Generative KI ist im Studienalltag angekommen. Für Lehrende verschiebt sich damit die Leitfrage: nicht mehr, ob sie AI Literacy fördern, sondern wie. Dieser Beitrag zeigt, was der Begriff über bloße Tool-Bedienung hinaus umfasst, welche didaktischen Zugänge sich anbieten und wie sich Kompetenzförderung von der einzelnen Sitzung bis zur curricularen Verankerung tragfähig gestalten lässt.

In der Hochschulpraxis wird AI Literacy leicht auf Prompting oder das routinierte Bedienen einzelner Systeme verkürzt. Die einschlägige Literatur fasst den Begriff jedoch breiter: als Bündel aus Wissen, Fähigkeiten und Urteilsvermögen, mit dem Menschen KI-Systeme verstehen, anwenden, kritisch bewerten und ethisch einordnen können (Ng et al., 2021; Laupichler et al., 2022). Besonders anschlussfähig für Studium und Lehre scheint hier das Vierfeldermodell von Ng und Kolleg:innen, das verschiedene Studien aufgegriffen haben (Ng et al., 2021; Hornberger et al., 2023). Das Modell unterscheidet vier Kompetenzbereiche:

1. Know & understand AI
   die Grundfunktionen von KI kennen und Anwendungen bedienen können.
2. Use & apply AI
   KI-Wissen, -Konzepte und -Anwendungen in unterschiedlichen Szenarien einsetzen.
3. Evaluate & create AI
   höherstufiges Denken: bewerten, einschätzen, vorhersagen, gestalten.
4. AI ethics
   menschenzentrierte Fragen wie Fairness, Verantwortung, Transparenz und Sicherheit.

Die UNESCO-Rahmenwerke schärfen diese Perspektive. Für Studierende beschreiben sie vier Dimensionen – eine menschenzentrierte Haltung, die Ethik der KI, KI-Techniken und -Anwendungen sowie Grundlagen des Systemdesigns – und ordnen sie Progressionsstufen vom Verstehen über das Anwenden bis zum Gestalten zu (UNESCO, 2024a). Für Lehrende kommt eine fünfte Dimension hinzu: KI für das eigene professionelle Lernen (UNESCO, 2024b). AI Literacy meint bei Studierenden also nicht nur die Nutzung vorhandener Werkzeuge, sondern Urteilskraft; bei Lehrenden zusätzlich die Fähigkeit, KI-Hilfsmittel didaktisch sinnvoll einzubetten.

Auch der europäische Regulierungsrahmen erläutert AI Literacy im Kontext des AI Act als jene Kenntnisse und jenes Verständnis, die einen informierten KI-Einsatz erlauben und für Chancen wie Risiken sensibilisieren (European Commission, 2026). Für Lehrende ist das eine brauchbare Minimaldefinition: Wer KI in der Lehre einsetzt oder Studierende dabei anleitet, braucht selbst genug Verständnis, um Funktionsweisen, Grenzen und Kontexte angemessen zu vermitteln.

Die Frage, ob Hochschulen sich mit AI Literacy befassen sollten, ist praktisch entschieden. In Deutschland nutzen laut CHE-DatenCHECK rund zwei Drittel der Studierenden KI-Tools mindestens wöchentlich, ein Viertel sogar täglich; der gemeinsame Blickpunkt des Hochschulforum Digitalisierung (HFD) und Centrum für Hochschulentwicklung (CHE) verortet die Hochschulen in einer Übergangsphase vom Experimentieren zum Operationalisieren, und die HEPI-Erhebungen im Vereinigten Königreich dokumentieren für 2026 eine nahezu flächendeckende Nutzung unter Studierenden (Hüsch et al., 2025; Budde et al., 2024; Stephenson & Armstrong, 2026). Diese Zahlen sind methodisch verschieden und nicht deckungsgleich, in ihrer Richtung aber eindeutig: KI ist kein Randphänomen, sondern Teil des Lehr- und Studienalltags (Bosse et al., 2026).

Hohe Nutzungszahlen sagen allerdings wenig über die zugrundeliegende Kompetenz aus. In multinationalen Tests blieb das Kompetenzniveau moderat, und systematische Reviews zeigen, dass Selbstauskunftsskalen eher Zutrauen oder Einstellung erfassen als nachweisbares Wissen (Hornberger et al., 2025; Bewersdorff et al., 2025; Lintner, 2024). Regelmäßige Nutzung sollte deshalb nicht mit tiefem Verständnis verwechselt werden – so wie Vertrautheit mit digitalen Medien keine automatische Medienkompetenz garantiert.

Ebenso wichtig ist die selbstkritische Diagnose: Die institutionelle Unterstützung bleibt häufig hinter der Nutzungspraxis zurück – bei Trainingsangeboten, klaren Regeln, gerechtem Zugang zu KI-Modellen und tragfähigen Prüfungsformaten. Die Debatte kreist zudem stärker um Fehlverhalten, Detektion und Prüfungsrisiken als um Lernchancen (Budde et al., 2024; Freeman, 2025). Wer AI Literacy nur als Integritätsproblem behandelt, verpasst ihren eigentlichen Kern: Studierende sollen mit KI fachlich urteilsfähig, strategisch und verantwortungsvoll arbeiten (Kasneci et al., 2023).

Letztlich gelingt der Übergang vom Experimentieren zur qualifizierten Nutzung eher, wenn Lehrende in ihren Veranstaltungen begründete, fachlich getragene Erwartungen an eine reflektierte und transparente KI-Nutzung formulieren – die auch begründete Einschränkungen umfassen können –, statt zwischen pauschalem Verbot und stiller Duldung zu schwanken (Budde et al., 2024).

Didaktisch sinnvoll ist ein Zugang, der AI Literacy nicht in ein isoliertes Spezialseminar auslagert, sondern in bestehende Lehr-Lern-Prozesse integriert. Fünf Ansätze lassen sich mit überschaubarem Aufwand in laufende Veranstaltungen einbauen.

1. KI-Ausgaben kritisch bewerten

Ein niedrigschwelliger Einstieg ist die systematische Arbeit an der Bewertung von KI-Generaten. Studierende sollten Prompts formulieren können, aber Antworten gegen fachliche Kriterien zu prüfen, ist ebenso wichtig: Stimmt die Terminologie, werden Quellen erfunden, welche Annahmen und Perspektiven sind eingebaut? Die Forschung zeigt, dass Literacy-Komponenten mit der Qualität des Promptings zusammenhängen, kritische Prüfung und fachliche Einordnung aber unverzichtbar bleiben (Knoth et al., 2024; Ng et al., 2021).

Konkret genügt dafür oft eine kurze Aufgabe: Studierende lassen sich zu einer Fachfrage eine KI-Antwort ausgeben, markieren nachprüfbare Aussagen und offene Lücken und gleichen zwei bis drei zentrale Punkte mit der Fachliteratur ab. Der Lerneffekt liegt weniger im Ergebnis als im Prüfvorgang selbst – und macht zugleich deutlich, dass fachliche Expertise ausgebildet werden muss und notwendig bleibt, um KI-Output überhaupt beurteilen zu können.

2. Halluzinationen und Bias erkennen

Eine spezielle Unterform der kritischen Bewertung ist die gezielte Auseinandersetzung mit Halluzinationen und Bias. Beide sind unterschiedliche Aufgaben: Beim Aufspüren von Halluzinationen geht es um sachliche Korrektheit und Nachprüfbarkeit – etwa erfundene Belege oder schlicht falsche Fakten. Beim Erkennen von Bias geht es dagegen um eine eingeschränkte oder verzerrte Perspektive – etwa Stereotype, blinde Flecken oder kulturelle Schieflagen im Output. Eine mögliche Leitfrage lautet: Finden Sie in diesem Output Halluzinationen oder Bias – und woran erkennen wir generell wissenschaftliche Zuverlässigkeit, fachliche Korrektheit oder eine eingeschränkte Perspektive? Produktiv ist die Gegenüberstellung von KI-Antwort, wissenschaftlicher Quelle und studentischer Analyse, solange sie an überprüfbare Fachstandards gekoppelt ist (Kasneci et al., 2023; Nguyen et al., 2023).

3. Prompting als reflektierte Praxis

Gute Ausgaben brauchen gute Prompts. Statt die passenden Eingaben als bloßen Handwerkstrick zu vermitteln, ist die metakognitive Wendung lehrreicher: Welche Instruktion führt zu welcher Antwort, welche Vorannahmen legt ein Prompt fest, und wann ist KI überhaupt das passende Werkzeug (Knoth et al., 2024)?

Das von HFD und KI-Campus kuratierte „Prompt-Labor" verbindet Prompting ausdrücklich mit wissenschaftlichem Arbeiten, Lehrplanung und Risikoabwägung und eignet sich als Anschauungsmaterial. Es bietet einen Einstieg, ersetzt jedoch keine curriculare Verankerung. Planen Sie deshalb in Lehrveranstaltungen Zeit für Erprobung, fachliche Übersetzung und gemeinsames Evaluieren der Prompts ein.

3. KI im sokratischen Dialog nutzen

Ein weiterer Zugang nutzt KI nicht als Antwortmaschine, sondern als dialogisches Gegenüber. Wenn ein Chatbot – etwa über einen entsprechend gestalteten Systemprompt – keine fertigen Lösungen liefert, sondern gezielte Rückfragen stellt, können Studierende eigene Gedanken entwickeln, Annahmen prüfen und Argumente schärfen. Eine vergleichende Studie zeigt, dass sokratisch angelegte KI-Dialoge kritisches Denken fördern können, während die menschliche Begleitung für Tiefe und Einordnung wichtig bleibt (Fakour & Imani, 2025).

Didaktisch tragfähige Aufgaben sind etwa: eigene Thesen von der KI kritisch befragen lassen, einen Fachtext gemeinsam mit der KI durch gezielte Fragen erschließen oder beim Programmieren schrittweise Rückfragen statt fertiger Codeblöcke einfordern. Der Gewinn liegt im Denkprozess, nicht im schnellen Ergebnis.

Zugleich ist Vorsicht geboten: Unreflektierte KI-Nutzung kann „metakognitive Trägheit" begünstigen, wenn Studierende das eigene Steuern und Überwachen des Lernens an das System abgeben (Fan et al., 2025). Sokratische Formate wirken daher am besten, wenn sie das eigenständige Denken bewusst herausfordern.

4. Transparenz über die eigene KI-Nutzung

Eine KI-Nutzungsdokumentation kann den Einsatz sichtbar machen und Studierende zur Reflexion über Zweck, Umfang und Ergebnisqualität bewegen – auch dies ein wichtiges Lernziel im Studium (Garcia Ramos, 2025). Damit Studierende dies nicht als formalistisches Kontrollinstrument erleben, ist es wichtig, dass Lehrende die Regeln guter wissenschaftlicher Praxis erklären und begründen, insbesondere die Nachvollziehbarkeit von Quellen (Regeln der TU Darmstadt zur guten wissenschaftlichen Praxis).

Hilfreich sind außerdem klar formulierte Anforderungen an eine gute Dokumentation, am besten mit Positiv- und Negativbeispielen, sowie eine vertrauensvolle Kommunikationsatmosphäre, in der Studierende sich trauen nachzufragen, wenn sie hinsichtlich der KI-Nutzung unsicher sind. Auf diese Weise wird die Dokumentation zu einem Anlass für Transparenz und für die Auseinandersetzung mit wissenschaftlichen Standards. Im günstigen Fall unterstützt sie sogar die Selbstregulation im Arbeitsprozess: Studierende nutzen KI-Tools reflektierter und weniger im bloßen Offloading-Modus (Garcia Ramos, 2025).

5. Ethische Fragen im Fachkontext

Wer AI Literacy ernst nimmt, spricht mit Studierenden über Fairness, Datennutzung, diskriminierende Ausgaben, Sprachungleichheiten und Verantwortung. Ethik-Synthesen im Bildungsbereich sowie die UNESCO-Rahmenwerke zeigen übereinstimmend, dass Inklusion, Datenschutz und menschliche Aufsicht konstitutiv für verantwortliche KI-Nutzung sind (Nguyen et al., 2023; UNESCO, 2024a). Ethik sollte deshalb nicht als Verbotskommunikation ins Semester eingeschoben, sondern als Teil fachlicher Urteilskompetenz angelegt werden. Neben Vorlesungswissen wirken besonders Methoden, die Studierende aktiv und idealerweise emotional beteiligen: fallbasiertes Lernen, in dem die Auswirkungen von KI-Systemen lebensnah werden (etwa Diskriminierung in einem KI-gestützten Bewerbungsverfahren oder der Stromverbrauch von KI-Servern und seine Klimafolgen), sowie Fallstudien und Diskussionen zu konfligierenden Werten wie „Effizienz„ versus „wissenschaftliche Integrität“.

Die förderlichste Umsetzung beginnt klein, bleibt aber nicht klein. In einer einzelnen Sitzung können überschaubare Interventionen reichen: eine KI-kritische Quellenübung, ein Vergleich zwischen KI-Antwort und Fachtext oder die Anforderung, unsichere Textstellen und offene Fragen im eigenen Arbeitsergebnis explizit zu markieren. Auf Modulebene sollten daraus wiederkehrende Lerngelegenheiten mit abgestuften Anforderungen werden – vom Verstehen über das Anwenden bis zum kritischen Bewerten. Spätestens auf Curriculumebene braucht es ausgewiesene Lernziele, damit AI Literacy nicht vom Zufall einzelner Lehrender abhängt; offizielle Rahmenwerke empfehlen ausdrücklich eine programmweite, progressiv aufgebaute Einbettung (UNESCO, 2024a; Higher Education Authority, 2025).

Für Lehrende ist der realistische Einstieg meist die eigene Veranstaltung: eine einzige wiederkehrende KI-bezogene Lernaufgabe pro Modul, mit über die Semester hinweg steigenden Anforderungen. Aus dieser lokalen Praxis werden Bedarfe sichtbar, die sich anschließend im Studiengang bündeln lassen.

AI Literacy in Prüfungen zu integrieren, kann heißen, wissensbasierte Tests zu allgemeinen oder fachbezogenen KI-Themen einzusetzen, um Grundverständnis sichtbar zu machen. Standardisierte AI-Literacy-Tests erfassen dabei auch Unterschiede in Vorwissen und Studienhintergrund (Hornberger et al., 2023, 2025). Solche Tests bilden aber nur einen Ausschnitt ab. Sie sagen wenig darüber, ob Studierende KI im Fachkontext kritisch einsetzen, Ergebnisse prüfen, Risiken antizipieren oder ihre Nutzung transparent begründen können.

Für unbeaufsichtigte Leistungsnachweise – beispielsweise Take-Home-Exams, Haus- und Abschlussarbeiten – sind deshalb triangulierende Prüfungsformen sinnvoller: dokumentierte KI-Nutzung, kommentierte Arbeitsprozesse, kurze mündliche Gespräche mit Studierenden zu ihren Arbeiten, Vergleichsanalysen von KI-Erzeugnis und studentischer Eigenleistung oder Portfolioarbeit. Auch Aufgaben, bei denen Studierende begründen, warum sie KI eingesetzt oder bewusst darauf verzichtet haben, sind sinnvoll. Der Assessment-Review von Xia et al. (2024) weist in diese Richtung: Ziel ist nicht die Detektion unerlaubter KI-Nutzung, sondern eine Prüfungsarchitektur, die Planungs-, Steuerungs- und Reflexionsfähigkeit sowie Verantwortlichkeit und nachvollziehbare Beurteilungsprozesse fördert (Xia et al., 2024; Higher Education Authority, 2025).

Gegen die Hoffnung, Prüfungen ließen sich technisch „KI-sicher" machen, indem man unerlaubte KI-Nutzung ihrerseits mit KI-Detektoren aufspürt, sprechen die Befunde deutlich: In einem realweltlichen Test an einem universitären Prüfungssystem blieben 94 Prozent vollständig KI-generierter Einreichungen unentdeckt (Scarfe et al., 2024; siehe auch der einfachlehren-Beitrag zur KI-Detektion). Wer AI Literacy ernst nimmt, investiert deshalb weniger in Detektion als in veränderte Aufgabenstellungen bei unbeaufsichtigten Prüfungen sowie in nachvollziehbare Schreib- und Arbeitsprozesse.

Gut gestaltet, hilft AI Literacy Studierenden, fachliche Kriterien bewusster anzuwenden, Prompting als epistemische Praxis zu verstehen und generative KI nicht mit Autorität zu verwechseln (Ng et al., 2021; Knoth et al., 2024). Für Lehrende ist sie ein Anlass, Lehrziele zu schärfen, Prüfungsformate zu überdenken und mediendidaktische Arbeit stärker mit Fachlichkeit und Ethik zu verbinden (UNESCO, 2024b). Ihr Wert liegt weniger in einer Sonderkompetenz neben dem Studium als darin, wissenschaftliches Arbeiten unter veränderten Bedingungen neu zu akzentuieren.

Zugleich sollte man den Begriff nicht überladen. AI Literacy löst weder das Grundproblem knapper Lehrzeit noch ersetzt sie Fachlernen, Schreibdidaktik oder wissenschaftliches Urteilen (Kasneci et al., 2023). Experimentelle Befunde mahnen zudem, dass unreflektierte KI-Unterstützung eigenständiges Lernen schwächen kann, wenn Studierende Steuerung und Kontrolle an das System abgeben (Fan et al., 2025). Und AI Literacy bleibt an Voraussetzungen gebunden: Studierende unterscheiden sich nach Disziplin, Vorwissen, Sprache, Einkommen und Zugängen – Lehrende in Erfahrung, Zeitressourcen und digitaler Infrastruktur (Hüsch et al., 2025; Freeman, 2025). Daraus folgt eine nüchterne Konsequenz: AI Literacy sollte inklusiv, über das Curriculum hinweg gestuft und ressourcenbewusst angelegt werden – sonst wird aus dem Kompetenzversprechen rasch ein neues Selektionsinstrument (Stephenson & Armstrong, 2026; Higher Education Authority, 2025).

Praktisch bedeutet das etwa, Aufgaben so zu gestalten, dass sie sich mit frei zugänglichen Werkzeugen bewältigen lassen, und Bewertungskriterien nicht implizit an kostenpflichtige Premium-Funktionen zu koppeln.

AI Literacy ist kein Zusatzthema für besonders technikaffine Fächer, sondern eine neue Querschnittsanforderung wissenschaftlicher Bildung. Sie umfasst Verstehen, Anwenden, Bewerten und ethisch verantwortetes Handeln, sie betrifft Studierende wie Lehrende, und sie lässt sich nur dann wirksam fördern, wenn einzelne didaktische Interventionen mit Modulzielen, curricularer Progression und institutioneller Unterstützung verbunden werden (Ng et al., 2021; UNESCO, 2024a; Xia et al., 2024).

Entscheidend ist nicht, ob Hochschulen jede Entwicklung frühzeitig kontrollieren, sondern ob sie lernfähig reagieren: mit klaren Erwartungen, offenen Reflexionsräumen, gerechtem Zugang und Prüfungsformen, die Denken sichtbar machen, statt bloß Textprodukte zu bewachen.

Für die Vorbereitung dieses Beitrags wurden KI-Anwendungen zur Rechercheunterstützung und Ideengenerierung eingesetzt. Die fachliche Prüfung, Auswahl und Einordnung der Inhalte erfolgten durch die Autor:innen.