Akkreditierungsdokumentation: Lücken zwischen Lehrplan und Arbeitsmarkt finden

Das echte Ausmaß des Problems

Akkreditierung in Deutschland ist kein bürokratisches Randthema — sie ist rechtliche Voraussetzung für den Betrieb eines Studiengangs. Die Musterrechtsverordnung (MRVO) der Kultusministerkonferenz legt in §12 fest, dass jede Hochschule nachweisen muss, dass ihre Qualifikationsziele auf die „Befähigung zur Aufnahme einer qualifizierten Erwerbstätigkeit” ausgerichtet sind. Das klingt abstrakt, hat aber sehr konkrete Konsequenzen: Wer diesen Nachweis nicht überzeugend führt, bekommt Auflagen — oder im schlimmsten Fall eine Ablehnung mit sechsmonatiger Nachbesserungsfrist.

Das Kernproblem liegt in der Methodik: Die meisten Hochschulen dokumentieren den Arbeitsmarktbezug durch manuelle Recherche. Stellenanzeigen werden gesichtet, informelle Gespräche mit Unternehmenspartnern werden paraphrasiert, und am Ende entsteht ein Text, der zwar gut klingt, aber selten empirisch belastbar ist. Gutachter, die seit Jahren dasselbe lesen, erkennen das sofort.

Dabei ist die eigentliche Datenlage besser als sie wirkt:

• Auf den großen Jobbörsen (Indeed, StepStone, LinkedIn, XING) werden in Deutschland täglich mehrere hunderttausend neue Stellenanzeigen veröffentlicht — strukturierte, durchsuchbare, maschinenlesbare Daten über das, was Arbeitgeber tatsächlich suchen
• Branchenberichte von Bitkom, VDI, DIHK, Accenture und McKinsey quantifizieren regelmäßig, welche Kompetenzen in welchen Berufsfeldern unterversorgt sind
• Der Hochschulqualifikationsrahmen (HQR) von KMK und HRK (2017) liefert eine strukturierte Kompetenzsprache — vier Dimensionen, klare Niveaustufen — die direkt als Mapping-Rahmen nutzbar ist

Das Problem ist nicht der Datenmangel. Das Problem ist, dass das manuelle Zusammenführen dieser Quellen mit dem Curriculum eines Studiengangs Wochen dauert und trotzdem zu inkonsistenten Ergebnissen führt, wenn verschiedene Personen dieselbe Analyse unabhängig voneinander durchführen würden. Laut Erfahrungswerten aus Akkreditierungsverfahren verbringen Studiengangleitungen im Schnitt 3–6 Wochen Vollzeit-Äquivalent mit der Vorbereitung eines Selbstberichts — davon entfällt der größte Teil auf Recherche und Dokumentation des Arbeitsmarktbezugs.

Dazu kommt: Die Reakkreditierungszyklen in Deutschland betragen 5–8 Jahre. Wer in diesem Turnus vier bis sechs Wochen für eine Analyse aufwendet, die auch in vier Wochen veraltet sein kann, läuft einem sich ständig verschiebenden Ziel nach.

Der Akkreditierungsrahmen: Was §12 MRVO wirklich fordert

Bevor wir über KI-Unterstützung sprechen, lohnt sich ein genauerer Blick darauf, was die Akkreditierungsagenturen (AQAS, ACQUIN, FIBAA, ZEvA und andere) tatsächlich prüfen — denn viele Fehlinvestitionen bei der Selbstberichtsvorbereitung entstehen dadurch, dass die falschen Dinge gesammelt werden.

§12 MRVO formuliert drei Anforderungen, die zusammenhängen, aber oft einzeln betrachtet werden:

Qualifikationsziele mit Arbeitsmarktbezug: Studiengänge müssen nachweisen, dass ihre Absolventinnen und Absolventen in einschlägigen Berufsfeldern arbeiten können. Das bedeutet nicht, dass jeder Kurs eine direkte Jobanwendung haben muss — sondern dass die Gesamtheit der erworbenen Kompetenzen nachvollziehbar auf reale Arbeitsanforderungen einzahlt. Der Unterschied klingt subtil, ist aber entscheidend für die Beweisführung im Selbstbericht.

HQR-Kompatibilität: Alle Qualifikationsziele müssen sich auf die Kompetenzrahmen des Hochschulqualifikationsrahmens (HQR) beziehen lassen. Der HQR unterscheidet zwischen Wissen und Verstehen, Anwenden und Erzeugen von Wissen sowie Autonomie und Verantwortung — auf je unterschiedlichen Niveaustufen für Bachelor, Master und Promotion. Ein Gap-Report, der nicht in dieser Sprache formuliert ist, wird von Gutachtern als unstrukturiert bewertet.

Empirische Belastbarkeit: Die Aussagen über den Arbeitsmarktbezug müssen nachvollziehbar hergeleitet sein — nicht nur behauptet. Stellenanzeigenanalysen, Absolventenbefragungen, Beiratsgespräche und Berufsverbandsstudien sind anerkannte Belege. Wer nur auf eigene Einschätzung verweist, erhält regelmäßig Auflagen.

Was KI leisten kann: alle drei Anforderungen strukturell unterstützen — aber keine davon vollständig ersetzen. Das ist keine Einschränkung, sondern die korrekte Erwartungssetzung.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen zur Aufwandsreduktion sind Erfahrungswerte aus Hochschulprojekten und nicht repräsentativ — aber die Richtung ist konsistent: Der größte Hebel liegt nicht darin, dass KI schneller schreibt, sondern dass sie die Datengrundlage massiv verbreitert, ohne proportional mehr Zeit zu kosten.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Die Vorbereitung des Arbeitsmarktbezugs im Selbstbericht ist eine der zeitintensivsten Aufgaben im gesamten Akkreditierungsverfahren. KI komprimiert diesen Teil von mehreren Wochen auf wenige Tage — das ist die stärkste Zeitersparnis in dieser Kategorie. Wichtig: Die Zeitersparnis tritt nicht täglich, sondern im Akkreditierungszyklus (alle 5–8 Jahre) auf. Aber wenn sie eintritt, ist sie substanziell genug, um als klarer Spitzenwert zu gelten.

Kosteneinsparung — gering (2/5) Die direkten Kosten der Gap-Analyse sinken auf niedrige zweistellige Euro-Beträge (API-Gebühren). Was nicht sinkt: die Akkreditierungsgebühren der Agenturen (typisch 3.000–8.000 Euro je Verfahren), externe Gutachterkosten oder Beratungshonorare. KI ersetzt Mitarbeiterzeit — und das ist eine reale Einsparung — aber sie reduziert keine der Drittkosten, die das Verfahren teuer machen. Im Branchenvergleich bleibt der direkte Kostenhebel klein.

Schnelle Umsetzung — mittel (3/5) Ein erster Gap-Report lässt sich in 2–3 Wochen erarbeiten, wenn die Stellenanzeigen bereits gesammelt sind und das Modulhandbuch strukturiert vorliegt. Den Workflow einmalig zu konfigurieren und die Prompt-Logik auf den eigenen Studiengang abzustimmen dauert erfahrungsgemäß 4–6 Wochen bis zum reproduzierbaren Ergebnis. Kein technischer Einstieg, aber auch kein Einmal-Klick-Tool.

ROI-Sicherheit — mittel (3/5) Die Zeitersparnis ist direkt und klar messbar. Was sich nicht direkt beweisen lässt: ob ein besserer Gap-Report die Akkreditierungswahrscheinlichkeit oder die Qualität der Auflagen verbessert. Gutachterurteile hängen von vielen Faktoren ab, die kein Automatisierungstool kontrolliert. Der ROI liegt daher primär in der eingesparten Personalzeit, nicht in einer garantiert verbesserten Akkreditierungsquote.

Skalierbarkeit — gering (2/5) Jeder Studiengang braucht seine eigene Konfiguration: andere Berufsfelder, andere Kompetenzsprache, andere Zielarbeitgeber. Ein Workflow für Informatik ist nicht wiederverwendbar für Pflege oder Maschinenbau. Eine Hochschule mit 30 akkreditierungspflichtigen Studiengängen hat keinen einmaligen Setup-Aufwand, sondern 30 separate Setups. Das begrenzt den Skalierungsvorteil erheblich — obwohl jeder einzelne Setup nachvollziehbar einfacher wird als die manuelle Methode.

Richtwerte — stark abhängig von der Dokumentenlage der Hochschule, der Akkreditierungsagentur und dem regionalen Berufsfeld des Studiengangs.

Was die KI-gestützte Gap-Analyse konkret macht

Der Kern-Workflow lässt sich ohne technisches Hintergrundwissen mit ChatGPT oder Claude umsetzen. Was passiert im Detail:

Schritt 1 — Stellenanzeigen sammeln und aufbereiten Du sammelst 100–300 aktuelle Stellenanzeigen aus den für deinen Studiengang relevanten Berufsfeldern: entweder manuell aus Indeed/StepStone/LinkedIn oder über halbautomatische Scraper. Die Anzeigen werden als Text (nicht als Screenshots) in ein Dokument oder direkt in den Chat der KI eingegeben.

Schritt 2 — Skill-Extraktion Du lässt die KI aus jeder Stellenanzeige die genannten Kompetenzen extrahieren und nach Häufigkeit kategorisieren. Das Ergebnis ist eine priorisierte Liste: welche Kompetenzen in wie vielen Prozent der Anzeigen genannt werden. Bei 200 Stellenanzeigen für einen IT-Studiengang könnte das ergeben: Cloud-Computing (72 %), Agile/Scrum (68 %), Datenbankdesign (61 %), Python (58 %), kommunikative Kompetenz (54 %).

Schritt 3 — Modulhandbuch einlesen und Lernziele extrahieren Du gibst der KI dein Modulhandbuch (oder ausgewählte Modulbeschreibungen) und fragst: Welche der gefundenen Kompetenzen werden in welchem Modul explizit adressiert? Die KI mappt Lernziele auf Kompetenzkategorien.

Schritt 4 — Gap-Bericht generieren Die KI erstellt eine Gegenüberstellung: Welche gefragten Kompetenzen haben keine oder schwache Entsprechung in den Modulbeschreibungen? Welche Lernziele adressieren Kompetenzen, die der Markt kaum noch nachfragt? Das Ergebnis ist ein priorisierter Gap-Report — keine Meinung, sondern eine strukturierte Übersicht.

Was NLP mit spaCy zusätzlich kann: Für Hochschulen, die regelmäßig große Mengen an Stellenanzeigen (1.000+) verarbeiten oder den Workflow in ihr Qualitätsmanagementsystem integrieren wollen, lässt sich mit spaCy eine eigene Extraktionspipeline bauen. Das erfordert Python-Kenntnisse, ermöglicht aber vollständig automatisierte, wiederholbare Analysen ohne manuelles Kopieren. Dieser Weg lohnt sich erst ab einer gewissen Professionalisierung — für die meisten Hochschulen ist der LLM-Workflow der sinnvollere Einstieg.

Was die Analyse nicht leistet: Sie kann nicht einschätzen, ob ein Studiengang die Kompetenz im Unterricht tatsächlich vermittelt, nur weil sie in den Lernzielen steht. Sie kann nicht beurteilen, ob eine Lücke durch eine einfache Formulierungsergänzung zu schließen ist oder ein neues Modul braucht. Und sie kann nicht die Gutachterperspektive vorwegnehmen. Das sind Einschätzungen, die weiterhin Menschen brauchen.

Vom Gap-Report zum Modulhandbuch: die kritische letzte Meile

Der Gap-Report ist der einfache Teil. Wirklich schwierig — und von KI allein nicht lösbar — ist die Übersetzung seiner Befunde in akkreditierungsfeste Modulbeschreibungen.

Das Problem: Ein Gap-Report sagt dir, dass “Cloud-Kompetenzen” in 72 % der Stellenanzeigen auftauchen. Er sagt dir nicht, wie du das als HQR-konforme Qualifikationszielformulierung in einem Bachelor-Modulhandbuch umsetzt. Das Akkreditierungssystem verlangt nicht einfach, dass bestimmte Inhalte gelehrt werden. Es verlangt, dass die Lernziele in der HQR-Kompetenzsprache formuliert sind: Wissen und Verstehen, Anwenden und Erzeugen von Wissen, Autonomie und Verantwortung — auf dem Niveau des jeweiligen Abschlusses.

Konkret: “Die Studierenden kennen Cloud-Architekturen” ist eine schwache Formulierung, die Gutachter als passives Rezeptionsziel einordnen. “Die Studierenden können Cloud-Infrastrukturen für typische Einsatzszenarien konzipieren und hinsichtlich Kostenstabilität, Skalierbarkeit und Datenschutzanforderungen begründet auswählen” ist eine Formulierung, die Anwendungskompetenz und Urteilsvermögen auf Bachelor-Niveau ausdrückt.

KI kann dabei helfen — aber du musst ihr sagen, was du willst. Ein gut konfigurierter Prompt kann aus einem Gap-Report und dem HQR-Kompetenzrahmen konkrete Formulierungsvorschläge generieren, die dann von der Studiengangsleitung fachlich validiert werden. Das ist die Arbeitsteilung, die funktioniert: KI liefert den Formulierungsentwurf, Professorinnen und Professoren liefern das Fachurteil.

Ein weiterer blinder Fleck: Job-Posting-Analysen messen immer die heutige Nachfrage, nicht die Nachfrage in vier Jahren, wenn der aktuelle Erstsemester-Jahrgang abschließt. Studiengänge, die ihr Curriculum ausschließlich auf aktuelle Stellenanzeigen ausrichten, laufen Gefahr, sehr auf kurzfristige Marktmoden zu reagieren — zu Lasten der wissenschaftlichen Substanz, die MRVO §12 gleichrangig fordert. Ein guter Selbstbericht balanciert beides explizit: empirischer Arbeitsmarktbezug und wissenschaftliche Positionierung. KI kann nur beim ersten helfen.

Konkrete Werkzeuge — was wann passt

Die richtige Werkzeugwahl hängt vom Volumen der Stellenanzeigen, der IT-Kompetenz im Team und dem Formalisierungsgrad ab.

Claude — für die meisten Hochschulen der beste Einstieg Das 200.000-Token-Kontextfenster erlaubt es, ein vollständiges Modulhandbuch und 50–80 Stellenanzeigen in einer einzigen Session zu analysieren. Claude produziert strukturierte, gut gegliederte Outputs und neigt weniger als andere Modelle dazu, bei langen Dokumenten Qualität einzubüßen. Für den DSGVO-konformen Einsatz: über AWS Bedrock (Frankfurt) oder im API-Plan mit unterzeichnetem AVV. Kosten: ca. 0,10–0,50 Euro je Gap-Analyse-Session, abhängig vom Dokumentvolumen.

ChatGPT — wenn strukturierte Tabellenoutputs wichtig sind GPT-4o produziert exzellente Markdown-Tabellen und ist gut darin, Extraktionsaufgaben konsistent zu strukturieren. Bei sehr langen Dokumenten kann die Qualität gegen Ende der Session abnehmen — ein Grund, die Analyse in Module aufzuteilen statt alles auf einmal einzureichen. Mit dem ChatGPT Team-Plan (ca. 30 Euro/Person/Monat) gilt, dass Konversationen standardmäßig nicht für Training genutzt werden.

NotebookLM — wenn du Branchenreports, Absolventenbefragungen und Stellenanzeigen dauerhaft durchsuchbar halten willst. Hochlade einmal alle Quellmaterialien, frag im Laufe der Berichtsvorbereitung gezielt Fragen. Besonders nützlich für die Quellenarbeit im Selbstbericht — NotebookLM zitiert immer, was dir geholfen hat, Gutachteranfragen zu beantworten. Kostenlos mit Google-Konto.

Perplexity — für die erste Recherchephase: Welche Kompetenzfelder werden aktuell in Branchenberichten für dein Fachgebiet diskutiert? Welche BITKOM- oder VDI-Studien gibt es zum Thema? Perplexity liefert schnell mit Quellenbelegen, was dann als Input für die tiefere Analyse dient.

spaCy — für Hochschulen, die den Workflow dauerhaft automatisieren wollen. Gebaut für Named Entity Recognition auf großen Textmengen. Wenn dein Qualitätsmanagementsystem jährlich automatisch 500+ Stellenanzeigen auswertet, ohne manuelle Intervention, ist spaCy die technisch robusteste Lösung. Erfordert Python-Kenntnisse — realistisch nur für Hochschulen mit IT-Kapazitäten.

Lightcast — wenn du internationale Benchmarks brauchst, insbesondere für englischsprachige oder international ausgerichtete Studiengänge. Lightcast hat eine strukturierte Skill-Taxonomie und erlaubt Zeitreihenanalysen, welche Kompetenzen in einem Berufsfeld über 5 Jahre gewachsen oder geschrumpft sind. Für den deutschen Markt: Datenbasis ist dünner als im angloamerikanischen Raum. Institutionelle Lizenz ab ca. 8.000–15.000 USD/Jahr — für die meisten kleinen Hochschulen unverhältnismäßig teuer.

Zusammenfassung — wann welcher Ansatz:

• Gelegentliche Analyse (alle 5–8 Jahre zur Reakkreditierung) → Claude oder ChatGPT, promptbasiert
• Laufende Beobachtung des Berufsfelds für das nächste Verfahren → NotebookLM als Quellen-Archiv
• Große Mengen, automatisierter Workflow → spaCy-Pipeline mit Python
• Internationale Studiengänge mit globalem Berufsfeldanspruch → Lightcast als Datenbasis

Datenschutz und Datenhaltung

Stellenanzeigen und Branchenreports sind öffentlich zugängliche Dokumente — da entstehen keine datenschutzrechtlichen Probleme, wenn du sie an ein LLM weitergibst. Die kritische Frage betrifft die Modulhandbücher und interne Hochschuldokumente.

Modulhandbücher enthalten typischerweise keine personenbezogenen Daten. Die Zahl der Lehrenden, Qualifikationsnachweise einzelner Professoren oder persönliche Informationen über Studierende — das alles gehört nicht in das Modulhandbuch selbst und sollte nicht an externe Dienste weitergegeben werden.

Für die Werkzeugempfehlungen:

• Claude via AWS Bedrock (Frankfurt): Verarbeitung in der EU-Region, AVV verfügbar, empfohlen für alle, die auf Nummer sicher gehen wollen. Etwas höhere Einrichtungshürde.
• ChatGPT Team oder Enterprise: AVV erhältlich, Daten werden nicht für Training genutzt. Datenhosting US, aber mit Standard Contractual Clauses (SCC) abgedeckt — für öffentliche Hochschulunterlagen aus Qualitätsmanagement-Sicht in der Regel ausreichend, Einzelfall-Beurteilung durch Datenschutzbeauftragte empfehlenswert.
• NotebookLM: Google-Dienst, US-Hosting. Für nicht-sensitive Quellmaterialien (Branchenreports, veröffentlichte Stellenanzeigen) problemlos. Für interne Hochschulunterlagen mit dem eigenen Datenschutzbeauftragten klären.
• spaCy: Vollständig on-premise betreibbar, keine Daten verlassen das Hochschulnetz. Die DSGVO-konformste Option für große Datenmengen.

Die DSGVO schreibt für alle externen Dienstleister, die Daten im Auftrag verarbeiten, einen Auftragsverarbeitungsvertrag (AVV) gemäß Art. 28 DSGVO vor. Für alle genannten Cloud-Dienste sind AVV-Vorlagen erhältlich, müssen aber aktiv angefordert und unterzeichnet werden. Im Hochschulkontext ist der Weg oft: IT-Grundschutz-Anforderungen der Hochschule klären → Datenschutzbeauftragten einbinden → AVV abschließen → erst dann produktiv nutzen. Das ist mehr Vorlaufzeit als in einem privaten Unternehmen, aber es ist handhabbar.

Was es kostet — realistisch gerechnet

Direkte Tool-Kosten Der promptbasierte Workflow mit Claude oder ChatGPT ist überraschend günstig:

• Eine vollständige Gap-Analyse für einen Studiengang (200 Stellenanzeigen + 40 Modulbeschreibungen) kostet über die API ca. 0,50–3,00 Euro in reinen API-Gebühren — abhängig vom Modell und Volumen
• Für Hochschulen, die bereits ChatGPT Team (30 Euro/Person/Monat) oder M365 Copilot nutzen, entstehen keine zusätzlichen Kosten
• Eine spaCy-basierte Pipeline hat keine Lizenzkosten, aber 5–15 Tage Entwickleraufwand für Einrichtung und Validierung

Aufwand für die Ersteinrichtung

• Prompting-Workflow entwickeln und testen: 2–4 Tage
• Stellenanzeigen-Datensammlung aufsetzen (manuell oder halbautomatisch): 1–3 Tage
• Erste Analyse durchführen, Ergebnisse mit Studiengangsleitung validieren: 2–3 Tage
• Gesamt erster Einsatz: 5–10 Arbeitstage

Eingespartes Eine Studiengangsleitung an einer deutschen Hochschule kostet inkl. Overhead bei einer konservativen Schätzung ca. 50–80 Euro/Stunde. 3–6 Wochen intensive Vorbereitungszeit entsprechen 120–240 Stunden — also 6.000–19.200 Euro in reinen Personalkosten für einen Vorbereitungszyklus. Selbst wenn KI diesen Aufwand „nur” um die Hälfte reduziert: Das sind 3.000–10.000 Euro Einsparung je Akkreditierungsverfahren.

Wichtig: Diese Rechnung gilt nur für den Teil der Vorbereitung, der sich auf die Arbeitsmarktanalyse bezieht. Der Gesamtaufwand eines Akkreditierungsverfahrens (Prüfungsordnungsüberarbeitung, Gutachterkorrespondenz, Begehungsvorbereitung) bleibt unverändert. KI löst eine spezifische Teilaufgabe — nicht das ganze Verfahren.

Wie du den Nutzen tatsächlich misst Der direkteste Beweis: Wie viele Stunden hat das Qualitätsmanagement-Team dieses Jahr für Stellenanzeigenanalyse aufgewendet — und wie viele im Vorjahr? Das lässt sich mit einer einfachen Zeiterfassung nachhalten. Sekundär: Hat die Anzahl der Auflagen im Bereich “Arbeitsmarktbezug” im letzten Akkreditierungsverfahren abgenommen?

Typische Einstiegsfehler

1. Zu viele Stellenanzeigen auf einmal einlesen, ohne Struktur. Der erste Instinkt: Alle 400 Anzeigen in eine Textdatei kopieren und dem Modell übergeben. Das führt zu oberflächlichen Ergebnissen — das Modell “mittelt” über alles, anstatt strukturiert zu kategorisieren. Besser: Stellenanzeigen in Batches von 30–50 Anzeigen verarbeiten, immer mit demselben Prompt. Konsistenz kommt durch Struktur, nicht durch Menge.

2. Die Gap-Analyse mit dem Gutachter-Urteil verwechseln. Der Gap-Report zeigt, welche Kompetenzen im Modulhandbuch schwach repräsentiert sind. Er sagt nicht, ob das ein echtes Problem ist. Es gibt legitime Gründe, warum ein Studiengang bestimmte Buzzword-Skills nicht explizit führt — etwa weil sie in höherrangigen Lernzielen implizit enthalten sind, oder weil der wissenschaftliche Anspruch des Studiengangs sie bewusst ausklammert. Die Studiengangsleitung muss entscheiden, welche Lücken tatsächlich Lücken sind — KI kann das nicht.

3. Das Modulhandbuch einmalig analysieren und nie wieder anfassen. Der gefährliche Fehler ist, die Analyse einmalig vor dem Akkreditierungsverfahren zu machen und danach fünf Jahre nichts zu tun. Berufsfelder ändern sich. Wer fünf Jahre wartet und erst kurz vor der Reakkreditierung merkt, dass der Lehrplan in kritischen Bereichen veraltet ist, steht vor einem sehr viel aufwändigeren Revisionsverfahren als jemand, der jährlich eine kurze Aktualisierungsanalyse gemacht hat.

4. KI-Outputs direkt in den Selbstbericht kopieren. Das passiert öfter als erwartet: Ein generierter Gap-Report wird fast unverändert als Abschnitt in den Selbstbericht eingefügt. Das scheitert regelmäßig — weil KI-Outputs die spezifische Hochschulsemantik und den Akkreditierungskontext vermissen lassen, den Gutachter erwarten. KI liefert den Rohstoff. Die Kontextualisierung, die fachliche Einordnung und die Verbindung zur eigenen Hochschulstrategie muss der Mensch liefern.

5. Die Qualitätssicherung des Workflows vernachlässigen. Unterschiedliche Prompts oder geringfügig veränderte Stellenanzeigen-Samples können zu spürbar unterschiedlichen Gap-Reports führen. Wer das nicht überprüft, hat am Ende Zahlen im Selbstbericht, die ein Gutachter mit einem anderen Datensatz nicht reproduzieren könnte. Lösung: Den Workflow einmalig an einem Test-Datensatz validieren und die Methodik transparent im Selbstbericht dokumentieren — das ist auch ein Qualitätsmerkmal.

Was mit der Einführung wirklich passiert — und was nicht

Die häufigste Überraschung: Der zeitliche Hauptgewinn liegt nicht im Schreiben, sondern im Recherchieren.

Studiengangleitungen berichten regelmäßig, dass die eigentliche Schreibarbeit am Selbstbericht gar nicht so zeitaufwändig ist — die wissen ja, was sie lehren. Was die Zeit kostet, ist das Zusammentragen der externen Belege: Welche Studien gibt es zu Kompetenzbedarf in diesem Berufsfeld? Was fordern Stellenanzeigen konkret, und in welcher Häufigkeit? Ist das, was wir lehren, noch zeitgemäß? KI beschleunigt genau diesen Teil massiv.

Was trotzdem Zeit braucht und sich nicht automatisieren lässt: das fachliche Urteil. Wenn der Gap-Report zeigt, dass “Blockchain” in 12 % der Stellenanzeigen eines Logistik-Studiengangs auftaucht, muss jemand mit Fachkenntnis beurteilen, ob das eine strukturell wichtige Kompetenz ist oder ein temporärer Hype, der in drei Jahren wieder aus den Anzeigen verschwunden sein wird. KI kann dir den Anteil nennen — das Urteil über Relevanz liegt beim Kollegium.

Widerstand, der auftaucht: Der häufigste Einwand kommt von erfahrenen Professoren: “Das weiß ich auch ohne Stellenanzeigenanalyse.” Der Einwand ist oft berechtigt — jahrzehntelange Industrieerfahrung ist wertvoller als ein statistisches Auswertungsverfahren. Aber: Im Akkreditierungsverfahren hilft die eigene Einschätzung allein nicht weiter. Gutachter erwarten nachvollziehbare, belegbare Herleitung. Die KI-Analyse liefert genau diesen Beleg — und bestätigt in den meisten Fällen, was die Erfahrenen schon wussten. Das Ergebnis ist kein Widerspruch, sondern eine Dokumentation der vorhandenen Expertise.

Was hilft: Den erfahrenen Kolleginnen und Kollegen die Analyse nicht als “Kontrolle” zu framen, sondern als Dokumentationshilfe. “Das, was ihr schon wusstet, können wir jetzt auch zeigen.”

Realistischer Zeitplan mit Risikohinweisen

Gesamtdauer bis zum fertig dokumentierten Arbeitsmarktbezugs-Abschnitt: 8–10 Wochen, wovon die reine KI-Analysezeit nur 2–4 Tage umfasst. Der Rest ist Abstimmung und Überarbeitung — wie es ohne KI auch wäre, nur mit besserer Datengrundlage.

Häufige Einwände — und was dahintersteckt

„Stellenanzeigen sind keine verlässliche Datenquelle — Unternehmen schreiben Wunschlisten, keine realen Anforderungen.” Der Einwand ist real. Stellenanzeigen übertreiben systematisch — sie listen Wünsche, keine Mindestanforderungen. Eine KI-Analyse, die das nicht berücksichtigt, überschätzt Kompetenzlücken. Die Lösung: Mehrere Quellen kombinieren — Absolventenbefragungen, Beiratsgespräche, BITKOM/VDI-Kompetenzstudien — und die Stellenanzeigenanalyse als eine von mehreren Datenstützen verwenden. Gutachter schätzen transparent gemachte Methodik, die ihre eigenen Grenzen benennt.

„Unsere Hochschule hat einen Datenschutzbeauftragten, der KI-Dienste grundsätzlich ablehnt.” Das ist kein Akkreditierungsproblem, das ist ein internes Governance-Problem. Mit spaCy lässt sich dieselbe Analyse vollständig on-premise durchführen — kein einziges Byte verlässt das Hochschulnetz. Das erfordert mehr technische Kompetenz und Einrichtungsaufwand, ist aber machbar. Alternativ: Analyse ausschließlich mit öffentlich zugänglichen Materialien (Stellenanzeigen, Branchenberichte) und dem Modulhandbuch als Vergleich — kein datenschutzrechtliches Problem.

„Das Akkreditierungsverfahren ist so viel mehr als nur Arbeitsmarktanalyse. Was löst das eigentlich?” Exakt eine Teilaufgabe: den Nachweis des Arbeitsmarktbezugs für die Qualifikationsziele. Der Rest des Verfahrens — Prüfungsordnung, Studienbedingungen, Begehungsvorbereitung, Gutachterkorrespondenz — wird nicht vereinfacht. Wer ein Werkzeug erwartet, das das gesamte Akkreditierungsverfahren automatisiert, wird enttäuscht. Wer ein Werkzeug sucht, das die arbeitsintensivste Rechercheaufgabe im Verfahren von sechs Wochen auf vier Tage reduziert, hat das Richtige gefunden.

Woran du merkst, dass das zu dir passt

Es passt, wenn:

• Deine Hochschule Studiengänge in sich schnell verändernden Berufsfeldern hat (IT, Ingenieurwesen, Wirtschaft, Gesundheitswesen) — hier sind Lehrplan-Veraltungsrisiken am höchsten
• Du für das nächste Akkreditierungsverfahren 3–6 Wochen Vorbereitungsaufwand für den Arbeitsmarktbezug einplanst und dieser Aufwand intern immer wieder verschoben wird, weil er keine scharfen Deadlines hat
• Du bei der letzten Akkreditierung Auflagen im Bereich Qualifikationsziele oder Arbeitsmarktbezug bekommen hast
• Du ein kleines Qualitätsmanagementteam hast (1–2 Personen) und trotzdem mehrere Studiengänge gleichzeitig akkreditieren musst

Drei harte Ausschlusskriterien:

1. Studiengang mit weniger als 20 aktiven Modulen in einem sehr stabilen Berufsfeld (z. B. klassische philologische Fächer, Theologie): Hier reicht eine manuelle Analyse von 50 Stellenanzeigen, die ein wissenschaftlicher Mitarbeiter in einem halben Tag erledigen kann. Der Einrichtungsaufwand eines KI-Workflows ist nicht gerechtfertigt.

2. Modulhandbuch liegt ausschließlich als schlecht gescannte PDFs oder händisch erstellte Tabellen vor, ohne strukturierten Textinhalt: Solange das Modulhandbuch nicht in maschinenlesbarer Form vorliegt, ist der Aufwand für die Aufbereitung höher als der Nutzen der Analyse. Der sinnvollste erste Schritt ist dann die Digitalisierung des Modulhandbuchs — nicht die KI-Analyse.

3. Hochschulen unter Systemakkreditierung mit eigenem QM-Zertifikat: In der Systemakkreditierung muss die Methodik zur Arbeitsmarktbeobachtung strukturell im zertifizierten QM-Prozess verankert sein. Ein einmalig eingesetztes KI-Tool außerhalb des QM-Systems befriedigt diese Anforderung nicht. Hier braucht es entweder eine vollständige Integration in das QM-Dokumentationssystem oder eine formale Entscheidung, den KI-Workflow als Teil des zertifizierten Prozesses zu etablieren.

Das kannst du heute noch tun

Öffne NotebookLM (kostenlos, kein Setup). Lade dein aktuelles Modulhandbuch als PDF hoch — oder auch nur 5–10 ausgewählte Modulbeschreibungen — sowie zwei bis drei aktuelle Branchenberichte, die du für dein Fachgebiet kennst (z. B. BITKOM-Report, VDI-Kompetenzatlas).

Stelle dann diese Frage: “Welche Kompetenzen werden in diesen Branchenberichten als wichtig beschrieben, die ich in den vorliegenden Modulbeschreibungen nicht oder nur schwach finde?” Das dauert 20 Minuten und gibt dir ein erstes Gefühl dafür, ob und wo die Lücken liegen — bevor du irgendetwas investierst.

Für die strukturierte Vollanalyse mit Stellenanzeigen hier ein Prompt, der direkt in Claude oder ChatGPT einsetzbar ist:

Quellen & Methodik

• MRVO §12 Qualifikationsziele und Arbeitsmarktbezug: Musterrechtsverordnung gemäß Artikel 4 Absätze 1–4 Staatsvertrag, KMK (November 2024). Veröffentlicht unter kmk.org. Grundlage für die Akkreditierungsanforderungen im deutschen Hochschulsystem.
• HQR — Qualifikationsrahmen für deutsche Hochschulabschlüsse: KMK/HRK (2017). Beschreibt die vier Kompetenzdomänen und Niveaustufen für Bachelor, Master und Promotion. Veröffentlicht unter hrk.de und kmk.org.
• Lightcast — Curriculum Alignment in Higher Education: Lightcast.io (2023). Case Study University of Illinois Gies College of Business, Einsatz von Labor Market Analytics für Programmentwicklung. Verfügbar unter lightcast.io/resources/blog/curriculum-alignment-in-higher-education.
• DOrSU Graduate Tracer System: Rashtian et al. (2020), “Harnessing Natural Language Processing for Graduate Tracer Systems.” IATED Library (library.iated.org). NLP-basiertes System zur automatischen Gegenüberstellung von Alumni-Berufsprofilen und Curriculumszielen.
• Akkreditierungsverfahren Ablauf: Stiftung Akkreditierungsrat (akkreditierungsrat.de) sowie Studentischer Akkreditierungspool (studentischer-pool.de). Informationen zu Verfahrensabläufen, Selbstbericht-Anforderungen und Zeitrahmen.
• Aufwandsschätzungen: Eigene Erfahrungswerte aus Beratungsgesprächen mit Qualitätsmanagement-Teams an deutschen Fachhochschulen und Universitäten — keine repräsentative Studie, aber konsistente Größenordnungen aus mehreren unabhängigen Quellen.
• OpenAI API-Preise: Veröffentlichte Tarife unter developers.openai.com (Stand Mai 2026). Kostenabschätzungen für Gap-Analyse-Sessions basieren auf typischen Token-Volumina für Modulhandbuch + 100 Stellenanzeigen.

Du willst wissen, ob sich der Aufwand für deinen konkreten Studiengang lohnt, und wie eine mögliche Gap-Analyse für euer Berufsfeld aussehen würde? Meld dich — das klären wir in einem kurzen Gespräch, bevor ihr Zeit investiert.