Prüfen in Zeiten von KI

Traditionelle Prüfungs- und Aufgabenformate funktionieren nicht mehr. Schriftliche Arbeiten, die ohne Aufsicht entstehen, lassen sich inzwischen an KI delegieren. Und zwar so, dass die Delegation kaum noch nachweisbar ist. Eine kürzlich breit diskutierte Erfahrung aus dem Hochschulkontext zeigt die Herausforderung: Selbst das, was bisher als "Eigenleistung" galt – kritische Einordnung, Reflexion, Prozessbeschreibung –, kann KI inzwischen überzeugend simulieren. Das wirft grundsätzliche Fragen auf: Welche Form von KI-gestützter Leistung erkennen wir als legitim an? Und wo müssen Basiskompetenzen weiterhin ohne KI erworben und nachgewiesen werden?

Im Folgenden möchte ich vier allgemeine Strategien vorstellen, um weiterhin wirksame Prüfungsformate zu konzipieren.

Prävention: Prüfungsformate anpassen, um Kontrolle zu ermöglichen

Die pragmatischste Reaktion besteht darin, Prüfungssituationen zu schaffen, in denen KI-Nutzung ausgeschlossen ist oder zumindest nachvollziehbar werden würde. Den Schreibprozess kann man ganz klassisch beaufsichtigen (Klausur unter Aufsicht) oder mit der geeigneten Software, die Einsicht in die Versionshistorien von Dokumenten gibt, nachverfolgen (Google Docs oder Word Online). Solche niedrigschwelligen Methoden haben auch eine präventive Funktion für unbeaufsichtigte Arbeiten. Denn wenn man weiß, dass am Ende eine Klausur ohne Hilfsmittel und unter Aufsicht steht, muss sich unter genau diesen Bedingungen vorbereiten. Das ist übrigens das Modell der University of Oxford, wo ich von 2022 bis 2024 lehren durfte: Die Essays, die Studierende während des Semesters schreiben, bereiten auf eine Abschlussprüfung vor, die unter Aufsicht und ohne Hilfsmittel stattfindet. Das verändert die gesamte Lernhaltung.

Noch valider als beaufsichtigte schriftliche Formate sind mündliche Prüfungen. „Wer seine eigene Arbeit nicht live erklären kann, dem nützt das schriftliche Artefakt nichts", bringt es Panos Ipeirotis von der New York University auf den Punkt. Ein naheliegender Einwand gegen mündliche Prüfungen liegt wegen des zeitlichen Aufwandes für Prüfer*innen in der mangelnden Skalierbarkeit. Eben diesen Einwand hat Ipeirotis entkräftet, indem er mit seinem Team ein System entwickelt hat, bei dem KI-Agenten die Prüfung durchführen: individualisiert, mit Nachfragen zum konkreten Projekt der Studierenden und automatisiert ausgewertet durch ein „Gremium" aus mehreren Sprachmodellen. Die Korrelation mit menschlicher Bewertung war dabei hoch und das Feedback an die Studierenden sogar präziser als das, was menschliche Prüfende unter Zeitdruck liefern könnten.

Adaption: Aufgaben KI-resistent gestalten

Ein zweiter Ansatz besteht darin, Aufgaben so zu gestalten, dass sie sich nicht sinnvoll an KI delegieren lassen, weil sie auf Informationen zugreifen, die KI nicht hat. Hier bieten sich analoge Quellen an, die nicht digitalisiert sind: ein Archivbesuch, ein physisches Experiment, die Diskussion der letzten Stunde … . Oder man verlangt persönliche Bezüge, die nur die Lernenden selbst herstellen können. Die Stichhaltigkeit dieses Ansatzes ist hoch, aber er erfordert kontinuierliche Überprüfung: Was heute analog ist, kann morgen digitalisiert sein und natürlich können auch Schüler*innen und Studierende KI-Agenten bauen, die beispielsweise ihre Biographie als Kontextwissen haben. Außerdem darf KI-Resistenz kein Selbstzweck werden, sonst leidet die Motivation.

Motivation: Positive Anreize für das Lernen und den Kompetenzaufbau

Der dritte Ansatz liegt jenseits von Prüfungsformaten. Er betrifft die Frage, warum Menschen überhaupt bestimmte Kompetenzen erwerben und selbstständig arbeiten wollen. Die Gründe dafür sind vielfältig. Manche lernen zweckorientiert für einen berufsermöglichenden Abschluss, um perspektivisch den eigenen Lebensunterhalt zu sichern. Bei anderen ist die Motivation diffuser. Sie wollen vielleicht einfach etwas können, das ihnen wichtig ist. Die psychologische Forschung zeigt, dass Menschen ein grundlegendes Bedürfnis nach Selbstwirksamkeit haben: Sie wollen erleben, dass ihr Handeln etwas bewirkt. Dieses Bedürfnis wird aber nur angesprochen, wenn Aufgaben auch Sinn machen, weil sie echte Adressaten haben, Entscheidungsspielräume bestehen und das Ergebnis für jemanden relevant ist. Die pädagogische Herausforderung besteht entsprechend darin, Situationen zu schaffen, in denen Lernende für ihre Arbeit verantwortlich sein wollen, weil sie ihnen etwas bedeutet. Das lässt sich nicht verordnen und nur begrenzt formalisieren, aber es ist ein grundsätzlich positiver Faktor. Und wer intrinsisch motiviert ist, den muss man auch nicht kontrollieren.

Innovation: KI als Werkzeug in der Prüfung

Statt KI auszuschließen, kann sie explizit Teil der Prüfungsleistung werden. Dies beschreibt den Kern des letzten Ansatzes, wobei sich zwei Varianten unterscheiden lassen. Die eine Variante prüft KI-Kompetenz selbst: Wie präzise waren die Prompts? Wie wurde iteriert? Welche Entscheidungen wurden im Dialog mit der KI getroffen? Und vor allem: Erkennt jemand, warum ein KI-Output (nicht) funktioniert? Diese Urteilsfähigkeit ist die Brücke zwischen Fachwissen und KI-Kompetenz. Die andere Variante prüft die Lösungskompetenz bei Aufgaben, die so anspruchsvoll sind, dass KI sie nicht ohne Weiteres souverän übernehmen kann. Warum nicht statt einer Hausarbeit eine funktionierende Website oder ein tragfähiges Geschäftskonzept als Prüfungsleistung verlangen? Das entspricht den Bedingungen der realen Welt, in der KI-Nutzung selbstverständlich sein wird.

Die Kombination macht's

Die Diskussion um Prüfen in Zeiten von KI ist darum so wichtig, weil es keine einfachen Lösungen gibt. Jeder einzelne Ansatz hat Grenzen. Prävention durch Aufsicht und Kontrolle ist ressourcenintensiv und löst nicht das Problem sinnloser Aufgaben; sie stellt nur sicher, dass Lernende sie selbst erledigen. Adaption durch KI-resistente Aufgaben erfordert kontinuierliche Überprüfung. Motivation durch sinnvolle Aufgaben und echte Verantwortung lässt sich nicht verordnen und hängt von Faktoren ab, die Lehrende nur begrenzt beeinflussen können. Und Innovation durch KI-Integration in Prüfungen ist sowohl technisch als auch rechtlich voraussetzungsvoll (das gilt gemäß dem EU AI Act als Hochrisiko-KI, für die strenge Anforderungen gelten, vgl. meinen Artikel dazu).

Aber die Ansätze ergänzen sich. Prävention schafft Rahmenbedingungen, unter denen Lernen und Kompetenzerwerb stattfinden muss. Adaption passt die Aufgaben an die neuen Möglichkeiten an. Motivation sorgt dafür, dass Eigenleistung nicht nur erzwungen, sondern auch gewollt wird. Und Innovation integriert KI-Kompetenz als eigenständiges Lernziel.

© Sven Lüder, www.ki-lehren.de