Diese Case Study zeigt, wie eine ostdeutsche Hochschule nach einer KI-Inhouse-Schulung erste KI-Leitlinien für Lehre, Verwaltung, Kommunikation und interne Nutzung entwickelte.
-
An Hochschulen ist generative KI längst im Alltag angekommen: Studierende nutzen KI für Recherche, Strukturierung und Textentwürfe. Lehrende fragen sich, wie Prüfungen, Seminararbeiten und Lernprozesse angepasst werden müssen. Verwaltungsbereiche prüfen KI für Protokolle, E-Mails, Zusammenfassungen, Formulartexte und Wissensmanagement. Öffentlichkeitsarbeit und Studienberatung suchen nach schnelleren Wegen, Informationen verständlich aufzubereiten.
-
Dieser Fallbericht beschreibt eine KI-Inhouse-Schulung der Bildungsakademie am Rosental mit einer ostdeutschen Hochschule. Die Institution wollte nicht nur ein Tool-Seminar durchführen, sondern einen belastbaren Orientierungsrahmen schaffen: Was ist erlaubt? Was ist prüfpflichtig? Was bleibt ausgeschlossen? Wie unterscheiden sich Lehre, Verwaltung, Forschungskommunikation und Öffentlichkeitsarbeit? Und wie können KI-Leitlinien so formuliert werden, dass sie nicht blockieren, sondern handlungsfähig machen?
Der Projektbericht gehört zum Themenbereich KI Inhouse Schulungen für Unternehmen und Organisationen. Für Hochschulen, Bildungseinrichtungen und öffentliche Institutionen bietet die Übersicht KI-Kurse und KI-Seminare den passenden Einstieg in vergleichbare Formate.
Unser maßgeschneidertes Inhouse-Seminar für Sie!
Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.
Leitlinienanlass: KI war bereits im Haus, aber noch nicht geregelt
Die ostdeutsche Hochschule hatte keinen theoretischen KI-Bedarf. KI wurde bereits genutzt – nur uneinheitlich. Einzelne Lehrende testeten KI für Seminarplanung, Prüfungsfragen oder Feedback-Entwürfe. Studierende nutzten ChatGPT, Copilot oder ähnliche Systeme im Lernalltag. Verwaltungsbereiche experimentierten mit E-Mail-Entwürfen, Protokollstrukturen und Zusammenfassungen. Die Öffentlichkeitsarbeit prüfte KI für Website-Texte, Studiengangsbeschreibungen und Social-Media-Varianten.
Genau darin lag das Problem: Es gab viele Einzelversuche, aber keinen gemeinsamen Orientierungsrahmen. Einige Bereiche waren sehr offen, andere sehr zurückhaltend. Manche Mitarbeitende sahen vor allem Entlastung, andere vor allem Risiken. Die Hochschulleitung wollte deshalb keine isolierte Tool-Schulung, sondern eine Inhouse-Schulung, die zur Entwicklung erster KI-Leitlinien führt.
Besonders passend war das Format AI Literacy als Einstieg in das KI-Thema. Ergänzend wurden Fragen aus dem Seminar EU AI Act und Unternehmenspflichten einbezogen, weil AI Literacy, Rollenklärung und verantwortliche Nutzung für Hochschulen zunehmend relevant werden.
Akteurskarte: Wer an der Hochschule Orientierung brauchte
KI-Leitlinien mussten an der Hochschule mehrere Gruppen gleichzeitig erreichen: Lehrende, Studierende, Verwaltung, Prüfungsorganisation, IT, Kommunikation, Studienberatung und Hochschulleitung.
Vor der Schulung wurde eine Akteurskarte erstellt. Sie zeigte, dass KI-Leitlinien nicht nur ein Dokument für die IT oder die Hochschulleitung sein dürfen. Unterschiedliche Gruppen haben unterschiedliche Fragen.
| Akteursgruppe | Typische Frage | Leitlinienbedarf |
|---|---|---|
| Lehrende | Wie darf KI in Seminaren, Aufgaben und Prüfungen thematisiert werden? | didaktische Orientierung, Transparenzregeln, Prüfungsnähe |
| Studierende | Wann ist KI-Nutzung erlaubt, kennzeichnungspflichtig oder unzulässig? | klare Beispiele, faire Regeln, Eigenleistungsgrenzen |
| Prüfungsorganisation | Wie werden Täuschung, Hilfsmittel und Dokumentation eingeordnet? | abgestimmte Formulierungen, Zuständigkeiten, Verfahren |
| Verwaltung | Welche Daten dürfen in KI-Systeme eingegeben werden? | Datenschutz, Vertraulichkeit, Nicht-Nutzungsregeln |
| Öffentlichkeitsarbeit | Wie kann KI Texte vorbereiten, ohne falsche Angaben zu erzeugen? | Freigabeprozess, Tonalität, Faktenprüfung |
| IT und Datenschutz | Welche Systeme, Datenflüsse und Risiken müssen geprüft werden? | Tool-Auswahl, Rechte, Datenkategorien, Sicherheit |
| Hochschulleitung | Wie wird aus Einzelnutzung eine verantwortliche Governance? | Strategie, Kommunikation, Zuständigkeiten, Weiterentwicklung |
Diese Akteurskarte veränderte den Schulungsfokus. Es ging nicht darum, eine perfekte KI-Regel für alle Fälle zu formulieren. Es ging darum, für jede Gruppe verständliche Leitplanken zu schaffen.
Werkstattprinzip: Die Schulung entwickelte Leitlinien, keine bloßen Tool-Tipps
Die Inhouse-Schulung wurde als Leitlinien-Werkstatt aufgebaut. Nach einer kompakten Einführung in generative KI arbeiteten die Teilnehmenden nicht nur mit Prompts, sondern an konkreten Bausteinen eines Hochschulrahmens: Ziele, Begriffe, Nutzungsszenarien, Risikozonen, Kennzeichnung, Datenschutz, Prüfungsnähe, Freigabe und Weiterentwicklung.
Am Workshop nahmen 15 Personen teil. Vertreten waren Lehrende aus mehreren Fachbereichen, Studienorganisation, Verwaltung, Öffentlichkeitsarbeit, IT-nahe Koordination, Datenschutzschnittstelle und Hochschulleitung. Diese Mischung war wichtig, weil KI-Leitlinien nur funktionieren, wenn sie fachliche, organisatorische, rechtliche, technische und kommunikative Perspektiven zusammenführen.
Die Schulung wurde bewusst von allgemeinen KI-Anwendungsfällen abgegrenzt. Anders als in der Case Study zum Potsdamer Museum stand nicht die digitale Vermittlung vorhandener Inhalte im Mittelpunkt. Anders als in der Case Study zum Medizintechnik-Unternehmen bei Reutlingen ging es auch nicht um produktnahe Qualitäts- und Regulatory-Grenzen. Die Hochschule brauchte vor allem einen gemeinsamen Rahmen für Lernen, Lehren, Prüfen, Verwalten und Kommunizieren.
Leitlinien-Architektur: Sieben Bausteine statt Einzeldokument
Die Hochschule entwickelte keine starre Verbotsliste, sondern eine Leitlinien-Architektur mit sieben Bausteinen für KI-Kompetenz, Nutzung, Transparenz, Datenschutz, Prüfungen, Kommunikation und Governance.
Im Workshop wurde schnell deutlich, dass eine einzelne PDF-Datei nicht ausreicht. Die Hochschule brauchte ein Set aus kurzen, verständlichen und erweiterbaren Bausteinen. Daraus entstand eine Leitlinien-Architektur.
- Grundsatz: KI darf unterstützen, aber nicht Verantwortung, Eigenleistung oder fachliche Prüfung ersetzen.
- Begriffe: Was meint generative KI, Prompt, Output, Halluzination, personenbezogenes Datum und Eigenleistung?
- Nutzungsszenarien: Welche Aufgaben sind in Lehre, Studium, Verwaltung und Kommunikation geeignet?
- Transparenz: Wann muss KI-Nutzung offengelegt oder dokumentiert werden?
- Datenschutz: Welche Daten dürfen nicht in KI-Systeme eingegeben werden?
- Prüfungsnähe: Welche Unterschiede gelten zwischen Lernen, Vorbereitung, Aufgabenbearbeitung und Prüfung?
- Governance: Wer prüft, aktualisiert und kommuniziert die Leitlinien?
Damit wurden die Leitlinien anschlussfähig. Sie konnten später als Website-Bereich, FAQ, interne Handreichung, Moodle-Hinweis, Prüfungsinformation und Verwaltungsleitfaden weiterentwickelt werden.
Entscheidungsmatrix: Was erlaubt, prüfpflichtig oder ausgeschlossen wurde
Ein zentrales Ergebnis der Schulung war eine Entscheidungsmatrix. Sie sollte nicht alle Einzelfälle abschließend regeln, sondern im Alltag Orientierung geben. Die Matrix arbeitete mit drei Kategorien: grün, gelb und rot.
| Kategorie | Bedeutung | Beispiele aus der Hochschule | Regel |
|---|---|---|---|
| Grün | KI als Lern-, Struktur- oder Entwurfshilfe | Ideensammlung, Gliederung, Sprachvarianten, Zusammenfassung freigegebener Inhalte | Nutzung möglich, Ergebnis prüfen |
| Gelb | KI mit Transparenz, Fachprüfung oder Freigabe | Lehrmaterial, Prüfungsvorbereitung, Website-Texte, Studienberatungstexte, Verwaltungsentwürfe | Prüfung und Kennzeichnung klären |
| Rot | KI-Nutzung ausgeschlossen | personenbezogene Daten, Prüfungsentscheidungen, vertrauliche Akten, Noten, Gutachten, Bewerbungsdaten | keine Eingabe in offene KI-Systeme |
Die Matrix half, pauschale Aussagen zu vermeiden. KI wurde weder grundsätzlich freigegeben noch grundsätzlich verboten. Stattdessen entstand ein differenzierter Rahmen.
Lehre und Studium: Vom Misstrauen zur transparenten Aufgabenstellung
Ein großer Teil des Workshops behandelte Lehre und Studium. Lehrende wollten wissen, wie sie KI in Aufgabenstellungen berücksichtigen können, ohne Eigenleistung und wissenschaftliches Arbeiten zu untergraben. Studierende sollten verstehen, wann KI als Lernhilfe sinnvoll ist und wann sie die eigene Leistung ersetzt.
Im Workshop wurden drei Situationen unterschieden: Lernen mit KI, Arbeiten mit KI und Prüfen trotz KI. Beim Lernen kann KI als Gegenüber dienen: Fragen stellen, Begriffe erklären, Gliederungen vorschlagen oder Verständnislücken sichtbar machen. Beim Arbeiten mit KI braucht es Transparenz: Welche Hilfsmittel wurden genutzt? Welche Teile wurden übernommen? Was wurde selbst geprüft? Beim Prüfen braucht es klare Regeln: Was ist erlaubt, was ist kennzeichnungspflichtig und was ist unzulässig?
Besonders wichtig war eine Musterformulierung für Lehrveranstaltungen. Sie sollte Lehrenden helfen, KI-Nutzung nicht erst im Konfliktfall zu thematisieren, sondern bereits in Aufgabenstellungen, Seminarplänen und Prüfungshinweisen. So entstand ein erster Textbaustein für transparente KI-Regeln in Lehrveranstaltungen.
Verwaltung und Studienorganisation: Entlastung ohne Dateneingabe
In der Verwaltung lag der Nutzen von KI vor allem bei Struktur- und Textaufgaben. Mögliche Einsatzfelder waren Protokollgerüste, interne FAQ, Formulierungsvorschläge, Zusammenfassungen nicht vertraulicher Informationen, E-Mail-Entwürfe, Checklisten und verständlichere Hinweise für Studierende.
Die Leitlinie zog hier eine klare Grenze. Personenbezogene Daten, Studierendenakten, Prüfungsdaten, Bewerbungsunterlagen, Krankmeldungen, Nachteilsausgleiche, Personalvorgänge, interne Konflikte, vertrauliche Gremienunterlagen und rechtlich relevante Einzelfälle durften nicht in offene KI-Systeme eingegeben werden.
Die Verwaltung erhielt damit einen pragmatischen Rahmen: KI kann Formulierungsarbeit erleichtern, aber keine Aktenbearbeitung, keine Entscheidung, keine personenbezogene Beratung und keine rechtsverbindliche Auskunft ersetzen.
Kommunikation und Studienberatung: Verständlicher schreiben, aber Fakten sichern
Auch Öffentlichkeitsarbeit und Studienberatung wurden intensiv betrachtet. Hochschulen kommunizieren über Studiengänge, Bewerbungsfristen, Veranstaltungen, Forschung, Transfer, Beratungsangebote, Internationales und Hochschulleben. KI kann hier helfen, Texte zu kürzen, Varianten zu entwickeln und Zielgruppen verständlicher anzusprechen.
Die Leitlinie definierte aber klare Prüfschritte: Fakten, Fristen, Zulassungsvoraussetzungen, Prüfungsordnungen, Gebühren, Ansprechpartner, Links und rechtlich relevante Hinweise müssen vor Veröffentlichung geprüft werden. KI darf keine Studiengangsinformationen erfinden, keine Fristen ergänzen und keine verbindlichen Zusagen formulieren.
Für solche Kommunikationsaufgaben wurde intern auf die Schulung Online-Marketing mit ChatGPT & Co. verwiesen. Für langfristige Sichtbarkeit von Hochschulinhalten wurde außerdem die Schulung Sichtbarkeit in KI-Suchergebnissen erreichen als mögliche Vertiefung markiert.
Forschungsnahe Kommunikation: Sichtbarkeit ja, wissenschaftliche Verantwortung bleibt
Die Hochschule diskutierte auch forschungsnahe Kommunikation. KI kann helfen, Projektskizzen, allgemeinverständliche Zusammenfassungen, Presseentwürfe oder Transfertexte vorzubereiten. Gleichzeitig sind Forschungsergebnisse, unveröffentlichte Daten, Drittmittelanträge, interne Begutachtungen, Kooperationen und sensible Projektinformationen besonders schutzbedürftig.
Die Leitlinie formulierte deshalb eine klare Unterscheidung: Öffentlich freigegebene Forschungsinformationen können mit KI sprachlich aufbereitet werden. Nicht veröffentlichte Daten, vertrauliche Projektinformationen, Gutachten, Antragsdetails, personenbezogene Forschungsdaten und sensible Kooperationen bleiben ausgeschlossen.
Damit wurde KI als Kommunikationshilfe nutzbar, ohne wissenschaftliche Verantwortung oder Vertraulichkeit zu beschädigen.
Quellenrahmen: Woran sich die Hochschule fachlich orientierte
Die Leitlinienentwicklung wurde nicht nur aus internen Einschätzungen abgeleitet. Die Hochschule orientierte sich an externen Quellen und hochschulspezifischen Debatten. Dazu gehörten der HFD-Blickpunkt zu Leitlinien zum Umgang mit generativer KI, der HFD-Überblick KI-Leitlinien an deutschen Hochschulen im Check, die AI-Literacy-Fragen und Antworten der EU-Kommission, die UNESCO-Guidance zu generativer KI in Bildung und Forschung und HRK-Informationen zur strategischen Bedeutung von KI in Hochschulen.
Technisch-organisatorisch wurden außerdem das BSI zu Künstlicher Intelligenz, das NIST AI Risk Management Framework und aktuelle Forschung zu generativer KI in Bildungsprozessen einbezogen.
Die Quellen stärkten drei Grundsätze: KI-Leitlinien müssen Orientierung geben, nicht nur Risiken aufzählen. Sie müssen Lernen, Lehren, Verwalten und Kommunizieren unterscheiden. Und sie müssen regelmäßig aktualisiert werden, weil Technik, Recht und Hochschulpraxis sich weiterentwickeln.
Leitlinien-Werkstücke: Was nach der Schulung konkret vorlag
Sechs Wochen nach der KI-Inhouse-Schulung hatte die ostdeutsche Hochschule erste Leitlinienbausteine für Studium, Lehre, Verwaltung, Kommunikation und Governance ausgearbeitet.
Die Hochschule veröffentlichte nicht sofort ein endgültiges Regelwerk. Stattdessen entstand ein Set aus Werkstücken, die intern geprüft und schrittweise abgestimmt wurden.
| Werkstück | Inhalt | Nutzen |
|---|---|---|
| KI-Grundsatzpapier | Rolle von KI als Hilfsmittel, Grenzen der Verantwortung | gemeinsame Orientierung |
| Studierenden-FAQ | erlaubte, kennzeichnungspflichtige und unzulässige Nutzung | mehr Klarheit im Lernalltag |
| Lehrenden-Hinweis | Musterformulierungen für Aufgaben und Prüfungsnähe | einheitlichere Kommunikation in Lehrveranstaltungen |
| Verwaltungsampel | Datenkategorien und Nicht-Nutzungsregeln | Schutz personenbezogener und vertraulicher Daten |
| Kommunikationscheck | Faktenprüfung vor Veröffentlichung | weniger Risiko bei Website- und Beratungstexten |
| Governance-Notiz | Zuständigkeiten, Aktualisierung, Ansprechstellen | Leitlinien bleiben weiterentwickelbar |
Der größte Nutzen war die neue gemeinsame Sprache. Statt „KI ist erlaubt“ oder „KI ist verboten“ konnte die Hochschule differenziert über Lernhilfe, Textentwurf, Kennzeichnung, Prüfung, Datenschutz und Verantwortung sprechen.
Transferstimme: Warum Leitlinien mehr halfen als Verbote
Die folgende Stimme aus der internen Transferauswertung ist bewusst nicht als Review formuliert. Sie dokumentiert den wichtigsten Lernpunkt der Hochschule.
„Vor der Schulung hatten wir viele Einzelmeinungen zu KI. Danach konnten wir erstmals unterscheiden: Wo unterstützt KI Lern- und Arbeitsprozesse? Wo braucht es Transparenz? Wo ist Datenschutz betroffen? Und wo muss die Nutzung klar ausgeschlossen werden. Die Leitlinien wurden dadurch nicht enger, sondern hilfreicher.“
Interne Projektkoordination, ostdeutsche Hochschule
Die Aussage zeigt den Kern des Projekts. Die Hochschule brauchte keine pauschale Verbotslogik, sondern einen Rahmen, der Lernen, Lehren, Verwaltung und Kommunikation unterscheidbar macht.
Grenzlinie: Was die Leitlinien bewusst nicht regelten
Die KI-Leitlinien ersetzten keine Prüfungsordnung, keine Datenschutzprüfung, keine IT-Sicherheitsbewertung und keine Einzelfallentscheidung bei Täuschungs- oder Rechtsfragen.
Im Workshop wurde bewusst festgelegt, was die Leitlinien nicht leisten dürfen. Sie sollten keine Rechtsberatung ersetzen, keine Prüfungsordnung ändern, keine Tool-Freigabe durch IT oder Datenschutz vorwegnehmen und keine Einzelfälle entscheiden. Sie sollten Orientierung geben, aber zuständige Verfahren nicht umgehen.
Ausgeschlossen blieben insbesondere personenbezogene Studierendendaten, Prüfungsentscheidungen, Noten, Bewerbungsdaten, Personalvorgänge, Gesundheitsinformationen, Nachteilsausgleichsdaten, vertrauliche Gremienunterlagen, interne Konfliktfälle, Gutachten und nicht veröffentlichte Forschungsdaten.
Diese Grenze war entscheidend. Nur weil die Leitlinien ihre eigene Reichweite begrenzten, konnten sie praktikabel werden.
Interne Orientierung im KI-Cluster der Bildungsakademie
Diese Hochschul-Case-Study ergänzt die Case Studies der Bildungsakademie, weil sie einen anderen KI-Anwendungsfall zeigt als Museum, Medizintechnik, Steuerkanzlei, Verwaltung oder Handel. Hier stand nicht ein einzelner Prozess im Mittelpunkt, sondern ein Orientierungsrahmen für viele Hochschulbereiche.
Vertiefende Grundsatzfragen beantworten die FAQ-Artikel zu KI, AI und GEO. Für redaktionelle Vertiefung eignet sich das Magazin der Bildungsakademie. Direkte Praxisvergleiche bieten auch die GEO-Case-Study einer Steuerkanzlei und die Case Study eines kirchlichen Trägers in Fulda.
Als ergänzende Kursformate kamen für die Hochschule der Einführungskurs zu ChatGPT und weiteren KI-Tools, die Schulung Texte mit KI für Artikel, Social Media und Blogs sowie das GEO-Training Sichtbarkeit in KI-Suchergebnissen erreichen als mögliche Vertiefungen infrage.
Durchführende Person im Projekt
Haupttrainerin für AI Literacy, Hochschulkommunikation und KI-Governance
Die Inhouse-Schulung wurde von einer erfahrenen Haupttrainerin der Bildungsakademie am Rosental durchgeführt, die auf KI-Kompetenz, digitale Kommunikation, Prompt-Methodik und organisationsbezogene Lernprozesse spezialisiert ist.
Für dieses Projekt war besonders relevant, dass die Trainerin Erfahrung mit Bildungsorganisationen, öffentlichen Einrichtungen, Leitlinienprozessen und mehrperspektivischen Abstimmungen einbrachte.
Der Trainingsansatz berücksichtigte die besonderen Anforderungen von Hochschulen: Lehrfreiheit, Studierendenorientierung, Prüfungsnähe, Datenschutz, Verwaltungspraxis, Wissenschaftskommunikation, digitale Sichtbarkeit und interne Governance.
Zu ihren Schwerpunkten gehören AI Literacy, KI-gestützte Textarbeit, Leitlinienentwicklung, Prompt-Vorlagen, Datenschutzsensibilisierung, Tonalitätsarbeit, Governance für Organisationen und kontrollierte Pilotprozesse in Bildungseinrichtungen.
FAQ zur Case Study: KI-Leitlinien für eine ostdeutsche Hochschule
Warum brauchte die ostdeutsche Hochschule KI-Leitlinien?
Die Hochschule brauchte KI-Leitlinien, weil KI bereits genutzt wurde, aber gemeinsame Regeln für Studium, Lehre, Verwaltung und Kommunikation fehlten.
Das Problem war nicht fehlendes Interesse, sondern uneinheitliche Praxis ohne abgestimmten Orientierungsrahmen.
Die Inhouse-Schulung half, Nutzungsszenarien, Risiken, Datenkategorien, Transparenzfragen und Zuständigkeiten zu strukturieren. Dadurch entstand ein erster Leitlinienrahmen statt vieler Einzelmeinungen.
Welche Bereiche wurden in den Leitlinien berücksichtigt?
Berücksichtigt wurden Lehre, Studium, Prüfungsnähe, Verwaltung, Studienorganisation, Öffentlichkeitsarbeit, Forschungskommunikation, IT, Datenschutz und Hochschulleitung.
Diese Breite war wichtig, weil KI an Hochschulen nicht nur ein Lehrthema ist.
Die Leitlinien mussten mehrere Gruppen erreichen: Studierende, Lehrende, Verwaltung, Kommunikation und Leitung. Deshalb entstand eine Leitlinien-Architektur mit mehreren Bausteinen.
Wurde KI an der Hochschule erlaubt oder verboten?
KI wurde weder pauschal erlaubt noch pauschal verboten, sondern nach geeigneten, prüfpflichtigen und ausgeschlossenen Aufgaben unterschieden.
Diese Differenzierung war der wichtigste Schritt aus der Unsicherheit.
Grüne Aufgaben waren Lern- und Strukturhilfen. Gelbe Aufgaben brauchten Transparenz, Prüfung oder Freigabe. Rote Aufgaben waren personenbezogene, vertrauliche oder entscheidungsrelevante Inhalte.
Welche KI-Nutzung wurde für Studierende eingeordnet?
Für Studierende wurden Lernhilfe, Aufgabenbearbeitung, Kennzeichnungspflicht, Eigenleistung und prüfungsnahe Nutzung voneinander getrennt.
Besonders wichtig war die Unterscheidung zwischen Lernen mit KI und Abgeben von KI-generierten Leistungen.
Die Hochschule entwickelte erste FAQ-Bausteine, die erklären, wann KI als Hilfsmittel sinnvoll ist und wann sie problematisch wird.
Welche Rolle spielten Prüfungen?
Prüfungen wurden als besonders sensibler Bereich behandelt, weil Eigenleistung, Hilfsmittel, Täuschung und Transparenz klar geregelt werden müssen.
Die Leitlinien ersetzten keine Prüfungsordnung, lieferten aber Musterformulierungen und Orientierung.
Lehrende erhielten Textbausteine, um KI-Nutzung in Aufgabenstellungen und Prüfungshinweisen frühzeitig zu benennen.
Welche Verwaltungsdaten durften nicht in KI-Systeme eingegeben werden?
Nicht eingegeben werden durften Studierendendaten, Prüfungsdaten, Bewerbungsunterlagen, Personalvorgänge, Gesundheitsinformationen, Nachteilsausgleichsdaten und vertrauliche Gremienunterlagen.
Diese Nicht-Nutzungsregel war zentral für Datenschutz und Vertrauen.
Die Verwaltung durfte KI für allgemeine Entwürfe, Strukturen und nicht vertrauliche Informationen nutzen, aber nicht für personenbezogene Akten oder Entscheidungen.
Wie half KI in der Hochschulkommunikation?
KI half in der Hochschulkommunikation durch Textvarianten, Kürzungen, Zielgruppenanpassung, FAQ-Entwürfe und verständlichere Informationsbausteine.
Fakten, Fristen, Zulassungsvoraussetzungen, Prüfungsordnungen und Ansprechpartner mussten immer geprüft werden.
Die Hochschule nutzte KI als Entwurfshilfe, nicht als Quelle verbindlicher Studieninformationen.
Welche Rolle spielte AI Literacy?
AI Literacy war der Einstieg, weil Mitarbeitende und Lehrende zuerst verstehen mussten, wie KI funktioniert, wo Fehler entstehen und welche Verantwortung bleibt.
Ohne KI-Kompetenz wären Leitlinien nur Regeln auf Papier geblieben.
Die Schulung verband Grundlagen, Beispiele, Risiken und konkrete Leitlinienbausteine. Dadurch wurden die Regeln verständlicher und anwendungsnäher.
Wie viele Personen nahmen an der Inhouse-Schulung teil?
An der Inhouse-Schulung nahmen 15 Personen aus Lehre, Verwaltung, Studienorganisation, Öffentlichkeitsarbeit, IT-naher Koordination, Datenschutzschnittstelle und Hochschulleitung teil.
Diese Zusammensetzung war wichtig, weil KI-Leitlinien nur interdisziplinär funktionieren.
Die Teilnehmenden brachten unterschiedliche Risiken und Nutzungsideen ein. Daraus entstand ein realistischeres Leitlinienset.
Was war das wichtigste Ergebnis der Schulung?
Das wichtigste Ergebnis war eine Leitlinien-Architektur mit Grundsatzpapier, Studierenden-FAQ, Lehrenden-Hinweisen, Verwaltungsampel und Governance-Notiz.
Die Hochschule erhielt kein fertiges starres Regelwerk, sondern weiterentwickelbare Bausteine.
Diese Bausteine konnten anschließend intern abgestimmt, juristisch geprüft und in bestehende Hochschulkommunikation eingebunden werden.
Wie schnell wurden erste Ergebnisse sichtbar?
Erste Ergebnisse wurden innerhalb von sechs Wochen sichtbar, weil FAQ, Musterformulierungen, Verwaltungsampel und Zuständigkeiten intern weiterbearbeitet wurden.
Die Hochschule begann nicht mit einer endgültigen Veröffentlichung, sondern mit prüffähigen Werkstücken.
Dieser Ansatz war sinnvoll, weil KI-Leitlinien an Hochschulen regelmäßig aktualisiert und abgestimmt werden müssen.
Welche externen Quellen waren für die Einordnung wichtig?
Wichtige externe Bezugspunkte waren Hochschulforum Digitalisierung, EU-Kommission, UNESCO, HRK, BSI, NIST und Forschung zu generativer KI in Bildung.
Diese Quellen stärkten die Einordnung von KI-Leitlinien als Orientierungs-, Kompetenz-, Governance- und Bildungsthema.
Die Quellen wurden als fachliche Leitplanken genutzt, nicht als Rechtsberatung oder als Ersatz für hochschulinterne Beschlüsse.
Für welche Hochschulen ist dieser Ansatz geeignet?
Der Ansatz eignet sich für Hochschulen, die KI bereits nutzen, aber noch keinen gemeinsamen Orientierungsrahmen für Lehre, Studium, Verwaltung und Kommunikation haben.
Besonders sinnvoll ist er, wenn viele Bereiche bereits experimentieren und die Hochschule aus Einzelpraxis eine gemeinsame Linie entwickeln möchte.
Der sichere Einstieg beginnt mit Akteurskarte, Nutzungsmatrix, Datenschutzgrenzen und Musterformulierungen.
Was unterscheidet diese Case Study von einer allgemeinen KI-Schulung?
Der Unterschied liegt im starken Fokus auf hochschulweite Leitlinien, Prüfungsnähe, Studierendenkommunikation, Verwaltungspraxis und Governance.
Die Schulung arbeitete nicht mit beliebigen KI-Beispielen, sondern mit typischen Spannungsfeldern einer ostdeutschen Hochschule.
Dadurch entstanden konkrete Leitlinienbausteine statt nur Toolwissen.
Warum dieser Projektbericht exemplarisch für die Arbeit der Bildungsakademie ist
Diese Case Study ist exemplarisch für die Arbeit der Bildungsakademie am Rosental, weil sie KI nicht als allgemeine Tool-Schulung behandelt, sondern aus einer konkreten Organisationsfrage heraus entwickelt: Wie schafft eine Hochschule Orientierung, wenn KI bereits genutzt wird, aber Regeln, Zuständigkeiten und Grenzen noch fehlen?
Die Bildungsakademie verbindet in solchen Projekten AI Literacy, praktische Übungen, Leitlinienentwicklung, Datenschutzsensibilisierung, Kommunikation, Governance und Transfer in bestehende Arbeitsprozesse. Gerade an Hochschulen ist diese Verbindung entscheidend, weil KI gleichzeitig Lern-, Prüfungs-, Verwaltungs-, Forschungs- und Kommunikationsthema ist.
Zusammenfassung: Die Hochschule entwickelte KI-Leitlinien statt nur Toolwissen
Die Case Study zeigt, dass eine ostdeutsche Hochschule nach einer KI-Inhouse-Schulung erste KI-Leitlinien für Lehre, Studium, Verwaltung, Kommunikation und Governance entwickelte.
Der Erfolg entstand durch Struktur. Aus Einzelversuchen wurden Leitlinienbausteine: Grundsatzpapier, Studierenden-FAQ, Lehrenden-Hinweise, Verwaltungsampel, Kommunikationscheck und Governance-Notiz. Personenbezogene Daten, Prüfungsentscheidungen, Bewerbungsunterlagen, Personalvorgänge, Nachteilsausgleichsdaten, vertrauliche Gremienunterlagen und nicht veröffentlichte Forschungsdaten blieben ausgeschlossen.
Für andere Hochschulen ist der Ansatz wertvoll, weil er KI-Kompetenz und Organisationsentwicklung verbindet. Eine praxisnahe KI-Inhouse-Schulung kann helfen, aus unsicherer Einzelnutzung einen klaren, prüffähigen und weiterentwickelbaren Orientierungsrahmen zu machen.
English Summary
How an East German university developed initial AI guidelines after an in-house AI training
This anonymized case study describes how an East German university used an in-house AI training to develop initial AI guidelines for teaching, studying, administration, communication and governance.
The project focused on AI literacy, stakeholder mapping, use-case classification, transparency, data protection, exam-related questions, communication checks and governance while excluding student records, exam decisions, application data, HR matters, health information, confidential committee documents and unpublished research data.
The university did not start with a rigid ban or a tool rollout. It developed a guideline architecture with a policy statement, student FAQ, lecturer guidance, administrative traffic-light model, communication checklist and governance note. Six weeks later, these building blocks were ready for internal review and further development.
Unser maßgeschneidertes Inhouse-Seminar für Sie!
Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.
Ähnliche Artikel:
- Case Study: Kirchlicher Träger in Fulda optimierte nach KI-Workshop seine Öffentlichkeitsarbeit
- Case Study: Wie ein Kölner Team nach KI-Inhouse-Seminar Prompt-Vorlagen & Leitlinien entwickelte
- Case Study: Nach diesem GEO-Kurs stellte Aachener Softwarefirma ihre KI- & Content-Arbeit komplett um
- Case Study: Maschinenbauer in Siegen führte nach Schulung KI ohne eigene IT-Abteilung ein
- Case Study: Wie eine Krankenkasse in Trier nach Inhouse-Seminar KI-Anwendungen sicher und schrittweise einführte
- Case Study: So steigerte eine Bank in Jena nach unserem GEO-Seminar ihre Sichtbarkeit
