Wie die Integration von KI in den Lehrplan im Tempo des Programms in der Praxis aussieht
27 May, 2026
Die Integration von KI in ein Hochschulcurriculum war schon immer mit mehreren Fragen verbunden: welche Tools eingeführt werden sollen, welche Leitplanken zu setzen sind, wie das Prüfungsdesign aktualisiert werden soll, wie Lehrende geschult werden sollen. Die schwierigere Frage ist inzwischen operativer Natur.
Laut dem Bericht „Class of 2026 Outlook“ von Handshake nutzten 85 % der Studierenden im Abschlussjahr während ihres Studiums generative KI, aber nur 28 % geben an, dass ihr Studiengang KI in sinnvoller Weise in das Curriculum integriert hat. Diese Lücke zu schließen, ist eine Frage des Tempos: ob der Studiengang das, was er lehrt, in dem Tempo aktualisieren kann, in dem sich die Disziplin inzwischen bewegt.
Was „Programme-Speed“ auf der Curriculum-Ebene tatsächlich bedeutet
Ein Studiengang, der sich im Semestertempo bewegt, ist einer, dessen Lehrpläne, Prüfungen und Analysen die nächste Änderung aufnehmen können, noch bevor die Studierendenkohorte bemerkt, dass die letzte bereits veraltet war. Das ist eine ganz andere Größenordnung von Veränderung, als ein KI‑Wahlmodul hinzuzufügen oder eine Workshop‑Reihe zu veranstalten.
In den meisten Universitäten laufen Curriculum‑Überprüfungszyklen im Halbjahres‑ oder Jahrestakt. Ein neues Werkzeug, eine neue Methodik oder eine neue institutionelle Entscheidung durchläuft Gremien, Freigaben und einen Publikationszyklus, bevor es bei den Studierenden ankommt. In einem stabilen Fachgebiet ist dieses Tempo angemessen. In einem von KI geprägten Curriculum, in dem sich die zugrunde liegenden Werkzeuge jedes Quartal ändern, führt das zu Studiengängen, die ihren eigenen Kursbeschreibungen hinterherhinken.
Integration im Semestertempo bedeutet in der Praxis drei Dinge: Inhalte können innerhalb eines Semesters aktualisiert werden, das Prüfungsdesign hält mit dem, was Studierende tatsächlich tun, Schritt, und die Analytics‑Schicht kann zeigen, was sich geändert hat und was das bewirkt hat. Jeder dieser Punkte beruht auf Infrastrukturentscheidungen, die die meisten Studiengänge noch nicht getroffen haben.
Inhaltserstellung, die innerhalb eines Zeitraums aktualisiert wird
Die erste operative Anforderung lautet: Inhalte, die im Takt der Lehrplanänderungen aktualisiert werden können.
Lehrende können nicht jedes Semester neue Module von Grund auf erstellen. Den meisten fehlt die Zeit, und die Institutionen, die dies von ihnen verlangen, bauen damit Burnout stillschweigend in den Prozess der Überprüfung des Curriculums ein. Was Studienprogramme stattdessen benötigen, ist eine Ebene für die Inhaltserstellung, die die Strukturarbeit übernimmt: Sie generiert Modulgliederungen, entwirft auf Basis bestehender Materialien Erstfassungen von Inhalten und erstellt Prüfungs- und Bewertungsaufgaben, die an den Lernzielen ausgerichtet sind, während sie den Lehrenden die Arbeit überlässt, die nur Lehrende leisten können: Urteilsvermögen, Einordnung und die Teile der Disziplin, die sich nicht automatisieren lassen.
KI-gestützte Inhaltserstellung ist inzwischen technisch möglich. Die schwierigere Frage ist, ob die Ebene der Inhaltserstellung Inhalte erzeugt, denen Lehrende vertrauen können. An diesem Punkt zählen drei Dinge: Quellennachvollziehbarkeit bei KI-generierten Inhalten, Ausrichtung an Bildungsstandards und die Fähigkeit, ohne manuelle Nacharbeit sauber in jedes LMS zu exportieren. Ohne diese Voraussetzungen können Lehrende KI-generierte Inhalte nicht als erste Fassung eines Moduls verwenden — sie müssen sie Zeile für Zeile überprüfen, was mehr Zeit kostet als das Schreiben von Grund auf neu.
Leistungsbewertung, die mit der Kohorte Schritt hält
Die zweite operative Anforderung ist ein Prüfungsdesign, das mit der tatsächlichen Arbeitsweise der Studierenden Schritt hält.
Rückstände bei der Integritätsprüfung nehmen zu, wenn das Prüfungsdesign auf Programmebene den Werkzeugen hinterherhinkt, die der Jahrgang bereits nutzt. Die operative Lösung ist konkreter als eine neue Richtlinie zur akademischen Integrität. Die Neugestaltung der Leistungsbewertung für KI-bewusste Studienprogramme muss drei Dinge gleichzeitig leisten: den Prozess vom Ergebnis unterscheiden (denn allein das Ergebnis signalisiert kein Verständnis mehr), Aufzeichnungen erstellen, die eine Akkreditierungsstelle lesen kann (denn auditfähige Nachweise werden immer häufiger verlangt), und es den Lehrenden ermöglichen, in dem Umfang zu bewerten, den die neuen Programmstrukturen erfordern.
Dieser dritte Punkt ist für die Arbeitsbelastung der Lehrenden am wichtigsten. Wird KI-Unterstützung beim Bewerten sinnvoll eingesetzt, verlagern sich die Arbeitsstunden der Lehrenden vom Korrigieren routinemäßiger Ergebnisse hin zur Neugestaltung dessen, was die Studierenden als Nächstes erstellen sollen. Das Studienprogramm hält mit dem Curriculum Schritt, weil die Lehrenden die Zeit haben, ihre Anforderungen zu überarbeiten.
Analysen, die Veränderungen nachweisbar machen
Die dritte Anforderung ist die Ebene, in die die meisten Studienprogramme zu wenig investieren: Analytik, die Curriculum-Änderungen nachweisbar statt bloß rhetorisch macht.
Die meisten Curriculumskommissionen können beschreiben, was sie in einem Syllabus geändert haben. Nur wenige können zeigen, was die Änderung bewirkt hat. Diese Lücke wird von Jahr zu Jahr bedeutsamer, da Akkreditierungsstellen zunehmend fragen, was die Einführung belegt hat, statt lediglich, was eingeführt wurde. Nachweisbare Veränderung erfordert eine gemeinsame Analytik-Ebene über Erstellung, Leistungsbewertung und Durchführung hinweg, die sichtbar macht, welche Interventionen welche Ergebnisse beeinflusst haben, welche Studierendengruppen reagierten und welche Teile des Curriculums eine weitere Iteration benötigen.
Das institutionelle Argument lautet, dass Nachweise auf Programmebene der neue Beschaffungsstandard sind. Das operative Argument lautet, dass die Analytik dort angesiedelt sein muss, wo die Arbeit stattfindet, nämlich in der Curriculum-Plattform selbst, und den Lehrenden und der Programmleitung ohne separaten Berichtszyklus zur Verfügung stehen muss.
Fünf Fragen, die eine Institution beantworten können sollte
Der eindeutigste Test für die Bereitschaft zum Programmtempo ist operativer Natur. Eine Institution, die auf eine KI-Lehrplanintegration im Programmtempo umgestellt hat, sollte die meisten der folgenden Punkte mit Ja beantworten können:
Kann ein Fakultätsmitglied die Modulinhalte innerhalb eines Semesters aktualisieren, ohne alles von Grund auf neu schreiben zu müssen?
Enthalten KI-generierte Inhalte im Lehrplan nachvollziehbare Quellennachweise?
Unterscheidet die Bewertungskonzeption zwischen Prozess und Ergebnis, und kann sie prüfungsfähige Aufzeichnungen erstellen?
Verbindet die Analytics-Schicht Autorenentscheidungen mit Bewertungsergebnissen?
Könnte die Institution einem Gremium darlegen, was sich in diesem Jahr am Lehrplan geändert hat und zu welchen Ergebnissen die Änderung geführt hat?
Programme, die bei vier oder fünf dieser Punkte mit Ja antworten können, arbeiten im Semester-Tempo. Programme, die auf ein oder zwei davon mit Ja antworten, arbeiten im Strategiepapier-Tempo, und der Unterschied wird sich in der Rekrutierung im Herbst 2027 bemerkbar machen.
Constructor Prism ist die Kursautorenlösung von Constructor Tech, entwickelt für Hochschulen, die im Tempo ganzer Studienprogramme arbeiten. Sie erzeugt Modulstrukturen aus vorhandenen Materialien, erstellt KI-unterstützte Inhalte mit nachvollziehbaren Quellenangaben und exportiert ohne manuelle Nacharbeit in jedes LMS. Die Zyklen der Kursentwicklung verkürzen sich von Quartalen auf Wochen, sodass das Curriculum mit dem Fachgebiet Schritt halten kann, das es lehrt.
