Mein KI-Update 2025

Von neuen Funktionen zu fundamentalen Veränderungen

Als Beatrice mich fragte, ob ich beim Online-Vortrag in Graz aktuelle Zahlen zur KI-Nutzung präsentieren könnte, dachte ich: „Klar, mache ich.“ Ich begann zu recherchieren und stellte fest, dass es gar nicht so einfach ist, wirklich aktuelle Zahlen für 2025 zu finden. Aber dann, als ich die Studien gefunden und in meine Folien eingefügt hatte, blieb ich einen Moment sitzen und starrte auf die Zahlen. 91 % der Studierenden nutzen KI-Tools im Studium. 88 % der Lehrenden in der Hochschullehre. Ein fundamentaler Sprung. KI ist angekommen – auf beiden Seiten des Hörsaals. Doch dann sehe ich die nächste Zahl. Nur 50 % der Studierenden und 35 % der Lehrenden nutzen KI wirklich intensiv. Viele kratzen nur an der Oberfläche.

Die neue Realität wird zur Normalität

Diese Zahlen verändern die Diskussion nachhaltig. Vor zwei Jahren fragten wir noch, ob Studierende KI nutzen dürfen sollten. Ob wir als Lehrende experimentieren sollten. Diese Fragen sind obsolet geworden. Die überwiegende Mehrheit nutzt KI bereits für Verständnisfragen, Texterstellung, Recherchen und Übersetzungen. KI ist Teil der Lernrealität und der Lehrpraxis.

Doch die zweite Zahl zeigt mir etwas anderes. Nur die Hälfte der Studierenden und ein Drittel der Lehrenden nutzen KI intensiv. Viele kennen ChatGPT, vielleicht auch Claude oder Gemini. Sie stellen Fragen, lassen sich Texte generieren, nutzen die Grundfunktionen. Aber die tieferen Möglichkeiten bleiben ungenutzt. Deep Research? Personalisierte Chatbots? Canvas für interaktives Arbeiten? Für viele sind das noch Fremdwörter.

Gleichzeitig verdoppelt sich alle sechs Monate die Leistungsfähigkeit der KI-Modelle. Neue Funktionen kommen hinzu, bestehende werden besser, die Möglichkeiten erweitern sich ständig. Selbst ich, die ich mich beruflich intensiv damit beschäftige, komme kaum hinterher. Wie sollen Personen da mithalten, die neben ihrer Arbeit noch die neuesten KI-Entwicklungen verfolgen sollen?

Aus dieser Erkenntnis heraus habe ich eine Entscheidung getroffen. Ich schreibe alle sechs Monate ein KI-Update. Nicht, weil ich alles weiß oder alle Tools perfekt beherrsche. Sondern, weil ich diese Reise bereits gehe, mit allen Frustrationen, Überraschungen und Lernmomenten. Dieses Update ist für alle, die bereits KI nutzen und mehr herausholen möchten. Es zeigt, welche Funktionen es gibt, was sich verändert hat und wohin die Reise geht.

Was sich 2025 wirklich verändert hat

Bevor ich zu den konkreten Tools komme, drei fundamentale Entwicklungen, die für mich das Jahr 2025 geprägt haben.

Deep Research hat die Spielregeln verändert. KI-Systeme erstellen heute 30-seitige, gut recherchierte Berichte in 20 Minuten. Was früher Stunden an Literaturrecherche bedeutete, liefert Deep Research strukturiert mit Quellenangaben. Für Lehrende verschiebt sich die Rolle vom Informationsbeschaffenden zum Kurator. Die KI liefert Material, wir bewerten und ordnen ein. Das schafft Freiraum für pädagogische Interaktion.

Die Agenten sind da und funktionieren. KI-Systeme wie Claude und ChatGPT erledigen heute mehrstufige Aufgaben autonom. Ein Agent kann zum Beispiel recherchieren, Ergebnisse tabellarisch aufbereiten, Zusammenfassungen erstellen und alles formatieren, ohne dass ich nach jedem Schritt eingreifen muss. Perfekt ist das nicht. Manchmal scheitern sie, manchmal dauert es länger als erwartet. Aber sie funktionieren gut genug, dass ich sie 2026 intensiv nutzen werde.

Transparentes Reasoning wird Standard. Claude, Gemini und ChatGPT zeigen heute ihren Denkprozess. Der Thinking Mode macht sichtbar, wie die KI zu einer Antwort kommt, welche Überlegungen sie anstellt. Didaktisch wertvoll für Lernende, die nicht nur das Ergebnis sehen, sondern den Weg dorthin nachvollziehen können.

Diese drei Entwicklungen führen zu einer zentralen Erkenntnis. Prompting ist tot. Nicht wörtlich, aber als mühsame Kunst des Prompt Engineering. Die Systeme verstehen unsere Absichten besser, fragen nach, schlagen Alternativen vor. Was heute zählt, ist zu wissen, was man als Ergebnis möchte. Die Möglichkeiten kennen, die KI bietet. Und die Ergebnisse kritisch prüfen können. Die neue Kernkompetenz ist nicht Prompt Engineering, sondern Kreativität und die Fähigkeit, KI-Ausgaben auf Plausibilität und Faktenhaltigkeit zu prüfen.

Doch genau hier liegt die Herausforderung. Um kreativ mit KI arbeiten zu können, muss ich wissen, welche Möglichkeiten sie überhaupt bietet. Um Ergebnisse kritisch zu prüfen, brauche ich ein Verständnis dafür, was die Systeme leisten können und wo ihre Grenzen liegen. Beides setzt voraus, dass ich die aktuellen Funktionen kenne. Deshalb lohnt sich ein Blick auf die drei großen Modelle und was sie heute können.

ChatGPT, Claude, Gemini im Vergleich

Ich nutze ChatGPT, Claude und Gemini in der Pro-Version, weil ich für meine Vorträge und meine Lehre die Unterschiede kennen möchte. Jeden Tag teste ich neue Funktionen, vergleiche, wie die Systeme auf die gleiche Aufgabe reagieren, wo sie sich unterscheiden. Dabei bin ich ein frustrierter Claude-Fan geblieben. Claude erstellt native Office-Dokumente, das Projects-System funktioniert hervorragend, das Extended Thinking beeindruckt mich. Aber dann komme ich ans Token-Limit und muss mittendrin abbrechen. Bei umfangreichen Projekten wechsle ich zu ChatGPT oder Gemini, auch wenn mir deren Ergebnisse manchmal weniger zusagen.

Für dich empfehle ich etwas anderes. Such dir eines der drei Modelle aus und lerne, es wirklich zu nutzen. Die kostenlosen Versionen geben einen ersten Eindruck, aber das volle Potenzial erschließt sich erst mit den Pro-Funktionen. Um dir die Orientierung zu erleichtern, habe ich die Vergleichsgrafik erstellt. Sie zeigt sechs Dimensionen, in denen sich die Modelle Funktionen bieten. Die Sterne markieren, wo ein Modell besonders herausragt. Die Bewertung basiert auf meiner subjektiven Erfahrung, sie soll vor allem eines zeigen. Es gibt viel mehr zu entdecken, als die meisten nutzen.

Arbeitsmodi für wiederkehrende Aufgaben. Alle drei Systeme bieten personalisierte Chatbots. Bei ChatGPT heißen sie GPTs, bei Claude Projects, bei Gemini Gems. Ich kann sie einmal mit spezifischen Anweisungen und Dokumenten einrichten, dann arbeiten sie immer wieder nach dem gleichen Muster. Das eignet sich beispielsweise für Feedback, für die Vorbereitung von Lehrmaterialien, für Aufgaben, die sich wiederholen. Zusätzlich bieten alle drei einen speziellen Lernhilfe-Modus. Statt direkt Antworten zu geben, stellt das System Gegenfragen und führt durch den Lernprozess. Alle drei ermöglichen auch anonyme Chats, bei denen die Konversation nicht gespeichert wird. Bei ChatGPT heißt das Temporary Chat, bei Claude Incognito Chat, bei Gemini Temporary Chat.

Interaktive Bearbeitung verändert die Textarbeit. ChatGPT nennt das Canvas, Claude, Artifacts, Gemini ebenfalls Canvas. Texte werden direkt im System überarbeitet, einzelne Absätze umformuliert, der Ton angepasst. Ich nutze Artifacts von Claude am intensivsten, weil die Ergebnisse mich überzeugen. Der große Unterschied zeigt sich bei Office-Dokumenten. Claude erstellt native DOCX-, PPTX- und XLSX-Dateien, die sich direkt öffnen und weiterbearbeiten lassen. ChatGPT und Gemini können das zwar auch, aber Claude ist in dieser Hinsicht deutlich besser. Wenn ich regelmäßig Arbeitsblätter, Präsentationen oder Handouts erstelle, ist Claude meine erste Wahl. Alle drei können Code ausführen, was für Datenanalysen und Visualisierungen praktisch ist.

Content-Generierung zeigt die größten Unterschiede. ChatGPT erstellt mit DALL-E Bilder und mit Sora Videos. Gemini nutzt Imagen für High-End-Bilder, Nano Banana für schnelle Bildbearbeitung und Veo für Videos. Claude bietet aktuell keine klassische Bildgenerierung, kann aber SVG-Grafiken erstellen. Die Vergleichsgrafik für diesen Artikel stammt von Claude, komplett als Code generiert. Für Lehrend stellt sich eine praktische Frage. Brauche ich Bildgenerierung für Präsentationen oder Arbeitsblätter? Dann sind ChatGPT oder Gemini die bessere Wahl. Arbeite ich vor allem mit Dokumenten, Tabellen und Präsentationen? Dann ist Claude im Vorteil.

Intelligenz und Recherche auf beeindruckendem Niveau. Alle drei durchsuchen das Web, alle drei bieten Deep Research. Sie erstellen umfassende Berichte mit Quellenangaben, die früher Stunden oder Tage gebraucht hätten. Das erweiterte Denken funktioniert bei ChatGPT mit den o1-Modellen, bei Claude mit Extended Thinking und bei Gemini im Thinking Mode. Diese Funktionen nutzen mehr Rechenzeit, um Schritt für Schritt durch komplizierte Aufgaben zu denken. Ideal für Programmierung und komplexe Argumentationen. Die Unterschiede liegen weniger in der grundsätzlichen Fähigkeit, als in den konkreten Ergebnissen und wie gut sich die Funktionen in den Arbeitsablauf integrieren lassen.

Personalisierung über mehrere Gespräche hinweg. Alle drei Systeme haben ein „Memory“. Sie merken sich Informationen über mich und meine Präferenzen. Bei Gemini ist diese Funktion allerdings noch eingeschränkter als bei ChatGPT und Claude. Ein Unterschied liegt bei den Schreibstilen und hier begeistert mich Claude besonders. Ich kann beliebig viele eigene Styles erstellen. Einen für Substack-Artikel, einen für wissenschaftliche Texte, einen für Präsentationen. Sobald ich einen Stil auswähle, schreibt Claude konsistent in genau diesem Ton. Bei ChatGPT definiere ich das über Custom Instructions selbst, aber ich kann nicht zwischen verschiedenen, vordefinierten Stilen wechseln. Gemini bietet diese Funktion nicht explizit an. Für die Lehre ist das praktisch. Ich kann Claude einmal beibringen, wie ich mit meinen Studierenden kommuniziere, und er hält diesen Ton durch.

Cloud-Integration und agentische Funktionen. Hier punktet Gemini mit nativer Google Workspace-Integration. Es greift direkt auf Google Docs, Gmail, Drive und Calendar zu. Wer im Google-Ökosystem arbeitet, findet hier den direktesten Zugang. Claude und ChatGPT bieten ebenfalls Cloud-Integrationen an. Bei den agentischen Funktionen, also der Fähigkeit, selbstständig mehrere Schritte auszuführen, hat ChatGPT Tasks für längere, autonome Aufgaben. Claude bietet zusätzlich das experimentelle Computer Use, das tatsächlich den Computer steuern kann. Gemini hat noch keine vergleichbare Funktion. Wer stark im Google-Ökosystem arbeitet, profitiert von Gemini. Wer komplexe, mehrstufige Aufgaben automatisieren möchte, findet bei Claude und ChatGPT die besseren Werkzeuge.

Womit du anfangen kannst

Nach diesem Überblick bleibt eine praktische Frage: Was solltest du konkret ausprobieren? Drei Funktionen lohnen sich besonders.

Deep Research bringt den schnellsten Aha-Moment. Gib einen Rechercheauftrag und schau zu, wie die KI in 20 Minuten einen umfassenden Bericht mit Quellenangaben erstellt. Was früher Stunden an Literaturrecherche bedeutete, erledigt das System strukturiert und nachvollziehbar. Für die Vorbereitung von Lehrmaterialien oder die Einarbeitung in neue Themen verändert das die Arbeitsweise grundlegend. Wenn du Deep Research genauer verstehen möchtest, mit konkreten Beispielen und einem Screencast-Vergleich aller drei Tools, findest du hier meinen ausführlichen Artikel.

Personalisierte Chatbots für wiederkehrende Aufgaben sparen enorm Zeit. Richte einen Bot ein, der dir Feedback gibt oder dir bei der Erstellung von Prüfungsfragen hilft. Einmal mit den richtigen Anweisungen und Dokumenten ausgestattet, arbeitet er konsistent nach dem gleichen Muster. Die anfängliche zeitliche Investition zahlt sich bei jeder weiteren Nutzung aus.

Agentische Funktionen sind noch experimentell, aber bereits nutzbar. ChatGPT und Claude können mehrstufige Aufgaben autonom ausführen. Die Systeme sind nicht perfekt, manchmal scheitern sie an unerwarteten Problemen. Aber sie funktionieren gut genug, sodass ich sie 2026 intensiv in meine Arbeitsprozesse integrieren werde. Wer früh damit experimentiert, versteht besser, wo die Reise hingeht.

Probiere nicht alles auf einmal aus, sondern eine Funktion nach der anderen. Ausprobieren, verstehen, in den eigenen Workflow integrieren. Genau so habe ich es gemacht und genau so empfehle ich es dir.

NotebookLM als Entdeckung des Jahres!

Es gibt viele tolle Tools neben den großen Drei. Stellvertretend möchte ich eines vorstellen, das mich dieses Jahr besonders begleitet hat. NotebookLM von Google, speziell für Bildung entwickelt, hat meine Arbeitsweise verändert. Die Geschichte damit begann im letzten Jahr, mit dem Biologietest meiner Tochter.

Sie war elf, lernte für eine Prüfung und ich wollte ausprobieren, ob NotebookLM helfen kann. Ich fotografierte die Seiten aus ihrem Biologieheft, machte daraus ein PDF und lud es in NotebookLM hoch. Das System konnte die Handschrift lesen, das überraschte mich. Dann spielte ich mit Prompts herum, damit der Podcast auf Deutsch funktionierte und sich an das Niveau einer Elfjährigen anpasste. Nach einigen Versuchen klappte es. NotebookLM erstellte einen Podcast zum Lernstoff, in dem zwei Stimmen den Inhalt erklärten. Meine Tochter hörte ihn beim Lernen und es half ihr tatsächlich.

Dieses Jahr hat sich NotebookLM explosionsartig weiterentwickelt. Die Podcasts funktionieren jetzt in über 50 Sprachen, ohne dass ich mit Prompts kämpfen muss. Aber das ist nur der Anfang. Das System erstellt Flashcards und Quizzes aus hochgeladenen Dokumenten. Es generiert Videos, Präsentationen und Infografiken in verschiedensten Stilen. Für meine Studierenden habe ich ein Notebook in NotebookLM zu einem Testinhalt angelegt. Die Studierenden können damit lernen, Fragen stellen, sich Zusammenfassungen in unterschiedlichen Formaten erstellen lassen. Sie nutzen es aktiv und das Feedback ist durchgehend positiv.

Für die Literaturarbeit hat sich NotebookLM für mich als unverzichtbar erwiesen. Ich lade PDFs hoch, chatte mit den Dokumenten, lasse mir Kernaussagen zusammenfassen, überprüfe generierte Antworten schnell. Was früher bedeutete, dass ich jeden Artikel komplett lesen musste, um zu entscheiden, ob er relevant ist, kann ich mit NotebookLM jetzt in Minuten erledigen. Ich empfehle es inzwischen aktiv weiter, in meinen Vorträgen, in meiner Lehre, in Gesprächen mit Kolleginnen und Kollegen. Die Vielseitigkeit beeindruckt mich nach wie vor. Von der Biologieprüfung einer Elfjährigen bis zur Literaturarbeit, von Lernpodcasts bis zu Infografiken. NotebookLM zeigt, was möglich wird, wenn Tools gezielt für die Bildung entwickelt werden.

Was das für die Lehre bedeutet

Ethan Mollick nennt es die „Hausaufgaben-Apokalypse“ und wenn ich in meine Lehrveranstaltungen schaue, verstehe ich, warum. Die traditionelle Hausaufgabe, die eigenständige Bearbeitung voraussetzt, funktioniert nicht mehr wie früher. 91% der Studierenden nutzen KI, 88% der Lehrenden. Es braucht keine Diskussion mehr über die Zulassung von KI, denn sie ist die Realität unseres Arbeitsalltags.

Dabei beobachte ich zwei Illusionen, die die aktuelle Debatte prägen. Die erste ist die Illusion zuverlässiger KI-Erkennung. Tools, die versprechen, KI-generierte Texte zu identifizieren, arbeiten nicht verlässlich genug. Sie produzieren falsch positive und falsch negative Ergebnisse, diskriminieren oft nicht-muttersprachliche Studierende. Die zweite Illusion betrifft den Lernfortschritt selbst. Studierende merken oft nicht, dass KI-Unterstützung ihr eigenes Lernen untergräbt. Sie fühlen sich kompetent, weil die Ergebnisse gut aussehen, aber die tiefe Auseinandersetzung mit dem Stoff findet nicht mehr statt.

Der notwendige Paradigmenwechsel liegt darin, vom Bewerten des Endprodukts zur Begleitung des Lernprozesses überzugehen. Wenn wir möchten, dass Lernende wirklich lernen, brauchen sie Aufgaben, die es wert sind, bearbeitet zu werden. Aufgaben, bei denen KI unterstützen kann, aber nicht ersetzt. Der Fokus verschiebt sich von der Frage „Was haben sie produziert?“ zu den Fragen „Wie sind sie dabei vorgegangen?“ und „Wie präsentieren und verteidigen sie ihr Ergebnis?“. Die Präsentation des Endprodukts, das Erklären der Entscheidungen, das Begründen der gewählten Herangehensweise werden zu zentralen Elementen der Bewertung.

Das verändert unsere Rollen als Lehrende. Wir werden zu Lern-Designern statt Wissensvermittlern, zu Workflow-Managern statt Korrektoren, zu Qualitäts-Auditoren statt Textern. Diese Verschiebung ist nicht trivial. Sie erfordert neue Kompetenzen, neue Denkweisen, neue Arbeitsabläufe. Lehrende, die KI nur zur Materialerstellung verwenden, verschenken Potenzial. Der größere Mehrwert entsteht, wenn KI auch als Denkpartner dient, zur Reflexion anregt, Prozesse sichtbar macht.

Gleichzeitig wird Faktenwissen nicht weniger wichtig, sondern sogar noch relevanter. KI neigt dazu, Fakten zu halluzinieren, erfindet Quellen und vermischt Fakten mit Plausibilitäten. Halluzinationen von Fakten zu unterscheiden, bleibt uns Menschen überlassen. Das bedeutet, dass Faktenwissen und AI-Literacy zu einer unverzichtbaren Kompetenz werden. Das gilt nicht nur für Lernende, sondern auch für uns Lehrende. Wir müssen verstehen, wie KI funktioniert, wo ihre Grenzen liegen und wie wir Ausgaben kritisch prüfen.

Der Fortbildungsbedarf ist enorm. Die meisten Lehrenden fühlen sich im Umgang mit KI unsicher. Hier liegt eine der größten Herausforderungen. Nur wenn wir als Lehrende mit KI umgehen können, können wir auch mit der „Hausaufgaben-Apokalypse“ umgehen. Nur wenn wir die Tools selbst nutzen, verstehen wir, was unsere Lernende damit machen. Die Verantwortung wächst mit der Macht der Werkzeuge.

Wohin die Reise geht

Die Funktionen und Tools von heute sind faszinierend, aber sie sind nur ein Zwischenschritt. Wenn ich versuche, vorherzusehen, was 2026 bringen wird, sehe ich drei Entwicklungen, die meine Arbeit grundlegend verändern werden.

Agentische Funktionen werden ausgereifter sein. Ich habe es bereits erwähnt. Die Agentenfunktionen von ChatGPT und Claude funktionieren heute, aber sie sind noch experimentell. 2026 werden sie stabiler sein, zuverlässiger, in mehr Kontexten einsetzbar. Ich werde sie intensiv testen und in meine Arbeitsprozesse integrieren. Nicht, weil ich automatisieren möchte, um der Automatisierung willen, sondern weil sie Freiraum schaffen für das, was wirklich zählt. Die pädagogische Interaktion, das Gespräch mit Studierenden, die Entwicklung neuer Lehrkonzepte.

Die Office-Integration wird meine Arbeitsweise beschleunigen. KI kann heute schon begrenzt in Excel rechnen, in Word Dokumente bearbeiten, in PowerPoint Präsentationen erstellen. Aber die Integration ist noch nicht nahtlos genug. 2026 wird KI hier viele Fortschritte bringen. Für die E-Learning-Produktion, für die Erstellung von Lehrmaterialien, für die Auswertung bedeutet das ein enormes Beschleunigungspotenzial. Was heute Stunden dauert, kann in Minuten erledigt werden.

Arbeitsprozesse werden sich fundamental verändern. Das ist die tiefgreifendste Entwicklung. Tätigkeiten, die früher mehrere Personen mit unterschiedlichen Berufsprofilen erledigt haben, kann jetzt eine Person mit KI bewältigen. Bilder erstellen, Videos produzieren, Texte schreiben, Konzepte entwickeln, auf einer Website oder in einer Lernstrecke umsetzen. All das kann eine einzelne Person mit den richtigen KI-Tools und Kompetenzen erledigen. Das führt zu neuen Berufsprofilen, die gleichzeitig breiter und tiefer werden. Breiter, weil sie mehr verschiedene Tätigkeiten umfassen. Tiefer, weil sie tiefes Fachwissen in vielen Bereichen erfordern. Es geht darum, die KI zu steuern, kreative, neue Lösungen zu entwickeln, die mit der realen Welt verknüpft sind. Nicht nur Ergebnisse zu überprüfen, sondern neue Kombinationen zu schaffen, die vorher nicht möglich waren.

Diese Entwicklung betrifft direkt meine Studierenden im E-Learning und Wissensmanagement. Wir überarbeiten gerade unser Curriculum, um diese Veränderungen zu antizipieren. Die Frage ist nicht mehr, ob wir KI integrieren, sondern wie wir unsere Studierenden auf eine Arbeitswelt vorbereiten, in der sie mit KI als ständigem Begleiter arbeiten werden. Gleichzeitig bedeutet diese Entwicklung, dass mehr Menschen Dinge erreichen können, die früher nur großen Organisationen vorbehalten waren. Eine einzelne Person oder eine kleine Gruppe kann heute Projekte umsetzen, für die man früher Teams mit verschiedenen Spezialistinnen und Spezialisten brauchte.

Um wirklich produktiver mit KI zu arbeiten, müssen wir neue Gewohnheiten entwickeln. Anfangs kostet es Überwindung und Zeit, KI-Tools konsequent einzusetzen. Die gewohnten Arbeitsabläufe funktionieren noch, warum sollte ich sie ändern? Aber mit der Zeit kann diese Investition viel Zeit einsparen. Wir stehen vor der Aufgabe, Platz für Erprobung zu schaffen. Durch Fortbildungen, durch Anreizsysteme, durch geschützte Räume, in denen Scheitern erlaubt ist. Nur so können wir lernen, wo KI in unserem eigenen Workflow hilft und wo nicht.

Die schwerste Erkenntnis kommt zum Schluss

Ich muss an dieser Stelle etwas Persönliches gestehen. Es gibt eine Entwicklung, die mir, als ausgebildete Bibliothekarin, die einen großen Teil ihres Lebens lesend verbracht hat, im Herzen wehtut. Die Erosion des Schriftlichen als Kompetenznachweis.

Jahrhunderte lang haben wir Qualifikation und Können an schriftlichen Produkten gemessen. Ein gutes Anschreiben zeigte, dass jemand sich ausdrücken, strukturieren, überzeugen kann. Ein wissenschaftlicher Artikel bewies methodisches Denken, Forschungskompetenz, die Fähigkeit zu argumentieren. Abschlussarbeiten dokumentierten, dass Studierende eigenständig ein Thema bearbeiten können. Diese schriftlichen Signale waren nicht perfekt, aber sie funktionierten. Sie zeigten, was jemand kann, oder zumindest, dass diese Person Zugang zu jemandem hat, der es kann.

Diese Signalwirkung erodiert. Heute kann jeder mit KI ein überzeugendes Anschreiben erstellen, einen gut strukturierten Artikel verfassen, eine formal korrekte Abschlussarbeit schreiben. Das gilt sogar für wissenschaftliche Arbeiten mit empirischem Anteil. Die Erstellung ist zwar mit KI immer noch aufwendig, aber deutlich einfacher als früher. Das Problem liegt darin, dass sich mit wenig Aufwand schnell schlechte Qualität produzieren lässt. Mit mehr Aufwand und Kompetenzen im Umgang mit KI und dem eigenen Fachgebiet wäre sehr gute Qualität möglich. Aber durch diese niedrige Einstiegshürde entsteht sehr viel schlechte Qualität. Bei Studien ist es jetzt leichter, Daten zu manipulieren oder Studien zu erstellen, ohne dass die Datenbasis wirklich da ist. Das führt zu vielen schlechten Texten, Studien, Artikeln. Gleichzeitig entstehen auch mehr sehr gute. Diese beiden zu unterscheiden, dafür braucht man Fachwissen. Aber insgesamt sinkt das Vertrauen in das Schriftliche, weil die Menge an schlechten Inhalten überwiegt.

Die Frage, die sich daraus ergibt, ist grundlegend. Wenn schriftliche Produkte nicht mehr zuverlässig zeigen, was jemand kann, welche Signale treten an ihre Stelle? Praktische Ausarbeitungen, das, was man im Job tatsächlich macht, gewinnt an Bedeutung. Die Fähigkeit, Prozesse zu gestalten, in Teams zu arbeiten, komplexe Probleme im realen Kontext zu lösen. Das Schriftliche verliert an Gewicht, das Praktische gewinnt.

Hier sehe ich eine Hoffnung. Wir haben im deutschsprachigen Raum eine lange Tradition berufspraktischer Ausbildung. Die Lehre, berufsbildende Schulen, Fachhochschulen. Diese Ausbildungsformen verbinden theoretisches Wissen mit praktischer Anwendung. Sie bewerten nicht nur, was jemand schreibt, sondern was jemand tut. Für den Wandel, der vor uns liegt, sind sie besonders gut geeignet. Sie können die Veränderung der Kompetenznachweise auffangen, weil sie nie nur auf das Schriftliche gesetzt haben.

Als jemand, die Texte liebt, die in Bibliotheken zu Hause war, die im geschriebenen Wort immer mehr gesehen hat als nur Information, fällt mir dieser Abschied schwer. Aber vielleicht ist es kein Abschied, sondern eine Transformation. Das Schriftliche verliert seine Funktion als Ausweis von Kompetenz, behält aber seine Funktion als Medium des Denkens, als Werkzeug der Reflexion, als Möglichkeit, Ideen zu entwickeln und zu teilen. Nur die Signalwirkung schwindet. Was bleibt, ist die Frage, wie wir in dieser neuen Realität arbeiten, lehren und lernen.

Die Einladung zum Mitgehen

Als ich die Folien für Graz fertiggestellt hatte, wusste ich noch nicht, dass aus dieser Vorbereitung ein halbjährlicher Rhythmus werden würde. Die überraschenden Zahlen, die neuen Funktionen, die fundamentalen Veränderungen. All das hat mich dazu gebracht, dieses KI-Update zu schreiben. Nicht als vollständige Übersicht über alles, was existiert, sondern als Momentaufnahme dessen, was ich selbst nutze, teste, beobachte.

Am 27. Januar werde ich in einer Open Lecture der Hochschule Burgenland über dieses KI-Update sprechen. Die Veranstaltung ist online und für alle zugänglich. Vor dem Sommer gibt es das nächste KI-Update in diesem Blog. Dann werden sich wieder Funktionen verändert haben, neue Tools entstanden sein, manche Hoffnungen erfüllt, andere enttäuscht. Die Entwicklung geht weiter, und ich gehe mit. Nicht, weil ich muss, sondern weil es mir Spaß macht und ich begeistert Neues ausprobiere, weil ich verstehen möchte, wohin die Reise geht. Wenn dieser Beitrag dir geholfen hat, neue Funktionen zu entdecken oder die Veränderungen besser einzuordnen, dann abonniere diesen Blog. So bleiben wir in Kontakt.

Das Wichtigste aber ist, dass wir voneinander lernen. Wenn du mit KI experimentierst, eigene Erfahrungen machst, neue Wege findest, dann teile sie. In deinem Team, in deiner Community, in den Kommentaren hier. Die Transformation, die vor uns liegt, navigieren wir gemeinsam am besten. Jede Perspektive hilft, jeder Versuch bringt uns weiter. In diesem Sinne sehe ich dieses KI-Update nicht als Abschluss, sondern als Zwischenstand auf einer Reise, die wir alle gemeinsam machen.

Meine LinkedIn Beiträge

Die folgenden LinkedIn-Beiträge habe ich seit dem letzten Newsletter veröffentlicht und sind auch ohne LinkedIn-Mitgliedschaft frei zugänglich:

Wissenschaftliches Schreiben und KI

Wissenschaftliches Schreiben mit KI braucht Methode, nicht nur Tools. Wie KI den gesamten Prozess von der Themenfindung bis zur Publikation verändert. Hier die wichtigsten Erkenntnisse aus unserem Buchkapitel.

Wissenschaftliche Abschlussarbeiten im KI-Zeitalter

Ist die klassische Abschlussarbeit am Ende? Wenn wir ehrlich sind, ist sie durch die Nutzung von KI in ihrer bisherigen Form obsolet. Doch was kommt danach?Antworten liefert das aktuelle Diskussionspapier Nr. 38 des Hochschulforums Digitalisierung.

Politische Neutralität in der KI ist unmöglich

Ist politische Neutralität von KI überhaupt möglich? Eine interdisziplinäre Studie von Fisher et al., die auf der ICML 2025 präsentiert wurde, liefert eine überraschende Antwort: Nein, aber wir können uns ihr annähern.

Künstliche Intelligenz an Hochschulen

Was, wenn KI nicht nur deine Lehre, sondern deine gesamte Hochschule verändert? Genau diese Frage habe ich mit Rita Stampfl systemisch untersucht. Das Ergebnis: KI ist kein isoliertes Tool, sondern transformiert alle Ebenen gleichzeitig.