Abstract

Der Beitrag fasst 110 Quellen zusammen, überwiegend ab Oktober 2024 erschienen; zehn ältere Arbeiten sind als Hintergrundquellen gekennzeichnet, hinzu kommen österreichische Gesetze in geltender Fassung. Thema ist, wie generative KI Leistungsnachweise an Hochschulen verändert. KI-Detektoren erweisen sich als unzuverlässige und teils verzerrte Grundlage. Deutsche Verwaltungsgerichte stützen Täuschungsvorwürfe auf Indizien und mündliche Plausibilisierung statt auf Detektor-Scores. Hochschulrichtlinien bewegen sich vom Verbot zur geregelten Integration, verändern die Prüfungen selbst aber selten. Der Digital-Omnibus hat die Hochrisiko-Pflichten des EU AI Act für KI-gestützte Bewertung auf Dezember 2027 verschoben. Die Evidenz zeigt: KI macht Arbeit schneller, nicht automatisch besser, und was Lernende mit KI vorlegen, sagt wenig darüber aus, was sie ohne KI können; das Können ohne KI kann sogar hinter dem von Lernenden ohne KI-Zugang zurückbleiben. Didaktisch gestaltete Tutoren können dagegen stark wirken. Daraus folgt eine Verlagerung der Validität vom Produkt auf Prozess und Gespräch, also mündliche Verteidigung, Prozessportfolio und gesicherte Prüfungspunkte auf Programmebene. Fünf Forschungsdesiderata schließen den Beitrag ab.

Kapitel 01Einleitung

Warum Leistungsnachweise jetzt neu verhandelt werden

In der im März 2026 veröffentlichten HEPI-Befragung (Dezember 2025, 1.054 britische Vollzeit-Bachelorstudierende) gaben 95 % an, generative KI zu nutzen, 94 % auch bei bewerteten Arbeiten. Der Anteil jener, die KI-Text direkt in Prüfungsleistungen übernehmen, ist in zwei Jahren von 3 % auf 12 % gestiegen (Stephenson & Armstrong, 2026). In Deutschland sieht es ähnlich aus. In einer bundesweiten Längsschnittbefragung mit 4.910 Studierenden arbeiten inzwischen über 90 % mit KI-Werkzeugen, 2023 waren es 63 % (von Garrel & Mayer, 2025). Dazu kommt, was diese Werkzeuge können. GPT-4 beantwortete 65,8 % von 5.579 Prüfungs- und Übungsfragen aus 50 Lehrveranstaltungen der EPFL korrekt; bei 85,1 % der Fragen lieferte zumindest eine von acht Prompting-Strategien die richtige Antwort (Borges et al., 2024). Der Befund ist unbequem: Die unbeaufsichtigte schriftliche Arbeit belegt nicht mehr verlässlich, was eine Person selbst kann.

Die Hochschulen haben reagiert, aber oft an der Oberfläche. Laut KI-Monitor des Hochschulforums Digitalisierung befassen sich 97 % der deutschen Hochschulen mit KI in Prüfungen, 87 % haben ihre Eigenständigkeitserklärung angepasst. Ihre Prüfungsordnung haben dagegen nur 43 % geändert (Budde & Tobor, 2025). Corbin, Dawson und Liu (2025) nennen solche Regeln, Ampeln und Erklärungen „diskursive“ Änderungen. Sie erzeugten eine „enforcement illusion“, solange die Prüfung selbst gleich bleibt. Wie dünn diese Absicherung ist, zeigt eine Studie an der King's Business School. Dort gaben 74 % der Studierenden ihre KI-Nutzung trotz Deklarationspflicht nicht an (Gonsalves, 2024).

Fragestellung und Aufbau

Dieser Literaturüberblick begleitet das Referat „Lehre im Dialog – Leistungsnachweise in Zeiten von KI“ an der PH Vorarlberg. Er folgt den acht Leitfragen des Referats:

Detektion und Abwehr (Kapitel 3): Wie zuverlässig sind KI-Detektoren und Prompt-Injection-Fallen, und wie gehen Gerichte mit KI-Verdacht um?
Hochschulpolitik und Leitlinien (Kapitel 4): Wohin entwickeln sich institutionelle Richtlinien, und was verlangt der EU AI Act?
Ethik und Qualität (Kapitel 5): Werden Unterrichtsplanung und studentische Arbeiten mit KI besser, und gibt es eine Pflicht, die besten Werkzeuge zu nutzen?
Historische Parallelen (Kapitel 2): Was lehren Taschenrechner, Schrift und Buchdruck?
KI als Fortsetzung der Schriftkultur (Kapitel 2): Inwiefern sind große Sprachmodelle eine Kulturtechnik?
Leistungsfähigkeit der KI (Kapitel 6): Wo stehen Benchmarks, Prüfungsleistungen und KI als Gutachterin?
Was bleibt und was zählt (Kapitel 7 und 8): Welche Prüfungsformate und Kompetenzen tragen, und was macht KI mit dem Lernen?
Datenschutz und technische Rahmenbedingungen (Kapitel 9): Welche KI dürfen Hochschulen einsetzen, und wer hat Zugang?

Kapitel 10 bündelt die Antworten und formuliert Empfehlungen. Der Abschnitt „Forschungsdesiderata“ leitet daraus fünf offene Forschungsvorhaben ab.

Methodisches Vorgehen

Der Überblick folgt einer strengen Aktualitätsregel. Aufgenommen wurde nur Literatur, die ab Oktober 2024 erschienen ist. Online-first-Veröffentlichungen zählen dabei mit. Ältere Arbeiten erscheinen nur dort, wo sie unverzichtbar sind, und sind im Text sowie im Quellenverzeichnis als Hintergrundquellen gekennzeichnet. Ein Beispiel ist der verdeckte Prüfungstest von Scarfe et al. (2024). Die Recherche lief im Oktober 2026 in acht thematischen Strängen. Jede der 110 Quellen wurde über DOI-Resolver, Verlagsseite, arXiv oder die offizielle Website auf Titel, Autor*innen und Erscheinungsdatum geprüft. Bevorzugt wurden Peer-Review-Studien, Metaanalysen und Positionspapiere von Hochschulverbänden und Behörden, ergänzt um Rechtsquellen aus Österreich und Deutschland. Preprints und Studien von KI-Anbietern sind als solche benannt. Zahlen, die nur über Sekundärquellen belegt werden konnten, sind im Text als solche ausgewiesen.

Eine Warnung gehört an den Anfang. Das Feld ist jung, und die Evidenz ist entsprechend unfertig. Die vielzitierte Metaanalyse von Wang und Fan (2025) zu ChatGPT und Lernleistung wurde im April 2026 zurückgezogen. Kritische Nachprüfungen zeigen, dass viele Primärstudien KI-Nutzung mit anderen Unterrichtsmerkmalen vermengen (Weidlich et al., 2025; Lawson et al., 2026). Der Text versucht deshalb, belastbare Befunde von plausiblen Vermutungen zu trennen.

Hinweis zur Entstehung: Dieser Literaturüberblick wurde in Zusammenarbeit zwischen dem Autor und dem KI-System Claude (Anthropic) erstellt, was zum Thema passt. Alle verwendeten Quellen sind ausgewiesen. Die inhaltliche Verantwortung liegt beim menschlichen Autor.

Literatur (Einleitung)

Borges, B., Foroutan, N., Bayazit, D., Sotnikova, A., Bosselut, A., et al. (2024). Could ChatGPT get an engineering degree? Evaluating higher education vulnerability to AI assistants. Proceedings of the National Academy of Sciences, 121(49), e2414955121. https://doi.org/10.1073/pnas.2414955121

Budde, J., & Tobor, J. (2025). Blickpunkt KI-Monitor 2025: Hochschulen gestalten den KI-Alltag. Hochschulforum Digitalisierung. https://hochschulforumdigitalisierung.de/wp-content/uploads/2025/09/Blickpunkt_KI-Monitor25.pdf

Corbin, T., Dawson, P., & Liu, D. (2025). Talk is cheap: Why structural assessment changes are needed for a time of GenAI. Assessment & Evaluation in Higher Education, 50(7), 1087–1097. https://doi.org/10.1080/02602938.2025.2503964

Gonsalves, C. (2024). Addressing student non-compliance in AI use declarations: Implications for academic integrity and assessment in higher education. Assessment & Evaluation in Higher Education, 50(4), 592–606. https://doi.org/10.1080/02602938.2024.2415654

Lawson, A. P., Marchand Martella, A., Weidlich, J., Mulders, M., & Buchner, J. (2026). Color me confounded: A critical analysis of media comparisons on ChatGPT in education. Computers & Education, 254, 105701. https://doi.org/10.1016/j.compedu.2026.105701

Scarfe, P., Watcham, K., Clarke, A., & Roesch, E. (2024). A real-world test of artificial intelligence infiltration of a university examinations system: A "Turing Test" case study. PLOS ONE, 19(6), e0305354. https://doi.org/10.1371/journal.pone.0305354 [Hintergrundquelle]

Stephenson, R., & Armstrong, C. (2026). Student generative artificial intelligence survey 2026 (HEPI Report 199). Higher Education Policy Institute. https://www.hepi.ac.uk/reports/student-generative-ai-survey-2026/

von Garrel, J., & Mayer, J. (2025). Künstliche Intelligenz im Studium – Eine quantitative Längsschnittstudie zur Nutzung KI-basierter Tools durch Studierende. Hochschule Darmstadt. https://doi.org/10.48444/h_docs-pub-533

Wang, J., & Fan, W. (2025). RETRACTED ARTICLE: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 12, 621. https://doi.org/10.1057/s41599-025-04787-y [zurückgezogen 2026]

Weidlich, J., Gašević, D., Drachsler, H., & Kirschner, P. (2025). ChatGPT in education: An effect in search of a cause. Journal of Computer Assisted Learning, 41(5), e70105. https://doi.org/10.1111/jcal.70105

Kapitel 02Grundlagen: Technikgeschichte und Schriftkultur

Ob eine neue Technologie Bildung zerstört oder befreit, hat man nicht erst 2022 gefragt. Taschenrechner, Rechtschreibprüfung, Wikipedia und Suchmaschinen haben jeweils ähnliche Debatten ausgelöst. Dieses Kapitel klärt zwei Grundfragen, auf denen die folgenden Kapitel aufbauen. Erstens: Was lässt sich aus früheren Technikdebatten in der Bildung tatsächlich lernen, und wo trägt der Vergleich nicht mehr? Zweitens: Wie lässt sich generative KI kulturtheoretisch fassen, als denkende Maschine oder als nächste Stufe der Schriftkultur? Beide Fragen entscheiden mit darüber, was ein Leistungsnachweis künftig belegen soll.

Die Taschenrechner-Analogie und ihre Grenzen

Kaum ein Vergleich fällt in Kollegien so verlässlich wie dieser: „Beim Taschenrechner hatten wir dieselbe Aufregung, und heute rechnet trotzdem jede*r damit.“ Die empirische Basis dafür stammt aus der Zeit vor dem Zeitfenster dieses Überblicks und wird hier nur als Hintergrund angeführt. Ellingtons Metaanalyse, eine Aktualisierung der Arbeit von Hembree und Dessart aus den 1980er-Jahren, fand, dass Lernende mit Rechnern ihre Rechen- und Problemlösefähigkeiten „either maintained or improved“; laut dem Abstract der zugrunde liegenden Dissertation beruhte das auf 53 Studien mit 307 Effektgrößen (Ellington, 2003, Hintergrundquelle). Die Rechnerdebatte endete also nicht mit dem Verfall der Mathematik, sondern mit einer didaktischen Neuordnung: zuerst Grundfertigkeiten, dann das Werkzeug.

Genau diese Sequenzierung greift Howard (2026) in einem Essay für die American Historical Association auf. Wie die Mathematikdidaktik den Rechner erst nach dem händischen Aufbau von Grundfertigkeiten zuließ, so solle auch generative KI in Fachstudien gestaffelt eingeführt werden. Ihr Kernsatz ist eine Absage an die Vorstellung, Mühe sei bloß ein Hindernis: „The struggle is not incidental to learning; in many cases, it is the learning.“ Der Text ist nicht peer-reviewed, bringt aber eine Position auf den Punkt, die in der Lernforschung unter dem Stichwort „desirable difficulties“ gut verankert ist und in Kapitel 8 empirisch wieder auftaucht.

Trägt die Analogie also? Nur zum Teil, sagen Voinea et al. (2026) in Technology in Society. Der Vergleich sei „a useful starting point“, aber „ultimately insufficient“, weil Taschenrechner und Sprachmodelle Lernen grundlegend verschieden vermitteln. Ein Rechner automatisiert eine eng umgrenzte, überprüfbare Prozedur. Ein Sprachmodell dagegen formuliert, argumentiert, gewichtet und erzeugt den Anschein von Urteil, also genau das, was schriftliche Leistungsnachweise an Hochschulen eigentlich prüfen wollen. Die Autor*innen schließen daraus nicht auf ein Verbot. Sie fordern epistemische Tugenden im Umgang mit KI, nämlich Geduld, reflektiertes Engagement, intellektuelle Wachsamkeit und Demut, und Werkzeuge, die solche Haltungen durch eingebaute Reflexionsfragen und Feedbackschleifen stützen.

Technikpanik oder pragmatische Aushandlung?

Eine zweite verbreitete Erzählung lautet, auf jede neue Medientechnologie folge eine „moral panic“. Für generative KI hält diese Erzählung neueren empirischen Arbeiten kaum stand. Dubèl et al. (2025) kombinierten eine niederländische Längsschnittbefragung mit einer computergestützten Inhaltsanalyse der Nachrichten über ChatGPT und fanden „no clear indication of a moral panic“, weder in der Berichterstattung noch bei den Befragten. Ähnlich fällt der Befund für Hochschulen aus: Gilmore et al. (2025) werteten KI-Stellungnahmen, Leitfäden und Policies von 148 US-Forschungsuniversitäten aus. Ihr Fazit: „there is not so much a panic happening in higher education“. Statt Abwehr dominieren Aushandlung und Integration in Lehre, Forschung und Verwaltung.

Cefa et al. (2025) ordnen die frühe ChatGPT-Debatte, gestützt auf 217 Fachartikel aus dem ersten Dreivierteljahr nach der Veröffentlichung, in den Gartner-Hype-Zyklus ein. Bemerkenswert ist ihre historische Einbettung: Von Skinners Lehrmaschinen über intelligente Tutorsysteme und das automatisierte Essay-Scoring der 1960er-Jahre bis zu den MOOCs reiche eine lange Linie, und ChatGPT „aligns with this longer arc“, statt einen völligen Bruch darzustellen. Für Lehrende ist das eine nüchterne Einladung: Viele Heilsversprechen der Bildungstechnologie haben sich nicht erfüllt, viele Untergangsprophezeiungen aber auch nicht.

Und Platon? Seine Schriftkritik im Phaidros gehört zum Standardrepertoire jeder KI-Keynote, meist als Beleg dafür, dass schon die Schrift als Bedrohung des Gedächtnisses galt und die Aufregung daher übertrieben sei. Ess (2026) widerspricht dieser Lesart ausdrücklich. Der Dialog sei keine Panikgeschichte, sondern eine Erzählung über das Erwachsenwerden im Umgang mit einem neuen Medium: Schrift kann den bloßen Schein von Weisheit erzeugen und Urteilskraft (phronēsis) verkümmern lassen, sie kann aber auch eine Erinnerungsstütze sein. Ess überträgt beides direkt auf Sprachmodelle in Forschung und Lehre und empfiehlt Sokrates' indirekte Pädagogik als Modell für Lehrende. Für die Prüfungsfrage ist das ein fruchtbarer Gedanke: Der Schein von Weisheit ist genau das Risiko, das ein KI-gestützter Text ohne Gespräch über diesen Text birgt.

KI als Kulturtechnik: Schrift, Druck, Bibliothek

Die vielleicht einflussreichste aktuelle Deutung stammt aus einem Policy-Forum-Beitrag in Science. Farrell et al. (2025) schlagen vor, große KI-Modelle nicht in erster Linie als intelligente Agenten zu verstehen, sondern als „cultural and social technologies“, „analogous to such past technologies as writing, print, markets, bureaucracies, and representative democracies“. Modelle geben Menschen Zugang zu Wissen, das andere angesammelt haben. Anders als Bibliothekskataloge, Suchmaschinen oder Wikipedia fassen sie dieses Wissen aber nicht nur zusammen, sondern organisieren es neu, als verlustbehaftete Kompression ihrer Trainingsdaten, gleichsam als „lossy JPEGs“.

Aus der Literalitätsforschung kommt eine verwandte, noch zugespitztere These. Für Kalantzis und Cope (2025) ist generative KI „more than anything a technology of writing. It is a machine that can write.“ Sie halten sie für möglicherweise ebenso folgenreich wie Pi Shengs bewegliche Lettern (1039) und Gutenbergs Druckerpresse (1450), mit dem Zusatz, sie sei „just as problematic“. Daraus folgt für sie eine revidierte Grammatik der Literalität, die AI Literacy einschließt, und ein Modell des „cyber-social literacy learning“: ein gerüstgebendes, dialektisches Feedbackverhältnis zwischen Lernenden und schreibenden Maschinen statt der Ersetzung menschlichen Schreibens.

**Abbildung 1:** Frühe Bildzeichen: Nachbildung der Höhlenmalereien von Lascaux (Pferde und weitere Tiere, Original vor rund 17.000 Jahren entstanden) in der Replik Lascaux II, Dordogne. Foto: Jack Versloot, 2008, via Wikimedia Commons, Lizenz CC BY 2.0.

**Abbildung 2:** Schrift wird reproduzierbar: Ausschnitt der ersten Seite der Gutenberg-Bibel, Band 1, Brief des Hieronymus an Paulinus, Mainz um 1454/55. Johannes Gutenberg; Digitalisat des Harry Ransom Center, University of Texas at Austin, via Wikimedia Commons, gemeinfrei.

Die deutschsprachige Literatur- und Medienwissenschaft fragt grundsätzlicher, wer eigentlich schreibt, wenn Sprachmodelle Texte erzeugen. Bajohr und Hiller (2024) stellen in einem Sonderband von TEXT + KRITIK zwei Selbstverständlichkeiten infrage: dass Geschriebenes menschengemacht sei und dass Schreibwerkzeuge passive Instrumente seien. Sie schlagen vor, das „Subjekt des Schreibens“ als „variabel besetzbare[n] Ort in historisch situierten Gefügen des Schreibens“ zu denken. Bajohr (2025) plädiert in einem weiteren Band dafür, KI nicht nur von außen zu kritisieren, sondern mit ihr zu denken und vertraute Unterscheidungen, etwa zwischen Schreiben und Denken, neu zu befragen. Für das Prüfungswesen ist das brisant, weil Eigenständigkeitserklärungen implizit von einem klar verortbaren, einzelnen schreibenden Subjekt ausgehen.

Im Referat: Teil 4 „KI als Fortsetzung der Schriftkultur“, von der Höhlenmalerei bis zur KI → praesentation.html#34

Epistemische Folgen: Homogenisierung und Schreiben als Denken

Wenn KI eine Kulturtechnik ist, stellt sich die Frage, was sie mit dem gemeinsamen Wissensbestand macht. Sourati et al. (2026) bündeln in Trends in Cognitive Sciences Befunde aus Linguistik, Psychologie und Informatik: Sprachmodelle spiegeln die dominanten Stile ihrer Trainingsdaten und drängen seltene Stimmen und Denkstrategien an den Rand. Weil sehr viele Menschen dieselben wenigen Modelle nutzen, drohe eine Monokultur, in der Sprache und Denken konvergieren, mit Folgen für kognitive Diversität, Kreativität und kollektive Intelligenz. Eine technische Parallele liefert die als Hintergrundquelle angeführte Arbeit zum „model collapse“: Werden Modelle wiederholt auf modellgenerierten Inhalten trainiert, verschwinden die „tails of the original content distribution“, und echte menschliche Texte werden wertvoller (Shumailov et al., 2024, Hintergrundquelle).

Die zweite epistemische Debatte kreist um den Satz „writing is thinking“. Warner (2025) argumentiert in einem viel rezipierten, nicht peer-reviewten Sachbuch, Schreiben sei ein verkörperter Denkprozess und KI-Text nur dessen Simulakrum. Generative KI entlarve vor allem Essay-Aufgaben, die nie echtes Schreiben verlangt hätten. Empirische Stützen für diese These sind bislang dünn. Eine EEG-Studie des MIT Media Lab, die als Preprint vorliegt und methodisch stark diskutiert wird, fand beim Essayschreiben mit einem Sprachmodell die schwächste Hirnkonnektivität und die geringste empfundene Eigentümerschaft am Text; viele Teilnehmende konnten aus dem eigenen Essay kaum korrekt zitieren (Kosmyna et al., 2025, Preprint, 54 Teilnehmende). Korrelativ, aber mit größerer Stichprobe, zeigte Gerlich (2025) bei 666 Befragten einen signifikant negativen Zusammenhang zwischen häufiger KI-Nutzung und kritischem Denken, vermittelt über kognitives Auslagern. Kausale Aussagen erlauben beide Studien nicht.

Zwischenfazit

Drei Einsichten tragen in die folgenden Kapitel. Erstens: Die Panik-Erzählung ist empirisch schwach; Hochschulen verhandeln und integrieren eher, als dass sie in Abwehr verfallen. Zweitens: Die Taschenrechner-Analogie liefert ein wertvolles didaktisches Prinzip, das Sequenzieren, sie unterschätzt aber, dass Sprachmodelle genau jene sprachlich-argumentative Leistung übernehmen können, auf der schriftliche Prüfungen beruhen. Drittens: Versteht man KI als Fortsetzung der Schriftkultur, dann verschiebt sich die Frage von „Hat die Person den Text selbst geschrieben?“ zu „Kann die Person mit dem Text denken, ihn verantworten und verteidigen?“. Das ist die Linie, auf die das Referat zuläuft: Lehre im Dialog.

Literatur (Grundlagen)

Bajohr, H. (Hrsg.). (2025). Thinking with AI: Machine learning the humanities. Open Humanities Press. http://www.openhumanitiespress.org/books/titles/thinking-with-ai/

Bajohr, H., & Hiller, M. (Hrsg.). (2024). Das Subjekt des Schreibens. Über Große Sprachmodelle (TEXT + KRITIK Sonderband). edition text + kritik. https://www.ebook.de/de/product/49224890/das_subjekt_des_schreibens.html

Cefa, B., Macgilchrist, F., ElGamal, H., Bai, J. Y. H., Zawacki-Richter, O., & Loglo, F. S. (2025). Responses to the initial hype: ChatGPT supporting teaching, learning, and scholarship? Open Praxis, 17(2), 227–250. https://doi.org/10.55982/openpraxis.17.2.872

Dubèl, R., Wolfers, L., Jonkman, J., van Berlo, Z., & Azrout, R. (2025). The next media-fueled moral technology panic? News media's and audience's views on ChatGPT. AI & Society, 40(8), 6761–6781. https://doi.org/10.1007/s00146-025-02417-4

Ellington, A. J. (2003). A meta-analysis of the effects of calculators on students' achievement and attitude levels in precollege mathematics classes. Journal for Research in Mathematics Education, 34(5), 433 ff. https://doi.org/10.2307/30034795 [Hintergrundquelle]

Ess, C. (2026). "The gardens of letters": Writing, AI, and the kubernētic cultivation of phronēsis and eudaimonia in Plato's Phaedrus. Danish Yearbook of Philosophy. Advance online publication. https://doi.org/10.1163/24689300-bja10091

Farrell, H., Gopnik, A., Shalizi, C., & Evans, J. (2025). Large AI models are cultural and social technologies. Science, 387(6739), 1153–1156. https://doi.org/10.1126/science.adt9819

Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006

Gilmore, J. N., Whims, T., Blair, B. W., Katarzynski, B., & Steffen, L. (2025). Technology acceptance, moral panic, and perceived ease of use: Negotiating ChatGPT at research one universities. Convergence, 31(4), 1251–1266. https://doi.org/10.1177/13548565251337576

Howard, K. C. (2026, 8. Juli). The calculator problem: Why historians need to teach with GenAI, not just against it. Perspectives on History. American Historical Association. https://www.historians.org/perspectives-article/the-calculator-problem/

Kalantzis, M., & Cope, B. (2025). Literacy in the time of artificial intelligence. Reading Research Quarterly, 60(1), e591. https://doi.org/10.1002/rrq.591

Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task (arXiv:2506.08872) [Preprint]. https://doi.org/10.48550/arXiv.2506.08872

Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755–759. https://doi.org/10.1038/s41586-024-07566-y [Hintergrundquelle]

Sourati, Z., Ziabari, A. S., & Dehghani, M. (2026). The homogenizing effect of large language models on human expression and thought. Trends in Cognitive Sciences, 30(9), 805–816. https://doi.org/10.1016/j.tics.2026.01.003

Voinea, C., Porsdam Mann, S., Savulescu, J., & Earp, B. D. (2026). The calculator analogy: Epistemic virtues for using LLMs. Technology in Society, 85, 103198. https://doi.org/10.1016/j.techsoc.2025.103198

Warner, J. (2025). More than words: How to think about writing in the age of AI. Basic Books.

Kapitel 03KI-Detektion und Abwehr: Was Detektoren, Fallen und Gerichte leisten

Die erste Reaktion vieler Hochschulen auf generative KI war technisch: Wenn Maschinen Texte schreiben, sollen andere Maschinen sie erkennen. Drei Jahre später ist das Bild differenzierter, aber kaum beruhigender. Dieses Kapitel prüft drei Abwehrstrategien: KI-Detektoren, Prompt-Injection-Fallen in Aufgabenstellungen und den rechtlichen Nachweis einer Täuschung. Die leitende Frage lautet: Was davon hält einer Prüfung stand, im doppelten Sinn des Wortes?

Wie zuverlässig sind KI-Detektoren?

Zunächst die ernüchternde Grundlinie. Bereits eine als Hintergrund angeführte Studie aus dem Herbst 2024 testete sechs gängige Detektoren mit 114 Textproben (805 Einzeltests). Schon unveränderte KI-Texte erkannten die Tools im Mittel nur zu 39,5 %; einfache Manipulationen senkten die Genauigkeit um weitere 17,4 Prozentpunkte auf 22,1 %; die Autor*innen rieten davon ab, die Tools zur Feststellung von Integritätsverstößen einzusetzen (Perkins et al., 2024, Hintergrundquelle). Neuere Arbeiten bestätigen das Muster und verschärfen es. In einem Test mit Texten von DeepSeek-v3 erwies sich die „Humanisierung“ als wirksamster Angriff: Die Erkennungsgenauigkeit fiel auf 71 % bei Copyleaks, 58 % bei QuillBot und 52 % bei GPTZero, Letzteres also praktisch auf Zufallsniveau (Alshammari & Rao, 2025, Preprint mit kleiner Stichprobe).

Schwerer als verfehlte Treffer wiegen für Hochschulen Falsch-Positive, also menschliche Texte, die als KI markiert werden. Pratama (2025) prüfte in PeerJ Computer Science drei Detektoren an 72 wissenschaftlichen Abstracts, je zur Hälfte von Mutter- und Nicht-Muttersprachler*innen. Bei rein menschlichen Texten reichten die Falsch-Positiv-Raten von 0 % (GPTZero) über 16,67 % (ZeroGPT) bis 31,94 % (DetectGPT); in 44,44 % der Fälle markierte mindestens eines der Tools einen menschlichen Text fälschlich als KI. Brisanter noch ist der zweite Befund: Bei KI-überarbeiteten Texten vergab GPTZero Nicht-Muttersprachler*innen signifikant höhere KI-Scores (44,61 % gegenüber 30,68 %, p = 0,036) und stufte ihre Texte mehr als doppelt so oft als vollständig KI-generiert ein (25 % gegenüber 11,11 %), obwohl sie nur KI-überarbeitet waren. Das genaueste Tool war nicht automatisch das fairste. Genau solche Mischtexte, also menschlich verfasst und maschinell überarbeitet, sind im Studienalltag längst der Normalfall.

**Abbildung 3:** Falsch-Positive von KI-Detektoren: links der Anteil rein menschlicher wissenschaftlicher Abstracts, die je Tool fälschlich als KI markiert wurden; rechts die Überdetektion KI-überarbeiteter Texte durch GPTZero nach Erstsprache der Autor*innen. Daten: Pratama (2025), 72 Abstracts, je zur Hälfte von Mutter- und Nicht-Muttersprachler*innen, kleine Stichprobe; eigene Darstellung.

Ein großer, als Preprint veröffentlichter Benchmark mit über 200.000 Proben in sieben Bias-Kategorien, darunter Dialekt, Bildungsstufe und Formalität, fand bei vier Open-Source-Detektoren durchgängig Leistungsunterschiede zwischen Gruppen, besonders niedrige Erkennungsraten für Texte unterrepräsentierter Gruppen (Basu et al., 2025, Preprint). Die Fairnessfrage ist damit kein Randproblem: Bei mehreren getesteten Werkzeugen treten Gruppenunterschiede auf. Ob das für alle, auch kommerzielle, Detektoren gilt, ist offen.

Die Gegenposition: Nicht alle Detektoren sind gleich

Wer daraus schließt, Detektion funktioniere grundsätzlich nicht, macht es sich allerdings zu leicht. Jabarian und Imas (2025) verglichen in einem großen, nicht peer-reviewten Working Paper drei kommerzielle Detektoren und einen Open-Source-Detektor über Genres, Textlängen und Modelle. Die kommerziellen Tools schnitten deutlich besser ab. Für Pangram berichten die Autor*innen nahezu null Falsch-Positive und Falsch-Negative, auch bei Texten unter 50 Wörtern und nach Humanizer-Bearbeitung; es war das einzige Tool, das eine strenge Obergrenze von 0,5 % Falsch-Positiven einhielt. Ihr Vorschlag ist eine detektorunabhängige „policy cap“, also eine vorab festgelegte Fehlertoleranz.

Auch die Anbieter rüsten nach. Turnitin kündigte im August 2025 eine Erkennung von „Humanizer“-Texten an und nennt für die KI-Erkennung eine Falsch-Positiv-Rate von unter 1 % (Bailey, 2025); die neue Funktion unterstützt laut Pressemitteilung vorerst nur Englisch (Campus Technology, 2025). Das sind Herstellerangaben; unabhängige Prüfungen und Zahlen zur Genauigkeit der neuen Funktion wurden nicht veröffentlicht.

Grundsätzlicher argumentieren Bassett et al. (2026) im Journal of Higher Education Policy and Management. Weil die wahre Herkunft eines Textes im Ernstfall unbekannt ist, lasse sich kein Detektor unter Realbedingungen validieren. Validierungsversuche über Stilmerkmale, mehrere Tools oder den Vergleich mit früheren Arbeiten liefen Gefahr, Bestätigungsfehler zu produzieren. Zudem ignoriere die Dichotomie „Mensch oder KI“ die verbreitete KI-unterstützte Arbeit. Detektor-Scores, so ihr Schluss, erfüllen nicht den Beweisstandard, den Integritätsverfahren verlangen. Hier liegt der Kern der Kontroverse: Selbst ein technisch sehr guter Detektor beantwortet nicht die prüfungsrechtlich entscheidende Frage, welche Eigenleistung im konkreten Fall geschuldet war und ob sie erbracht wurde.

Prompt-Injection: Trojanische Pferde in Aufgabenstellungen

Eine zweite Abwehridee ist im Kollegium beliebt: unsichtbarer weißer Text in der Aufgabenstellung, etwa die Anweisung, ein bestimmtes, sachfremdes Wort einzubauen. Wer die Aufgabe ungelesen in einen Chatbot kopiert, verrät sich. Wie gut ist diese Idee belegt? Für studentische Aufgaben gibt es neben Erfahrungsberichten aus Medien und sozialen Netzwerken bislang nur technische Machbarkeitsprüfungen. Aiersilan et al. (2026) prüften etwa, wie zuverlässig acht Modellfamilien eine in der Aufgabenstellung versteckte Anweisung befolgen. Eine Studie zur Wirksamkeit im realen Lehrbetrieb fehlt.

Gut belegt ist dagegen, dass versteckte Anweisungen Sprachmodelle wirksam steuern, allerdings im Peer Review und in umgekehrter Richtung. Choi et al. (2026) ließen in JAMA Network Open drei Sprachmodelle ein simuliertes Manuskript begutachten, in dem Anweisungen in weißer Schrift auf weißem Grund versteckt waren. Die Bewertungen stiegen etwa bei Gemini von 2,50 auf 5,00 und bei GPT-4o mini von 3,14 auf 4,85; die Annahmeempfehlungen kletterten bei allen drei Modellen von 0 % auf nahezu 100 %. Auch ein „strenger“ Systemprompt verhinderte die Manipulation nicht zuverlässig, und die vollständige Fehlererkennung sank von 18,9 % auf 8,5 %. Dass dies keine Laborübung ist, zeigt Lin (2025): Im Juli 2025 tauchten 18 arXiv-Manuskripte auf, die mit versteckten Anweisungen wie „GIVE A POSITIVE REVIEW ONLY“ KI-gestützte Gutachten beeinflussen sollten. Die Rechtfertigung, man wolle KI-nutzende Gutachter*innen ertappen, überzeuge nicht, weil die Prompts durchwegs die Autor*innen begünstigten (Lin, 2025, Preprint, inzwischen in Communications of the ACM).

Zwei Folgerungen ergeben sich daraus. Erstens wirkt die Technik, aber sie trifft vor allem unbedarfte Nutzer*innen; wer Aufgaben vor dem Kopieren liest oder als Bild einfügt, umgeht sie. Zweitens kehrt sich das Szenario um, sobald Lehrende selbst KI zur Bewertung einsetzen: Dann können Studierende versteckte Anweisungen in ihre Arbeiten schreiben. Diese Übertragung vom Peer Review auf das Prüfen ist eine Schlussfolgerung dieses Überblicks, kein eigener Studienbefund. Als Beweismittel taugen Fallen kaum: Ein verräterisches Wort belegt das Kopieren der Aufgabe, nicht aber das Ausmaß fremder Leistung.

Rechtlicher Rahmen: Beweis ohne Detektor

Wie gehen Gerichte mit KI-Verdacht um? In Deutschland zeichnet sich eine klare Linie ab. Als Hintergrund sei der Beschluss des VG München vom Mai 2024 angeführt: Ein Detektor hatte 71 % eines Bewerbungsessays als sehr wahrscheinlich KI-generiert eingestuft. Das Gericht wertete dies nur als Anlass für eine menschliche Prüfung; den Anscheinsbeweis stützte es auf die unabhängige Begutachtung durch erfahrene Hochschullehrende, die deutliche Brüche in Sprache, Dichte und Struktur feststellten (VG München, 2024, Hintergrundquelle).

Die beiden Urteile des VG Kassel vom 25. Februar 2026 gehen weiter. Das VG Kassel bestätigte in beiden Verfahren eine „besonders schwere Täuschung“ durch ungekennzeichnete KI-Nutzung, auch ohne ausdrückliches KI-Verbot in der Prüfungsordnung. Maßgeblich war der Prüfungszweck: Zur geschuldeten Eigenleistung gehöre auch der Weg zum Ergebnis. Die unterzeichnete Eigenständigkeitserklärung wirkte nur bestätigend; sie stützte den Vorsatz und den Ausschluss von der Wiederholungsprüfung (Schwarz, 2026; Sigmund, 2026). KI wie eine Rechtschreibprüfung zu nutzen, sei zulässig, inhaltliche Generierung dagegen Täuschung. Die Beweislast liegt bei der Hochschule. Im Hausarbeitsfall hatte der Student die KI-Nutzung eingeräumt, und mehrere zitierte Gerichtsentscheidungen existierten nicht. Im Bachelorfall stützte das Gericht den Nachweis auf einen Anscheinsbeweis, vor allem weil der Kandidat seine Arbeit im Kolloquium nicht erklären konnte; der Prüfling muss dann „wenigstens ein in Betracht kommendes atypisches Geschehen schildern“. In den Urteilsbesprechungen ist von einem Detektor keine Rede; tragend waren andere Indizien. Die Berufung zum Hessischen VGH ist zugelassen.

Sigmund (2026) bespricht diese Urteile in Ordnung der Wissenschaft kritisch. Generative KI beseitige Täuschungsspuren nicht, „sie verändert vielmehr ihre Beweisqualität“. Stilbrüche, halluzinierte Nachweise und KI-typische Formulierungen könnten einen Verdacht begründen; einen tragfähigen Erfahrungssatz für den Anscheinsbeweis bildeten sie derzeit aber nicht. Das Gericht habe eine Einzelfallwürdigung unzulässig zum allgemeinen Obersatz erhoben („Verdacht ist kein Typus“). Seine Hauptthese richtet sich an die Hochschulen: Sie seien verpflichtet, die geschuldete Eigenleistung je Prüfungsform vorab zu regeln, statt dies der Einzelfallentscheidung zu überlassen.

Für Österreich hat die Hochschulrechtsreform 2024 eine ausdrückliche Grundlage geschaffen. § 2a Abs. 3 Z 2 HS-QSG nennt die „missbräuchliche Nutzung von Anwendungen Künstlicher Intelligenz“ als Beispiel für unerlaubte Hilfsmittel und damit für wissenschaftliches Fehlverhalten (Strassmeier, 2025). KI-Nutzung sei nicht als Ghostwriting einzuordnen, weil der KI die Rechtspersönlichkeit fehlt. Für eine Nichtigerklärung nach § 73 UG braucht es jedoch schwerwiegendes Fehlverhalten und Vorsatz. Was „missbräuchlich“ ist, hängt von den Vorgaben der jeweiligen Hochschule ab; damit landet die Verantwortung, wie in Deutschland, bei klaren lokalen Regeln. Schweizer Rechtsprechung wurde in dieser Recherche nicht gefunden.

Zwischenfazit

Detektoren sind bestenfalls ein Anlass für ein Gespräch, kein Beweis. Sie unterscheiden sich stark in ihrer Qualität, benachteiligten in mehreren Studien bestimmte Gruppen und scheitern an der Mischform aus menschlichem und maschinellem Schreiben. Prompt-Fallen wirken bei Maschinen, nicht bei aufmerksamen Menschen, und sind im realen Lehrbetrieb empirisch nicht untersucht. Die Rechtsprechung verlagert den Nachweis zu dem, was Detektoren nicht leisten können: dem Gespräch über die eigene Arbeit. Das gescheiterte Kolloquium von Kassel ist insofern ein Wink mit dem Zaunpfahl. Am besten belegt man Eigenleistung im Dialog.

Literatur (KI-Detektion und Abwehr)

Aiersilan, A., Yousefi, A., & Pless, R. (2026). On seeding watermarks to detect verbatim LLM copy-paste responses. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 9(1), 108–117. https://doi.org/10.1609/aies.v9i1.43126

Alshammari, H., & Rao, P. (2025). Evaluating the performance of AI text detectors, few-shot and chain-of-thought prompting using DeepSeek generated text (arXiv:2507.17944) [Preprint]. https://arxiv.org/abs/2507.17944

Bailey, J. (2025, 27. August). Turnitin launches anti-AI humanizer feature. Plagiarism Today. https://www.plagiarismtoday.com/2025/08/27/turnitin-launches-anti-ai-humanizer-feature/

Bassett, M. A., Bradshaw, W., Bornsztejn, H., Hogg, A., Murdoch, K., Pearce, B., & Webber, C. (2026). Heads we win, tails you lose: AI detectors in education. Journal of Higher Education Policy and Management. https://doi.org/10.1080/1360080X.2026.2622146

Basu, P., Zhang, Y., & Raheja, V. (2025). BAID: A benchmark for bias assessment of AI detectors (arXiv:2512.11505) [Preprint]. https://arxiv.org/abs/2512.11505

Campus Technology. (2025, 2. September). New Turnitin detection feature helps identify use of AI humanizer tools. Campus Technology. https://campustechnology.com/articles/2025/09/02/new-turnitin-detection-feature-helps-identify-use-of-ai-humanizer-tools.aspx

Choi, B., Jun, T. J., Sung, J. W., Park, I. W., Lee, J.-M., Cho, S. I., Park, H. J., Lee, R. W., & Suh, J. (2026). Invisible text injection and peer review by AI models. JAMA Network Open, 9(1), e2552099. https://doi.org/10.1001/jamanetworkopen.2025.52099

Jabarian, B., & Imas, A. (2025). Artificial writing and automated detection (NBER Working Paper No. 34223). National Bureau of Economic Research. https://doi.org/10.3386/w34223

Lin, Z. (2025). Hidden prompts in manuscripts exploit AI-assisted peer review (arXiv:2507.06185) [Preprint]. https://arxiv.org/abs/2507.06185

Perkins, M., Roe, J., Vu, B. H., Postma, D., Hickerson, D., McGaughran, J., & Khuat, H. Q. (2024). Simple techniques to bypass GenAI text detectors: Implications for inclusive education. International Journal of Educational Technology in Higher Education, 21, Art. 53. https://doi.org/10.1186/s41239-024-00487-w [Hintergrundquelle]

Pratama, A. R. (2025). The accuracy-bias trade-offs in AI text detection tools and their impact on fairness in scholarly publication. PeerJ Computer Science, 11, e2953. https://doi.org/10.7717/peerj-cs.2953

Schwarz, S. (2026, 10. April). Hast du das eigenständig erarbeitet? [Gastbeitrag zu VG Kassel, Urt. v. 25.02.2026 – 7 K 2134/24.KS und 7 K 2515/25.KS]. beck-aktuell. https://www.beck-aktuell.de/heute-im-recht/rechtsprechung/ki-uni-pruefung-selbststaendig-betrug-2026-04-10

Sigmund, J. (2026). Verdacht ist kein Typus – Generative KI im Hochschulprüfungsrecht zwischen Eigenleistung, Täuschung und Beweis. Ordnung der Wissenschaft, 3, 187–196. https://ordnungderwissenschaft.de/wp-content/uploads/2026/06/Sigmund.pdf

Strassmeier, A. (2025). Hochschulrecht trifft KI: Rahmenbedingungen der KI-Nutzung durch Studierende am Beispiel der Universität Graz. In M. Fallenböck et al. (Hrsg.), Künstliche Intelligenz als Innovationsmotor für die Steiermark (S. 219 ff.). Leykam Universitätsverlag. https://doi.org/10.56560/isbn.978-3-7011-0604-2_17

VG München. (2024). Beschluss vom 08.05.2024 – M 3 E 24.1136. https://www.gesetze-bayern.de/Content/Document/Y-300-Z-BECKRS-B-2024-N-11848 [Hintergrundquelle]

Kapitel 04Hochschulpolitik und Leitlinien: Vom Verbot zur geregelten Integration

Im Winter 2022/23 verboten manche Hochschulen ChatGPT kurzerhand. Heute wirkt das wie eine Episode aus einer anderen Zeit. Dieses Kapitel zeichnet nach, wohin sich institutionelle KI-Richtlinien 2025/26 bewegen, welche Modelle dabei leitend sind, nämlich Two-Lane-Approach und AI Assessment Scale, und was der europäische Rechtsrahmen nach dem Digital-Omnibus tatsächlich verlangt. Abschließend wird am Beispiel der PH Vorarlberg konkret, was österreichisches Gesetz, Satzung und hochschuleigene Leitlinien heute regeln. Ausgangspunkt ist eine schlichte Tatsache: Die Studierenden haben längst entschieden.

Die Ausgangslage: Nutzung ist der Normalfall

In Großbritannien nutzen laut der jährlichen HEPI-Befragung 2026 unter gut 1.000 Vollzeit-Bachelorstudierenden bereits 95 % KI in irgendeiner Form, 94 % auch bei bewerteten Arbeiten (Stephenson & Armstrong, 2026). Ein Jahr zuvor lagen die Werte bei 92 % beziehungsweise 88 %, 2024 erst bei 66 % und 53 % (Freeman, 2025). Aufschlussreich ist der Anteil derer, die KI-generierten Text direkt in Prüfungsleistungen übernehmen: Er stieg laut HEPI 2026 von 3 % (2024) über 8 % (2025) auf 12 %. Für 2025 hatte HEPI zuvor allerdings 18 % gemeldet; vermutlich wurde die Frage anders formuliert, die Zeitreihe ist daher mit Vorsicht zu lesen. Auffällig ist zudem die Unterstützungslücke: 68 % halten KI-Kompetenzen für essenziell, aber nur 36 % fühlen sich von ihrer Hochschule zur Nutzung ermutigt (Stephenson & Armstrong, 2026).

**Abbildung 4:** KI-Nutzung britischer Studierender 2024 bis 2026 laut den jährlichen HEPI-Befragungen. Die untere Reihe, direkte Übernahme von KI-Text in Prüfungsleistungen, ist wegen einer geänderten Frageformulierung nur eingeschränkt vergleichbar. Daten: Freeman (2025) sowie Stephenson & Armstrong (2026); eigene Darstellung.

Deutschland liegt gleichauf. In einer bundesweiten Längsschnittbefragung der Hochschule Darmstadt mit 4.910 Studierenden, erhoben um den Jahreswechsel 2024/25, nutzten über 90 % KI-Tools im Studium, 2023 waren es 63 % (von Garrel & Mayer, 2025). Sie verwenden KI vor allem, um sich fachliche Konzepte erklären zu lassen, für Recherche, wissenschaftliches Schreiben und Übersetzen. Für Österreich wurde in dieser Recherche keine vergleichbare aktuelle Studierendenbefragung gefunden; es gibt keinen Grund anzunehmen, dass die Lage grundlegend anders ist.

Was die Hochschulen tun: Regeln statt Strukturreform

Wie reagieren die Institutionen? Der KI-Monitor 2025 des Hochschulforums Digitalisierung, eine Befragung hochschuldidaktischer Einrichtungen an 93 deutschen Hochschulen, zeigt ein klares Muster: 97 % der Hochschulen befassen sich mit KI in Prüfungen, 87 % haben ihre Eigenständigkeitserklärungen angepasst, 2023/24 waren es erst 42 %. Ihre Prüfungsordnungen haben aber nur 43 % geändert (Budde & Tobor, 2025). Nur 8 % haben keinerlei hochschulweite KI-Leitlinie; zugleich sind Studierende kaum in Entscheidungsprozesse eingebunden. Die Hochschulen regeln also eifrig auf der Ebene von Erklärungen und Leitfäden, die eigentliche Prüfungsarchitektur bleibt aber weitgehend unangetastet.

**Abbildung 5:** Regeln statt Strukturreform: Anteil deutscher Hochschulen, die sich mit KI in Prüfungen befassen, ihre Eigenständigkeitserklärung angepasst oder ihre Prüfungsordnung geändert haben. Daten: Budde & Tobor (2025), KI-Monitor 2025 des Hochschulforums Digitalisierung; eigene Darstellung.

Internationale Policy-Analysen zeigen ein verwandtes Muster: Die Leitlinien kreisen vor allem um Integrität. Jin et al. (2025) untersuchten die Leitlinien von 40 Universitäten aus sechs Weltregionen. Diese betonen akademische Integrität, bessere Lehre und Chancengerechtigkeit; Maßnahmen sind Ethikleitlinien, authentisches Prüfungsdesign, Schulungen und KI-Literacy-Programme. Lücken bestehen vor allem bei Datenschutz und gerechtem Zugang zu den Werkzeugen. Noch deutlicher fällt eine als Preprint vorliegende Analyse von 132 Dokumenten aus 76 britischen Hochschulen aus: Sie diagnostiziert ein „assessment-centred and integrity-first“ Governance-Modell, das Integritätsschutz und Kontrolle in den Vordergrund stellt und die didaktische Integration deutlich vernachlässigt (Tao et al., 2026, Preprint). Große Unterschiede bestehen bei Kennzeichnungspflichten, beim Einsatz von Detektoren und bei KI-gestütztem Bewerten.

Ampeln, Spuren, Skalen: Die leitenden Modelle

Zwei Denkmodelle prägen die Debatte. Der Two-Lane-Approach der University of Sydney, hier als Hintergrundquelle angeführt, unterscheidet gesicherte, beaufsichtigte Prüfungen (Lane 1: Klausuren, Vivas, interaktive mündliche Prüfungen) von offenen Formaten, in denen KI erlaubt ist (Lane 2). Unbeaufsichtigte Prüfungen mit KI-Verbot gelten darin als nicht valide, weil es „no reliable way to prevent or detect the use of generative AI“ gebe. Die meisten Prüfungen sollen bewusst in die offene Spur: „Most of our assessments should be in 'lane 2'“ (Liu & Bridgeman, 2023, Hintergrundquelle).

Das zweite Modell ist die AI Assessment Scale. Ihre erste Fassung, eine Stufenskala von „kein KI-Einsatz“ bis „volle KI-Nutzung“, wurde laut den Autor*innen von vielen Institutionen übernommen und in 30 Sprachen übersetzt. Die überarbeitete Fassung rahmt die Skala ausdrücklich neu: nicht mehr als Regel- und Kontrollinstrument, sondern als Werkzeug für das Redesign von Prüfungen zur Stärkung der Validität, grafisch bewusst nicht-hierarchisch und ergänzt um die Stufe „AI exploration“ (Perkins et al., 2025). Eine qualitative Evaluation mit 30 Lehrenden an zwei Universitäten in Vietnam und Großbritannien zeigt Licht und Schatten. Die Lehrenden schätzten die Skala als „shared language for legitimising GenAI use“ und als Anstoß zur Reflexion. Die Umsetzung hing von Governance, Toolzugang, Selbstvertrauen und Arbeitsbelastung der Lehrenden ab; ohne Anbindung an Lernergebnisse, Fachkontext und Kapazitäten der Lehrenden drohe die Skala zur bloßen „Compliance-Schicht“ zu werden (Perkins et al., 2026). Zu beachten ist, dass der Erstautor die Skala mitentwickelt hat.

Diese Kritik formulierten Corbin et al. (2025) in Assessment & Evaluation in Higher Education grundsätzlich. Sie unterscheiden „diskursive“ Änderungen, also Regeln und Ampelsysteme, die Studierende schlicht ignorieren können, von „strukturellen“ Änderungen an der Mechanik der Prüfung selbst. Viele Rahmenwerke erzeugten eine „enforcement illusion“, weil sie die Sprache durchsetzbarer Systeme übernehmen, ohne deren Durchsetzungskraft zu haben. Validität müsse in die Prüfungsarchitektur eingebaut werden. Zusammengelesen ergibt sich eine bemerkenswerte Konvergenz: Die Kritiker*innen der Skalen und die Entwickler*innen der AIAS landen beide beim Redesign der Prüfung, nicht bei der Regel.

Vom Verbot zum „Verbot-Verbot“

Wie weit der Pendelschlag reicht, zeigt Bayern. Der vom Kabinett im Juni 2026 beschlossene Entwurf zur Änderung des Bayerischen Hochschulinnovationsgesetzes sieht vor, dass KI bei unbeaufsichtigten schriftlichen Prüfungen „nicht ausgeschlossen, aber mit Vorgaben zu Umfang und Art einer Dokumentation der Nutzung verbunden werden“ soll (Elmentaler & Hof, 2026). Es ist, soweit ersichtlich, das erste deutsche Landesgesetzesvorhaben, das KI in solchen Prüfungen grundsätzlich zulassen will. Elmentaler und Hof halten dieses „KI-Verbot-Verbot“ für unvereinbar mit der grundgesetzlich geschützten Lehrfreiheit; eine Replik im selben Forum widerspricht (Rachut, 2026). Ob der Entwurf den Landtag passiert hat, ließ sich nicht verifizieren. Politisch markiert er dennoch die Richtung: Die Beweislast verschiebt sich von „Warum darf KI genutzt werden?“ zu „Warum darf sie es hier nicht?“.

EU AI Act: KI-Kompetenz und Hochrisiko nach dem Digital-Omnibus

Der europäische Rahmen hat sich heuer noch einmal deutlich verschoben. Der AI Act, hier als Hintergrundquelle zitiert, stuft in Anhang III Nr. 3 KI-Systeme im Bildungsbereich als Hochrisiko ein, darunter solche „to evaluate learning outcomes“ und „for monitoring and detecting prohibited behaviour of students during tests“, also KI-gestütztes Bewerten und KI-Proctoring (Europäisches Parlament & Rat der Europäischen Union, 2024, Hintergrundquelle). Die KI-Kompetenzpflicht nach Art. 4 gilt seit 2. Februar 2025.

Mit dem Digital-Omnibus, der Verordnung (EU) 2026/1744, die am 27. Juli 2026 in Kraft trat, wurden beide Elemente entschärft beziehungsweise verschoben. Art. 4 verlangt nun nur noch, dass Anbieter und Betreiber Maßnahmen ergreifen, um die Entwicklung der KI-Kompetenz ihres Personals und anderer Personen, die in ihrem Auftrag mit dem Betrieb und der Nutzung von KI-Systemen befasst sind, zu unterstützen; ein bestimmtes Kompetenzniveau einzelner Personen muss ausdrücklich nicht garantiert werden. Die Hochrisiko-Pflichten für Systeme nach Anhang III, und damit auch für KI-Bewertung und Prüfungsüberwachung, gelten erst ab 2. Dezember 2027 statt ab 2. August 2026 (Europäisches Parlament & Rat der Europäischen Union, 2026). Die österreichische KI-Servicestelle der RTR hat ihre Auslegungshilfe bereits auf die neue Fassung umgestellt. Sie betont, dass die Pflicht unabhängig von der Risikoklasse gilt, dass es „keine pauschale Beantwortung“ gibt, welche Maßnahmen nötig sind, und dass nicht jede Person dasselbe Kompetenzniveau braucht (RTR, 2026). Hochschulen fallen als Betreiber von KI-Systemen darunter; ob Studierende zu diesem Personenkreis zählen, bleibt eine offene Auslegungsfrage.

Rechtsrahmen und Leitlinien an der PH Vorarlberg

Was bedeutet das alles für eine österreichische Pädagogische Hochschule? Hier greifen drei Ebenen ineinander: ein Bundesgesetz, das KI seit 2024 ausdrücklich nennt, die Satzung der Hochschule und ihre Leitlinien für die Lehre.

Gesetz. Mit der Novelle BGBl. I Nr. 50/2024 wurde in das Hochschul-Qualitätssicherungsgesetz ein § 2a über Integrität im Studien-, Lehr- und Forschungsbetrieb eingefügt, in Kraft seit 1. Juli 2024. Er gilt ausdrücklich auch für Pädagogische Hochschulen (§ 1 Abs. 1 Z 4 HS-QSG). Nach § 2a Abs. 3 Z 2 liegt jedenfalls wissenschaftliches oder künstlerisches Fehlverhalten vor, wenn jemand „unerlaubte Hilfsmittel benützt, wozu auch die missbräuchliche Nutzung von Anwendungen Künstlicher Intelligenz zählt“ (Hochschul-Qualitätssicherungsgesetz, 2024, § 2a). Daneben nennt die Bestimmung unter anderem Ghostwriting, Plagiat sowie das Erfinden oder Fälschen von Daten. § 2a Abs. 4 verpflichtet die Hochschulen, in ihren Satzungen nähere Regelungen zu Integrität und Fehlverhalten aufzunehmen. Er erlaubt zudem einen Ausschluss vom Studium „in der Dauer von höchstens zwei Semestern“, wenn das Fehlverhalten „schwerwiegend ist und die bzw. der Studierende dabei vorsätzlich gehandelt hat“. Das Hochschulgesetz 2005 zieht nach. Es zählt Integrität in § 9 Abs. 6 Z 3a zu den leitenden Grundsätzen der Pädagogischen Hochschulen. Nach § 45 Abs. 1 Z 2 ist eine Beurteilung mit Bescheid für nichtig zu erklären, wenn sie „insbesondere durch schwerwiegendes wissenschaftliches oder künstlerisches Fehlverhalten im Sinne des § 2a Abs. 3 Z 2 bis 5 HS-QSG, erschlichen wurde“; die Prüfung wird dann auf die Gesamtzahl der Wiederholungen angerechnet (Hochschulgesetz, 2005, § 45).

Satzung. Die PH Vorarlberg hat diese Vorgaben in den studienrechtlichen Bestimmungen ihrer Satzung umgesetzt, kundgemacht im Mitteilungsblatt vom 30. September 2026 und in Kraft seit 1. Oktober 2026. § 19 Abs. 1 übernimmt den Katalog des § 2a Abs. 3 HS-QSG, der KI-Spiegelstrich ist wortgleich (Pädagogische Hochschule Vorarlberg, 2026, S. 24). Die Folgen regeln die Absätze 3 bis 5. Liegt „ein Plagiat, ein Vortäuschen von wissenschaftlichen Leistungen oder ein Verstoß gegen die Bestimmungen zum Einsatz von KI-Systemen bei Seminar-, Bachelor- oder Masterarbeiten vor, so wird die vorgelegte Arbeit negativ beurteilt und auf die Anzahl der möglichen Vorlagen angerechnet“ (Pädagogische Hochschule Vorarlberg, 2026, S. 24–25). Bei einem solchen Verstoß kann die Betreuerin oder der Betreuer zudem die weitere Betreuung ablehnen oder eine gänzlich neue Arbeit verlangen; vor der Entscheidung ist die Stellungnahme der Betroffenen einzuholen (Abs. 4). „Bei vorsätzlichem und schwerwiegendem wissenschaftlichen Fehlverhalten“ kann das Rektorat Studierende „für maximal zwei Semester vom Studium ausschließen“ (Abs. 5; Pädagogische Hochschule Vorarlberg, 2026, S. 25). Für Online-Prüfungen hält § 11 fest, dass Studierende über „die erlaubten Hilfsmittel“ frühzeitig zu informieren sind, spätestens ab dem Zeitpunkt, zu dem die Anmeldung möglich ist (Abs. 3), und: „Erlaubte Hilfsmittel sind von der:dem Prüfer:in rechtzeitig bekanntzugeben“ (Abs. 11; Pädagogische Hochschule Vorarlberg, 2026, S. 18–19).

**Abbildung 6:** Satzung der PH Vorarlberg, studienrechtliche Bestimmungen, § 19 Abs. 1: Der Katalog des wissenschaftlichen Fehlverhaltens mit dem KI-Spiegelstrich, wortgleich mit § 2a Abs. 3 Z 2 HS-QSG. Ausschnitt aus dem Mitteilungsblatt der PH Vorarlberg, 26. Stück, 30.09.2026, S. 24; Hervorhebung durch den Verfasser.

**Abbildung 7:** Satzung der PH Vorarlberg, § 11 Abs. 3 und Abs. 11 (Online-Prüfungen): Erlaubte Hilfsmittel sind frühzeitig und rechtzeitig bekanntzugeben. Ausschnitte aus dem Mitteilungsblatt der PH Vorarlberg, 26. Stück, 30.09.2026, S. 18 und S. 19; Hervorhebung durch den Verfasser.

Leitlinien. Die Leitlinien zum Umgang mit KI in der Lehre, vom Hochschulkollegium und vom Rektorat im Dezember 2023 beschlossen und im November 2025 aktualisiert, regeln „die Verwendung generativer KI-Systeme bei bewertungsrelevanten Leistungsnachweisen“ und richten sich an Lehrende und Studierende (Pädagogische Hochschule Vorarlberg, 2025, S. 1). Sie setzen nicht auf ein Verbot, sondern auf einen Bildungsauftrag: „Im Studium soll ein sinnvoller und kritischer Umgang mit KI vermittelt werden.“ Die Entscheidung liegt bei der einzelnen Lehrperson: „Die Lehrenden haben zu Beginn jeder Lehrveranstaltung den Studierenden mitzuteilen, ob und wie KI in der Veranstaltung bzw. bei entsprechenden Leistungsnachweisen verwendet werden darf und soll“ (Pädagogische Hochschule Vorarlberg, 2025, S. 1). Als Werkzeug nennen die Leitlinien die Gestaltung der Aufgaben, nicht die Erkennung: „Aufgabenstellungen sollten so gestaltet sein, dass Studierende trotz Verwendung von KI ihre eigenständige Leistung darstellen und Lehrende diese Eigenständigkeit der studentischen Leistung erkennen können“ (Pädagogische Hochschule Vorarlberg, 2025, S. 1). Verstöße gegen die von den Lehrenden festgelegten Regeln führen zu einer negativen Beurteilung, die auf die Anzahl der möglichen Vorlagen angerechnet wird. Für Transparenz sorgt eine Selbstdeklaration: Am Ende schriftlicher Arbeiten ist anzugeben, „in welcher Form bei der Erstellung der Arbeit generative KI-Systeme als Hilfsmittel eingesetzt wurden“, und zwar mit einer Vorlage, die „eigenhändig unterfertigt“ wird (Pädagogische Hochschule Vorarlberg, 2025, S. 2). KI-Detektoren kommen in den Leitlinien nicht vor.

**Abbildung 8:** Leitlinien der PH Vorarlberg zum Umgang mit KI in der Lehre, Abschnitt „Grundsätze“: Die Lehrperson legt zu Beginn jeder Lehrveranstaltung fest, ob und wie KI verwendet werden darf und soll; Aufgaben sollen Eigenständigkeit trotz KI sichtbar machen. Ausschnitt aus der Fassung vom 11. November 2025, S. 1; Hervorhebung durch den Verfasser.

Deutung. Liest man Gesetz, Satzung und Leitlinien zusammen, ergeben sich einige vorsichtige Folgerungen; sie sind eine fachliche Einordnung, keine Rechtsauskunft. Erstens ist nicht die Nutzung von KI Fehlverhalten, sondern ihre missbräuchliche Nutzung. Das Gesetz behandelt KI als einen Fall unerlaubter Hilfsmittel, nicht als verbotene Technik. Zweitens definieren weder das HS-QSG noch die Satzung, was „missbräuchlich“ heißt. Naheliegend ist eine Nutzung, die den für den jeweiligen Leistungsnachweis festgelegten Regeln widerspricht. Damit hängt die Grenze an der Festlegung durch die Lehrperson. Die Leitlinien verlangen sie zu Beginn jeder Lehrveranstaltung, die Satzung verlangt für Online-Prüfungen, erlaubte Hilfsmittel rechtzeitig bekanntzugeben. Wo keine Regel kommuniziert wurde, lässt sich ein Verstoß nur schwer begründen; eine schriftlich festgehaltene Regel ist daher auch im Interesse der Lehrenden. Drittens sind die Folgen abgestuft. Die negative Beurteilung mit Anrechnung nach § 19 Abs. 3 setzt dem Wortlaut nach keinen Vorsatz voraus, betrifft aber ausdrücklich Seminar-, Bachelor- und Masterarbeiten. Der Ausschluss vom Studium nach Abs. 5 verlangt dagegen Vorsatz und Schwere, die Nichtigerklärung nach § 45 HG ein schwerwiegendes Fehlverhalten, durch das die Beurteilung erschlichen wurde. Viertens ist ein Detektorbefund kein Nachweis. Keine der Normen nennt KI-Detektoren. Die in Kapitel 3 referierte Forschung zeigt, dass ihre Scores den Beweisstandard von Integritätsverfahren nicht erfüllen (Bassett et al., 2026); die Pflicht, vor einer Entscheidung die Stellungnahme der Betroffenen einzuholen, weist ohnehin auf eine Gesamtschau aller Umstände und auf das Gespräch.

Zwischenfazit

Der Trend ist eindeutig: weg vom Verbot, hin zu geregelter Integration, im Extremfall sogar zum gesetzlich verordneten Zulassen. Doch die meisten Hochschulen bewegen sich vorerst auf der diskursiven Ebene, mit angepassten Erklärungen, Ampeln und Skalen, während Prüfungsordnungen und Prüfungsformate hinterherhinken. Die Forschung zeigt, warum das nicht reicht: Regeln, die man nicht durchsetzen kann, sichern keine Validität. Der Rechtsrahmen verschafft Zeit, aber keine Entlastung. Ab Dezember 2027 gelten für neu in Verkehr gebrachte KI-Systeme zum Bewerten oder Beaufsichtigen die Hochrisiko-Pflichten; für bereits vorher eingesetzte, unveränderte Systeme greift ein Bestandsschutz, für Systeme öffentlicher Stellen eine Frist bis August 2030. Wer heute ein solches System beschafft, sollte die Pflichten dennoch von Anfang an mitdenken. In Österreich zählt seit 2024 die missbräuchliche Nutzung von KI-Anwendungen gesetzlich als Form wissenschaftlichen Fehlverhaltens (§ 2a Abs. 3 Z 2 HS-QSG); veröffentlichte Positionspapiere von uniko und AQ Austria zu KI in Prüfungen fehlen dagegen. Den verbindlichen Rahmen setzen hier § 2a HS-QSG und die Satzungen; wie die PH Vorarlberg zeigt, liegt die eigentliche Entscheidung, was im einzelnen Leistungsnachweis erlaubt ist, bei den Lehrenden. Das ist Freiheit und Pflicht zugleich: Die Regel muss vorher klar kommuniziert werden, und die Aufgabe muss so gebaut sein, dass Eigenleistung trotz KI sichtbar wird.

Literatur (Hochschulpolitik und Leitlinien)

Elmentaler, S., & Hof, L. (2026, 27. Juli). AI way or the highway: Zur Verfassungswidrigkeit des bayerischen „KI-Verbot-Verbots“. Verfassungsblog. https://doi.org/10.59704/ef3d880c8447e570

Europäisches Parlament & Rat der Europäischen Union. (2024). Verordnung (EU) 2024/1689 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (Verordnung über künstliche Intelligenz). Amtsblatt der Europäischen Union, L 2024/1689. https://eur-lex.europa.eu/eli/reg/2024/1689/oj [Hintergrundquelle]

Europäisches Parlament & Rat der Europäischen Union. (2026). Verordnung (EU) 2026/1744 vom 8. Juli 2026 zur Änderung der Verordnungen (EU) 2024/1689, (EU) 2018/1139 und (EU) 2023/1230 im Hinblick auf die Vereinfachung der Durchführung harmonisierter Vorschriften für künstliche Intelligenz (Digital-Omnibus zu KI). Amtsblatt der Europäischen Union, L 2026/1744, 24.7.2026. https://eur-lex.europa.eu/eli/reg/2026/1744/oj

Freeman, J. (2025). Student generative AI survey 2025 (HEPI Policy Note 61). Higher Education Policy Institute. https://www.hepi.ac.uk/reports/student-generative-ai-survey-2025/

Hochschul-Qualitätssicherungsgesetz (HS-QSG). (2024). BGBl. I Nr. 74/2011 in der Fassung BGBl. I Nr. 50/2024, § 2a (in Kraft seit 1. Juli 2024). Rechtsinformationssystem des Bundes. https://www.ris.bka.gv.at/GeltendeFassung.wxe?Abfrage=Bundesnormen&Gesetzesnummer=20007384

Hochschulgesetz 2005 (HG). (2005). BGBl. I Nr. 30/2006 in der geltenden Fassung, § 9 Abs. 6 und § 45. Rechtsinformationssystem des Bundes. https://www.ris.bka.gv.at/GeltendeFassung.wxe?Abfrage=Bundesnormen&Gesetzesnummer=20004626

Jin, Y., Yan, L., Echeverria, V., Gašević, D., & Martinez-Maldonado, R. (2025). Generative AI in higher education: A global perspective of institutional adoption policies and guidelines. Computers and Education: Artificial Intelligence, 8, 100348. https://doi.org/10.1016/j.caeai.2024.100348

Liu, D., & Bridgeman, A. (2023, 8. Dezember). Embracing the future of assessment at the University of Sydney. Teaching@Sydney. https://educational-innovation.sydney.edu.au/teaching@sydney/embracing-the-future-of-assessment-at-the-university-of-sydney/ [Hintergrundquelle]

Pädagogische Hochschule Vorarlberg. (2025). Leitlinien zum Umgang mit Künstlicher Intelligenz (KI) in der Lehre (Fassung vom 11. November 2025) [Interne Richtlinie]. Pädagogische Hochschule Vorarlberg.

Pädagogische Hochschule Vorarlberg. (2026). Satzung der Pädagogischen Hochschule Vorarlberg: Studienrechtliche Bestimmungen. Mitteilungsblatt der Pädagogischen Hochschule Vorarlberg, 26. Stück, 30. September 2026, 15–25.

Perkins, M., Postma, D., Roe, J., Sisay, S., & Holdcroft, C. (2026). 'A bit of chaos and madness': The AI assessment scale and the work of assessment reform. Assessment & Evaluation in Higher Education. https://doi.org/10.1080/02602938.2026.2724300

Perkins, M., Roe, J., & Furze, L. (2025). Reimagining the Artificial Intelligence Assessment Scale: A refined framework for educational assessment. Journal of University Teaching and Learning Practice, 22(7). https://doi.org/10.53761/rrm4y757

Rachut, S. (2026, 10. August). Warum ein KI-Verbot-Verbot nicht verfassungswidrig ist. Verfassungsblog. https://verfassungsblog.de/warum-ein-ki-verbot-verbot-nicht-verfassungswidrig-ist/

RTR. (2026). KI-Kompetenz (Art. 4 AI Act). KI-Servicestelle der Rundfunk und Telekom Regulierungs-GmbH. https://www.rtr.at/rtr/service/ki-servicestelle/ai-act/ki-kompetenz.de.html

Tao, Y., Ryan, M., Bialy, F., & Zhang, X. (2026). Assessment-focused governance mode? Mapping generative AI policies across 76 UK higher education institutions: Policy framework and recommendations [Preprint]. Research Square. https://doi.org/10.21203/rs.3.rs-10029667/v1

Kapitel 05Ethik und Qualität: Werden Arbeiten mit KI besser?

Im Lehrendenzimmer prallen derzeit zwei Erzählungen aufeinander. Die erste lautet: KI macht alles schneller und besser, wer darauf verzichtet, handelt fahrlässig. Die zweite hält dagegen, KI produziere glatte Oberflächen ohne Substanz und untergrabe genau die Kompetenzen, die Leistungsnachweise sichtbar machen sollen. Beide Erzählungen lassen sich an der Literatur seit Oktober 2024 prüfen. Das Ergebnis fällt unbequemer aus als jede der beiden Positionen: KI verbessert häufig das Produkt, deutlich seltener das Lernen, und die Evidenz für große Lerneffekte ist schwächer, als die viel zitierten Metaanalysen nahelegen.

Unterrichtsplanung mit KI: schneller, aber nicht besser

Die methodisch stärkste Studie zur KI-gestützten Unterrichtsvorbereitung stammt aus England. Im Auftrag der Education Endowment Foundation führte das NFER eine randomisierte kontrollierte Studie mit 259 Naturwissenschaftslehrkräften aus 68 Sekundarschulen durch; 129 von ihnen nutzten ChatGPT mit einem Leitfaden (Roy et al., 2024). Die wöchentliche Vorbereitungszeit sank von 81,5 auf 56,2 Minuten, ein Minus von 31 %. Ein verblindetes Expert*innenpanel konnte jedoch keinen Qualitätsunterschied zwischen den Materialien beider Gruppen erkennen. Die Bilanz ist also nüchtern: gleiche Qualität in kürzerer Zeit. Das ist nicht wenig, für eine Profession mit chronischer Arbeitsüberlastung sogar viel. Ein Qualitätssprung ist es nicht.

Genauer hingeschaut haben zwei Studien aus der Lehrer*innenbildung. Trust et al. (2025) analysierten 310 KI-generierte Unterrichtsentwürfe aus ChatGPT, Gemini und Copilot mit insgesamt 2.230 Aktivitäten. Nach der Bloom'schen Taxonomie entfielen 45 % auf Erinnern, 21 % auf Verstehen und 24 % auf Anwenden, nur rund 10 % auf Analysieren, Bewerten und Erschaffen. Zudem enthielten 94 % der Aktivitäten keinerlei multikulturelle Inhalte. Die Entwürfe sind formal sauber und kognitiv flach.

Kaka und Kessner (2025) ließen zehn Lehrerbildner*innen verblindet je drei KI-Entwürfe und drei Entwürfe von Lehramtsstudierenden im Praxissemester beurteilen. Die KI-Entwürfe punkteten bei Klarheit, struktureller Passung und Einbindung forschenden Lernens. Diese Elemente wirkten aber oft formelhaft. Die studentischen Entwürfe waren kreativer und kontextreicher, dafür uneinheitlich ausgeführt. Die Autor*innen sprechen von einem „central paradox“. Mit sechs Entwürfen ist die Basis schmal, das Muster deckt sich aber mit Trust et al.: Die Maschine liefert die solide Form, die Lehrperson den Kontext.

Für die Lehrer*innenbildung heißt das: Ein KI-Entwurf ist ein Rohling, der Didaktik erst braucht. Prüfungsrelevant wird damit nicht das Erstellen eines Entwurfs, sondern das begründete Überarbeiten.

Studentische Texte: bessere Noten, gleiches Wissen

Bei studentischen Arbeiten zeigt sich ein ähnliches Bild. Fan et al. (2024) teilten 117 Studierende in einem randomisierten Experiment auf vier Bedingungen auf: Unterstützung durch ChatGPT, durch eine menschliche Expert*in, durch Schreibanalyse-Werkzeuge oder keine Unterstützung. Die ChatGPT-Gruppe verbesserte ihre Essaynoten am stärksten. Beim Wissenszuwachs und beim Transfer unterschieden sich die Gruppen aber nicht signifikant. Die Prozessdaten zeigten veränderte Muster der Selbstregulation, die Autor*innen nennen das „metacognitive laziness“. Bessere Produkte und besseres Lernen sind zweierlei.

Einen positiveren Akzent setzt eine Tübinger Studie. Bauer et al. (2026) ließen Erstsemestrige drei Einleitungen wissenschaftlicher Texte schreiben: erst ohne KI, dann mit ChatGPT, dann wieder ohne. Die Textqualität stieg, und zwar auch in der dritten Runde ohne KI. Das Gefühl der Autorschaft sank während der Nutzung und stieg danach wieder an. Allerdings fehlt eine Kontrollgruppe, Übungs- und Reihenfolgeeffekte lassen sich deshalb nicht ausschließen.

Noch deutlicher trennt eine Studie aus dem Schulkontext Leistung und Kompetenz. Im Feldexperiment von Bastani et al. (2025) mit knapp 1.000 Schüler*innen verbesserten sich die Übungsergebnisse mit GPT-4 um 48 %, mit einem didaktisch abgesicherten „GPT Tutor“ sogar um 127 %. Nach Entzug des Zugangs schnitt die Gruppe mit dem ungeschützten Chatbot um 17 % schlechter ab als Schüler*innen, die nie Zugang hatten. Die Leitplanken des Tutors milderten diesen Schaden weitgehend. Für Leistungsnachweise ist das der Kernbefund: Was ein Mensch mit KI vorlegt, sagt wenig darüber aus, was er ohne sie kann.

Kreativität und Originalität: individuell mehr, kollektiv weniger

Macht KI Arbeiten origineller? Eine Studie vor dem Zeitfenster der Recherche (Hintergrundquelle) gab die bis heute zitierte Antwort: Kurzgeschichten mit KI-Ideen wurden als kreativer und besser geschrieben bewertet, vor allem bei weniger kreativen Schreibenden, sie ähnelten einander aber stärker (Doshi & Hauser, 2024). Meincke et al. (2025) bestätigen das in fünf Experimenten für das Brainstorming. Laut Zusammenfassung des Wharton Mack Institute sank die Ideenvielfalt innerhalb von Gruppen in 37 von 45 Vergleichen signifikant. In einem Experiment überschnitten sich 94 % der Ideen der ChatGPT-Gruppe konzeptuell. Diese Zahlen stammen aus der Institutsmitteilung, nicht aus dem Originalabstract. Für Lehrende heißt das: Wer viele Arbeiten zur selben Aufgabe liest, wird mehr Gleichförmigkeit sehen, unabhängig davon, ob einzelne Texte gelungen wirken.

Vorsicht bei Metaanalysen

Wer argumentiert, KI verbessere das Lernen nachweislich, stützt sich meist auf zwei Metaanalysen. Die eine, von Wang und Fan (2025), berichtete über 51 Studien einen großen Effekt auf die Lernleistung (g = 0,867). Sie wurde inzwischen zurückgezogen, laut Sekundärbericht am 22.04.2026 wegen „concerns regarding discrepancies in the meta-analysis“. Kritisiert worden waren unter anderem eine inkonsistente Studienzahl, eine unangemessene Gewichtung, der Einschluss sehr kleiner und sogar einer zurückgezogenen Studie sowie ein überhöhter Gesamteffekt. Die zweite, von Deng et al. (2025), berichtet über 62 Studien einen Gesamteffekt von g = 0,70 sowie positive Effekte auf Motivation und höheres Denken (Angabe nach Lawson et al., 2026).

Lawson et al. (2026) prüften die Primärstudien beider Metaanalysen und fanden „a lack of control“: In vielen Studien war die ChatGPT-Nutzung mit anderen Unterrichtsmerkmalen vermengt, etwa mit Methode, Lernzeit oder dem Üben am Testformat. In über der Hälfte der Vergleiche fehlten zudem die Angaben, um das überhaupt beurteilen zu können. Die Vorteile seien nur „with caution“ zu interpretieren. Weidlich et al. (2025) kommen zum selben Schluss: In einer geprüften Stichprobe erfüllte nur eine kleine Minderheit der Studien alle drei unverzichtbaren Mindeststandards. Wer also im Kollegium mit einer Effektstärke für ChatGPT argumentiert, sollte wissen, auf welchem Fundament sie steht.

Gibt es eine Pflicht, die besten Werkzeuge zu nutzen?

In der Debatte fällt gelegentlich das Argument, Lehrende und Studierende seien moralisch verpflichtet, die leistungsfähigsten verfügbaren Werkzeuge einzusetzen, analog zur Medizin. Eine peer-reviewte Begründung einer solchen Pflicht für den Bildungsbereich ließ sich für diesen Überblick nicht finden. Die Literatur bewegt sich zwischen zwei anderen Polen.

Porsdam Mann et al. (2024) halten KI-gestütztes wissenschaftliches Schreiben für ethisch legitim, wenn drei Bedingungen kumulativ erfüllt sind: menschliche Prüfung, substanzieller eigener Beitrag und transparente Offenlegung. Das ist eine Erlaubnis unter Bedingungen, keine Pflicht. Taylor (2025) argumentiert entgegengesetzt. KI-Text sei zwar technisch kein Plagiat, untergrabe Bildung aber auf dieselbe Weise. Lehrende hätten deshalb die Pflicht, ihn wie fremden menschlichen Text zu behandeln, und Universitäten müssten KI in schriftlichen Arbeiten rasch und entschieden einschränken.

Ausgerechnet die Medizin, auf die sich das Pflichtargument gern beruft, liefert einen Gegenbefund. In einer Beobachtungsstudie aus vier polnischen Zentren sank die Adenom-Detektionsrate bei Koloskopien ohne KI von 28,4 % auf 22,4 %, nachdem die Ärzt*innen sich an KI-Unterstützung gewöhnt hatten (Budzyń et al., 2025). Das Design erlaubt keine Kausalaussage, das Muster passt aber zu Bastani et al. (2025). Ein Werkzeug, das die Leistung im Moment hebt, kann die eigenständige Kompetenz langfristig schwächen.

Zwischenfazit

Die Evidenz spricht für eine differenzierte Haltung. KI spart Zeit bei vergleichbarer Qualität (Roy et al., 2024), verbessert Texte und Noten (Fan et al., 2024; Bauer et al., 2026) und hebt die Kreativität einzelner auf Kosten der Vielfalt (Doshi & Hauser, 2024, Hintergrundquelle; Meincke et al., 2025). Ein belastbarer Beleg, dass sie das Lernen verbessert, fehlt bislang. Die bekannteste Metaanalyse dazu ist zurückgezogen. Ethisch lässt sich daraus keine Nutzungspflicht ableiten, eher eine Pflicht zur Transparenz und zur bewussten Gestaltung. Für Leistungsnachweise folgt: Wenn das Produkt mit KI besser wird, muss die Bewertung stärker auf Begründung, Urteil und Prozess zielen.

Literatur (Ethik und Qualität)

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences. https://doi.org/10.1073/pnas.2422633122

Bauer, N. F., Fütterer, T., Brucker, B., & Gerjets, P. H. (2026). Leveraging ChatGPT in academic writing: ChatGPT enhances students' writing quality, writing experience, and ownership. Computers and Education Open, 100351. https://doi.org/10.1016/j.caeo.2026.100351

Budzyń, K., Romańczyk, M., Kitala, D., Kołodziej, P., et al. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: A multicentre, observational study. The Lancet Gastroenterology & Hepatology, 10(10), 896–903. https://doi.org/10.1016/S2468-1253(25)00133-5

Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Computers & Education, 227, 105224. https://doi.org/10.1016/j.compedu.2024.105224

Doshi, A. R., & Hauser, O. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290 [Hintergrundquelle]

Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2024). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530 (Heftjahrgang 2025). https://doi.org/10.1111/bjet.13544

Kaka, S. J., & Kessner, T. M. (2025). Bots and beginners: A comparative study of AI- and PST-generated social studies lesson plans. The Journal of Social Studies Research. https://doi.org/10.1177/0885985X251385910

Meincke, L., Nave, G., & Terwiesch, C. (2025). ChatGPT decreases idea diversity in brainstorming. Nature Human Behaviour. https://doi.org/10.1038/s41562-025-02173-x

Porsdam Mann, S., Vazirani, A. A., Aboy, M., Earp, B. D., Minssen, T., Cohen, I. G., & Savulescu, J. (2024). Guidelines for ethical use and acknowledgement of large language models in academic writing. Nature Machine Intelligence. https://doi.org/10.1038/s42256-024-00922-7

Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024). ChatGPT in lesson preparation: A Teacher Choices trial. Evaluation report. Education Endowment Foundation. https://educationendowmentfoundation.org.uk/projects-and-evaluation/projects/choices-in-edtech-using-generative-ai-chatgpt-for-ks3-science-lesson-preparation-2024-teacher-choices-trial

Taylor, M. R. (2025). The obligation to restrict AI in student writing. Journal of Philosophy of Education. https://doi.org/10.1093/jopedu/qhaf097

Trust, T., Maloy, R., Xu, C., & Pelletier, K. (2025). Civic education in the age of AI: Should we trust AI-generated lesson plans? Contemporary Issues in Technology and Teacher Education, 25(3). https://citejournal.org/volume-25/issue-3-25/social-studies/civic-education-in-the-age-of-ai-should-we-trust-ai-generated-lesson-plans/

Kapitel 06Leistungsfähigkeit der KI: Was Maschinen in Prüfungen und Wissenschaft leisten

Debatten über Leistungsnachweise kreisen oft um eine stillschweigende Annahme: Die KI kann vieles, aber eine „richtige“ Prüfung besteht sie nicht. Für standardisierte, schriftliche und unbeaufsichtigte Formate ist diese Annahme inzwischen widerlegt. Das Kapitel trägt zusammen, was die Literatur seit Oktober 2024 über die Leistungsfähigkeit großer Sprachmodelle in Hochschulprüfungen, Benchmarks, Berufsaufgaben und wissenschaftlicher Begutachtung zeigt. Es benennt aber auch, wo die Schlagzeilen mehr versprechen, als die Daten tragen. Viele der stärksten Belege sind Preprints oder stammen von KI-Anbietern selbst, das ist an jeder Stelle mitzulesen.

Hochschulprüfungen sind verwundbar

Die systematischste Untersuchung kommt von der EPFL in Lausanne. Borges et al. (2024) legten GPT-4 insgesamt 5.579 textbasierte Prüfungs- und Aufgabenfragen aus 50 Lehrveranstaltungen von neun Studiengängen vor. Im Mittel beantwortete das Modell 65,8 % korrekt, gemessen als Mehrheitsentscheid über acht Prompting-Strategien. Mit mindestens einer der Strategien waren es 85,1 %. Die Autor*innen sprechen ausdrücklich von der „Vulnerabilität“ der Hochschulprüfungen und fordern angepasste Prüfungsdesigns. Bemerkenswert ist, dass die Studie mit GPT-4 arbeitete, einem Modell, das zum Zeitpunkt dieses Überblicks bereits mehrere Generationen alt ist.

**Abbildung 9:** Anteil korrekt beantworteter Prüfungs- und Übungsfragen durch GPT-4: 5.579 textbasierte Fragen aus 50 Lehrveranstaltungen der EPFL. Daten: Borges et al. (2024); eigene Darstellung.

Dass solche Leistungen auch im Prüfungsalltag unbemerkt bleiben, zeigte eine Studie aus der Zeit vor dem Recherchezeitraum (Hintergrundquelle). An der University of Reading wurden rein KI-generierte Antworten verdeckt in reguläre Online-Prüfungen der Psychologie eingeschleust. 94 % blieben unentdeckt, und die KI-Einreichungen erhielten im Schnitt eine halbe Notenstufe mehr als die echter Studierender (Scarfe et al., 2024). Eine Fallstudie am University College London weist in dieselbe Richtung. KI-Lösungen zu acht Mathematikprüfungen, die das gesamte erste Studienjahr abdecken, erreichten bei Blindbewertung das Niveau eines „first-class degree“ und waren konsistenter als die Leistungen von Studierenden in beaufsichtigten Prüfungen (Walker et al., 2025, Preprint). Die KI-Lösungen wurden von Hand in Prüfungsbögen übertragen und, ohne dass die Korrigierenden davon wussten, gemeinsam mit den Arbeiten von 128 Studierenden bewertet. Mit durchschnittlich 71,1 Punkten lag die KI knapp, aber nicht signifikant über den Studierenden (69,1). Studierende, die KI nutzten, gab es dabei nicht: Die KI-Abgaben erstellte das Forschungsteam selbst.

Auch in hoch regulierten Prüfungssystemen ist die Hürde gefallen. Eine Netzwerk-Metaanalyse über 120 Evaluationen medizinischer Staatsexamina aus zehn Prüfungssystemen und neun Sprachen fand, dass 13 von 16 Modellen einen einheitlichen Referenzwert von 60 % für das Bestehen übertrafen. o1 erreichte 95,4 %, allerdings auf Basis von nur zwei Studien (Kasagga et al., 2025). Die Zeitschrift Cureus ist zwar begutachtet, gilt aber als wenig selektiv, die Größenordnung ist dennoch eindeutig.

Benchmarks: rasante Sättigung und gezackte Leistung

Der jährliche AI Index der Stanford University dokumentiert, wie schnell neue Testaufgaben ihre Unterscheidungskraft verlieren. Die 2023 eingeführten, als schwierig geltenden Benchmarks MMMU, GPQA und SWE-bench wurden ein Jahr später um 18,8, 48,9 bzw. 67,3 Prozentpunkte besser gelöst (Stanford HAI, 2025). Der Bericht 2026 setzt diese Linie fort. Bei SWE-bench Verified stiegen die Werte innerhalb eines Jahres von 60 % auf nahezu 100 %, und KI-Agenten verbesserten sich im Benchmark OSWorld von rund 12 % auf rund 66 %, bei einer menschlichen Vergleichsmarke von 72,35 % (Stanford HAI, 2026).

Zugleich beschreibt derselbe Bericht eine „gezackte“ Leistungsgrenze. Das Spitzenmodell liest analoge Uhren nur in 50,1 % der Fälle korrekt. Bei der Internationalen Mathematik-Olympiade 2025 löste dagegen eine Version von Gemini Deep Think fünf von sechs Aufgaben vollständig und erzielte 35 von 42 Punkten. Die Lösungen wurden von IMO-Koordinator*innen nach denselben Kriterien wie Schüler*innenlösungen bewertet und als Goldniveau zertifiziert (Luong & Lockhart, 2025). Die Quelle ist ein Blogbeitrag des Anbieters, die Bewertung erfolgte aber durch die Olympiade selbst.

Weil gängige Tests wie MMLU von Spitzenmodellen zu über 90 % gelöst werden, entstand „Humanity's Last Exam“: 2.500 von Fachexpert*innen weltweit erstellte Fragen, die sich nicht schnell per Internetsuche beantworten lassen (Center for AI Safety et al., 2026). Bei Veröffentlichung zeigten die Modelle geringe Genauigkeit und schlechte Kalibrierung. Laut offiziellem Leaderboard von Scale AI erreichte das beste Modell bis September 2026 rund 55 % (Stand 17.09.2026, laufend aktualisierte Fassung); andere Ranglisten weisen je nach Testbedingungen abweichende, teils höhere Werte aus. Diese Zahlen stammen nicht aus dem Nature-Artikel.

Wie belastbar sind solche Werte? Ein systematisches Review von 445 Benchmarks durch 29 Expert*innen fand wiederkehrende Mängel bei der Definition der gemessenen Konstrukte, bei den Aufgaben und bei den Metriken (Bean et al., 2025). Nur 16 % der Benchmarks nutzen Unsicherheitsangaben oder statistische Tests, und 38 % verwenden Daten aus bestehenden Benchmarks oder menschlichen Prüfungen wieder (Bean et al., 2025), was das Risiko erhöht, dass Aufgaben schon in den Trainingsdaten stecken. Benchmark-Fortschritt ist also real, aber kein direktes Maß für allgemeine Kompetenz.

Auf dem Weg zu Expert*innen-Niveau bei Berufsaufgaben

Näher an realer Arbeit liegt GDPval, eine Studie von OpenAI (Preprint). Fachleute mit durchschnittlich 14 Jahren Berufserfahrung erstellten 1.320 reale Aufgaben aus 44 Berufen, andere Expert*innen verglichen dann blind KI- und Menschen-Ergebnisse. Im Gold-Subset von 220 Aufgaben wurden 47,6 % der Ergebnisse von Claude Opus 4.1 als gleich gut oder besser bewertet als die der Fachleute (Patwardhan et al., 2025). Die Studie relativiert zugleich die Effizienzversprechen. Rechnet man menschliches Prüfen und Nachbessern ein, schrumpfen die naiven Zeit- und Kostenvorteile auf etwa das 1,1- bis 1,6-Fache.

Die Forschungsorganisation METR misst, wie lange die Aufgaben sein dürfen, die KI-Agenten mit 50 % Erfolg autonom lösen, gemessen an der menschlichen Bearbeitungszeit. Dieser „Zeithorizont“ verdoppelte sich seit 2019 etwa alle sieben Monate und lag Anfang 2025 bei rund 50 Minuten, gemessen an Software- und Programmieraufgaben (Kwa et al., 2025, Preprint); spätere METR-Messungen liegen deutlich höher. Ob sich der Wert auf Hausübungen, Protokolle oder Seminaraufgaben übertragen lässt, ist nicht untersucht; die Größenordnung legt es aber nahe.

KI als Gutachterin und Fehlerfinderin

Besonders aufschlussreich für Lehrende, die selbst bewerten, sind Studien zur KI im wissenschaftlichen Peer Review. Bei der Konferenz ICLR 2025 erhielten Gutachter*innen in einer randomisierten Studie über mehr als 20.000 Gutachten optionales Feedback eines „Review Feedback Agent“ zu vagen Kommentaren, Missverständnissen und unprofessionellen Formulierungen. 27 % der Gutachter*innen mit Feedback überarbeiteten ihr Gutachten, und über 12.000 Vorschläge wurden übernommen. Die überarbeiteten Gutachten wurden im Schnitt 80 Wörter länger und spezifischer (Thakkar et al., 2025, Preprint).

Noch einen Schritt weiter geht der „AI Scientist-v2“ von Sakana AI. Der Agent formuliert Hypothesen, führt Experimente durch und schreibt Manuskripte. Von drei vollständig autonom erzeugten Manuskripten erhielt eines bei einem begutachteten ICLR-Workshop Bewertungen über der durchschnittlichen Annahmeschwelle (Yamada et al., 2025, Preprint). Gemeint ist ausdrücklich Workshop-Niveau, nicht die Hauptkonferenz.

Und das Aufspüren von Fehlern? Ein Nature-Bericht beschreibt eine wachsende Bewegung von Projekten, die Publikationen per LLM auf Rechen-, Methoden- und Referenzfehler prüfen. Laut Sekundärquellen analysierte das Projekt Black Spatula rund 500 Papers, YesNoError über 37.000 Artikel in zwei Monaten (Gibney, 2025). Der Bericht benennt auch die Kehrseite: Falsch-Positive, die Reputation beschädigen können, und markierte Arbeiten, die von Menschen geprüft werden müssen. Der SPOT-Benchmark ernüchtert. Er umfasst 91 Fehler in 83 publizierten Arbeiten, die so gravierend waren, dass sie zu Errata oder Rückziehungen führten. Kein getestetes Modell übertraf 21,1 % Recall bzw. 6,1 % Präzision, und die Modelle fanden dieselben Fehler über mehrere Durchläufe selten wieder (Son et al., 2025, Preprint).

Was folgt für Leistungsnachweise?

Drei Schlüsse liegen nahe. Erstens taugen unbeaufsichtigte, schriftliche und geschlossene Formate kaum noch als valider Beleg individueller Kompetenz. Das gilt für Wissensfragen, Rechenaufgaben und Standardtexte, wie die Studien von Borges et al. (2024), Walker et al. (2025) und Kasagga et al. (2025) zeigen. Zweitens ist die Leistung der Systeme ungleichmäßig. Spitzenwerte in einem Benchmark sagen wenig über verlässliches Urteilen in ungewohnten Situationen, und gerade das kritische Prüfen fremder Arbeit gelingt noch schlecht (Son et al., 2025). Drittens zeigt das Peer-Review-Beispiel, wofür KI schon heute taugt: als Feedbackinstanz, die menschliches Urteil schärft, nicht ersetzt (Thakkar et al., 2025).

Was kaum untersucht ist, wiegt für die Hochschule fast schwerer: Wie gut bewältigt KI dialogische, prozessorientierte Formate wie mündliche Prüfungen, Portfolios oder Reflexionsgespräche? Genau dort liegt die Spur, die Kapitel 7 verfolgt.

Literatur (Leistungsfähigkeit der KI)

Bean, A. M., et al. (2025). Measuring what matters: Construct validity in large language model benchmarks. In Advances in Neural Information Processing Systems 38 (NeurIPS 2025, Datasets and Benchmarks Track). arXiv. https://doi.org/10.48550/arXiv.2511.04703

Center for AI Safety, Scale AI, & HLE Contributors Consortium. (2026). A benchmark of expert-level academic questions to assess AI capabilities. Nature, 649, 1139–1146. https://doi.org/10.1038/s41586-025-09962-4

Gibney, E. (2025). AI tools are spotting errors in research papers: Inside a growing movement. Nature (News). https://doi.org/10.1038/d41586-025-00648-5

Kasagga, A., Sapkota, A., Changaramkumarath, G., Abucha, J. M., Wollel, M. M., Somannagari, N., Husami, M. Y., Hailu, K. T., & Kasagga, E. (2025). Performance of ChatGPT and large language models on medical licensing exams worldwide: A systematic review and network meta-analysis with meta-regression. Cureus, 17(10), e94300. https://doi.org/10.7759/cureus.94300

Kwa, T., West, B., Barnes, E., Chan, L., et al. (2025). Measuring AI ability to complete long software tasks [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2503.14499

Luong, T., & Lockhart, E. (2025, 21. Juli). Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad. Google DeepMind Blog. https://deepmind.google/discover/blog/advanced-version-of-gemini-with-deep-think-officially-achieves-gold-medal-standard-at-the-international-mathematical-olympiad/

Patwardhan, T., et al. (2025). GDPval: Evaluating AI model performance on real-world economically valuable tasks [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2510.04374

Son, G., Hong, J., Fan, H., Nam, H., Ko, H., Lim, S., Song, J., Choi, J., Paulo, G., Yu, Y., & Biderman, S. (2025). When AI co-scientists fail: SPOT – a benchmark for automated verification of scientific research [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2505.11855

Stanford HAI. (2025). The 2025 AI Index report. Stanford Institute for Human-Centered Artificial Intelligence. https://hai.stanford.edu/ai-index/2025-ai-index-report

Stanford HAI. (2026). The 2026 AI Index report. Stanford Institute for Human-Centered Artificial Intelligence. https://hai.stanford.edu/ai-index/2026-ai-index-report

Thakkar, N., Yuksekgonul, M., Silberg, J., Garg, A., Peng, N., Sha, F., Yu, R., Vondrick, C., & Zou, J. (2025). Can LLM feedback enhance review quality? A randomized study of 20K reviews at ICLR 2025 [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2504.09737

Walker, B. J., Kalaydzhieva, N., Navarro Lameda, B., & Reynolds, R. A. (2025). Generative AI performance in core undergraduate mathematics: A curriculum-level case study [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2509.13359

Yamada, Y., Lange, R. T., Lu, C., Hu, S., Lu, C., Foerster, J., Clune, J., & Ha, D. (2025). The AI Scientist-v2: Workshop-level automated scientific discovery via agentic tree search [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2504.08066

Kapitel 07Was bleibt und was zählt: Prüfungsformate, Assessment Reform und Kompetenzen

Wenn ein Sprachmodell die meisten schriftlichen Aufgaben eines Studienjahres auf Spitzenniveau lösen kann, wird eine alte Frage wieder dringlich: Was soll ein Leistungsnachweis eigentlich belegen? Die Literatur seit Oktober 2024 antwortet darauf überraschend einheitlich. Es geht weniger um Betrugsabwehr als um Validität. Ein Abschluss soll bescheinigen, dass Absolvent*innen tatsächlich können, was er verspricht. Dieses Kapitel ordnet die Reformvorschläge, prüft die Evidenz zu einzelnen Formaten und fragt, welche Kompetenzen in den Mittelpunkt rücken.

Von der Betrugsabwehr zur Validität

Den Referenzrahmen der aktuellen Debatte setzte ein konzeptioneller Beitrag kurz vor dem Recherchezeitraum (Hintergrundquelle). Dawson et al. (2024) argumentieren, dass Täuschung ein Teilaspekt der Validität ist und nicht moralisierend, sondern im Rahmen der Lernsicherung behandelt werden sollte. Anti-Cheating-Maßnahmen können die Validität sogar senken, etwa wenn sie Barrieren für Studierende mit Beeinträchtigungen errichten.

Corbin, Dawson und Liu (2025) spitzen das zu. Sie unterscheiden „diskursive“ Änderungen, also Regeln, Ampelsysteme oder Erklärungen zur erlaubten KI-Nutzung, von „strukturellen“ Änderungen an der Prüfungsmechanik selbst. Diskursive Maßnahmen können Studierende schlicht ignorieren. Viele Rahmenwerke erzeugen deshalb eine „enforcement illusion“: Sie borgen sich die Sprache durchsetzbarer Systeme, ohne deren Durchsetzungskraft zu besitzen. Der Titel des Beitrags fasst die Botschaft zusammen: „Talk is cheap“.

Die Autor*innen der verbreiteten AI Assessment Scale, deren erste Fassung nach eigenen Angaben in 30 Sprachen übersetzt wurde, haben darauf reagiert. In der überarbeiteten Fassung wird die Skala bewusst nicht-hierarchisch dargestellt und als Werkzeug für das Redesign von Prüfungen gerahmt, nicht als Kontrollinstrument. Neu ist die Stufe „AI exploration“ (Perkins et al., 2025). Eine Evaluation mit Fokusgruppen von 30 Lehrenden, durchgeführt von den Entwickler*innen selbst (Perkins et al., 2026), zeigt beides: Die Skala stiftet eine gemeinsame Sprache, droht aber ohne Bezug zu Lernergebnissen und ohne Ressourcen zur bloßen Compliance-Schicht zu werden.

Dass es keine einfache Lösung gibt, zeigt eine Interviewstudie mit 20 Lehrenden, die an einer australischen Universität für Prüfungsdesign verantwortlich sind. Die Lage erfüllt alle zehn Merkmale eines „wicked problem“ nach Rittel und Webber: keine definitive Problemformulierung, keine Stoppregel, nur bessere oder schlechtere Lösungen (Corbin, Bearman et al., 2025). Eine Lehrperson bringt den Zielkonflikt auf den Punkt: „We can make assessments more AI-proof, but if we make them too rigid, we just test compliance rather than creativity“. Lehrende brauchen daher institutionelle Erlaubnis, „to compromise, diverge, and iterate“.

Reform auf Programmebene: das TEQSA-Modell

Die australische Qualitätsagentur TEQSA hat ihre Reformempfehlungen aus 2023 im September 2025 weitergeführt. Das von einem Expert*innen-Panel unter Leitung von Jason Lodge erstellte Dokument ist ausdrücklich nicht präskriptiv. Es beschreibt drei Wege, Lernen abzusichern: programmweit über mehrere gesicherte Prüfungspunkte im gesamten Studium, auf Ebene jeder Lehrveranstaltung mit mindestens einer gesicherten Aufgabe oder als Hybrid (Lodge & TEQSA, 2025). Die Leitidee: Statt eines technologischen Wettrüstens bei der Erkennung sei ein systematischer Umbau der Prüfungen nötig, zumal sich KI-Nutzung derzeit kaum sicher nachweisen lasse.

Der Gedanke ist für den deutschsprachigen Raum anschlussfähig. Das Hochschulforum Digitalisierung stellt fest, dass ein generelles KI-Verbot in schriftlichen Prüfungen weder sinnvoll noch durchsetzbar ist. Es beschreibt einen „Flickenteppich“ von Hochschulregeln und bezeichnet Detektoren als „Sackgasse“ (Weßels et al., 2025). Die AG Prüfungen des niedersächsischen Hochschulverbunds verzichtet bewusst auf verbindliche Endregeln. Stattdessen beschreibt sie Handlungsspielräume für hochschulweite und fachspezifische Regelungen, etwa für Prüfungsausschüsse (Baresel et al., 2025).

Deklarationspflichten: gut gemeint, schwach wirksam

Viele Hochschulen setzen auf eine KI-Erklärung oder ein KI-Protokoll. Die Evidenz dazu ist ernüchternd. An der King's Business School gaben 74 % der Studierenden ihre KI-Nutzung nicht an, obwohl ein verpflichtendes Deckblatt dies verlangte (Gonsalves, 2024). Als Barrieren nennt die Studie Angst vor Sanktionen, unklare Regeln, uneinheitliche Durchsetzung und den Einfluss von Mitstudierenden. Ein Kurzbericht der Louisiana State University zeigt Ähnliches: Nur 60 von 238 Studierenden einer Chemie-Lehrveranstaltung füllten ein Offenlegungsformular aus, und rund 94 % gaben die genutzte Modellversion nicht an (Garcia Ramos, 2025).

Deklarationen sind damit kein Beweismittel, aber ein didaktisches Instrument, wenn sie in eine Vertrauenskultur eingebettet sind. Genau das empfiehlt Gonsalves (2024): klare, konsistente Regeln und eine unterstützende Kultur statt einer bloßen Pflicht. Auch Studierende wünschen sich das. Der Jisc-Bericht 2025 dokumentiert die Forderung nach konsistenten Regeln über Fachbereiche hinweg und nach Mitsprache bei deren Gestaltung (Jisc, 2025).

Mündliche Prüfungen und Kombinationsformate

Unter den strukturellen Lösungen ist die interaktive mündliche Prüfung am besten untersucht. Davey et al. (2025) werteten Daten von 722 Studierenden eines Bioscience-Kurses an der University of South Australia aus den Jahren 2009 bis 2023 aus. Nach Einführung einer interaktiven mündlichen Abschlussprüfung stiegen die Leistungen in der Abschlussprüfung und die Kursnoten. Signifikante Unterschiede nach Geschlecht, internationalem Status oder Sprachhintergrund gab es nicht. Die anfängliche Prüfungsangst wich mit wachsender Erfahrung einer positiveren Einschätzung und beeinträchtigte die Leistung nicht. Das Format erwies sich zudem als robust gegenüber unangemessener KI-Nutzung.

Aus dem deutschsprachigen Raum berichtet die Euro-FH von vier Prüfungsansätzen aus partizipativer Forschung (Lenz-Kesekamp, 2025): angepasste Transfer- und Fallaufgaben, KI-integrative Aufgaben, Kombinationsformate aus schriftlicher Arbeit und mündlichem Reflexionsgespräch sowie neue prozessorientierte Formate wie E-Portfolio und Peer Review. Laut hauseigener Trendstudie sank der Anteil der Befragten, die ein Verbot textgenerativer KI fordern, von 39,9 % (2023) auf 9,3 % (2025). Rund 72 % befürworten eine Integration unter klaren Regeln. Der Bericht verschweigt auch den Preis nicht: Mündliche Prüfungen binden erhebliche personelle Ressourcen.

Wie dringlich der Umbau ist, zeigt der Blick auf unbeaufsichtigte Formate. KI-Lösungen zu den Mathematikprüfungen eines ganzen ersten Studienjahres erreichten am UCL das Niveau eines „first-class degree“ (Walker et al., 2025, Preprint).

Kompetenzen: Urteilskraft vor Bedienwissen

Welche Kompetenzen sollen Prüfungen künftig sichtbar machen? Die neuen Kompetenzrahmen setzen ähnliche Akzente. Der AI-Literacy-Rahmen des Digital Education Council für Hochschulen (März 2025) umfasst laut Sekundärberichten fünf Dimensionen, darunter kritisches Denken und Urteilskraft sowie Fachexpertise, jeweils in drei Stufen (Digital Education Council, 2025). Der gemeinsame Rahmen von OECD und EU-Kommission wurde im Juni 2026 final vorgestellt. Er ist für Schulen konzipiert, gliedert sich in vier Domänen (Engage, Create, Manage, Shape) und bildet die Grundlage für das PISA-2029-Assessment „Media & AI Literacy“ (OECD & European Commission, 2026). Für die Lehrer*innenbildung ist er deshalb doppelt relevant.

Was Urteilskraft im Umgang mit KI konkret heißt, zeigen Walton et al. (2025). In 26 Interviews gingen sie mit Studierenden deren frühere KI-Chats durch. Dabei unterschieden sie sechs Kategorien von Urteilsereignissen. Sie reichen von der Einschätzung des eigenen Wissens über die unkritische Übernahme von KI-Ideen bis zur Abgabe ungeprüfter KI-Inhalte. Die Kernaussage: Wer KI-Output beurteilt, muss das eigene Wissen, die eigenen Lücken und den eigenen Beitrag beurteilen können. Evaluative Judgement setzt also Fachwissen voraus, statt es zu ersetzen. Der Jisc-Bericht empfiehlt in diesem Sinn, AI Literacy (Prompting, Prüfung von Outputs, Ethik) ins Curriculum einzubetten (Jisc, 2025).

Gestaltungsempfehlungen für Hochschullehrende

Aus der Literatur lassen sich sieben konkrete Empfehlungen ableiten:

Validität vor Kontrolle: Für jede Prüfung klären, welche Kompetenz sie belegen soll, und erst dann über KI-Regeln entscheiden (Dawson et al., 2024; Corbin, Dawson & Liu, 2025).
Strukturell statt diskursiv ändern: Eine KI-Erklärung allein ändert nichts. Wirksam sind Änderungen an der Prüfungsarchitektur, etwa ein mündlicher Anteil, Zwischenstände oder Arbeit vor Ort (Corbin, Dawson & Liu, 2025).
Gesicherte Punkte im Studienprogramm vereinbaren: Im Team festlegen, wo im Curriculum Lernen unter kontrollierten Bedingungen nachgewiesen wird, programmweit oder mit mindestens einer gesicherten Aufgabe pro Lehrveranstaltung (Lodge & TEQSA, 2025).
Das Gespräch einbauen: Schriftliche Arbeiten mit einem kurzen Reflexions- oder Verteidigungsgespräch kombinieren. Interaktive mündliche Prüfungen erwiesen sich in einer Kursstudie als fair und robust (Davey et al., 2025); Erfahrungsberichte bestätigen das Potenzial, verweisen aber auf den Ressourcenbedarf (Lenz-Kesekamp, 2025).
Offene Formate KI-integrativ gestalten: Wo KI erlaubt ist, nicht das Produkt bewerten, sondern Begründung, Quellenprüfung und Überarbeitung. Die AIAS kann dafür als gemeinsame Sprache dienen, nicht als Regelwerk (Perkins et al., 2025).
Offenlegung als Lerngelegenheit: KI-Protokolle in eine Vertrauenskultur einbetten und Sanktionsangst abbauen, sonst bleiben sie leer (Gonsalves, 2024; Garcia Ramos, 2025).
Urteilskraft explizit prüfen: Aufgaben stellen, in denen Studierende KI-Output fachlich beurteilen und verbessern müssen, und dieses Urteil bewerten (Walton et al., 2025; Digital Education Council, 2025).

Keine dieser Empfehlungen ist ein Patentrezept, das liegt in der Natur eines „wicked problem“ (Corbin, Bearman et al., 2025). Gemeinsam ist ihnen die Bewegung vom geprüften Produkt zum begleiteten Prozess und zum Dialog zwischen Lehrenden und Studierenden.

Literatur (Was bleibt und was zählt)

Baresel, K., Horn, J., Schorer, S., Meier zu Farwig, C., & Schneider, J. (2025). Einsatz generativer KI in Prüfungen: Eine Stellungnahme. Digitale Lehre Hub Niedersachsen. https://doi.org/10.57961/2rkb-fp35

Corbin, T., Bearman, M., Boud, D., & Dawson, P. (2025). The wicked problem of AI and assessment. Assessment & Evaluation in Higher Education. https://doi.org/10.1080/02602938.2025.2553340

Davey, S. K., Birbeck, D., Nallaya, S., Sallows, G., & Della Vedova, C. B. (2025). Utilising one-on-one interactive oral assessments as the major final assessment within a bioscience course. Assessment & Evaluation in Higher Education, 50(7), 1154–1171. https://doi.org/10.1080/02602938.2025.2502577

Dawson, P., Bearman, M., Dollinger, M., & Boud, D. (2024). Validity matters more than cheating. Assessment & Evaluation in Higher Education, 49(7), 1005–1016. https://doi.org/10.1080/02602938.2024.2386662 [Hintergrundquelle]

Digital Education Council. (2025). Digital Education Council AI literacy framework. https://www.digitaleducationcouncil.com/post/digital-education-council-ai-literacy-framework

Garcia Ramos, J. (2025). Development and introduction of a document disclosing AI-use: Exploring self-reported student rationales for artificial intelligence use in coursework: A brief research report. Frontiers in Education, 10. https://doi.org/10.3389/feduc.2025.1654805

Jisc. (2025). Student perceptions of AI 2025. https://www.jisc.ac.uk/reports/student-perceptions-of-ai-2025

Lenz-Kesekamp, V. (2025). Prüfen mit KI: Zwischen Kontrollverlust und Kompetenzgewinn. strategie digital, 6, 71–76. Hochschulforum Digitalisierung. https://hochschulforumdigitalisierung.de/wp-content/uploads/2025/01/SD06-11-Pruefen-mit-KI.pdf

Lodge, J. M., & TEQSA. (2025). Enacting assessment reform in a time of artificial intelligence. Tertiary Education Quality and Standards Agency. https://www.teqsa.gov.au/sites/default/files/2026-06/enacting-assessment-reform-in-a-time-of-artificial-intelligence-web.pdf

OECD & European Commission. (2026). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education (AILit Framework). https://ailiteracyframework.org/blog/empowering-learners-for-the-age-of-ai-literacy-framework/

Walton, J., Bearman, M., Crawford, N., Tai, J., & Boud, D. (2025). How university students work on assessment tasks with generative artificial intelligence: Matters of judgement. Assessment & Evaluation in Higher Education, 51(6), 1066–1082. https://doi.org/10.1080/02602938.2025.2570328

Weßels, D., Bils, A., & Budde, J. (2025). Wissenschaftliche Abschlussarbeiten im KI-Zeitalter. Disruption, Herausforderungen und neue Bewertungsansätze (Diskussionspapier Nr. 38). Hochschulforum Digitalisierung. https://hochschulforumdigitalisierung.de/publikationen/diskussionspapier-nr-38-wissenschaftliche-abschluss-arbeiten-im-ki-zeitalter

Kapitel 08Lernwirkung: Auslagern, Abkürzen, Verlernen?

Hinter jeder Prüfungsfrage steht eine Annahme über Lernen. Ein Leistungsnachweis soll zeigen, dass eine Person etwas kann, und zwar dann, wenn es darauf ankommt. Generative KI stellt diese Annahme auf eine harte Probe. Das Problem liegt dabei weniger im Betrug als in einer leiseren Frage: Lernt jemand überhaupt noch, wenn die Maschine die anstrengenden Teile übernimmt? Dieses Kapitel ordnet die Befunde zu Cognitive Offloading, „metacognitive laziness“ und Deskilling. Danach stellt es ihnen die Studien gegenüber, in denen KI das Lernen deutlich verbessert hat. Am Ende steht ein Blick auf die Metaanalysen, deren Zahlen derzeit am häufigsten zitiert werden und am wenigsten tragen.

Leistung mit KI ist nicht Kompetenz ohne KI

Die wohl wichtigste Einzelstudie dieser Periode stammt aus dem Mathematikunterricht türkischer Gymnasien. Bastani et al. (2025) gaben knapp 1.000 Schüler*innen in einem Feldexperiment Zugang zu GPT-4, und zwar in zwei Varianten: einem gewöhnlichen Chat („GPT Base“) und einem Tutor mit lernförderlichen Leitplanken („GPT Tutor“). Solange die KI verfügbar war, stiegen die Übungsergebnisse deutlich, um 48 % mit GPT Base und um 127 % mit dem Tutor. Die Pointe kam nach dem Entzug. In der anschließenden Prüfung ohne KI schnitt die GPT-Base-Gruppe um 17 % schlechter ab als Schüler*innen, die nie Zugang gehabt hatten. Die Autor*innen sprechen von einer Krücke. Beim Tutor mit Leitplanken blieb dieser Schaden weitgehend aus.

**Abbildung 10:** Leistung mit KI ist nicht gleich Lernen: Veränderung gegenüber der Kontrollgruppe ohne KI-Zugang, links in der Übungsphase mit KI, rechts in der anschließenden Prüfung ohne KI. Für den Tutor mit Leitplanken nennt dieser Überblick keinen Zahlenwert, der Schaden blieb weitgehend aus. Daten: Bastani et al. (2025), Feldexperiment mit knapp 1.000 Schüler*innen; eigene Darstellung.

Für Hochschullehrende ist der Befund unbequem, gerade weil er aus der Schule kommt. Er trennt zwei Dinge sauber, die in der Prüfungspraxis oft zusammenfallen: die Qualität eines Produkts und das Können der Person, die es abgibt. Ein ähnliches Muster zeigt ein randomisiertes Experiment mit 117 Studierenden. Fan et al. (2024) ließen Essays mit Unterstützung durch ChatGPT, durch eine menschliche Expert*in, durch Schreibanalyse-Tools oder ganz ohne Hilfe überarbeiten. Die ChatGPT-Gruppe verbesserte ihre Essaynoten am stärksten. Beim Wissenszuwachs und beim Transfer unterschied sie sich aber nicht signifikant von den anderen Gruppen. Anders verliefen dagegen die selbstregulierten Lernprozesse, und dafür prägten die Autor*innen den Begriff „metacognitive laziness“: Planen, Überwachen und Bewerten des eigenen Lernens werden an das Werkzeug abgegeben.

Die OECD bündelt diese Linie in ihrem Digital Education Outlook: „this advantage disappears – and sometimes reverses – in exams when access is removed“ (OECD, 2026). Der Bericht hält zugleich fest, dass pädagogisch gestaltete Bildungswerkzeuge nachhaltigere Lerneffekte zeigen als allgemeine Chatbots. Dieser Unterschied zieht sich durch das ganze Kapitel.

Kognitive Entlastung und ihr Preis

Weniger Anstrengung ist nicht automatisch schlecht. Lernpsychologisch ist aber bekannt, dass bestimmte Schwierigkeiten das Lernen fördern. Eine Studie, die dieses Argument experimentell stützt, liegt knapp vor dem Zeitfenster dieses Überblicks und wird hier als Hintergrundquelle geführt. Stadler et al. (2024) ließen 91 Studierende randomisiert entweder mit ChatGPT-3.5 oder mit Google zu Nanopartikeln in Sonnencreme recherchieren. Die LLM-Gruppe berichtete signifikant weniger kognitive Belastung, begründete und argumentierte in ihren Empfehlungen aber schwächer. Die Aufgabe war kurz und das Modell ist inzwischen veraltet, doch das Muster passt zu den späteren Befunden.

Die übrigen Studien zum kritischen Denken beruhen auf Befragungen. Gerlich (2025) fand bei 666 Teilnehmenden einen signifikant negativen Zusammenhang zwischen häufiger KI-Nutzung und kritischem Denken, vermittelt über verstärktes kognitives Auslagern. Jüngere Befragte waren stärker betroffen. Die Studie ist korrelativ und erlaubt keinen Kausalschluss. Lee et al. (2025) befragten 319 Wissensarbeitende zu 936 konkreten Nutzungssituationen: „higher confidence in GenAI is associated with less critical thinking“, höheres Selbstvertrauen dagegen mit mehr kritischem Denken. Bemerkenswert ist die Verschiebung, die die Autor*innen beschreiben. Kritisches Denken verschwindet nicht, es wandert vom Erstellen zum Prüfen, Integrieren und Verantworten von KI-Output. Für Leistungsnachweise heißt das: Wer nur das fertige Produkt bewertet, sieht genau diese neue Denkarbeit nicht.

Medial am wirksamsten war die EEG-Studie des MIT Media Lab. Kosmyna et al. (2025) verglichen Essayschreiben mit LLM, mit Suchmaschine und ohne Hilfsmittel. In der LLM-Gruppe war die neuronale Konnektivität am schwächsten und die empfundene Eigentümerschaft am Text am geringsten, viele Teilnehmende konnten ihren eigenen Essay kaum korrekt zitieren. Die Arbeit ist jedoch ein Preprint mit 54 Teilnehmenden, in der entscheidenden vierten Sitzung waren es nur 18. Ein methodischer Kommentar aus Wien und Dresden kritisiert die geringe Teststärke, die eingeschränkte Reproduzierbarkeit und die EEG-Methodik (Stankovic et al., 2026, ebenfalls Preprint). Als Illustration taugt die Studie, als Beleg für „kognitive Schulden“ noch nicht.

Wie Studierende tatsächlich arbeiten, zeigt ein Herstellerbericht. Anthropic (2025) analysierte 574.740 anonymisierte Konversationen mit Hochschul-E-Mail-Adressen. Rund 47 % waren „direkt“, also Antwort- oder Produktsuche mit minimalem Engagement. Die KI übernahm vor allem höhere Bloom-Stufen: Erschaffen machte 39,8 % aus, Analysieren 30,2 %. Gerade die kognitiven Prozesse, die Prüfungen sichtbar machen sollen, werden also besonders häufig delegiert. Interessenkonflikt und fehlende Begutachtung sind bei dieser Quelle mitzudenken.

Deskilling: der Blick über den Tellerrand

Den bislang deutlichsten Hinweis auf echtes Verlernen liefert nicht die Bildungsforschung, sondern die Medizin. In vier polnischen Endoskopiezentren sank nach Einführung KI-gestützter Polypenerkennung die Adenom-Detektionsrate bei Koloskopien ohne KI von 28,4 % auf 22,4 % (Budzyń et al., 2025). Das Design ist ein Vorher-Nachher-Vergleich und beweist keine Kausalität. Ein Bildungsbeleg ist die Studie ebenfalls nicht. Als Analogie ist sie dennoch stark, denn bei erfahrenen Fachleuten sank die Leistung ohne KI, nachdem die Maschine die Aufgabe regelmäßig mit übernommen hatte. Wer Lehramtsstudierende zu KI-gestütztem Planen, Korrigieren oder Diagnostizieren ausbildet, sollte diese Möglichkeit ernst nehmen.

Gegenbefund: Wenn KI didaktisch gebaut ist

Die Schadensbefunde betreffen fast durchwegs ungeführte, allgemeine Chatbots. Wo KI didaktisch gestaltet ist, kippt das Bild. In einem Harvard-Physikkurs führte ein nach lernwissenschaftlichen Prinzipien gebauter KI-Tutor bei 194 Studierenden zu mehr als doppelt so hohen medianen Lerngewinnen wie aktiver Präsenzunterricht, mit Effektstärken von 0,73 bis 1,3 Standardabweichungen und einer medianen Lernzeit von 49 Minuten (Kestin et al., 2025). Die Studierenden berichteten zudem mehr Engagement und Motivation. In Nigeria fand ein randomisiertes Experiment der Weltbank nach sechs Wochen begleitetem Copilot-Einsatz Zuwächse von 0,31 Standardabweichungen in einem Gesamttest aus Englisch, KI-Wissen und digitalen Kompetenzen sowie 0,23 in Englisch (De Simone et al., 2025). Die Studie ist allerdings ein Working Paper und spielt im Schulkontext.

Auch Bastani et al. (2025) gehören hierher, denn ihr Tutor mit Leitplanken verhinderte den Einbruch. Die Frage lautet also nicht „KI ja oder nein“, sondern: Welche KI, eingebettet in welche Aufgabe, mit welchen Hürden? Für Prüfungen folgt daraus eine doppelte Aufgabe. Sie müssen eigenständiges Können sichtbar machen, und sie sollten Lernumgebungen belohnen, in denen KI das Denken stützt statt ersetzt.

Wie belastbar sind die Metaanalysen?

Wer in Vorträgen „große positive Effekte“ von ChatGPT zitiert, stützt sich meist auf zwei Metaanalysen. Die eine, mit einem Effekt von g = 0,867 auf die Lernleistung aus 51 Studien, ist inzwischen zurückgezogen. Begründet wurde das laut Sekundärberichterstattung mit „concerns regarding discrepancies in the meta-analysis“ (Wang & Fan, 2025). Die andere, von Deng et al. (2025) in Computers & Education, berichtet über 62 Studien einen Gesamteffekt von g = 0,70 sowie positive Effekte auf Motivation und höheres Denken und verringerte mentale Anstrengung (Angabe nach Lawson et al., 2026).

Grundsätzlicher ist die Kritik von Weidlich et al. (2025). Medienvergleichsstudien zu ChatGPT vermischen Lehrmethode und Technologie. Die Autor*innen formulieren drei Mindestkriterien für interpretierbare Effekte: eine präzise Beschreibung der Intervention, der Aktivitäten der Kontrollgruppe und valide Lernmaße. In einer Stichprobe der Primärstudien der Deng-Metaanalyse erfüllte nur eine kleine Minderheit alle drei. Eine systematische Folgeanalyse kommt zu einem ähnlichen Befund (Lawson et al., 2026). Metaanalytische Effektstärken können den Nutzen daher über- oder unterschätzen, sie sind schlicht kaum zu deuten.

Zwischenbilanz

Über die Studien hinweg zeichnet sich ein konsistentes Muster ab. Ungeführte KI verbessert Produkte und senkt die Anstrengung, kann aber das unassistierte Können schwächen. Didaktisch gestaltete KI kann Lernen dagegen deutlich beschleunigen. Die Evidenzbasis bleibt dünn: wenige Feldexperimente, viele Selbstauskünfte, einflussreiche Preprints und eine zurückgezogene Metaanalyse. Längsschnittstudien über mehr als ein Semester fehlen ebenso wie Untersuchungen dazu, welche Prüfungsformate Cognitive Offloading begünstigen oder bremsen. Für die Prüfungspraxis genügt der Befund trotzdem, um eine Richtung vorzugeben. Ein Leistungsnachweis, der nur das Endprodukt bewertet, misst unter KI-Bedingungen zunehmend das Werkzeug und nicht mehr die Person.

Literatur (Lernwirkung)

Anthropic. (2025). Anthropic education report: How university students use Claude. Anthropic. https://www.anthropic.com/news/anthropic-education-report-how-university-students-use-claude

De Simone, M., Tiberti, F., Barron Rodriguez, M., Manolio, F., Mosuro, W., & Dikoru, E. J. (2025). From chalkboards to chatbots: Evaluating the impact of generative AI on learning outcomes in Nigeria (Policy Research Working Paper 11125). World Bank. https://doi.org/10.1596/1813-9450-11125

Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006

Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15. https://doi.org/10.1038/s41598-025-97652-6

Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2506.08872

Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. ACM. https://doi.org/10.1145/3706598.3713778

OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en

Stadler, M., Bannert, M., & Sailer, M. (2024). Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry. Computers in Human Behavior, 160, 108386. https://doi.org/10.1016/j.chb.2024.108386 (online 07/2024) [Hintergrundquelle]

Stankovic, M., Hirche, E., Kollatzsch, S., & Doetsch, J. N. (2026). Comment on: Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing tasks [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2601.00856

Kapitel 09Herausforderungen: Datenschutz, Infrastruktur und die Grenzen der Evidenz

Didaktisch lässt sich vieles fordern, etwa mündliche Verteidigungen, Prozessportfolios oder offene Klausuren mit KI. Ob es an einer Hochschule tatsächlich umsetzbar ist, entscheidet sich aber oft an weniger sichtbaren Stellen: bei der Frage, welches Werkzeug Studierende rechtssicher nutzen dürfen, wer die Daten sieht, wer die Lizenz bezahlt und wer am Ende für eine Bewertung geradesteht. Dieses Kapitel behandelt zuerst den rechtlichen und technischen Rahmen. Danach geht es um die Zugangsgerechtigkeit und schließlich um eine kritische Frage an die Literatur selbst: Wie belastbar ist das, worauf sich die Debatte stützt?

Prüfen mit KI ist ein Hochrisikofeld

Der europäische Rechtsrahmen ist in einem Punkt eindeutig. Der AI Act stuft in Anhang III Nr. 3 KI-Systeme im Bildungsbereich als Hochrisiko ein, darunter ausdrücklich Systeme „to evaluate learning outcomes“ und solche „for monitoring and detecting prohibited behaviour of students during tests“ (Europäisches Parlament & Rat der Europäischen Union, 2024, Hintergrundquelle). KI-gestützte Bewertung und KI-Proctoring fallen damit unter die strengste Regulierungsstufe unterhalb eines Verbots. Mit dem Digital-Omnibus hat sich der Zeitplan allerdings verschoben. Die Pflichten für Hochrisiko-Systeme nach Anhang III gelten nun erst ab 2. Dezember 2027 statt ab 2. August 2026. Gleichzeitig wurde die KI-Kompetenzpflicht nach Art. 4 abgeschwächt: Gefordert sind nur noch Maßnahmen, die die KI-Kompetenz des Personals unterstützen, ein bestimmtes Kompetenzniveau muss nicht mehr garantiert werden (Europäisches Parlament & Rat der Europäischen Union, 2026). Für Hochschulen bedeutet das eine Atempause, aber keine Entwarnung. Wer heute ein KI-gestütztes Bewertungs- oder Aufsichtssystem beschafft, sollte trotzdem schon jetzt auf die Hochrisiko-Anforderungen achten: Spätestens bei wesentlichen Änderungen des Systems und für den Einsatz durch öffentliche Stellen bis 2030 werden sie verbindlich, und die datenschutzrechtlichen Grenzen gelten schon heute.

Für Österreich kommt eine datenschutzrechtliche Schicht hinzu, die in der Debatte bisher kaum beachtet wird. In einem Rundschreiben vom Jänner 2026, das ausdrücklich auch an die Universitätenkonferenz ging, erinnert die Datenschutzbehörde an zwei Punkte. Erstens dürfen personenbezogene Daten im hoheitlichen Bereich auch bei KI-Verarbeitung nur auf Basis einer „ausdrücklichen und hinreichend determinierten Rechtsgrundlage“ verarbeitet werden. Zweitens kann auch eine weitreichende KI-gestützte Entscheidungsvorbereitung unter Art. 22 DSGVO fallen, „selbst dann, wenn die Letztentscheidung durch eine Person getroffen wird“ (Datenschutzbehörde, 2026). Die Behörde empfiehlt, den tatsächlichen menschlichen Einfluss vollständig zu dokumentieren. Prüfungsentscheidungen an öffentlichen Hochschulen sind Hoheitsverwaltung. Daraus folgt – das Schreiben selbst nennt Hochschulen nicht –, dass sich auf dünnem Eis bewegt, wer Arbeiten künftig von einer KI vorbewerten lässt und die Note nur noch abnickt. Dasselbe dürfte für KI-Detektoren gelten, deren Score faktisch über einen Täuschungsverdacht entscheidet.

Welche KI dürfen Hochschulen einsetzen?

Auf europäischer Ebene hat der Datenschutzausschuss die Grundfrage nicht entschärft, sondern geschärft. KI-Modelle, die mit personenbezogenen Daten trainiert wurden, „cannot, in all cases, be considered anonymous“. Anonymität muss im Einzelfall nachgewiesen werden, und berechtigtes Interesse als Rechtsgrundlage trägt nur nach einem dreistufigen Test (EDPB, 2024). Die Datenschutzfrage stellt sich damit nicht nur beim eigenen Training, sondern auch beim bloßen Einsatz fremder Modelle.

Die deutsche Datenschutzkonferenz hat praktische Orientierungshilfen veröffentlicht. Eine übersetzt die DSGVO-Anforderungen entlang des Lebenszyklus in technische und organisatorische Maßnahmen. Sie richtet sich vorrangig an Hersteller*innen; Verantwortliche, also auch Hochschulen, können sie aber im Beschaffungsprozess zurate ziehen (DSK, 2025a). Die zweite, zu Retrieval Augmented Generation, ist für die Lehre besonders interessant. RAG könne Halluzinationen „in gewissem Umfang reduzieren“ und ermögliche in vielen Fällen, „ein LLM ggf. on-premise einzusetzen“. Je nach Gestaltung kann RAG zudem „gegebenenfalls als eine von verschiedenen mitigierenden Maßnahmen im Sinne der EDSA-Stellungnahme 28/2024“ gelten; an einem rechtswidrig trainierten Modell ändert RAG allerdings nichts (DSK, 2025b). Eine KI, die nur auf geprüfte Kursmaterialien zugreift und auf eigener Hardware läuft, ist damit datenschutzrechtlich in der Regel leichter zu begründen als ein offener Chatbot.

Wie das in der Praxis aussieht, zeigt die Universität Münster. Sie betreibt seit Mai 2024 die On-Premises-Plattform uniGPT, ausdrücklich wegen DSGVO-Konformität, digitaler Souveränität und um Vendor-Lock-in zu vermeiden. Nach knapp zwei Jahren und acht größeren Umbauten laufen über 99 % der Nutzung über die Programmierschnittstelle statt über das Chat-Frontend (Radas et al., 2026). Die Plattform ist damit zur Infrastruktur für andere Anwendungen geworden. Auf der Modellseite steht mit Apertus eine große, vollständig offene europäische LLM-Familie (8B und 70B) zur Verfügung. Die Schweizer AI-Initiative von EPFL, ETH Zürich und CSCS trainierte sie auf 15 Billionen Tokens aus über 1.800 Sprachen, rund 40 % der Trainingsdaten sind nicht englisch. Datenaufbereitungsskripte, Checkpoints und Trainingscode sind offengelegt (Project Apertus et al., 2025, Preprint).

Das Hochschulforum Digitalisierung hält dennoch nüchtern fest, dass generative KI an Hochschulen „zu großen Teilen auf der Grundlage proprietärer Systeme“ läuft. Es zitiert die Diagnose einer „komfortablen Unmündigkeit“ durch Lizenzmodelle und API-Zugänge (Reckzeh-Stein, 2025). Empfohlen werden Ressourcenkooperation und Verbundlösungen. Für österreichische Hochschulen, insbesondere für die kleineren Pädagogischen Hochschulen, ist das die eigentliche Frage. Eigene Infrastruktur lohnt sich kaum im Alleingang, ein Verbund im Stil der deutschen Landeslösungen fehlt bislang. Eine prüfbare Publikation zu österreichischen Hochschul-KI-Lösungen ab Oktober 2024 ließ sich in dieser Recherche nicht finden.

Die neue digitale Kluft

Mit Infrastrukturfragen eng verbunden ist die Fairness von Leistungsnachweisen. Wenn eine Prüfung die KI-Nutzung erlaubt, zählt plötzlich, welches Modell jemand nutzen kann. An einem selektiven US-College zahlten trotz nahezu flächendeckender Nutzung nur 11,4 % der Nutzenden für einen KI-Dienst. Männliche und asiatische Studierende kauften deutlich häufiger ein Abo. Zugleich wussten nur 10 % von den Premium-Angeboten, die das College selbst kostenlos bereitstellte (Contractor & Reyes, 2025, Preprint). Eine globale Befragung von 20.242 Studierenden aus 58 Ländern zeigt, dass „functional access“ der entscheidende Mediator der Nutzung ist. Das Studienland sagt sie stärker voraus als die Staatsbürgerschaft, die lokale Hochschulumgebung zählt also (Bencsik et al., 2026). Beckman et al. (2025) unterscheiden bei 194 Studierenden drei Profile, „novice, cautious and enthusiastic users“. Sie warnen, dass ungleicher Zugang und ungleiche Fähigkeiten bestehende Bildungsungleichheiten reproduzieren. Auch die britischen Studierenden fordern im Jisc-Bericht fairen Zugang, weil Premium-Werkzeuge die digitale Kluft vertiefen (Jisc, 2025). Ob bezahlter Zugang tatsächlich zu besseren Noten führt, ist empirisch noch kaum untersucht. Eine Hochschule, die KI in Prüfungen erlaubt, sollte trotzdem ein gleichwertiges Werkzeug für alle bereitstellen. Andernfalls bewertet sie Kaufkraft mit.

Kritische Perspektive: Wie tragfähig ist die Evidenz?

Ein Literaturüberblick sollte auch seine eigene Grundlage prüfen. Drei Schwächen ziehen sich durch die gesamte Recherche. Erstens stammen viele der meistzitierten Befunde aus Preprints oder von den KI-Anbietern selbst. Das gilt für den Vergleich mit Expert*innen-Arbeit (Patwardhan et al., 2025), für die Nutzungsanalyse studentischer Konversationen (Anthropic, 2025) und für die EEG-Studie zum Schreiben (Kosmyna et al., 2025). Zweitens sind die Wirkungsstudien zum Lernen methodisch fragil. Eine viel zitierte Metaanalyse wurde 2026 zurückgezogen (Wang & Fan, 2025), und in einer geprüften Stichprobe der Primärstudien einer zweiten erfüllte nur eine kleine Minderheit alle Mindeststandards (Weidlich et al., 2025). Drittens sind Benchmarks, auf die sich Aussagen zur Leistungsfähigkeit stützen, oft schwach konstruiert. Ein systematisches Review von 445 LLM-Benchmarks fand verbreitete Mängel in der Konstruktvalidität (Bean et al., 2025).

Hinzu kommt ein Fairnessproblem bei der Kontrolle. Detektor-Scores erfüllen nach einer konzeptionellen Analyse nicht den Beweisstandard, den Integritätsverfahren verlangen, weil sich die wahre Herkunft eines Textes unter Realbedingungen nicht validieren lässt (Bassett et al., 2026). Die Angabe eines Herstellers, die Falsch-Positiv-Rate liege unter 1 %, ist nicht unabhängig geprüft (Bailey, 2025). Datenschutz, Zugangsgerechtigkeit und Beweisbarkeit führen damit zur selben Konsequenz: Ein tragfähiges Prüfungssystem darf nicht auf einer Technologie beruhen, deren Fehler die Schwächsten am härtesten treffen. Lücken bleiben vor allem für den lokalen Kontext. Es fehlen Leitlinien zur Abgrenzung zwischen KI als Werkzeug der Studierenden und KI als Bewertungssystem der Hochschule im österreichischen Hoheitsrecht, Evaluationen hochschuleigener KI-Plattformen zu Kosten und Akzeptanz sowie Daten zur KI-Ausstattung österreichischer Studierender.

Literatur (Herausforderungen)

Anthropic. (2025). Anthropic education report: How university students use Claude. Anthropic. https://www.anthropic.com/news/anthropic-education-report-how-university-students-use-claude

Bailey, J. (2025, 27. August). Turnitin launches anti-AI humanizer feature. Plagiarism Today. https://www.plagiarismtoday.com/2025/08/27/turnitin-launches-anti-ai-humanizer-feature/

Beckman, K., Apps, T., Howard, S. K., Rogerson, C., Rogerson, A., & Tondeur, J. (2025). The GenAI divide among university students: A call for action. The Internet and Higher Education, 67, 101036. https://doi.org/10.1016/j.iheduc.2025.101036

Bencsik, A., Jenei, S., & Módosné Szalai, S. (2026). Who gets to use ChatGPT? A global study on digital access and inequality in higher education. Social Sciences & Humanities Open, 13, 102479. https://doi.org/10.1016/j.ssaho.2026.102479

Contractor, Z., & Reyes, G. (2025). Generative AI in higher education: Evidence from an elite college [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2508.00717

Datenschutzbehörde. (2026). Informationen der Datenschutzbehörde zum Verhältnis zwischen Datenschutz-Grundverordnung (DSGVO) und Verordnung (EU) über künstliche Intelligenz (KI-VO) für Verantwortliche des öffentlichen Bereichs (GZ D036.500/2026). Österreichische Datenschutzbehörde. https://dsb.gv.at/sites/site0344/media/downloads/2026-0.024.602-1-a_-_erledigung_14.01.2026_.pdf

DSK. (2025a). Orientierungshilfe zu empfohlenen technischen und organisatorischen Maßnahmen bei der Entwicklung und beim Betrieb von KI-Systemen (Version 1.0). Datenschutzkonferenz. https://datenschutzkonferenz-online.de/media/oh/DSK-OH_KI-Systeme.pdf

DSK. (2025b). Orientierungshilfe zu datenschutzrechtlichen Besonderheiten generativer KI-Systeme mit RAG-Methode (Version 1.0). Datenschutzkonferenz. https://www.datenschutz-berlin.de/fileadmin/user_upload/pdf/publikationen/DSK/orientierungshilfen/2025-DSK-OH_RAG.pdf

EDPB. (2024). Opinion 28/2024 on certain data protection aspects related to the processing of personal data in the context of AI models. European Data Protection Board. https://www.edpb.europa.eu/our-work-tools/our-documents/opinion-board-art-64/opinion-282024-certain-data-protection-aspects_en

Jisc. (2025). Student perceptions of AI 2025. Jisc. https://www.jisc.ac.uk/reports/student-perceptions-of-ai-2025

Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2506.08872

Patwardhan, T., et al. (2025). GDPval: Evaluating AI model performance on real-world economically valuable tasks [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2510.04374

Project Apertus, Hernández-Cano, A., Hägele, A., Huang, A. H., Romanou, A., et al. (2025). Apertus: Democratizing open and compliant LLMs for global language environments [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2509.14233

Radas, J., Risse, B., & Vogl, R. (2026). UniGPT revisited: From a simple chatbot to an API-first AI platform: Two years of on-premises LLM operations. In Proceedings of the EUNIS 2026 Annual Congress (EPiC Series in Computing, Vol. 109, S. 96–107). https://doi.org/10.29007/4rq8

Reckzeh-Stein, U. (2025). Souveräne KI-Infrastrukturen an Hochschulen. Reflexionen und Handlungsperspektiven (Arbeitspapier Nr. 89). Hochschulforum Digitalisierung. https://hochschulforumdigitalisierung.de/wp-content/uploads/2025/11/HFD_AP_89_Souveraene_digitale_Infrastrukturen_an_Hochschulen_2025.pdf

Kapitel 10Ausblick und Fazit

Was die Literatur zeigt

Die Literatur seit Oktober 2024 beantwortet die Leitfragen dieses Überblicks erstaunlich eindeutig, auch wenn viele Einzelbefunde vorläufig bleiben. Erstens taugt Detektion nicht als Fundament. Detektoren können Nicht-Muttersprachler*innen benachteiligen (Pratama, 2025), viele lassen sich durch Humanizer aushebeln (Alshammari & Rao, 2025, Preprint), und selbst bessere Tools beantworten nicht, welche Eigenleistung geschuldet war (Bassett et al., 2026). Deutsche Verwaltungsgerichte stützen Täuschungsvorwürfe auf eine Gesamtschau von Indizien, etwa ein gescheitertes Kolloquium, statt auf Detektor-Scores (Schwarz, 2026; Sigmund, 2026). Zweitens hat sich die Hochschulpolitik vom Verbot zur geregelten Integration bewegt. Die Prüfungsordnungen und -formate selbst wurden dabei deutlich seltener angepasst als Erklärungen und Leitfäden (Budde & Tobor, 2025; Corbin, Dawson & Liu, 2025). Drittens macht KI Arbeit schneller, nicht automatisch besser. Lehrkräfte sparten 31 % Vorbereitungszeit bei gleicher Qualität (Roy et al., 2024), und KI-generierte Stundenentwürfe bleiben kognitiv flach (Trust et al., 2025).

Viertens fallen Leistung mit KI und Können ohne KI auseinander. Das ist der folgenreichste Befund für Leistungsnachweise. Mit GPT-4 stiegen Übungsergebnisse um 48 %, ohne KI lagen dieselben Lernenden danach 17 % unter der Kontrollgruppe (Bastani et al., 2025). Studierende schrieben mit ChatGPT bessere Essays, lernten aber nicht mehr (Fan et al., 2024). Didaktisch gebaute Tutoren können dagegen stark wirken (Kestin et al., 2025). Fünftens zeigt der historische Blick, dass die Taschenrechner-Analogie zu kurz greift. Große Sprachmodelle automatisieren Sprache und Urteil, also genau das, was schriftliche Leistungsnachweise prüfen sollen. Als Kulturtechnik stehen sie in der Linie von Schrift und Druck (Farrell et al., 2025). Sechstens ist Prüfen mit KI datenschutz- und KI-rechtlich ein Hochrisikofeld. Die Hochrisiko-Pflichten nach dem AI Act gelten allerdings erst ab Dezember 2027; Verbote wie jenes der Emotionserkennung in Bildungseinrichtungen und die KI-Kompetenzpflicht gelten bereits.

Perspektiven

In den nächsten Jahren dürfte sich das Gewicht von der einzelnen Aufgabe auf das Studienprogramm verlagern. Das TEQSA-Modell mit gesicherten Prüfungspunkten pro Lehrveranstaltung oder Programm bietet dafür eine Vorlage (Lodge & TEQSA, 2025). Mündliche und dialogische Formate werden an Bedeutung gewinnen. Die Evidenz aus einem Bioscience-Kurs mit 722 Studierenden spricht dafür, dass sie fair sein können (Davey et al., 2025). Zugleich wird die KI-Leistungsfähigkeit weiter steigen. Die Länge der Aufgaben, die KI-Agenten autonom erledigen, verdoppelt sich laut METR etwa alle sieben Monate (Kwa et al., 2025, Preprint). Prüfungsdesign, das auf heutige Schwächen der Modelle setzt, veraltet entsprechend schnell.

Rechtlich bleiben zwei Baustellen offen. In Deutschland hat das VG Kassel die Berufung zum Hessischen VGH zugelassen; eine obergerichtliche Klärung steht aus. In Österreich fehlen konkrete Leitlinien, wie Art. 22 DSGVO auf KI-gestützte Bewertung anzuwenden ist. Das Rundschreiben der Datenschutzbehörde (2026) setzt hier einen ersten Rahmen.

Handlungsempfehlungen

Für Hochschullehrende: Den Leistungsnachweis vom Produkt auf Prozess und Gespräch verlagern. Konkret heißt das: kurze mündliche Verteidigungen, Prozessportfolios mit Zwischenständen und pro Lehrveranstaltung mindestens eine gesicherte Aufgabe (Lodge & TEQSA, 2025; Davey et al., 2025). In offenen Aufgaben KI ausdrücklich zulassen und die Urteilsarbeit bewerten, also Prüfen, Verwerfen und Begründen (Walton et al., 2025). Detektor-Scores nicht als Beweis verwenden.
Für Hochschulleitungen und Studienkommissionen: Prüfungsordnungen anpassen, nicht nur Eigenständigkeitserklärungen (Budde & Tobor, 2025). Assessment Reform auf Programmebene planen, datenschutzkonforme, lizenzierte oder lokal betriebene KI für alle bereitstellen und aktiv bekannt machen (Radas et al., 2026; Contractor & Reyes, 2025) und so Zugangs- und Kompetenzunterschiede verringern (Beckman et al., 2025).
Für die Lehrer*innenbildung: Angehende Lehrkräfte sollen KI als Planungswerkzeug kritisch nutzen lernen. Effizienz ist belegt (Roy et al., 2024), kognitive Anspruchshöhe muss aber aktiv eingefordert werden (Trust et al., 2025). Pädagogische Hochschulen können hier als Modell für dialogisches Prüfen dienen.
Für die Forschung: Längsschnitt- und Transferstudien statt Medienvergleichen (Weidlich et al., 2025). Der Abschnitt „Forschungsdesiderata“ skizziert fünf konkrete Vorhaben.

Schluss

Die vielleicht wichtigste Einsicht dieses Überblicks ist unspektakulär: Eine valide Prüfung war nie nur eine Frage der Kontrolle. Sie hängt davon ab, ob eine Leistung auf das Können der Person schließen lässt. KI zwingt Hochschulen, diese Frage neu und ehrlicher zu stellen. Die Antwort, die sich in der Literatur abzeichnet, lautet: Lehre im Dialog. Offen bleibt, ob die Hochschulen die dafür nötige Zeit aufbringen.

Literatur (Ausblick)

Contractor, Z., & Reyes, G. (2025). Generative AI in higher education: Evidence from an elite college [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2508.00717

Farrell, H., Gopnik, A., Shalizi, C., & Evans, J. (2025). Large AI models are cultural and social technologies. Science, 387(6739), 1153–1156. https://doi.org/10.1126/science.adt9819

Kwa, T., West, B., Barnes, E., Chan, L., et al. (2025). Measuring AI ability to complete long software tasks [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2503.14499

Ausblick für die ForschungForschungsdesiderata: Fünf offene Forschungsvorhaben

Die Literatur seit Oktober 2024 ist reich an Positionspapieren, Querschnittsbefragungen und Kurzzeitexperimenten. Längsschnittstudien, kontrollierte Vergleiche von Prüfungsformaten und Forschung aus dem deutschsprachigen Raum sind dagegen rar. Österreichische Hochschulen und Pädagogische Hochschulen kommen in der empirischen Literatur praktisch nicht vor. Die folgenden fünf Vorhaben setzen dort an, wo Lücken in den Quellen selbst benannt werden. Ausgewählt wurden sie nach drei Kriterien: Relevanz für die Prüfungspraxis, Machbarkeit an einer Pädagogischen Hochschule und methodische Vielfalt.

1. Mündliche Verteidigung als Validitätsanker: ein kontrollierter Formatvergleich

Forschungslücke: Interaktive mündliche Prüfungen zeigen positive Befunde, die aber meist aus einzelnen Kursen ohne kontrollierte Vergleichsgruppe stammen, etwa aus Vorher-nachher-Vergleichen von Kohorten (Davey et al., 2025). Kontrollierte, institutionsübergreifende Studien zu Reliabilität, Aufwand und Fairness fehlen. Gleichzeitig gelten strukturelle Prüfungsänderungen als nötig (Corbin, Dawson & Liu, 2025).

Forschungsfrage: Wie stark hängen die Noten einer schriftlichen Arbeit mit offener KI-Nutzung und die Ergebnisse einer anschließenden 15-minütigen mündlichen Verteidigung zusammen, und wie reliabel und fair (Sprache, Prüfungsangst) ist die Verteidigung?

Mögliches Design: Quasi-experimentelle Studie in sechs bis acht Lehrveranstaltungen des Lehramtsstudiums (PH Vorarlberg und Partnerhochschulen). Verglichen werden Lehrveranstaltungen mit Verteidigung und solche ohne. Zweitbewertung von Aufzeichnungen zur Bestimmung der Interrater-Reliabilität, Erhebung von Prüfungsangst und Zeitaufwand, ein Semester.

Erwarteter Beitrag: Belastbare Kennzahlen zu Aufwand und Güte dialogischer Prüfungen als Entscheidungsgrundlage für Prüfungsordnungen.

2. Leistung mit KI, Können ohne KI: Längsschnitt im Lehramtsstudium

Forschungslücke: Die Befunde zum Auseinanderfallen von assistierter Leistung und unassistiertem Können stammen aus kurzen Interventionen an Schulen oder aus Laborsettings (Bastani et al., 2025; Fan et al., 2024). Längsschnittstudien über mehrere Semester im Hochschulstudium fehlen (Weidlich et al., 2025).

Forschungsfrage: Wie entwickeln sich das fachdidaktische Planungswissen und die Schreibkompetenz ohne KI bei Lehramtsstudierenden über vier Semester in Abhängigkeit von Art und Intensität ihrer KI-Nutzung?

Mögliches Design: Kohortenlängsschnitt mit rund 200 Studierenden an mehreren Pädagogischen Hochschulen in Österreich, vier Messzeitpunkte. Unassistierte Leistungstests, Nutzungsprotokolle (Log-Daten einer hochschuleigenen KI-Plattform) und Mehrebenenmodelle.

Erwarteter Beitrag: Erste Längsschnittdaten zu Cognitive Offloading im Studium. Sie zeigen, welche Nutzungsmuster lernförderlich sind und welche schaden.

3. KI-Protokoll und Prozessportfolio: Design-Based Research zu ehrlicher Offenlegung

Forschungslücke: Deklarationspflichten werden mehrheitlich unterlaufen. 74 % der Studierenden legten ihre Nutzung nicht offen (Gonsalves, 2024). Wie Offenlegung so gestaltet werden kann, dass sie lernförderlich und ehrlich ist, ist kaum erforscht (Corbin, Dawson & Liu, 2025).

Forschungsfrage: Welche Gestaltungsmerkmale eines KI-Protokolls im Prozessportfolio führen zu vollständiger Offenlegung und zu besseren Begründungen der eigenen Urteile über KI-Output?

Mögliches Design: Design-Based Research über drei Iterationszyklen in vier Seminaren. Protokollanalysen, Fokusgruppen mit Studierenden und Lehrenden, Abgleich von Protokollen mit Prozessdaten. Die Analyse orientiert sich an den Urteilstypen nach Walton et al. (2025).

Erwarteter Beitrag: Ein erprobtes, übertragbares Protokollformat und Gestaltungsprinzipien für Prozessportfolios.

4. KI-gestützte Bewertung unter Art. 22 DSGVO: eine rechtsempirische Studie an österreichischen Hochschulen

Forschungslücke: Die Datenschutzbehörde (2026) hält fest, dass KI-gestützte Entscheidungsvorbereitung auch bei menschlicher Letztentscheidung unter Art. 22 DSGVO fallen kann. Wie Lehrende KI faktisch beim Bewerten einsetzen und wie groß der menschliche Einfluss tatsächlich ist, ist unbekannt. Gleiches gilt für den Stand der hochschuleigenen KI-Infrastruktur in Österreich (für Deutschland liegen zumindest Erfahrungsberichte einzelner Hochschulen vor, etwa Radas et al., 2026).

Forschungsfrage: In welchem Umfang und mit welchen Werkzeugen nutzen Lehrende an österreichischen Hochschulen KI für Feedback und Bewertung, und wie dokumentieren sie den menschlichen Einfluss?

Mögliches Design: Mixed Methods. Bundesweite Onlinebefragung von Lehrenden (Ziel n ≥ 500), Dokumentenanalyse der KI-Leitlinien aller öffentlichen Universitäten und Pädagogischen Hochschulen, zwölf Expert*inneninterviews (Rechtsabteilungen, IT, Studienrecht).

Erwarteter Beitrag: Lagebild für Österreich und Vorschlag für eine rechtssichere Dokumentationspraxis vor dem Geltungsbeginn der Hochrisiko-Pflichten im Dezember 2027.

5. Qualität KI-gestützter Unterrichtsplanung und ihre Wirkung im Klassenzimmer

Forschungslücke: KI spart Lehrkräften Planungszeit bei gleicher Materialqualität (Roy et al., 2024). KI-generierte Entwürfe zielen aber selten auf Denken höherer Ordnung (Trust et al., 2025). Studien, die die Wirkung KI-gestützt geplanten Unterrichts auf das Lernen der Schüler*innen messen, fehlen.

Forschungsfrage: Unterscheiden sich kognitive Aktivierung und Lernzuwachs von Schüler*innen zwischen Unterricht, den Lehramtsstudierenden im Praktikum mit KI geplant haben, und konventionell geplantem Unterricht? Und welche Rolle spielt eine kurze Schulung zur kritischen KI-Planung?

Mögliches Design: Randomisiertes Feldexperiment in den Pädagogisch-praktischen Studien mit drei Bedingungen: KI mit Schulung, KI ohne Schulung, ohne KI. Je rund 30 Studierende, videobasierte Ratings der kognitiven Aktivierung, Prä-Post-Tests der Schüler*innen in der Sekundarstufe I, acht Wochen.

Erwarteter Beitrag: Evidenz zur Frage, ob KI-gestützte Planung nur schneller oder auch wirksamer ist, und Grundlagen für die Lehrer*innenbildung.

Farbmodus	Farbe Schwarz-Weiß
Schriftgröße
Zeilenabstand
Ränder

Abstract

Kapitel 01Einleitung

Warum Leistungsnachweise jetzt neu verhandelt werden

Fragestellung und Aufbau

Methodisches Vorgehen

Literatur (Einleitung)

Kapitel 02Grundlagen: Technikgeschichte und Schriftkultur

Die Taschenrechner-Analogie und ihre Grenzen

Technikpanik oder pragmatische Aushandlung?

KI als Kulturtechnik: Schrift, Druck, Bibliothek

Epistemische Folgen: Homogenisierung und Schreiben als Denken

Zwischenfazit

Literatur (Grundlagen)

Kapitel 03KI-Detektion und Abwehr: Was Detektoren, Fallen und Gerichte leisten

Wie zuverlässig sind KI-Detektoren?

Die Gegenposition: Nicht alle Detektoren sind gleich

Prompt-Injection: Trojanische Pferde in Aufgabenstellungen

Rechtlicher Rahmen: Beweis ohne Detektor

Zwischenfazit

Literatur (KI-Detektion und Abwehr)

Kapitel 04Hochschulpolitik und Leitlinien: Vom Verbot zur geregelten Integration

Die Ausgangslage: Nutzung ist der Normalfall

Was die Hochschulen tun: Regeln statt Strukturreform

Ampeln, Spuren, Skalen: Die leitenden Modelle

Vom Verbot zum „Verbot-Verbot“

EU AI Act: KI-Kompetenz und Hochrisiko nach dem Digital-Omnibus

Rechtsrahmen und Leitlinien an der PH Vorarlberg

Zwischenfazit

Literatur (Hochschulpolitik und Leitlinien)

Kapitel 05Ethik und Qualität: Werden Arbeiten mit KI besser?

Unterrichtsplanung mit KI: schneller, aber nicht besser

Studentische Texte: bessere Noten, gleiches Wissen

Kreativität und Originalität: individuell mehr, kollektiv weniger

Vorsicht bei Metaanalysen

Gibt es eine Pflicht, die besten Werkzeuge zu nutzen?

Zwischenfazit

Literatur (Ethik und Qualität)

Kapitel 06Leistungsfähigkeit der KI: Was Maschinen in Prüfungen und Wissenschaft leisten

Hochschulprüfungen sind verwundbar

Benchmarks: rasante Sättigung und gezackte Leistung

Auf dem Weg zu Expert*innen-Niveau bei Berufsaufgaben

KI als Gutachterin und Fehlerfinderin

Was folgt für Leistungsnachweise?

Literatur (Leistungsfähigkeit der KI)

Kapitel 07Was bleibt und was zählt: Prüfungsformate, Assessment Reform und Kompetenzen

Von der Betrugsabwehr zur Validität

Reform auf Programmebene: das TEQSA-Modell

Deklarationspflichten: gut gemeint, schwach wirksam

Mündliche Prüfungen und Kombinationsformate

Kompetenzen: Urteilskraft vor Bedienwissen

Gestaltungsempfehlungen für Hochschullehrende

Literatur (Was bleibt und was zählt)

Kapitel 08Lernwirkung: Auslagern, Abkürzen, Verlernen?

Leistung mit KI ist nicht Kompetenz ohne KI

Kognitive Entlastung und ihr Preis

Deskilling: der Blick über den Tellerrand

Gegenbefund: Wenn KI didaktisch gebaut ist

Wie belastbar sind die Metaanalysen?

Zwischenbilanz

Literatur (Lernwirkung)

Kapitel 09Herausforderungen: Datenschutz, Infrastruktur und die Grenzen der Evidenz

Prüfen mit KI ist ein Hochrisikofeld

Welche KI dürfen Hochschulen einsetzen?

Die neue digitale Kluft

Kritische Perspektive: Wie tragfähig ist die Evidenz?

Literatur (Herausforderungen)

Kapitel 10Ausblick und Fazit

Was die Literatur zeigt

Perspektiven

Handlungsempfehlungen

Schluss

Literatur (Ausblick)

Ausblick für die ForschungForschungsdesiderata: Fünf offene Forschungsvorhaben

1. Mündliche Verteidigung als Validitätsanker: ein kontrollierter Formatvergleich

2. Leistung mit KI, Können ohne KI: Längsschnitt im Lehramtsstudium

3. KI-Protokoll und Prozessportfolio: Design-Based Research zu ehrlicher Offenlegung

4. KI-gestützte Bewertung unter Art. 22 DSGVO: eine rechtsempirische Studie an österreichischen Hochschulen

5. Qualität KI-gestützter Unterrichtsplanung und ihre Wirkung im Klassenzimmer

Literatur (Forschungsdesiderata)

Weiterführende Literatur