Künstliche Intelligenz ist an Hochschulen längst angekommen. Sie hilft beim Recherchieren, Schreiben, Programmieren und Lernen. Doch was bedeutet das für Prüfungen, Kompetenzen und den späteren Beruf? Marcel Spehr lehrt als Professor an der Fachhochschule Erfurt Web Engineering und beschäftigt sich mit generativer KI, Deep Learning und KI-Tools in der Lehre. Im Interview erklärt er, warum KI die Ausbildung nicht einfacher macht, sondern die Anforderungen verschiebt: hin zu Verständnis, Qualitätskontrolle und Verantwortung.
Herr Spehr, Sie lehren seit vielen Jahren Machine Learning und KI. Trotzdem haben Sie ChatGPT anfangs nicht sofort ernst genommen. Was hat Sie überrascht?
In diesem Feld bin ich seit dem Studium 2001 aktiv. Ich habe darin promoviert und später als Data Scientist große KI-Systeme implementiert und in den produktiven Betrieb gebracht. Einen Qualitätssprung in dieser Geschwindigkeit haben viele nicht erwartet. Ein halbes Jahr habe ich das tatsächlich unterschätzt und gedacht: Das kann nicht funktionieren. Diese Entwicklung ist unglaublich. Wir verstehen die mathematischen Grundlagen dieser Systeme, aber nicht jede Fähigkeit, die aus dieser Skalierung entsteht. Es ist überraschend, dass Milliarden trivialer Operationen plötzlich etwas erzeugen, das einfach das Komma an der richtigen Stelle setzt, ohne dass diese Logik explizit ausprogrammiert ist. Das ist irreal.
Verändert KI grundlegend, was Studierende künftig können müssen?
Ja und nein. Die klassischen Grundlagen im Informatikstudium bleiben wichtig: Programmieren, Algorithmik, Datenstrukturen, Modellierung, Softwarearchitektur, Qualitätssicherung, Sicherheit und die Fähigkeit, technische Systeme systematisch zu verstehen und zu konzipieren. Hinzu kommen ganz basale Kompetenzen: Texte genau lesen, Zusammenhänge erfassen, sich konzentrieren können. Ohne diese Fähigkeiten kann man KI-Ergebnisse nicht sinnvoll bewerten.
Dieses methodische, analytische, konzeptuelle Denken bleibt wichtig. Selbst wenn KI Codes erzeugt, muss der Mensch für Sicherheit, Robustheit und Korrektheit einstehen. KI ist ein Werkzeug; die Verantwortung bleibt beim Menschen.
Müssen Informatikerinnen und Informatiker also noch selbst Codes schreiben können?
Unbedingt. Nur wenn man Probleme selbst gelöst hat, kann man die Lösungen anderer evaluieren, das gilt auch für KI. Man braucht diesen Prozess, dass man sich überlegt, wie man ein Problem lösen würde, und es dann umsetzt. Es gibt dazu einen Satz, der in der KI-Debatte gerade häufig zitiert wird: 'You can outsource thinking, but you cannot outsource understanding.' Für die Lehre trifft das sehr gut: KI kann beim Suchen, Formulieren oder Programmieren helfen. Aber das Verstehen muss bei den Studierenden selbst entstehen.
Was bedeutet das für Prüfungen an der Hochschule, verändert sich hier auch etwas?
Die große Herausforderung ist die Zahl der Studierenden. Im ersten und zweiten Semester haben wir mitunter bis zu 100 Personen. Im dritten Semester kommt ein Projekt hinzu, das seit fünf Jahren läuft. Die Abgaben der Studierenden umfassen mittlerweile über 200.000 Zeilen Code. Die kann ich nicht vollständig prüfen. Und ich kann auch nicht sicherstellen, dass alle eigenständig geschrieben sind. Wir haben ein Legitimitätsproblem: Wir können nicht mehr garantieren, dass die Studierenden diese Arbeiten selbst verfasst haben. Darum müssen wir unsere Prüfungsformen anpassen.
Was wäre hier eine Lösung?
Wir müssen näher an die Studierenden kommen. Weg von reinen schriftlichen Abgaben, hin zu dialogischen Formaten. Wir prüfen die Kritikfähigkeit: Können Studierende Alternativlösungen benennen, Stärken und Schwächen abwägen und auf Rückfragen reagieren? In Code-Walkthroughs müssen Studierende ihren Code Schritt für Schritt erklären. Auch das Kolloquium bei Abschlussarbeiten gewichten wir stärker.
Vollständige Kontrolle haben wir trotzdem nie. Aber es gibt mehr Sicherheit. Und man konzentriert sich auf das, was zählt: Verständnis, nicht Codezeilen. Zugespitzt gesagt: KI führt dazu, dass wir in der Lehre wieder mehr Mensch sein müssen.
Wenn KI Codes erzeugt, wie verändert sich die Arbeit im Projekt? Was passiert mit den freigewordenen Ressourcen?
Da dreht sich die Ökonomie um. Wenn menschliche Ressourcen weniger in die Produktion fließen, können sie stärker in die Qualitätssicherung gehen. Man muss stärker überlegen, welches Verhalten Software haben soll, und weniger, wie jede einzelne Zeile geschrieben wird.
Vorher haben Tests keinen Spaß gemacht – entweder saß jemand da und klickte herum, oder es wurden automatisierte Tests geschrieben, die niemand gerne schreiben wollte. Jetzt kann man stärker fachlich hinterfragen: Was sollen die Tests eigentlich prüfen? Nicht zuerst: Wie schreibe ich sie technisch? Sondern: Welches Verhalten will ich sicherstellen? Die Zeitdividende, die KI-gestütztes Programmieren erzeugt, sollte in Testing investiert werden.
Was bedeutet das für das Programmieren? Verschwindet der Beruf oder verändert er sich?
Er verändert sich. Programmieren war und ist eine zentrale Tätigkeit dieses Berufs, aber nicht der ganze Beruf. Das ist ähnlich wie beim Arzt: Wenn KI bei der Diagnose unterstützt, verschwindet dadurch nicht der Arztberuf. Diagnose wird flankiert von Einordnung, Gespräch, Therapieentscheidung, Verantwortung und Begleitung. Für uns bleibt: Wir müssen Probleme verstehen, Anforderungen klären, mit Auftraggebern und Nutzenden Ziele präzisieren. Es müssen auch Systeme konzipiert, Architekturentscheidungen getroffen sowie Schnittstellen abgestimmt werden. Und natürlich müssen auch Risiken eingeschätzt, Qualität gesichert, Fehler analysiert, Tests entworfen sowie Sicherheit und Wartbarkeit beurteilt werden. Der Mensch muss orchestrieren: Ziele setzen, die richtigen Fragen stellen und Qualität sichern. Er wird nicht überflüssig, seine Rolle verschiebt sich. Er muss die treibende Kraft bleiben, sonst entsteht Output ohne Richtung.
Merken Sie, dass Studierende sich Sorgen machen, ob sie später noch gebraucht werden?
Definitiv. Das ist neu für uns. Früher sind Absolventinnen und Absolventen 'weggesaugt' worden – der Markt war so heiß, dass alle sofort einen Job fanden. Heute müssen sie suchen.
Klassische Junior-Aufgaben geraten unter Druck. Senior-Entwickler können mit KI produktiver werden und mehr Aufgaben selbst bewältigen. Dadurch fallen einfache Einstiegsaufgaben teilweise weg, an denen Berufseinsteiger früher gelernt haben. Das ist nachvollziehbar aus betriebswirtschaftlicher Sicht. Aber es fällt auf die Studierenden zurück.
Der berechtigte Zweifel ist da. Ich würde sagen, die Zeit, aus Opportunität – 'weil es einen sicheren Job gibt' – Informatik zu studieren, die ist vorbei. Aber wer sich wirklich für das Fach interessiert, wer ein intrinsisches Interesse mitbringt, der findet immer noch eine Aufgabe.
Sie setzen sich auch für die Demokratisierung von KI-Tools in Hochschulen ein. Was ist damit gemeint?
Die guten Modelle kosten Geld. Bessere Tools können zu besseren Lernprozessen und tieferem Verständnis führen. Bestehende Ungleichheiten können dadurch verstärkt werden. Für manche Studierende sind zwanzig Euro im Monat ein echtes Hindernis, während andere dadurch einen zusätzlichen Vorteil bekommen. Wir versuchen deshalb hochschulseitig, Zugänge zu schaffen.
Wie problematisch ist die Abhängigkeit von wenigen großen KI-Anbietern?
Das ist gefährlich, weil wir bei den leistungsfähigsten KI-Infrastrukturen und Modellen stark von wenigen internationalen Anbietern abhängig sind, vor allem aus den USA und China. Das ist keine Abhängigkeit wie bei Erdöl oder Erdgas, aber strategisch ähnlich relevant: Es geht um eine zentrale Infrastruktur für Produktivität, Forschung und Innovation.
Was würden Sie heutigen Studierenden raten? Wie sollten sie KI nutzen, ohne sich von ihr abhängig zu machen?
Agency entwickeln, also die mentale Grundhaltung, verstehen zu wollen und dann selbstwirksam handeln zu können. Wissen, welche Informationen notwendig sind. Fähigkeiten haben, diese Informationen zu beschaffen und zu hinterfragen: Warum tue ich was? Wie kann ich Mehrwerte erzeugen? Was ist das Ziel? Wie kann ich das verbessern?
Jede dieser Fragen kann KI-gestützt angegangen werden. Aber es darf nicht bei 'Prompt and pray' bleiben: eine Anfrage stellen, die Antwort übernehmen und hoffen, dass sie stimmt. Man darf nicht stehen bleiben und sagen: 'Okay, ich habe jetzt die Antwort bekommen.' Jede Antwort ist nur eine Stufe zur nächsten Frage.
Fragen zu stellen, sie in die Welt zu bringen, nicht nachzulassen und aus jeder Antwort die nächste Frage zu entwickeln: Das ist die Aufgabe des Menschen. Aus Verstehen muss dann Handeln werden. Dafür braucht es Begeisterung und Selbstwirksamkeit: den Willen, mit dem eigenen Können wirksam zu werden und die Welt ein Stück besser zu machen.
