Im Fünftel der am stärksten von generativer KI betroffenen Berufe ist die Einstellung von Master-Absolventen nach ChatGPT um rund 10 % gegenüber dem am wenigsten exponierten Fünftel gefallen — und der gesamte Rückgang entfällt auf Kandidaten, die bereits Berufserfahrung hatten. Bei Berufseinsteigern gab es überhaupt keine Veränderung (Cortés, Dellarocas & Wang, SSRN, 2026).
Diese Asymmetrie ist der eigentliche Befund. Und sie ist der Teil, der jeden beunruhigen sollte, der einen Recruiting-Funnel verantwortet: Der Markt hat nicht aufgehört, an Graduiertenabschlüsse zu glauben. Er hat aufgehört, sie heranzuziehen — genau in den Rollen, die Sie automatisieren, und genau bei den Kandidaten, die Sie am häufigsten einstellen.
Das Angebot ist unterdessen weiter gestiegen. US-Universitäten vergaben an den Jahrgang 2025 rund 949.000 Masterabschlüsse, nach 815.000 im Jahr 2018 — Wachstum in jedem einzelnen Jahr, quer durch die Ankunft generativer KI (Dellarocas, The Credential Crisis, 2026). Den Arbeitgebern gingen die qualifizierten Kandidaten nicht aus. Sie begannen, an ihnen vorbeizugehen.
Was die Studie der Boston University tatsächlich gemessen hat
Patricia Cortés, Chrysanthos Dellarocas und Qi Wang haben mehr als 100 Millionen US-Jobwechsel zwischen 2018 und 2025 ausgewertet, auf Basis von Revelio-Labs-Daten, die Beschäftigungsverläufe aus öffentlichen Berufsprofilen rekonstruieren. Das Design ist entscheidend: Es beobachtet, wen Arbeitgeber tatsächlich eingestellt haben, nicht was ihre Stellenanzeigen zu fordern vorgaben (Cortés, Dellarocas & Wang, SSRN, 2026).
Die Berufe wurden anhand des Expositionsindex „GPTs are GPTs" eingeordnet — dem Maß von OpenAI und der University of Pennsylvania, das jeden Beruf danach bewertet, welcher Anteil seiner dokumentierten Aufgaben von einem KI-Assistenten mindestens doppelt so schnell bei gleicher Qualität erledigt werden könnte (Eloundou et al., 2023). Wichtig: Dieser Wert wurde am Tag des Technologieeintritts fixiert, bevor Arbeitgeber Zeit zur Reaktion hatten.
Anschließend verglich das Team das oberste mit dem untersten Expositionsquintil, Jahr für Jahr, in Einstiegspositionen, in denen ein Master eine echte Wahl und keine gesetzliche Voraussetzung ist: Buchhalter, Marktforschungsanalysten, Business-Intelligence-Analysten, juristische Fachkräfte, Redakteure.
Vier Jahre lang, bis 2022, bewegten sich beide Gruppen im Gleichschritt. Dann trennten sich die Linien — zunächst langsam, dann schneller, mit jedem Jahr weiter.
Drei Details schärfen das Bild erheblich.
Der Rückgang konzentriert sich auf Nicht-MINT-Abschlüsse, insbesondere wirtschaftswissenschaftliche Master — jene Programme, die Synthese, Analyse, Prognose und professionelles Schreiben zertifizieren. Die Einstellung von MINT-Master-Absolventen blieb unverändert. Die entwerteten Fähigkeiten sind exakt jene, die ein Sprachmodell kompetent ausführt.
Der Rückgang ist am stärksten in genau den Unternehmen, in denen Census-Daten einen tatsächlichen KI-Einsatz bestätigen. Das ist der beste Mechanismustest, den die Daten hergeben, und er zeigt in die richtige Richtung.
Und es kann kein Angebotsengpass sein, denn das Angebot wuchs in jedem Jahr des Beobachtungsfensters.
Ein Abschluss, zwei Signale — und die KI hat das Bündel aufgebrochen
Die Trennung zwischen Erfahrenen und Einsteigern wirkt seltsam, solange man einen Abschluss als eine einzige Sache behandelt.
Ein Master transportiert zwei getrennte Informationen. Die erste ist Zertifizierung: Diese Person kann die Prognose bauen, die Analyse strukturieren, den Report schreiben. Die zweite ist ein Signal allgemeiner Leistungsfähigkeit: Diese Person kam in ein anspruchsvolles Programm, hielt durch und schloss ab — Intelligenz, Ausdauer, Verbindlichkeit. Ökonomen behandeln beide als miteinander verschweißt, seit Michael Spence 1973 die Signaltheorie des Arbeitsmarkts formalisiert hat.
Generative KI ist das Brecheisen, das sie trennt. Wenn ein Modell einen brauchbaren ersten Entwurf der Analyse liefert, verliert die Zertifizierungskomponente an Wert — die Fähigkeiten sind weiterhin real, nur nicht mehr knapp. Die Signalkomponente bleibt unberührt.
Damit löst sich die Asymmetrie auf. Bei einer 24-Jährigen mit leerem Lebenslauf hat ein Arbeitgeber kaum etwas anderes zu lesen, also behält der Abschluss sein volles Gewicht. Bei einem erfahrenen Kandidaten hat er etwas Besseres: eine Berufsbiografie, eine Bilanz gelieferter Ergebnisse. Sobald diese Alternative existiert, wird der Abschluss vor allem für jene Kompetenzzertifizierung bewertet, die die KI gerade abgewertet hat — und sein Gewicht in der Entscheidung sinkt (Dellarocas, The Credential Crisis, 2026).
Der Abschluss ist nicht gestorben. Er wurde entbündelt. Und der Markt bepreist die Bestandteile bereits getrennt.
Ihre Bewertungsmatrix bepreist sie mit ziemlicher Sicherheit noch als eines.
Warum Ihr Recruiting-Funnel Graduiertenabschlüsse noch immer überbezahlt
Hier hört das auf, ein interessanter arbeitsökonomischer Befund zu sein, und wird zu einem operativen Problem.
Die meisten Recruiting-Prozesse im Mittelstand räumen Graduiertenabschlüssen an drei Stellen einen strukturellen Vorteil ein — allesamt unsichtbar, bis man gezielt danach sucht.
Das Screening. „Master von Vorteil" in der Anzeige, oder die Recruiter-Heuristik, die ihn oben im Funnel als Entscheidungskriterium nutzt.
Die Bewertungsmatrix. Ein expliziter Punkt oder Korridor in der Scorecard, einheitlich angewendet — unabhängig davon, ob der Kandidat zehn Jahre einschlägige Berufserfahrung direkt darüber im selben Lebenslauf stehen hat.
Das Angebot. Eine Matrix aus Betriebszugehörigkeit und Ausbildung, die eine Prämie für den Abschluss zahlt — eine Prämie, die der breitere Markt dieser Evidenz zufolge in Ihren am stärksten KI-exponierten Rollen still zurücknimmt.
Jede dieser Stellen ist eine kleine Wette auf die Zertifizierungskomponente. In Finance, Analytics, Marketing Operations und internem Reporting — den mittelständischen Funktionen mit den höchsten Expositionswerten — zahlen Sie den vollen Preis für ein Signal, dessen Informationsgehalt messbar gesunken ist.
Die schärfere Fassung: Bei einem erfahrenen Kandidaten in einer KI-exponierten Rolle ist der Abschluss inzwischen weitgehend redundant zu Informationen, die Sie bereits besitzen. Sie haben seine Berufsbiografie. Der verbleibende eigenständige Beitrag des Abschlusses ist das Signal allgemeiner Leistungsfähigkeit — und dafür zahlen Sie eine Kompetenzprämie.
Den Filter zu entfernen ist nicht dasselbe wie ihn zu ersetzen
Der naheliegende Schritt ist, die Abschlussanforderung zu streichen. Die Evidenz sagt: allein bewirkt das so gut wie nichts.
Das Burning Glass Institute und die Harvard Business School untersuchten 11.300 Rollen in Großunternehmen vor und nach der Streichung von Abschlussanforderungen. Knapp 40 % der Unternehmen strichen sie. Das Ergebnis: rund 97.000 zusätzliche kompetenzbasierte Einstellungen bei etwa 77 Millionen Einstellungen pro Jahr — weniger als 1 von 700. Fast die gesamte reale Veränderung kam von lediglich 37 % der Unternehmen, die die Änderung auf dem Papier vollzogen hatten (Burning Glass Institute & Harvard Business School, 2024).
Einen Filter zu entfernen erzeugt keine Entscheidungsregel. Es erzeugt ein Vakuum — und das Vakuum füllt sich mit derselben Heuristik, die dann informell weiterwirkt.
Was an die Stelle tritt, muss gemessen sein. Die beste verfügbare metaanalytische Evidenz beziffert strukturierte Interviews mit r = ,42 bei der Vorhersage von Arbeitsleistung, gegenüber r = ,19 für unstrukturierte — die größte Validitätslücke, die einem Recruiting-Team offensteht, und sie kostet nichts außer Disziplin (Sackett, Zhang, Berry & Lievens, Journal of Applied Psychology, 2022).
Genau diese Substitution legt der Befund der Boston University nahe: keine abschlussblinde Auswahl, sondern eine Auswahl, in der der Abschluss richtig gewichtet ist und ein validiertes Fähigkeitsmaß das Gewicht trägt, das früher das Diplom trug.
Wo dieses Argument falsch sein könnte
Ich würde nicht auf die Nachkommastelle setzen. Ich würde auf die Richtung setzen. Der Unterschied verdient Präzision.
Die Arbeit ist ein SSRN-Working-Paper, noch nicht peer-reviewed. Der Vortrend ist sauber und das Design sorgfältig, aber die Effektstärke kann sich im Begutachtungsprozess verschieben.
Zudem ist Exposition nicht gleich Ersetzung. Ein hoher Indexwert bedeutet, dass die dokumentierten Aufgaben einer Rolle sich mit dem überschneiden, was ein Modell kann — nicht, dass ein Modell sie erledigt hat. Es ist ein Maß technischer Machbarkeit, fixiert auf einen Zeitpunkt.
Und aus Profilen abgeleitete Daten tragen einen Selektionseffekt. Revelio rekonstruiert Berufsverläufe aus öffentlichen Profilen, und wer eines pflegt — und wie vollständig — ist nicht zufällig. Das kann sowohl mit Abschlüssen als auch mit dem Beruf korrelieren, auf eine Weise, die das Design nicht vollständig auffängt.
Und nun der Teil, der ohnehin hält. Eine Abschlussprämie, die vier Jahre lang stabil verlief, divergierte genau in dem Moment, als ein universelles Textmodell erschien — in den Berufen, die dieses Modell gut beherrscht, und genau bei den Kandidaten, über die Arbeitgeber bereits bessere Evidenz besitzen. Halbieren Sie den Effekt, und die operative Schlussfolgerung bleibt dieselbe.
Was sich in einem Unternehmen mit 50–500 Mitarbeitenden ändert
Das ist eine Prozessänderung, keine Ausgabe. Sie passt in ein Quartal und braucht keine Freigabe außer Ihrer eigenen.
Prüfen Sie, wo der Abschluss noch Gewicht trägt. Ziehen Sie Ihre offenen Stellen und Scorecards für Rollen mit hoher KI-Exposition heran — Finance, Analytics, Marketing Ops, internes Reporting, technische Redaktion. Finden Sie jede Stelle, an der ein Graduiertenabschluss einen Screening-Vorteil, einen Scorecard-Punkt oder ein Gehaltsband erzeugt. Die meisten Operations-Verantwortlichen haben das noch nie an einem Ort aufgelistet und sind über die Anzahl überrascht.
Trennen Sie die Regel nach Karrierestufe. Die Forschung stützt es, das Abschlussgewicht für Berufseinsteiger beizubehalten, wo Sie wenig anderes lesen können, und es bei erfahrenen Einstellungen deutlich zu senken, wo Sie das bessere Signal bereits besitzen. Eine einzige Regel für beide Stufen ist heute nachweislich in einer der beiden Richtungen falsch.
Setzen Sie ein gemessenes Instrument in die Lücke, bevor Sie sie öffnen. Ein strukturiertes Interview mit festem Fragenset und verankerter Bewertungsskala, oder eine bewertete Arbeitsprobe aus der realen Tätigkeit. Den Filter ohne das zu entfernen, führt zum 1-von-700-Ergebnis (Burning Glass Institute & Harvard Business School, 2024).
Eine Anmerkung zur internen Variante dieses Problems
Dieselbe Logik wirkt nach innen. Wenn Ihre Beförderungskriterien oder Ihr High-Potential-Programm Punkte für einen Graduiertenabschluss vergeben, wenden Sie ein zerfallendes Signal auf Menschen an, deren gesamte Arbeitsgeschichte Sie bereits besitzen — die Gruppe, bei der sein Informationswert am niedrigsten von allen ist. Das ist die günstigste Stelle, das zu korrigieren, und die am wenigsten wahrscheinlich auf irgendeiner Liste steht.
Eine Entscheidung für dieses Quartal
Öffnen Sie die Scorecard Ihrer am stärksten KI-exponierten offenen Stelle und suchen Sie die Zeile, in der ein Masterabschluss Punkte bringt. Beantworten Sie dann eine Frage: Was sagt mir diese Zeile, das mir die letzten drei Arbeitsjahre dieses Kandidaten nicht sagen?
Wenn Sie das nicht in einem Satz beantworten können, selektieren Sie nicht nach Fähigkeit. Sie zahlen eine Prämie für eine Information, die der Markt bereits neu bepreist hat — und die Daten der Boston University sagen, dass der Abschlag auf Graduiertenabschlüsse in KI-exponierten Rollen jedes Jahr größer wird.
Der Abschluss hat nicht aufgehört, etwas zu bedeuten. Er hat aufgehört zu bedeuten, was Ihre Bewertungsmatrix behauptet.
