Mit dem Einsatz generativer KI im Schreibprozess sind nicht nur neue Möglichkeiten, sondern auch grundlegende Herausforderungen verbunden. Diese betreffen Fragen von Autor*innenschaft, Eigenleistung und Leistungsbewertung. Für Lehrende entsteht daraus ein Spannungsfeld zwischen Ermöglichung, Begrenzung und Orientierung. 

In diesem Artikel erfahren Sie, 

• warum etablierte Konzepte von Autor*innenschaft und Plagiat unter Druck geraten, 
• weshalb technische KI-Detektion keine tragfähige Lösung darstellt, 
• welche Risiken von Abhängigkeit und Kompetenzverlust entstehen, 
• und welche Konsequenzen sich für Schreibaufgaben und Leistungsbewertung ergeben. 

Traditionelle Plagiatsbegriffe setzen voraus, dass jemand einen fremden, menschlich verfassten Text übernimmt und als eigenen ausgibt. Generative KI untergräbt diese Logik: Ein Text ist nicht kopiert, sondern neu erzeugt – und trotzdem keine eigenständige Leistung. 

Erschwerend kommt hinzu, dass KI-Nutzung im Schreibprozess selten ein einmaliges Ereignis ist. Studierende nutzen KI zur Ideenfindung, zur Strukturierung, zur Formulierungshilfe, zur Überarbeitung – oft an vielen Stellen gleichzeitig und fließend ineinander. Klassische Plagiatsprüfungen versagen hier strukturell: Sie erkennen Übernahmen, aber keine KI-gestützte Textproduktion. Zudem sind KI-Detektionstools fehleranfällig, rechtlich nicht belastbar und treffen nachweislich mehrsprachige Studierende überproportional (Weber-Wulff et al. 2023, Liang et al. 2023). Sie sind daher keine tragfähige Lösung. 

Auch die Frage, ab wann KI-Nutzung als Täuschung gilt, ist nicht einheitlich beantwortet, sondern variiert je nach Hochschule, Fach und Prüfungsformat. Ob beispielsweise die KI-gestützte sprachliche Überarbeitung ein Problem darstellt, hängt vom Lernziel ab: In einem ingenieurwissenschaftlichen Seminar mag das nachrangig sein, im Kurs Technisches Englisch ist genau das die zu erwerbende Kompetenz. 

Was folgt daraus für Lehrende? Weniger Kontrolle, mehr Gestaltung. Wer Aufgaben so konzipiert, dass Eigenleistung sichtbar wird – durch situative Einbettung, Prozessreflexion oder mündliche Elemente – macht die Frage nach Täuschung weniger virulent. Wie das konkret aussehen kann, zeigt Artikel 5. 

Ein weiteres Risiko besteht darin, dass Studierende Schreibprozesse zunehmend an KI abgeben und dadurch Schreibkompetenz verlieren. In der hochschuldidaktischen Diskussion wird das als Deskilling bezeichnet – der schleichende Verlust von Kompetenzen, die nicht mehr geübt werden. Nuxoll (2024) spricht von Skill Skipping: dem Überspringen produktiver Lernhindernisse, aus denen Kompetenzentwicklung erst entsteht. 

Deskilling oder neue Kompetenz?
Bastani et al. (2025) liefern erste Evidenz aus dem Mathematikunterricht: Schüler*innen mit KI-Zugang erzielten kurzfristig bessere Noten – schnitten nach Entzug des Tools jedoch schlechter ab als die Kontrollgruppe ohne KI. Dem steht die These des Upskillings gegenüber: Im Beruf wird KI nicht entzogen, sondern erwartet. Die relevante Kompetenz verschiebt sich dann vom Produzieren zum kompetenten Beurteilen und Überarbeiten von KI-Outputs. Das setzt allerdings voraus, dass Studierende überhaupt ein Qualitätsurteil entwickeln können – und dafür brauchen sie Schreiberfahrung. Beide Positionen schließen sich also nicht aus: Die zweite setzt die erste voraus. 

„Die Angst vor KI-generierten Arbeiten zeigt, wie sehr unser System auf Produkte (und nicht auf Prozesse) fokussiert ist. Wer bislang ‚besteht‘, weil er gut formulierte Texte abgibt, wird durch KI unterwandert – nicht, weil KI zu mächtig ist, sondern weil wir zu wenig inhaltliche Tiefe, Reflexion und Diskursfähigkeit einfordern.“

Prof. Dr. Doris Weßels (FH Flensburg, 2025)

Dies zieht nicht nur für Aufgabenformate, sondern auch für Bewertungskriterien Konsequenzen nach sich. Sprachliche Korrektheit und formale Vollständigkeit sind als Bewertungsmaßstäbe zunehmend ungeeignet. Kriterien wie Urteilsfähigkeit, Transferleistung und die Fähigkeit, den eigenen Denkweg nachvollziehbar zu machen, gewinnen dagegen an Gewicht.  Mögliche Anpassungen:

• Gleiche Beurteilungskriterien, höhere Anforderungen
• KI-Einsatz in Raster integrieren
• Formalia und sprachliche Aspekte geringer gewichten

Wichtig: Sprechen Sie mit den Studierenden über die Bewertungskritierien und wie sich der Einsatz von KI-Tools auf die Bewertung auswirkt.

• Haben Sie in Ihrer Lehrveranstaltung bereits kommuniziert, ob und wie KI genutzt werden darf? Was fehlt noch?  
• Wo sehen Sie bei Ihren Studierenden bereits Anzeichen von Skill Skipping?
• Denken Sie, dass Ihre Bewertungsraster eine Überarbeitung benötigen? 

• Lesen Sie Reinmann (2023): Diskussionspapier Deskilling.
• Schauen Sie sich dieses Beispiel eines angepassten Bewertungsrasters an: Bewertungsraster Thinktank

Im nächsten Artikel der Reihe zeigen wir konkrete Lösungsansätze, wie Schreibaufgaben KI-resilient, prozessorientiert und lernförderlich gestaltet werden können. 

• Peter Salden & Jonas Leschke (Hrsg.): Didaktische und rechtliche Perspektiven auf KI-gestütztes Schreiben in der Hochschulbildung. – https://hss-opus.ub.ruhr-uni-bochum.de/opus4/frontdoor/index/index/docId/9734 
• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122 
• Hochschule RheinMain (o.D.): Empfehlungen für Lehrende: Studentischer Einsatz von KI-Tools beim wissenschaftlichen Schreiben. https://www.hs-rm.de/fileadmin/HSRM/EXTERN/Abteilung/V_Studium_und_Lehre/V.1/KI%40HSRM/KI_Handreichungen_und_Anleitungen/AG_Empfehlungen_fuer_Lehrende.pdf
• Liang, W. et al. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7). https://doi.org/10.1016/j.patter.2023.100779 
• Nuxoll, F. (2024). Skill Skipping. Was Lehrpersonen tun können, damit KI nicht Lernprozesse verhindert. Lehren und Lernen, 50(6). 
• Reinmann, G. (2023). Deskilling durch Künstliche Intelligenz? Potenzielle Kompetenzverluste als Herausforderung für die Hochschuldidaktik (Diskussionspapier Nr. 25). Hochschulforum Digitalisierung. https://hochschulforumdigitalisierung.de/wp-content/uploads/2023/10/HFD_DP_25_Deskilling.pdf 
• Reinmann, G. (2023). Deskilling durch Künstliche Intelligenz? Potenzielle Kompetenzverluste als Herausforderung für die Hochschuldidaktik (Diskussionspapier Nr. 25). Hochschulforum Digitalisierung. https://hochschulforumdigitalisierung.de/wp-content/uploads/2023/10/HFD_DP_25_Deskilling.pdf 
• Tang, R., Chuang, Y.-N., & Hu, X. (2024). The science of detecting LLM-generated text. Communications of the ACM, 67(4), 50–59. https://doi.org/10.1145/3624725 
• Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S. et al. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19. 

Diesen Beitrag teilen

Der Beitrag wurde veröffentlicht im Juni 2026.