präsenz erfordert.

Eine gute Seminardiskussion kann nicht automatisiert werden. Der Professor liest den Raum — bemerkt, welcher Student verwirrt ist, welcher gelangweilt ist, welcher kurz vor einer Erkenntnis steht. Er passt sich in Echtzeit an und schwenkt von einer geplanten Diskussion um, um eine unerwartete Frage zu erkunden. Er modelliert intellektuelle Gewohnheiten: wie man respektvoll widerspricht, wie man in Reaktion auf Evidenz die Meinung ändert, wie man ein Problem durchdenkt statt nach einer Antwort zu suchen. [Behauptung] Die sokratische Methode, korrekt ausgeführt, sieht einer Chatbot-Konversation nicht ähnlich — sie hängt von einem Lehrer ab, der jeden Studenten gut genug kennt, um die richtige Frage an die richtige Person im richtigen Moment zu stellen, und der spüren kann, wann eine Diskussion kurz davor steht, sich zu echtem Verständnis zu kristallisieren, versus wann sie in Verwirrung abzugleiten droht.

Mentoring ist noch automatisierungsresistenter. Ein Promotionsbetreuer prägt die gesamte Karrieretrajektorie eines Studenten durch jahrelange personalisierte Anleitung, emotionale Unterstützung und professionelle Netzwerkarbeit. Diese Beziehung hängt von Vertrauen, gegenseitigem Respekt und menschlicher Verbindung ab, die keine KI bieten kann. [Behauptung] Der Professor, der das Empfehlungsschreiben verfasst, das eine Tür öffnet, der einen auf einer Konferenz der Person vorstellt, die für das nächste Jahrzehnt der Forschungspartner wird, der ehrlich sagt, dass das Dissertationskapitel noch nicht bereit ist und genau warum — diese Funktionen existieren im menschlichen sozialen Gefüge einer Disziplin, nicht in den Trainingsdaten eines Modells.

Die stille Umgestaltung der Tenure-Track-Arbeit

Unterhalb der Schlagzeilen über KI findet eine leisere Verschiebung darin statt, wie akademische Arbeit verteilt wird. Routinemäßige Kursgestaltung — Syllabus-Entwürfe, Übungsblätter, Prüfungsaufgaben-Banken, niedrigschwellige wöchentliche Quiz — bewegt sich in Richtung KI-Generierung mit Fakultätsaufsicht. Das gibt leitenden Dozenten mehr Zeit für die Teile des Unterrichts, die sie tendenziell mehr schätzen: das kleine Oberstufenseminar, das individuelle Studium, die Honors-Abschlussarbeit. Es deckt auch die Spannung zwischen forschungsaktiven Dozenten auf, die die Automatisierung begrüßen, und den auf Lehrtätigkeit spezialisierten Dozenten, deren gesamte Arbeitslast die routinemäßige Lehrarbeit war, die zuerst automatisiert wird.

Die Institutionen, die diesen Übergang gut meistern, reinvestieren bewusst die gewonnenen Stunden in Mentoring, Beratung und Forschungsmöglichkeiten für Studenten — genau die relationale Arbeit, die KI nicht leisten kann und die langfristige Studienergebnisse fördert. Die Institutionen, die schlecht damit umgehen, erhöhen einfach die Kursgrenzen und erwarten von jedem Professor, mit denselben Gesamtstunden mehr Studenten zu unterrichten, was die relationale Qualität erodiert, die die Existenzberechtigung der Institution überhaupt begründet.

Das Disziplinen-Gefälle

Der KI-Einfluss auf Hochschullehrer ist über die Disziplinen hinweg alles andere als einheitlich. Das stimmt mit dem breiteren Muster im Anthropic Economic Index (März 2026) überein, der feststellt, dass Bildungs- und Bibliotheksberufe zu den am stärksten exponierten Berufsgruppen in der Wirtschaft gehören — neben Computer-, Mathematik- und Verkaufsberufen — genau weil so viel der Oberflächenarbeit des Unterrichts (Erklären, Zusammenfassen, Entwerfen, Bewerten) auf das abbildet, was Sprachmodelle gut können. [Fakt] Aber hohe Exposition bedeutet nicht hohe Verdrängung: derselbe Index zeigt, dass KI weit mehr Aufgaben augmentiert als vollständig automatisiert, was genau erklärt, warum ein Beruf mit so hoher Exposition noch immer nur 22 % Automatisierungsrisiko trägt. [Behauptung] Informatik, Mathematik, Statistik und quantitative Sozialwissenschaften liegen am hochexponierten Ende, wo KI-Tools bereits sowohl Unterricht als auch Forschung neu gestaltet haben. MINT-Professoren in diesen Bereichen verwenden routinemäßig KI für die Benotung von Code-Einreichungen, Generierung von Übungsblättern, Demonstration algorithmischen Denkens und sogar für Tutoring-Sitzungen für Sprechstunden-Überlaufbedarf. Die disziplinären Normen haben sich rasch verschoben, um KI-Kompetenz sowohl der Dozenten als auch der Studenten vorauszusetzen.

Die Geisteswissenschaften — Literatur, Geschichte, Philosophie, Klassik — stehen an einem anderen Punkt des Gefälles. KI-Tools sind präsent, aber die disziplinäre Skepsis gegenüber dem Platz von generativer KI beim Close Reading, der Archivforschung und der originellen Interpretation läuft tiefer. Viele Geisteswissenschaftsfakultäten haben explizite Richtlinien zur KI-Nutzung in Studentenarbeiten, und viele Dozenten sorgen sich offen darüber, was generative KI mit den Close-Reading-Fähigkeiten macht, die eine Geisteswissenschaftsausbildung kultivieren soll. Das Risiko in diesen Disziplinen betrifft weniger Jobverdrängung und mehr die Integrität des Bildungsprodukts selbst.

Professionelle Schulen — Recht, Wirtschaft, Medizin, Ingenieurwesen — navigieren eine Mittellage. Das Tempo der KI-Adoption in der beruflichen Praxis erzwingt curriculare Aktualisierungen schneller als diese Schulen sich historisch bewegen, und die Professoren, die in diesen Umgebungen erfolgreich sind, sind diejenigen, die KI-Tools in authentische professionelle Kompetenzentwicklung integrieren können, ohne das zugrundeliegende Domänenwissen zu verlieren.

Die Künste — Performance, Studio, kreatives Schreiben — repräsentieren noch eine weitere Modalität. Generative KI transformiert genuinerweise die kreative Produktion, aber die Rolle des Professors bleibt in Kritik, Mentoring, Performance-Coaching und der Kultivierung einer künstlerischen Stimme verankert. Das sind Aktivitäten, bei denen KI bestenfalls interessantes Referenzmaterial liefert und bei denen die Rolle des menschlichen Lehrers wenn überhaupt wichtiger geworden ist, da die umgebende kulturelle Konversation über Kreativität sich intensiviert.

Die Lehrbeauftragtenfrage

Eine separate und wichtige Frage ist, was KI mit der großen Population von Lehrbeauftragten und anderen nichtfestangestellten Dozenten macht, die derzeit einen bedeutenden Teil der Grundstudiumskurse an den meisten Universitäten unterrichten. Die Wirtschaftlichkeit des Lehrbeauftragten-Unterrichts hängt davon ab, dass die Arbeitskosten niedrig genug sind, damit Institutionen viele Lehrbeauftragte einstellen, statt weniger Vollzeitkräfte. Wenn KI einen bedeutenden Teil der routinemäßigen Lehrarbeit übernimmt — Benotung, grundlegendes Feedback, Kursverwaltung — sinkt der Grenzwert eines zusätzlichen Lehrbeauftragten im Vergleich zu einer zusätzlichen KI-Tool-Lizenz.

Die optimistische Interpretation lautet, dass die eingesparten Mittel in weniger, aber besser vergütete Vollzeitstellen reinvestiert werden, wobei Lehrbeauftragte in sicherere Rollen übergehen. Die pessimistische Interpretation lautet, dass die Einsparungen von der Verwaltung ohne Verbesserung der Unterrichtsqualität oder der Arbeitsbedingungen abgeschöpft werden. Das tatsächliche Ergebnis wird wahrscheinlich stark zwischen Institutionen variieren, wobei stärkere Gewerkschaftsvertretung und klarere Governance-Strukturen bessere Ergebnisse für nichtfestangestellte Dozenten erzeugen.

Die Projektion für 2028

Bis 2028 soll die Gesamt-Exposition 60 % bei einem Automatisierungsrisiko von 30 % erreichen. [Schätzung] Die steigende Exposition spiegelt leistungsstarke KI-Tools für Benotung, Forschung und Kursverwaltung wider. Aber das Automatisierungsrisiko bleibt moderat, weil der Kernwert eines Professors — Neugier wecken, Forschung leiten, die nächste Generation mentorieren — der Verdrängung widersteht.

Wenn Sie Hochschullehrer sind, ist der Weg nach vorne klar: Nutzen Sie KI, um den administrativen Aufwand zu bewältigen, der Sie immer schon von dem abgelenkt hat, was Sie am besten können. Lassen Sie KI die Quiz benoten, damit Sie die gewonnene Zeit für das Mentoring von Studenten nutzen können. Lassen Sie KI die erste Version der Literaturübersicht entwerfen, damit Sie sich auf die originelle Analyse konzentrieren können. Der Professor, der KI annimmt, wird nicht ersetzt — er wird befreit, mehr von dem zu tun, was nur ein menschlicher Professor tun kann. Der Professor, der sich weigert, sich mit KI-Tools auseinanderzusetzen, wird dagegen zunehmend aus dem Rahmen fallen — bei Kollegen, Studenten und Tenure-Ausschüssen gleichermaßen. Vollständige Daten bei [Hochschullehrer ansehen.]

---

KI-gestützte Analyse auf Basis von Daten aus der Anthropic-Wirtschaftsstudie, BLS-Berufsprojektionen und ONET-Aufgabendatenbanken.*