Die Entwicklungsverläufe generativer KI zeigen im Zeitverlauf ein überproportional starkes Leistungswachstum. Hochschulen, deren Planungslogik traditionell linear ist, laufen Gefahr, diese Dynamik systematisch zu unterschätzen. Anhand aktueller Entwicklungen sich selbst verbessernder KI-Agentensysteme – von der theoretischen Gödel-Maschine bis zu autonom forschenden KI-Agenten – stellt sich die Frage, wie Hochschulen ihrem Bildungsauftrag (besser) gerecht werden und welche Empfehlungen für die Organisationsentwicklung in der agentischen Ära formuliert werden können.

“The greatest shortcoming of the human race is our inability to understand the exponential function.”, so die Aussage des früheren US-amerikanischen Physikerprofessors Albert Allen Bartlett (1923-2013) bei seinen Vorträgen zu Arithmetic, Population and (Bartlett 1969). Er wollte damit auf die Gefahr hinweisen, dass dauerhaftes prozentuales Wachstum von Bevölkerung oder Ressourcenverbrauch, was durch eine Exponentialfunktion abgebildet wird, in einem endlichen System nicht unbegrenzt möglich ist.

Genau dieses Zitat hat der bekannte Bildungsinfluencer Daniel Jung im August 2026 in seinem Podcast-Talk „Exponentielles Wachstum: Kannst du es verstehen?“ mit dem Bonner Informatikprofessor Christian Bauckhage am Beispiel generativer KI und der zu beobachtenden Leistungssteigerung aufgegriffen (Jung 2026). Bis heute fällt es uns Menschen schwer, das exponentielle Wachstum mit seinen Auswirkungen zu begreifen und entsprechend zu handeln. In diese Kategorie fallen generative KI-Systeme, die sich selbst weiterentwickeln können. Sie scheinen unsere menschliche Vorstellungkraft zu sprengen und treffen auf den Bereich Bildung. Deren Institutionen gelten als strukturkonservativ, entwickeln sich in kleinen Schritten und denken traditionell sequenziell, d. h. linear: Curricula werden in Jahreszyklen fortgeschrieben, Kompetenzen schrittweise aufgebaut, Reformen inkrementell umgesetzt. Über Jahrzehnte erschien diese lineare Form der Organisationsentwicklung „passend“ und sorgte für Stabilität und Sicherheit für alle Beteiligten. In einer KI-Ära, in der generative KI-Systeme ihre Fähigkeiten in Monaten statt in Jahrzehnten in unvorhersehbarer Weise verändern, wird dieser planbasierte Ansatz zum Risiko. Wer technologische Entwicklung gedanklich als gleichmäßige Gerade in die Zukunft verlängert, unterschätzt systematisch sowohl das Tempo als auch die qualitativen Sprünge, die mit nichtlinearer Dynamik einhergehen.

Für den Bildungsbereich ist diese Fehleinschätzung besonders folgenreich. Sie kann entweder in Alarmismus und Aktionismus münden, sobald ein Entwicklungssprung sichtbar wird, oder in Untätigkeit unter der trügerischen Annahme, es bliebe noch genügend Zeit – oder noch schlimmer in Ignoranz und Resignation als Ausdruck von Überforderung. Diese Verhaltensweisen werden einer zukunftsorientierten Hochschulbildung nicht gerecht. In diesem Papier wird die Position vertreten, dass Hochschulen ihr lineares Denken in der Organisationsentwicklung, zugunsten einer schnelleren Adaptionsfähigkeit, überwinden müssen.

Ganz gegensätzlich zeigt sich die Haltung der Arizona State University als „Public Enterprise“, mit dem Anspruch einer „Learning Economy“, die der Organisationsentwicklung vieler deutscher Hochschulen diametral entgegensteht. Das skizzierte Tempo des Wandels signalisiert aber auch das ungelöste Problem der begrenzten menschlichen Anpassungsgeschwindigkeit, so wie in Abb. 1 dargestellt. Bereits heute spüren wir als Individuum vielfach die Überforderung des „Nicht-Mithaltens-Können“. Der Austausch und das kollektive Lernen in Netzwerken unter Ausnutzung von Synergien sind klassische Lösungsansätze, deren Potenziale nicht ausgeschöpft erscheinen, ohne dass sie die finale Lösung bieten.

Turing führte bereits 1948 eine frühe Diskussion über „modifiable“ und „self-modifying machinery“ deren Verhalten und gespeicherte Instruktionen durch interne Operationen verändert werden können (Turing 2004) . Knapp 20 Jahre später wurde die Idee einer sich selbst verbessernden KI 1965 von Goods vorgestellt (Good 1965). Seine Überlegung bezog sich auf eine ultraintelligente Maschine, die jeden Menschen in sämtlichen intellektuellen Tätigkeiten übertreffen und selbst noch intelligentere Maschinen entwickeln könnte. Dadurch entstünde eine sich selbst verstärkende „Intelligenzexplosion“, bei der die menschliche Intelligenz schnell zurückbliebe. Die erste ultraintelligente Maschine wäre somit möglicherweise „die letzte Erfindung, die der Mensch je machen muss“, allerdings unter der Voraussetzung, dass sie kontrollierbar bliebe und sich kooperativ verhalte.

Von Schmidhuber wurde 2003 (Schmidhuber 2003), inspiriert von Kurt Gödel’s berühmten selbstreferenziellen Formeln (1931), das Konzept der selbst-optimierenden Gödel-Maschine vorgestellt. Dabei handelt es sich um das theoretische Konzept eines Programms, das jeden Teil seines eigenen Programmcodes verändern kann, einschließlich des Mechanismus, mit dem es nach Verbesserungen sucht.

Über lange Zeit blieben solche Ansätze in der Theorie verhaftet, da sie auf formalen Beweisen beruhten und praktisch kaum umsetzbar waren. Aber seit 2025 weisen moderne KI-Agentensysteme den Weg in die Anwendung. Die Darwin-Gödel-Maschine von Sakana AI und Mitarbeitenden der University of British Columbia (Sakana AI 2025) überträgt Schmidhubers Konzept in einen darwinistisch-evolutionären, empirisch validierten Prozess: Ein Agent modifiziert seinen eigenen Code, erprobt Varianten und behält erfolgreiche Versionen in einem Archiv.

Diese Entwicklungen folgen einem sichtbaren Trend mit ambitionierten Zielsetzungen wie z. B. die von Richard Socher und seinem Start-up angestrebte rekursive Superintelligenz (Killian 2026). Dass es sich hierbei nicht länger um ein KI-Nischenthema handelt, zeigt nicht zuletzt der erste eigens diesem Thema gewidmete Workshop auf der ICLR 2026 (ICLR 2026 Workshop on AI with Recursive Self-Improvement 2026).

Auch radikale Ansätze treten vermehrt auf, beispielhaft seien das amerikanische Start-up DISCOVERY LOOP genannt mit der Zielsetzung, Forschung in einen skalierbaren, automatisierten und kontinuierlich lernenden Produktionsprozess zu verwandeln analog zu „self-driving labs“ (DISCOVERY LOOP 2026) oder das Start-up inherent labs (Inherent Laboratories 2026) aus London, das in seinem Manifest mit dem Titel: „Living within the Experiment“ diese Zielsetzung formuliert: „Die Verwirklichung dieser Zukunft bedeutet, auf eine radikale Form der rekursiven Selbstverbesserung zu setzen: eine, die sicher in einer gesamten Institution funktioniert“ (übersetzt aus dem Englischen).

Auf den ersten Blick scheint sich die KI-Entwicklung immer weiter von der Entwicklung der Hochschulbildung zu entkoppeln. Aber der kontinuierlich gewachsene Veränderungsdruck zeigt seine Wirkung auch bei deutschen Hochschulen. Die beim Vernetzungstreffen der Vizepräsident:innen deutscher Hochschulen am 15. Juli 2026 in Bielefeld vorgestellten Thesen von Julius-David Friedrich vom Hochschulforum Digitalisierung spiegelten unmissverständlich den KI-induzierten Paradigmenwechsel für die Hochschulentwicklung wider:

• Eine “KI-Strategie” ist gesteuerte Exploration.
• Eine KI-Strategie bedeutet heute nicht, ein finales Papier in der Schublade zu haben, sondern die Institution als lernendes System zu begreifen. Entscheidend ist der Mut, dezentrale Erfahrungen rasch in systemische Entscheidungen zu überführen.
• Dieser kontinuierliche Lernprozess verlangt eine höhere Geschwindigkeit, die über das klassische Tempo der Hochschulwelt hinausgeht.

Der damit einhergehende „Change“ trifft in den Hochschulen auf ein vielschichtiges Spannungsfeld. Einerseits eröffnen teilautonome Agentensysteme erhebliche Chancen: Sie können Forschungsprozesse beschleunigen (Ghareeb et al. 2026), Routineanalysen übernehmen und in der Lehre (Weßels 2025) als adaptive, dialogfähige Werkzeuge dienen. Andererseits stellen sie eine Herausforderung für historisch gewachsene akademische Praktiken und Werte dar. Die Nachvollziehbarkeit von Ergebnissen sinkt, wenn Systeme Hypothesen bilden, Experimente planen und auswerten, ohne dass der Weg offengelegt wird. Prüfungsprozesse und die wissenschaftliche Integrität geraten unter Druck, wenn Autorschaft und Eigenleistung in der Ko-Aktivität von Mensch und KI nicht präzise zugeordnet und bewertet werden können. Und die Kompetenzentwicklung der Studierenden ist scheinbar bedroht, wenn Denk-, Analyse- und Urteilsschritte delegiert werden, die als Kompetenzziele des Studiums angestrebt werden. Zentrale Ursache dieser artikulierten Sorgen und Bedenken sind unzureichende KI-Qualifizierungsmaßnahmen für Lehrende, „alte“ didaktische Konzepte, die KI vorrangig als Störfaktor sehen und fehlende lernförderliche Ansätze zur zeitgemäßen Integration von KI in die Lehre und das Lernen unter Berücksichtigung der KI-induzierten Kompetenzverschiebungen  (Weßels und Maibaum 2026).

Das Kernziel muss die Flexibilisierung des Systems Hochschule sein, um dem mit exponentieller Geschwindigkeit stattfindenden Wandel gerecht zu werden. Gleichzeitig müssen erhaltenswerte Strukturen geschützt und bewahrt werden, wobei die Kriterien für dieses Merkmal viel Konfliktpotenzial bergen und einer professionellen Moderation bedürfen.

Die besondere Herausforderung besteht in der Fluidität, d. h. bei sich selbst kontinuierlich verbessernden KI-Systeme, deren Funktions- und Leistungswachstum nahezu unvorhersehbar erscheinen und demzufolge kaum antizipiert werden können. Welche Auswirkungen folgen für die Organisationsentwicklung?  Weder das Abwarten noch Aktionismus sind das Mittel der Wahl. Es geht für die Hochschulen darum, ihre Planungs- und Steuerungslogik neu auszurichten. Hierzu bedarf es Experimentierfreude, Mut und Gestaltungswillen. Darauf aufbauend lassen sich diese zentralen Empfehlungen formulieren:

1. Entwicklung von Anreizfaktoren für experimentelle Vorgehensweisen der Organisationsmitglieder, flankiert von einer entsprechenden Fehlerkultur.
2. Förderung der Adaptionsfähigkeit durch Lernen aus der Wirtschaft und Verankerung agiler Praktiken, wie sie im Business-Kontext bereits seit mehr als 20 Jahren etabliert sind.
3. Szenario-Techniken statt „Weiter so“: Strategische Planung als „gesteuerte Exploration“ sollte in kurzen Taktzyklen mit einem Set ausgewählter Entwicklungsszenarien arbeiten und regelmäßig in Iterationen unter Beteiligung relevanter Stakeholdergruppen inklusive der Studierenden neu justiert werden, anstatt Entwicklungspfade aus der Vergangenheit unreflektiert fortzuführen.
4. „Human-in-the-Loop“ mit einer institutionalisierten Steuerungsgruppe als Grundprinzip: Das permanente Monitoring der KI-Entwicklung, schnelle Gestaltungs- und Interventionsmöglichkeiten sowie das Leitbild des kontrollierten KI-Einsatzes mit menschlicher Aufsicht sollten in der Lehre, Verwaltung und Forschung verbindlich verankert werden.

Sich selbst verbessernde KI hat heute weder den Rang der Superintelligenz erreicht, noch darf sie als irrelevanter Hype fehlinterpretiert werden, den die Hochschulbildung ignorieren darf. Hochschulen, die auf festgefahrenen Wegen nur in kleinen Schritten nach vorne gehen, werden den veränderten Rahmenbedingungen und der Lebensrealität insbesondere der Studierenden in der agentischen Ära nicht mehr gerecht. Die Arizona State University zeigt, dass Anpassungsfähigkeit die Attraktivität bei Studienbewerber:innen erhöhen und daher als Wettbewerbsvorteil betrachtet werden kann.

Gleichzeitig muss die Management-Ebene einer Hochschule ihren Führungsaufgaben gerecht werden und die Organisationsmitglieder auf diesem Entwicklungsprozess, der von vielen Ängsten geprägt ist, unterstützen und begleiten. Dass der KI-Einsatz auch als Lösungsansatz für KI-induzierte Herausforderungen eingesetzt werden kann, zeigt eine vorbildliche Umsetzungsinitiative der Technischen Hochschule Brandenburg mit einer Stellenausschreibung für die Entwicklung eines KI-basierten Curriculumsmanagement (Technische Hochschule Brandenburg 2026).

Eine zukunftsorientierte Hochschulbildung benötigt die Offenheit und Bereitschaft, sich radikalen und als sprunghaft empfundenen Veränderungsprozessen zu unterziehen. Die Zielsetzung ist klar: Es geht darum, die Chancen der Technologie bestmöglich zu nutzen, flexible Räume für Wachstum und Veränderung zu schaffen und zugleich den Geist akademischer Bildung und den Anspruch auf überprüfbaren Erkenntnisgewinn zu bewahren.

Für die redaktionelle Zusammenführung mehrerer Entwurfsfassungen, die sprachliche Überarbeitung und die ergänzende Quellenrecherche wurde generative KI in Form von ChatGPT, Claude und Perplexity eingesetzt. Die fachliche Prüfung und die Verantwortung für die veröffentlichte Fassung liegen bei den Autor:innen.

• Bartlett, A. A. (1969). Arithmetic, Population and Energy. English transcript of the talk (University of Colorado Boulder, Hrsg.). Zugegriffen: 17. August 2026.
• DISCOVERY LOOP (Hrsg.). (2026). Continuous Exploration. Automating discovery to accelerate science and engineering for the world. Website. https://​www.discoveryloop.com​/​. Zugegriffen: 10. August 2026.
• Ghareeb, A. E., Chang, B., Mitchener, L., Yiu, A., Szostkiewicz, C. J., Shved, D., Gyimesi, G. J., Laurent, J. M., Wright, S. M., Razzak, M. T., White, A. D., Finnemann, S. C., Hinks, M. M. & Rodriques, S. G. (2026). A multi-agent system for automating scientific discovery. Nature 655 (8122), 497–505. doi:10.1038/s41586-026-10652-y
• Good, I. J. (1965). Speculations Concerning the First Ultraintelligent Machine. In F. L. Alt & M. Rubinoff (Hrsg.), Advances in Computers (Bd. 6, S. 31–88). New York: Academic Press. https://​vtechworks.lib.vt.edu​/​server/​api/​core/​bitstreams/​a5e423ee-​54e0-​4eec-​aeca-​32b73f851af5/​content. Zugegriffen: 10. August 2026.
• (2026). ICLR 2026 Workshop on AI with Recursive Self-Improvement. https://​recursive-workshop.github.io​/​.
• Inherent Laboratories (Hrsg.). (2026). inherent. Recursively self-improving to discover new knowledge. Website. https://​inherentlabs.ai​/​. Zugegriffen: 10. August 2026.
• Jung, D. (Autor). (2026). Exponentielles Wachstum: Kannst du es verstehen? Podcasttalk mit Prof. Dr. Christian Bauckhage (Universität Bonn). https://​www.youtube.com​/​shorts/​XFsBwd7J-​i0.
• Killian, N. (2026, 17. Mai). »Wir wollen eine Erfindungsmaschine bauen«. Die Zeit. https://​www.zeit.de​/​digital/​2026-​05/​richard-​socher-​recursive-​superintelligence-​start-​up-​ki. Zugegriffen: 18. Mai 2026.
• Sakana AI. (2025). The Darwin Gödel Machine: AI that Improves Itself by Rewriting Its Own Code. Sakana AI. https://​sakana.ai​/​dgm/​.
• Schmidhuber, J. (2003). Gödel Machines: Self-Referential Universal Problem Solvers Making Provably Optimal Self-Improvements. Manno-Lugano, Switzerland: IDSIA.
• Technische Hochschule Brandenburg (Hrsg.). (2026). Akademischer Mitarbeiter (w/m/d) „Entwicklung KI-basiertes Curriculumsmanagement“. Stellenausschreibung. https://​stellenportal.th-brandenburg.de​/​jobposting/​337d4554a81c944cc44a1799599490fe65bedc0c0. Zugegriffen: 10. August 2026.
• Turing, A. (2004). Intelligent Machinery (1948). In B. J. Copeland (Hrsg.), The Essential Turing (S. 395–432). Oxford University PressOxford. https://​dn790006.ca.archive.org​/​0/​items/​turing1948/​turing1948_​text.pdf. Zugegriffen: 14. August 2026.
• Weßels, D. (FelloFish GmbH, Hrsg.). (2025, 17. Januar). Agentic Learning Workflows: Aufbruch in neue Bildungswelten? Blogbeitrag. https://​www.fellofish.com​/​blog/​agentic-​learning-​workflows-​aufbruch-​in-​neue-​bildungswelten. Zugegriffen: 19. Juli 2026.
• Weßels, D. & Maibaum, M. (2026, 02. Februar). Vom Deskilling zum Newskilling mit KI. Der blinde Fleck emergenter Kompetenzverschiebungen durch GenKI (2/26, S. 30-32) (Forschung & Lehre, Hrsg.). https://​www.forschung-und-lehre.de​/​lehre/​vom-​deskilling-​zum-​newskilling-​mit-​ki-​7512. Zugegriffen: 19. Juli 2026.

Prof. Dr. Doris Weßels ist Professorin für Wirtschaftsinformatik an der Fachhochschule Kiel und Expertin für generative KI in Bildung und Wissenschaft. Sie leitet seit 2024 das Zukunftslabor Generative KI im KI-Anwendungszentrum Schleswig-Holstein und ist Mitglied verschiedener nationaler und internationaler KI-Gremien.

Dr. Miriam Maibaum ist Arbeitswissenschaftlerin und promoviert zur humangerechten Gestaltung der digitalen Transformation. Im Zukunftslabor Generative KI beschäftigt sie sich mit den Herausforderungen und Potenzialen generativer KI im Bildungs- und Gründungskontext.

Lasse Bremer ist Student der Wirtschaftsinformatik an der Hochschule für Angewandte Wissenschaften Kiel (HAW Kiel) und Teil des Forschungsteams „Zukunftslabor Generative KI“ unter der Leitung von Prof. Dr. Doris Weßels. Daneben arbeitet er freiberuflich als Berater und Dozent, unter anderem für die TÜV NORD Akademie im Zertifikatslehrgang zum Prompt Engineer

Dr. Eike J. Meyer ist Projektleiter des Zukunftslabors Generative KI (ZGKI) bei KI.SH. Er forscht zu praktischer Anwendung generativer KI in Wirtschaft und Wissenschaft, KI-getriebenem Change Management und AI Leadership und verbindet dabei wissenschaftliche Expertise mit langjähriger Erfahrung als IT-Berater und Führungskraft bei IBM.