KI erleichtert den Zugang zu Informationen, doch was bedeutet das für wissenschaftliche Recherche und Informationskompetenz? In seinem Gastbeitrag formuliert Danny Walther sechs pointierte Thesen zur Zukunft der Recherche im KI-Zeitalter und lädt zur Diskussion über Chancen, Herausforderungen und neue Kompetenzen an Hochschulen ein.

Wer verstehen will, was KI mit der Informationskompetenz^[1] an den Hochschulen macht, muss zunächst die Ausgangslage kennen, wie sie sich vor KI darstellte. Und da zeigt sich: Die Informationskompetenz der meisten Studierenden und auch vieler Lehrender war mangelhaft. Eine fachlich fundierte und curricular verankerte Vermittlung von Informationskompetenz gab es kaum. Dabei waren die Probleme seit Langem bekannt. Bereits 2001 kam eine großangelegte Studie des BMBF zu dem Schluss: „Die Vermittlung von Informationskompetenz bei Hochschullehrenden wie bei Studierenden findet nicht in der Lehre statt, sondern erfolgt autodidaktisch. Information Literacy und Lehre, das sind zwei getrennte ‚Welten‘.“^[2] Und das blieben sie auch.^[3]

Viele Studierende erfüllten selbst am Ende ihrer Ausbildung nicht mal die Mindeststandards.^[4] Die Hochschulen schafften es nicht, wirksame Lösungen zu implementieren. Zudem entstand durch quantitativ wie qualitativ ungenügende Daten teilweise der Eindruck, dass es um die Informationskompetenz im Allgemeinen und die Recherchekenntnisse im Besonderen ganz gut bestellt war.^[5] Das lag nicht zuletzt daran, dass entsprechende Studien meist Umfragen nutzten, was zu großen Verzerrungen durch sozial erwünschte Antworten führte. Wurde das Rechercheverhalten technisch erfasst, zeigten sich deutlich schlechtere Ergebnisse.^[6] Praktisch bedeutete das: Die meisten Studierenden und Lehrenden holten sich ihre Informationen eher von Google und aus Wikipedia, als Bibliothekskataloge und Fachdatenbanken, Repositorien und akademische Suchmaschinen zu nutzen.^[7] Spezielle Suchtechniken wurden kaum angewendet und auf Seite zwei der Trefferliste in den Bibliothekskatalogen nur selten geklickt.^[8] Die „Ich habe was gefunden, das reicht“-Einstellung dominierte. Es wurde genommen, was schnell zugänglich war. Das durch Google eingeübte Suchverhalten übertrug sich auf die Wissenschaft. Das Ergebnis: Die Suchen waren kurz, unterkomplex und unsystematisch.

Dann kam KI.^[9] Künstliche Intelligenz versprach, die Recherche leichter zu machen, und oberflächlich betrachtet hat sie dieses Versprechen auch eingelöst. Informationen sind schneller verfügbar, große Literaturmengen lassen sich leichter erschließen, fremdsprachige und komplexe Inhalte werden zugänglicher. Doch darunter bestehen die alten Mängel der Informationskompetenz fort. Mehr noch: Sie werden durch KI teilweise verschärft und von neuen Problemen überlagert. Die folgenden Thesen beschreiben den Wandel. Sie sind das Ergebnis einer intensiven wissenschaftlichen Beschäftigung mit dem Thema und Ausdruck meiner Erfahrungen aus Dutzenden Workshops an Hochschulen sowie der damit verbundenen Gespräche mit Studierenden, Lehrenden und Bibliothekaren. Die Thesen sind bewusst pointiert formuliert, um eine dringend nötige Diskussion anzuregen.

KI hat den Umgang mit Informationen radikal verändert. Vor KI begann eine Suche mit Schlagworten und führte zu Treffern, die angeklickt werden mussten. Heute beginnt die Suche mit einem Prompt und führt zu einer Antwort, auf die oft kein weiterer Klick folgt. Das hat seinen Grund, denn die KI-Antworten erscheinen nicht wie der Beginn einer Suche, sondern wie ihr Ende. Eine Trefferliste bot – zumindest  prinzipiell – noch Widerspruch gegen einen schnellen Abbruch der Suche, denn es waren weitere Treffer sichtbar, hinter denen sich möglicherweise gegenteilige Informationen verbargen, ob man ihnen nun nachging oder nicht. Die synthetisierte Antwort zeigt dagegen nicht mehr, was sie weglässt.

Durch KI verschärft sich eine Entwicklung, die mit Google begonnen hatte, und die darin bestand, möglichst schnell eine hinreichend plausible Antwort zu bekommen. Bei KI ist diese Logik im Grunde ins Interface eingebaut. Aus dem Suchraum ist ein Ergebnis geworden, aus Recherche Rezeption. Die KI-generierte Antwort präsentiert sich als fertige Lösung. Das liegt auch daran, dass die Struktur und Verständlichkeit der Antworten von vielen als gut empfunden wird. Hinzu kommt die sprachliche Kohärenz, denn sie wirkt wie inhaltliche Genauigkeit und senkt die Schwelle, das Ergebnis ungeprüft zu übernehmen.^[10] Eine Studie mit über 1.000 Studierenden aus 85 deutschen Hochschulen hat gezeigt: 69 % sind mit den Antworten von KI-Tools wie ChatGPT zufrieden.^[11]

Die Zufriedenheits-Mentalität hat durch KI eine neue Stufe erreicht. In Deutschland, das im internationalen Vergleich noch am besten dasteht, enden 62 % aller Google-Suchen ohne Klick.^[12] Bei Perplexity, das sich als „Antwortmaschine“ vermarktet und als einziges der KI-gestützten Recherchetools (s. u.) zumindest von einem Teil der Studierenden und Lehrenden genutzt wird^[13], liegt die Zero-Click-Rate bei 85 %.^[14] Bei ChatGPT ist der Anteil noch höher. Je nach Messmethode und Bezugsgröße enden hier 95 % bis 99 % der Nutzungsvorgänge ohne einen Klick auf einen Link oder eine Quelle.^[15]

Die Vor-KI-Logik lautete: finden – auswählen – lesen – bewerten. Die KI-Logik lautet dagegen: fragen – Antwort lesen – nur im Zweifelsfall prüfen. KI verändert also nicht nur, wo und wie gesucht wird, sondern auch, wann eine Suche als beendet gilt. Zugespitzt ausgedrückt: KI bringt den Nutzer tendenziell davon ab, überhaupt noch suchen zu müssen. Gerade für Studium und Wissenschaft ist diese Tendenz fatal. Die produktive Irritation, die die Grundlage von Bildung und Wissenschaft ist, schwindet.

KI erleichtert das Finden von Informationen, erschwert aber ihre Prüfung, Einordnung und Bewertung.^[16] Bei Allzweck-KIs wie ChatGPT bleiben Datenbasis, Quellenauswahl und -gewichtung oft intransparent, aber Daten deuten darauf hin, dass Angebote von Unternehmen bevorzugt angezeigt werden, mit denen die KI-Anbieter Verträge haben.^[17]

Genau hier liegt auch ein generelles Problem des oft gehörten Ratschlags, KI-Ergebnisse „kritisch zu prüfen“. Denn es genügt nicht, zu kontrollieren, ob eine Quelle existiert oder eine Aussage tatsächlich belegt ist. Entscheidend wäre auch zu prüfen, ob die Quellen angemessen ausgewählt und Gegenbefunde berücksichtigt wurden. Prüfen kann der Nutzer aber nur, was ihm das System zeigt. Was fehlt und wie das Fehlen die Antwort verändert, bleibt unsichtbar.

Wissenschaftsspezifische KI-Recherche-Tools wie Consensus, Asta, SciSpace u. a. entschärfen dieses Problem zumindest insofern, als dass sie ihre Auswahl- und Reasoning-Schritte anzeigen. Vollständige Transparenz über Suchraum, Ranking und Synthese stellen zwar auch sie nicht her, aber ihre Recherchelogik lässt sich besser prüfen als die von ChatGPT.^[18] Das Problem: Die genannten Tools sind den meisten Studierenden und Lehrenden gar nicht bekannt und werden deshalb auch kaum genutzt.^[19] Und das, obwohl es über fünfzig solcher Tools gibt und fast alle eine kostenfreie Grundversion haben und einige – wie Asta – sogar komplett kostenlos sind. Das Problem geht aber noch tiefer, denn selbst wenn diese Tools genutzt werden, bleiben ihre Transparenzfunktionen oft unbeachtet. Das liegt vor allem daran, dass den meisten Nutzern die grundlegenden Kenntnisse fehlen, um Datenbasis, Quellenauswahl und Rankinglogik überhaupt beurteilen zu können.^[20] Was wiederum daran liegt, dass diesbezügliche Schulungen weitgehend fehlen. Was in letzter Konsequenz damit zu tun hat, dass die dafür nötige Expertise in den Hochschulen (noch) kaum vorhanden ist.

Zwei Probleme bleiben allerdings auch dann bestehen, wenn man das Tool wechselt. Erstens: Die Nutzer setzen sich nicht mehr mit den Quellen auseinander, sondern mit einer Interpretationsschicht, die von der KI generiert und zwischen Nutzer und Quelle geschoben wird. Heißt: KI-Systeme übernehmen die Auswahl, Gewichtung und Zusammenfassung der Quellen, bevor sich der Nutzer überhaupt mit den Dokumenten beschäftigen kann, was ohnehin immer seltener wird. Daten zeigen, dass ChatGPT-Nutzer kaum auf Quellen zurückgreifen. Sie nutzen die Plattform als Antwortgeber, nicht als Ausgangspunkt, um sich weiterführende Informationen zu beschaffen.^[21]

Zweitens sind KI-gestützte Recherchen nicht reproduzierbar. Die Ergebnisse eines Prompts lassen sich nicht 1:1 wiederholen, selbst in einer abgeschlossenen Datenbank nicht. Gravierender ist aber, dass bereits geringe Abweichungen in der Formulierung – etwa dieselbe Frage auf Deutsch statt auf Englisch – die Treffermenge massiv verschieben. Ein Test mit dem KI-Assistenten der Fachdatenbank Scopus lieferte bei drei inhaltlich nahezu identischen Suchläufen von insgesamt 163 Referenzen 138 nur einmal und lediglich drei in allen drei Suchen.^[22] Kurzum: Ein einzelner KI-Suchlauf ist kein belastbares Rechercheergebnis und, weil nicht wiederholbar, nach den üblichen Standards auch nicht transparent zu machen. Nötig sind andere Formen, keine Prompt-, sondern Prozessdokumentationen. Aber sie sind vielen nicht bekannt, werden selten gelehrt und kaum angewendet.^[23]

Informationskompetenz bedeutet im KI-Zeitalter deshalb nicht mehr nur, Quellen zu prüfen, sondern Systeme und Datenbestände zu verstehen, Suchläufe zu variieren, ihre Ergebnisse gegeneinander zu halten und den Weg dorthin nachvollziehbar zu machen. Und das nicht nur innerhalb einer Datenbank, sondern über die verschiedenen Suchräume der Recherche-Infrastruktur hinweg. Die viel geforderte „kritische Prüfung“ beginnt deshalb nicht beim Ergebnis, sondern bei der Recherche.

An den Hochschulen dominiert ChatGPT.^[24] Es wird als „Chatty“ vermenschlicht und für fast alle lehr- und lernbezogenen Arbeiten eingesetzt, auch und besonders zur wissenschaftlichen Recherche.^[25] Dazu wurde ChatGPT aber weder entwickelt noch ist es selbst eine wissenschaftliche Literaturdatenbank.^[26] Das Gleiche gilt für Claude, das zunehmend populär wird. Beide Systeme werden genutzt, weil sie bekannt, leicht zugänglich und einfach zu bedienen sind.

Das heißt nicht, dass beide für die wissenschaftliche Recherche grundsätzlich ungeeignet sind. Ihre Eignung hängt jedoch stark davon ab, welche Suchmodi verwendet werden und welche Konnektoren und Plugins aktiviert sind.^[27] Über solche Erweiterungen können ChatGPT und Claude auf wissenschaftliche Datenquellen zugreifen und methodisch strukturierte Arbeitsabläufe ausführen. Hinzu kommen spezielle Skills, die vorgeben können, wie gesucht, gescreent, verglichen und dokumentiert wird.^[28]

Dennoch: Auch in der erweiterten Form bleibt der Zugang zur wissenschaftlichen Literatur bei ChatGPT, Claude und anderen Allzweck-KIs stark selektiv. Zwar können auf die oben beschriebene Weise Hunderte Millionen Publikationen durchsucht werden. Bei einem erheblichen Teil davon können die KI-Systeme aber nur Metadaten oder Abstracts auswerten, nicht die Volltexte, denn rund 50 % aller Studien sitzen – unzugänglich für KI-Systeme – hinter Bezahlschranken.^[29] Kurzum: Konnektoren, Plugins und Skills erweitern bei ChatGPT und Claude zwar den verfügbaren Suchraum, beseitigen dessen Grenzen aber nicht.

In der Praxis wird jedoch selbst dieser erweiterte Suchraum kaum genutzt. Die meisten Studierenden und Lehrenden verwenden ChatGPT und Claude im einfachen Modus, ohne Konnektoren, Plugins oder Recherche-Skills zu nutzen.^[30] Sie recherchieren mit KI im Grunde nicht anders als mit Google: Sie formulieren – meist recht kurze – Anfragen und beenden die Suche, sobald eine plausible Antwort vorliegt. Der Unterschied besteht lediglich darin, dass statt einer Trefferliste eine synthetisierte Antwort erzeugt wird. Während die wissenschaftliche Informationsinfrastruktur also immer vielfältiger wird, konzentriert sich der Zugang der Nutzer auf wenige Oberflächen. Das Google-Dilemma wiederholt sich in Form von ChatGPT.

Dabei ist KI bereits an vielen Stellen der Recherche-Infrastruktur integriert. Fachdatenbanken wie Scopus, EBSCO oder wiso haben eigene KI-Assistenten und lassen sich in natürlicher Sprache bedienen, wissenschaftliche Suchmaschinen wie Semantic Scholar, Google Scholar Labs und OpenAlex nutzen gleichsam KI, und Preprint-Server wie alphaXiv bieten KI-gestützte Zugänge zur Suche und Analyse früher Forschungsergebnisse. Hinzu kommen über 50 spezialisierte KI-Recherche-Tools wie scienceOS, Elicit, Asta, Consensus, SciSpace oder ResearchRabbit.^[31] Sie alle haben gegenüber ChatGPT den Vorteil, dass sie standardmäßig auf wissenschaftliche Korpora, Zitations- und Metadaten sowie strukturierte Extraktionsverfahren zurückgreifen.

Das Problem ist, dass die meisten Studierenden und Lehrenden die Recherche-Infrastruktur gar nicht kennen. Sie wissen weder, welche wissenschaftsspezifischen KI-Tools existieren, noch, welche KI-Funktionen Fachdatenbanken inzwischen anbieten oder wie sich allgemeine KI-Systeme mit wissenschaftlichen Datenquellen verbinden lassen. Selbst die KI-Assistenten in Fachdatenbanken werden kaum wahrgenommen. Das liegt auch daran, dass viele die zugrunde liegenden Fachdatenbanken gar nicht kennen. Die alten Mängel der Informationskompetenz schreiben sich also fort und machen die Möglichkeiten eines wissenschaftlich fundierten Einsatzes von KI unsichtbar. Denn was nicht bekannt ist, kann auch nicht genutzt werden.

Dabei ließe sich ausgerechnet die Dominanz von ChatGPT und Claude nutzen, um diese Kluft zumindest teilweise zu überbrücken, denn immer mehr KI-Tools und Rechercheplattformen wie Scite, Consensus, Undermind, Elicit, Scispace, AlphaXiv oder Pubmed lassen sich als Plugins und Konnektoren mit ChatGPT und Claude verbinden. Dadurch lassen sich Recherche-Workflows erstellen, in denen ChatGPT und Claude die Ausführung und Synthese übernehmen, der Konnektor bzw. das Plugin den Zugang zum wissenschaftlichen Korpus herstellen und der Skill die Methode vorgibt. Gerade weil ChatGPT und Claude von vielen Studierenden und Lehrenden genutzt werden, wäre das eine Möglichkeit, die informelle KI-Nutzung stärker mit wissenschaftlichen Datenquellen und Rechercheverfahren zu verknüpfen.

Daraus ergibt sich eine grundlegende Frage: Sollen Hochschulen dort andocken, wo die Nutzer sind, auch wenn sie die Dominanz von ChatGPT und Co. damit stabilisieren? Oder sollen sie weiter in ihre eigenen Infrastrukturen investieren, die aber – siehe unten – kaum jemand nutzt?

Fakt ist: Die Entwicklungsgeschwindigkeit ist rasant, die Hochschulen aber strukturell träge. Während sie darüber diskutieren, welche KI-Tools sie überhaupt zulassen, beschaffen oder vermitteln sollen, verändert sich die Recherche-Infrastruktur grundlegend. Die Anbieter von KI-Recherchetools erweitern über Verträge mit Wissenschaftsverlagen ihre Datenbestände und Volltextzugänge^[32], Fachdatenbanken bauen eigene KI-Assistenten auf, die von den Hochschulbibliotheken zusätzlich lizenziert werden müssen (aber oft nicht lizenziert werden), und ChatGPT und Claude dringen über Plugins, Konnektoren, Verlagskooperationen und spezielle Oberflächen wie ChatGPT Rosland oder Claude Science immer tiefer ins wissenschaftliche Ökosystem vor. Was bislang getrennt war, wächst zunehmend zusammen. Gewiss, viele KI-Anbieter werden verschwinden, übernommen oder in größere Plattformen integriert werden.^[33] Dennoch wird die Recherche-Infrastruktur zunehmend komplexer, und die Fähigkeit, sich darin zurechtzufinden, für Studierende und Lehrende umso wichtiger. Ausgerechnet diese Orientierung fehlt aber vielfach: Wer schon die klassische Recherche-Infrastruktur kaum kennt, dem fehlt die Grundlage, ihre KI-erweiterte Form sinnvoll zu nutzen. Die alten Mängel verstärken damit die neuen. Und je unübersichtlicher das Angebot wird, desto naheliegender ist die Reaktion, bei dem einen System zu bleiben, das man ohnehin kennt: ChatGPT.

Auch auf der strukturellen Ebene nutzen die Hochschulen ihre Möglichkeiten zu wenig. KI-Recherchetools sind bisher kaum institutionell lizenziert, selbst wenn sie – wie scienceOS – aus Deutschland kommen und DSGVO-konform arbeiten. Zudem gibt es eine Anbindungslücke. Zwar setzen immer mehr Hochschulbibliotheken Dienste wie LibKey ein, mit denen sich die von ihnen lizenzierten Volltexte über die eigentlichen Bibliotheksoberflächen hinaus verfügbar machen lassen. Technisch reichen diese Dienste inzwischen bis in KI-Recherchetools wie Consensus oder SciSpace hinein, doch werden diese Verknüpfungen in den Hochschulbibliotheken nur selten gezeigt und kaum genutzt. Die Folge: Wer mit einem KI-Tool recherchiert, landet beim Volltext oft an der Paywall, obwohl die eigene Hochschule den Artikel teuer lizenziert hat. Dabei ließen sich die Bestände nicht nur mit KI-Tools verknüpfen, sondern in ihnen auch auswerten und jener Mehrwert produzieren, den Bibliothekskataloge und viele Fachdatenbanken bislang nicht bieten.

Die Anbindungslücke ist dabei nur ein Beispiel für ein größeres Problem: die wachsende Kluft zwischen dem, was die wissenschaftliche Recherche-Infrastruktur inzwischen ermöglicht, und dem, was davon tatsächlich genutzt wird. Wissenschaftsspezifische KI-Tools, KI-Assistenten in Fachdatenbanken, Plugins und Konnektoren sowie die neuen Möglichkeiten zur Anbindung vorhandener Bibliotheksbestände existieren bzw. entstehen gerade. Genutzt wird davon jedoch nur ein Bruchteil. Stattdessen konzentriert sich die Recherche auf wenige allgemeine Oberflächen, vor allem auf ChatGPT.^[34] Damit wiederholt sich ein Trend, der schon vor KI zu beobachten war und der sich generell so zusammenfassen lässt: Tools, die speziell für Lehr- und Lernzwecke entwickelt wurden, werden von den meisten Studierenden und Lehrenden nicht genutzt.^[35] Im Zeitalter von KI sind die Folgen allerdings schwerwiegender als zuvor, denn dadurch entsteht eines der aktuell größten Probleme im Wissenschaftssystem: von KI erfundene Quellen.

Die Zahl halluzinierter Quellen wächst rasant und durchdringt inzwischen alle Fächer und Publikationsformen, von studentischen Arbeiten über Konferenzbeiträge bis zu Aufsätzen in einflussreichen Peer-Review-Journalen.^[36] Die Verbreitung ist schneller als die bestehenden Sicherungsmechanismen. Unzählige erfundene bzw. nicht existente Referenzen haben es inzwischen als Zitationen in neue Paper geschafft und damit wissenschaftliche Sichtbarkeit und scheinbare Legitimität gewonnen.^[37]

Die Hauptursache des Halluzinationsproblems ist, dass für die Literaturrecherche massenhaft Allzweck-KIs verwendet werden, allen voran ChatGPT.^[38] Eine zweite liegt im fehlenden Problembewusstsein vieler Studierender und Lehrender. Es ist bezeichnend, dass in der neuesten und mit über 6.000 Teilnehmern bisher größten Umfrage zur KI-Nutzung unter deutschen Wissenschaftlern das Thema Halluzinationen nicht einmal vorkommt.^[39] Andererseits: Verwunderlich ist es nicht, denn viele glauben fälschlicherweise, halluzinierte Quellen mit bloßem Auge erkennen zu können. Andere ahnen dagegen nicht einmal, wie groß das Problem inzwischen ist. Und ein (kleiner) Teil hat noch nicht mal davon gehört, dass KI Quellen erfinden kann.^[40] Dabei hat eine aktuelle Untersuchung von mehr als 111 Millionen Literaturangaben für das Jahr 2025 konservativ rund 147.000 halluzinierte Referenzen geschätzt.^[41]

Damit schreibt sich ein Problem aus der Vor-KI-Zeit in verschärfter Form fort. Aus „Ich habe eine Quelle gefunden, das genügt“ wird „Die KI hat mir eine Quelle genannt, das genügt“. Halluzinierte Referenzen sind zudem ein guter Indikator für mangelnde Recherchekompetenz und eine problematische Zufriedenheits-Mentalität, denn die Existenz einer Quelle lässt sich leicht prüfen. Da aber oft nicht mal das gemacht wird, zeigt sich einmal mehr, dass der Ratschlag, KI-Ergebnisse „kritisch zu prüfen“, in der Praxis kaum befolgt wird.

Wer dagegen – wie Lehrende – regelmäßig große Mengen Literaturangaben anderer prüfen muss, kann Programme wie BibFox oder spezielle Claude-Skills nutzen, die Referenzen automatisiert auf ihre Existenz checken und verdächtige Angaben markieren.^[42] Das heißt: könnte. Denn bisher sind solche Werkzeuge wenig bekannt und werden entsprechend selten genutzt.

Eine dritte Möglichkeit wäre, wissenschaftliche KI-Tools zu nutzen, denn durch ihre Anbindung an wissenschaftliche Datenbanken (sog. RAG) sinkt die Gefahr, dass Quellen erfunden werden, erheblich. Zwar können auch diese Tools Studien übergeneralisieren oder Aussagen falsch gewichten.^[43] Doch die Gefahren sind deutlich geringer. Die vielen Halluzinationen sind deshalb auch ein weiteres Indiz dafür, dass an den Hochschulen mit den falschen KI-Systemen recherchiert wird und die Informationskompetenz noch immer gering ist. Und sie sind ein Indiz dafür, dass die wissenschaftliche Qualitätssicherung oft schon bei der niedrigsten Prüfstufe versagt, nämlich bei der Frage, ob eine zitierte Quelle überhaupt existiert.

KI verändert auch die Rolle der Hochschulbibliotheken.^[44] Ihre Nutzer werden bald schon nicht mehr Digital-, sondern KI-Natives sein, die mit der klassischen Suchinfrastruktur, wie sie Bibliotheken z. B. durch OPACs bereitstellen, nur wenig anzufangen wissen. Dennoch müssen neben umfangreichen KI-Kompetenzen auch weiterhin klassische Recherchewege und -techniken vermittelt werden, denn ohne sie lässt sich auch im KI-Zeitalter keine strukturierte und fundierte Literatur- und Datenrecherche durchführen. Gleichwohl spricht schon jetzt einiges dafür, dass KI die ohnehin schon geringe Nutzung von Bibliothekskatalogen, Repositorien und Fachdatenbanken weiter schwächen wird.^[45]

Das liegt nicht zuletzt daran, dass sich ChatGPT neben Google als zentrale Zugangsinstanz zu Wissen etabliert hat. Damit verstärkt sich ein Trend, der bereits vor KI existierte und der – allgemein gesprochen – besagt, dass Hochschulbibliotheken nur unzureichend als Partner im Lehr-, Lern- und Forschungsprozess wahrgenommen werden.^[46] Manche Bibliothekare sehen deshalb beim Blick auf KI nicht nur die – oftmals ohnehin schon geringe – Qualität der wissenschaftlichen Recherchekompetenz in Gefahr, sondern äußern auch die Befürchtung, Bibliotheken könnten als Informationsvermittler weiter an Sichtbarkeit und Relevanz verlieren.^[47]

Die Vermittlung traditioneller Recherchewege und -techniken ist und bleibt zwar auch im KI-Zeitalter wichtig, doch werden sich die Bibliothek an die neuen, von KI geprägten Gewohnheiten anpassen (müssen). Denn die Studierenden, die jetzt an die Hochschulen kommen, sind nicht mehr Schlagwort-sozialisiert, sondern gewohnt, dass eine Recherche über Prompt-Eingaben funktioniert. Bibliothekssysteme (OPACs) brauchen deshalb KI-Assistenten, damit die Bestände in natürlicher Sprache durchsucht werden können.^[48] Zudem kann KI bei der Suche nach passenden Fachdatenbanken (DBIS) helfen und so ihr bislang weitgehend ungenutztes Potenzial heben. Ansätze dazu gibt es bereits.^[49] Bibliotheksintern bieten „Weiterentwicklung (KI-gestützter) Erschließungsverfahren und Etablierung innovativer und flexibler Metadatensysteme“ sowie „automatisierter Erschließungs-, Verarbeitungs- und Auswertungsmethoden für Volltextkorpora, Bild- und Strukturerkennung“ neue Chancen.^[50]

Vor allem aber gilt es, den dringend notwendigen Übergang von der unsystematischen Suche mit ChatGPT hin zu einer strukturierten, wissenschaftlich fundierten KI-Recherche aktiv voranzutreiben. Dazu braucht es Schulungsangebote. Allerdings reichen die bisherigen Angebote dafür nicht aus, denn seit Jahren zeigt sich dasselbe Muster: Die meisten Schulungen dauern nur 60 bis 90 Minuten, bestehen aus nur einer Sitzung, bleiben auf Einführungsniveau und sind eher allgemein als fachspezifisch ausgerichtet. Die Zahl der Studierenden, die Schulungen nutzen, wächst zwar seit einigen Jahren, ist insgesamt aber noch deutlich zu niedrig, auch, weil fast alle Angebote freiwillig sind.^[51] Auch hier mangelt es aber an Wirkungsforschung, an validen Zahlen zur tatsächlichen Reichweite und an aktuellen bundesweiten Daten zum Verankerungsgrad.

Zwar zeigen die vorhandenen Daten, dass der Anteil der KI-Kurse am Schulungsangebot wächst, doch ist er quantitativ noch zu klein und qualitativ noch nicht ausreichend. Auch hier dienen die meisten Kurse der Orientierung. Vertiefende Angebote, Schulungen zu speziellen KI-Tools und dazu, wie KI den wissenschaftlichen Workflow von der Themenfindung bis hin zur Publikation verändert, fehlen dagegen.^[52] Eine neue, KI-zentrierte Informationskompetenz lässt sich damit nicht aufbauen, schon gar nicht durch Bibliotheken allein. Sie muss in den Studiengängen fachlich fundiert und in viel größerem Maße als bisher curricular verankert, von Lehrenden praktisch vermittelt und eingefordert werden. Zugleich sind auch die Studierenden selbst in der Pflicht. Wer KI nutzt – und das machen fast alle –, kann die Verantwortung für einen kompetenten Umgang nicht allein an die Hochschule oder die Bibliothek delegieren.^[53]

Das entlässt die Hochschulbibliotheken allerdings nicht aus ihrer Verantwortung. Um ihren Teil leisten zu können, müssen sie mehr KI-Expertise aufbauen. Daran mangelt es noch, nicht zuletzt, weil KI-Fähigkeiten erfordert, die quer zu den bisherigen Ausbildungsprofilen liegen. Dort, wo entsprechende Kompetenzen vorhanden sind, beruhen sie meist auf individuellem Engagement und sind institutionell kaum verankert, auch wenn – was freilich eher Beleg denn Widerspruch zum eben Gesagten ist – die Schulungsangebote zunehmend besser werden^[54] und die Zahl der Train-the-Trainer-Schulungen wächst.^[55]

Expertise aufzubauen ist auch dringend nötig. Nicht nur, um Studierende und Lehrende fit für KI (abseits von ChatGPT) zu machen, sondern auch, um den Veränderungen auf dem KI- und Wissenschaftsmarkt begegnen zu können (siehe These 3). Die Bibliotheken müssen entscheiden, für welche der neuen KI-Angebote sie institutionelle Lizenzen erwerben. Diese Entscheidungen sind nicht nur kostenintensiv, sondern können in einer Wissenschaftslandschaft, die zunehmend von KI durchdrungen ist, auch zu einem Standortfaktor werden.^[56] Denn wer KI-Recherchetools lizenziert, entscheidet – noch stärker als bisher – darüber, welcher Ausschnitt der Wissenschaft sichtbar ist und wie er analytisch verarbeitet werden kann. Fundierte Kenntnisse des Marktes, der technischen Leistungsfähigkeit der Systeme und ihres Nutzens für die Studienangebote und Forschungsschwerpunkte der jeweiligen Hochschule sind dafür unerlässlich.

Für die Bibliotheken ist KI eine Chance, wenn sie ihre vorhandenen Bestände leichter zugänglich machen und durch KI-Tools neue erschließen, wenn sie KI-Bildung fundiert und fachspezifisch an Studierende und Lehrende vermitteln und Forschende dabei unterstützen, ihre Daten und Publikationen so aufzubereiten, dass sie von KI-Systemen zuverlässig gefunden und ausgewertet werden können. Ob das gelingt, ist offen. Klar ist jedoch: Gelingt das nicht, werden die Bibliotheken weiter an Relevanz verlieren und die Recherche- und Informationskompetenzen an den Hochschulen noch weiter sinken.

Die Daten- und Literaturrecherche ist die Basis guten wissenschaftlichen Arbeitens. Doch die Ausbildung entsprechender Kompetenzen wurde an den Hochschulen seit Jahrzehnten vernachlässigt – und KI hat daran nicht viel geändert. Viele Studierende sind mit der KI-Kompetenzvermittlung ihrer Hochschulen unzufrieden.^[57] KI-Bildung erfolgte – und erfolgt noch immer – meist informell und findet außerhalb institutionell gestalteter Lernprozesse statt.^[58] Zwar gibt es zunehmend KI-Kurse, doch es fehlen fachspezifische Angebote und vor allem eine umfassende curriculare Verankerung.^[59] Zwar wächst der Anteil der Studierenden, die die KI-Angebote ihrer Hochschule als gut oder sehr gut betrachten, doch erreicht er in den meisten Fächern noch immer keine 50 %.^[60] Zudem wünschen sich viele Studierende „mehr Anleitung, Schulung und Diskussion mit Lehrenden zu KI im Studium“.^[61]

Genau die können viele Lehrende aber gar nicht leisten, denn auch ihnen fehlt es an KI-Bildung.^[62] „Vielfach verweisen die Befragten auf akute Schulungsbedarfe im Umgang mit KI-Anwendungen.“^[63] Zwar bieten fast alle Hochschulen KI-Kurse für Lehrende an, doch 2024/25 hatten nur 20 % bis 30 % der Lehrenden einen solchen Kurs besucht.^[64] Die Zahl ist seitdem zwar gestiegen, aber: „Hohe Nutzungszahlen allein bedeuten noch keinen kompetenten Umgang.“^[65] Viele Angebote sind Einzelveranstaltungen ohne fachspezifischen Bezug. „Domänenspezifische bzw. vertiefte Kenntnisse sind weniger verbreitet.“^[66] Die meisten Dozenten lernen KI auf eigene Faust oder durch den informellen Austausch mit Kollegen. Eine gezielte und systematische Förderung der KI-Bildung ihrer Forschenden konnten 2025 nur 24 % aller befragten Hochschulen vorweisen.^[67] Die Folge: „Nur ein kleiner Teil der Lehrenden schätzt die eigene KI-Kompetenz als fortgeschritten ein.“^[68] Das zeigt auch eine groß angelegte Befragung von Forschenden aus Deutschland. 5.000 von ihnen bekamen eine Prompting-Aufgabe, nur 21 % konnten sie erfolgreich absolvieren.^[69]

Solche Kompetenzmessungen sind allerdings die Ausnahme. Über die tatsächlichen KI-Fähigkeiten von Forschenden und Lehrenden ist bislang nur wenig bekannt. Das Gleiche gilt für die Wirksamkeit von KI-Schulungsangeboten: Empirische Untersuchungen, was sie tatsächlich bringen, sind selten.^[70] Das alte Datenproblem setzt sich fort: Schon bei der Informationskompetenz vor KI trübten schlechte Daten den Blick auf die Realität. Bei KI werden wieder fast nur Angebote und Selbstauskünfte gemessen, wobei erneut viele Studien und selbst Meta-Analysen methodische Mängel aufweisen.^[71] Es bleibt daher unklar, wie groß das Kompetenzdefizit wirklich ist. Das sieht auch der Wissenschaftsrat so und erkennt „dringenden Bedarf an empirischer Evidenz und theoretischer Einordnung der praktischen Implementierung generativer KI-Anwendungen in realen Bildungssituationen, einschließlich der Rolle der Lehrperson, der tatsächlichen Nutzungspraktiken der Lernenden über die Zeit sowie der Frage, ob Wirkungen über Neuheitseffekte hinaus und jenseits tool-gestützter Performanz bestehen bleiben.“^[72]

Fest steht jedenfalls, dass gerade bei Studierenden eine große Diskrepanz zwischen Selbsteinschätzung (meist gut) und tatsächlicher KI-Kompetenz (oft mangelhaft) besteht.^[73] Zwar fühlen sich Studierende gut über KI informiert, aber: „Weitergehende Wissensmessungen zeigen allerdings deutliche und systematische Lücken, vor allem bei technologisch-technischen Aspekten und komplexeren Funktionsprinzipien.“^[74]

Die Diskrepanz dürfte auch damit zusammenhängen, dass sich das KI-Wissen vieler Studierender vor allem auf den praktischen Umgang mit ChatGPT und dessen typische Anwendungen im Studium bezieht und sehr viel weniger auf Künstliche Intelligenz als Technologie und die Funktionsweise der verwendeten Systeme. Hinzu kommt, dass KI-Recherche-Tools, KI-Assistenten in Fachdatenbanken und andere „Spezialwerkzeuge“ vielen Studierenden kaum bekannt sind. Damit fehlt auch das Wissen darüber, auf welcher Datenbasis diese Systeme arbeiten, wie sie Quellen durchsuchen und ihre Ergebnisse generieren und worin sie sich bezüglich Abdeckung, Qualität und Nachvollziehbarkeit von ChatGPT unterscheiden.

Die Dominanz von ChatGPT wird meist damit erklärt, dass es zuerst da war, bekannt, leicht zu bedienen und als Allzweck-KI für fast alle Aufgaben in Studium und Lehre einsetzbar ist. Vergessen wird dabei, dass die Hochschulen für diesen Siegeszug mitverantwortlich sind. Denn während sie Strategiepapiere entwickelten, entstand jene Schatten-KI samt ihrer Nutzungsroutinen, die seit 2023 an den Hochschulen dominiert. Eigene technische Lösungen wie HAWKI oder die Academic Cloud kamen (zu) spät und konnten bei Bekanntheit, Bedienkomfort und Funktionsumfang mit ChatGPT nicht mithalten. Die Hochschulen trafen mit ihren Angeboten deshalb nicht mehr auf einen freien Raum, den sie gestalten konnten, sondern auf einen bereits etablierten Standard. Wer sich einmal an ChatGPT gewöhnt hat, wechselt nicht zu einem anderen System, nur weil es die Hochschule bereitstellt. Das gilt nicht nur für Studierende. Fragt man Lehrende, so hat die Bereitstellung von ChatGPT-Lizenzen höchste Priorität.^[75] Die empirischen Daten zeigen, dass „offizielle“ Tools wie HAWKI, die Dienste der Academic Cloud oder lokale Lösungen vielen nicht mal bekannt sind und in den Hochschulen und Forschungseinrichtungen kaum Verwendung finden.^[76] Zu behaupten, diese Dienste seien „als wichtiger Beitrag zur digitalen Autonomie von Hochschulen zu werten“, verkennt die Realität und verwechselt Vorhandensein mit Nutzung. Die Hochschulen erliegen damit – ein weiteres Mal – einer Bereitstellungsillusion. Sie sind gut darin, Angebote zu machen, aber schlecht darin, nachzuweisen, dass diese Angebote Verhalten oder Kompetenz ändern.

Gewiss: Die Hochschulen woll(t)en Alternativen anbieten, aber sie waren (und sind) zu langsam und zu regulatorisch. Und: Ihre Angebote sind – auch wenn ich die Arbeit der Entwickler sehr schätze – für viele nicht attraktiv genug, um die etablierten Nutzungsroutinen zu ändern. Zwischen Anspruch und Wirklichkeit, Theorie und Empirie, Papier und Praxis, klafft in den Hochschulen eine riesige Lücke.

Das zeigt sich auch beim Thema Datenschutz und KI. Entsprechende Sorgen werden in Befragungen häufig geäußert^[77], beim alltagspraktischen KI-Einsatz dominieren jedoch Nützlichkeit, Bequemlichkeit und Gewohnheit. Während die DSGVO-konformen Hochschulangebote wie HAWKI oder die Academic Cloud nur eine Minderheit erreichen, nutzen fast alle Studierenden und Lehrenden ChatGPT – und immer mehr zahlen sogar dafür^[78], obwohl ihnen die Hochschul-KIs kostenlos zur Verfügung stehen.

Man könnte sagen, es existiert eine Art Privacy Paradox auf Hochschulebene. Heißt: geäußerte Sorge und tatsächliches Verhalten fallen auseinander.^[79] Konkreter Komfort siegt über abstrakte Achtsamkeitslehren. Hochschulleitung, IT und Verwaltung mögen sagen: „Wir haben eigene, DSGVO-konforme Tools.“ Doch viele Dozenten und Studenten antworten faktisch: „Kennen wir nicht. Nutzen wir nicht. Genügen uns nicht.“

Zusammenfassend könnte man – gewiss hart ausgedrückt, aber im Wunsch, eine Diskussion anzuregen – festhalten: Beim Thema KI-Kompetenz lügen sich die Hochschulen und ihre Angehörigen teilweise selbst in die Taschen, mal bewusst, mal nicht, aber immer mit demselben Ergebnis: Von der grundlegenden, systematischen, fundierten und fachspezifischen Ausbildung einer neuen, KI-zentrierten Informationskompetenz kann aktuell keine Rede sein.

KI legt die Defizite des Bildungs- und Wissenschaftssystems schonungslos offen. Die Mängel in der Informationskompetenz gehören dazu. Der Einsatz von KI kann diese Mängel weiter verstärken oder helfen, sie zu überwinden. Voraussetzung dafür ist, dass die Hochschulen die Defizite offen benennen, die durch KI veränderten Bedingungen der Produktion, Rezeption, Verbreitung und Bewertung von Wissen in ihrer Breite und Tiefe verstehen und konkrete Schlussfolgerungen daraus ziehen. Dazu braucht es weniger Strategiepapiere und mehr Praxis, weniger Absicherung, mehr produktive Irritation. Und vor allem – Pioniergeist. Denn genau dazu sind Hochschulen da: zum Erforschen und Erproben von Wissen, für Trial and Error, als offene Räume für Experimente, wo Scheitern keinen Verlust, sondern einen Gewinn an Erkenntnis bedeutet.

^[1] Im Folgenden wird „Informationskompetenz“ als Oberbegriff verwendet. Recherchekompetenz bezeichnet den Teil davon, der das Finden, Auswählen, Prüfen und Einordnen wissenschaftlicher Informationen betrifft. KI-Bildung wiederum meint hier vor allem jene Kenntnisse und Fähigkeiten, die für einen kompetenten Umgang mit KI bei Recherche und Informationsverarbeitung notwendig sind. Die drei Begriffe überschneiden sich. – Ein Hinweis: Alle im Folgenden genannten Quellen wurden am 9. August 2026 letztmalig abgerufen.

^[2] Klatt et al. (2001), Nutzung elektronischer wissenschaftlicher Information, S. 20.

^[3] Hochschulrektorenkonferenz (2012), Hochschule im digitalen Zeitalter.

^[4]  Senkbeil, Ihme und Schöber (2019), Wie gut sind angehende und fortgeschrittene Studierende, S. 1375.

^[5] Es ist hier nicht der Ort und der Raum, um näher darauf einzugehen. Als Beispiel nur Albrecht et al. (2021), The Use of Digital Tools in Scholarly Activities. Der Aufsatz erwähnt weder Fachdatenbanken noch elektronische Zeitschriften. Stattdessen wird eine undefinierte Kategorie namens „Online-Archives“ eingeführt und als einziges Beispiel arxiv.org genannt. Ob dazu auch Fachdatenbanken und elektronische Zeitschriften zählen, bleibt unklar. Dennoch wird ein eindrucksvoll klingendes Ergebnis verkündet: „more than three quarters of the respondents use online archives like Arxiv.org and mailing lists“. (S. 55).

^[6] Mattmann und Regenass (2021), Eine neue Form der Recherche in Bibliotheken, S. 309.

^[7] Das Datenproblem schlägt auch auf diese Anmerkungen durch. Die meisten Datensätze waren klein und nur auf eine Universität, wenige Hochschulen oder ein Bundesland bezogen. Hier eine Auswahl: Heinze, Fink und Wolf (2009), Informationskompetenz und wissenschaftliches Arbeiten, S. 45; Gidion und Weyrich (Hrsg.) (2017), Mediale Hochschul-Perspektiven 2020 in Baden-Württemberg, S. 65-71.

Franke und Schüller-Zwierlein (2008), Das Informations- und Schulungsangebot der bayerischen Hochschulbibliotheken; Leichner et al. (2014), Google Scholar versus Fachdatenbanken, S. 43; Poets (2020), Nutzerzufriedenheit mit der Bibliothek der Hochschule Hannover, S. 27-29.

^[8]  Mattmann und Regenass (2021), Eine neue Form der Recherche in Bibliotheken, S. 309.

^[9] Grundlegend dazu Bosse, Wannemacher und Lübcke (2026), Die KI-Nutzung in Studium und Lehre.

^[10] Daten dazu bei Hahn (2024), Künstliche Intelligenz in der Hochschullehre, S. 30f; Bosse, Wannemacher und Lübcke (2026), Die KI-Nutzung in Studium und Lehre, S. 44.

^[11] Enes, Meckmann und Le-Vu (2025), KI in der Lehre, S. 19.

^[12] Fishkin (2026), Zero-Click Searches; Weitere Daten bei Beus (2026), AI Overviews in Deutschland.

^[13] Singh und Singh (2025), „Es ist nicht notwendig, aber nice to have“?, S. 78 und 80; von Garrel und Mayer (2025), Künstliche Intelligenz im Studium, S. 26f.; von Garrel, Mayer und Weber (2025), Künstliche Intelligenz im Studium.

^[14] Oldshue (2025), The Zero-Click Search Crisis.

^[15] Kunz (2025), ChatGPT Dokument-Leak; Shi, Zhu und Gu (2026), Answering Without Referring.

^[16] Pietzonka (2026), AI is the new author(ity)?.

^[17] Benert und Timmermann (2026), Meinungsbildung im Wandel.

^[18] Ich habe diese Logik am Beispiel von scienceOS beschrieben: Walther (2026), scienceOS: Wissen recherchieren, analysieren und visualisieren.

^[19] Mit Ausnahme von Perplexity, das ab und an genannt wird, tauchen spezielle KI-Recherche-Tools in den Umfragen nicht auf. Laut von Garrel und Mayer (2025), Künstliche Intelligenz im Studium, S. 27 haben 4,3% der Studierenden Perplexity bisher genutzt. Bei den Lehrenden sind es 5,4%. Siehe dazu Garrel, Mayer und Weber (2025), Künstliche Intelligenz im Studium, S. 26. Neumann (2025), Abschlussbericht Vorlaufstudie, S. 13 erklärt mit Blick auf Hochschullehrende in Sachsen: „Für ChatGPT und perplexity.ai besteht offensichtlich hoher Bedarf.“

^[20] Bosse, Wannemacher und Lübcke (2026), Die KI-Nutzung in Studium und Lehre, S. 49.

^[21] Kaiser et al. (2025), A New Era of Online Search?

^[22] Walther (2026), Wissenschaftlich recherchieren mit KI.

^[23] Geyer (2024), Herausforderung KI-Dokumentation; Radau, Maibaum und Weßels (2025), Multiperspektivische Betrachtung problematischer KI-Handreichungen.

^[24] von Garrel und Mayer (2025), Künstliche Intelligenz im Studium; von Garrel, Mayer und Weber (2025), Künstliche Intelligenz im Studium.

^[25] Bosse, Wannemacher und Lübcke (2026), Die KI-Nutzung in Studium und Lehre, S. 35; Schlude        et al. (2024), Verbreitung und Akzeptanz generativer KI an Schulen und Hochschulen; Enes, Meckmann und Le-Vu (2025), KI in der Lehre, S. 19; Horstmann, Hüsch und Breiter (2026), Künstliche Intelligenz im Studium.

^[26] Lahrsow (2025), KI-Tools für die wissenschaftliche Literaturrecherche, S. 230-232.

^[27] Walther (2026), Recherchieren mit Claude: Immer mehr Konnektoren, immer mehr Daten und Literatur.

^[28] Pietzonka (2026), AI is the new author(ity)?, kennt diese Möglichkeiten offenbar nicht und kommt mit Blick auf ChatGPT und Claude deshalb zu der nicht mehr haltbaren Annahme: „Für die Suche nach Literatur sind sie aktuell beide ungeeignet.“ (S. 232).

^[29] Zheng und Zhan (2026), Science Behind a Paywall.

^[30] Zumindest sind das meine Erfahrungen aus Dutzenden Workshops und den damit einhergehenden Befragungen Hunderter Studierender und Dozenten. Wie weit sich das verallgemeinern lässt, sollte dringend untersucht werden, denn an diesem Beispiel zeigt sich ein generelles Problem: Die vorhandenen Studien zur KI-Nutzung zeigen nur, welche KI-Systeme Studierende und Lehrende verwenden und für welche Aufgaben sie eingesetzt werden. Wir wissen aber fast nichts darüber, welche Tools sie nutzen und wie sie mit diesen Systemen arbeiten: welche Suchmodi sie aktivieren, ob sie wissenschaftliche Datenquellen einbinden, wie sie ihre Anfragen formulieren, welche Quellen sie öffnen, wie sie Antworten prüfen, wann sie eine Recherche abbrechen usw. Im Grunde haben wir das alte Datenproblem aus dem „Google-Zeitalter“ auch mit KI noch nicht gelöst. Im Gegenteil, die Differenz zwischen Anspruch und Wirklichkeit, Selbstauskunft und tatsächlichem Verhalten, geglaubtem Wissen und tatsächlichem Wissen dürfte noch größer sein als zuvor. Siehe dazu auch Chugunova et al. (2026), Who uses AI in research, and for what?, S. 2. „Given the breadth of disciplines, the wide range of AI applications – including many that are highly specialized – and a constant stream of newly released AI tools, we chose not to elicit specific tools used by researchers. As a result, our findings reflect aggregated experiences across a diverse set of AI tools, rather than tool-specific assessments. Future work may benefit from mapping specific tools or systems to better understand how infrastructure shapes user experience.“

^[31] Auth et al. (2025), One for all or the more the better?

^[32] So hat z.B. Consensus hat Partnerschaften mit Wiley, Taylor & Francis, Sage sowie verschiedenen wissenschaftlichen Fachgesellschaften. Consensus (2026), Consensus Research Database.

Perplexity ist ebenfalls mit Wiley und dazu noch EBSCO verbunden. EBSCO Information Services (2026), EBSCO Information Services und Perplexity gehen Partnerschaft ein.

^[33] Siehe dazu auch das Kapitel „KI-Recherchetools: Ein Ausblick in 10 Thesen“ bei Lahrsow (2025), KI-Tools für die wissenschaftliche Literaturrecherche.

^[34] Das zeigen nicht nur die vielen Untersuchungen an den Hochschulen, sondern auch an den Schulen. Siehe dazu Köster (2026), Von der Kreidetafel zur Künstlichen Intelligenz: „Alle der Befragten nennen fast ausnahmslos ChatGPT von OpenAI als zentrales Tool. […] Tools, die spezifisch für den schulischen Kontext entworfen wurden, scheinen demnach noch nicht in der Unterrichtsrealität vieler Lehrkräfte angekommen zu sein.“ (S. 102).

^[35] Biehl und Besa (2021), Zusammenhänge zwischen der Mediennutzung Studierender und ihrer Dozierenden, S. 83.

^[36] Topaz et al. (2026), Fabricated citations; Schlögl (2024), ChatGPT und halluzinierte Referenzen; Sakai, Kamigaito und Watanabe (2026), HalluCitation Matters.

^[37] Forschung & Lehre (2026), Zahl falscher KI-Referenzen in Forschungsarbeiten nimmt zu.

^[38] Dass ChatGPT für die Literaturrecherche genutzt wird, lässt sich sogar an den Quellenangaben ablesen, denn sie enthalten den automatisch von ChatGPT gesetzten Parameter utm_source=chatgpt.com. Eine Untersuchung fand im Februar 2026 allein bei Google Scholar knapp 17.000 wissenschaftliche Paper mit diesem Parameter: Bienz, Pearson und Garcia de Gonzalo (2026), The Case of the Mysterious Citations, Abschnitt „AI-Generated Citations“, S. 5. Sechs Monate später ergab eine Überprüfung durch mich am 9. August 2026 bereits 32.500 solcher Zitationen.

^[39] Chugunova et al. (2026), Who uses AI in research, and for what?

^[40] Für Deutschland liegen keine belastbare Daten dazu vor, wie gut Forschende halluzinierte Referenzen erkennen und wie konsequent sie KI-generierte Literaturangaben überprüfen. Internationale Befunde deuten jedoch auf erhebliche Defizite hin. Siehe u.a. Sajjad (2026), The Verification Gap.

^[41] Zhao et al. (2026), LLM hallucinations in the wild.

^[42] BibFox (2026), Reference List Review, https://bibfox.com/en; Engelmeier (2026), Literaturverzeichnisprüfung, https://github.com/benedikt-e/literaturverzeichnispruefung.

^[43] Generell dazu Laban, Schnabel und Neville (2026), LLMs Corrupt Your Documents When You Delegate; Peters und Chin-Yee (2025), Generalization bias in large language model summarization of scientific research.

^[44] Unter den vielen Beiträgen zum Thema sei stellvertretend verwiesen auf Lahrsow (2025), KI-Tools für die wissenschaftliche Literaturrecherche.

^[45] Mellins-Cohen (2026), Measuring Usage in the Age of AI.

^[46] Tappenbeck und Kortmann (2025), Forschungs- und Informationspraxis wissenschaftlicher Zielgruppen im Fokus, S. 7f.

^[47] Ernst (2025), Bibliotheken im Zeitalter von Künstlicher Intelligenz, S. 105-106.

^[48] Elia (2025), Die Rolle von Künstlicher Intelligenz in öffentlichen Bibliotheken, S. XXIV; Ernst (2025), Bibliotheken im Zeitalter von Künstlicher Intelligenz, S. 94-109.

^[49] Brandstätter (2025), Recommender-Systeme in Bibliothekssuchmaschinen.

^[50] Deutscher Bibliotheksverband e. V. (2025), Wissenschaftliche Bibliotheken 2030, S. 22.

^[51] Kommission Informationskompetenz von dbv und VDB (2026), IK-Statistik.

^[52] Hilscher, Seidl und Vonhof (2024), Angebote zur Förderung der KI Literacy an deutschen Universitätsbibliotheken.

^[53] Senst und Mah (2026), KI bei Studierenden, S. 229f.

^[54] Ein sehr gutes Beispiel bietet Lahrsow, S. 242.

^[55] TU Bergakademie Freiberg (2026), KI-Train-the-Trainer-Programm für Bibliotheken.

^[56] Neumann (2026), Abschlussbericht Vorlaufstudie. „Sowohl in absoluten Zahlen als auch relativ betrachtet wird die Bereitstellung von Volllizenzen für KI-Dienste als dringendster Bedarf identifiziert. Konkret fordern die meisten Befragten den Zugang zu Volllizenzen für Dienste wie ChatGPT (Ope-

nAI) und perplexity.ai.“ (S. 2)

^[57] Bosse, Wannemacher und Lübcke (2026), Die KI-Nutzung in Studium und Lehre, S. 53; Hüsch, Horstmann und Breiter (2025), Künstliche Intelligenz im Studium.

^[58] Lohse, Winterlich und Teumer (2026), KI-Kompetenzen von Studierenden zu Beginn eines dualen Studiums der Sozialen Arbeit, S. 182.

^[59] Zur Übersicht Bosse, Wannemacher und Lübcke (2026), S. 52f; Aktuelle fachspezifische Daten u.a. bei Lohse, Winterlich und Teumer (2026), KI-Kompetenzen von Studierenden zu Beginn eines dualen Studiums der Sozialen Arbeit. Bezüglich KI-Bildung konstatieren sie mit Blick auf die Modulhandbücher Dualer Hochschulen eine „fehlende curriculare Verankerung“. (S. 186).

^[60] Horstmann, Hüsch und Breiter (2026), Künstliche Intelligenz im Studium.

^[61] Senst und Mah (2026), KI bei Studierenden, S. 229.

^[62] Bosse, Wannemacher und Lübcke (2026), Die KI-Nutzung in Studium und Lehre, S. 74f.

^[63] Wannemacher, Seyfeli-Özhizalan und Stein (2026), Perspektiven einer KI-unterstützten offenen Bildungspraxis, S. 27.

^[64] Budde und Tobor (2025), KI Monitor 2025, S. 4; Preiß et al. (2025), ChatGPT and Me 3.0, S. 46f.

^[65] Tobor (2026), Die KI-Nutzung in Studium und Lehre.

^[66] Bosse, Wannemacher und Lübcke (2026), Die KI-Nutzung in Studium und Lehre, S. 7.

^[67] Bittl, Gilch und Wannemacher (2025), Hochschulen zunehmend digitalisiert – Forschung im Hintertreffen.

^[68] Bosse, Wannemacher und Lübcke (2026), Die KI-Nutzung in Studium und Lehre, S. 71.

^[69] Chugunova et al. (2026), Who uses AI in research, and for what?, S. 4.

^[70] Die Forschung zu AI Literacy konzentriert sich bislang auf Definitionen, Kompetenzmodelle und Frameworks. Empirische Studien zur konkreten didaktischen Umsetzung und ihrer Wirksamkeit sind deutlich weniger ausgeprägt. Siehe dazu Reis und Schütz (2026), Mapping the Field.

^[71] Bartoš et al. (2026), Effect of Artificial Intelligence on Learning. Bartoš et al. haben in einer Meta-Meta-Analyse bei 67 Meta-Analysen erhebliche Publikationsbias und andere Mängel nachgewiesen und gezeigt, dass beim Thema KI valide generalisierende Aussagen über Lernwirkungen bislang kaum möglich.

^[72] Wissenschaftsrat (2026), Intellektuelle Souveränität, S. 10.

^[73] Für Lehrende existieren kaum valide Daten, die Selbsteinschätzung und getestete KI-Kompetenzen vergleichen. Siehe auch Münzer, Go und Paaßen (2026), Gefährdet generative KI die digitale Autonomie im Studium? „Es liegen tatsächlich keine Kompetenzmessungen vor, sondern lediglich subjektive Selbsteinschätzungen, die zudem untereinander nicht vergleichbar sind. Nur vereinzelt kommen objektive Wissenstests zum Einsatz“. (S. 7).

^[74] Bosse, Wannemacher und Lübcke (2026), Die KI-Nutzung in Studium und Lehre, S. 49.

^[75] Neumann (2026), Abschlussbericht Vorlaufstudie, S. 2 und 13.

^[76] Preiß et al. (2025), ChatGPT and Me 3.0, S. 30; Rau und Baresel (2024), Künstliche Intelligenz an der Universität Vechta, S. 12; Siehe auch die quasi in Echtzeit erhobenen HAWKI-Nutzungszahlen der Universität Hamburg (2026), UHHGPT Statistik, https://uhhgpt.uni-hamburg.de/uhh-gpt-stat.html.

Die großangelegte Übersichtsstudie von Bosse, Wannemacher und Lübcke (2026) erwähnt HAWKI und die Academic Cloud nicht einmal. ChatGPT kommt dagegen 58 Mal vor. Die geringe Nutzung von HAWKI und den Diensten der Academic Cloud zeigt sich auch in den Fragebogenerhebungen, die ich seit 2024 im Rahmen Dutzender Workshops an Hochschulen und Forschungseinrichtungen durchgeführt habe.

^[77] Horstmann, Hüsch und Breiter (2026), Künstliche Intelligenz im Studium.

^[78] Zu den Studierenden: von Garrel und Mayer (2025), Künstliche Intelligenz im Studium; Zu den Lehrenden: von Garrel, Mayer und Weber (2025), Künstliche Intelligenz im Studium.

^[79] Hoffmann, Grünebaum und Schmidt (2024), Rollenveränderungen bei der studentischen Textproduktion mit KI, S. 251: „das Bewusstsein für inhaltliche Schwächen der KI [ist] ausgeprägter als das für Datenschutz, Urheberrecht und ethische Aspekte“.

Danny Walther ist Geistes- und Informationswissenschaftler und arbeitet als freier Dozent. Er veranstaltet Workshops und Webinare zum Einsatz von Künstlicher Intelligenz in Wissenschaft und Studium und entwickelt mit Hochschulen Kurse zur KI-Bildung. Seine Schwerpunkte sind die Daten- und Literaturrecherche und die Frage, wie Studieren, Lehren und Prüfen im KI-Zeitalter gelingen kann. Das Ziel seiner Arbeit ist ein reflektierter, praxisnaher und wissenschaftlich fundierter Umgang mit KI.