Wissenschaftliche Hilfskräfte & KI: 35% Risiko — die akademische Ironie

75 % Ihrer Benotung könnten von KI erledigt werden. Wenn Sie ein wissenschaftlicher Mitarbeiter oder Lehrassistent im Doktorandenstudium sind, haben Sie wahrscheinlich bereits mit ChatGPT experimentiert, um Studentenarbeiten zu bewerten. Aber hier ist das vollständige Bild — und warum Ihre Stelle komplizierter ist, als eine einzelne Zahl suggeriert.

Wissenschaftliche Mitarbeiter stehen vor einem Automatisierungsrisiko von 42 % und einer KI-Gesamtexposition von 57 % im Jahr 2025. [Fakt] Mit rund 133.000 Stellen, einem Medianlohn von 42.010 $ und einem vom BLS prognostizierten Wachstum von +3 % bis 2034 befindet sich diese Rolle im Wandel statt im Niedergang. [Fakt] Die grundlegende Nachfrage ist in der Gesundheit der Hochschulbildung selbst verankert: Das U.S. Bureau of Labor Statistics prognostiziert, dass die Beschäftigung von Hochschullehrern — das Lehrökosystem, das Doktoranden-Lehrassistenten unterstützen — von 2024 bis 2034 um 7 % wachsen wird, viel schneller als der Durchschnitt aller Berufe (BLS Occupational Outlook Handbook, 2025). [Fakt] Solange Universitäten ihre Lehrkapazität ausbauen, hat die Lehrassistenten-Pipeline, die sie speist, eine strukturelle Nachfragegrenze.

Die große Benotungsrevolution

Die Automatisierungsaufteilung über Lehrassistenten-Aufgaben hinweg ist dramatisch:

Das Bewerten von Aufgaben, Aufsätzen und Prüfungen steht vor 75 % Automatisierung. [Fakt] Dies ist die am stärksten KI-exponierte einzelne Aufgabe im Portfolio des Doktoranden-Lehrassistenten. KI-gestützte Benotungswerkzeuge können nun Multiple-Choice- und Kurzantwortfragen mit nahezu perfekter Genauigkeit auswerten. Bei Aufsätzen können Werkzeuge Struktur, Argumentationsqualität, Grammatik und sogar KI-generierten Inhalt überprüfen. Viele Universitäten pilotieren bereits automatisierte Feedback-Systeme, die eine Erstbewertung liefern, während menschliche Lehrassistenten Grenzfälle überprüfen.

Die Plattformen haben sich rasant weiterentwickelt. Gradescopes KI-gestützte Benotung (jetzt von Turnitin erworben), Khanmigo, Cengages MindTap AI-Tutor und die neuere Welle FERPA-konformer akademischer LLM-Bereitstellungen bieten alle eine Form unterstützter Bewertung. Die Genauigkeitslücke zwischen KI- und menschlichen Bewertern bei Kurzformarbeiten hat sich zwischen 2022 und 2025 dramatisch verringert, und bei routinemäßigen MINT-Aufgabensätzen liegt sie nun innerhalb des statistischen Rauschens der menschlichen Benotungsgenauigkeit. [Behauptung]

Es gibt jedoch einen spezifischen Fehlermodus, den Universitäten noch lernen zu managen. KI-Bewerter belohnen systematisch _Form_ (klare Struktur, korrekte Grammatik, erwartete Argumentationsmuster) gegenüber _Inhalt_ (echte Einsicht, unerwartete Argumentation, originelle Interpretation). Ein Student, der eine brillante, aber unkonventionelle Analyse schreibt, kann von einem KI-Bewerter niedriger bewertet werden als ein Student, der eine gut strukturierte, aber mittelmäßige schreibt. Die verbleibende menschliche Lehrassistenten-Rolle bei der Aufsatzbewertung geht zunehmend darum, genau diese falschen Negativbefunde zu erkennen. [Behauptung]

Sprechstunden und Nachhilfe halten steht vor 68 % Automatisierung. [Fakt] KI-Tutoring-Systeme werden zunehmend ausgefeilter. Plattformen können personalisierte Erklärungen liefern, Übungsaufgaben durcharbeiten und sich an individuelle Lernmuster der Studenten anpassen. Aber Studenten kommen oft nicht nur wegen inhaltlicher Hilfe zu Sprechstunden — sie kommen für Ermutigung, Mentoring und die menschliche Verbindung, die ihnen durch ein schwieriges Semester hilft.

Das Substitutionsmuster hier ist nuancierter, als die rohen 68 % suggerieren. KI-Tutoren sind ausgezeichnet im „Ich verstehe dieses Konzept nicht, bitte erkläre es nochmals anders"-Anwendungsfall, der wahrscheinlich 40–50 Prozent des Sprechstundenverkehrs in technischen Kursen ausmacht. Sie sind mittelmäßig beim „Ich stecke bei dieser spezifischen Hausaufgabe fest und weiß nicht, wo ich falsch lag"-Anwendungsfall, der diagnostische Überlegungen zu einem bestimmten Fehler des Studenten erfordert. Und sie sind im Wesentlichen nutzlos beim „Ich ertrinke und erwäge, das Studium zu wechseln"-Anwendungsfall, dem Sprechstundengespräch, das das langfristige Ergebnis eines Studenten am meisten bestimmt. [Behauptung]

Diskussionssektionen und Laborstunden leiten liegt bei nur 15 % Automatisierung. [Fakt] Hier bleibt der menschliche Lehrassistent unersetzlich. Echte intellektuelle Debatten zu moderieren, das Raum-lesen zu wissen, wann Studenten verwirrt versus gelangweilt sind, Gruppendynamiken zu managen, praktische Experimente zu beaufsichtigen — all das erfordert physische Präsenz, emotionale Intelligenz und pädagogisches Echtzeiturteilsvermögen.

Die Laboraufsicht insbesondere hat eine institutionelle Haftungsdimension, die Universitäten ernst nehmen. Ein Chemielabor, ein Nassbiologielabor, eine Maschinenwerkstatt, ein Elektroniklabor — alle tragen physische Risiken, die aus rechtlichen Gründen allein einen ausgebildeten menschlichen Aufseher erfordern. Die Tatsache, dass KI diese Funktion nicht zuverlässig ausführen kann, ist einer der strukturellen Gründe, warum die Lehrassistenten-Rolle eine harte Nachfragegrenze hat, unter die sie nicht fallen wird. [Behauptung]

Wie Universitäten sich anpassen

Der kluge Ansatz — und der, der an Fahrt gewinnt — behandelt KI als Kraftmultiplikator für Lehrassistenten statt als Ersatz. [Behauptung] Wenn KI routinemäßige Benotung übernimmt, gewinnen Lehrassistenten Zeit für die hochwertige Arbeit: das Mentoring von schwächeren Studenten, detailliertes Feedback bei komplexen Projekten, die Moderation von Diskussionen, die tatsächlich Lernen erzeugen.

Einige Fachbereiche strukturieren Lehrassistenten-Aufgaben bereits um. Statt einem Lehrassistenten 150 Aufsätze zum Bewerten zuzuweisen, setzen sie KI für die Erstbewertung ein und leiten Lehrassistentenzeit auf mehr Diskussionssektionen, Sprechstunden und Einzelmentoring um. Die Lehrassistentenzahl bleibt gleich — die _Arbeit_ verändert sich.

Mehrere staatliche Flaggschiff-Universitäten — darunter die University of Michigan, Georgia Tech und Arizona State — haben bis 2025 und Anfang 2026 interne Leitlinien veröffentlicht, die KI explizit als Ergänzung zur Lehrassistenten-Arbeit statt als Ersatz positionieren. Diese Leitlinien enthalten typischerweise Klauseln zur Aufrechterhaltung der Lehrassistenten-Anzahl, KI-Schulungen und zum Schutz der Finanzierungspakete für Doktoranden, auch wenn sich der Aufgabenmix verschiebt. Die Stärke dieser Verpflichtungen wird beim nächsten Haushaltsrückgang auf die Probe gestellt, aber die institutionelle Haltung ist derzeit, die Rolle zu erhalten. [Behauptung]

Es gibt einen parallelen Trend an gut ausgestatteten privaten Universitäten (Harvard, Stanford, MIT, Princeton), die in die entgegengesetzte Richtung tendiert haben — KI zu nutzen, um die Arbeitsbelastung pro Lehrassistent zu _erweitern_, während die Anzahl stabil bleibt. Das Ergebnis ist, dass Lehrassistenten an diesen Universitäten mehr Zeit für die qualitativen, kontaktintensiven Arbeiten aufwenden, die KI nicht kann, was ihre Arbeitsstunden nicht tatsächlich reduziert hat, die Arbeit aber bedeutsam intellektuell ansprechender gemacht hat. [Behauptung]

Die doppelte Realität für Doktoranden

Hier ist, was diese Beschäftigung einzigartig macht: Doktoranden-Lehrassistenten sind gleichzeitig Arbeitnehmer, die von KI betroffen sind _und_ Studenten, die für Karrieren ausgebildet werden, die KI umgestalten wird. [Behauptung] Ein Chemie-Lehrassistent, der heute lernt, KI-Benotungswerkzeuge zu nutzen, lernt auch Fähigkeiten, die er als Professor im Jahr 2035 brauchen wird.

Die Gesamtexpositionstrajektorie — 42 % im Jahr 2023, auf 72 % bis 2028 steigend — spiegelt die schnelle KI-Adoption in der Hochschulbildung wider. [Fakt, Schätzung] Aber die Automatisierungs _risiko_-Trajektorie ist moderater: 30 % im Jahr 2023 bis zu einem projizierten 55 % im Jahr 2028. [Fakt, Schätzung] Die Lücke zwischen Exposition und Risiko zeigt uns, dass KI die Rolle transformiert statt eliminiert.

Diese Lücke ist genau das, was die OECD auf wirtschaftsweiter Ebene festgestellt hat. Laut OECD Employment Outlook 2023 verändert KI derzeit Jobs und die für ihre Ausführung erforderlichen Fähigkeiten weit stärker, als sie diese ersetzen, und zu den Berufen, die die OECD als am wenigsten von Automatisierung bedroht identifiziert, gehören bildungsnahe sowie soziale Dienstleistungsrollen — Kategorien, deren menschlicher, relationaler und urteilsintensiver Kern sich stark mit dem überschneidet, was ein Doktoranden-Lehrassistent tatsächlich tut (OECD Employment Outlook 2023). [Fakt] Die Implikation für Lehrassistenten ist, dass steigende Exposition ein Signal ist, sich in Richtung der relationalen und diagnostischen Arbeit zu verlagern, die KI nicht kann, kein Countdown zur Redundanz.

Es gibt eine nicht unerhebliche Untergruppe von Doktoranden-Lehrassistenten — besonders in Geisteswissenschaftsprogrammen, die mit existenziellem Finanzierungsdruck konfrontiert sind — für die das Bild wirklich schlimmer ist als die aggregierten Daten nahelegen. Englisch-, Geschichte-, Philosophie- und Neusprachenabteilungen an kleineren Institutionen kürzen seit Jahren still Lehrassistentenstellen, und die KI-Benotungsfähigkeit gibt Administratoren ein zusätzliches Argument für diese Kürzungen. MINT-Lehrassistenten, besonders in Disziplinen, die mit NIH- und NSF-Stipendien verbunden sind, sitzen in einer sichereren Nische, weil der Finanzierungsstrom größtenteils außerhalb des diskretionären Budgets der Institution liegt. [Behauptung]

Die Finanzierungsfrage

Ein Aspekt des Lehrassistenten-Bildes, der in der KI-Debatte selten erörtert wird: Die Lehrassistenten-Rolle ist teilweise ein _Job_ und teilweise eine _Form der Doktorandenfinanzierung_. Universitäten nutzen Lehrassistenten-Stipendien, um Doktoranden zu unterstützen. Selbst wenn KI morgen vollständig Lehrassistenten-Arbeit ersetzen könnte, müssten die meisten Forschungsuniversitäten Doktoranden ungefähr denselben Geldbetrag zahlen, um ihre Doktorprogramme lebensfähig zu halten. Diese strukturelle Einschränkung — dass die Lehrassistenten-Vergütung teilweise eine institutionelle Verpflichtung gegenüber der Doktorandenausbildung und nicht rein eine Zahlung für Lehrleistungen ist — ist eine der stärksten Kräfte, die die Lehrassistenten-Anzahl stabil halten, auch wenn sich der Aufgabeninhalt verschiebt. [Behauptung]

Die Implikation für Doktoranden: Die Lehrassistenten-Rolle ist sicherer als die Headline-Automatisierungszahlen vermuten lassen, aber der _Inhalt_ der Rolle — und die Fähigkeiten, die sie aufbaut — verändert sich schneller als das Finanzierungsmodell. Ein Lehrassistent im Jahr 2026 sollte erwarten, mehr Zeit für Mentoring, Laboraufsicht und Diskussionsmoderation aufzuwenden als ein Lehrassistent 2018, und weniger Zeit für mechanischen Benotungsdurchsatz. Der berufliche Vorbereitungswert der Rolle hat sich, wenn überhaupt, erhöht. [Behauptung]

Karrieretipps für aktuelle Lehrassistenten

Konzentrieren Sie sich auf die Fähigkeiten, die KI nicht replizieren kann: Diskussionen moderieren, Mentoring, Laboraufsicht und die Art nuanciertem Feedback bei komplexen Arbeiten zu liefern, die tiefe fachliche Expertise erfordert. Lernen Sie, KI-Benotungs- und Tutoringwerkzeuge zu nutzen — sie werden innerhalb von fünf Jahren Standardausrüstung in der Akademie sein. Die Lehrassistenten, die gedeihen, werden diejenigen sein, die KI nutzen, um ihre Unterrichtsauswirkung zu verstärken, nicht diejenigen, die versuchen, mit KI bei mechanischer Benotung zu konkurrieren.

Für Lehrassistenten, die akademische Karrieren anstreben: Die pädagogischen Fähigkeiten, die Sie jetzt in einer KI-ergänzten Lehrumgebung aufbauen, sind genau die Fähigkeiten, nach denen Einstellungskommissionen suchen werden, wenn Sie auf den Markt kommen. Fakultätssuchen ab 2030 werden ausdrücklich bewertet, ob Kandidaten effektiv _neben_ KI-Werkzeugen unterrichten können, nicht in Gegnerschaft dazu. Das ist ein Abschluss, den Sie gerade jetzt aufbauen können. [Behauptung]

Für Lehrassistenten, die die Akademie verlassen planen: Die Fähigkeiten, die Sie aufbauen — komplexes Material erklären, Bewertungen gestalten, Lernen im Maßstab verwalten, neben KI-Werkzeugen arbeiten — entsprechen direkt Rollen in der Unternehmensschulung, dem Instruktionsdesign, dem EdTech-Produktmanagement und der KI-Ausrichtungsforschung, allesamt wachsende Arbeitsmärkte. Die Lehrassistenten-Erfahrung ist im Jahr 2026 übertragbarer als je zuvor. [Behauptung]

Die versteckte Variable: Disziplinspezifische Trajektorien

Die aggregierte Zahl von 42 % Automatisierungsrisiko verbirgt sehr unterschiedliche Realitäten über Disziplinen hinweg. MINT-Lehrassistenten (besonders in Informatik, Ingenieurwesen, Statistik und Laborwissenschaften) haben die höchste Arbeitsplatzsicherheit, weil Laboraufsicht und Aufgabensatz-Diagnose menschliche Präsenz erfordern. Quantitative Sozialwissenschaften (Wirtschaftswissenschaften, quantitative Politikwissenschaft, Soziologie) befinden sich in der Mitte — automatisierte Benotung dringt in Aufgabensätze vor, aber die Diskussionssektionen-Moderation bleibt menschlich. Geisteswissenschaften (Englisch, Philosophie, Geschichte, Neusprachen) stehen vor dem stärksten Druck, weil Aufsatz-Bewertung genau der Bereich ist, in dem KI-Benotung am schnellsten verbessert wurde, und diese Abteilungen sind seit Jahren unabhängig von KI unter Budgetdruck. Kunst- und Leistungs-Lehrassistenten sind im Wesentlichen geschützt — Studiowerk-Kritik und Leistungscoaching sind nicht automatisierbar. Fachhochschul-Lehrassistenten (Jura, Medizin, Betriebswirtschaft) nehmen eine separate Kategorie ein, in der die Arbeit sehr unterschiedlich strukturiert ist und die KI-Expositionskurve nicht dem breiteren akademischen Muster folgt. [Behauptung]

Ein Doktorand, der 2026 abwägt, ob er einen Lehrassistenten-fähigen Weg einschlagen soll, sollte den Fachdisziplin-Mix in seine Planung einbeziehen. Dasselbe Doktorprogramm wird Lehrassistenten mit materiell unterschiedlichen Karriereentwicklungserfahrungen produzieren, je nachdem, welche Kurse sie betreuen. [Behauptung]

Der internationale Vergleich

Ein nützlicher internationaler Vergleich: Das Vereinigte Königreich, wo Lehrassistenten-Arbeit sehr unterschiedlich strukturiert ist (vertraglich definierter, mit expliziten Lehrlasten und an Forschungsstipendien gebundenen Lohnskalen), hat eine langsamere KI-Adoption bei der Benotung von Studierenden gesehen. Australische Universitäten haben schneller als US-Kollegen bei der Pilotierung von KI-Benotungswerkzeugen gehandelt. Kanadische Universitäten waren am explizitesten, die Lehrassistenten-Anzahl als Verpflichtung zur Doktorandenfinanzierung zu erhalten. Die Variation zeigt uns, dass die Trajektorie der Rolle eher institutionell als technologisch ist — Universitäten können wählen, KI zu nutzen, um die Lehrkapazität zu erweitern statt zu schrumpfen, und die Institutionen, die diese Wahl öffentlich getroffen haben, sehen keine Erosion der Lehrassistenten-Anzahl. [Behauptung]

Die Implikation für Doktoranden, die internationale akademische Mobilität erwägen, ist real: Wo Sie Ihre Ausbildung absolvieren, prägt die KI-ergänzte Lehrerfahrung, die Sie haben werden, was wiederum die Qualifikationen prägt, die Sie auf den akademischen Arbeitsmarkt bringen oder aus ihm mitbringen. [Behauptung]

Detaillierte Doktoranden-Lehrassistenten-Daten und -Trends ansehen

Quellen

• Anthropic. (2026). The Macroeconomic Impact of Artificial Intelligence on Labor Markets. Anthropic Research.
• U.S. Bureau of Labor Statistics. Postsecondary Teachers: Occupational Outlook Handbook (2025).
• OECD. Employment Outlook 2023: Artificial Intelligence and the Labour Market.

Aktualisierungsverlauf

• 2026-04-04: Erstveröffentlichung basierend auf Anthropic Labour Market Report (2026) und BLS-Berufsaussichten 2024–2034.
• 2026-05-18: Erweitert um Diskussion zu KI-Benotungs-Falschnegativ-Befunden, institutionelle Reaktionsbeispiele (Michigan/Georgia Tech/ASU/Ivy+), Finanzierungsmodell-Kontext und Geistes- vs. MINT-Disparität.

---

_KI-gestützte Analyse auf Basis von Anthropic-Arbeitsmarktforschung, BLS-Beschäftigungsprognosen und O\*NET-Berufsdaten._