Junior-Entwickler einstellen nach dem Zerfall der Abschlüsse

Um Junior-Entwickler zu beurteilen, wenn ein Informatikabschluss keine Kompetenz mehr garantiert, hören Sie auf, Abschluss, Noten oder Lebenslauf als Beleg für Können zu werten. Geben Sie jedem Kandidaten dieselbe strukturierte, KI-bewusste Arbeitsprobe: unbekannten Code debuggen, ein Teilsystem erweitern und Abwägungen erklären. Bewerten Sie das Denken und das Urteilsvermögen, nicht das Ergebnis. Arbeitsproben sagen die Arbeitsleistung weit besser voraus als jeder Abschluss.

Das Signal, dem Sie früher vertraut haben, ist gerade zerbrochen. Jahrelang war „gute Uni plus gute Noten” ein brauchbarer erster Filter für Einsteiger im Engineering. Er sagte Ihnen, dass jemand vermutlich Code lesen, ein Problem durchdenken und sich zu einem echten Entwickler ausbilden lässt. 2026 versagt dieser Filter offen sichtbar, und die Daten sind keine Einzelfälle mehr. Dieser Leitfaden erklärt, was passiert ist, warum der Lebenslauf schon immer schwächer war, als Sie dachten, und welche Bewertung das kaputte Abschluss-Signal beim Einstellen von Juniors tatsächlich ersetzt.

Der Abschluss zertifiziert plötzlich keine Kompetenz mehr

Der deutlichste Beleg dafür, dass der Abschluss zerfällt, kommt von den Institutionen, die ihn vergeben. Die Durchfallquoten in Einführungskursen der Informatik sind sprunghaft gestiegen, grundlegende Vorkenntnisse erodieren, und Lehrende erklären öffentlich, dass ihre eigenen Zulassungssignale nicht mehr funktionieren. Das sind keine Meinungsartikel. Das sind Notenverteilungen und formelle Petitionen.

35 % Durchfallquote: was an der CS-Fakultät der UC Berkeley geschah

Im Frühjahrssemester 2026 erreichte die Durchfallquote im Kurs CS 10 der UC Berkeley 35,3 % — gegenüber unter 10 % in den Frühjahrssemestern 2024 und 2025, laut Notendaten des Daily Californian. CS 61A verzeichnete 10,6 % Fünfen, EECS 127 sogar 16,8 %. Die Richtlinie der Fakultät sieht vor, dass etwa 7 % der Studierenden in den unteren und 5 % in den höheren Semestern eine Vier oder Fünf bekommen — eine Durchfallquote von 35,3 % ist also rund das Fünffache des Normalwerts.

Die Durchschnittsnote fiel sowohl in CS 10 als auch in CS 61A auf eine glatte Drei (etwa 2,3 GPA), gegenüber einem angestrebten Fakultätskorridor von 2,8 bis 3,3. Der Lehrprofessor Dan Garcia führte den Einbruch auf eine „massive Zunahme akademischer Unredlichkeit” durch den Einsatz großer Sprachmodelle zurück und merkte an, dass allein in CS 10 fast 30 Studierende beim Schummeln in Take-home-Klausuren erwischt wurden.

Die Konsequenz für die Personalbeschaffung ist unmissverständlich: Den Kurs zu bestehen und die Noten zu halten bedeutet nicht mehr, dass der oder die Studierende die Arbeit eigenständig leisten kann. Abschluss und Kompetenz sind auseinandergedriftet. (Die Zahlen oben stammen aus den USA, wo die Notendaten offen liegen — der Mechanismus ist aber derselbe, der auch deutsche Hochschulen erfasst.)

Wenn die Torwächter selbst Alarm schlagen

Die Erosion betrifft nicht nur das Ergebnis. Auch die Eingangsvoraussetzungen werden schwächer. In Deutschland ist das Abitur der Ausweis, der die Hochschulreife verbürgt, und der Numerus Clausus regelt den Zugang. Dass die mathematische Studierfähigkeit der Studienanfänger nachlässt, ist dabei keine neue Debatte: Der von Hochschullehrenden getragene cosh-Mindestanforderungskatalog Mathematik dokumentiert seit über einem Jahrzehnt, dass Erstsemestern zunehmend Grundlagen fehlen, an denen Informatik- und MINT-Studiengänge in den ersten Semestern messbar scheitern. Der Ausweis bürgt also schon länger für weniger, als sein Name verspricht.

In den USA wird derselbe Befund noch schärfer sichtbar. Ein Bericht einer Arbeitsgruppe der University of California San Diego vom November 2025 stellte fest, dass die Zahl der Erstsemester mit Mathematikkenntnissen unter Mittelstufenniveau seit 2020 um das fast 30-Fache gestiegen ist. Mehr als 800 UC-Lehrende, darunter sieben der neun Lehrstuhlinhaber der Mathematikfakultäten, unterzeichneten einen offenen Brief mit der Forderung, die ausgesetzte standardisierte Aufnahmeprüfung wieder einzuführen, wie Inside Higher Ed berichtete. Wenn diejenigen, die den Abschluss vergeben, formell feststellen, dass ihr Zulassungsfilter nicht mehr funktioniert, ist das das stärkste denkbare Signal, dass Sie das Urteil nicht an die Marke der Hochschule auslagern können.

Hier lohnt sich Genauigkeit bei den Ursachen. Der Rückgang der Mathematikvorbereitung ist älter als ChatGPT — in Deutschland zieht sich die cosh-Debatte über mehr als zehn Jahre. KI ist ein separater Beschleuniger obendrauf: Sie verschleiert, wer nicht denken kann, und bläht auf, wer produktiv aussieht. Die beiden Ursachen sind verschieden, und sie verstärken sich gegenseitig.

Wie KI Junior-Fähigkeiten zugleich verschleiert und aufbläht

KI bricht das Junior-Screening in zwei Richtungen gleichzeitig. Sie verschleiert Schwäche, denn ein Kandidat, der einen Bug nicht nachverfolgen oder über eine Datenstruktur nicht nachdenken kann, liefert trotzdem plausibel aussehenden Code und besteht eine saubere Take-home-Aufgabe. Und sie bläht den Anschein von Produktivität auf, weil die Menge des Outputs nicht mehr mit dem Verständnis korreliert.

Genau das ist die Falle speziell bei der Einstellung von Einsteigern. Ein erfahrener Entwickler, der sich auf KI stützt, ist ein starker Entwickler mit einem Kraftverstärker; sein Urteil fängt die Fehler des Modells ab. Ein Junior, der sich ohne Urteilsvermögen auf KI stützt, ist ein Risiko, weil er nicht erkennen kann, wann das Modell falschliegt. Der ganze Sinn, einen Junior einzustellen, besteht darin, auf jemanden zu setzen, den man entwickeln kann. Wenn Ihr Screening nicht die ausbildungsreifen Juniors von den reinen Prompt-Jockeys trennen kann, setzen Sie blind.

Warum Lebenslauf und Noten schon immer ein schwaches Signal waren

Jetzt der unbequeme Teil: Der Abschluss war noch nie ein guter Prädiktor für die Arbeitsleistung. Jahrzehnte der Forschung zur Personalauswahl zeigen klar, dass das, was jemand auf dem Papier vorweist, weit weniger vorhersagt als das, was er tatsächlich demonstrieren kann. Der Zerfall der Abschlüsse hat dieses Problem nicht geschaffen. Er hat nur die letzte Ausrede beseitigt, es zu ignorieren.

Arbeitsproben vs. Lebensläufe: was die Metaanalysen zeigen

Die grundlegende Metaanalyse von Schmidt und Hunter (1998) reihte die Prädiktoren der Arbeitsleistung nach ihrer Validität. Arbeitsprobentests landeten ganz oben. Die Kombination aus allgemeiner kognitiver Fähigkeit und einem Arbeitsprobentest erreichte eine durchschnittliche Validität von etwa 0,63, wobei die Arbeitsprobe rund 24 % zusätzliche Vorhersagekraft gegenüber einem reinen Fähigkeitstest beisteuerte, laut der veröffentlichten Zusammenfassung. Strukturierte Interviews kamen auf etwa 0,51. Unstrukturierte Interviews, Lebensläufe und Berufsjahre folgten weit dahinter.

Der Ehrlichkeit halber: Spätere Forschung korrigierte die Zahlen nach unten. Roth, Bobko und McFarland (2005) schätzten die eigenständige Validität der Arbeitsprobe auf etwa 0,33 und führten den Rückgang auf die breitere Anwendung in Dienstleistungsberufen zurück. Arbeitsproben sind also stark, aber kein Zaubermittel. Die Aussage hält in beiden Schätzungen: Eine demonstrierte Arbeitsprobe schlägt einen Abschluss als Stellvertretersignal, und zwar mit deutlichem Abstand. Die relative Rangfolge ist der Teil, der 25 Jahre Prüfung überstanden hat.

Die Einstellungswissenschaft riet schon lange vor der KI dazu, demonstriertes Können höher zu gewichten als Abschlüsse. Jetzt, da der Abschluss weniger zertifiziert, ist die Sache nicht mehr diskutabel. Sie ist operativ.

Die Screening-Antwort: strukturierte, KI-bewusste Arbeitsproben

Die richtige Antwort auf den Zerfall der Abschlüsse besteht nicht darin, KI zu verbieten oder der Hochschule noch mehr zu vertrauen. Sie besteht darin, echtes Können mit einer strukturierten, KI-bewussten Arbeitsprobe zu beurteilen und auf jeden Kandidaten dieselbe Bewertungsmatrix anzuwenden. Die großen Tech-Konzerne sind bereits zu diesem Ansatz übergegangen, und ihre Neugestaltungen sind die deutlichste Vorlage dafür, wie das Screening von Einsteigern 2026 aussehen sollte.

Unbekannten Code debuggen, nicht saubere Rätsel lösen

Google führte 2026 eine „Code-Comprehension”-Runde ein, die das Unternehmen als menschengeführt und KI-unterstützt beschreibt: Kandidaten analysieren eine bestehende Codebasis mit verfügbarem Gemini und werden auf Prompt-Engineering, Output-Validierung und Debugging-Fähigkeiten geprüft, laut der Analyse von Exponent. Bei Junior-Kandidaten wird eine klassische Algorithmusrunde durch eine offene Engineering-Problemsitzung ersetzt.

Die Verschiebung geht von „Kannst du diese Funktion von Grund auf schreiben?” zu „Kannst du über ein System nachdenken, das du nicht geschrieben hast?”. Interviewer achten jetzt vorrangig darauf, ob ein Kandidat unbekannten Code nachverfolgen, Hypothesen über Fehler bilden und Korrekturen systematisch validieren kann. Genau das ist die Fähigkeit, die KI nicht stellvertretend für den Kandidaten vortäuschen kann, denn KI erzeugt zwar schnell Code, schleust dabei aber subtile Bugs ein — und diese Bugs zu fangen verlangt, dass der Mensch das System tatsächlich versteht.

Ein sauberes Rätsel von Grund auf ist genau das, was ein Sprachmodell in einem Zug löst. Eine unbekannte Codebasis mit einem eingebauten Bug ist genau das, was es nicht kann, denn die Arbeit besteht aus Verständnis und Urteil, nicht aus Generieren.

Das Denken und die Abwägungen bewerten, nicht das Ergebnis

Die zweite Verschiebung betrifft das, was Sie benoten. Im neuen Format schnitten Kandidaten, die algorithmische Abwägungen erkannten und erklärten, gut ab — selbst wenn sie nicht beide Lösungen implementieren konnten, so Exponents Analyse des Formats. Erfolgreiche Kandidaten prompten, lesen, kritisieren, korrigieren und iterieren. Wer scheitert, behandelt KI als Antwortmaschine und fügt einfach ein, was sie zurückgibt.

Für einen Junior ist das die mit Abstand wichtigste Größe. Sie stellen ihn nicht für die Codezeilen ein, die er an Tag eins produziert — die liefert die KI. Sie stellen ihn für das Urteilsvermögen ein, das entscheidet, ob der Code richtig ist, ob der Ansatz skaliert und was zu tun ist, wenn er bricht. Bauen Sie Ihre Bewertung um Fragen wie diese herum: Hat er den Output der KI validiert? Hat er den eingebauten Bug gefunden? Kann er erklären, warum er einen Ansatz dem anderen vorgezogen hat? Hat er iteriert, als der erste Versuch scheiterte?

Eine Bewertungsmatrix über die gesamte Junior-Pipeline standardisieren

Die dritte Verschiebung ist Konsistenz. Eine strukturierte Beurteilung bedeutet, dass jeder Junior-Bewerber dieselbe Aufgabe erhält und nach derselben Matrix bewertet wird. Genau das macht aus dem Befund „Arbeitsprobe schlägt Lebenslauf” einen operativen Standard statt einer Bauchentscheidung, die je nach Laune des Interviewers schwankt.

Standardisierung zählt auf der Einstiegsebene mehr als irgendwo sonst, weil Junior-Kandidaten das am wenigsten differenzierte Papier haben. Ohne eine konsistente Arbeitsprobe fallen Sie auf die verrauschtesten verfügbaren Signale zurück: den Namen der Hochschule, den Notenschnitt, den Schliff des Lebenslaufs. Genau die Stellvertreter, die gerade aufgehört haben zu funktionieren. Eine einheitlich angewandte Matrix ist zugleich Ihre Verteidigung, wenn die Führung fragt, warum „gute Uni, gute Noten” kein ausreichender Filter mehr ist. Sie können für jeden Kandidaten auf dieselbe bewertete Arbeitsprobe verweisen.

Warum das jetzt wichtiger ist: weniger Junior-Stellen, höherer Einsatz

Die Einstellung von Juniors schrumpft, was treffsicheres Screening wertvoller macht, nicht weniger wertvoll. Die Zahl der öffentlich ausgeschriebenen IT-Stellen in Deutschland ging 2024 um rund 10 % auf etwa 780.000 zurück, und gerade die Ausschreibungen für hochqualifizierte IT-Expertinnen und -Experten brachen deutlich ein — der Rückgang trifft Berufseinsteiger und Quereinsteiger am härtesten, wie das Institut der deutschen Wirtschaft (IW Köln) berichtet.

Gleichzeitig hat sich der Arbeitsmarkt für Akademiker 2025 spürbar verschärft: Die Akademikerarbeitslosigkeit stieg auf 3,3 % — erstmals seit Jahren wieder über drei Prozent — bei einer Rekordzahl von rund 335.000 arbeitslosen Akademikerinnen und Akademikern, so die Bundesagentur für Arbeit. Von einer Massen-Unterbeschäftigung, wie sie US-Statistiken für junge Absolventen ausweisen, ist Deutschland weit entfernt — der Einstieg wird aber messbar schwieriger. Mehr Bewerber pro Junior-Stelle, ein engerer Einstiegsmarkt und ein schwächerer Abschluss drücken alle in dieselbe Richtung: Jede Junior-Einstellung muss jemand sein, den Sie tatsächlich entwickeln können, und Ihr Screening muss gut genug sein, ihn in einer Flut ununterscheidbarer Lebensläufe zu finden.

Analysten beschreiben Berufseinsteiger im Engineering inzwischen als gefangen zwischen KI-Agenten und erfahrenen Mitarbeitern, weil ein erfahrener Entwickler plus ein KI-Assistent den Bedarf an Junior-Unterstützung senkt. Diese Einordnung ist diskutabel, die strategische Folge ist es nicht. Die Unternehmen, die weiter Junior-Pipelines aufbauen, werden das nächste Jahrzehnt um Senior-Talente für sich entscheiden — und wer gut screent, bekommt die ausbildungsreifen Juniors statt der Prompt-Jockeys.

So setzen Sie das in Kit um

Kit ist dafür gebaut, echtes Können im Zeitalter des Abschluss-Zerfalls zu beurteilen. Der Kernmechanismus ist die Code-Aufgabe, konfiguriert als Task, der aus einem GitHub-Template-Repo verschickt wird. Weil es ein Template-Repo ist, kontrollieren Sie den Ausgangszustand — das heißt, Sie können den Kandidaten eine bestehende Codebasis zum Erweitern, einen subtil eingebauten Bug zum Finden und eine Abwägung zum Begründen in einer PR-Beschreibung übergeben. Das ist die „Code-Comprehension”-Runde als asynchrone, skalierbare Arbeitsprobe — nicht als sauberes Rätsel, das ein Sprachmodell in einem Zug löst.

Die Aufgabe ist genau in den Punkten konfigurierbar, die sie menschlich und standardisiert machen: Legen Sie die Dauer fest, geben Sie eine realistische geschätzte Bearbeitungszeit an, schreiben Sie eigene Anweisungen, bieten Sie sie als bezahlte Aufgabe an und bauen Sie Kulanzfristen ein. Jeder Junior-Bewerber erhält dieselbe Aufgabe und dieselbe Matrix, sodass Sie demonstriertes Können an der tatsächlichen Arbeit bewerten statt die Hochschule auf dem Lebenslauf. Die strukturierte, phasenbasierte Pipeline von Kit hält diese Bewertung über den gesamten Funnel konsistent, und das KI-native Werkzeug erlaubt es, Beurteilungen in dem Umfang zu gestalten und zu prüfen, den der neue Markt verlangt. Genau diesen Ablauf liefert Kit als Vorlage „Junior Engineer Pipeline” aus, bereit zum Klonen in Ihr Konto.

Wenn Sie den weiteren Kontext suchen, gehen diese Beiträge tiefer auf angrenzende Teile des Problems ein:

• Entwickler einstellen, wenn alle dieselbe KI haben behandelt die Differenzierung von Kandidaten, sobald alle Bewerber dieselben Werkzeuge haben.
• LeetCode ist nach der KI obsolet erklärt, warum das algorithmische Rätselformat sterben musste.
• Code-Aufgaben gestalten, die Kandidaten nicht hassen geht auf die Mechanik einer guten Take-home-Aufgabe ein.
• Einen Backend-Entwickler einstellen 2026 ist der angrenzende rollenspezifische Leitfaden.
• Was ist ein KI-natives ATS? liefert den Produktkontext, warum das eingebaut und nicht nachträglich angeflanscht ist.

FAQ

Sollte ich KI in Junior-Interviews verbieten?

Nein. Ein KI-Verbot testet eine Fähigkeit, die Kandidaten im Job nie nutzen werden, und lädt zu einem Wettrüsten ein, das Sie nicht kontrollieren können. Der bessere Weg ist, KI ausdrücklich zu erlauben und die Beurteilung so zu gestalten, dass Urteilsvermögen statt Generieren bewertet wird. Geben Sie eine unbekannte Codebasis zum Debuggen und lassen Sie den Kandidaten sein Vorgehen erklären. Ein schwacher Kandidat mit KI kann Ihnen trotzdem nicht sagen, warum die Korrektur funktioniert.

Was ist eine gute Arbeitsprobe für einen Einsteiger im Engineering?

Eine kleine, realistische Aufgabe auf Basis einer bestehenden Codebasis statt eines Rätsels von Grund auf. Übergeben Sie ein Teilsystem mit einem eingebauten Bug, bitten Sie um die Erweiterung eines Features und verlangen Sie eine kurze schriftliche Erklärung der Abwägungen. Bewerten Sie, ob der Kandidat sein Vorgehen validiert, den Bug gefunden hat und über ein System nachdenken kann, das er nicht geschrieben hat. Halten Sie es auf wenige Stunden, machen Sie es nach Möglichkeit bezahlt und geben Sie jedem Kandidaten dieselbe Aufgabe.

Zählt ein Informatikabschluss überhaupt noch?

Er ist weiterhin ein nützliches Stück Kontext, reicht aber als Screening nicht mehr aus. Die Notendaten der UC Berkeley und die Petition der UC-Lehrenden zeigen, dass der Abschluss weniger zertifiziert als früher, und die Metaanalysen der Einstellungswissenschaft zeigen, dass er die Arbeitsleistung nie so gut vorhersagte wie eine Arbeitsprobe. Behandeln Sie den Abschluss als einen schwachen Eingangsfaktor unter mehreren und lassen Sie eine strukturierte Arbeitsprobe das Gewicht tragen.

Der Zerfall der Abschlüsse ist real, und er kehrt sich so bald nicht um. Aber er ist keine Krise für Teams, die auf demonstriertes Können screenen. Wenn der Abschluss keine Kompetenz mehr zertifiziert, lautet die Antwort: eine strukturierte, KI-bewusste Arbeitsprobe, bewertet auf Denken und Urteil, gleichermaßen angewandt auf jeden Junior-Kandidaten. So finden Sie die ausbildungsreifen Entwickler, die sich in einem Stapel identischer Lebensläufe verstecken.

Gestalten Sie eine KI-bewusste Code-Aufgabe für Ihre nächste Junior-Stelle in Kit: ein Task aus einem Template-Repo, bewertet auf Denken, Debugging und Abwägungen, standardisiert über jeden Bewerber. Kostenlos testen.