Künstliche Intelligenz (KI) verändert rasch Branchen, und auch Hochschule und Forschung sind davon betroffen. Innerhalb von Universitäten und der breiteren Forschungsgemeinschaft entwickeln sich jedoch noch klare Standards dafür, wie KI in akademische Arbeit integriert werden soll. Studierende nutzen zunehmend KI‑Tools für Literaturrecherchen, das Verfassen von Arbeiten und andere forschungsbezogene Aufgaben. Während die Technologie auf vielfältige Weise neue Lernchancen bietet, wirft das Fehlen universeller und eindeutiger Leitlinien für ihre Anwendung Fragen zur akademischen Integrität und zu Bildungsstandards an Hochschulen auf.
In Anerkennung der Relevanz dieses Themas begaben sich Studierende des Masterstudiengangs Strategy and International Management (SIM) der Universität St. Gallen auf eine Forschungsinitiative, um Best Practices im Einsatz von KI in der Managementausbildung zu evaluieren. Der Weg begann mit drei Forschungsplakaten, die bestehende Leitlinien analysierten, gefolgt von einer Präsentation, die um eine zentrale Forschungsfrage aufgebaut war und aus den Erkenntnissen der Plakate hervorging. Als letzter Schritt wird ein wissenschaftlicher Artikel die gewonnenen Einsichten aus den verschiedenen Phasen zusammenführen. Um die Ergebnisse einem breiteren akademischen Publikum zugänglich zu machen, teilt ein dafür vorgesehenes Kommunikationsteam die Erkenntnisse über mehrere Kanäle. Dieser Blogbeitrag beschreibt den aktuellen Stand des Projekts und die wichtigsten Einsichten und Implikationen.
Hintergrund
Die Forschungsplakate heben sowohl die potenziellen Vorteile als auch die kritischen Herausforderungen bei der Integration von KI in die Managementausbildung hervor. Einerseits können KI‑Tools die Produktivität der Studierenden, personalisiertes Lernen sowie die Entwicklung kognitiver Fähigkeiten verbessern (Çela et al., 2024; Wang et al., 2024). Andererseits bestehen Befürchtungen, dass eine Überabhängigkeit von KI zu Abhängigkeit, geringerer Kreativität und geschwächten Problemlösefähigkeiten führen kann (Zhang et al., 2024; Ahmad et al., 2023).
Um Nutzen und Risiken auszugleichen, betonen die studentischen Forschenden die Notwendigkeit eines strategischen und ausgewogenen Vorgehens. KI sollte die Rolle von Lehrpersonen ergänzen – nicht ersetzen. Eine schrittweise Einführung mit klarer Begleitung und genügend Flexibilität erweist sich als wesentlich, um die Vorteile von KI zu nutzen und gleichzeitig Risiken zu mindern. Als Leitprinzip empfahl eine Gruppe die Anwendung des SMART‑Rahmens für eine verantwortungsvolle KI‑Integration in der Managementausbildung. Der Rahmen ermutigt Lehrende dazu:
· Klein anzufangen und umsichtig zu skalieren (Vashita et al., 2023)
· Menschzentriertes Lernen beizubehalten (Nanyang Technological University, 2024)
· KI‑Outputs zu bewerten (ESMT Berlin, 2024)
· Kursinhalte zu verfeinern (IMD Business School, 2024)
· KI‑Kompetenz zu schulen und aufzubauen (MIT Sloan School of Management, 2024)
Da KI‑Kompetenz zunehmend eine bildungspolitische Priorität wird, entwickeln Universitäten Kurse und Trainings, um Studierende und Forschende im Umgang mit KI‑Tools besser zu unterstützen (McDonald et al., 2025). Der Grad der Umsetzung von KI unterscheidet sich jedoch stark zwischen Schweizer Universitäten. Während einige Institutionen starke und zentralisierte Richtlinien etabliert haben, befinden sich andere noch in der Entwicklungsphase. Um diese Unterschiede weiter zu untersuchen und zu verstehen, wie Richtlinienstrukturen die verantwortungsvolle KI‑Adoption durch Lehrende unterstützen oder behindern, entwickelte die Präsentationsgruppe eine zentrale Forschungsfrage: «Wie beeinflusst der Grad der Zentralisierung von Richtlinien die KI‑Befähigung von Lehrenden an Universitäten?».
Aktueller Stand & Analyse
Um diese zentrale Forschungsfrage zu untersuchen, haben die Studierenden ein konzeptuelles Modell namens AI‑Enablement‑Matrix entwickelt. Das Instrument soll die Übereinstimmung zwischen den KI‑Richtlinien von Institutionen und den Fähigkeiten der Lehrenden bewerten, um die Lücke zwischen der Gestaltung von Richtlinien auf hoher Ebene und dem Verhalten der Lehrpersonen an vorderster Front zu überbrücken.
Die Matrix ordnet Bildungseinrichtungen entlang zweier Dimensionen. Die x‑Achse analysiert den Zentralisierungsgrad der KI‑Richtlinie. An einem Ende steht vollständige Zentralisierung, was eine einheitliche, universitätsweite Richtlinie zur Nutzung von KI‑Tools bedeutet. Am anderen Ende erlaubt ein dezentraler Ansatz einzelnen Fakultätsmitgliedern die Freiheit, ihre eigene KI‑Nutzung, Leitlinien und Lehrpraktiken festzulegen. Die y‑Achse bildet die KI‑Fähigkeiten der Lehrenden ab. Hohe Fähigkeiten deuten auf ein gutes Verständnis hin, wie KI‑Tools verantwortungsvoll genutzt und effektiv in die Lehre integriert werden. Geringe Fähigkeiten weisen auf mangelndes Bewusstsein oder fehlende Fertigkeiten hin, was zur Fehl‑ oder Unternutzung von KI‑Tools führen kann. Durch die Kombination der beiden Dimensionen entstehen vier unterschiedliche Quadranten von Implementierungsstrategien.
Top‑down‑Enablement beschreibt zentralisierte Richtlinien mit hoch befähigten Lehrenden. Diese Strategie erlaubt es fachlich versierten Personen, einheitliche Best Practices zu entwickeln, um die Effizienz der Organisation zu steigern. Gleichzeitig kann die stärkere Zentralisierung das organisatorische Lernen behindern und bei der Fakultät Frustration aufgrund beschränkter Flexibilität hervorrufen.
Policy‑driven Innovation kombiniert stark zentralisierte Richtlinien mit Lehrenden, die geringe KI‑Fähigkeiten aufweisen. Während dieser Ansatz das Risiko von Fehlgebrauch und Nicht‑Compliance begrenzt, sind in diesem Quadranten höhere Informationskosten innerhalb der Institution zu erwarten.
Empowered Innovation beschreibt dezentrale Richtlinien mit hoch befähigten Lehrpersonen. Dieses Setup reduziert administrative Ressourcen und fördert Autonomie, erhöht jedoch das Risiko potenziell rechtswidrigen oder unethischen Handelns im Zusammenhang mit KI.
Unstructured Uncertainty umfasst dezentrale Richtlinien mit Lehrenden, die geringe Fähigkeiten besitzen. Obwohl diese Strategie organisatorisches Lernen bei begrenzten administrativen Ressourcen fördert, ist das Risiko rechtswidrigen oder unethischen Verhaltens gegenüber dem Quadranten Empowered Innovation erhöht.
Ausgehend von den beobachteten Vor‑ und Nachteilen in den Quadranten formulierte die Forschungsgruppe zwei Hypothesen zu künftigen Richtungsentscheidungen für KI‑Governance an Bildungseinrichtungen.
Hypothesen
1. Dezentrale Richtlinien können nur dann effektiv sein, wenn Lehrende über hohe individuelle KI‑Fähigkeiten verfügen.
Diese Hypothese impliziert die Notwendigkeit regelmässiger Schulungen für Lehrende sowie Mechanismen zur allgemeinen Aufsicht, um Best Practices zu identifizieren und Rechenschaft sicherzustellen. Darüber hinaus müssten in verschiedenen Departementen KI‑Expertinnen und ‑Experten identifiziert werden, die als Sparring‑Partner für Lehrpersonen mit geringeren KI‑Fähigkeiten dienen können.
2. Wenn die KI‑Fähigkeiten der Lehrenden gering sind, wird Zentralisierung unerlässlich, um Missbrauch zu vermeiden und ethische Compliance sicherzustellen.
Diese Strategie würde die Durchsetzung einer zentralen Richtlinie mit klaren Do’s und Don’ts in Bezug auf Ethik, akademische Integrität und rechtliche Compliance bedeuten. Darüber hinaus sollten Lehrende ermutigt werden, Beiträge und Verbesserungsvorschläge zur zentralen Richtlinie einzubringen, und Trainings sollten im Rahmen der zentralen Richtlinie angeboten werden.
In der nächsten Projektphase wird eine andere Gruppe von Studierenden die beiden Hypothesen evaluieren und testen, um sowohl deren aktuelle Anwendung in der Praxis als auch deren Implikationen für die Politikgestaltung an Bildungseinrichtungen zu analysieren.