Die Panik um „Meine Hausaufgaben wurden von einer KI geschrieben“ ist vorbei: Was an ihre Stelle getreten ist

Als ChatGPT öffentlich zugänglich wurde, begannen Lehrkräfte, sich das schlimmstmögliche Szenario auszumalen.

Studierende würden ihre Essays nicht mehr selbst schreiben. 

Hausaufgaben würden sich nicht mehr zuverlässig bewerten lassen. 

Und irgendwo würde ein LLM einen völlig akzeptablen fünf Absätze langen Essay über The Great Gatsby verfassen, während der vermeintliche Verfasser im anderen Zimmer Videospiele spielte.

Die Sorge war verständlich. Zum ersten Mal hatten Studierende kostenlosen Zugang zu einer Technologie, die überzeugende Texte zu nahezu jedem Thema verfassen konnte. Doch einige Jahre nach Beginn des Zeitalters der generativen KI wird die Debatte vielschichtiger.

Studierende nutzen KI nach wie vor. Tatsächlich ist ihr Einsatz bemerkenswert weit verbreitet. Eine Umfrage des Higher Education Policy Institute aus dem Jahr 2025 unter mehr als 1.000 Studierenden im Grundstudium im Vereinigten Königreich ergab, dass 92 % in irgendeiner Form KI nutzten, während 88 % generative KI für Prüfungsleistungen eingesetzt hatten. Untersuchungen unter dem Abschlussjahrgang 2025 der UCLA ergaben ebenfalls, dass 73 % der befragten Studierenden im Abschlussjahr generative KI zur Unterstützung ihrer Kursarbeiten nutzten.

Diese Studierenden bitten ChatGPT jedoch nicht unbedingt darum, eine Aufgabe von Anfang bis Ende zu erledigen. Sie recherchieren Themen, sammeln Ideen, bereiten sich auf Prüfungen vor, überarbeiten Texte, lassen sich schwierige Konzepte erklären und erstellen mitunter Teile ihrer Aufgaben mithilfe von KI.

Das wirft für Lehrkräfte eine wichtige Frage auf: Verstehen die Studierenden tatsächlich, was sie einreichen?

Das Problem mit KI-Detektoren

Die Antwort auf KI-generierte Hausaufgaben war eine andere Form von KI: Erkennungssoftware.

Wenn Studierende einen Algorithmus nutzen konnten, um einen Essay zu schreiben, konnten Lehrkräfte vielleicht einen anderen Algorithmus einsetzen, um sie zu erwischen.

Es gibt nur ein Problem: KI-Erkennung ist nicht dasselbe wie ein Beweis.

Seit den frühen Tagen des weitverbreiteten Einsatzes generativer KI weisen Forschende auf die Gefahr falsch-positiver und falsch-negativer Ergebnisse hin. Eine 2023 in The International Journal of Management Education veröffentlichte Studie stellte Überschneidungen darin fest, wie Detektoren echte und KI-generierte Texte einstuften, sodass beide Arten von Fehlern möglich waren.

Neuere Forschung deutet darauf hin, dass die grundlegende Herausforderung fortbesteht. Eine 2026 in Computers & Education veröffentlichte Untersuchung prüfte 13 KI-Textdetektoren anhand authentischer studentischer Aufgaben, Abschlussarbeiten und Programmiercodes. Die Forschenden kamen zu dem Schluss, dass die Leistung der Detektoren für akademische Entscheidungen mit weitreichenden Folgen weiterhin unzureichend war. Zudem stellten sie fest, dass sich bearbeitete KI-generierte Inhalte häufig der Erkennung entziehen konnten.

Das macht Erkennungstools nicht nutzlos. Es erschwert jedoch, sich bei akademischen Arbeiten mit KI-Unterstützung in erster Linie auf sie zu verlassen.

Das wirft auch eine größere Frage auf.

Selbst ein perfekt funktionierender Detektor würde Lehrkräften lediglich sagen, ob ein Text wahrscheinlich von einer KI erzeugt wurde. Er würde ihnen nicht sagen, ob dabei gelernt wurde.

Stellen wir uns zwei Studierende vor:

• Die erste Person bittet einen KI-Chatbot, eine ganze Aufgabe zu schreiben, nimmt ein paar Änderungen vor und reicht sie ein, ohne die Argumentation zu verstehen.
• Die zweite Person lässt sich von einer KI ein Konzept erklären, mit dem sie Schwierigkeiten hat, stellt Rückfragen, sammelt mögliche Argumente, schreibt die Aufgabe selbstständig und nutzt das Tool erneut, um Schwächen im ersten Entwurf zu erkennen.

Beide haben KI genutzt. Aus pädagogischer Sicht haben sie jedoch zwei völlig unterschiedliche Dinge getan.

„Hast du KI genutzt?“ wird zur falschen Frage

Generative KI ist längst keine Schreibmaschine mit nur einem Zweck mehr.

Studierende können sie als Lektorat, Tutor, Ideengeber, Übersetzungshilfe, Rechercheassistenz, Programmierhilfe oder Lernwerkzeug nutzen. Zudem werden KI-Funktionen zunehmend in Software integriert, die Menschen bereits verwenden.

Auch die Studierenden selbst erkennen den Unterschied. In Cheggs weltweiten Studierendenumfrage 2025 gaben 80 % der befragten Studierenden im Grundstudium an, generative KI zur Unterstützung ihres Studiums genutzt zu haben. Von diesen Nutzerinnen und Nutzern setzten 56 % sie hauptsächlich ein, um Konzepte oder Themen zu verstehen. Zugleich äußerten 53 % die Sorge, falsche Informationen zu erhalten.

Diese letzte Zahl könnte ebenso wichtig sein wie die erste, denn zum Umgang mit KI gehört auch, beurteilen zu lernen, ob eine Antwort vertrauenswürdig ist.

Ein Chatbot kann Quellen für einen Essay vorschlagen. Einige davon existieren möglicherweise gar nicht. Er kann einen Absatz verbessern. Dabei kann er aber auch unmerklich verändern, was die studierende Person eigentlich sagen wollte.

Je leichter KI es macht, eine Antwort zu erstellen, desto wichtiger wird es, genug zu wissen, um diese Antwort beurteilen zu können. Hier beginnt die Debatte über akademische Integrität, sich zu einer Debatte über KI-Kompetenz zu wandeln.

Studierende müssen beweisen, dass sie den Stoff verstanden haben

Jahrzehntelang galten gut recherchierte, fertige Arbeiten oft als Nachweis dafür, dass jemand etwas gelernt hatte.

Studierende geben einen Aufsatz, einen Laborbericht, eine Präsentation oder einen Codeabschnitt ab, und die Lehrkraft bewertet das fertige Produkt, um festzustellen, wie gut sie den Stoff verstanden haben.

Generative KI erschüttert diese Annahme, denn ein ausgefeiltes Endprodukt kann nun vorliegen, ohne dass die studierende Person unbedingt über das Wissen verfügt, das dieses Produkt scheinbar belegt.

Das zwingt Lehrkräfte, über das fertige Produkt hinauszuschauen:

1. Die studierende Person bitten zu erklären, warum sie zu einem bestimmten Schluss gekommen ist.
2. Fragen, welche Belege ihre Meinung geändert haben.
3. Sie bitten, eine Argumentation mündlich zu verteidigen.
4. Fragen, welcher Teil der Aufgabe ihnen am schwersten gefallen ist.
5. Eine Variable in einer Aufgabe verändern und sie bitten, die Aufgabe erneut zu lösen.
6. Sie bitten, eine Schwachstelle in ihrer eigenen Arbeit zu benennen.

Wenn KI erlaubt war, fragen, wie sie sie eingesetzt haben, was sie dazu beigetragen hat und was sie verworfen haben.

Plötzlich ist es nur noch ein Teil der Aufgabe, eine beeindruckende Antwort zu liefern. Die studierende Person muss auch zeigen, dass sie die dahinterstehenden Überlegungen selbst verantwortet.

Hausaufgaben sollten mehr vom Arbeitsprozess sichtbar machen

Jahrelang machten digitale Werkzeuge es immer einfacher, die Bewertung auf das fertige Produkt zu konzentrieren. Generative KI bewegt manche Lehrkräfte nun in die entgegengesetzte Richtung: hin zum Prozess, durch den das Produkt entstanden ist.

Das könnte bedeuten, Entwürfe und Zwischenfassungen statt nur der fertigen Abgaben zu bewerten. Es könnte auch heißen, Diskussionen im Unterricht oder mündliche Bestandteile einzubeziehen. Studierende könnten dokumentieren, wie sich ihre Argumentation entwickelt hat, erklären, warum sie bestimmte Quellen ausgewählt haben, oder darüber nachdenken, wo sie auf Schwierigkeiten gestoßen sind.

KI kann sogar selbst Teil der Bewertung werden.

Statt den Studierenden zu sagen, sie sollten keinen Chatbot verwenden, könnte eine Lehrkraft ihnen eine KI-generierte Antwort vorlegen und sie bitten, diese kritisch zu beurteilen.

• Was hat das Modell richtig gemacht?
• Was hat es übersehen?
• Welche Behauptungen müssen überprüft werden?
• Welche Quellen wären nötig, bevor man der Antwort vertrauen kann?
• Kann die studierende Person eine bessere Argumentation entwickeln?

Solche Fragen lassen sich viel schwieriger auslagern, denn bei der Aufgabe kommt es nun auf menschliches Urteilsvermögen an. Und genau diese Fähigkeit brauchen Studierende, wenn KI auf Abruf plausible Informationen erzeugen kann.

KI-Kompetenz wird zum Synonym für akademische Kompetenz

Früher bedeutete „digitale Kompetenz“ weitgehend, zu wissen, wie man einen Computer bedient, im Internet navigiert und gängige Software nutzt.

Die Definition wurde anspruchsvoller, denn zu wissen, wie man im Internet sucht, reichte nicht aus. Man musste außerdem Websites bewerten, unzuverlässige Quellen erkennen, persönliche Daten schützen und verstehen, dass ein Spitzenplatz in den Suchergebnissen etwas nicht automatisch wahr machte.

Die KI-Kompetenz durchläuft einen ähnlichen Wandel: Zu wissen, wie man einen Prompt formuliert, ist nützlich, aber nur ein Teil der erforderlichen Fähigkeiten.

Studierende müssen auch verstehen, was generative KI zuverlässig leisten kann und was nicht. Sie müssen Halluzinationen erkennen, selbstbewusst vorgetragene Antworten hinterfragen, Quellen überprüfen, den Datenschutz berücksichtigen und verstehen, wann KI-Unterstützung die Grenze überschreitet und das eigene Denken ersetzt.

Diese Unterscheidung wird sich im Hinblick auf das übergeordnete Lernziel wahrscheinlich erst durch Ausprobieren herauskristallisieren.

KI zu nutzen, um sich ein schwieriges Konzept erklären zu lassen, könnte das Lernen beschleunigen. Die KI eine Aufgabe lösen zu lassen, bevor man selbst einen Lösungsversuch unternommen hat, könnte genau die Denkarbeit umgehen, die mit der Aufgabe entwickelt werden sollte.

Die Welt außerhalb des Klassenzimmers

Bildung war schon immer darauf ausgerichtet, in die Zukunft zu denken. Nach ihrem Abschluss nehmen Studierende die in der Schule gewonnenen Erkenntnisse mit ins Berufsleben. Und an ihren künftigen Arbeitsplätzen wird KI kaum keine Rolle spielen.

KI-Assistenten werden in Kreativplattformen und Unternehmenssysteme integriert. Viele der heutigen Studierenden könnten Berufe ergreifen, in denen ein effektiver Umgang mit KI vorausgesetzt wird. Deshalb lässt sich ein pauschales „Keine KI“-Vorgehen immer schwerer als Vorbereitung auf das Berufsleben rechtfertigen.

Auch das andere Extrem ist nicht besonders hilfreich.

Ein Schüler, der ohne KI kein Argument formulieren kann, ist dadurch nicht unbedingt besser auf einen KI-gestützten Arbeitsplatz vorbereitet. Das gilt ebenso wenig für einen Schüler, der eine von KI erstellte Analyse akzeptiert, ohne sie zu überprüfen.

Die wertvolle Fähigkeit besteht darin, zu wissen, was man delegieren kann und was nicht.

• KI kann in Sekundenschnelle eine erste Zusammenfassung erstellen. Ein Mensch muss dennoch über genügend Fachwissen verfügen, um zu erkennen, was fehlt.
• KI kann Code erzeugen. Jemand muss weiterhin wissen, ob der Code funktioniert, sicher ist und das vorgesehene Problem löst.
• KI kann eine E-Mail an einen Kunden entwerfen. Jemand muss den Kunden weiterhin gut genug kennen, um zu wissen, ob es eine schreckliche Idee ist, sie zu senden.

KI-Kompetenz ohne eigenständiges Urteilsvermögen ist kaum eine Kompetenz.

Die neue Frage der akademischen Integrität

Das ursprüngliche Problem des Schummelns besteht weiterhin. Schüler können generative KI nutzen, um sich vor der Arbeit zu drücken – so wie Schüler schon immer Wege gefunden haben, sich vor der Arbeit zu drücken. Lehrkräfte müssen weiterhin Grenzen dafür setzen, wo KI erlaubt ist, wo eigenständige Arbeit wichtig ist und was als akademisches Fehlverhalten gilt.

Doch die größere Debatte dreht sich um die Erkenntnis, dass KI es bemerkenswert einfach gemacht hat, den Anschein von Wissen zu erzeugen. Das bedeutet, dass Bildung besser darin werden muss, den Anschein von Wissen von Wissen selbst zu unterscheiden.

Die alte Frage lautete: „Ist das deine Arbeit?“

Die neue Frage lautet: „Kannst du zeigen, dass die Überlegungen hinter dieser Arbeit von dir stammen?“

Diese Frage lässt sich schwerer beurteilen. Für Lehrkräfte bedeutet das mehr, als einen Aufsatz durch einen Detektor laufen zu lassen und auf einen Prozentwert zu warten. Der zusätzliche Aufwand lohnt sich jedoch. Schließlich sind Hausaufgaben nicht als Entweder-oder gedacht: erledigt oder nicht erledigt. Bei Hausaufgaben ging und geht es um die Denkarbeit, die für ihre Erstellung erforderlich ist.