Die vorangegangenen Artikel haben gezeigt, warum Schreibaufgaben im Zeitalter generativer KI neu gedacht werden müssen. Dieser Artikel zeigt, wie das konkret aussehen kann – an vier Beispielen aus unterschiedlichen Disziplinen. Die Beispiele sind keine Musterlösungen, sondern Denkanstöße: Ausgangspunkte, die Sie für Ihre eigene Lehrveranstaltung adaptieren können. 

In diesem Artikel erfahren Sie, 

• wie klassische Schreibaufgaben aus vier Fächern KI-resilienter gestaltet werden können, 
• welche didaktischen Hebel dabei wirksam sind, 
• und was auch dann möglich ist, wenn Sie wenig curricularen Gestaltungsspielraum haben. 

Ursprüngliche Aufgabe: „Erläutern Sie anhand eines Fallbeispiels, welche Methoden der Sozialen Arbeit in einer Beratungssituation mit einem suchtmittelabhängigen Klienten eingesetzt werden können.“ 

Überarbeitete Aufgabe: „Beschreiben Sie eine Beratungssituation aus Ihrem Praktikum oder aus einer Fallvignette, in der Sie eine methodische Entscheidung treffen mussten oder in der jemand eine Entscheidung getroffen hat, die Sie nachvollziehen oder hinterfragen konnten. Begründen Sie: Welche Methode wurde gewählt, welche Alternativen wären denkbar gewesen, was hätte KI in dieser Situation vorgeschlagen? Kommentieren Sie den KI-Vorschlag kritisch.“ 

Kommentar: Die ursprüngliche Aufgabe lässt sich ohne Weiteres an ein KI-Tool delegieren. Die überarbeitete Version verlangt eine situative Einbettung. Der direkte Vergleich mit einem KI-Vorschlag macht KI zum Gegenstand fachlicher Reflexion. Gleichzeitig wird die berufsethische Dimension sichtbar: Was kann ich delegieren, was nicht? 

Ursprüngliche Aufgabe: „Analysieren Sie die Marketingstrategie eines Unternehmens Ihrer Wahl anhand des Marketing-Mix.“ 

Überarbeitete Aufgabe: „Wählen Sie ein Unternehmen, mit dem Sie als Kundin, Praktikant oder Beobachter persönlich Berührungspunkte hatten. Analysieren Sie eine konkrete Marketingentscheidung dieses Unternehmens, die Sie überrascht, irritiert oder überzeugt hat. Nutzen Sie KI, um eine erste Strukturierung nach dem Marketing-Mix zu erstellen und überarbeiten Sie das Ergebnis dann auf Basis Ihrer eigenen Beobachtungen und Einschätzungen. Dokumentieren Sie in einem kurzen Abschnitt: Was hat KI gut erfasst, was hat gefehlt oder nicht gestimmt?“ 

Kommentar: Der Marketing-Mix ist KI-Standardwissen. Die überarbeitete Aufgabe macht die KI-Nutzung explizit und transparent und fordert gleichzeitig ein, was KI nicht leisten kann: situiertes Urteil, persönliche Beobachtung, kritische Einschätzung. 

Ursprüngliche Aufgabe: „Erstellen Sie ein Laborprotokoll zur Messung des Frequenzgangs eines RC-Filters.“ 

Überarbeitete Aufgabe: „Erstellen Sie das Laborprotokoll wie üblich: Versuchsaufbau, Messwerte, Auswertung. Ergänzen Sie am Ende einen Abschnitt von ca. einer halben Seite: Wo wichen Ihre Messergebnisse von den theoretischen Erwartungen ab? Beschreiben Sie eine mögliche Ursache: technisch, messtechnisch oder durch Ungenauigkeiten im Aufbau. Dieser Abschnitt soll in eigenen Worten formuliert sein und darf nicht mit KI erstellt werden.“ 

Kommentar: Das Protokoll selbst bleibt, wie es ist: funktional, präzise, normgerecht. Der Zusatzabschnitt ist kurz, aber didaktisch entscheidend: Er verlangt Ursachenanalyse auf Basis der eigenen Messsituation. Das ist nicht automatisierbar, weil es die konkrete Laborsituation voraussetzt, die KI nicht kennt. Der explizite Hinweis „darf nicht mit KI erstellt werden“ ist eine transparente didaktische Entscheidung, die sich im Präsenzrahmen des Labors auch begründen lässt. 

Ursprüngliche Aufgabe: „Beschreiben Sie die Funktionsweise eines Verbrennungsmotors und erläutern Sie den Viertakt-Prozess.

Überarbeitete Aufgabe: „Recherchieren Sie mithilfe von KI eine aktuelle Herausforderung in der Weiterentwicklung von Verbrennungsmotoren, etwa in Bezug auf Effizienz, Emissionsreduktion oder alternative Kraftstoffe. Fassen Sie das Thema in eigenen Worten zusammen. Benennen Sie dann einen ingenieurwissenschaftlichen Zielkonflikt, der in diesem Kontext entsteht, und erläutern Sie, warum es keine einfache technische Lösung gibt. Geben Sie die verwendeten KI-Prompts im Anhang an.“ 

Kommentar: Die ursprüngliche Aufgabe ist reines Reproduktionswissen und damit vollständig KI-generierbar. Die überarbeitete Version nutzt KI als Recherchetool, verlagert den Lernfokus aber auf Transferleistung und Urteil: Das Benennen eines Zielkonflikts erfordert ingenieurwissenschaftliches Denken, das über Faktenwissen hinausgeht. Die Angabe der Prompts im Anhang macht den Arbeitsprozess sichtbar und kann Ausgangspunkt für eine kurze Seminardiskussion über Recherchestrategien sein. 

Die vier Beispiele folgen demselben Gedanken. In jedem wird die KI an einer Stelle des Schreibprozesses zugelassen und an einer anderen bewusst nicht. Der fachliche Kern bleibt bei den Studierenden, mal als kritischer Kontrast zum KI-Vorschlag, mal in der Überarbeitung eines KI-Entwurfs, mal in einem geschützten Abschnitt ohne KI, mal in der Transferleistung. Studierende müssen dabei nicht möglichst gut im Formulieren werden, sondern lernen, KI gezielt zu nutzen und ihre Ergebnisse fachlich zu beurteilen. Das Delegieren eines Teils der Schreibarbeit an die KI entlastet und macht Aufmerksamkeit und Zeit frei für den fachlichen Kern, für die Dateninterpretation im Laborbericht, die Begründung einer Entscheidung im BWL-Bericht, die methodische Einschätzung in der Falldokumentation. Das funktioniert, weil wir oft erkennen, ob ein Text fachlich trägt, ohne ihn selbst so schnell schreiben zu können.

Aus der internationalen Hochschulpraxis lassen sich weitere Aufgabenformate ableiten, die KI in fachtypisches Schreiben einbinden, ohne den fachlichen Kern preiszugeben (vgl. Sweetland Center for Writing, U Michigan; SUNY FACT² Guide; Harvard Bok Center; Mollick & Mollick, Assigning AI 2023):

• KI-Fassung gegen eigene Fassung. Studierende lassen die KI einen zusammenfassenden Teil schreiben, etwa Abstract oder Conclusion eines Laborberichts, und stellen ihn ihrer eigenen Fassung gegenüber. Sie markieren, wo die KI fachlich schwach wird, und begründen die Unterschiede.
• KI-Entwurf fachlich überarbeiten. Die KI liefert aus Stichworten einen ersten Entwurf eines Methodenteils oder einer Zusammenfassung. Studierende behandeln ihn als Rohfassung und arbeiten ihn fachlich durch, mit kurzer Begründung der Eingriffe.
• Quellen und Zahlen prüfen. Studierende lassen die KI einen Textabschnitt mit Quellen oder Daten erzeugen und überprüfen jede Angabe auf Existenz und Korrektheit. Erfundene Referenzen und falsche Werte werden dokumentiert.
• Genre wechseln. Studierende geben einen fachlichen Text ein und lassen ihn in ein anderes Genre übertragen, etwa einen Laborbericht in einen Brief an ein Stadtratsgremium, der dasselbe Argument trägt. Sie prüfen, was dabei fachlich verloren geht.
• Den fachlichen Kern in der Veranstaltung schreiben. Der sprachlich niederschwellige Teil darf mit KI entstehen, der Kern, also Dateninterpretation oder methodische Einschätzung, wird vor Ort und ohne KI verfasst.
• Der KI etwas beibringen. Studierende bringen der KI bei, eine fachtypische Aufgabe zu lösen, und prüfen anhand eigener Testfälle, wo sie scheitert. Wer etwas erklären will, muss es durchdrungen haben.

Der gemeinsame Nenner: Studierende lernen, an welchen Stellen sie mit KI interagieren und an welchen sie selbst arbeiten. Sie üben beides, das gezielte Anweisen und Nutzen der KI und das fachliche Beurteilen des KI-Outputs.

Das Team Lehr- und Kompetenzentwicklung (LeKo) unterstützt Sie gerne bei der Weiterentwicklung Ihrer Lehre – unabhängig davon, ob Sie hauptberuflich in der Lehre oder als Lehrbeauftragte:r tätig sind.
📧 Kontakt: leko@th-nuernberg.de

Rechtliche Grundlagen zum Einsatz von KI in der Lehre finden Sie in unserem Übersichtsartikel: KI in der Lehre: Rechtliche Grundlagen auf einen Blick

Nehmen Sie eine Schreibaufgabe, die Sie regelmäßig stellen.

• Fragen Sie sich: Was sollen Studierende dabei lernen, und ist das im aktuellen Format sichtbar?
• Überlegen Sie dann, welchen Teil der Aufgabe Studierende an KI delegieren könnten und welchen sie selbst durchdringen sollen.
• Skizzieren Sie auf dieser Grundlage eine überarbeitete Version und probieren Sie sie mit Ihren Studierenden aus. Wir sind alle in einer Experimentierphase, und unsere Aufgaben werden mit jeder Runde besser.

• Mollick, E. R. & Mollick, L. (2023). Assigning AI: Seven Approaches for Students, with Prompts. SSRN Working Paper No. 4475995. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4475995 (25.06.2026)
• Sweetland Center for Writing, University of Michigan (o. J.). GenAI and Writing in Engineering and Technical Communication. https://lsa.umich.edu/sweetland/instructors/guides-to-teaching-writing/genai-writing-in-engineering-technical-communication.html (25.06.2026
• Derek Bok Center for Teaching and Learning, Harvard University (o. J.). Designing Courses and Assignments in the Age of AI. https://bokcenter.harvard.edu/courses-and-assignments-in-age-of-ai (25.06.2026)
• Faculty Advisory Council on Teaching and Technology (FACT²) (2024). Optimizing AI in Higher Education: SUNY FACT² Guide (2. Aufl.). SUNY. https://fact2aiv2.pressbooks.sunycreate.cloud/ (25.06.2026

Bildnachweis: Jamillah Knowles & Digit / https://betterimagesofai.org / https://creativecommons.org/licenses/by/4.0/

Diesen Beitrag teilen

Der Beitrag wurde veröffentlicht im Juni 2026.