Wie steht es eigentlich um die AI Literacy von Studierenden? Roksana Rybicka, Katharina Westphal und Janis Jaspers, die dieses Jahr DigitalChangeMaker am HFD sind, setzen sich mit der Frage im Thementrack „Shaping AI“ auseinander. In diesem Blogbeitrag erklären sie, warum man AI Literacy nicht an der Frequenz der KI-Nutzung messen kann. Außerdem diskutieren, sie, wie Hochschulen mehr zu Orten gemacht werden können, an denen gemeinsam ausgehandelt und erprobt werden kann, was Lernen mit generativer KI bedeutet.

„Darf ich die KI dafür überhaupt verwenden?“ Diese Frage begegnet Studierenden inzwischen in vielfältigen Situationen des Studienalltags. Manche nutzen KI selbstverständlich für Recherche, Schreiben oder Prüfungsvorbereitung. Andere verzichten darauf, weil sie nicht wissen, was erlaubt ist. Wieder andere nutzen KI, sind sich aber unsicher, wie zuverlässig die Ergebnisse sind oder an welcher Stelle Unterstützung in die Übernahme eigener Leistungen übergeht.

Diese unterschiedlichen Erfahrungen zeigen: KI ist im Studium angekommen. Wie kompetent Studierende damit umgehen können, ist damit jedoch noch nicht beantwortet – und die Gründe für eine nicht kompetente Nutzung können vielfältig sein: mangelnde Erfahrung im kritischen Umgang mit KI-generierten Inhalten, fehlende methodische Werkzeuge oder schlicht unzureichende Vorbereitung im Studium (Bosse et al., 2026 und Rockstroh, 2025).

Ausgangspunkt dieses Beitrags sind Erfahrungen und Diskussionen aus unserer Arbeit im studentischen Shaping AI Track der DigitalChangeMaker-Initiative. Wir beschäftigen uns deshalb mit der Frage, was studentische Erfahrungen über den aktuellen Stand von AI Literacy an Hochschulen zeigen.

Dabei interessiert uns weniger, welche Tools Studierende verwenden, sondern welche Kompetenzen, Unsicherheiten und Unterstützungsbedarfe im Studienalltag sichtbar werden und welche Rolle Hochschulen bei deren Entwicklung spielen. Denn wenn Studierende lernen sollen, KI kritisch, reflektiert und verantwortungsvoll einzusetzen, stellt sich auch die Frage: Wo und wie lernen sie das eigentlich?

Eine studierende Person sitzt an einer Hausarbeit und möchte zunächst nur ihre Gliederung überprüfen. Sie gibt ihre ersten Ideen in ein KI-Tool ein und erhält innerhalb weniger Sekunden mehrere alternative Strukturen und Argumentationslinien. Einige Vorschläge helfen ihr weiter, andere passen nicht zu ihrer Fragestellung. Eine vorgeschlagene Quelle klingt überzeugend, lässt sich bei genauerer Suche jedoch nicht finden. Die studierende Person verwirft die Quelle und arbeitet weiter. Hat sie KI kompetent genutzt?

Eine andere Person verwendet KI bereits selbstverständlich. Sie lässt sich schwierige Konzepte erklären, entwickelt Ideen mit einem Sprachmodell und überarbeitet anschließend ihre Texte. Die technische Nutzung fällt ihr leicht. Schwieriger wird die Frage, wo Unterstützung aufhört und die eigene Leistung beginnt. Wenn das Sprachmodell bereits Argumente, Gegenargumente und eine mögliche Struktur entwickelt, welche Leistung soll dann noch selbst erbracht werden?

Daneben gibt es Studierende, die KI kaum nutzen. Sie lehnen es nicht unbedingt aus grundsätzlicher Ablehnung ab, sondern weil sie nicht wissen, was in ihrem Studiengang, in einer bestimmten Lehrveranstaltung oder in einer Prüfung erlaubt ist. Die Nichtnutzung ist in diesem Fall nicht unbedingt eine bewusste Entscheidung gegen KI. Sie kann auch Ausdruck fehlender Orientierung sein.

Drei Situationen, drei unterschiedliche Ausgangslagen und vier Fragen, die sich durch den Studienalltag ziehen: Was darf ich? Was kann ich? Was sollte ich? Und vor allem: Was muss ich selbst können?

Genau an solchen Entscheidungen wird AI Literacy sichtbar. Dazu gehören zweifellos anwendungsbezogene Fähigkeiten: geeignete Tools auswählen, Prompts formulieren, Ergebnisse überprüfen und KI sinnvoll einsetzen. AI Literacy reicht jedoch darüber hinaus. Sie umfasst auch die Fähigkeit, KI-Systeme und ihre Ergebnisse kritisch einzuschätzen, Nutzungskontexte zu beurteilen und zu reflektieren, welche Aufgaben sinnvoll delegiert werden können – und welche nicht.

Der UNESCO AI Competency Framework for Students beschreibt zwölf Kompetenzen in vier Dimensionen: einen menschenzentrierten Umgang mit KI, die Ethik von KI, KI-Techniken und -Anwendungen sowie das Design von KI-Systemen. Die Kompetenzen werden über die Entwicklungsstufen „Understand“, „Apply“ und „Create“ strukturiert (Miao et al., 2024). Das Framework richtet sich nicht spezifisch an Hochschulen. Es macht jedoch deutlich, dass AI Literacy nicht mit der Fähigkeit gleichgesetzt werden kann, ein KI-Tool technisch zu bedienen.

Auch der KI-Kompetenzrahmen Hochschule des Digital Lehre Hub Niedersachsen greift diese Mehrdimensionalität für den Hochschulbereich auf. Neben technologischen Grundlagen werden rechtliche und ethische Rahmenbedingungen, Anwendung und Reflexion berücksichtigt (Digital Lehre Hub Niedersachsen, 2026). 

Beide Ansätze machen deutlich: AI Literacy verbindet Wissen über KI mit Anwendung, Bewertung und Reflexion. Für den Hochschulalltag stellt sich jedoch eine weitere Frage: Wie werden solche abstrakten Kompetenzen in konkreten Lern- und Entscheidungssituationen wirksam?

Eine studierende Person begegnet im Studienalltag nicht der abstrakten Kompetenz „kritische Bewertung von KI“. Sie erhält mehrere Literaturvorschläge und muss entscheiden, welche davon tatsächlich existieren und wissenschaftlich relevant sind. Eine studierende Person beschäftigt sich nicht theoretisch mit „Human Agency“. Sie muss entscheiden, ob sie die Argumentation für ihre Hausarbeit selbst entwickelt oder diese Aufgabe an ein Sprachmodell delegiert. Und eine Lehrperson steht nicht vor der Kategorie „ethische Reflexion“, sondern vor der konkreten Frage, wie mit KI-Nutzung in einer Prüfungsleistung umgegangen werden soll.

AI Literacy zeigt sich damit nicht nur darin, was Studierende über KI wissen, sondern vor allem darin, wie sie in konkreten Situationen entscheiden.

Hier setzt das Konzept der Qualitätsurteilskompetenz an: Es übersetzt AI Literacy in die Fähigkeit, den Einsatz von KI anhand konkreter Kriterien zu planen, zu bewerten und zu verantworten (Jaspers et al., 2026).

Aus unserer Perspektive lassen sich dabei unterschiedliche studentische Ausgangslagen beobachten. Sie sind nicht als feste Studierendentypen zu verstehen, sondern als Situationen, die im Studienalltag nebeneinander bestehen.

Die eingangs beschriebenen Situationen zeigen unterschiedliche Lern- und Unterstützungsbedarfe. Wer KI bereits routiniert nutzt, benötigt möglicherweise weniger Unterstützung bei der technischen Anwendung als Gelegenheiten zur Reflexion. Wer KI nutzen möchte, aber nicht weiß wie, braucht anwendungsbezogenes Wissen und Möglichkeiten zum Erproben. Und wer aufgrund unklarer Regeln auf KI verzichtet, benötigt zunächst Orientierung. AI Literacy beginnt deshalb nicht für alle Studierenden am selben Punkt.

Damit wird deutlich: Intensive KI-Nutzung ist nicht automatisch Ausdruck hoher AI Literacy. Umgekehrt bedeutet geringe Nutzung nicht zwangsläufig, dass AI Literacy fehlt. Zur kompetenten Auseinandersetzung mit KI gehört möglicherweise auch die Fähigkeit, begründet auf ihren Einsatz zu verzichten.

Was zunächst wie eine individuelle Kompetenzfrage erscheint, ist deshalb immer auch eine Frage institutioneller Bedingungen.

Fragt eine studierende Person, ob sie ChatGPT für ihre Hausarbeit verwenden darf, fehlt nicht unbedingt Wissen über das Tool, sondern möglicherweise institutionelle Orientierung. Weiß eine studierende Person zwar, dass KI-Ausgaben überprüft werden müssen, hat aber nie gelernt, wie eine solche Überprüfung konkret funktioniert, fehlt eine Lerngelegenheit. Und bleibt unklar, welche KI-Nutzung mit einer Prüfungsleistung vereinbar ist, betrifft das nicht nur die Kompetenz der Studierenden, sondern ebenso die Gestaltung der Prüfung.

Die Frage „Darf ich KI verwenden?“ reicht deshalb häufig nicht aus. Interessanter ist die Frage: Welche Rolle kann KI in diesem konkreten Lernprozess übernehmen, ohne das eigentliche Lernziel zu ersetzen? Damit verschiebt sich die Perspektive von der individuellen Nutzung zur Gestaltung von Lehre und Studium.

Kompetenzrahmen bieten dafür wichtige Orientierung: Sie benennen, welche Fähigkeiten relevant sind. Noch nicht beantwortet ist damit jedoch, wie diese Fähigkeiten entstehen. Zwischen der Kompetenzbeschreibung „kritische Bewertung“ und der Entscheidung, ob eine KI-generierte Quelle vertrauenswürdig ist, liegt ein Lernprozess. Hochschulen müssen deshalb nicht nur beschreiben, was Studierende können sollen, sondern auch Lerngelegenheiten schaffen, in denen diese Fähigkeiten erprobt und reflektiert werden können.

Dass diese Fragen längst Teil des Hochschulalltags sind, zeigen auch empirische Untersuchungen. Das HFD-Arbeitspapier 91 bündelt 15 quantitative Studien zur KI-Nutzung an deutschen Hochschulen aus den Jahren 2022 bis 2025 und betrachtet unter anderem Nutzungsmuster, Kompetenzen und institutionelle Rahmenbedingungen (Bosse et al., 2026).

Wie eine solche institutionelle Übersetzung aussehen kann, zeigt exemplarisch der Leuphana AI Campus. Dort wird AI Literacy in eine hochschulweite Lernarchitektur eingebettet. Neben unterschiedlichen Lernangeboten ist mit dem AI Literacy Hub auch ein Raum für Austausch, Erprobung und Reflexion vorgesehen. Studierende und Lehrende sollen sich dort fachübergreifend mit Fragen des Lernens, Lehrens und Prüfens unter den Bedingungen generativer KI auseinandersetzen (Leuphana Universität Lüneburg, 2026a, 2026b).

Interessant ist daran vor allem die Perspektive auf AI Literacy. Sie wird nicht allein als etwas verstanden, das Studierende individuell erwerben müssen. Vielmehr werden Räume geschaffen, in denen Kompetenz entstehen und gemeinsam entwickelt werden kann. Solche hochschulweiten Angebote können vor allem fächerübergreifende Grundlagen vermitteln: etwa Wissen über Funktionsweisen und Grenzen generativer KI, die kritische Prüfung von Ergebnissen sowie rechtliche und ethische Fragen der Nutzung.

Diese allgemeinen Kompetenzen müssen jedoch durch eine fachspezifische AI Literacy ergänzt werden. Denn ob und wie KI sinnvoll eingesetzt werden kann, hängt auch von den Methoden, Qualitätsmaßstäben und Erkenntnisweisen des jeweiligen Fachs ab. Was beispielsweise als wissenschaftlich belastbarer Nachweis, zulässige Unterstützung oder eigenständige Leistung gilt, lässt sich nicht immer fachübergreifend beantworten.

Gerade hier wird die studentische Perspektive relevant. Studierende erleben unmittelbar, dass der Umgang mit KI innerhalb einer Hochschule unterschiedlich geregelt und gelebt wird: In einer Lehrveranstaltung wird KI selbstverständlich eingesetzt, in einer anderen ist sie unerwünscht. Eine Lehrperson erwartet Transparenz, ohne genauer zu definieren, was dokumentiert werden soll. Ein Tool hilft beim Verständnis eines schwierigen Themas, während gleichzeitig unklar bleibt, ob es in einer Prüfungsleistung eingesetzt werden darf.  Solche Situationen sind mehr als individuelle Irritationen. Sie können Hinweise darauf geben, wo sich Lernpraktiken bereits verändern, während institutionelle Regeln und Lehrpraktiken  noch nicht überall Schritt halten.

Eine studentische Perspektive kann diese Forschung ergänzen. Sie lenkt den Blick darauf, wie diese Fragen im konkreten Studienalltag erlebt werden: Wo finden Studierende Orientierung? Wo entstehen Unsicherheiten? Und welche Entscheidungen müssen sie treffen, wenn allgemeine Regeln auf konkrete Lernsituationen treffen?

Solche Lerngelegenheiten müssen nicht ausschließlich durch klassische Schulungsformate entstehen. Gerade der Vergleich unterschiedlicher studentischer Nutzungsweisen bietet eine Möglichkeit, AI Literacy gemeinsam zu entwickeln: Peer Learning. Drei Studierende bearbeiten dieselbe Aufgabe. Eine Person nutzt KI nur für ein Brainstorming. Eine zweite lässt sich Argumente und Gegenargumente entwickeln. Eine dritte verzichtet vollständig auf ein KI-Tool.

Am Ende haben vielleicht alle drei eine gute Lösung. Interessanter wird es, wenn sie ihre Arbeitsprozesse miteinander vergleichen: Was wurde selbst entwickelt? Was wurde an die KI delegiert? Was wurde überprüft? Wo hat KI tatsächlich beim Lernen geholfen? Und an welcher Stelle wäre es vielleicht sinnvoll gewesen, länger selbst nachzudenken? Durch diesen Vergleich wird etwas sichtbar, das im fertigen Produkt häufig verborgen bleibt: das Verhältnis zwischen KI-Nutzung und eigenem Lernprozess. Dabei werden nicht nur unterschiedliche Nutzungsmöglichkeiten sichtbar. Studierende müssen zugleich begründen, warum sie KI an einer bestimmten Stelle eingesetzt, begrenzt oder bewusst nicht genutzt haben.

Aus der Nutzung von KI wird so Reflexion über die eigene Nutzung. Peer Learning kann damit selbst zu einem Lernraum für AI Literacy werden. Es kann institutionelle Verantwortung jedoch nicht ersetzen. Sein Potenzial liegt vielmehr darin, studentische Erfahrungen als Ressource für Reflexion zu nutzen, ohne Studierenden die Verantwortung für die Gestaltung der institutionellen Rahmenbedingungen zu übertragen. Wenn Peer Learning einen solchen Lernraum für AI Literacy eröffnen kann, braucht es dafür zugleich einen festen Platz in Curricula und Lehrveranstaltungen. Austausch und gemeinsame Reflexion über unterschiedliche Formen der KI-Nutzung sollten nicht dem Zufall oder freiwilligen Zusatzangeboten überlassen bleiben, sondern als Bestandteil von Studium und Lehre mitgedacht werden.

Wenn generative KI bereits Teil des Studienalltags ist, kann ihre kompetente Nutzung dann ausschließlich als individuelle Aufgabe der Studierenden verstanden werden?

Aus unserer Perspektive spricht einiges dagegen. Studierende treffen letztlich eigene Entscheidungen darüber, wie sie KI nutzen. Hochschulen können jedoch nicht voraussetzen, dass alle dafür bereits dieselben Erfahrungen und Kompetenzen mitbringen. Wer AI Literacy entwickeln soll, braucht Möglichkeiten, KI auszuprobieren, Ergebnisse kritisch zu überprüfen und unterschiedliche Nutzungsweisen miteinander zu vergleichen. Ebenso braucht es Räume für Fragen und Unsicherheiten sowie Lehr- und Prüfungsformate, in denen deutlich wird, welche Leistungen selbst erbracht werden sollen und warum.

Solche Räume setzen nicht voraus, dass Lehrende bereits auf alle Fragen zum Umgang mit KI eine Antwort haben. Vielmehr braucht es Lehrende, die offen anerkennen, dass auch sie angesichts der dynamischen Entwicklungen Lernende sind. So kann ein Lernen auf Augenhöhe entstehen, in dem Studierende und Lehrende ihre Erfahrungen einbringen, Unsicherheiten sichtbar machen und gemeinsam Kriterien für einen reflektierten KI-Einsatz entwickeln.

AI Literacy wird damit auch zu einer Frage der Hochschulentwicklung. Auch der KI-Masterplan 2030 ordnet den kompetenten Umgang mit KI als strategische Gestaltungsaufgabe der Hochschulen ein und betont, dass es neben technischer Infrastruktur vor allem Kompetenzentwicklung, didaktische Konzepte, eine reflektierte Haltung und geeignete Unterstützungsstrukturen braucht (Pinkwart et al., 2026, S. 4–5).

Das bedeutet nicht zwangsläufig, dass jede Hochschule ein weiteres verpflichtendes Modul zur KI-Nutzung anbieten muss. AI Literacy kann ebenso in bestehende Lehrveranstaltungen, Beratungsangebote, Prüfungsformate und Peer-Learning-Strukturen integriert werden. Entscheidend ist, dass AI Literacy nicht zu einer weiteren individuellen Bringschuld der Studierenden wird.

Der Stand von AI Literacy an Hochschulen lässt sich deshalb nicht allein daran ablesen, wie viele Studierende generative KI nutzen oder wie viele KI-Angebote eine Hochschule bereitstellt. Entscheidend ist, ob Studierende in konkreten Situationen begründete Entscheidungen treffen können: Welche Unterstützung ist sinnvoll? Welche Ergebnisse müssen überprüft werden? Welche Aufgaben können delegiert werden und welche sollten sie bewusst selbst übernehmen?

Dafür braucht es mehr als Kompetenzbeschreibungen. Es braucht Lerngelegenheiten, klare Rahmenbedingungen und Räume, in denen unterschiedliche Formen der KI-Nutzung ausprobiert, verglichen und reflektiert werden können. AI Literacy ist damit nicht nur eine individuelle Kompetenzfrage, sondern eine Gestaltungsaufgabe für Studium und Lehre.

Vielleicht geht es deshalb weniger darum, Studierende möglichst schnell „KI-fit“ zu machen. Entscheidend ist vielmehr, Hochschulen als Orte zu gestalten, an denen gemeinsam ausgehandelt und erprobt werden kann, was Lernen unter den Bedingungen generativer KI bedeutet.

Denn je mehr KI Texte formulieren, Informationen strukturieren und Ideen entwickeln kann, desto wichtiger wird die Frage: Was sollen Studierende im Studium weiterhin selbst können – gerade weil KI es übernehmen könnte?

• Bosse, E., Wannemacher, K., & Lübcke, M. (2026). Die KI-Nutzung in Studium und Lehre: Ein Review auf Grundlage empirischer Studien (Arbeitspapier Nr. 91). Hochschulforum Digitalisierung.
• Digital Lehre Hub Niedersachsen. (2026). KI-Kompetenzrahmen Hochschule: Lernziele für den Einsatz generativer künstlicher Intelligenz in Studium, Lehre und Verwaltung an Hochschulen.
• Jaspers, J., Nova, O. & Westphal, K. (2026). KI-Nutzung qualitätsgesichert lehren: Das AI Change Lab als studentisch entwickelte Konzeption zur Qualitätsurteilskompetenz. Qualität in der Wissenschaft (QiW), 20(2+3).
• Leuphana Universität Lüneburg. (2026a). Leuphana AI Campus.
• Leuphana Universität Lüneburg. (2026b). AI Literacy Hub.
• Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO.
• Pinkwart, N., Buck, I., Bandtel, M., Jochim, J., Paaßen. B., Zeaiter, S., Baum, L., de Witt, C., Freesemann, A., Göllner, S., Gostmann, I., Martin, A., Persike, M., Rampelt, F., Rybicka, R., Schmid, U., Weßels, D. & Wölwer, S. (2026). KI-Masterplan 2030. KI in der Hochschulbildung: Szenarien zur Entwicklung von Hochschulen in der KI-Transformation. Stifterverband. https://doi.org/10.5281/zenodo.20622272 
• Rockstroh, M. S. (2025). Förderung kritischer Informationsprüfung KI-generierter Inhalte bei Studierenden: Handreichung der Projektakademie. Zentrum für Qualitätssicherung und -entwicklung, Johannes Gutenberg-Universität Mainz.

Roksana Rybicka studiert Rechtswissenschaften an der Europa-Universität Viadrina Frankfurt (Oder) und absolviert einen internationalen Doppelmaster in Digital Entrepreneurship an der European New School of Digital Studies und der Adam-Mickiewicz-Universität in Posen. Als DigitalChangeMaker 2026 im Hochschulforum Digitalisierung beschäftigt sie sich mit AI-Literacy aus studentischer Perspektive und insbesondere mit der Frage, wie Studierende einen kritischen, reflektierten und metakognitiven Umgang mit KI entwickeln können. Durch ihre vierjährige Tätigkeit als Peer-Tutorin für wissenschaftliches Schreiben sowie die Konzeption und Durchführung von Workshops zu KI und digitalem Lernen bringt sie eine didaktische Perspektive auf KI-gestützte Wissensvermittlung ein. Als studentische Senatorin engagiert sie sich seit 2023 für die Mitgestaltung von Hochschulentwicklung. Aktuell arbeitet sie in der Kompetenzstelle Öffentliche IT am Fraunhofer-Institut FOKUS zu Fragen der digitalen Verwaltung.

Katharina Westphal studiert im Master of Education mit den Fächern Geschichte und Theologie an der Ruhr-Universität Bochum. Dort ist sie wissenschaftliche Hilfskraft bei der Professional School of Education und arbeitet an OER-Projekten, digitalen Lehr-Lernkonzepten, berät Lehrende und unterstützt beim Einsatz von Künstlicher Intelligenz in der Hochschullehre. Insbesondere interessiert sie sich für den Einsatz von Künstlicher Intelligenz im Bildungsbereich sowie für innovativen Lehr-Lernkonzepte. Als DigitalChangeMaker engagierte sie sich besonders für die Einbindung von Studierenden in Gestaltungsprozesse der Hochschullehre. Aktuell begleitet sie die aktuelle Kohorte im Thementrack „AI“ als Mentorin.

Janis Jaspers studiert Theologie, Informatik und Digital Humanities an der Universität Münster. Als DigitalChangeMaker im Hochschulforum Digitalisierung verbindet er geisteswissenschaftliche und digitale Perspektiven und beschäftigt sich insbesondere mit Künstlicher Intelligenz in der Hochschullehre sowie den ethischen Dimensionen der Digitalisierung. Darüber hinaus entwickelt er digitale Seminarformate und engagiere sich in verschiedenen Kontexten für studentische Perspektiven an Hochschulen.