Künstliche Intelligenz ist in der Hochschullehre längst angekommen. Nicht irgendwann, sondern jetzt. Studierende verwenden KI zum Recherchieren, Strukturieren, Formulieren, Zusammenfassen und Überarbeiten. Manche tun das offen, manche im Verborgenen. Genau deshalb führt die nostalgische Hoffnung, man könne mit ein paar Verboten zur alten Welt zurückkehren, in die Irre. Die entscheidende Frage lautet vielmehr, wie Hochschulen ihren Einsatz didaktisch klug, transparent und verantwortungsvoll gestalten.

KI bedeutet nicht, dass Maschinen das Denken übernehmen

KI eröffnet neue didaktische Möglichkeiten. Sie kann Lernprozesse dialogischer, aktiver und experimenteller machen. Studierende können Ideen schneller entwickeln, Perspektiven vergleichen, erste Entwürfe formulieren und Ergebnisse überarbeiten. Lehrveranstaltungen gewinnen dadurch nicht einfach an Tempo, sondern dann an Qualität, wenn KI gezielt für Vergleich, Rückfrage, Überarbeitung und kritische Einordnung genutzt wird. Gerade hier liegt ein zentraler didaktischer Mehrwert. Gute Lehre mit KI bedeutet nicht, dass Maschinen das Denken übernehmen. Gute Lehre mit KI bedeutet, dass Studierende lernen, bessere Fragen zu stellen, Ergebnisse einzuordnen und Qualität zu beurteilen.

Mehr als bloßes Produzieren durch drei zentrale hochschuldidaktische Perspektiven

Dafür braucht es Aufgaben, die mehr verlangen als bloßes Produzieren. In unserer Arbeit haben sich drei didaktische Perspektiven als besonders tragfähig erwiesen. Erstens Prompt-Engineering, also die Fähigkeit, Anfragen so zu formulieren, dass brauchbare Ergebnisse entstehen. Zweitens Fact-Check, also das systematische Gegenprüfen von KI-Antworten mit Fachliteratur und anderen belastbaren Quellen. Drittens AI-Cooperation, also die reflektierte Zusammenarbeit mit KI in fachlichen Arbeitsprozessen. Diese drei Zugänge sind keine Spezialmethoden für Technikaffine, sondern zentrale hochschuldidaktische Zugänge für eine Lehre, die KI weder verklärt noch verteufelt. Sie machen sichtbar, dass der kompetente Umgang mit KI nicht an der Oberfläche des Produzierens endet, sondern bei Urteilsfähigkeit, Reflexion und Verantwortung beginnt.

Individuelle Lernwege und Qualität durch kluge didaktische Rahmung

KI kann auch dazu beitragen, die Qualität der Lehre zu verbessern und individuelle Lernwege zu fördern. Sie kann Studierenden Rückmeldungen in unterschiedlicher Tiefe geben, komplexe Inhalte auf verschiedenen Niveaus erklären, beim Strukturieren von Gedanken helfen oder erste Formulierungsvorschläge machen. Gerade für heterogene Lerngruppen eröffnet das neue Möglichkeiten der Unterstützung und Differenzierung. Wer Unterstützung beim Einstieg braucht, kann niederschwelliger anfangen. Wer schon weiter ist, kann tiefer einsteigen, verfeinern und anspruchsvollere Fragen bearbeiten. KI macht gute Lehre aber nicht automatisch besser. Sie verbessert Qualität nur dann, wenn Lehrende Aufgaben, Lernziele und Begleitung bewusst darauf abstimmen. Sonst produziert sie vor allem schnelleren Text. Der pädagogische Gewinn liegt also nicht in der Automatisierung, sondern in einer klugen didaktischen Rahmung.

Prüfungslogik unter Druck: Was bewerten wir eigentlich?

Damit sind wir bei Prüfungen und schriftlichen Arbeiten. Hier zeigt sich die eigentliche Sprengkraft von KI. Seminararbeiten, Reflexionsberichte oder Take-home-Formate können heute deutlich leichter mit KI erstellt oder zumindest sprachlich und strukturell massiv überarbeitet werden. Das bedeutet nicht, dass solche Formate wertlos geworden sind. Es bedeutet aber sehr wohl, dass ihre bisherige Prüfungslogik unter Druck gerät. Wer nur das Endprodukt bewertet, weiß immer weniger darüber, was Studierende tatsächlich selbst verstanden, entschieden und geleistet haben.

Die Antwort darauf kann nicht in einer neuen Kontrollillusion liegen. Es wird weder technisch noch praktisch möglich sein, KI-Nutzung verlässlich nachzuweisen oder auszuschließen. Sinnvoller ist ein anderer Weg. Wir sollten den KI-Einsatz zum Gegenstand der Lehre und der Prüfung selbst machen. Studierende sollten offenlegen, ob und wie sie KI genutzt haben, an welchen Stellen sie hilfreich war, wo Probleme aufgetreten sind und warum sie bestimmte Ergebnisse übernommen oder verworfen haben. Aus der Frage, ob geschummelt wurde, wird dann die didaktisch viel produktivere Frage, wie Studierende gearbeitet, entschieden, geprüft und reflektiert haben.

Das verändert auch die Gestaltung von Prüfungen. Gefragt sind stärker prozessorientierte Formate, etwa mündliche Verteidigungen, Zwischenstände, Prompt-Protokolle, dokumentierte Überarbeitungsschritte, Aufgaben mit lokalem oder persönlichem Bezug sowie Formate, in denen KI-Ergebnisse kritisch kommentiert werden müssen. Auch klassische schriftliche Arbeiten haben weiter ihren Platz, aber sie brauchen einen Rahmen, der Eigenleistung, Urteilskraft und Transparenz sichtbar macht. Genau darin liegt eine zentrale hochschuldidaktische Aufgabe der nächsten Jahre.

Worauf es in akademischer Bildung heute mehr denn je ankommt: Denken, Urteilen, Verantwortung

Unser Fazit lautet daher: KI macht Lehre nicht einfacher, sondern anspruchsvoller. Sie zwingt Hochschulen dazu, genauer über Lernziele, Prüfungslogiken und wissenschaftliche Integrität nachzudenken. Das ist keine Bedrohung, sondern eine Chance. Wenn wir KI nicht nur als Werkzeug, sondern als Anlass zur didaktischen Weiterentwicklung begreifen, kann sie helfen, Lehre qualitätsvoller, individueller und ehrlicher zu machen. Nicht indem sie Leistung ersetzt, sondern indem sie sichtbar macht, worauf es in akademischer Bildung heute mehr denn je ankommt: Denken, Urteilen, Verantwortung. Genau deshalb sollte KI in der Hochschullehre weder tabuisiert noch banalisiert werden, sondern zum Anlass werden, Lehre und Prüfung neu und besser zu durchdenken.

Gerlinde Schwabl und Patrick Pallhuber
Pädagogische Hochschule Tirol
Ars Docendi-Anerkennungspreis 2024