Drei Minuten.
Keine Metapher, keine Floskel. Drei reale, messbare Minuten, jene, die vergehen, während im Hörsaal jemand hustet, jemand mitschreibt, jemand auf die Uhr schaut.
In einem Seminar zu generativer KI im Unternehmen, an der Universität, öffnete ich Claude Cowork und gab ihm drei CSV-Dateien mit E-Commerce-Daten und ein Briefing von wenigen Zeilen. Verkäufe, Kunden, Marketing. Dann fragte ich nach etwas sehr „Kurs-typischem“: Segmentierung, KPIs, ROAS pro Kanal, Diagramme und einen strategischen Bericht mit Budgetempfehlungen.
In drei Minuten machte die KI die Analyse, baute eine RFM-Segmentierung, berechnete den Return on Ad Spend, lieferte interaktive Visualisierungen und schrieb einen Bericht, der auf den ersten Blick vollständig wirkte.
Nicht perfekt, nein. Nicht reif für ein Vorstandsmeeting ohne ernsthafte Überarbeitung. Aber genau die Art Liefergegenstand, die oft als Abschlussprojekt verlangt wird. Was ein Universitätskurs für ein Jahr plant.
Ich schreibe das nicht, um Studierende oder Lehrende kleinzumachen. Ich schreibe es, weil mich diese Szene gezwungen hat, etwas anzusehen, das ich, ehrlich gesagt, lieber nicht sehen würde: die stille Divergenz zwischen der Geschwindigkeit der Technologie und der Geschwindigkeit der Institutionen.
Zwei Uhren, die unterschiedliche Zeit anzeigen
Die Universität ist auf langsame Bewegung ausgelegt. Und das ist nicht zwingend ein Mangel, im Gegenteil. So sichert sie Qualität: Kommissionen, Akkreditierungen, Gremien, Begutachtungen, Konsens. Es liegt fast in der DNA dieser Institutionen, nicht zu rennen.
Das Problem: Draußen rennt die Welt nicht nur — sie wechselt alle zwei Kilometer die Schuhe.
Ein Curriculum braucht oft 12 bis 24 Monate, um entworfen, genehmigt und umgesetzt zu werden. Lehrveranstaltungen werden weit im Voraus geplant. Lehrbücher haben lange Verlagszyklen, und auch wenn sie hervorragend sind, kommen sie in einer Welt an, die sich inzwischen verschoben hat.
Innovation hingegen denkt in Releases. AI-Coding-Tools gehen in wenigen Monaten von „Kuriosität“ zum Industriestandard. KI-Agenten erledigen Arbeiten, die früher Wochen dauerten. Von Hochschulabsolventen gegründete Startups erreichen riesige Bewertungen in Zeiträumen, die nicht mehr nach den alten Industriezyklen aussehen.
So sitzen zwei Uhren im selben Raum.
Die eine taktet Semester und Studienpläne.
Die andere Deploys, Updates, neue Modelle, neue Oberflächen.
Der Abstand zwischen beiden ist nicht nur organisatorisch. Er wird kulturell.
Die Halbwertszeit der Kompetenzen: von Jahrzehnten zu Monaten
Es gibt einen Begriff, der in Diskussionen über Arbeit und Technologie immer wiederkehrt: die Half-life der Kompetenzen. Die Zeit, nach der die Hälfte des Gelernten obsolet oder kaum noch relevant ist.
Vor vierzig Jahren konnte das ein Jahrzehnt sein. Heute spricht man bei vielen technischen Kompetenzen von etwa 2,5 Jahren.
Und man muss sich nicht einmal fragen, ob 2,5 Jahre nicht eine geologische Ära sind, wenn von KI und Softwareentwicklung die Rede ist. KI-Programmierassistenten gingen in kürzester Zeit vom Experiment zur flächendeckenden Präsenz. Wer 2022 programmieren lernte, ohne AI-Coding-Tools anzufassen, arbeitet heute mit einem Werkzeugkasten, dem ein Stück fehlt.
Globale Schätzungen liefern noch klarere Zahlen: Bis 2030 werden sich 39 % der vom Markt geforderten Schlüsselkompetenzen verändern. Und 59 % der globalen Arbeitskräfte werden Reskilling oder Upskilling brauchen.
Nun nimm ein Bachelor-Studium: drei Jahre. Plus Master: zwei weitere. Fünf Jahre.
Im selben Zeitraum, in dem ein Studierender den Weg abschließt, hat sich ein riesiger Teil dessen, was der Markt als „Schlüssel“ bezeichnet, verändert.
Hier hört die Frage auf, theoretisch zu sein. Sie wird fast intim: Was versprechen wir den jungen Menschen, die sich an der Universität einschreiben?
Der Eintritt in die Arbeit ist eine Mauer, keine Tür
Wäre es nur eine inhaltliche Verschiebung, könnte man in Ruhe darüber sprechen. Das Problem ist: Die Zahlen zum Entry-Level erzählen eine härtere Geschichte.
In den letzten Jahren sind Entry-Level-Einstellungen in vielen großen Tech-Konzernen drastisch gefallen. Auf mehreren Märkten ist von erheblichen Rückgängen die Rede; in Europa sind 2024 viele Tech-Stellen für Berufseinsteigerinnen deutlich zurückgegangen, mit nicht eben rosigen Aussichten.
Dann gibt es die offen als „durch KI ermöglicht“ deklarierten Streichungen. Konzerne, die Corporate-Rollen reduzieren, weil die KI schlankere Strukturen erlaubt. Manche haben öffentlich gesagt, dass die KI inzwischen einen großen Teil der Arbeit übernimmt.
Während das passiert, wächst bei jungen Menschen ein Gefühl, das man auch ohne Umfragen wahrnimmt: dass der Markt geschlossener, selektiver, schwerer zu durchqueren geworden ist.
Fast die Hälfte der jungen Arbeitssuchenden glaubt, die KI habe den Wert ihres Studiums gemindert.
Keine Science-Fiction. Gegenwart. Und wenn die Gegenwart an die Tür klopft, kann man das Gespräch nicht mehr verschieben.
Das Entry-Level-Paradox: wenn die KI die erste Sprosse frisst
Es gibt ein Detail, das alles heimtückischer macht.
Der implizite Pakt des Entry-Level lautete jahrelang: Du machst repetitive Arbeit, du beißt dich durch, du lernst. Dafür bekommst du Mentoring, Kontext, Wachstum.
Aber genau diese repetitive Arbeit absorbiert die KI am besten.
Damit verschwindet die erste Sprosse der Leiter.
Das beunruhigt mich am meisten, weil es ein Problem der „Übertragung“ von Kompetenzen ist. Wenn ihr heute keine Juniors einstellt, wer wird morgen Senior? Jemand hat diese Wahl als „Saatgut essen“ beschrieben. Du sparst jetzt, zahlst später — mit Zinsen.
Inzwischen droht der Universität ein Teufelskreis: Sie bildet Menschen für Entry-Level-Rollen aus, die schrumpfen, mit Curricula, die alt werden können, bevor sie voll laufen.
Der Absolvent von 2026 verlässt die Hochschule durchschnittlich mit Wissen aus 2023, weil das Curriculum damals gedacht wurde — für einen Markt, der seither zwei oder drei Revolutionen hinter sich hat.
Drei Minuten vs. ein Jahr, und was ich in den Augen der Studierenden gesehen habe
Ich kehre zu jener Demo zurück, weil dort, mehr als in den Diagrammen, der emotionale Teil lag.
Das Briefing waren wenige Zeilen. Drei CSVs. Null Konfiguration.
In drei Minuten produzierte die KI aggregierte Metriken, Segmentierung, ROAS, Visualisierungen, Empfehlungen.
Ich wiederhole: nicht perfekt. Aber gut genug, um eine stille Frage auszulösen.
Und die Frage stand in den Augen.
Ich sah keine Panik. Ich sah Konzentration. Diese Form von Aufmerksamkeit, die eintritt, wenn man begreift, dass sich der Boden unter den Füßen wirklich bewegt.
Ich weiß nicht, warum, aber das gab mir Hoffnung. Vielleicht weil ich den Eindruck hatte, dass die Studierenden nicht so taten als ob. Sie schauten hin.
Und vielleicht beginnt es genau dort: nicht mehr so zu tun als ob.
Denn die Botschaft war am Ende klar. Das „Was“ man lernt, wird weniger wichtig als das „Wie“ man lernt zu lernen.
Italien: guter Wille, geologische Zeitskalen
In Italien stehen wir nicht still. Das wäre unfair.
In den letzten Jahren ist das Bildungsangebot zu KI gewachsen, mit neuen Studiengängen, Master-Programmen, Verbindungen mit anderen Disziplinen, Weiterbildung in spezifischen Feldern. Es gibt nationale Strategien, Universitäts-Industrie-Kooperationen, E-Learning-Plattformen.
Wichtige Schritte.
Aber es gibt ein großes „Aber“: Sie bewegen sich auf institutioneller Geschwindigkeit. Ausschreibungen, Kommissionen, kollegiale Gremien. Draußen läuft es derweil auf Deployment-Geschwindigkeit.
Wenn ein Kurs nach Jahren (oder auch nur Monaten) Verfahren aktiviert wird, riskieren die gelehrten Werkzeuge, sich schon zweimal verändert zu haben. Nicht weil der Kurs schlecht ist. Weil die Zeit zum Gegner geworden ist.
Hier tut die Divergenz mehr weh, weil es nicht um Inkompetenz geht. Es geht um Architektur.
Universitäten sichern Qualität durch Langsamkeit.
Technologie sichert Relevanz durch Geschwindigkeit.
Jahrelang sind diese beiden Logiken nebeneinander hergegangen. Jetzt beginnen sie zu kollidieren.
Was wir lehren und was wir vielleicht lehren sollten
Die in den nächsten Jahren am schnellsten wachsenden Kompetenzen sind eine seltsame, schöne Mischung. Auf der einen Seite KI und Big Data, Cybersecurity, technologische Literacy. Auf der anderen kreatives Denken, Resilienz, Flexibilität, Neugier, lebenslanges Lernen, Führung.
Technisch und zutiefst menschlich zugleich.
Und ich frage mich, ob nicht genau das der Punkt ist.
Es reicht nicht, ein Werkzeug zu lehren. Man muss lehren, zu denken, sich anzupassen, zu kommunizieren, unter Unsicherheit zu entscheiden. Denn Werkzeuge ändern sich. Und sie ändern sich schnell.
Es gibt auch ein Phänomen, das wir meines Erachtens falsch lesen: die diffuse Abhängigkeit der Studierenden von der KI.
Wir nennen sie oft Faulheit. Manchmal ist sie das, klar. Aber manchmal ist sie ein Signal. Studierende spüren, wenn sie Energie in Kompetenzen investieren sollen, die irrelevant oder schon überholt wirken. Und sie suchen Abkürzungen, weil sich für sie das Spiel nicht lohnt.
Universitäten (oder Schulen), die mit KI-Verboten antworten, führen einen verlorenen Krieg.
Jene, die sie oberflächlich integrieren, riskieren etwas anderes: die Nutzung zu normalisieren, ohne das Ziel wirklich zu ändern.
Vielleicht braucht es ein radikaleres Umdenken dessen, was 2026 „Kompetenz“ bedeutet.
Das Ende des statischen Curriculums
Ich maße mir keine endgültigen Lösungen an. Je länger ich darüber nachdenke, desto mehr scheint mir das Problem voller realer Kompromisse.
Aber einige Richtungen zeichnen sich ab.
Die erste: Modularität. Die Idee des monolithischen, mehrjährigen Curriculums verlassen und auf kurze, aktualisierbare, kombinierbare Module setzen. Microcredentials, die jedes Semester aktualisiert werden. Das ist keine „moderne“ Laune. Es ist eine Art, Bildung an eine Welt anzugleichen, die nicht wartet.
Die zweite: reale Probleme hereinbringen, keine Übungen. Der Unterschied ist einfach: Eine Übung hat eine bekannte Lösung, ein reales Problem nicht. Die KI ist in bekannten Lösungen brillant, und genau deshalb macht sie viele traditionelle Projekte obsolet. Was schwierig bleibt: die richtige Frage zu wählen, mit Mehrdeutigkeit umzugehen, mit Stakeholdern zu verhandeln, zu erkennen, wann ein Datum „korrekt“, aber kontextlos ist.
Die dritte: KI als Umgebung behandeln, nicht als Fach. Kein isolierter Kurs, sondern eine querliegende Präsenz, so wie der Taschenrechner die Mathematik nicht getötet hat, aber verändert hat, was es heißt, sie „zu können“. Die KI wird die Bildung wahrscheinlich nicht töten, aber sie wird verändern, was Kompetenz heißt.
Dann gibt es operative Kooperationen mit Unternehmen. Keine Partnerschaften, die in drei Jahren ein Paper produzieren, sondern gemeinsame Arbeit an echten Problemen, mit denselben Werkzeugen, im selben Zeitfenster. Komplex, ich weiß. Aber einer der wenigen Wege, Zeit zurückzugewinnen.
Schließlich: Lernen lehren. Klingt nach Plakat-Spruch, aber heute ist das fast das einzig wirklich Zukunftsfeste — und das hat die Universität in den letzten dreißig Jahren vielleicht verloren. Metakognition, kritisches Denken, die Fähigkeit, neue Werkzeuge zu bewerten und einzubetten, ohne von ihnen abhängig zu werden.
Die wahre Gefahr ist nicht die KI, sondern die Bedeutungslosigkeit
Wird die Akademie als zu langsam, zu teuer, aus der Zeit gefallen wahrgenommen, droht, dass Menschen sie umgehen. Nicht aus Bosheit, aus Notwendigkeit.
Hier kommt die unangenehmste Frage, die viele Studierende sich vermutlich schon stellen.
Wenn du entdeckst, dass du in drei Minuten mit einem KI-Assistenten bekommst, was dein Kurs dir in einem Jahr beigebracht hat, denkst du nicht „toll, ich habe solide Grundlagen“. Du denkst: Warum habe ich drei Jahre meines Lebens und tausende Euro investiert?
Eine Antwort gibt es, und sogar eine gute.
Der Wert der Universität sollte nicht in der Vermittlung punktueller Kompetenzen liegen. Er sollte in einem mentalen Rahmen liegen, im kritischen Denken, in der Fähigkeit zu argumentieren, im Beziehungsnetz, in der Begegnung mit verschiedenen Disziplinen, in persönlicher Reifung.
Aber wenn das Curriculum so gebaut ist, als sei der Hauptwert „ein Dashboard zu bauen lernen“, klingt diese Antwort hohl. Und das auszusprechen tut weh, denn hinter vielen Kursen steckt echte Hingabe.
Die Dringlichkeit zu handeln, ohne Panik
Heute investiert die Welt im Verhältnis sehr wenig in lebenslanges Lernen Erwachsener. Diese Investition zu erhöhen, könnte bis 2030 enormen Wert schaffen.
Es ist nicht nur ein Bildungsproblem. Es ist wirtschaftlich. Sozial.
Universitäten haben einen Vorteil, den keine KI-Plattform hat: Sie können kritisch denken lehren, tief zusammenarbeiten, ethische Mehrdeutigkeit navigieren.
Aber nur, wenn sie aufhören, auf jenem Feld zu konkurrieren, auf dem die KI gewinnt — Informationsweitergabe und Ausführung strukturierter Aufgaben — und sich auf das konzentrieren, was sie unersetzlich macht.
Die Zeit dafür ist nicht „in den nächsten Jahren“. Sie ist jetzt.
Jedes Semester mit unverändertem Curriculum ist ein Semester von Studierenden, die schlechter vorbereitet hinausgehen, als sie es sein könnten.
Die Geschwindigkeit der KI wird nicht warten, bis Lehrkommissionen tagen.
Diese Drei-Minuten-Demo war keine Provokation. Sie war ein Spiegel.
Und was mich am meisten getroffen hat, war nicht die Geschwindigkeit der KI. Es war die Langsamkeit alles Übrigen.
Was du mitnimmst
Die Halbwertszeit technischer Kompetenzen liegt unter der Dauer eines Masters.
Wenn die KI die Entry-Level-Arbeit frisst, verschwindet auch der Kanal, durch den die Seniors von morgen entstehen.
Die Universität bleibt nur dann unersetzlich, wenn sie aufhört, auf jenem Feld zu konkurrieren, auf dem die KI gewinnt.
Fragen & Antworten
Was heißt es, dass ein KI-Agent in drei Minuten ein universitäres Jahresprojekt repliziert?
Dass ein großer Teil dessen, was ein Informatikkurs als didaktisches Projekt nutzt (eine Datenstruktur, ein kleines Framework, ein Tool zu implementieren), heute von einem Agenten in Minuten produziert werden kann. Das entwertet das Lernen nicht — aber es zwingt zu fragen, was die Universität wirklich lehrt. Wenn der Wert die Praxis des Codeschreibens war, hat sich diese Praxis entmaterialisiert.
Ist die Universität dann irrelevant?
Nein, aber sie muss sich entscheiden. Sie bleibt zentral, wenn sie den Fokus von Produkten (Code, Tools) auf Prozesse verschiebt (wie man über ein Problem nachdenkt, wie man ein System entwirft, wie man eine Alternative bewertet). Sie wird irrelevant, wenn sie weiter als Jahresaufgabe gibt, was ein Agent in einem Nachmittag produziert — der Studierende lernt es zu verbergen, nicht zu verstehen.
Wie sollten Studienpläne sich ändern?
Verstehen prüfen, nicht das Endprodukt. Mündliche Prüfungen zur Erklärung des (generierten oder eigenen) Codes, Projekte mit Bedingungen, die die KI nicht allein lösen kann (Nischendomänen, proprietäre Daten, begründete Trade-offs), weniger produktive Aufgaben zugunsten von Design-, Kritik- und Debug-Übungen. Die nach der KI wirksame Universität ist vertikal anspruchsvoller, nicht nachgiebiger.
Was kann ein Student heute tun, um nicht von der Transformation erdrückt zu werden?
Die KI nutzen, das offen sagen und die freigesetzte Zeit ins Verstehen investieren. Der Absolvent, der so tut, als nutze er keine Agenten, weil es verboten sei, und der, der sie als Abkürzung ohne Verständnis nutzt, enden gleich — mit einem Stück Papier und null Kompetenz. Wer dagegen Agenten nutzt, um den mechanischen Teil zu beschleunigen, und die Zeit ins Befragen der Ergebnisse steckt, kommt mit einer seltenen, sehr gefragten Kombination heraus.
Der Autor
