Was soll mein Kind angesichts von KI noch studieren?
Die ehrliche Antwort beginnt mit einem Eingeständnis: Das weiß niemand. Auch die nicht, die es beruflich wissen müssten. Was sich prüfen lässt, ist etwas anderes — und es ist nützlicher.
Dr. Alexander Groß · Promovierter Bildungsforscher · Eleva · Veröffentlicht am · Lesezeit etwa zwölf Minuten
Wenn Sie nur drei Minuten haben
Niemand kann sagen, welcher Beruf in fünfzehn Jahren noch existiert. Der Fachmann, der es am ehesten könnte, lag um den Faktor drei daneben und hat das selbst eingeräumt; seriöse Schätzungen zum Ausmaß der Automatisierung liegen um den Faktor fünf auseinander. Prüfbar ist etwas anderes: vier Merkmale eines Bildungswegs, die alle in Studienordnungen, Zugangsrecht und Haftungsregeln nachlesbar sind — Breite der Grundlagen, regulierter Berufszugang, Anschlussfähigkeit nach dem Bachelor und die Bindung an persönliche Verantwortung. Belastbar ist außerdem ein Befund, der Eltern unmittelbar betrifft: Verschoben hat sich bislang nicht die Zahl der Berufe, sondern die Schwelle des Berufseinstiegs.
Der teuerste Ratschlag der jüngeren KI-Geschichte
Die Frage erreicht mich in fast jedem Erstgespräch, meist gegen Ende und oft in gedämpftem Ton, als sei sie unhöflich: Lohnt sich Jura überhaupt noch? Wird ein Radiologe in fünfzehn Jahren noch gebraucht? Soll mein Kind lieber etwas Handfestes machen?
Es wäre ein Leichtes, darauf eine Antwort zu verkaufen. Eine Liste, sortiert nach Automatisierungsrisiko, mit grünen und roten Feldern. Solche Listen kursieren, und sie finden Leser. Ich halte sie für unseriös — und der Grund dafür lässt sich an einem einzigen, gut dokumentierten Fall zeigen.
Am 27. Oktober 2016 saß Geoffrey Hinton auf einer Konferenz des Creative Destruction Lab an der Rotman School of Management in Toronto, gemeinsam mit Yoshua Bengio und Richard Sutton. Hinton gilt als einer der Väter des Deep Learning; er hat 2018 den Turing Award erhalten und 2024 den Nobelpreis für Physik. Wenn irgendjemand auf diesem Planeten die Leistungsfähigkeit neuronaler Netze einschätzen konnte, dann er. Er sagte:
„People should stop training radiologists now. It’s just completely obvious that within 5 years deep learning is going to do better than radiologists.“
„Man sollte ab sofort aufhören, Radiologen auszubilden. Es ist einfach vollkommen offensichtlich, dass Deep Learning innerhalb von fünf Jahren besser sein wird als Radiologen.“
Das war keine Provokation am Rand einer Veranstaltung. Es war eine Empfehlung an junge Menschen, einen Berufsweg nicht einzuschlagen — und sie wurde gehört. Assistenzärzte haben später öffentlich beschrieben, wie dieser Satz ihre Fachwahl beeinflusst hat.
Was tatsächlich passiert ist
Zehn Jahre sind vergangen. Der Fünfjahreshorizont ist doppelt abgelaufen. Die Zahlen stammen aus dem Journal of the American College of Radiology und vom Neiman Health Policy Institute — also aus dem Fach selbst, nicht aus der Technikpresse:
Der Beruf ist nicht verschwunden. Er ist gewachsen — und der Berufsverband meldet für die USA einen ausgeprägten Mangel an Radiologinnen und Radiologen. Nicht trotz der Technik, sondern zum Teil wegen ihr: Bildgebung wurde schneller und billiger, also wird mehr davon angefordert. An der Mayo Clinic ist die Zahl der Radiologen seit 2016 um 55 Prozent auf rund 400 gestiegen — das ist der einzige der hier genannten Werte, der sich exakt auf den Zeitraum nach Hintons Aussage bezieht.
Ehrlicherweise gehört eine Einschränkung dazu: Pro Kopf der Bevölkerung ist die Zahl nur von 11,1 auf 11,5 Radiologen je 100.000 Einwohner gestiegen. Der Beruf boomt also nicht, er hält gerade so Schritt. Aber die Richtung ist eindeutig das Gegenteil dessen, was 2016 vorhergesagt wurde.
Hinton hat den Irrtum selbst eingeräumt
Was diesen Fall lehrreich statt hämisch macht: Hinton hat die Fehlprognose offen korrigiert. Im Dezember 2023 sagte er im Gespräch mit dem Kardiologen Eric Topol:
„So in 2016, I made a daring and incorrect prediction … I meant it for interpreting medical scans, not for doing everything a radiologist does, and I was wrong about that. … I think I was off by about a factor of three, but I’m still convinced I was completely right in the long term.“
„2016 habe ich eine kühne und falsche Vorhersage gemacht … Ich meinte damit die Befundung von Aufnahmen, nicht alles, was ein Radiologe tut — und darin habe ich mich geirrt. … Ich glaube, ich lag um etwa den Faktor drei daneben, bin aber weiterhin überzeugt, dass ich langfristig völlig recht hatte.“
Bemerkenswert ist der zweite Teil. Hinton hält an der Richtung fest — und das könnte sich als richtig erweisen. Nur ist genau das der Punkt: Wenn der weltweit kompetenteste Beurteiler dieser Technik beim Zeithorizont um den Faktor drei danebenliegt, dann ist der Zeithorizont die eigentlich entscheidende Größe. Für ein Kind, das jetzt vor der Studienwahl steht, ist es der ganze Unterschied, ob eine Veränderung in fünf oder in fünfzehn Jahren greift.
Die Fachleute streiten um den Faktor fünf
Man könnte einwenden, Hinton sei Informatiker und kein Arbeitsmarktforscher. Also sehen wir uns die Arbeitsmarktforschung an. Vier große Studien, dieselbe Grundfrage, ein Jahrzehnt:
Frey & Osborne, Oxford (2013)
der US-Beschäftigung in der Hochrisiko-Kategorie. Methode: 702 Berufe, davon 70 von Hand eingestuft, der Rest per Modell hochgerechnet.
OECD / Arntz, Gregory, Zierahn (2016)
im Schnitt von 21 OECD-Ländern — für Deutschland und Österreich 12 %. Methode: nicht Berufe, sondern einzelne Tätigkeiten.
OECD / Nedelkoska & Quintini (2018)
über 32 Länder, für Deutschland 18 %. Dieselbe Methode auf einen anderen deutschen Datensatz angewandt ergab 33 %.
IAB, Nürnberg (2024, Bezugsjahr 2022)
der sozialversicherungspflichtig Beschäftigten in Deutschland arbeiten in Berufen, in denen mindestens 70 % der Tätigkeiten substituierbar wären.
Ein Hinweis zur Redlichkeit, den die meisten Artikel weglassen: Diese Zahlen messen nicht dasselbe. Das IAB erfasst den Anteil der Beschäftigten in Berufen mit hohem Tätigkeitsanteil, die OECD den Anteil einzelner Arbeitsplätze mit hoher Automatisierungswahrscheinlichkeit. Wer 38 gegen 12 Prozent stellt, vergleicht Ungleiches. Und Frey und Osborne haben selbst geschrieben, sie machten „no attempt to estimate the number of jobs that will actually be automated“ — sie schätzen technische Machbarkeit, nicht Stellenabbau.
Aber selbst nach dieser Korrektur bleibt die Spannbreite gewaltig. Und der Befund von Nedelkoska und Quintini ist der unbequemste von allen: dieselbe Methode, dasselbe Land, zwei Datensätze — 18 gegen 33 Prozent. Die Autoren schreiben dazu, man müsse „very cautious“ sein, wenn man solche Ergebnisse interpretiere.
Daron Acemoglu, Wirtschaftsnobelpreisträger 2024, hat 2024 durchgerechnet, was sich davon in einem Jahrzehnt gesamtwirtschaftlich niederschlägt: rund 20 Prozent der Tätigkeiten sind KI-exponiert, davon etwa 23 Prozent innerhalb von zehn Jahren rentabel automatisierbar — macht 4,6 Prozent aller Tätigkeiten und einen Produktivitätseffekt von höchstens 0,66 Prozent über zehn Jahre, also etwa 0,064 Prozent im Jahr. Sein Urteil über die gängigen Erwartungen fällt knapp aus:
„Yet neither economic theory nor the data support such exuberant forecasts.“
„Doch weder die ökonomische Theorie noch die Daten stützen solch überschwängliche Prognosen.“
Man muss Acemoglu nicht folgen — es gibt seriöse Fachleute, die deutlich größere Effekte erwarten. Genau das ist die Aussage dieses Abschnitts: Der Dissens verläuft nicht am Rand des Feldes, sondern durch seine Mitte. Wer Ihnen sagt, welche Studiengänge sicher sind, verkauft Ihnen eine Gewissheit, die die Forschung nicht hergibt.
Was sich stattdessen belegen lässt
Es gibt eine Beobachtung, die über die Lager hinweg trägt. David Autor, Ökonom am MIT und einer der meistzitierten Arbeitsmarktforscher überhaupt, hat schon 2015 beschrieben, warum Prognosen systematisch in dieselbe Richtung falsch liegen:
„[J]ournalists and even expert commentators tend to overstate the extent of machine substitution for human labor and ignore the strong complementarities between automation and labor that increase productivity, raise earnings, and augment demand for labor.“
„Journalisten und selbst ausgewiesene Fachleute neigen dazu, das Ausmaß zu überschätzen, in dem Maschinen menschliche Arbeit ersetzen — und übersehen dabei die starken Komplementaritäten zwischen Automatisierung und Arbeit, die die Produktivität steigern, die Einkommen erhöhen und die Nachfrage nach Arbeit vergrößern.“
Autor hat den Gedanken 2024 zugespitzt, und diese Fassung ist für die Studienwahl die entscheidende. Nicht Berufe seien die richtige Betrachtungseinheit, sondern Expertise — die Kompetenz, die nötig ist, um eine bestimmte Aufgabe zu bewältigen, und die dann einen Marktwert hat, wenn sie sowohl notwendig als auch knapp ist.
„Expertise is the primary source of labor’s value in the US and other industrialized countries. … The risk is the devaluation of expertise. A future where humans supply only generic, undifferentiated labor is one where no one is an expert because everyone is an expert.“
„Expertise ist die primäre Quelle des Werts von Arbeit in den USA und anderen Industrieländern. … Das Risiko ist die Entwertung von Expertise. Eine Zukunft, in der Menschen nur noch generische, ununterscheidbare Arbeit anbieten, ist eine, in der niemand Experte ist, weil jeder Experte ist.“
Das verschiebt die Frage — und zwar in einen Bereich, der prüfbar ist. Sie lautet nicht mehr: Überlebt dieser Beruf? Sie lautet: Baut dieser Bildungsweg eine Expertise auf, die knapp bleibt und gebraucht wird — und was genau hält sie knapp?
Der Befund, der Eltern angeht
Bis hierher könnte man den Eindruck gewinnen, ich wolle beruhigen. Das wäre ein Missverständnis. Es gibt einen aktuellen empirischen Befund, der genau die Altersgruppe betrifft, um die es hier geht — und er ist ernst.
Erik Brynjolfsson leitet das Digital Economy Lab in Stanford. Er hat mit zwei Koautoren die Gehaltsabrechnungsdaten von ADP ausgewertet, dem größten Lohnabrechner der USA — also keine Umfrage, sondern Beschäftigungsdaten in Millionenhöhe. Das Ergebnis, Fassung vom 13. November 2025:
„Early-career workers (ages 22-25) in AI-exposed occupations experienced 16% relative employment declines, controlling for firm-level shocks, while employment for experienced workers remained stable. … [E]ntry-level employment has declined in applications of AI that automate work, but not those that most augment it.“
„Berufseinsteiger (22–25 Jahre) in KI-exponierten Berufen verzeichneten einen relativen Beschäftigungsrückgang von 16 Prozent — auch nach Kontrolle betrieblicher Sondereffekte —, während die Beschäftigung erfahrener Kräfte stabil blieb. … Die Einstiegsbeschäftigung ist dort zurückgegangen, wo KI Arbeit automatisiert, nicht dort, wo sie sie erweitert.“
Zwei Dinge daran sind für eine Studienentscheidung wichtig. Erstens: Die Verschiebung trifft nicht Berufe, sondern Berufseinstiege. Wer bereits Erfahrung hat, ist bislang nicht betroffen — was heißt, dass die erste Stelle nach dem Abschluss zum Engpass wird, nicht der Beruf als solcher. Zweitens: Der Rückgang zeigt sich dort, wo KI Arbeit ersetzt, nicht dort, wo sie sie erweitert. Damit ist Autors theoretische Unterscheidung in Beschäftigungsdaten sichtbar.
Ethan Mollick, Professor an der Wharton School, hat den Mechanismus dahinter beschrieben, und seine Erklärung ist unangenehm plausibel: Das klassische Ausbildungsverhältnis im Beruf beruhte darauf, dass jemand Berufsanfängern langweilige Aufgaben gab und dafür Rückmeldung und Anleitung bot. Beides bricht weg, wenn die Aufgaben schneller an ein Modell gehen.
„The early workplace is under a lot of threat because the old apprenticeship model just broke. … And the middle manager’s goal was to give work to a junior person who’s not great, and give them feedback so they get better, so that the middle manager has to do less work. And that broke because the middle manager would rather assign work to the AI.“
„Der Berufseinstieg ist stark bedroht, weil das alte Ausbildungsmodell schlicht zerbrochen ist. … Die Aufgabe der mittleren Führungsebene war es, Arbeit an jemanden Unerfahrenes zu geben und Rückmeldung zu liefern, damit diese Person besser wird … Und das ist zerbrochen, weil die Führungskraft die Arbeit lieber der KI gibt.“
Wer daraus ableitet, ein Studium lohne sich nicht mehr, zieht den falschen Schluss. Der richtige lautet: Der Abschluss allein trägt weniger weit als früher, weil die Strecke zwischen Abschluss und erster verantworteter Aufgabe länger geworden ist. Ein Bildungsweg, der praktische Erfahrung schon während des Studiums erzwingt — Praktika im Curriculum, klinische Abschnitte, Pflichtsemester in der Praxis —, ist deshalb heute mehr wert als vor zehn Jahren. Auch das steht im Modulhandbuch.
Brynjolfsson hat aus seinen Befunden im Januar 2026 eine Folgerung gezogen, die sich gut merken lässt. Jede wertvolle Tätigkeit zerfalle in drei Phasen: die richtige Frage stellen, sie ausführen, das Ergebnis bewerten. Maschinen würden derzeit vor allem in der mittleren Phase gut.
„As execution becomes commoditized, the bottleneck—and the value—shifts to asking the right questions and evaluating results. … We will be the architects; the AI will be the builders.“
„Wenn die Ausführung zur Massenware wird, verschiebt sich der Engpass — und damit der Wert — hin zum Stellen der richtigen Fragen und zum Bewerten der Ergebnisse. … Wir werden die Architekten sein; die KI baut.“
Für die Studienwahl heißt das nicht, ein bestimmtes Fach zu wählen. Es heißt, bei jedem Fach zu fragen: Bringt dieses Studium meinem Kind bei, gute Fragen zu stellen und Ergebnisse zu beurteilen — oder vor allem, Arbeitsschritte auszuführen? Diese Frage lässt sich an einem Modulhandbuch beantworten. Die Frage nach der Zukunft des Berufs nicht.
Vier Merkmale, die sich prüfen lassen
Damit sind wir bei etwas, das nicht auf Prognosen beruht, sondern auf Studienordnungen, Zugangsrecht und Haftungsregeln. Vier Merkmale tragen am weitesten.
Breite der Grundlagen
Wer Mathematik, Statistik und wissenschaftliches Arbeiten beherrscht, kann die Fachrichtung wechseln. Wer ein Werkzeug gelernt hat, kann es nicht. Der Unterschied steht im Modulhandbuch: Wie viele Semester gehen in methodische Grundlagen, wie viele in anwendungsspezifische Software? Ein Studiengang, der früh spezialisiert, kauft Berufsfähigkeit auf Kosten von Beweglichkeit — ein Tausch, der sich in stabilen Zeiten lohnt und in unruhigen nicht.
Regulierter Berufszugang
Approbation, Kammerzulassung, staatliche Prüfung: Wo der Zugang rechtlich geregelt ist, entscheidet nicht der Markt allein, wer die Arbeit tun darf. Das ist keine Prognose, sondern geltendes Recht — und Recht ändert sich langsamer als Technik. Ein Medizin- oder Rechtsstudium steht deshalb strukturell anders da als ein Studiengang, dessen Absolventen mit Quereinsteigern konkurrieren. Das sagt nichts darüber, wie die Arbeit künftig aussieht. Es sagt etwas darüber, wer sie ausüben darf.
Anschlussfähigkeit nach dem Bachelor
Aus wie vielen Masterprogrammen kann Ihr Kind nach diesem Bachelor wählen? Das ist auszählbar, nicht zu schätzen. Ein Abschluss, der auf drei weiterführende Wege führt, ist robuster als einer, der auf einen führt — unabhängig davon, welcher der beiden heute attraktiver klingt. Diese Zahl steht in keinem Ranking; man muss sie in den Zugangsordnungen nachsehen.
Bindung an persönliche Verantwortung
Es gibt Tätigkeiten, bei denen jemand mit Namen haften muss: der Arzt für die Diagnose, die Anwältin für den Schriftsatz, der Prüfingenieur für das Gutachten. Diese Bindung ist kein technisches, sondern ein rechtliches und gesellschaftliches Merkmal. Wo sie besteht, braucht es eine Person — auch dann, wenn ein Modell die Vorarbeit übernimmt. Genau das ist übrigens der Grund, warum die Radiologie nicht verschwunden ist: Die Befundung ist rechenschaftspflichtig, und Rechenschaft braucht einen Namen.
Und damit verschiebt sich die Frage ein zweites Mal. Familien, die mit diesen vier Merkmalen im Rücken zu mir kommen, fragen fast nie mehr nach dem Fach. Sie fragen nach dem Weg. Medizin etwa ist nach allen vier Merkmalen robust — nur entscheidet sich für ein Kind mit einem Schnitt von 1,3 eben nicht am Fach, ob es Ärztin wird, sondern daran, ob der Weg über die Abiturbestenquote, das Auswahlverfahren der Hochschulen, den letzten regulären TMS, Groningen oder eine britische Route führt — und ob der Abschluss am Ende zur deutschen Approbation trägt. Dort liegen die Fehler, die zwei Jahre kosten. Nicht bei der Fachwahl.
Was die sagen, die diese Systeme bauen
Ein letzter Blick, und zwar auf die Gegenseite. Demis Hassabis leitet Google DeepMind und hat 2024 den Nobelpreis für Chemie erhalten. Wenn jemand ein Interesse daran hätte, klassische Bildungswege für überholt zu erklären, dann er. Auf die Frage, was Studierende heute lernen sollten, antwortete er im September 2025 in Athen:
„What about the meta-skills of learning to learn? You know, learning about yourself, what conditions do you learn best under? … One thing we’ll know for sure is you’re gonna have to continually learn I think throughout your career. … [B]ut I think for the next decade or so, I would still advocate the core learnings in STEM, mathematics, physics.“
„Was ist mit der Meta-Fähigkeit des Lernen-Lernens? Sich selbst kennenzulernen: Unter welchen Bedingungen lernen Sie am besten? … Das Einzige, was wir sicher wissen, ist, dass Sie wohl Ihr ganzes Berufsleben lang weiterlernen müssen. … Aber ich denke, für das nächste Jahrzehnt würde ich weiterhin zu den Grundlagen in MINT raten, Mathematik, Physik.“
Interessanter noch ist, was er ergänzt hat: Die größten Chancen lägen künftig darin, zwei verschiedene Fächer zu verbinden und dazwischen etwas zu finden. Und im Juli 2026 hat er nachgelegt — nachdem er zuvor nachdrücklich zu Informatik und Naturwissenschaft geraten hatte:
„I also believe that the time is now for the humanities like philosophy, economics. I think we really need them in the world we’re about to enter.“
„Ich glaube auch, dass jetzt die Zeit der Geisteswissenschaften ist — Philosophie, Ökonomie. Ich denke, wir brauchen sie dringend in der Welt, auf die wir zugehen.“
Das ist keine Beschwichtigung, sondern ein Hinweis auf denselben Mechanismus, den Autor beschreibt: Was knapp bleibt, ist Urteilsfähigkeit. Fei-Fei Li, Informatikprofessorin in Stanford und eine der Begründerinnen des modernen maschinellen Sehens, hat das vor Erstsemestern in Princeton am Beispiel der Medizin gesagt — einem Feld, in dem sie KI ausdrücklich für ein mächtiges Werkzeug hält:
„I firmly believe AI can be a very powerful tool for healthcare delivery and medicine in general, but this is an industry whose mission, at bottom, is humans taking care of humans. There are places where no machine can go: when a human needs a human, whether it’s a loved one or a professional one or a team, or a combination. And I think that’s how we know that AI will never replace our humanity.“
„Ich bin fest davon überzeugt, dass KI ein sehr mächtiges Werkzeug für die Gesundheitsversorgung und die Medizin insgesamt sein kann. Aber dies ist ein Feld, dessen Auftrag im Kern darin besteht, dass Menschen sich um Menschen kümmern. Es gibt Orte, an die keine Maschine gelangen kann: wenn ein Mensch einen Menschen braucht — einen Angehörigen, eine Fachkraft, ein Team oder alles zusammen. Und daran, denke ich, erkennen wir, dass KI unsere Menschlichkeit nie ersetzen wird.“
Der Satz gilt zunächst für die Medizin. Er beschreibt aber ein Merkmal, das sich auf andere Felder übertragen lässt und das oben als viertes Kriterium steht: Wo eine Aufgabe daran hängt, dass ein Mensch für sie geradesteht, verschwindet sie nicht, weil ein Modell sie schneller vorbereiten kann.
Was daraus für die Entscheidung folgt
Diese vier Merkmale ersetzen keine Neigung. Ein Kind, das nicht in die Medizin will, wird dort auch nicht dadurch glücklich, dass der Beruf reguliert ist. Sie sind ein Filter, kein Kompass.
Aber sie verändern die Art des Gesprächs. Statt zu raten, welche Branche in zwanzig Jahren floriert, prüfen wir, wie viele Türen ein bestimmter Weg offenlässt und wie schnell sie sich schließen, wenn sich die Annahmen ändern. In einem Pfad-Bericht steht deshalb zu jeder Route, welche Annahme sie trägt, was passiert, wenn diese Annahme nicht eintritt, und welcher Weg dann noch offen ist. Nicht, weil ich die Zukunft kenne, sondern ausdrücklich, weil ich sie nicht kenne. Wie das aussieht, können Sie an einem achtseitigen Auszug aus einem Musterbericht nachlesen, bevor Sie mit mir sprechen.
Das ist kein methodischer Zierrat. Es ist die einzige Konsequenz, die sich aus dem Befund dieses Beitrags redlich ziehen lässt: Wenn seriöse Schätzungen um den Faktor fünf auseinanderliegen und ein Nobelpreisträger um den Faktor drei irrt, dann muss eine Entscheidung so gebaut sein, dass sie auch dann noch trägt, wenn die Annahme darunter falsch war.
Die Frage ist nicht, welcher Beruf die KI übersteht. Die Frage ist, welcher Bildungsweg Ihrem Kind die meisten Möglichkeiten offenhält, wenn niemand weiß, was kommt.
Was ich Ihnen nicht sage
Ich sage Ihnen nicht, dass Informatik sicher ist, weil es um Technik geht — die Programmierarbeit hat sich bereits stärker verändert als die meisten anderen akademischen Tätigkeiten. Ich sage Ihnen auch nicht, dass Geisteswissenschaften verloren sind; die Fähigkeit, einen Text auf seine Voraussetzungen hin zu prüfen, wird eher wertvoller, wenn Texte beliebig herstellbar werden.
Was ich Ihnen sage: Beide Aussagen wären Meinungen. Und Meinungen sind eine schlechte Grundlage für eine Entscheidung, die sechs Jahre und womöglich sechsstellige Beträge bindet.
Was ich stattdessen liefere, ist Nachprüfbarkeit. Jede Zahl in diesem Beitrag ist unten belegt, mit Fundstelle und Datum. Sie können jede einzelne davon selbst nachschlagen — und genau so arbeite ich auch in einem Mandat, nur dass die Quellen dort nicht Hinton und Autor heißen, sondern Zulassungsordnung, Modulhandbuch und Anerkennungsbescheid.
Quellen und weiterführende Literatur
- 1.Hinton, Geoffrey (2016): Beitrag auf der Konferenz „Machine Learning and the Market for Intelligence“, Creative Destruction Lab, Rotman School of Management, University of Toronto, 27.10.2016. Videomitschnitt „Geoff Hinton: On Radiology“, veröffentlicht 24.11.2016. Zitiert in: Radiologia Brasileira (PMC7720669) sowie Mukherjee, Siddhartha: „A.I. Versus M.D.“, The New Yorker, Ausgabe vom 03.04.2017.
- 2.Hinton, Geoffrey im Gespräch mit Eric Topol: „Ground Truths“, Transkript veröffentlicht 08.12.2023. Ergänzend: Lohr, Steve: „Your A.I. Radiologist Will Not Be With You Soon“, The New York Times, 14.05.2025.
- 3.Malhotra, A. et al. (2026): The Evolving US Radiologist Pipeline. Journal of the American College of Radiology 23(8), 1587–1592. DOI 10.1016/j.jacr.2026.04.005.
- 4.Rula, Elizabeth Y. (2026): The Radiologist Shortage — A Workforce Update from HPI. ACR Bulletin, 05.02.2026. Neiman Health Policy Institute.
- 5.Frey, Carl Benedikt / Osborne, Michael A. (2013): The Future of Employment — How Susceptible Are Jobs to Computerisation? Oxford Martin School, 17.09.2013. Publiziert in: Technological Forecasting and Social Change 114 (2017), 254–280.
- 6.Arntz, Melanie / Gregory, Terry / Zierahn, Ulrich (2016): The Risk of Automation for Jobs in OECD Countries. OECD Social, Employment and Migration Working Papers No. 189. DOI 10.1787/5jlz9h56dvq7-en.
- 7.Nedelkoska, Ljubica / Quintini, Glenda (2018): Automation, Skills Use and Training. OECD Working Paper No. 202, 14.03.2018. DOI 10.1787/2e2f4eea-en.
- 8.Grienberger, Katharina / Matthes, Britta / Paulus, Wiebke (2024): Folgen des technologischen Wandels für den Arbeitsmarkt. IAB-Kurzbericht 5/2024, 12.03.2024. DOI 10.48720/IAB.KB.2405.
- 9.Acemoglu, Daron (2025): The Simple Macroeconomics of AI. Economic Policy 40(121), 13–58. Vorabfassung: NBER Working Paper 32487, Mai 2024.
- 10.Autor, David H. (2015): Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives 29(3), 3–30. DOI 10.1257/jep.29.3.3.
- 11.Autor, David H. (2024): Applying AI to Rebuild Middle Class Jobs. NBER Working Paper 32140, Februar 2024.
- 12.Brynjolfsson, Erik (2022): The Turing Trap — The Promise and Peril of Human-Like Artificial Intelligence. Daedalus 151(2), 272–287.
- 13.Brynjolfsson, Erik / Chandar, Bharat / Chen, Ruyu (2025): Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, Fassung vom 13.11.2025.
- 14.Brynjolfsson, Erik (2026): AI Changed Work Forever in 2025. TIME, 02.01.2026.
- 15.Dell’Acqua, Fabrizio / McFowland III, Edward / Mollick, Ethan et al. (2023): Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013, 22.09.2023.
- 16.Mollick, Ethan (2026): Q&A with Ethan Mollick. AI Policy Perspectives, 22.04.2026.
- 17.Hassabis, Demis (2025): Gespräch beim Athens Innovation Summit, 12.09.2025. Transkript: Endeavor Greece.
- 18.Li, Fei-Fei (2024): Pre-read Assembly, Princeton University, 01.09.2024. Wiedergabe: Princeton University News, 06.09.2024.
- 19.Medscape (2026): Physician Compensation Report 2026 — Vergütung nach Fachrichtung. Selbstberichtete Umfragedaten, keine amtliche Statistik.
- 20.US Radiology Imaging and Workforce Volumes 2017–2024: An Analysis of 46.4 Million Imaging Examinations From 167 Radiology Facilities. Journal of the American College of Radiology, 2025.
- 21.National Resident Matching Program (2026): Results and Data — 2026 Main Residency Match.
- 22.World Economic Forum (2025): Future of Jobs Report 2025. Insight Report, Januar 2025.
Ein Gespräch, bevor Sie sich festlegen.
Sechzig Minuten, telefonisch oder online. Sie schildern die Lage, ich stelle Rückfragen — und am Ende wissen Sie, ob eine Begleitung sinnvoll ist oder nicht.