---

Das Beispiel: Studium oder Ausbildung?

Ich habe den Prompt mit einer Frage laufen lassen, die jeder Abi-Jahrgang hat: Soll man 2026 studieren oder eine Ausbildung machen? Und wenn ja, was genau?

Das Ergebnis ist eine Recherche mit 54 Quellen, davon 24 amtliche Statistiken von Bundesagentur für Arbeit, BIBB, OECD und Co. Das Urteil für ein konkretes Profil (Abi mit 2,3, Interesse an Technik und Wirtschaft, will bald eigenes Geld verdienen) lautet: duales Studium, Sicherheit mittel.

Drei Befunde, die mich selbst überrascht haben:

• Ein Studium bringt mehr Geld, aber kaum mehr Jobsicherheit. Bei den 25- bis 34-Jährigen sind 3,5 % der Akademiker arbeitslos und 3,3 % der Leute mit Berufsabschluss (OECD, Education at a Glance 2025).
• Das größere Risiko ist der Abbruch. An Unis brechen 42 bis 47 % das Informatik-Studium ab und 44 bis 51 % das Elektrotechnik-Studium (DZHW). Azubis mit Abitur lösen nur 17,9 % ihrer Verträge vorzeitig (Berufsbildungsbericht 2026).
• Bei jungen Akademikern in Deutschland zeigt sich bis Ende 2025 kein messbarer KI-Effekt. Der negative Effekt taucht in nicht-akademischen Berufen und in der Industrie auf, und dort wirkt die Konjunktur mehr als doppelt so stark (IAB-Forum, noch nicht begutachtet).

Hier ist die komplette Recherche als Seite: Urteil, Ranglisten der Studienfächer und Ausbildungsberufe, eine Matrix für andere Profile, KI-Exposition nach Beruf und alle 54 Quellen zum Anklicken.

Das ist keine Berufsberatung. Die Recherche gilt für ein Beispielprofil, und Gehälter von Portalen widersprechen sich teils um mehrere tausend Euro. Die Seite markiert solche Stellen.

Schritt 1: Den Prompt auf deine Frage umbauen

Der Prompt weiter unten ist auf die Jobmarkt-Frage zugeschnitten. Für eine andere Frage tauschst du drei Teile aus und lässt den Rest stehen:

• Context: Wer du bist, was du entscheiden willst, welche Mittel du hast. Je konkreter, desto klarer das Urteil. Mit einem vagen Profil antwortet auch dieser Prompt mit „kommt drauf an".
• Scope: Länder, Zeitraum, welche Optionen verglichen werden.
• Phasen 2 bis 5: Das sind die fachlichen Fragen. Phase 1 (Hypothesen) und Phasen 6 bis 8 (Synthese, Bias-Check, Urteil) bleiben gleich.

Wenn dir das Umbauen zu fummelig ist, lass es Claude machen:

Hier ist ein Research-Prompt für Perplexity. Bau ihn auf meine Frage um.

Meine Frage: [Was willst du entscheiden?]
Mein Kontext: [Wer bist du, was steht schon fest, Budget, Zeit]
Länder und Zeitraum: [z. B. Deutschland, Daten ab 2022]

Behalte Role, Phase 1, die Phasen Synthese, Bias-Check und Urteil,
die Quality rules und das Output-Format bei. Tausch Context, Scope
und die fachlichen Phasen aus. Mindestens zwei Hypothesen müssen
gegen meine naheliegende Antwort sprechen.

[Prompt von unten einfügen]

Lies das Ergebnis einmal durch, bevor es nach Perplexity geht. Am wichtigsten sind die Gegenhypothesen: Sind die zu weich, bestätigt dich die Recherche am Ende nur.

Schritt 2: In Perplexity laufen lassen

1. Öffne Perplexity und stell auf einen Modus mit tiefer Recherche. Ich nutze dafür den Research-Modus, Labs funktioniert auch.
2. Füg den Prompt ein und schick ihn ab.
3. Lass ihn laufen. Bei mir dauert so ein Lauf einige Minuten.
4. Am Ende liegen zwei Dateien da: ein JSON mit allen Daten und eine Zusammenfassung als Markdown. Lad beide runter.

Kurzer Plausibilitätscheck: Schau in die Quellenliste. Bei der Jobmarkt-Frage sollten dort Bundesagentur für Arbeit, IAB, BIBB und DZHW auftauchen. Fehlen die meisten Primärquellen und stehen nur Karriereportale drin, war die Recherche zu flach. Dann den Lauf wiederholen.

Schritt 3: Claude baut daraus eine Seite

Zieh beide Dateien in einen neuen Claude-Chat und schreib dazu:

Hier sind die Ergebnisse meiner Recherche: die Zusammenfassung und
das JSON mit allen Daten. Bau daraus ein Artefakt:

- Oben das Urteil mit Sicherheitsgrad und für wen es gilt
- Der Kernbefund als Diagramm
- Danach Ranglisten, Hypothesen, Bias-Check, offene Fragen
- An jeder Zahl die Quelle als klickbarer Verweis
- Prognosen, Annahmen und Widersprüche sichtbar markiert

Regel: Jede Zahl auf der Seite muss wörtlich im JSON stehen.

Die letzte Zeile ist die wichtigste. Ohne sie rundet Claude beim Gestalten auch mal eine Zahl oder fasst zwei Werte zusammen. Mit ihr bleibt die Seite so belegt wie die Recherche.

Gefällt dir etwas nicht, sag es einfach im Chat („Ranglisten als Tabelle", „Diagramm größer", „dunkles Design"). Claude baut die Seite dann neu.

Schritt 4: Teilen

Das Artefakt ist erst mal privat. Über das Share-Menü auf der Seite gibst du es frei und bekommst einen Link, den du weitergeben kannst. Die Leute sehen dann die fertige Seite, nicht deinen Chat.

Der Prompt

Das ist genau der Prompt, mit dem die Jobmarkt-Recherche entstanden ist. Er ist auf Englisch, weil Perplexity damit bei mir gründlicher sucht. Die letzte Qualitätsregel sorgt dafür, dass das Ergebnis trotzdem auf Deutsch kommt.

Role
You are a senior labor-market economist and career researcher
specializing in the German-speaking labor market, vocational education
and the impact of AI on jobs. Work like a top-1% researcher: frame the
question sharply (Curie), actively look for the opposing view and
check for bias (Kahneman), connect disciplines such as labor economics,
education research, demography and AI exposure research (Da Vinci), and
state conclusions with ruthless clarity (Newton). The goal is truth,
not validation.

Context
I am 18, finishing my Abitur in Germany in 2026 (average grade 2.3).
I am interested in technology and business but have no fixed passion
yet. My parents can support me modestly; I would like to earn my own
money soon. I want to decide: university degree or vocational training
(Ausbildung / Lehre)? If university, which field? If vocational
training, which occupation? Your research is the basis for my decision.

Scope
* Regions: Germany first, Austria and Switzerland as comparison
* Time: data from 2022 onward, labor-market outlook to 2035
* Paths: university (Bachelor/Master), dual vocational training,
  dual study programs (duales Studium) as hybrid, further training
  after vocational training (Meister, Techniker, Fachwirt)

Process (run the phases strictly in order)

Phase 1: Frame the question
1. Write 5 SMART hypotheses. At least two must argue against a
   university degree, e.g. "Vocational training plus Meister/Techniker
   reaches lifetime earnings within 10 % of a Bachelor degree in
   technical fields."
2. Derive 3 sharp test questions per hypothesis.

Phase 2: Labor market 2026
3. Collect hard data: unemployment rate by qualification level,
   shortage occupations, open positions vs. applicants, entry salaries
   and lifetime earnings by qualification, dropout rates (university
   and vocational training).
4. Separate short-term signals (2025/2026 economy) from structural
   trends (demography, retirement of baby boomers, energy transition).

Phase 3: AI and entry-level jobs
5. Which entry-level tasks and occupations are most exposed to AI,
   which are most resilient (manual, physical, regulated, people-facing
   work)? Back each with a study. Separate evidence from forecasts.

Phase 4: If university, then what
6. Rank max. 8 fields of study for my profile by: employment rate,
   entry salary, AI resilience, demand outlook to 2035, dropout risk.
   Give numbers with sources for each criterion.

Phase 5: If vocational training, then what
7. Rank max. 8 vocational occupations (Ausbildungsberufe) for my
   profile by the same criteria, plus training allowance and paths to
   further training. Include at least 2 dual study programs as hybrids.

Phase 6: Synthesis
8. Build a decision matrix: which person profile fits which path
   (grades, interests, risk appetite, financial situation, preference
   for theory vs. practice). Mark contradictions.

Phase 7: Bias audit
9. Name 3 ways this research could mislead me (e.g. averages vs. my
   individual case, past earnings data vs. future AI effects, survivor
   bias in success stories).
10. Devil's advocate: give the strongest argument for the path you do
    NOT recommend.

Phase 8: Verdict
11. One verdict for my profile: STUDY / APPRENTICESHIP / DUAL_STUDY,
    with a confidence level (high / medium / low), plus the top 3 picks
    of the chosen path and the conditions under which the verdict flips.

Quality rules
* Every number and claim needs a source (URL, publisher, date).
* Forecasts and projections are labeled "forecast", working papers and
  non-peer-reviewed studies "preprint".
* If you cannot find evidence, label the point "assumption" or "open
  question". Never state it as fact.
* Where sources conflict, show both and mark it CONTRADICTION.
* Primary sources (Bundesagentur für Arbeit, IAB, BIBB, Destatis, DZHW,
  OECD) before press articles and career portals.
* Write all output in German.

Output
Deliver two files.
1. `jobmarkt-2026-research.json`
{
  "meta": { "created": "", "scope": "", "method": "" },
  "verdict": { "decision": "STUDY|APPRENTICESHIP|DUAL_STUDY",
    "confidence": "", "rationale": "", "top_picks": [],
    "flip_conditions": [] },
  "hypotheses": [ { "id": "", "hypothesis": "",
    "status": "confirmed|rejected|open", "test_questions": [],
    "findings": [ { "claim": "", "value": "", "source_id": "" } ] } ],
  "labor_market": [ { "indicator": "", "value": "", "year": "",
    "trend": "short_term|structural", "source_id": "" } ],
  "ai_exposure": [ { "occupation_or_task": "",
    "exposure": "high|medium|low", "evidence": "",
    "evidence_type": "study|forecast", "source_id": "" } ],
  "study_options": [ { "rank": 0, "field": "", "employment": "",
    "entry_salary": "", "ai_resilience": "", "outlook_2035": "",
    "dropout_risk": "", "source_ids": [] } ],
  "apprenticeship_options": [ { "rank": 0, "occupation": "",
    "type": "apprenticeship|dual_study", "training_allowance": "",
    "employment": "", "entry_salary": "", "ai_resilience": "",
    "outlook_2035": "", "further_training": "", "source_ids": [] } ],
  "decision_matrix": [ { "profile": "", "recommended_path": "",
    "why": "", "evidence_ids": [] } ],
  "bias_audit": [ { "risk": "", "explanation": "" } ],
  "devils_advocate": "",
  "open_questions": [],
  "sources": [ { "id": "", "title": "", "publisher": "", "date": "",
    "url": "", "type": "statistic|study|forecast|preprint|press" } ]
}
2. `jobmarkt-2026-summary.md`
Readable in 60 seconds:
* Headline (max. 12 words) stating the verdict
* 3 key insights, each with a number and a source
* My top 3 options with one line each
* When I should choose the other path
* One next step for this month
Tone: sharp, plain, no jargon, no emojis.

Typische Fehler

• Nur Hypothesen für die eigene Meinung. Dann bestätigt dich die Recherche. Mindestens zwei müssen dagegen sprechen, und die musst du selbst lesen.
• Kein konkretes Profil im Context. „Ich überlege, was ich nach dem Abi mache" führt zu einem Überblick. „18, Schnitt 2,3, will bald Geld verdienen" führt zu einem Urteil.
• Prognosen wie Fakten lesen. Was bis 2035 passiert, ist ein Szenario. Der Prompt lässt Prognosen markieren, die Seite zeigt sie anders an. Schau bei wichtigen Zahlen, ob „Prognose" dransteht.
• Den Output-Teil kürzen. Ohne festes JSON bekommst du einen langen Bericht, und Claude muss die Zahlen erst wieder herausziehen. Dabei passieren Fehler.
• Die Prüfregel in Schritt 3 weglassen. Dann kann beim Gestalten eine Zahl gerundet oder erfunden werden, ohne dass du es merkst.

Next Steps

1. Öffne die Jobmarkt-Recherche und schau dir an, wie die Seite aufgebaut ist.
2. Nimm eine Entscheidung, die bei dir gerade offen ist, und bau den Prompt mit Schritt 1 darauf um.
3. Lass ihn in Perplexity laufen und gib die zwei Dateien Claude.