Applied AI Transformation Management

Der Master Applied AI Transformation Management qualifiziert Sie für Führungsaufgaben in KI-getriebenen Transformationsprozessen. In drei Semestern lernen Sie, KI-Anwendungsfälle zu erkennen, wirtschaftlich zu bewerten und erfolgreich in Unternehmen umzusetzen: Von verantwortungsvoller KI-Governance bis zum produktiven Einsatz von KI-Systemen. Das vollständig englischsprachige Curriculum verbindet wissenschaftliche Grundlagen mit praxisnahen Industrieprojekten und eröffnet vielfältige Karriereperspektiven in Industrie, Mittelstand und Beratung. Studieren Sie am Bodensee und gestalten Sie die KI-Transformation aktiv mit.

Programmstruktur

Studienverlauf MAI

Der MAI ist als dreisemestriger Vollzeit-Master mit 90 ECTS aufgebaut. Sechs englischsprachige Pflichtmodule (CORE01 bis CORE06) bilden das Kerncurriculum und vermitteln die fachlichen, methodischen, governance- und umsetzungsbezogenen Kompetenzen, die für die verantwortliche Gestaltung von KI-Vorhaben in Organisationen erforderlich sind. Im individuellen Wahlpflicht-Profil von 24 ECTS vertiefen die Studierenden in ihrer Fachdomäne — wahlweise in Deutsch oder Englisch. Die Masterarbeit von 24 ECTS schließt das Studium ab und wird in englischer Sprache verfasst; sie kann in Kooperation mit einem Praxispartner durchgeführt werden.

Das Programm orientiert sich am Kompetenzniveau 7 des Deutschen Qualifikationsrahmens. Lehrformen und Prüfungsformen sind auf einen Constructive-Alignment-Ansatz hin abgestimmt: Lehr- und Lernformen schließen klassische Lehrformate (Vorlesung, Übung) ebenso ein wie Workshop- und Seminarformen, projektbasiertes Lernen, Flipped-Classroom-Elemente und industriegekoppelte Sprint-Formate.

Modulkatalog (CORE01–CORE06)

CORE01 — AI Transformation & Change, Leadership, Org Design · 6 ECTS · Englisch · Sem. 1 (WS) und Sem. 2 (SS): Die Studierenden lernen, KI-getriebene Transformationsvorhaben zu planen, zu steuern und reflektiert umzusetzen. Sie verstehen klassische und agile Change-Ansätze, transformationale Führung und das Zusammenspiel zwischen Organisation, Kultur und Technologie.
CORE02 — Governance, AI Compliance, Ethics, Data Ownership · 6 ECTS · Englisch · Sem. 1 (WS) und Sem. 2 (SS): Die Studierenden lernen, regulatorische Rahmenwerke (insbesondere EU AI Act, Datenschutzrecht, Haftung) anzuwenden, Governance-Modelle für KI- und Datenökosysteme zu gestalten und Data Ownership in der Praxis zu klären. Ethische Implikationen werden systematisch reflektiert.
CORE03 — AI Use-Case Discovery & Value Realization (Process, Data & Stakeholders) — Project · 6 ECTS · Englisch · Sem. 1 (WS) und Sem. 2 (SS): Die Studierenden identifizieren KI-Anwendungsfälle entlang von Prozessen, Daten und Stakeholdern, bewerten sie mit Wertbeitragslogiken (Output-Outcome-Impact, KPI/OKR) und priorisieren sie in Portfolios. Sie treffen Go/No-Go-Empfehlungen auf wissenschaftlich fundierter Basis.
CORE04 — Technical AI Foundations: Applied ML, Data Pipelines & Decision Systems · 6 ECTS · Englisch · Sem. 1 (WS) und Sem. 2 (SS): Die Studierenden kennen die wesentlichen Modellklassen angewandter maschineller Lernverfahren, beherrschen Datenaufbereitung und Feature Engineering und verstehen den End-to-End-Lebenszyklus KI-basierter Systeme von der Datengewinnung bis zum Modellbetrieb.
CORE05 — AI Transformation Execution & Scaling Lab · 6 ECTS · Englisch · Sem. 1 (WS) und Sem. 2 (SS): Die Studierenden lernen, KI-Lösungen aus der Pilotierung in skalierbare Regelbetriebe zu überführen. Sie beherrschen Methoden aus MLOps, Roll-out-Steuerung, Monitoring sowie Incident- und Change-Management und entwickeln tragfähige Betriebsmodelle.
CORE06 — AI Transformation Sprint Lab (Industry Project) · 6 ECTS · Englisch · Sem. 1 (WS) und Sem. 2 (SS): Im industrienahen Sprint-Format bearbeiten die Studierenden ein reales KI-Transformationsvorhaben unter realistischen organisatorischen, technischen, rechtlichen und zeitlichen Rahmenbedingungen. Sie übernehmen Verantwortung für Analyse, Konzeption, Lieferung und Wirkungsdarstellung.

Wahlpflicht-Profil (24 ECTS)

Das Wahlpflicht-Profil von 24 ECTS wird aus dem MAI-Wahlpflichtfach-Katalog gewählt, der zu Beginn jedes Semesters bekannt gegeben wird. Es ermöglicht eine individuelle Profilbildung in einer Fachdomäne der Wahl. Module aus dem Katalog können auf Deutsch oder Englisch belegt werden, je nach Lehrangebot. Über die Aufnahme weiterer Module in den Katalog entscheidet die Studienkommission.

Der konkrete Wahlpflichtfach-Katalog für das Sommersemester 2027 wird vor Beginn der Erstkohorte veröffentlicht.

Masterarbeit (24 ECTS)

Die Masterarbeit (24 ECTS) ist eine eigenständige wissenschaftliche Bearbeitung einer komplexen Fragestellung aus dem Themenfeld der KI-gestützten Transformation. Sie wird in englischer Sprache verfasst und kann in Kooperation mit einem Praxispartner durchgeführt werden. Über Ausnahmen von der Sprachregelung entscheidet der Prüfungsausschuss. Die Masterarbeit dokumentiert, dass die Absolventin oder der Absolvent in der Lage ist, eine reale Transformationsfrage methodisch sauber, evidenzbasiert und adressatengerecht zu bearbeiten.

Lehr- und Lernformen, Prüfungsformen

Lehr- und Lernformen: Die Module verbinden Vorlesungen, Übungen, Workshop-Formate und Seminare mit projektbasiertem Lernen, Flipped-Classroom-Elementen, Case-based Learning sowie strukturierten Reflexions- und Transferaufgaben. In CORE06 (Sprint Lab) dominiert die selbstorganisierte Projektarbeit mit industriellem Partner.
Prüfungsformen: Die Prüfungsformen sind im Modulhandbuch je Modul ausgewiesen. Sie umfassen Klausuren, schriftliche Prüfungsleistungen, Projektarbeiten und Präsentationen sowie Kombinationsformen. Die Modulprüfungen sind in englischer Sprache abzulegen; Wahlpflichtmodule folgen der Prüfungssprache des jeweiligen Anbieters.

Downloads

Studien- und Prüfungsordnung (SPO MAI, Besonderer Teil) — Verlinkung folgt nach Veröffentlichung
Modulhandbuch MAI (Stand: 27. März 2026, Rev0) — In der HTWG-Indigit-App ansehen
Zulassungssatzung (§ 27 ZuSMa) — Verlinkung folgt nach Veröffentlichung
Studiengangs-Flyer (4-seitig) — PDF ansehen