Der Kern dieser Arbeit ist Übersetzung: aus komplizierter Software wird verständliche Anleitung. Dafür müssen sie selbst am Ball bleiben, was sich an den Werkzeugen ändert, die sie erklären.
Bevor eine neue Software im Betrieb ankommt, sorgen IT-Ausbilder dafür, dass die Menschen dahinter auch wirklich damit klarkommen.
Ausbilder im Bereich Informationstechnologie entwickeln, planen und führen Schulungsprogramme und Kurse für Computer- und andere Informationstechnologie-Nutzer außerhalb der regulären Primar-, Sekundar- und Hochschulbildungssysteme durch. Zu den Aufgaben gehören - (a) Ermittlung des Informationstechnologie-Schulungsbedarfs und der Anforderungen einzelner Nutzer und Organisationen; (b) Vorbereitung und Entwicklung von Unterrichtsmaterialien und Hilfsmitteln wie Handbüchern, visuellen Hilfsmitteln, Online-Tutorials, Demonstrationsmodellen und begleitender Schulungsreferenzdokumentation; (c) Gestaltung, Koordination, Terminierung und Durchführung von Schulungs- und Entwicklungsprogrammen, die in Form von Einzel- und Gruppenunterricht angeboten werden können, sowie Moderation von Workshop-Sitzungen, Demonstrationen und Konferenzen; (d) Überwachung und laufende Bewertung und Beurteilung der Schulungsqualität und -wirksamkeit sowie Überprüfung und Anpassung von Schulungszielen, -methoden und Kursergebnissen; (e) Sammlung, Untersuchung und Recherche von Hintergrundmaterial, um ein umfassendes Verständnis des Fachgebiets und der Systeme zu erlangen; (f) Aktuellhalten in Bezug auf neue Produktversionen, Fortschritte in der Software und allgemeine Informationstechnologie-Trends sowie Verfassen von Endnutzerprodukten und -materialien wie Nutzerschulungen, Tutorials und Bedienungsanleitungen, Online-Hilfe sowie Betriebs- und Wartungsanweisungen. Beispiele für die hier eingeordneten Berufe: - Computertrainer - Softwaretrainer Einige verwandte, anderswo eingeordnete Berufe: - Universitätsdozent - 2310 - Lehrkraft im Bereich Berufsbildung - 2320 - Lehrkraft an einer weiterführenden Schule - 2330 - Lehrkraft im Primarbereich - 2341 - Personalentwicklungsbeauftragter - 2424
IKT-Schulungskraft · IKT-Trainer · IKT-Trainer/IKT-Trainerin · IKT-Trainerin · IT-Trainer · IT-Trainerin · Schulungskraft im Bereich IKT · blended learning trainer · distance-learning trainer · ICT instructor · ICT trainer · ICT trainers · +2 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 2356.
Beim Erstellen von Schulungsmaterial und Texten verschiebt sich die Arbeit vom Entwerfen zum Redigieren — was sich im Unterrichten selbst ändert, ist noch offen.
Ausbilder im Bereich Informationstechnologie liegt nahe am oberen Rand — von Fahrzeugreiniger · am wenigsten bis Datenerfasser · am stärksten betroffen.
| Eigene Auswertung | ILO-Einstufung | In der Berufsgruppe |
|---|---|---|
| oberstes Fünftel von 411 Berufen | im unteren Bereich der von generativer KI berührten Berufe | Von 12 verglichenen Berufen ist keiner stärker betroffen als dieser. Gruppe: Lehrkräfte |
Ähnlich eingeordnet: Archiv- und Museumswissenschaftler · Philosophen, Historiker und Politologen · Sprecher im Rundfunk, Fernsehen und sonstigen Medien
Ein Bereich bleibt offen: das Bewerten von Lernfortschritt und Leistungen. Die Daten erfassen den Beruf nur als Ganzes, und wie sich KI beim Korrigieren, Beurteilen oder Erstellen von Rückmeldungen auswirkt, hat bisher keine Studie untersucht. Zu diesem Teil der Arbeit lässt sich nach heutigem Stand schlicht noch nichts Belastbares sagen.
Eigene Auswertung (SapientShift-Tätigkeitsanalyse) auf Basis der ILO-Einstufung · Quelle der Einstufung: ILO, Generative AI and Jobs (Working Paper 140), 2025 · Stand 2026-07-19 · Methodik
Die Rolle liegt etwas höher als die als unberührt gemessenen Schullehrberufe, aber unter der Schwelle, ab der ein inhaltlicher Befund tragen würde — was sich dort verschiebt, sagt keine Untersuchung, und das ist eine Lücke, keine Entwarnung. Für die schreibenden Anteile — Schulungsunterlagen, Sach- und Berichtstexte — ist dagegen gemessen: Der Rohentwurf fällt von rund der Hälfte der Arbeitszeit auf unter ein Viertel, das Redigieren verdoppelt sich von einem Viertel auf über die Hälfte, bei kürzerer Bearbeitungszeit und etwas höherer Qualität — allerdings in einem kurzen Online-Experiment. Beim Auswerten von Daten verschiebt sich der Schwerpunkt vom Auffinden zum Beurteilen: Software durchsucht die Dashboards ohne Handarbeit, während die Fähigkeit zu analysieren und einzuordnen wichtiger wird.
Das Verfassen der Berichte wird schneller, das Prüfen und Verantworten der Inhalte rückt in den Vordergrund.
Beim Schreiben von Sach- und Verwaltungstexten übernimmt KI zunehmend den ersten Rohentwurf: In kontrollierten Versuchen halbiert sich die Zeit fürs Draften, während das Überarbeiten sich mehr als verdoppelt — Tempo und Qualität steigen dabei zugleich. Diese Bürotätigkeiten gehören zu den am stärksten betroffenen, und in echten Stellenanzeigen sinkt bei KI-nahen Betrieben die Nachfrage nach reinen Schreib- und Verwaltungsfertigkeiten. Was bleibt, ist das Redigieren und das Einstehen für den Inhalt.
Das Unterrichten selbst bleibt menschlich, KI hilft eher bei der Vorbereitung im Hintergrund.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
Das Planen und Durchführen von Unterricht gehört zu den Tätigkeiten, an denen die heutige KI weitgehend vorbeigeht: Der schulische Kern ist durchgängig als kaum betroffen gemessen, mit auffällig geringer Streuung. KI kann bei Vorbereitung und Dokumentation unterstützen — Vorlagen, Zusammenfassungen, Themenideen —, doch das eigentliche Unterrichten lebt von Gruppendynamik, spontanen Entscheidungen und dem Eingehen auf einzelne Lernende und braucht menschliche Aufsicht. In der betrieblichen und der Hochschullehre liegt die Betroffenheit etwas höher, der Schulunterricht selbst bleibt vorerst unberührt.
Das maschinelle Auswerten von Daten übernimmt zunehmend die KI, das Deuten der Ergebnisse wird wichtiger.
Das Analysieren und Deuten von Daten verändert sich spürbar: Das Aufspüren von Trends und Zusammenhängen ist die verbreitetste KI-Anwendung überhaupt und trifft genau die Berufe, die diese Aufgabe ausführen — Werkzeuge durchsuchen Kennzahlen und Datenbanken und fassen Auffälligkeiten in verständlicher Sprache zusammen. Die eigentliche Interpretationskompetenz wird dadurch aber nicht ersetzt, sondern gerade wichtiger; Fachleute berichten, dass Datenauswertung und -deutung an Bedeutung gewinnen. Wie stark sich die Aufgabe verschiebt, hängt davon ab, wie breit sie im jeweiligen Beruf ausgefüllt wird — mal verlagert sie sich nur, mal fällt sie stärker weg.
Das Formulieren und Dokumentieren lässt sich unterstützen, das Beurteilen des Lernfortschritts bleibt beim Menschen.
Das Bewerten von Lernfortschritt und Leistungen gilt als Tätigkeit, die KI unterstützt, aber nicht übernimmt: Vorlagen, Formatierungen und Zusammenfassungen für die Dokumentation lassen sich abnehmen, doch die Einschätzung des individuellen Fortschritts und die Beobachtung einzelner Lernender brauchen weiterhin menschliches Urteil. Über die Schulformen hinweg zeigt sich niedrige Betroffenheit. Etwas höher eingestuft ist allein die betriebliche Weiterbildung — ein Randbefund, der zeigt, dass nicht jedes Lernumfeld gleich berührt ist.
Zuletzt geprüft 2026-07-19
Amtliche Bezeichnung nach ISCO-08: Ausbilder im Bereich Informationstechnologie · 2356
Similar to our 2023 study, clerical occupations exhibit the highest levels of exposure, though with a decline in their mean scores due to a reassessment of certain task-level evaluations […] Among the 13 occupations classified in gradient 4, the majority represent clerical roles, including data entry clerks, typists and word processing operators, accounting and bookkeeping clerks, and general office clerks.
In contrast, occupations involving more cognitive or knowledge-intensive tasks, such as Clerical Support Workers and Professionals, show a much more mixed picture. While some tasks in these groups received lower scores, many others were revised upwards by the expert group, reflecting the greater adaptability of generative AI for structured, data-driven, or communication-focused tasks.
ChatGPT substantially changes the structure of writing tasks. Figure 3 Panel A shows that prior to the treatment, participants spend about 25% of their time brainstorming, 50% writing a rough draft, and 25% editing. Post-treatment, the share of time spent writing a rough draft falls by more than half and the share of time spent editing more than doubles.
Our results show that ChatGPT substantially raises average productivity: time taken decreases by 0.8 SDs and output quality rises by 0.4 SDs. Inequality between workers decreases, as ChatGPT compresses the productivity distribution by benefiting low-ability workers more.
At the establishment level, AI exposure is associated with declining demand for general skills commonly used in office settings. […] Digging further into these categories, the results point to drops in demand for general office skills such word processing and spreadsheet software, basic computer programming skills, as well as administrative and clerical tasks and basic project management skills.
Not Exposed 2330 Secondary Education Teachers 0.3 0.07 Not Exposed 2352 Special Needs Teachers 0.28 0.1 Not Exposed 2341 Primary School Teachers 0.26 0.09
the lowest category of Not Exposed occupations, where GenAI currently has no observable potential to automate tasks. Occupations where most tasks remain relatively unaffected by GenAI, with low task variability and a stable low mean exposure score.
Minimal Exposure 2310 University and Higher Education Teachers 0.37 0.12 Minimal Exposure 2320 Vocational Education Teachers 0.35 0.12 Minimal Exposure 2359 Teaching Professionals Not Elsewhere Classified 0.33 0.1
Gradient 2 2356 Information Technology Trainers 0.47 0.1 Gradient 2 2424 Training and Staff Development Professionals 0.41 0.09 Gradient 1 2351 Education Methods Specialists 0.39 0.11
Generative AI can assist in maintaining documentation by generating templates, formatting, and summarizing information, which supports automation of routine documentation tasks. However, nuances in class content, individual student progress, and teacher observations require human oversight, limiting full automation potential. While generative AI can suggest ideas and develop thematic activities based on input parameters, organizing such activities requires an understanding of group dynamics, spontaneous decision-making, and the ability to adjust plans based on participant interactions and preferences. AI can assist in planning and offering content ideas, but human oversight remains necessary to ensure engagement and safety
Gradient 4 2413 Financial Analysts 0.62 0.06 […] Gradient 3 3314 Statistical, Mathematical and Related Associate Professionals 0.57 0.1 […] Gradient 3 2120 Mathematicians, Actuaries and Statisticians 0.56 0.09 […] Gradient 3 2631 Economists 0.55 0.08 / Above-moderate occupational exposure: even though some tasks remain less exposed, the overall potential of automation of the current tasks with GenAI is growing in these occupations.
SMEs indicate that GenAI has made data analysis and interpretation skills more important, along with other skills (OECD, 2025 [11]). / growing use of algorithmic management tools in the workplace is increasing the need for certain skills, such as those related to general management and analysis (e.g. ability to use or interpret data) (Milanez, Lemmens and Ruggiu, 2025 [34])
The most common cluster across nearly all sectors is 'Business Intelligence Insights,' reflecting the broad applicability of predictive analytics. / Applications in the Business Intelligence Insights category affect a wide range of workers, especially those in Management, Business and Financial, and Computer and Math occupations. / Business-intelligence tools here scan dashboards and databases to find trends and root causes without manual digging. They alert users when a key metric shifts and explain the main drivers by region, channel, or customer type. Natural-language summaries make insights readable for non-analysts.
Management Analysts and Financial Risk Specialists show similar mean exposure to 'Business Intelligence Insights' applications, but exposure is more concentrated for Management Analysts, making them less likely to be displaced according to our model. / 'Operational Data Analytics' affects tasks more narrowly than 'Customer Experience Automation' despite similar mean exposure, leading to very different implications for labor demand.
Technology-related roles are the fastest-growing jobs in percentage terms, including Big Data Specialists, Fintech Engineers, AI and Machine Learning Specialists and Software and Application Developers.
Not Exposed 2341 Primary School Teachers 0.26 0.09 / Not Exposed 2330 Secondary Education Teachers 0.3 0.07 / Not Exposed 2352 Special Needs Teachers 0.28 0.1 / Occupations where most tasks remain relatively unaffect ed by GenAI, with low task variability and a stable low mean exposure score.
Minimal Exposure 2310 University and Higher Education Teachers 0.37 0.12 / Minimal Exposure 2320 Vocational Education Teachers 0.35 0.12 / Minimal Exposure 2359 Teaching Professionals Not Elsewhere Classified 0.33 0.1 / Occupations with low GenAI exposure, where some tasks show moderate automation potential, but overall occupa tional exposure remains limited.
Generative AI can assist in maintaining documentation by gen erating templates, formatting, and summarizing information, which supports automation of routine documentation tasks. However, nuances in class content, individual student pro gress, and teacher observations require human oversight, lim iting full automation potential.
Gradient 2 2424 Training and Staff Development Professionals 0.41 0.09 / Gradient 1 2351 Education Methods Specialists 0.39 0.11
Materialerstellung und Berichtstexte verschieben sich vom Entwerfen zum Redigieren, das Bewerten von Lernständen bleibt ungemessen
Die ILO führt IT-Ausbilder rollenspezifisch mit μ 0,47 bei SD 0,10 in Gradient 2 — damit über den unterrichtenden Schulberufen, die durchweg als „Not Exposed" gemessen sind, aber unterhalb der Schwelle, ab der ein inhaltlicher Veränderungsbefund trüge; was sich dort verschiebt, sagt keine der zehn Korpusquellen, das ist eine Lücke und keine Entwarnung. Für die schreibenden Anteile der Rolle — Schulungsunterlagen, Sach- und Berichtstexte — ist auf Tätigkeitsebene gemessen, dass der Rohentwurf von rund 50 % auf unter 25 % der Arbeitszeit fällt und das Redigieren sich von 25 % auf über 50 % mehr als verdoppelt, bei 0,8 SD kürzerer Bearbeitungszeit und 0,4 SD höherer Qualität, allerdings in einem 20- bis 30-minütigen Online-Experiment mit 444 Personen, und die ILO hat ihre eigenen Automatisierungswerte für solche Aufgaben ausdrücklich nach unten korrigiert. Beim Auswerten von Daten und Ergebnissen verschiebt sich der Schwerpunkt auf Tätigkeitsebene vom Auffinden zum Beurteilen — Business-Intelligence-Anwendungen durchsuchen Dashboards „without manual digging", während die OECD Analyse- und Interpretationsfähigkeit als wichtiger werdend berichtet.
Das Bewerten von Lernfortschritt und Leistungen wird für diese Rolle nicht behandelt — die ILO misst nur den Beruf als Ganzes, und keine Korpusquelle untersucht KI-gestützte Leistungsbeurteilung, Korrektur oder Feedback-Erzeugung.
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Ausbilder im Bereich Informationstechnologie allgemein — mit Tätigkeiten wie „Sach- und Verwaltungstexte sowie Berichte verfassen“ oder „Unterricht und Schulungen planen und durchführen“.
Für diesen Beruf sprechen die Daten für deutliche Veränderung.
Ihre Rolle ist bereits übernommen. Für eine Einschätzung, die zu Ihrer Lage passt, fragen wir noch nach Branche und Berufserfahrung — dieselbe Rolle bedeutet in unterschiedlichen Branchen Unterschiedliches.
SapientShift (2026): Ausbilder im Bereich Informationstechnologie — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/ausbilder-im-bereich-informationstechnologie
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0