«Ich mache etwas mit KI» ist kein Thema für eine Informatik-Bachelorarbeit, sondern eine Richtung. Ein tragfähiges Thema braucht eine konkrete Forschungsfrage, ein realistisches Artefakt oder eine überprüfbare Hypothese und einen erkennbaren Bezug zu dem, was in der Praxis oder Forschung tatsächlich offen ist. Diese Liste ordnet 30 Themenvorschläge nach sechs Teilgebieten der Informatik, jeweils mit einer konkreten Forschungsfrage und einem Hinweis darauf, was die Arbeit realistischerweise leisten kann.
Die Themen sind bewusst als Ausgangspunkt formuliert, nicht als fertige Aufgabenstellung — jedes lässt sich verengen oder auf eine bestimmte Branche, Technologie oder Nutzergruppe zuschneiden. Wie du aus einem solchen Ausgangspunkt eine präzise, beantwortbare Frage machst, zeigt der Leitfaden zum Formulieren einer Forschungsfrage. Die sechs Teilgebiete decken bewusst unterschiedliche Anforderungsprofile ab: Web- und App-Entwicklung sowie Software Engineering eignen sich gut für Arbeiten mit eigenem Softwareartefakt nach dem Design-Science-Ansatz, KI/ML und Cybersecurity verlangen oft einen sorgfältigen Umgang mit Daten und Testumgebungen, und Daten/Datenbanken sowie Netzwerke/Cloud lassen sich häufig gut mit einem Praxispartner umsetzen. Bevor du dich für ein Teilgebiet entscheidest, lohnt sich ein ehrlicher Blick auf die eigenen Stärken: Wer im Studium lieber mit Daten als mit Infrastruktur gearbeitet hat, ist im Bereich Daten/Datenbanken oder KI/ML meist schneller produktiv als in Netzwerke/Cloud, und wer bereits Praxiserfahrung aus einem Praktikum mitbringt, sollte diese bei der Themenwahl bewusst als Vorwissen einplanen.
Web- und App-Entwicklung
- Progressive Web Apps versus native Apps für kleine Unternehmen. Welche Kriterien entscheiden für ein KMU realistisch zwischen einer PWA und einer nativen App, gemessen an Entwicklungsaufwand, Reichweite und Wartungskosten? Machbar als Vergleichsstudie mit zwei Prototypen oder als strukturierte Kriterienanalyse anhand realer Fallbeispiele.
- Barrierefreiheit von Web-Anwendungen automatisiert prüfen. Wie zuverlässig erkennen automatisierte Testwerkzeuge WCAG-Verstösse im Vergleich zu einer manuellen Prüfung an einer konkreten Anwendung? Gut geeignet für eine empirische Vergleichsarbeit mit überschaubarem Aufwand.
- Offline-fähige Webanwendungen mit Service Workern. Welche Synchronisationsstrategie eignet sich für eine Anwendung mit häufigen Konflikten zwischen Offline- und Online-Datenständen? Ein gestaltungsorientiertes Thema mit klarem Artefakt.
- Design-System-Konsistenz in einer wachsenden Codebasis. Wie lässt sich automatisiert prüfen, ob neue Komponenten eines Frontends dem bestehenden Design-System entsprechen? Erfordert Zugang zu einer realen, wachsenden Codebasis, idealerweise über einen Praxispartner.
- Ladezeitoptimierung einer bestehenden Webanwendung. Welche Massnahmen verbessern die Core Web Vitals einer konkret ausgewählten, bestehenden Anwendung am stärksten, gemessen vor und nach der Umsetzung? Liefert direkt messbare Vorher-Nachher-Ergebnisse und eignet sich auch für Studierende mit begrenztem Zugriff auf fremde Produktivsysteme, da eine eigene Testanwendung als Untersuchungsobjekt genügt.
Künstliche Intelligenz und maschinelles Lernen
- Erklärbarkeit eines Klassifikationsmodells für eine konkrete Domäne. Wie verändert der Einsatz von SHAP- oder LIME-Erklärungen das Vertrauen von Fachpersonen in ein Modell, das sie in ihrem Arbeitsalltag einsetzen sollen? Kombiniert technische Umsetzung mit einer kleinen Nutzerbefragung.
- Datenqualität versus Modellkomplexität. Verbessert eine sorgfältigere Datenbereinigung die Vorhersagegüte eines einfachen Modells stärker als der Wechsel zu einem komplexeren Modell auf denselben, unbereinigten Daten? Gut mit einem öffentlich verfügbaren Datensatz umsetzbar.
- Bias in einem öffentlich verfügbaren Trainingsdatensatz. Welche systematischen Verzerrungen lassen sich in einem konkreten, offenen Datensatz nachweisen, und wie wirken sie sich auf die Modellvorhersage aus? Braucht keine eigene Datenerhebung.
- Few-Shot-Learning für eine Nischenanwendung mit wenig Trainingsdaten. Wie gut lässt sich ein vortrainiertes Sprachmodell mit einer kleinen, domänenspezifischen Datenmenge für eine konkrete Klassifikationsaufgabe anpassen? Anspruchsvoller, aber mit klarem Vergleichsmassstab.
- Vergleich von Prompt-Engineering-Strategien für eine wiederkehrende Aufgabe. Welche Prompt-Struktur liefert für eine definierte, wiederholbare Aufgabe konsistentere Ergebnisse eines Sprachmodells? Niedrige technische Einstiegshürde, hoher aktueller Praxisbezug, und mit überschaubarem Aufwand innerhalb weniger Wochen sauber durchführbar.
Cybersecurity
- Phishing-Erkennung durch Analyse von URL-Merkmalen. Welche Merkmalskombination unterscheidet Phishing-URLs am zuverlässigsten von legitimen URLs in einem selbst zusammengestellten Testdatensatz? Kombiniert Datenanalyse mit einem einfachen Klassifikationsmodell.
- Sicherheitslücken in IoT-Geräten für den Haushalt. Welche Schwachstellen lassen sich bei einer definierten Auswahl handelsüblicher IoT-Geräte durch eine kontrollierte Sicherheitsanalyse nachweisen? Erfordert einen klaren ethischen Rahmen und die Zustimmung der Institution, falls Geräte Dritter betroffen sind.
- Wirksamkeit von Security-Awareness-Schulungen. Verändert eine kurze, gezielte Schulung das Verhalten von Mitarbeitenden gegenüber simulierten Phishing-Mails messbar? Braucht eine kooperierende Organisation und eine sorgfältige ethische Planung.
- Zero-Trust-Architektur für ein kleines Unternehmensnetzwerk. Welche konkreten Massnahmen sind nötig, um ein bestehendes, klassisch segmentiertes Netzwerk schrittweise auf ein Zero-Trust-Modell umzustellen? Eher konzeptionell-gestaltend als rein empirisch.
- Sicherheitsanalyse einer Open-Source-Bibliothek. Welche bekannten Schwachstellenklassen finden sich in einer ausgewählten, häufig verwendeten Open-Source-Bibliothek, und wie werden sie in der Praxis behoben? Gut ohne externe Kooperation umsetzbar und daher ein beliebtes Ausweichthema, wenn ein Praxispartner kurzfristig ausfällt.
Daten und Datenbanken
- NoSQL versus relationale Datenbank für ein konkretes Anwendungsszenario. Welches Datenmodell ist für ein bestimmtes Anwendungsszenario mit stark wachsenden, unstrukturierten Daten performanter und wartbarer? Klassisches Vergleichsthema mit reproduzierbaren Messungen.
- Datenqualitätsprüfung in einer Data-Pipeline automatisieren. Welche automatisierten Prüfregeln erkennen typische Datenqualitätsprobleme in einer konkreten Pipeline zuverlässig, bevor fehlerhafte Daten in die Analyse gelangen? Gut mit einem Praxispartner kombinierbar.
- Anonymisierungsverfahren im Vergleich. Wie verändert sich der Informationsgehalt eines Datensatzes bei unterschiedlichen Anonymisierungsverfahren wie k-Anonymität oder differenzieller Privatsphäre? Anspruchsvoll, aber methodisch klar abgrenzbar.
- Effizienz von Indexierungsstrategien bei grossen Datenmengen. Welche Indexierungsstrategie reduziert die Abfragezeit für eine definierte, häufig gestellte Abfrage auf einer grossen Tabelle am stärksten? Gut mit synthetisch erzeugten Testdaten umsetzbar.
- Datenintegration aus heterogenen Quellen für ein kleines Unternehmen. Welcher Integrationsansatz eignet sich, um Daten aus mehreren, nicht miteinander verbundenen Systemen eines KMU konsistent zusammenzuführen? Praxisnah, erfordert aber einen kooperationsbereiten Betrieb und eine realistische Einschätzung, wie viel Datenzugriff innerhalb der Bearbeitungszeit tatsächlich gewährt wird.
Software Engineering und DevOps
- Testabdeckung versus Testqualität. Korreliert eine hohe Testabdeckung in einem konkreten Softwareprojekt tatsächlich mit einer niedrigeren Fehlerrate in der Produktion? Erfordert Zugang zu Fehlerdaten eines realen oder simulierten Projekts.
- Migration einer monolithischen Anwendung zu Microservices. Welche Kriterien entscheiden, welche Komponenten einer bestehenden Anwendung zuerst ausgelagert werden sollten? Konzeptionelles Thema mit klarer Entscheidungsstruktur, siehe dazu auch den Leitfaden zum Aufbau einer Wirtschaftsinformatik-Arbeit für den passenden Kapitelaufbau bei einem Artefakt-Thema.
- CI/CD-Pipeline für ein kleines Entwicklungsteam einrichten. Welche Pipeline-Konfiguration reduziert die Zeit von Commit bis Deployment für ein definiertes, kleines Projekt am stärksten, ohne die Codequalität zu verschlechtern? Gut als gestaltungsorientierte Arbeit mit messbarem Vorher-Nachher.
- Technische Schulden systematisch erfassen und priorisieren. Welches Bewertungsschema eignet sich, um technische Schulden in einer bestehenden Codebasis nachvollziehbar zu priorisieren? Braucht Zugang zu einer gewachsenen, nicht ganz neuen Codebasis.
- Code-Review-Praktiken und ihre Wirkung auf die Codequalität. Verändert die Einführung eines strukturierten Code-Review-Leitfadens messbar die Zahl der später gefundenen Fehler in einem Team? Erfordert eine kooperationsbereite Entwicklungsgruppe über mehrere Wochen.
Netzwerke und Cloud
- Kostenoptimierung einer Cloud-Infrastruktur. Welche Massnahmen reduzieren die monatlichen Kosten einer konkreten, bestehenden Cloud-Infrastruktur am stärksten, ohne die Verfügbarkeit zu beeinträchtigen? Sehr praxisnah, ideal mit einem Unternehmen als Partner.
- Latenzvergleich von Edge-Computing gegenüber zentralisierter Cloud-Verarbeitung. Für welche Anwendungsfälle bringt Edge-Computing eine messbare Latenzverbesserung gegenüber einer zentralisierten Verarbeitung? Gut mit einem kleinen selbst aufgebauten Testaufbau umsetzbar.
- Ausfallsicherheit einer verteilten Anwendung testen. Wie wirkt sich ein kontrolliert simulierter Komponentenausfall (Chaos Engineering) auf die Verfügbarkeit einer konkreten verteilten Anwendung aus? Anspruchsvoll in der Infrastruktur, methodisch aber klar.
- Container-Orchestrierung für ein kleines Team ohne dedizierte Infrastruktur-Abteilung. Welche Orchestrierungslösung ist für ein kleines Team mit begrenzten Ressourcen realistisch betreibbar, gemessen an Betriebsaufwand und Fehleranfälligkeit? Praxisnahes Vergleichsthema.
- Energieeffizienz von Rechenzentren durch Lastverteilung. Welchen Effekt hat eine bestimmte Lastverteilungsstrategie auf den Energieverbrauch eines simulierten oder kleinen realen Serverclusters? Guter Bezug zu Nachhaltigkeitsthemen in der Informatik und mit steigender Nachfrage bei Instituten mit Nachhaltigkeitsschwerpunkt.
Wie du aus dieser Liste dein eigenes Thema machst
Ein Thema aus dieser Liste wird erst dann tragfähig, wenn du drei Fragen beantworten kannst: Welches konkrete Artefakt oder welche konkrete Analyse entsteht am Ende? Woran misst du Erfolg — eine Kennzahl, ein Vergleich, eine Nutzerrückmeldung? Und ist die dafür nötige Infrastruktur, Datenmenge oder Zugriffsberechtigung innerhalb der Bearbeitungszeit realistisch beschaffbar? Ein Thema wie «Sicherheitsanalyse einer Open-Source-Bibliothek» lässt sich zum Beispiel in einer Woche grob skizzieren, aber erst durch die Festlegung auf eine bestimmte Bibliotheksversion, eine bestimmte Schwachstellenklasse und ein konkretes Analysewerkzeug zu einer bearbeitbaren Bachelorarbeit.
Prüfe jedes gewählte Thema ausserdem auf Verfügbarkeit: Brauchst du Zugriff auf reale Produktionsdaten, ein bestimmtes IoT-Gerät oder eine Kooperation mit einem Unternehmen, kläre das vor der endgültigen Themenwahl ab, nicht erst nach der Anmeldung. Ein methodisch spannendes Thema, für das die nötigen Daten nicht rechtzeitig verfügbar sind, kostet mehr Zeit als ein bescheideneres Thema, das von Anfang an durchführbar ist. Und ein letzter, oft übersehener Punkt: Prüfe, ob das gewählte Thema zu deinem eigenen Vertiefungsschwerpunkt im Studium passt — ein Thema aus einem Bereich, in dem du bereits Vorlesungen besucht hast, spart in der Einarbeitungsphase spürbar Zeit gegenüber einem völlig neuen Fachgebiet. Sprich das gewählte Thema ausserdem frühzeitig mit deiner betreuenden Person ab, bevor du die formelle Anmeldung einreichst — viele Institute erwarten eine kurze schriftliche Themenskizze mit Forschungsfrage und geplantem Vorgehen als Grundlage für dieses Gespräch.
Häufige Fragen
Muss ich für eine Informatik-Bachelorarbeit zwingend programmieren?
Nein. Auch eine vergleichende Analyse, eine Sicherheitsuntersuchung oder eine empirische Studie zu Entwicklungspraktiken sind vollwertige Bachelorarbeiten, solange eine klare Fragestellung und ein nachvollziehbares methodisches Vorgehen vorliegen.
Wie eng sollte ein Informatik-Thema von Anfang an gefasst sein?
Enger als es zunächst intuitiv wirkt. Ein Thema wie «KI-Erklärbarkeit» ist zu breit; «Erklärbarkeit eines Klassifikationsmodells für die Vorhersage von Kundenabwanderung in einem bestimmten Datensatz» ist bearbeitbar.
Woher weiss ich, ob ein Thema schon zu oft bearbeitet wurde?
Eine kurze Recherche in aktuellen Konferenzbänden oder Vorarbeiten deines Instituts zeigt, ob ein Thema in der Grundform bereits mehrfach behandelt wurde. Ein eigener, spezifischer Zuschnitt — eine andere Domäne, ein anderer Datensatz, eine andere Vergleichsdimension — macht ein bekanntes Thema trotzdem neu.
Kann ich ein Thema mit einem Unternehmen als Praxispartner umsetzen?
Ja, viele der genannten Themen eignen sich für eine Kooperation, etwa die Kostenoptimierung einer Cloud-Infrastruktur oder die Migration zu Microservices. Kläre Vertraulichkeit und Datenzugriff schriftlich, bevor du die Arbeit anmeldest.
Wie finde ich heraus, ob genug Daten für ein Machine-Learning-Thema verfügbar sind?
Prüfe vor der Themenwahl konkret, ob ein öffentlich verfügbarer Datensatz existiert oder ob du selbst Daten erheben oder von einem Praxispartner erhalten kannst — und wie viele Datenpunkte für ein belastbares Ergebnis realistisch nötig sind.
Sollte ich ein Thema wählen, das direkt an eine spätere Stelle oder Anstellung anknüpft?
Das kann sinnvoll sein, solange die wissenschaftliche Fragestellung im Vordergrund bleibt und nicht nur eine reine Auftragsarbeit für ein Unternehmen entsteht. Kläre mit deiner betreuenden Person, wie viel eigenständiger Erkenntnisgewinn über die betriebliche Umsetzung hinaus erwartet wird.
Das Wichtigste in Kürze
30 Themenvorschläge aus sechs Teilgebieten der Informatik zeigen, dass ein tragfähiges Thema immer aus einer konkreten Frage, einem klaren Artefakt oder einer überprüfbaren Hypothese und einer realistischen Datengrundlage besteht. Verenge jedes Thema auf eine bestimmte Domäne, Technologie oder Datenquelle, bevor du es anmeldest, und kläre die Verfügbarkeit der nötigen Ressourcen vorab.
Mit Tesify hältst du von der ersten Themenskizze bis zur fertigen Gliederung alles an einem Ort fest. Leg deine Informatik-Bachelorarbeit in Tesify an und entwickle aus einem der Themen eine bearbeitbare Forschungsfrage.