Die Regel wird vor der Datenerhebung festgelegt. Verfehlte Zielwerte führen nicht automatisch zum Abbruch, sondern zu einer genauen Prüfung der Ursachen.
Mit KI arbeiten. Eigenständig denken.
Empfehlungen für Studium, Lehre und Prüfungen
KI-Werkzeuge übernehmen Teile fachlicher Arbeit; ihre Ergebnisse beurteilen kann nur, wer das Fach selbst beherrscht, und deshalb sollten Lehre und Prüfungen beides sichern.
White Paper herunterladen (PDF, 32 Seiten)Kurzfassung für Lehrende (PDF, 2 Seiten)
Prof. Dr.-Ing. Michael Bühler · Professur für Bauwirtschaft · Studiendekan, Fakultät Bau und Umwelt
Stand: Oktober 2026, Version 3.6
Kein offizielles Positionspapier der HTWG Konstanz.
Zwei Ziele, die zusammengehören
Studierende sollen KI gezielt einsetzen können. Und sie sollen fachlich so sicher sein, dass sie ein KI-Ergebnis prüfen, korrigieren und verantworten können.
Beide Ziele brauchen einander. Wer nur mit KI arbeitet, erkennt ihre Fehler nicht. Wer KI meidet, ist auf die Berufspraxis schlecht vorbereitet. Das Leitbild zeigt, wie die fünf Empfehlungen beide Ziele tragen.
Fünf Empfehlungen auf einen Blick
1 · KI-Kompetenzen verbindlich verankern
Jeder Studiengang legt fest, welche KI-Kompetenzen in welchen Modulen gelehrt und geprüft werden. Nicht jedes Modul muss KI behandeln.
2 · Eigenständiges Können sichern
Kernkompetenzen wie Überschlag oder Mengenermittlung werden ohne KI geübt und mindestens einmal ohne KI nachgewiesen. Das ist kein generelles Verbot.
3 · KI-Nutzung und Ergebnisprüfung gemeinsam lehren
Aufgaben verlangen sichtbar, dass Studierende ein KI-Ergebnis fachlich prüfen und ihre Korrekturen begründen. Ein bloßer Hinweis reicht nicht.
4 · Prüfungen auf individuelle Kompetenz ausrichten
Die Rolle von KI steht vor jeder Prüfung fest. Ein Detektorwert allein begründet keine Prüfungsentscheidung, und die Note legt immer eine prüfende Person fest.
5 · Umsetzung ausstatten und evaluieren
Wo Pflichtaufgaben KI verlangen, stellt die Hochschule den Zugang bereit. Erfolg wird an Leistungen gemessen, nicht an Zufriedenheit.
Was die Evidenz trägt und was nicht
Die Studienlage ist jung und meist nicht aus dem Ingenieurstudium. Drei Befunde sind für die Lehre besonders aufschlussreich, jeweils mit ihrer Grenze.
Die Gestaltung entscheidet
Wer ungeführt mit KI übte, schnitt danach in einer Prüfung ohne KI um 17 % schlechter ab. Ein Tutor mit didaktischen Leitplanken verhinderte das weitgehend.
Grenze: Schule, Mathematik, ein Land.
Selbst prüfen statt prüfen lassen
Einzelne Experimente zeigen: Wer KI-Ergebnisse selbst prüft und überarbeitet, kann mehr lernen. Wer die KI beurteilen ließ, lernte nicht mehr als ohne KI.
Grenze: Schreibaufgaben, China, Test direkt im Anschluss; Langzeitwirkung nicht untersucht.
Detektoren sind unzuverlässig
Gängige Detektoren markierten Texte nicht-muttersprachlich Schreibender in 50 bis 61 % der Fälle fälschlich als KI-Text, bei Muttersprachlichen in unter 5 %.
Grenze: Werkzeuge ändern sich; die Übersicht stammt vor allem aus der Medizin, und ein speziell trainierter Detektor war in einem Testkontext fast fehlerfrei.
Bastani et al. (2025), PNAS · Fan und Chang (2026), Behavioral Sciences · Ndacyayisenga et al. (2026), BMC Medical Education · Jiang et al. (2024), Computers & Education. Alle Belege und Grenzen im White Paper.
So sieht es in der Lehre aus
Alle Beispiele folgen demselben Ablauf: erst selbst lösen, dann einen KI-Vorschlag prüfen, jede Korrektur begründen.
Beispiel Baukalkulation: die Stahlbetonwand
Die Studierenden kalkulieren Lohn- und Materialkosten einer Stahlbetonwand zuerst selbst. Danach prüfen sie einen KI-Vorschlag mit fünf eingebauten Fehlern: Die Wand ist nur einseitig geschalt, der Bewehrungsgrad zehnfach zu hoch, die Türöffnung nicht abgezogen. So landet der KI-Vorschlag bei 18.043 €, die richtige Lösung bei 6.832 €. Bewertet werden Fehlererkennung und Begründung, die Zahl der Prompts zählt nicht; ein kurzes Fachgespräch macht das eigene Verständnis sichtbar.
Für alle Fächer: die Quellenprüfung
Ein KI-Werkzeug fasst zwei oder drei Fachartikel zusammen. Die Studierenden gleichen Aussagen, Zahlen und Zitate mit den Originalen ab und markieren Abweichungen und erfundene Belege. So lernen sie, Quellen zu lesen, statt Zusammenfassungen zu übernehmen.
Musteraufgabe, Bewertungsrubrik und eine Arbeitsvorlage für die KI-Position eines Moduls finden Sie im Anhang C des White Papers.
Drei Fragen für Ihr Modul
- Was müssen Studierende eigenständig können?
Diese Fähigkeiten üben und prüfen Sie auch ohne KI. - Wo unterstützt KI das Lernziel, und welche Ergebnisprüfung verlange ich?
Legen Sie einen Prüfpunkt fest, an dem ein KI-Ergebnis kontrolliert und begründet wird. - Wie wird individuelle Kompetenz in der Prüfung sichtbar?
Etwa durch einen KI-freien Teil, ein Prüfprotokoll oder ein kurzes Fachgespräch. Die Rolle von KI steht vorab fest.
Der Blick über die Grenzen
Das White Paper wertet Leitlinien und Strategien aus Deutschland, Europa, Nordamerika, Australien und Ostasien aus. Die Beispiele zeigen Gestaltungsoptionen, belegen aber keine Wirkung.
China setzt auf Tempo und Verbindlichkeit: KI wird Grundlagenfach an allen Hochschulen, Universitäten wie Nanjing verpflichten alle Erstsemester auf einen Kernkurs. Die Tongji-Universität baut mit CivilGPT ein eigenes Fachmodell für das Bauingenieurwesen; eine unabhängige Evaluation des Lerneffekts liegt nicht vor.
Nicht übertragbar sind zwei Elemente. Detektorschwellen als Bedingung für die Zulassung zur Verteidigung sind nicht rechtssicher, umgehbar und benachteiligen Nicht-Muttersprachliche. Die politisch-ideologische Steuerung staatlicher Bildungsmodelle ist nach hier vertretener Einschätzung mit der Wissenschaftsfreiheit nicht vereinbar.
Ein möglicher Fahrplan
Das Papier schlägt vor, die Empfehlungen ab dem Sommersemester 2027 in zwei Semestern mit Pilotmodulen zu erproben. Über eine Ausweitung auf alle Studiengänge würde im Sommersemester 2028 auf Grundlage eines Evaluationsberichts entschieden.
Hinweis: Dies ist ein Vorschlag für einen Entwicklungs- und Pilotprozess, kein Beschluss. Er beschreibt keine bereits geltenden Pflichten.
- Wie über die Ausweitung entschieden wird
Verfehlte Zielwerte lösen eine Prüfung aus, keine automatische Entscheidung.
Ihre Rückmeldung ist willkommen
Das White Paper ist ein Diskussionsbeitrag. Hinweise, Erfahrungen aus Ihren Modulen und Widerspruch helfen, es weiterzuentwickeln.
Prof. Dr.-Ing. Michael Bühler
E-Mail: mbuehler@htwg-konstanz.de
Weiterlesen
- Masterstudiengang Applied AI Transformation Management (M.Eng.): Wie Organisationen KI wirksam einführen, ist Gegenstand dieses Masterstudiengangs an der HTWG Konstanz. Zum Studiengang
- Bauproduktivität: Forschung zur Produktivität im Bauwesen, auch mit Blick auf digitale Werkzeuge. Zum Reiter Bauproduktivität