Der Kern dieser Arbeit ist die Doppelrolle aus Lehren und Forschen: Wissen weitergeben und gleichzeitig selbst Neues schaffen. Vorlesungen vorbereiten, Studierende zu eigenständigem Denken anregen und parallel eigene wissenschaftliche Arbeiten verfassen – beides läuft nebeneinander her.
Zwischen Hörsaal und Schreibtisch: Universitäts- und Hochschullehrer bereiten Vorlesungen vor, forschen in ihrem Fachgebiet und leiten Studierende bei eigenen wissenschaftlichen Arbeiten an.
Universitäts- und Hochschullehrer bereiten Vorlesungen vor und halten sie und führen Tutorien in einem oder mehreren Fächern im Rahmen eines vorgeschriebenen Studiengangs an einer Universität oder einer anderen Hochschule durch. Sie betreiben Forschung und verfassen wissenschaftliche Aufsätze und Bücher. Zu den Aufgaben gehören - (a) Gestaltung und Anpassung von Lehrplänen sowie Vorbereitung von Studiengängen entsprechend den Anforderungen; (b) Vorbereitung und Halten von Vorlesungen sowie Durchführung von Tutorien, Seminaren und Laborversuchen; (c) Anregung von Diskussionen und eigenständigem Denken bei den Studierenden; (d) gegebenenfalls Beaufsichtigung experimenteller und praktischer Arbeiten der Studierenden; (e) Verwaltung, Bewertung und Korrektur von Prüfungsarbeiten und Tests; (f) Anleitung der Forschung von Doktoranden oder anderen Mitgliedern der Fakultät; (g) Erforschung und Entwicklung von Konzepten, Theorien und Arbeitsmethoden zur Anwendung in der Industrie und anderen Bereichen; (h) Verfassen wissenschaftlicher Bücher, Aufsätze oder Artikel; (i) Teilnahme an Fachbereichs- und Fakultätssitzungen sowie an Konferenzen und Seminaren. Beispiele für die hier eingeordneten Berufe: - Hochschuldozent - Professor - Universitätsdozent - Universitätstutor Einige verwandte, anderswo eingeordnete Berufe: - Universitätskanzler - 1120 - Dekan (Universität)-1345 - Leiter einer Hochschulfakultät - 1345 - Lehrkraft im Bereich Berufsbildung - 2320
Dozent · Dozentin · Hochschulassistent · Hochschulassistentin · Hochschullehrer · Hochschullehrerin · Hochschullehrkraft · Mentor/in für Soziale Arbeit · Praxisanleiter Sozialarbeit · Praxisanleiter Sozialarbeit/Praxisanleiterin Sozialarbeit · PraxisanleiterIn für den Bereich Soziale Arbeit · Praxisanleiterin Sozialarbeit · +27 weitere
Quelle: ESCO (European Skills, Competences, Qualifications and Occupations) — untergeordnete Occupations der ISCO-08-Gruppe 2310.
Lehre und Leistungsbewertung bleiben gering betroffen — doch das Berichteschreiben und die stärker formal-modellierende Methodenarbeit gehören zu den Teilen, die sich bereits verschieben.
Universitäts- und Hochschullehrer liegt im mittleren Bereich — von Fahrzeugreiniger · am wenigsten bis Datenerfasser · am stärksten betroffen.
| Eigene Auswertung | ILO-Einstufung | In der Berufsgruppe |
|---|---|---|
| oberes Mittelfeld von 411 Berufen | nur am Rand von generativer KI berührt | Von 12 verglichenen Berufen sind 9 weniger betroffen als dieser. Gruppe: Lehrkräfte |
Ähnlich eingeordnet: Architekten · Landschaftsarchitekten · Regisseure und Produzenten für Film und Bühne
Die eigentlichen Kernaufgaben — unterrichten und Leistungen bewerten — sind in den Daten nicht einzeln erfasst, und die Aussage zur Lehre stützt sich nur auf eine einzige Quelle. Vor allem der Teil, der an die persönliche Präsenz gebunden ist — Lehre und Betreuung im direkten Kontakt — taucht in keiner der Untersuchungen auf. Nach heutigem Stand lässt sich hier also wenig Belastbares sagen; gerade der direkte Austausch mit Studierenden bleibt die offene Frage.
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
Lehren, Kurse planen und Leistungen bewerten zählen für Hochschullehrende zu den gering betroffenen Tätigkeiten — anders als in der schulischen Lehre streut die Messung hier allerdings breiter, einzelne Teilaufgaben sind also durchaus berührt. Am klarsten belegt ist die schriftliche Seite der Arbeit: In einem kontrollierten Versuch mit 444 Teilnehmenden fiel der Zeitanteil für den ersten Entwurf von rund der Hälfte auf unter ein Viertel, während das Überarbeiten von einem Viertel auf über die Hälfte stieg — schneller und in besserer Qualität. Auch die formal-modellierende Seite der Methodenarbeit liegt höher als der unterrichtende Kern, ohne die Werte der reinen Rechen- und Statistikberufe zu erreichen. Ob KI die eigentliche Theorie- und Hypothesenbildung verschiebt, hat bislang keine Untersuchung gemessen.
Das Einarbeiten und Verwalten verschiebt sich, das Führen selbst bleibt menschlich.
Die administrative Seite der Personalarbeit gehört zu den am stärksten betroffenen Bürotätigkeiten, und beim Einarbeiten zeigt sich das konkret: Mit KI-Unterstützung sind neue Mitarbeitende schon nach zwei Monaten so weit wie sonst erst nach einem halben Jahr, und deutlich weniger von ihnen kündigen früh. Das Führen selbst — das Urteilen über Menschen und das Entscheiden in offenen Situationen — wird dagegen kaum an KI abgegeben und bleibt menschliche Aufgabe.
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.
Beim Entwickeln von Modellen und Methoden übernimmt KI zunehmend die strukturiert-analytischen Anteile, das Durchdenken und Verantworten bleibt.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
Das Entwickeln von Modellen, Theorien und Methoden gehört zu den Tätigkeiten, bei denen sich viel bewegt: Ein erheblicher Teil der Aufgaben ist durchgängig KI-nah, und Fachleute haben gerade die strukturiert-analytischen, daten- und kommunikationsbezogenen Anteile nach oben korrigiert — nicht nur Routinearbeit, sondern spezialisierte fachliche Aufgaben. Betroffenheit heißt dabei aber nicht Ersetzung: Ein großer Teil der heutigen Arbeit lässt sich mit KI erledigen, während dieselben Tätigkeiten sich zugleich weiterentwickeln und neue Aufgaben hervorbringen können.
Das Formulieren und Dokumentieren lässt sich unterstützen, das Beurteilen des Lernfortschritts bleibt beim Menschen.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
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.
Das individuelle Begleiten von Lernenden bleibt menschlich, auch wenn die Dokumentation drumherum leichter wird.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
Lernende einzeln zu unterstützen lebt vom unmittelbaren Kontakt — davon, den Fortschritt eines Menschen zu beobachten, einzuordnen und darauf einzugehen. Genau das bewerten die Untersuchungen als weiterhin auf menschliche Einschätzung angewiesen: KI kann bei Vorlagen, Formatierung und dem Zusammenfassen von Unterlagen helfen und Routinedokumentation abnehmen, doch die Nuancen des individuellen Lernstands lassen sich damit nicht ersetzen. Die tragenden Lehrberufe liegen entsprechend am unteren Ende der Betroffenheit.
Das Organisieren der Aktivitäten bleibt in menschlicher Hand, weil es von Gruppengespür und spontanen Entscheidungen lebt.
Für diesen Beruf einzeln gemessen — nicht aus verwandten Berufen übernommen.
Aktivitäten und Veranstaltungen für Lernende zu organisieren heißt, Gruppendynamik einzuschätzen, im Moment zu entscheiden und Pläne an die Reaktionen der Teilnehmenden anzupassen — genau hier bleibt der menschliche Anteil tragend. KI kann Ideen liefern und thematische Programme vorschlagen, doch das Führen der Gruppe und die Verantwortung für Sicherheit und Beteiligung lassen sich nicht übergeben. Am ehesten greift sie am dokumentarischen Rand, etwa bei Vorlagen und Zusammenfassungen, während der organisierende Kern unberührt bleibt.
Zuletzt geprüft 2026-07-19
Amtliche Bezeichnung nach ISCO-08: Universitäts- und Hochschullehrer · 2310
Gradient 4 4416 Personnel Clerks 0.6 0.09
Establishment-level AI exposure is associated with decreased demand for management skills. On average across countries in the sample demand for management skills declined by under 4 percentage points for a one standard deviation increase in AI exposure (Figure 4.2, Panel A). All countries in the sample are associated with a decline in management skills, and all are statistically significant from zero. Resource management includes human resource management, financial management, among others.
Access to the AI tool helps newer agents move more quickly down the experience curve: treated agents with two months of tenure perform just as well as untreated agents with more than six months of tenure. In contrast, we find minimal impacts on the productivity of more-experienced or more-skilled workers.
Panel A shows that access to AI assistance is associated with the strongest reductions in attrition among newer agents, those with less than 6 months of experience. The magnitude of this coefficient, around 10 percentage points, translates into a 40% decrease relative to a baseline attrition rate in this group of 25%.
Management, at 23% of respondents, is also heavily over-represented relative to its 7% employment share, even though it accounts for only 4% of sessions. This gap is consistent with managers using Claude for tasks other than management itself: in the survey, judgment and management are named by many respondents (especially those with more experience) as capabilities AI lacks.
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 3 captures occupations where a significant portion of tasks are consistently exposed to GenAI, signaling growing automation risks and requiring adaptation strategies for workers (Significant exposure, high task variability). / 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.
some occupations – such as financial analysts, and web and multimedia developers (gradient 4), as well as bank tellers, translators, applications programmers, investment advisers (gradient 3) – have increased their levels of exposure, highlighting the expanding abilities of GenAI technology to potentially automate more specialized tasks in professional and technical roles.
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. / experts highlighted the limitations of generative AI in handling physical and manual components, leading to significantly reduced adjusted scores compared to the survey.
we stress that such exposure does not imply the immediate automation of an entire occupation, but rather the potential for a large share of its current tasks to be performed using this technology. / The scores reflect the high potential of automation among their current tasks, but these occupations also possess a strong capacity to evolve and develop new tasks through innovative application of GenAI and related digital tools.
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
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 Not Exposed 5312 Teachers' Aides 0.24 0.14
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 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.
Organizing thematic activities (recreational, sports, entertainment) for different age groups [Survey 0.16 · Theoriegruppe 0.38 · Finalscore 0.3] 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, especially when catering to varied age groups. Therefore, a score of 0.3 reflects AI's supportive role rather than full automation capability in this task.
Maintaining documentation of classes conducted with children. [Survey 0.16 · Theoriegruppe 0.43 · Finalscore 0.3] 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.
Occupations where most tasks remain relatively unaffected by GenAI, with low task variability and a stable low mean exposure score.
Lehre und Leistungsbewertung sind niedrig, aber nicht mit ruhiger Streuung gemessen, exponiert sind das Berichteschreiben und die formal-modellierende Seite der Methodenarbeit
Für diesen Beruf selbst liegt ein Wert vor: Die ILO führt 2310 University and Higher Education Teachers mit 0,37 und einer Streuung von 0,12 in Minimal Exposure — eine Stufe über der schulischen Lehre (2330 mit 0,30 bei 0,07, 2341 mit 0,26 bei 0,09, beide „Not Exposed“) — und definiert die Kategorie als „low GenAI exposure, where some tasks show moderate automation potential, but overall occupational exposure remains limited“: Einzelne Teilaufgaben sind hier also sehr wohl moderat exponiert, und welche das sind, sagt die Quelle für Planung, Durchführung wie Leistungsbewertung ausdrücklich nicht. Beim Entwickeln von Modellen, Theorien und Methoden fällt derselbe Wert von 0,37 auf, während die formal-modellierenden Berufe deutlich darüber liegen (2120 Mathematiker, Aktuare und Statistiker bei 0,56, 2631 Ökonomen bei 0,55, beide Gradient 3, wo laut ILO „a significant portion of tasks are consistently exposed“); die Expertenrevision hat strukturiert-datengetriebene Aufgaben systematisch heraufgesetzt und physisch-manuelle heruntergesetzt, während die experimentell-laborgebundene Seite (2113 bei 0,39, 2114 bei 0,36) bei Minimal Exposure bleibt — ob GenAI die originäre Theorie- oder Hypothesenbildung verschiebt, misst keine Korpusquelle. Am deutlichsten belegt ist die schriftliche Seite der Rolle: In einem kontrollierten Experiment mit 444 Teilnehmenden fiel der Zeitanteil des Rohentwurfs von rund 50 % auf unter 25 % und das Redigieren stieg von 25 % auf über 50 %, bei 0,8 Standardabweichungen weniger Zeit und 0,4 Standardabweichungen besserer Qualität — gegenläufig senkte die ILO ihre eigenen Werte für diese Aufgaben wieder ab, weil „many of these tasks still require substantial human effort“ —, und im personalführenden Anteil trennt die ILO die administrative Schicht (4416 Personnel Clerks, 0,60, Gradient 4) um 0,24 Punkte von der führenden (1212, 0,36 bei einer Streuung von 0,05).
Weder Unterrichten noch Leistungsbewertung sind im ILO-Task-Anhang als eigene Aufgabe geführt, die Berufswerte gewichten alle Aufgaben gleich (Fußnote 18), und der Befund für die Lehre ruht auf einer einzigen Quelle — der präsenzgebundene Anteil von Lehre und Betreuung ist zudem von keiner der zehn Quellen erfasst.
Bewusst abgesetzt von der belegten KI-Schicht oben: Anwendungsideen, keine quellenbelegten Befunde. Sie inspirieren, sie beweisen nichts.
Diese Seite beschreibt Universitäts- und Hochschullehrer allgemein — mit Tätigkeiten wie „Personal führen, einstellen und schulen“ oder „Sach- und Verwaltungstexte sowie Berichte verfassen“.
Für diesen Beruf liegt die gemessene Betroffenheit im Mittelfeld.
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): Universitäts- und Hochschullehrer — KI-Betroffenheit nach Tätigkeiten. Stand 19.07.2026. https://sapientshift.com/berufe/universitaets-und-hochschullehrer
Maschinenlesbare Fassung dieser Seite: Markdown
Wie diese Aussagen entstehen — Methodik & Evidenzklassen · Datensatz Version 1.0