KI an DACH-Hochschulen — Oktober 2026

Überblick

Der Oktober 2026 steht im Zeichen von KI-Kompetenz und Curriculumentwicklung. Drei thematische Linien ziehen sich durch den Berichtsmonat: erstens die Frage, wie Hochschulen KI-Kompetenzen strukturiert in Studienprogramme einbetten; zweitens die empirisch belegte Diskrepanz zwischen abstrakten KI-Policies und konkreten Prüfungsregelungen; drittens der Bedarf an differenzierten didaktischen Ansätzen, die unterschiedlichen Nutzungstypen Studierender Rechnung tragen. Das Hochschulforum Digitalisierung legte mit dem Arbeitspapier Nr. 95 (Bremer & Scheiter) das bislang umfassendste deutschsprachige Review zur KI-Nutzung durch Lehrende vor.

Deutschland

HFD Arbeitspapier Nr. 95 (Bremer & Scheiter, September 2026) ist das bislang umfassendste HFD-Review zur Lehrenden-Perspektive auf KI in der deutschen Hochschullehre. Das Arbeitspapier identifiziert Ambivalenz als Grundmuster: Die Mehrheit der Lehrenden erkennt KI-Potenziale in Unterrichtsvorbereitung und Feedback, setzt Werkzeuge jedoch noch selten systematisch ein. Empirisch belegte Einflussfaktoren sind persönliche Vorerfahrungen, Fachzugehörigkeit (MINT-Fächer mit höheren Adoptionsraten als Geistes- und Sozialwissenschaften) und institutionelle Unterstützungsstrukturen. Das Arbeitspapier empfiehlt Hochschulleitungen, Ressourcen für KI-Kompetenzentwicklung bereitzustellen, die über punktuelle Tool-Schulungen hinausgehen.

An der Universität Mannheim analysierten Egloffstein und Heil (Centre for Educational Development) 79 institutionelle KI-Policies aus englischsprachigen Hochschulen mittels qualitativer Inhaltsanalyse. Das in Assessment & Evaluation in Higher Education (51/3) erschienene Paper belegt, dass akademische Integrität und angemessener KI-Einsatz zwar als abstrakte Prinzipien in Policies stark vertreten sind, konkrete Handlungsanweisungen für Prüfungen jedoch auffällig selten formuliert werden. Die Studie liefert eine empirische Grundlage für die These, dass Prüfungsregelungen den formulierten Grundsätzen strukturell nachhinken — ein Befundmuster, das sich auch in deutschsprachigen Hochschul-KI-Policies zeigt.

Ulf-Daniel Ehlers (DHBW) veröffentlichte in University Proceedings das ADM-AI-Modell (Analytic, Design and Management of AI), ein dreistufiges Curriculummodell für europäische Hochschulen. Das Modell strukturiert KI-Kompetenzen in analytisches Verstehen, technische Gestaltungskompetenz und Governance-Kompetenz, orientiert sich an Europäischen Qualifikationsrahmen-Niveaus und ist disziplinübergreifend an der DHBW erprobt. Die EQF-Kompatibilität erleichtert grenzüberschreitende Anerkennung im Europäischen Hochschulraum.

Österreich

An der Technischen Universität Graz untersuchten Brünner, Nestler (FH JOANNEUM) und Ebner in einer Design-Based-Research-Studie, wie Lehramtsstudierende in kollaborativen Team-Settings Prompting-Strategien entwickeln. Die in Journal of Perspectives in Applied Academic Practice (16/1) veröffentlichte Studie zeigt, dass strukturierte kollaborative Prompting-Aktivitäten Lernergebnisse und KI-bezogene digitale Kompetenzen angehender Lehrpersonen nachweislich verbessern. Die gemeinsame kritische Auseinandersetzung mit KI-Outputs fördert dabei reflexive Kompetenzentwicklung stärker als individuelles Prompting. Das Setting ist explizit auf DSGVO-Konformität ausgelegt, was für österreichische Hochschulpraxis von besonderer Relevanz ist.

Schweiz

An der Universität St. Gallen (HSG) entwickelten Spirgi und Seufert auf Basis von 16 semi-strukturierten Interviews eine empirisch fundierte Typenbildung zur GenAI-Nutzung Studierender. Das in einem Springer-Sammelband erschienene Buchkapitel unterscheidet vier Idealtypen: AI Avoiders (grundsätzliche Ablehnung), AI Explorers (unstrukturiertes Experimentieren), AI Assistants (zielgerichteter Werkzeuggebrauch) und AI Delegators (weitgehende Aufgabendelegation mit Risiko für Kompetenzentwicklung). Die Typenbildung zeigt, dass Lehrende nicht von homogenem Nutzungsverhalten ausgehen können und differenzierte Lernumgebungen benötigt werden.

Ausblick

Die Oktober-Beiträge verdichten eine Beobachtung, die sich über die letzten Monate abzeichnet: Kompetenzrahmen und Curriculummodelle sind in ihrer konzeptionellen Ausarbeitung weit fortgeschritten, während die institutionelle Implementierung — insbesondere verbindliche Prüfungsregelungen und skalierbare Weiterbildungsangebote für Lehrende — zurückbleibt. Die Governance-Lücke zwischen Prinzipien und operativen Provisions, die Egloffstein und Heil international nachgewiesen haben, stellt auch für DACH-Hochschulen eine offene Frage dar. Gleichzeitig mahnen die Befunde zur studentischen Nutzungsvielfalt (HSG) und zur Lehrenden-Ambivalenz (HFD AP95), dass wirksame Strategien eine stärkere Differenzierung nach Akteursgruppen erfordern.

Quellen

• Bremer, C. & Scheiter, K. (2026). KI in der Hochschullehre einsetzen: Lehrende zwischen Ambivalenz, Adaption und aktiver Gestaltung. HFD Arbeitspapier Nr. 95. Hochschulforum Digitalisierung. https://hochschulforumdigitalisierung.de/publikationen/ki-in-der-hochschullehre-einsetzen/
• Brünner, M., Nestler, S. & Ebner, M. (2025). Experiencing AI Together: A Design-Based Research Approach to Collaborative Prompting in Education. Journal of Perspectives in Applied Academic Practice, 16(1), 1–14. https://doi.org/10.3217/jptcm-y6015
• Egloffstein, M. & Heil, S. (2026). Principles without provisions? Unpacking assessment in higher education AI policies. Assessment & Evaluation in Higher Education, 51(3), 418–434. https://doi.org/10.1080/0969594X.2026.2740061
• Ehlers, U.-D. (2026). Embedding AI Competence into the Curriculum: The ADM-AI Model for European Higher Education. University Proceedings. https://doi.org/10.5334/uproc.277
• Schmutz, S., Weichert, F. & Liebrecht, C. (2025). Beyond the Framework: A Whole Institution Approach to AI Literacy in Distance Education. University Proceedings, 3(1). https://doi.org/10.5334/uproc.262
• Spirgi, E. & Seufert, S. (2025). Student Use of Generative AI in Higher Education: A Learning-Strategy Typology and Instructional Design Implications. In S. Seufert, C. Meier & J. Guggemos (Hrsg.), Artificial Intelligence in Higher Education (S. 119–139). Springer. https://doi.org/10.1007/978-3-032-39106-3_6