Dieser Blogbeitrag von Philipp Leitner, Benedikt Brünner, Martin Ebner und Sandra Schön bietet Hochschulen eine kompakte Anleitung, wie sie generative KI überlegt in der Lehre einsetzen können. Die Tipps wurden aus der Praxis an der TU Graz entwickelt und getestet und werden ergänzt mit Beispielen sowie Hinweisen auf nützliche Tools.

Generative Künstliche Intelligenz (GenKI bzw. GenAI) verändert die (Hochschul-)Lehre tiefgreifend – von automatisierten Quiz über KI-gestützte Lernvideos bis zu KI-Agenten. Das führt einerseits zu Verunsicherung, andererseits erlaubt es aber auch Innovation.

Viele Hochschulen experimentieren mit ersten Prototypen und fragen sich genauso wie wir: Bringt das wirklich Mehrwert? Oder machen wir uns nur weiter abhängig von einer Technologie? An der Technischen Universität Graz (TU Graz) sehen wir jedenfalls jetzt schon: GenAI ist kein Selbstläufer. Es braucht einen klaren Plan, um Nutzen zu sichern und Risiken zu minimieren.

Wir haben aus Fehlern und Erfolgen unserer Projekte einen praktischen Leitfaden („Whitepaper“) entwickelt. Kein starres Schema, sondern ein iterativer Prozess, der immer wieder fragt: Passt das noch? Oder müssen wir adaptieren?

Bevor wir eine KI verwenden, fragen wir:

• Was ist das echte Problem? (z. B. „Studierende verstehen Fachbegriffe nicht“ – nicht „Wir brauchen eine KI“.)
• Gibt es einfachere technische Lösungen? (z. B. ein Glossar statt eines KI-Chatbots?)
• Wer profitiert? (Lehrende? Studierende? Beide?)

Beispiel: Bei unseren multilingualen Lernvideos haben wir geprüft, ob Studierende wirklich KI-Avatare wollen oder ob sie menschliche Sprecher:innen bevorzugen. Ergebnis: Entweder funktionieren Hybrid-Lösungen (KI und Mensch) am besten oder es kommt auf den Anwendungsfall an.

GenAI bringt viele weitere Fragen mit sich, die nicht einfach übergangen werden sollten. Wir prüfen daher vor allem vier kritische Punkte:

• Daten: Werden persönliche Daten verarbeitet? Wo werden sie gespeichert? (Cloud vs. On-Premise?)
• Recht: Dürfen wir die KI überhaupt nutzen? (Lizenzen, Urheberrecht, OER)
• Ethik: Gibt es Verzerrungen? Werden bestimmte Gruppen benachteiligt?
• Sicherheit: Kann jemand die KI manipulieren? (z. B. durch „Prompt Injection“?)

Kurzfassung: Keine KI sollte ohne kritischen Blick verwendet werden. Bei unserem Chatbot für MOOCs haben wir so z. B. nachgeprüft, ob wir Lernverläufe speichern dürfen um nicht gegen den Datenschutz verstoßen.

Nicht jede GenAI passt für jede Situation! Wir unterscheiden daher zwischen:

• Ready-to-use-Tools (z. B. für einfache Aufgaben wie die Erstellung von Quiz) mit entsprechender GenAI-Integration
• An den Zweck angepasste Tools (z. B. wenn wir spezielle Daten der Universität einbinden müssen) indem wir sicherstellen, dass bestimmte Daten die universitätseigenen Systeme nicht verlassen
• Eigene Lösungen (nur wenn nichts anderes geht – z. B. für maximale Datensouveränität).

Unser Tipp: Startet klein! Ein Pilotprojekt mit 50 Studierenden ist besser als ein falsch eingesetztes Großprojekt.

Bevor die GenAI im großen Stil läuft, reflektieren wir:

• Wie reagieren Nutzer:innen? (z. B. verstehen Studierende die KI-generierte Feedbacks?)
• Wird übertrieben vertraut? (z. B. kopieren Studierende KI-Lösungen 1:1 für Prüfungen?)
• Funktioniert alles technisch? (z. B. läuft der Chatbot auch mit schlechter Internetverbindung in ausreichender Qualität?)
• Wird das Qualitätsniveau der Hochschule erreicht?

Beispiel: Bei unserem AI-Literacy-Tool („prompting.school“) haben wir gemerkt: Studierende brauchen eine Anleitung, wie sie KI-Prompts richtig formulieren. Ohne Hilfe nutzten sie die KI eher wie ein „Google für Hausarbeiten“.

Nach der Testphase:

• Was lief gut? (z. B. „Die KI-Applikation sparte Lehrenden Zeit bei …“.)
• Was war ein Risiko? (z. B. „Die KI-Applikationen generierte X % fehlerhafte Quizfragen“.)
• Soll die KI-Applikation als Service ausgebaut werden oder sind noch weitere Adaptionen notwendig?

Unser Fazit: Nutzen steht über Hype! Wenn eine KI nur „cool“ aussieht, aber eigentlich kaum Mehrwerte bringt, sollte ein weitere Ausbau nicht erfolgen.

GenAI ist kein Werkzeug, das man einmal einrichtet und danach vergessen kann. Es braucht:

• Klare Regeln (z. B. „GenAI darf keine Prüfungen selbstständig korrigieren“).
• Regelmäßige Updates (KI-Modelle ändern sich und wir müssen nachjustieren)
• Feedback-Schleifen (mit Lehrenden, Studierenden und IT – alle Beteiligten sollten im Sinne einer Co-Creation involviert werden).

Unsere größte Fehlannahme? Man lässt sich von der Technik gerne begeistern aber GenAI „läuft nicht von allein“. Es braucht auch immer einen Menschen, der die Qualität der Daten, der Verarbeitung und des Outputs beurteilt (human-in-the-loop). Am Ende zählt nur, ob es den Lernenden hilft bzw. eine qualitätsvolle Bildungsmaßnahme ist.

Den Einsatz von GenAI sollte nicht übereilt werden, sondern ist ein Marathon mit Checkpoints. Aber der Aufwand lohnt sich:

• Zeit sparen (z. B. durch automatisierte Quiz).
• Mehrwert schaffen (z. B. durch personalisierte Lernpfade).
• Risiken vermeiden (z. B. Datenschutzverletzungen oder anderen gesetzlichen Überschreitungen).

Unser Fazit ist also:

1. Starten wir klein (ein Pilotprojekt reicht).
2. Binden wir alle ein (Lehrende, IT, Recht, Studierende, Datenschutzgremien).
3. Fragen wir immer: „Warum machen wir das – und was ist das Ziel?“

Mehr zu den genannten Beispielen und Details finden Sie in:

• Schön, S., Brünner, B., Ebner, M., & Leitner, P. (2026). Evaluating GenAI Innovation in Higher Education. A Whitepaper (Version 1.0 – May 22, 2026). Graz University of Technology. https://doi.org/10.3217/1tfkj-ntj85
• EdMedia-Poster 2026 (unsere Präsentation dazu)

Was sind Ihre Erfahrungen mit GenAI in der Hochschul-Lehre? Schreiben Sie es gerne in die Kommentare!

Philipp Leitner, Dr., Teamleiter der Gruppe Future Learning, Analytics & AI for Teaching (FLAAIT) in der Abteilung Lehr- und Lerntechnologien an der Technischen Universität Graz und verantwortlich für datengestützte Anwendungen in der Hochschullehre. Arbeitsschwerpunkte: Learning Analytics und AI-Anwendungen sowie deren rechtliche Implikationen.

Benedikt Brünner, Dr., Researcher am Institut für Human Centred Computing (HCC) und Teil des Teams Future Learning, Analytics & AI for Teaching (FLAAIT) der Abteilung Lehr- und Lerntechnologien an der Technischen Universität Graz. Verantwortlich für die KI-TutorInnen Ausbildung an der TU Graz. Arbeitsschwerpunkte in der Forschung: AI-Anwendungen für die (Hoch-)schullehre.

Martin Ebner, Priv.-Doz. Dr., Leiter der Abteilung Lehr- und Lerntechnologien an der Technischen Universität Graz und Leiter der nationalen MOOC-Plattform iMooX.at der österreichischen Hochschulen. Arbeitsschwerpunkte in der Forschung: Bildungsinformatik, AI in der Hochschullehre, MOOCs, Open Educational Resources und Digitale Grundbildung.

Sandra Schön, Dr., forscht an der Technischen Universität Graz am Institut Human Centred Computing (HCC) rund um den Einsatz technologiegestützter Lehre und ist ehrenamtlich in Projekten des gemeinnützigen Bildungsvereins BIMS e.V. aktiv. Arbeitsschwerpunkte: Europäische Allianzen, AI in der Hochschullehre, Open Educational Resources.