Studienberatungen im deutschsprachigen Raum setzen zunehmend auf KI-Assistenten. Ihr Weg unterscheidet sich vom internationalen Vorbild – und ihr größter Gewinn liegt womöglich anderswo als erwartet.
Im Sommer 2016 verschickte die Georgia State University in Atlanta Textnachrichten an ihre frisch zugelassenen Studienanfänger. Absender war Pounce, ein Chatbot, benannt nach dem Maskottchen der Universität. Er erinnerte an Fristen, fragte nach fehlenden Unterlagen und beantwortete Rückfragen rund um die Uhr. Am Ende des Sommers standen 185.000 Interaktionen zu Buche – und eine Zahl, die seither durch die Fachliteratur wandert: Der sogenannte Summer Melt, der Anteil zugelassener Studierender, die sich vor Semesterbeginn doch wieder abwenden, sank von 19 auf 9 Prozent.
Zehn Jahre später ist der Fall Pounce noch immer das meistzitierte Argument für Chatbots im Hochschulbereich. Bemerkenswert ist aber, was ihn erfolgreich machte. Entscheidend war die Kombination aus einer klar umrissenen Zielgruppe, einem präzisen Zeitpunkt, einem konkreten Handlungsziel und einer funktionierenden Übergabe an Menschen. Nicht die Qualität der Formulierungen. Pounce löste ein eng definiertes Problem – und darin liegt die Lehre für alle, die heute über einen Beratungsbot nachdenken.
Was die internationalen Pioniere zeigen
Die anderen viel beachteten Fälle bestätigen dieses Muster. Deakin Genie, der Assistent der australischen Deakin University, wurde nach Angaben der Hochschule von mehr als 25.000 Studierenden heruntergeladen und begann zu Spitzenzeiten bis zu 12.000 Gespräche am Tag. Sein Nutzen lag in der Verbindung von Auskunft und Studienorganisation: Stundenplan, Aufgaben, Termine. Beacon an der Staffordshire University wiederum bündelt verstreute Campusdienste an einer Stelle – Dokumente, Ausweisersatz, Kontaktsuche, Navigation. Der Mehrwert entsteht dort weniger durch bessere Antworten als dadurch, dass die Studierenden von der Antwort direkt zur Handlung kommen.
Jill Watson am Georgia Tech schließlich erzählt die technische Entwicklung im Zeitraffer. 2016 startete der virtuelle Teaching Assistant auf Basis von IBM Watson und einer sorgfältig kuratierten Wissensbasis. Spätere Generationen integrierten BERT, dann generative Modelle – und arbeiten weiterhin mit geprüften Kursmaterialien. Die Lehre daraus ist unaufgeregt: Große Sprachmodelle ersetzen keine sorgfältig gepflegte Wissensbasis. Sie verändern nur, wie flüssig die Antwort daraus formuliert wird.
Der DACH-Weg: Begrenzung als Prinzip
Seit 2024 ist im deutschsprachigen Raum eine eigene Welle entstanden. Die HTW Berlin betreibt einen intern entwickelten Bot mit kuratierter Wissensbasis, lokal verarbeiteten Daten und einem Open-Source-Framework, dessen Inhalte Mitarbeitende des Studierendenservice ohne Programmierkenntnisse pflegen können. Die Hochschule Magdeburg-Stendal setzt seit Juni 2026 einen deutsch- und englischsprachigen Assistenten ein, der ausschließlich aus hochschuleigenen Webseiten schöpft. Der WINGformer der Berner Fachhochschule bietet Studieninteressierten im Wirtschaftsingenieurwesen eine erste Orientierung und stellt ausdrücklich klar, dass er das persönliche Gespräch nicht ersetzt. Helia an der Hochschule Burgenland dokumentiert Zweck, Freiwilligkeit und Rechtsgrundlage auf einer eigenen Datenschutzseite. Dazu kommen StudyBot an der FH Oberösterreich, DIPLOBot, StudiGPT der Universität Graz für rund 30.000 Studierende und das hochschulübergreifend angelegte Projekt What2Study.
So verschieden diese Systeme sind, ein Muster kehrt wieder: Ergänzung statt Ersetzung, Antworten nur aus geprüften hochschuleigenen Quellen, Datenschutz von Anfang an mitgedacht und eine klar definierte Übergabe an Menschen. Wer das für Zögerlichkeit hält, unterschätzt die Sache. In einem Feld, in dem eine falsch genannte Bewerbungsfrist ein Studienjahr kosten kann, ist Zurückhaltung eine Qualitätsentscheidung.
Warum der frei formulierende Bot der falsche Weg ist
Technisch führt dieser Ansatz zu einer klaren Empfehlung. Der tragfähigste Aufbau für eine Studienberatung kombiniert vier Bausteine: fest programmierte Dialoge für rechtlich oder fachlich heikle Vorgänge, ein Sprachmodell, das ausschließlich aus freigegebenen Hochschuldokumenten antwortet, kontrollierte Schnittstellen für Termine oder Statusabfragen und einen verlässlichen Weg zu einem menschlichen Ansprechpartner.
Der Verzicht auf den frei formulierenden Sprachassistenten hat gute Gründe. Generative Systeme neigen zu Halluzinationen, verwechseln Quellen und laden zum Übervertrauen ein – gerade weil sie so flüssig klingen. Für Prüfungsordnungen, Zulassungsregeln und Fristen taugt Modellwissen nicht als fachliche Autorität. Es darf höchstens die sprachliche Darstellung übernehmen. Jede Antwort zu Fristen, Zulassung oder Prüfungsrecht braucht deshalb eine sichtbare Quelle, ein Gültigkeitsdatum und eine zuständige Stelle. Wo die Sicherheit fehlt, hilft nur eines: abbrechen und an einen Menschen übergeben.
Der rechtliche Rahmen hat sich gerade geschärft
Seit dem 2. August 2026 gilt in der EU die Transparenzpflicht des AI Act: Nutzerinnen und Nutzer müssen klar erkennen können, dass sie mit einem KI-System sprechen. Für einen Informationsbot, der Studienangebote erklärt und an Beratungsstellen verweist, ist das die zentrale Anforderung – ein Hochrisikosystem wird er durch den bloßen Hochschulkontext nicht.
Die Grenze verläuft an anderer Stelle, und sie ist für Beratungsangebote heikel. Sobald ein System bestimmungsgemäß über Zugang, Zulassung oder Bewertung mitentscheidet, fällt es unter die Hochrisikoregeln, die für den Bildungsbereich ab dem 2. Dezember 2027 gelten. Entscheidend ist die tatsächliche Funktion, nicht die Bezeichnung. Ein Bot darf Präferenzen strukturieren und Alternativen vergleichen. Wenn seine Empfehlung aber faktisch über Zugangswege entscheidet oder von Beratenden regelmäßig ungeprüft übernommen wird, hilft das Etikett „Orientierungshilfe“ nicht weiter.
Daneben gilt die DSGVO unabhängig von jeder KI-Einstufung. Ein häufiger Trugschluss verdient dabei Aufmerksamkeit: Der Hinweis „bitte keine personenbezogenen Daten eingeben“ ist keine hinreichende Schutzmaßnahme. Menschen erzählen im Chat spontan von ihrer Situation, ihrer Gesundheit, ihren Sorgen. Das System muss solche Angaben deshalb technisch erkennen, aus den Protokollen entfernen und die Person bei ernsten Anliegen an eine zuständige Stelle weiterleiten. Die Schweiz verfolgt einen sektoralen Kurs; eine übergreifende Vernehmlassungsvorlage soll bis Ende 2026 vorliegen.
Die Kennzahl, die in die Irre führt
Ein verbreiteter Messfehler verdient besondere Beachtung, weil er Fehlsteuerung produziert. Viele Projekte messen ihren Bot an der Deflection Rate, dem Anteil der Anfragen, die ihn erreichen, ohne bei Menschen zu landen. Die Kennzahl klingt plausibel und ist tückisch. Ein abgewiesener oder falsch beantworteter Kontakt erscheint darin als erfolgreiche Automatisierung, obwohl das Anliegen ungelöst bleibt – und die Person womöglich enttäuscht abspringt.
Sinnvoller ist eine ausgewogene Betrachtung mehrerer Größen: die Zufriedenheit der Nutzenden, der Anteil tatsächlich gelöster Anliegen, die fachliche Richtigkeit der Antworten mit gesonderter Prüfung heikler Auskünfte, die Zahl der Bewerbungen und Terminbuchungen, die Betriebskosten je gelöstem Anliegen, gleichbleibende Qualität für verschiedene Nutzergruppen und die Sicht der Beratenden selbst. Der letzte Punkt wird gern übersehen. Ein Bot, der Arbeit lediglich verlagert statt sie zu verringern, hat sein Ziel verfehlt, auch wenn die Gesprächszahlen glänzen.
Zur Einordnung der Investition: Ein fokussierter Informations-Assistent für die öffentliche Website mit 100 bis 300 kuratierten Themen liegt in der Größenordnung von 60.000 bis 150.000 Euro Einführungsaufwand. Ein produktiver Beratungsassistent mit Mehrsprachigkeit, Terminbuchung und Monitoring bewegt sich zwischen 150.000 und 450.000 Euro. Bemerkenswert daran ist die Kostenverteilung: Die Hauptausgaben entstehen selten durch Modellanfragen, sondern durch Wissensaufbereitung, Integration, Sicherheit, rechtliche Prüfung und dauerhafte Inhaltsverantwortung.
Der unterschätzte Nebeneffekt
Damit rückt eine Erkenntnis in den Mittelpunkt, die über die Technikfrage hinausweist. Ein Bot kann nur so gut antworten, wie die Dokumente es zulassen, aus denen er schöpft. Wenn Zulassungsseite, Prüfungsordnung, Fakultäts-FAQ und Beratungshandbuch unterschiedliche Aussagen enthalten, löst kein Sprachmodell diesen Widerspruch. Es bügelt ihn glatt und liefert eine von mehreren Versionen aus – ohne dass jemand merkt, dass es überhaupt einen Konflikt gab.
Ein gut gebauter Bot macht solche Konflikte stattdessen sichtbar und meldet sie an die zuständigen Fachstellen. Er zeigt der Hochschule, wo ihre eigenen Informationen auseinanderlaufen. Viele Projekte berichten, dass der eigentliche Ertrag der ersten Phase nicht im laufenden Betrieb lag, sondern in der Inventur davor: Wer alle Wissensquellen sichten, bereinigen, mit Gültigkeitsdaten versehen und einer verantwortlichen Person zuordnen muss, findet dabei Lücken, Dopplungen und Widersprüche, die jahrelang unbemerkt Ratsuchende in die Irre geschickt haben. Diese Aufräumarbeit nützt auch dann, wenn am Ende gar kein Bot in Betrieb geht.
Was automatisiert, was assistiert, was menschlich bleibt
Die strategische Frage lautet folglich nicht, ob eine Studienberatung einen Bot einsetzt. Sie lautet, welche Teile der Beratung eine Maschine übernehmen kann, wo sie den Beratenden zuarbeitet und was ausdrücklich in menschlicher Verantwortung bleibt.
Standardisierte Auskünfte kann ein Bot übernehmen: Fristen, Zugangsvoraussetzungen, Zuständigkeiten, Dokumente. Bei fallbezogenen Erklärungen kann er zuarbeiten, etwa indem er den Beratenden im Hintergrund die passenden Regelungen heraussucht. Abwägungen, Krisensituationen, Konflikte und folgenreiche Lebensentscheidungen gehören zu den Menschen. Bei psychischer Belastung ist die Forschungslage eindeutig genug für eine klare Linie: Eine Metaanalyse von 31 randomisierten Studien mit fast 30.000 jungen Menschen fand kleine bis moderate Effekte, mit verlässlicheren Resultaten für Systeme, die aus geprüften Texten antworten. Erste Informationen, Orientierung und Weiterleitung an Fachstellen sind vertretbar. Diagnose, Krisenintervention und Therapieersatz nicht.
Für den ersten produktiven Schritt empfiehlt sich deshalb ein eng gefasster Bot, der anonym nutzbar ist, informiert und an die richtige Stelle weiterleitet. Terminbuchung, Anbindung an das Bewerbermanagement, persönliche Begleitung durch das Studium und aktives Anschreiben von Interessierten folgen erst nach nachgewiesener Qualität. Automatische Eignungsurteile, Ranglisten von Studieninteressierten und unbeaufsichtigte Entscheidungen gehören weder in den ersten noch in den zweiten Schritt.
Ein Beratungsverfahren, kein Website-Feature
Der entscheidende Erfolgsfaktor ist am Ende nicht das gewählte Sprachmodell. Es ist die Fähigkeit einer Hochschule, verlässliches Wissen, ihre Beratungshaltung, klare Zuständigkeiten und technische Kontrolle dauerhaft zusammenzuführen. Die international erfolgreichsten Fälle lösen eng definierte Probleme mit messbaren Zielen. Die überzeugendsten Ansätze im deutschsprachigen Raum verbinden geprüfte hochschuleigene Quellen mit lokaler Verantwortung und einer klaren Grenze zur persönlichen Beratung.
Diese Aufgabe liegt quer zu den üblichen Zuständigkeiten. Sie berührt Studienberatung, Zulassung, IT, Datenschutz, Rechtsstelle, Barrierefreiheit und Kommunikation – Bereiche, die an Hochschulen selten an einem Tisch sitzen. Ansätze wie die Higher Education Journey-Methode der MAGISTER Hochschulberatung setzen an dieser Schnittstelle an und betrachten die Kontaktpunkte entlang der studentischen Entscheidungsreise als zusammenhängendes System. Ein Bot ist in dieser Perspektive einer von vielen Kontaktpunkten, dessen Qualität sich daran bemisst, ob er den Weg zum Studium erleichtert oder eine weitere Hürde einzieht.
Darin liegt die eigentliche Weichenstellung. Ein Beratungsbot lässt sich als technische Funktion der Website betreiben, vergleichbar mit einer Suchmaske oder einem Kontaktformular: einmal eingerichtet, danach kaum gepflegt, ohne festen Verantwortlichen. Ein solcher Bot veraltet innerhalb weniger Monate, gibt überholte Fristen aus und beschädigt das Vertrauen in die Beratung, die er entlasten sollte. Behandelt eine Hochschule ihn dagegen als neues Beratungs- und Serviceverfahren – mit benannten Verantwortlichen für jede Wissensdomäne, festen Qualitätszielen, regelmäßiger Prüfung der Antworten und einem Verfahren für Fehler und Beschwerden –, entsteht etwas anderes: eine Studienberatung, die rund um die Uhr verlässlich Auskunft gibt und ihre Fachleute für das freihält, was nur Menschen leisten können.
Dieser Text ist mit KI-Unterstützung entstanden.
Grundlage ist ein analytischer Forschungsbericht zu KI-Bots in Studienberatungen weltweit und im DACH-Raum, Stand 6. August 2026. Quellen darin unter anderem: Georgia State University (Pounce), Deakin University (Genie), Staffordshire University (Beacon), Georgia Tech (Jill Watson); UNESCO-Erhebungen 2023 und 2025 zu KI-Leitlinien an Hochschulen; HTW Berlin, Hochschule Magdeburg-Stendal, DIPLOMA, What2Study/HRK-MODUS, Berner Fachhochschule, FHNW, FH Oberösterreich, Hochschule Burgenland, Universität Graz; Europäische Kommission zu Transparenzpflichten und Hochrisiko-Einstufung nach dem AI Act; Europäischer Datenschutzausschuss zu KI-Modellen und DSGVO; Metaanalyse zu Chatbots und psychischer Belastung bei jungen Menschen (JMIR 2025); OWASP LLM Top 10 und NIST AI Risk Management Framework.
