Effective and Responsible AI Usage

Ausgangslage und gesellschaftlicher Kontext: Die breite Verfügbarkeit von Large Language Models (LLMs) markiert einen tiefgreifenden Wendepunkt in der Wissensarbeit und der akademischen Bildung. Wir befinden uns in einer Ära, in der generative Künstliche Intelligenz (KI) nicht mehr nur ein technologisches Nischenphänomen ist, sondern viele Bereiche der professionellen Welt und des privaten Alltags durchdringt. Die Fähigkeit, komplexe Analysen zu erstellen, Texte zu generieren oder kreative Konzepte in Sekundenschnelle zu entwerfen, verändert die Anforderungen an künftige Absolventinnen und Absolventen fundamental und fächerübergreifend, vor allem aber auch im Marketing. Es reicht heute nicht mehr aus, diese Tools lediglich oberflächlich anzuwenden. Um in einer digitalisierten Gesellschaft souverän agieren zu können, wird die Kompetenz, die interne Logik dieser Technologien zu verstehen, ihre systemimmanenten Grenzen zu erkennen und sie als reflektiertes Werkzeug zielgerichtet zu steuern, zu einer neuen kulturellen Basiskompetenz. Mit dem Projekt „Effective and Responsible AI Usage“ wollte ich im WS 2025/26 im Seminar „Konsum- und Technologieverhalten“ unmittelbar auf diese Entwicklung reagieren. Das übergeordnete Ziel war es, Studierende aus einer unreflektierten und passiven Konsumhaltung, in der KI-Ergebnisse oft ungeprüft übernommen werden, herauszuführen und sie zu aktiven ArchitektInnen (effective AI usage) und kritischen ReflektorInnen (responsible AI usage) dieser Technologie zu machen. Nur wer die Schwachstellen von LLMs kennt, kann den Output sinnvoll bewerten und nur wer die Funktionsweise von LLMs kennt, kann diese Technologie effektiv nutzen. Das didaktische Rückgrat bildet das Prinzip des Constructive Alignment: Die Lernergebnisse (Gestaltungskompetenz und Kritikfähigkeit) sind präzise mit den Lehrmethoden (Student-asProducer) und der Leistungsfeststellung (Prozessbewertung) verzahnt.

Die Zielgruppe und die Herausforderung der Heterogenität: Eine Herausforderung besteht in der Heterogenität der Studierenden hinsichtlich ihrer Einstellung und Erfahrung mit KI. Während einige Teilnehmende bereits eine hohe Affinität zu KI-Systemen mitbrachten, begegneten andere der Technologie mit Skepsis oder fühlten sich von der rasanten Entwicklung überfordert. Um dieser Herausforderung gerecht zu werden, wurde ein inklusives Lehrdesign implementiert. Durch den Einsatz von No-Code-Umgebungen wurde sichergestellt, dass die Einstiegshürden für alle niedrig blieben, sodass jede und jeder unabhängig vom Hintergrund sofort Gestaltungserfahrungen sammeln konnte. Gleichzeitig ermöglichte die Offenheit der Aufgabenstellung den technisch versierteren Studierenden, komplexe Architekturen zu entwerfen und die Grenzen der Systeme auszuloten. In den individuellen Coaching-Einheiten konnte ich ebenfalls auf diese unterschiedlichen Voraussetzungen reagieren und die Studierenden(gruppen) individuell in ihren Projekten begleiten.

Der dreistufige didaktische Pfad: Die Vermittlung der Lehrinhalte folgte einer klaren Progression, die die theoretische Reflexion untrennbar mit der praktischen Anwendung verknüpft.

1) Theoretisches Wissen: Im ersten Teil, der theoretischen Fundierung, wurde die technologische Basis von LLMs demystifiziert. Die Studierenden setzten sich mit der Funktionsweise von LLMs auseinander, lernten Prinzipien wie Tokenisierung und Wahrscheinlichkeitsrechnung kennen und diskutierten die Entstehung von Bias in Trainingsdaten. Ziel war es, ein Verständnis dafür zu entwickeln, dass KI-Modelle keine „Wahrheitsmaschinen“ sind, die Inhalte tatsächlich verstehen, sondern statistische Vorhersagesysteme, deren Output einer ständigen menschlichen Validierung bedarf. Zentral war zu verstehen, was LLMs können und wo ihre Grenzen liegen. Dies wurde anhand vieler Beispiele demonstriert. Ich stellte z.B. eine Frage in den Raum (Kann ChatGPT zwei große Zahlen miteinander multiplizieren?), demonstrierte das Ergebnis live, und erklärte im Anschluss, bezugnehmend auf die Funktionsweise von LLMs, warum bzw. wann ein LLM diese Aufgabe nicht meistern kann. Neben der technischen Funktionsweise, lag ein weiterer Schwerpunkt auf den gesellschaftlichen Implikationen. Wir diskutierten nicht nur darüber, wie Biases in Trainingsdaten entstehen, sondern auch darüber, welche weitreichenden Implikationen das hat. Eine letzte Input-Einheit widmet sich den Reaktionen von KonsumentInnen auf KIgenerierte Inhalte und Algorithmen. Besonders für die Marketing-Ausbildung ist es wichtig, auch diese KonsumentInnen-Sicht zu verstehen. Um KI erfolgreich einzusetzen, reicht es nicht, nur die Funktionsweise und Schwachstellen von LLMs zu verstehen, sondern ich muss auch verstehen, wie, wann und warum KonsumentInnen KI ablehnen bzw. akzeptieren. Erklärt und diskutiert wurden Konzepte wie „Algorithm Aversion“ und Interventionen, die die Akzeptanz von KIgenerierten Inhalten beeinflussen.

2) Methodische Befähigung: Darauf aufbauend widmete sich der zweite Baustein dermethodischen Befähigung. Hier wurde das Prompting als eine neue Form der Instruktion und des strukturierten Denkens vermittelt. Die Studierenden lernten fortgeschrittene Strategien wie Chainof-Thought-Prompting oder Meta-Prompting als Werkzeuge, um LLMs effektiver nutzen zu können. Dies schärfte die Kommunikationsfähigkeit im Umgang mit digitalen Systemen. Wichtig war es mir, dass die Studierenden diese Methoden unmittelbar anwenden und ihre Erfahrungen sowie Best-Practice-Beispiele in jeder Einheit durch kurze Präsentationen miteinander teilen.

3) Praktische Anwendung: Der letzte Baustein war die praktische Transformation im Sinne des „Student-as-Producer“-Ansatzes. Die Studierenden (in Teams) erhielten den Auftrag, funktionale KI-Assistenten zu entwickeln, die, aufbauend auf vertrauenswürdiger Literatur, einen realen Nutzen bieten. In dieser Phase schlüpften die Studierenden in die Rolle von Entwicklern und Kuratoren. Sie mussten spezialisierte Wissensdatenbanken aufbauen, präzise Systeminstruktionen formulieren und ihre Assistenten in iterativen Zyklen testen und verbessern. Die Themen der KI-Assistenten und die eingesetzten KI-Systeme konnten die Gruppen frei wählen, um die Motivation hochzuhalten. Eine weitere Einheit war als Feedback- und CoachingEinheit konzipiert. Ich wollte sicherstellen, dass die Gruppen auf einem guten Weg sind und den Studierenden die Möglichkeit geben, Fragen und Probleme frühzeitig zu adressieren. Die entstandenen Prototypen adressierten vielfältige Problemstellungen, von der Analyse von persönlichen Ernährungsgewohnheiten bis hin zu sicherheitsrelevanten Anwendungen im alpinen Bereich. Dieser Prozess machte die Wirksamkeit des zuvor erlernten theoretischen Wissens unmittelbar erlebbar und stärkte das Vertrauen in die eigene Gestaltungsmacht in einer technisierten Welt. In der letzten Einheit präsentierten die Gruppen ihre KI-Assistenten und beschrieben ihre Lernerfahrungen. Ziel war es, alle Studierenden an den Erfahrungen und BestPractice-Lösungen aller Gruppen teilhaben zu lassen.

Innovative Prüfungskultur und Prozessdokumentation: In Bezug auf die Bewertung der KIAssistenten wurde ein Ansatz gewählt, der sich nicht primär auf das Endresultat stützt. Das Kernstück der Leistungsbeurteilung der KI-Assistenten war die umfassende Dokumentation der Entwicklungsschritte. Die Studierenden mussten ihren gesamten Lern- und Arbeitsprozess offenlegen und reflektieren. Bewertet wurde, wie sie auf Fehlleistungen der KI reagierten, wie sie ihre Prompting-Strategien auf Basis von Tests optimierten und wie sie die Verlässlichkeit ihrer Assistenten sicherstellten. Diese Dokumentationspflicht bewertete die individuelle Problemlösungskompetenz sowie die Tiefe der Auseinandersetzung mit der Technologie. Damit wurde ein faires und zukunftsorientiertes Prüfungsformat geschaffen, das echtes Verständnis und Reflexion belohnt und den reinen Output (was) von der methodischen Leistung (wie) trennt.

Reflexion der Lehrperson und allgemeine didaktische Herausforderungen: Die Begleitung dieses Projekts war für mich als Lehrender herausfordernd. Eine didaktische Herausforderung bestand darin, die anfängliche Begeisterung über die scheinbare Allmacht der KI in eine fundierte, professionelle Skepsis zu kanalisieren. Das Ziel war die Ausbildung einer „Critical AI Literacy“ – einer Kompetenz, die es ermöglicht, die enormen Potenziale der Technologie auszuschöpfen, ohne die diversen Schwachstellen außer Acht zu lassen. Herausfordernd war auch, mit der rasanten Weiterentwicklung von LLMs Schritt zu halten. Manchmal wussten einige Studierende mehr über aktuelle Entwicklungen als ich. Dies war herausfordernd, weil es von mir eine Neudefinition meiner Rolle erforderte. In einem Feld, das sich fast wöchentlich verändert, kann die Lehrperson nicht mehr die alleinige Wissensinstanz sein, sondern agiert primär als Mentor, Kurator und kritischer Begleiter.