Professoren haben die KI-Grenze leise überschritten. Bis Frühjahr 2025 nutzten etwa
30% der Hochschullehrenden generative KI täglich oder wöchentlich – gegenüber 4%
zwei Jahre zuvor, so die Time for Class-Umfrage von Tyton Partners. Und als
Anthropic rund 74,000 KI-Konversationen aus Hochschul-Accounts analysierte, wirkte
die Arbeit vertraut: Curriculumentwicklung dominierte mit 57% der Konversationen,
gefolgt von akademischer Forschung (13%) und der Bewertung studentischer Arbeiten
(7%).
Die Unterstützungsstrukturen haben nicht mitgehalten. Nur 28% der Institutionen
hatten im Frühjahr 2025 eine formelle KI-Richtlinie, und in der globalen Umfrage
des Digital Education Council unter 1,681 Lehrenden gaben 80% an, ihre Institution
habe nicht klar gemacht, wie KI in der Lehre eingesetzt werden soll. Gleichzeitig
sagen 38% der Lehrenden, KI habe ihre Arbeitsbelastung tatsächlich erhöht – meist
durch die Kontrolle studentischen Betrugs und die Neugestaltung von
Prüfungsformaten.
Die folgenden Prompts halten sich an das, was die Evidenz als wirksam ausweist: KI
als Mitarbeiter bei Kursmaterialien, Prüfungen, Förderantrags-Entwürfen und
administrativem Schreiben – mit den Leitplanken, die in der Wissenschaft zählen.
Halten Sie Studierendendaten aus Consumer-Tools heraus (FERPA), fügen Sie niemals
Manuskripte oder Anträge ein, die Sie begutachten (NIH und NSF untersagen dies),
und behalten Sie die Entscheidungen, die Urteilsvermögen erfordern – Noten,
Empfehlungen, wissenschaftliche Aussagen – in menschlicher Hand.
Etwa 30% der Hochschullehrenden nutzten im Frühjahr 2025 generative KI täglich oder wöchentlich – gegenüber nur 4% im Frühjahr 2023.Quelle ↗
Curriculumentwicklung machte in Anthropics Analyse von rund 74,000 Hochschul-Chats 57% der KI-Konversationen von Professoren aus – vor akademischer Forschung (13%) und der Bewertung studentischer Arbeiten (7%).Quelle ↗
86% der Lehrenden gehen davon aus, KI künftig in der Lehre einzusetzen, doch 80% sagen, ihre Institution habe nicht klar gemacht, wie KI in der Lehre angewendet werden soll.Quelle ↗
38% der Lehrenden berichten, dass KI ihre Arbeitsbelastung erhöht hat – vor allem durch die Kontrolle von Betrug (71%) und die Neugestaltung von Prüfungsformaten (61%) –, und nur 28% der Institutionen verfügen über eine formelle KI-Richtlinie.Quelle ↗
Curriculumentwicklung ist die mit Abstand häufigste Art, wie Professoren KI
nutzen – 57% der KI-Konversationen von Lehrenden in Anthropics Stichprobe. Der
eigentliche Schmerzpunkt ist nicht das Fachwissen; es ist die Umwandlung eines
Themas, das Sie im Schlaf beherrschen, in eine getaktete Sitzung mit
Aktivitäten, Diskussionsstruktur und Verständniskontrollen – am Abend vor dem
Unterricht und zusätzlich zu Forschungs- und Gremienverpflichtungen.
Prompt
Sie sind ein erfahrener Instructional Designer für die Hochschullehre mit
Spezialisierung auf aktives Lernen. Entwerfen Sie eine vollständige
{{session_length}}-minütige Unterrichtseinheit für meinen Kurs {{course}} zum
Thema {{topic}}.
Kontext zu den Studierenden: {{student_context}}
Ausgabeformat:
1. Ein messbares Lernziel ("Am Ende dieser Sitzung können die Studierenden...")
2. Ein 5-minütiger Einstieg, der Vorwissen oder eine verbreitete
Fehlvorstellung sichtbar macht
3. Zwei kurze Vortragsabschnitte (je 10-12 Minuten): zentrale Punkte plus ein
durchgerechnetes Beispiel oder eine Kurzfallstudie für jeden
4. Ein Aktivlern-Block (15-20 Minuten): Think-Pair-Share, Kleingruppenaufgabe
oder strukturierte Debatte – mit exakten Anweisungen, die ich laut vorlesen
kann, sowie Hinweisen, worauf ich beim Herumgehen achten soll
5. Eine abschließende Verständniskontrolle: ein One-Minute-Paper-Prompt oder
zwei Umfragefragen mit Antworten
6. Eine Zeittabelle und ein "Plan B"-Kürzungsvorschlag, falls die Diskussion
sich in die Länge zieht
Einschränkungen: Bauen Sie nur auf den von mir genannten Konzepten und Texten
auf – weisen Sie keine Lektüren oder Quellen zu, zitieren oder paraphrasieren
Sie sie nicht, wenn ich sie nicht erwähnt habe, und erfinden Sie keine Fakten
oder Statistiken für die Vortragsabschnitte. Halten Sie jede Zeitangabe
realistisch. Falls das Thema in dieser Sitzungslänge nicht gut abgedeckt
werden kann, sagen Sie das und schlagen Sie vor, was in eine andere Sitzung
verschoben werden sollte.
Tragen Sie Ihre Angaben ein — der Prompt aktualisiert sich live. Dann kopieren.
Unter den Lehrenden, die sagen, KI habe ihre Arbeitsbelastung erhöht, nennen
61% die Neugestaltung von Prüfungen, um KI-Nutzung durch Studierende
entgegenzuwirken – was in der Praxis bedeutet, jedes Semester neue
Fragenpools und mehrere Versionen zu erstellen. Wenn man das Modell zwingt,
ausschließlich mit den eigenen Materialien zu arbeiten, mit Distraktoren, die
auf echten Fehlvorstellungen basieren, wird aus dieser Plackerei eine
Redigieraufgabe.
Prompt
Sie sind Dozent/-in für {{discipline}} an einer Universität und erstellen
eine faire, anspruchsvolle Klausur. Verwenden Sie ausschließlich das unten
stehende Kursmaterial – fügen Sie keine externen Fakten, Formeln oder
Beispiele hinzu – und erstellen Sie Klausurfragen.
Kursmaterial: {{source_material}}
Fragenvorgabe: {{question_mix}}
Anforderungen:
- Kennzeichnen Sie jede Frage mit dem geprüften Konzept und ihrer kognitiven
Stufe (Erinnern, Anwenden oder Analysieren).
- Multiple Choice: vier Optionen mit einer eindeutig richtigen Antwort. Bauen
Sie jeden Distraktor um eine konkrete Fehlvorstellung auf, die Studierende
tatsächlich haben, und vermerken Sie diese Fehlvorstellung in Klammern
hinter dem Distraktor.
- Kurzantwort: in 2-4 Sätzen beantwortbar, mit einer Musterantwort und einem
punktweisen Bewertungshinweis.
- Ordnen Sie die Fragen vom Erinnern zur Anwendung. Keine Fangfragen, kein
"alle der oben genannten", keine negativ formulierten Fragestellungen.
- Erstellen Sie anschließend eine zweite Version der gesamten Klausur –
umformulierte Fragestellungen, gemischte Optionen, gleiche Konzepte und
Schwierigkeit – für Nachprüfungen oder eine zweite Gruppe.
- Schließen Sie mit einem separaten Lösungsschlüssel für beide Versionen ab.
Falls das von mir bereitgestellte Material die Anzahl oder das Niveau der
gewünschten Fragen nicht hergibt, teilen Sie mir genau mit, was fehlt, statt
mit externem Wissen aufzufüllen.
Tragen Sie Ihre Angaben ein — der Prompt aktualisiert sich live. Dann kopieren.
Lehrende bewerten die Notengebung als die Aufgabe, bei der KI am schlechtesten
abschneidet, doch fast die Hälfte der notengebungsbezogenen KI-Konversationen
überträgt die Beurteilung trotzdem an das Modell – genau das Muster, das
Forscher als bedenklich bezeichnet haben. Die vertretbare Variante: KI
einsetzen, bevor die Bewertung beginnt, um das Bewertungsraster, die
Kommentarsammlung und ein Kalibrierungspaket zu erstellen, mit dem Sie und
Ihre Tutoren konsistent bewerten.
Prompt
Sie sind Assessment-Designer/-in für Universitätskurse. Erstellen Sie ein
Bewertungspaket für diese Aufgabe.
Aufgabe: {{assignment_description}}
Kurs und Niveau: {{course_level}}
Zu bewertende Kompetenzen: {{focus_skills}}
Geben Sie drei Teile aus:
1. Ein vierstufiges analytisches Bewertungsraster (Exzellent / Kompetent /
Entwicklungsbedürftig / Anfänger) mit einer Zeile pro Kompetenz. Die
Deskriptoren müssen beobachtbare Merkmale der Arbeit in maximal 25 Wörtern
pro Zelle beschreiben, ohne Überschneidungen in der Formulierung zwischen
benachbarten Stufen und ohne vage Qualifizierer wie "angemessen".
2. Eine Feedback-Kommentarsammlung: für jede Kompetenz zwei Satzanfänge für
Arbeiten, die den Standard erfüllen, und zwei für Arbeiten darunter. Jeder
Kommentar für unterdurchschnittliche Arbeiten muss eine konkrete Handlung
nennen, die der/die Studierende bei der Überarbeitung vornehmen kann.
3. Ein Kalibrierungspaket für meine Tutoren: Schreiben Sie drei kurze
synthetische Antwortauszüge – von Ihnen erfunden, keine echten
Studierendenarbeiten – auf klar unterschiedlichen Qualitätsstufen, jeweils
mit einer vorgeschlagenen Bewertung nach dem Raster und einer einzeiligen
Begründung, damit wir unsere Bewertung vor Beginn abgleichen können.
Einschränkungen: Bewerten Sie nur die von mir genannten Kompetenzen – fügen
Sie keine weiteren Kriterien hinzu. Halten Sie die gesamte Sprache des
Rasters für Studierende verständlich, da das Raster zusammen mit der Aufgabe
veröffentlicht wird. Bitten Sie mich nicht um echte Studierendenarbeiten.
Tragen Sie Ihre Angaben ein — der Prompt aktualisiert sich live. Dann kopieren.
Das Verfassen von Förderanträgen gehört zu den kollaborativsten
KI-Anwendungen von Lehrenden – in Anthropics Daten 70% Unterstützung statt
Automatisierung –, und eine Wiley-Umfrage unter fast 5,000 Forschenden ergab,
dass die meisten erwarten, dass KI beim Verfassen von Förderanträgen breite
Akzeptanz finden wird. Sie dürfen KI nicht zur Begutachtung fremder Anträge
nutzen, aber Sie können sie zum schärfsten Leser machen, dem Ihr eigener
Entwurf vor der Einreichung begegnet.
Prompt
Sie sind ein/-e skeptische/-r, erfahrene/-r Gutachter/-in für {{funder}} –
die Sorte, die an einem Wochenende fünfzehn Anträge liest und Klarheit mehr
belohnt als Ambition. Prüfen Sie den unten stehenden Entwurfsabschnitt
anhand der veröffentlichten Kriterien des Fördergebers.
Entwurfsabschnitt: {{draft_text}}
Bewertungskriterien, eingefügt aus den offiziellen Richtlinien des
Fördergebers: {{review_criteria}}
Meine größte Sorge bei diesem Antrag: {{main_concern}}
Ausgabe:
1. Eine gutachterartige Zusammenfassung: drei echte Stärken, dann Schwächen,
geordnet danach, wie stark jede die Bewertung beeinträchtigen würde
2. Markierungen auf Satzebene: zitieren Sie jeden Satz, in dem eine
Behauptung über die vorgelegten Belege hinausgeht, in dem Ziele
voneinander abhängig erscheinen, oder in dem Fachjargon ein
Gutachtergremium-Mitglied außerhalb meines Fachgebiets ausbremsen würde
3. Die fünf Fragen, die ein Gutachter am ehesten in der Gremiumsdiskussion
aufwerfen würde
4. Vorschläge zur Umformulierung nur für die drei schwächsten Passagen,
unter Beibehaltung meiner Stimme und der fachlichen Inhalte
Einschränkungen: Erfinden Sie keine Zitate, vorläufigen Daten, Methoden oder
Ergebnisse – wo Belege fehlen, markieren Sie die Lücke, statt sie zu füllen.
Urteilen Sie nur anhand der von mir eingefügten Kriterien, nicht anhand von
Kriterien, die Sie aus dem Gedächtnis kennen. Mildern Sie Kritik nicht ab,
um ermutigend zu wirken; ich brauche die Einwände des Gremiums jetzt, nicht
erst in der zusammenfassenden Stellungnahme.
Tragen Sie Ihre Angaben ein — der Prompt aktualisiert sich live. Dann kopieren.
Jeden Herbst häufen sich Empfehlungsschreiben, jedes davon braucht eine
Stunde, die Sie nicht haben – und Anthropics Daten zeigen, dass das
Verfassen dieser Schreiben zu den Verwaltungsaufgaben gehört, die
Professoren am häufigsten an KI abgeben. Sorglos gemacht bedeutet das
Vorlagenschreiben und Studierendendaten in einem Consumer-Tool. Richtig
gemacht bedeutet es Ihre Notizen, Ihr Urteilsvermögen und einen Entwurf, der
die Formulierungszeit spart.
Prompt
Sie helfen einem/einer Professor/-in beim Verfassen eines
Empfehlungsschreibens. Datenschutzregeln für diesen Chat: Ich werde die
Person nur als "die/der Studierende" bezeichnen – fragen Sie niemals nach
einem Namen – und Sie schreiben den Brief mit [Name]-Platzhaltern, die ich
später in meiner Textverarbeitung ausfülle.
Meine Notizen zur/zum Studierenden: {{student_notes}}
Sie/Er bewirbt sich für: {{target_program}}
Wie ich sie/ihn kenne: {{relationship_context}}
Empfehlungsstärke, ehrlich angegeben: {{endorsement_level}}
Struktur:
1. Einleitung: wer ich bin, wie lange und in welcher Funktion ich [Name]
kenne, sowie ein Ein-Satz-Urteil, das der von mir angegebenen Stärke
entspricht
2. Zwei Hauptabsätze, jeweils aufgebaut um ein konkretes Beispiel aus
meinen Notizen – Belege, keine Adjektive
3. Ein Schluss, der die Leistungen von [Name] mit diesem konkreten Programm
verknüpft und Kontakt für Rückfragen anbietet
Einschränkungen: Verwenden Sie nur Fakten aus meinen Notizen – erfinden Sie
keine Projekte, Noten, Ranglistenplätze oder Persönlichkeitsmerkmale. Keine
Floskeln ("Es ist mir eine besondere Freude..."). Verstärken Sie nicht die
von mir angegebene Empfehlungsstärke; ein glaubwürdiges Schreiben nützt
dem/der Studierenden mehr als ein übertriebenes. Falls meine Notizen zu
dünn sind, um ein überzeugendes Schreiben zu tragen, antworten Sie mit
"MEHR NÖTIG" und stellen Sie mir drei konkrete Fragen, statt aufzufüllen.
Tragen Sie Ihre Angaben ein — der Prompt aktualisiert sich live. Dann kopieren.
In Anthropics Bericht nutzten Professoren KI, um maßgeschneiderte Lehrmittel
zu bauen, die früher unverhältnismäßig zeitaufwendig gewesen wären –
Übungstools für stöchiometrische Berechnungen in Chemie, physikalische
Modelle und Wiederholungsspiele –, oft als Ein-Datei-Webanwendungen. Wenn ein
Konzept jedes Jahr einen Teil Ihrer Klasse scheitern lässt, ist ein
interaktives Modell zum Ausprobieren heute Abendarbeit statt eines
Sommerprojekts.
Prompt
Sie sind Entwickler/-in und Pädagoge/-in und bauen kleine, in sich
geschlossene Lehrmittel für Universitätskurse. Erstellen Sie eine
interaktive Simulation als einzelne HTML-Datei mit eingebettetem CSS und
JavaScript – ohne externe Bibliotheken, Schriftarten oder Netzwerkaufrufe –,
die ich in mein LMS hochladen oder im Unterricht projizieren kann.
Kurs und Niveau: {{course_level}}
Zu vermittelndes Konzept: {{concept}}
Was Studierende damit tun sollen: {{learner_task}}
Quellinhalt, auf dem aufgebaut werden soll (verwenden Sie ausschließlich
diesen): {{content_source}}
Anforderungen:
1. Bedienelemente (Schieberegler, Eingabefelder oder Schaltflächen) für die
zwei oder drei wichtigsten Parameter, mit sofortiger visueller
Rückmeldung
2. Eine live aktualisierte numerische Anzeige, die die quantitative
Beziehung zeigt, nicht nur eine Animation
3. Ein "Challenge-Modus" mit fünf Fragen, die ausschließlich aus meinem
Quellinhalt stammen, mit Hinweisen – nicht Antworten – bei falschen
Versuchen
4. Anweisungen auf dem Bildschirm, denen ein/-e Erstnutzer/-in ohne meine
Hilfe folgen kann
5. Bei Projektorgröße im Hörsaal lesbar und auf einem Laptop-Trackpad
bedienbar
Einschränkungen: Bleiben Sie beim von mir bereitgestellten Quellinhalt
genau – importieren Sie keine Formeln, Konstanten oder Behauptungen aus
anderen Quellen. Falls Sie das Modell vereinfachen müssen, um es
interaktiv zu machen, listen Sie jede Vereinfachung in einem
HTML-Kommentar am Anfang der Datei auf, damit ich sie vor dem Unterricht
prüfen kann.
Tragen Sie Ihre Angaben ein — der Prompt aktualisiert sich live. Dann kopieren.
Was Professoren häufig fragen
Darf ich KI zur Bewertung von Studierendenarbeiten nutzen?
Die Richtlinien der Institutionen sind unterschiedlich und meist noch nicht schriftlich festgelegt – nur 28% der Institutionen hatten im Frühjahr 2025 eine formelle KI-Richtlinie. Die stärkere Vorsicht ist praktischer Natur, da Lehrende selbst die Notengebung als die Aufgabe bewerten, bei der KI am schlechtesten abschneidet. Nutzen Sie KI für die Formulierung des Bewertungsrasters und für Kommentarentwürfe, treffen Sie aber jede Bewertungsentscheidung selbst, und fügen Sie niemals identifizierbare Studierendenarbeiten in ein Consumer-Tool ein.
Verstößt das Einfügen von Studierendenarbeiten in ChatGPT gegen FERPA?
Das kann der Fall sein. Studierendenarbeiten mit Namen oder identifizierenden Details gelten als Bildungsunterlagen (education records), und Consumer-KI-Tools haben keine Datenvereinbarung mit Ihrer Institution. Entfernen Sie Namen, IDs und Kopfzeilen, bevor Sie etwas einfügen, oder nutzen Sie ein von der Institution lizenziertes Tool, das durch eine Datenschutzvereinbarung abgedeckt ist. Im Zweifel beschreiben Sie die Arbeit, statt sie einzufügen.
Darf ich KI zur Begutachtung von Manuskripten oder Förderanträgen nutzen?
Für die Begutachtung im Auftrag von Bundesbehörden nein – die NIH untersagt generative KI in ihrem Begutachtungsprozess, und die NSF behandelt das Hochladen von Antragsinhalten in nicht genehmigte Tools als Verstoß gegen die Vertraulichkeit. Die Richtlinien von Fachzeitschriften sind unterschiedlich, aber die meisten großen Verlage schränken dies aus demselben Grund ein. Vertrauliche Materialien, die Sie begutachten, sollten niemals in ein Tool gelangen, das Sie nicht kontrollieren.
Muss ich Studierenden mitteilen, wenn ich KI zur Vorbereitung von Kursmaterialien nutze?
Zunehmend ja – zumindest als Norm. In einem 2025 viel beachteten Fall forderte eine Studentin der Northeastern University eine Rückerstattung der Studiengebühren, nachdem sie KI-generierte Vorlesungsnotizen eines Professors entdeckt hatte. Wenn Ihr Syllabus KI-Regeln für Studierende festlegt, ist eine kurze Aussage zu Ihrer eigenen Nutzung eine günstige Absicherung und macht die Transparenz vor, die Sie von ihnen verlangen.