Bildungspolitik zu KI

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Bildungspolitik zu KI — die formalen und informellen Regeln, die KI-Nutzung in Bildungsinstitutionen steuern, von nationaler Gesetzgebung bis zu Richtlinien im Klassenzimmer. Politikforschung in der Wissensdatenbank umspannt institutionelle Steuerung, Curriculum-Vorgaben und Anforderungen an die Lehrkräftebildung.

Fragen zum Nachdenken

• Institutionelle KI-Richtlinien sind oft so geschrieben, als ändere das Mitteilen von Regeln das Verhalten der Menschen. Forschung legt nahe, dass diese Richtlinien der tatsächlichen KI-Nutzung weit nachhinken können. Warum, denken Sie, scheitert eine Richtlinie „auf Papier“ so oft daran, dem zu entsprechen, was in Klassenzimmern geschieht?
• Wenn das Auslagern von Hausaufgaben Lernverluste verursacht, die weitgehend unbemerkt bleiben —, weil keine einzelne Lehrkraft den Rückgang einer Person mit KI-Nutzung verbindet —, welche Art von Richtlinie wäre dann überhaupt möglich? Wie würde Monitoring aussehen?
• Entscheidungen der Prüfungspolitik wie mündliche Prüfungen, überwachte Tests und Closed-Book-Formate sind selbst Antworten auf KI-befähigtes Schummeln. Denken Sie, dass das Kontrollieren des „Outputs“ (KI-Nutzung zu entdecken) eine bessere Strategie ist, als Prüfungen so umzugestalten, dass die Arbeit selbst schwerer auszulagern ist?
• Bildungspolitik zu KI umspannt nationale Gesetzgebung, Regierungsleitlinien, institutionelle Regeln und Entscheidungen auf Klassenebene. Welche dieser Ebenen prägt Ihrer Meinung nach tatsächlich am meisten das Verhalten von Studierenden und Lehrkräften — und warum?
• Wessen Stimmen prägen tendenziell KI-Politik — und wessen fehlen? Wer sollte am Tisch sitzen, wenn eine Institution entscheidet, welche KI-Nutzung erlaubt ist und wie sie gesteuert wird?

Einleitung

Politik-Ebenen

• Institutionelle Politik: Analyse institutioneller Politik vergleicht, wie Hochschulen KI-Richtlinien entwickeln. Rahmen institutionellen Wandels bieten Modelle für Politikentwicklung. Qian (2026) kodierte die zentralen KI-Seiten der 50 2025 als innovativsten gereihten US-Hochschulen und fand, dass nur 6 sie als „Richtlinie“ rahmten, während 44 Leitlinien, Guidelines, Prinzipien oder Ressourcen-Hubs veröffentlichten, und dass 33 von 50 Lehrende als die primären Übersetzenden institutioneller Erwartungen in Kursregeln positionierten — institutionelle Politik wird absichtlich als anpassungsfähige Leitlinie für kursbezogene Interpretation geschrieben statt als feste Regel.
• Regierungspolitik: und Politik des lebenslangen Lernens untersuchen regulatorische Ansätze auf nationaler und regionaler Ebene. Eine kritische, infraebene Sicht auf KI in der politischen Entscheidungsfindung ist Perrotta (2026), dessen Analyse des britischen Redbox-Prototyps für den öffentlichen Dienst LLMs zeigt, wie allgemeine KI durch „zero-shot governance“ in den professionellen Werkzeugkasten der Politik eintritt —, domänenagnostische Basismodelle, die in Entscheidungen intervenieren, umhüllt von dünnen domänenspezifischen Gerüsten.
• K-12 (Primar- und Sekundarstufe)-Politik: Stanfords Evidenz-Reviews von 818 Arbeiten informieren K-12-KI-Politik.
• Prüfungspolitik: Politik der Prüfungsreform und authentische Prüfungsrahmen stellen politikbezogene Antworten auf KI-befähigtes Schummeln dar. Die Wahl des summativen Prüfungsformats — mündlich, überwacht, closed-book — ist selbst eine Entscheidung der Prüfungspolitik (siehe Summatives Assessment).

Reifegrad-Lücke in der Politik

Die Wissensdatenbank dokumentiert, dass institutionelle KI-Richtlinien der tatsächlichen KI-Nutzung nachhinken. Programme zu Lehr- und Curriculumsentwicklung, Rahmen der Lehrkraft-KI-Kompetenz und Regulierung verlangen alle kohärente Politikfundamente. Großskalige Feldbelege (Strömberg, Lei, & Wu 2026) zeigen, dass die Lernverluste aus dem Auslagern von Hausaufgaben weitgehend unbemerkt bleiben, weil einzelne Fachlehrkräfte und Studierende den Rückgang selten mit KI-Nutzung verbinden —, eine Lücke, die evidenzbasierte Politik (z. B. Gewichtung von Closed-Book-Prüfungen, Informieren von Studierenden über langfristige Kosten, Monitoring von Inputs statt Outputs) adressieren kann.

Wo sich Konsens gebildet hat, um diese Lücke zu füllen, konvergierte Crompton et al. (2026)s Delphi mit 35 Expertinnen und Experten über 22 Länder hinweg auf acht Steuerungsbereichen — akademische Integrität als zentralem Anker — plus einem sechsteiligen Review-Mechanismus (ständiger GenAI-Ausschuss, geplante Richtlinien-Reviews, professionelle Entwicklung, Kommunikation, Wirkungsevaluation, Monitoring), um Richtlinien aktuell zu halten. Nationale KI-Bereitschaft sagt nicht die Stärke institutioneller Politik voraus. Adarkwah et al. (2026) bewerteten 26 Hochschulen aus zehn Ländern mit hohem AIPI gegen den achtkomponentigen GenAI-Rahmen der UNESCO und fanden, dass nordische und neuseeländische Institutionen ihn vollständiger abdeckten als höher gereihte Peers, während Inklusion, Gerechtigkeit und Nachhaltigkeit die am stärksten vernachlässigten Elemente waren.

Beratende Dokumente übertreffen bindende Politik. Eine Zählung jedes akkreditierten Programms in einem beruflichen Feld zeigt, dass die Reifegrad-Lücke eine der Form ebenso ist wie des Timings. Eldredge et al. (2026) sammelten KI-Richtlinien- und Leitliniendokumente von allen 48 CAHIIM-akkreditierten Master-Programmen für Gesundheitsinformatik und Management von Gesundheitsinformationen in den Vereinigten Staaten und fanden, dass 40 (83%) mindestens ein öffentlich verfügbares KI-bezogenes Dokument hatten, während 8 keines hatten, dass die Dokumente aber meist Leitlinien statt durchsetzbarer Regeln waren: 21 Guidelines (53%) gegenüber 7 formellen Richtlinien (18%). Ihr Inhalt konzentrierte sich auf akademische Integrität und akzeptable Nutzung, wobei Datenschutz, geistiges Eigentum und regulatorische Konzepte (HIPAA, FERPA, Forschungs-Compliance) weit seltener erschienen, und Themenmodellierung ergab dieselbe Betonung von Studierendenverhalten. Weder Dokumenttyp noch intendiertes Publikum variierten nach Auslieferungsmodus (Fisher's exact P = .85 und P = .71). Die Autoren lesen dies als Beleg dafür, dass Politik auf Programmebene eine von Curriculumgestaltung und Entwicklung von Arbeitsplatzkompetenz getrennte Aktivität ist, und argumentieren, Akkreditierungsstellen könnten die resultierende Variation reduzieren, indem sie KI-Richtlinienrahmen bereitstellen, die akademische Integrität, Datenethik und gerechten Zugang integrieren.

Ein britischer systematischer Review fügt demselben Gefälle eine Sektorebene hinzu: Infrastrukturinvestitionen und KI-Weiterbildung des Personals konzentrieren sich in forschungsintensiven (Russell-Group-)Hochschulen, während lehrorientierte (post-92) Institutionen mit Kapazitätsrestriktionen konfrontiert sind, und nur eine Minderheit britischer Institutionen unterhält offizielle KI-Steuerungspläne (Ashiq (2026)).

Ein Sektor, der Politik ohne Evidenzbasis macht. Die Reifegrad-Lücke erscheint in beruflichen Programmen auch als Evidenzproblem. Gutowski and Hurley (2025) bewerteten die institutionellen Richtlinien ABA-genehmigter US-Juraschulen auf fünf Dimensionen — Prohibitivität, Permissivität, Bildungsintegration, Transparenz und Rechenschaftspflicht sowie Tiefe —, und fanden, dass die meisten Schulen allgemein prohibitive Positionen einnahmen, während sie einzelnen Lehrenden Ermessen vorbehielten und sich verpflichteten, die Regeln mit der Weiterentwicklung der Technologie zu überprüfen. Sie führen die Vorsicht auf Zeitdruck statt auf Evidenz zurück: Die ABA-Umfrage von 2024 erhielt Antworten von nur etwa 15% der akkreditierten Schulen, und die Autoren berichten keinen Konsens darüber, ob KI-Nutzung offengelegt werden muss oder wie sie zitiert werden sollte. Ihr Schluss ist prozedural — baue Politik mit Fakultäten statt für sie, schule proaktiv, und behandle Politikgenerierung als wiederkehrendes Ereignis statt als einmaligen Akt —, was Rechtswissenschaftliche Bildung zu einem der klarsten Fälle der auf dieser Seite gezogenen Unterscheidung zwischen Politik und Steuerung macht.

Lehrende regulieren; Institutionen meist nicht. Die Reifegrad-Lücke hat ein zweites Gesicht, sichtbar von der Lehrendenseite. Watson and Rainie (2026) befragten 1.057 Fakultätsangehörige US-amerikanischer Colleges und Hochschulen und fanden, dass Regeln weit schneller unterhalb der Institution als an ihr geschrieben wurden: 87% der Befragten erstellten eigene Richtlinien auf Aufgabenebene für KI-Nutzung durch Studierende, gegenüber 35%, die angaben, ihr Fachbereich habe Leitlinien geschrieben, und 48%, die angaben, ihre Institution habe welche. Die strukturelle Antwort hinter diesen Dokumenten ist dünn — 55% berichteten eine Task Force oder Aufsichtsgruppe, 37% neue KI-fokussierte Kurse, 17% ein KI-Major oder -Minor, 16% neue akademische Führungsstellen, und nur 13% die Übernahme von KI-Kompetenz als allgemeinbildendes Ergebnis —, während 68% sagten, ihre Schulen hätten Fakultätsangehörige nicht darauf vorbereitet, mit den Werkzeugen zu unterrichten. Weil Studierende den resultierenden Flickenteppich als ein einzelnes institutionelles Regime erleben, ist der Befund direkte Evidenz für die auf dieser Seite gezogene Unterscheidung zwischen einem Richtliniendokument und der Steuerung, die es konsistent macht. (Die Autoren beschreiben die Stichprobe als nicht-wissenschaftlich und nicht generalisierbar, sodass sie am besten als die geäußerten Anliegen des Sektors gelesen wird.) Diese dokumentierte Lücke hat eine gemessene studierendenseitige Konsequenz. Chens Zwei-Studien-Design — 160 Kunststudierende in einem Szenarioexperiment und 425 Befragte (Chen, 2026) — fand, dass die wahrgenommene Inkonsistenz zwischen dem GAI-Advokatentum einer Hochschule und ihrer tatsächlichen Lehr-, Prüfungs- und Unterstützungspraxis sowohl Behinderungs- (β = 0.431) als auch Herausforderungseinschätzungen (β = 0.496) positiv vorhersagte, die gegensätzliche indirekte Effekte auf Engagement im kreativen Prozess trugen (β = −0.060 über Behinderung, p = 0.004; β = 0.217 über Herausforderung, p < 0.001), sodass eine einzige unausgerichtete Richtlinie die kreative Arbeit von Studierenden zugleich unterdrücken und aufrechterhalten kann.

Aufgabenbezogene Regulierung ist das aufkommende Muster. Eine großskalige Längsschnittstudie von 31.000+ Kurssyllabi (2021–2025) an einer großen öffentlichen Forschungsuniversität (Chirikov 2026) zeigt, wie Lehrende KI in der Praxis tatsächlich regulieren: Ausdrückliche KI-Regulierung wuchs von nahe null auf 55% der Kurse bis Herbst 2025, doch die Richtung verschob sich von restriktiv zu permissiv, und Lehrende differenzierten zunehmend nach Aufgabentyp — KI für das Entwerfen/Argumentieren einschränkend (Aufgaben mit Verdrängungsrisiko) und für das Editieren/Korrekturlesen und Lernunterstützung erlaubend (Augmentationsaufgaben). Auch das Framing verschob sich von akademischer Integrität (63%→49% der Syllabi) hin zu Lernwirkung (1%→29%). Dieses aufgabenbasierte Muster —, aufgebaut auf den arbeitsökonomischen Mechanismen von Aufgabenverdrängung, -augmentation und -wiedereinsetzung —, bietet eine granulare Alternative zu pauschalen Annahme-oder-Verbot-Richtlinien und ist ein direkter empirischer Anker für die oben gezogene Unterscheidung zwischen Politik und Steuerung.

• Die Studierendenseite aufgabenbezogener Regulierung. Mit zwei von drei Prüfungen unter einer identischen Offene-Nutzung-Stufe entschied immer noch das Prüfungsformat, wofür Studierende GenAI nutzten: Feedback-Nutzungen stiegen von 0% in einer gerüsteten Präsentation auf 66.7% in einem Take-Home-Quiz (Quince and Faulconer (2026)).

Gestaltung von Politik auf Lehrendenebene als Ausrichtungsaufgabe. Aufgabenbezogene Regulierung hat ein Gestaltungsgegenstück unterhalb des Syllabus. McCorkles (2025) Gestaltungsfall leitet die erlaubten und unerlaubten GenAI-Nutzungen eines Kurses aus „was genau bewerte ich?“ ab —, indem jede Aufgabe in einem Projekt inventarisiert, jede einem Lernziel zugeordnet, jede mit einer aufkommenden GenAI-Arbeitsplatzkompetenz gepaart (Berufsentwicklung und Berufsfähigkeit) und dann entschieden wird, welches Anliegen Priorität hat: das Bedürfnis, Studierendenleistung zu bewerten, oder der Wert, die Kompetenz aufzubauen. Die resultierende Richtlinie unterscheidet sich Aufgabe für Aufgabe innerhalb eines einzelnen Projekts — Brainstorming von Themen und Kuratieren von Bildern erlaubt, Verfassen von Lernzielen und Gestalten von Folien nicht —, mit der direkt an Studierende gerichteten Begründung. Der Fall dokumentiert auch, warum pauschale Verbote in der Praxis scheitern: Studierende, die sich selbst nicht als unredlich sehen, lesen ein Verbot als nicht auf sie zutreffend, und die Richtlinie wird ungerecht (Gerechtigkeit), wenn Erwartungen implizit bleiben. Sie ergänzt die oben stehenden Top-down-Politik-Ebenen, indem sie zeigt, wie der Inhalt einer Richtlinie aus Prüfungsausrichtung auf Kurs- und Aufgabenebene erzeugt werden kann.

Die Grenzen-Evidenz-Lücke in der Prüfungspolitik. Eine Prüfung öffentlicher GenAI-Prüfungsleitlinien an 30 Hochschulen (Yao 2026) findet, dass institutionelle Richtlinien besser darin sind, KI-Nutzung zu klassifizieren, als zu erklären, welche Evidenz des Lernens unter jeder Klasse valide bleibt: der mittlere Delegationsgrenzen-Wert (2.47/4) überstieg den mittleren Evidenzstandard-Wert (1.89/4), Sicherungen waren spärlich (2.75 von 8), und die Leitlinien waren für Substitution des Endprodukts am klarsten. Der Rahmen der kognitiven Verwaltung (cognitive stewardship) argumentiert, Richtlinien müssten die Zertifizierungslogik sichtbar machen —, was Lernende delegieren dürfen, was sie weiterhin demonstrieren müssen, und wie Institutionen faire Evidenz schützen —, statt KI-Nutzung bloß zu überwachen.

Überinklusive Verbots-Sprache und falsch angewandte Regeln. Der Geltungsbereich einer Regel ist eine Politikentscheidung mit Konsequenzen jenseits der Compliance. Wright (2026) argumentiert, die pauschalen Verbote, die seit 2023 über die Hochschulbildung hinweg geschrieben wurden, sperrten „generative KI“ ohne die technische Präzision, um Inhaltsgenerierung von KI-gestützter Formatkonvertierung zu trennen — optische Zeichenerkennung, Erkennung handschriftlichen Textes und Speech-to-Text sind Erkennungstechnologien, die ableiten, was eine Person bereits geschrieben hat, statt neuen Inhalt zu produzieren. Unter dieser Lesart ist das Sanktionieren rein transkriptiver Nutzung am besten als Fehlanwendung von Politik denn als Fehlverhalten zu charakterisieren, und die Kosten der Ungenauigkeit fallen ungleich: Gerechtigkeit-exponierte Studierende und Studierende mit Behinderungen, die auf jene Werkzeuge angewiesen sind, tragen ein unverhältnismäßiges Risiko falscher Positiver, eine Exposition, die Rechtsfragen und -risiken als Frage angemessener Anpassung behandelt statt als Frage der Integrität.

Eine zweckbasierte Grenze statt einer Werkzeugliste. Li (2026) liefert den Politikinhalt, dem überinklusive Verbots-Sprache ermangelt: eine Unterstützung-versus-Substitution-Linie, definiert über Funktion und Prüfungskonstrukt statt über das Benennen von Werkzeugen, mit dem Argument, dass Werkzeuglisten veralten und zur Compliance über Schnittstellen einladen. Erlaubte Unterstützung ist eine Oberflächenintervention, die keine Ideen, keine Quellen und keine materielle Umordnung der Analyse hinzufügt; Substitution ist das Erzeugen von Argumenten oder Gegenargumenten, das Anwenden disziplinärer Regeln auf Fakten, das Umstrukturieren einer analytischen Abfolge oder das Erzeugen von zur Aufnahme bestimmten Zitaten. Der Rahmen wird als drei Instrumente geliefert — Arbeitsdefinitionen mit geteilten Schnelltests, sodass zwei Bewertende dasselbe Verhalten gleichermaßen charakterisieren, kalibrierte Offenlegungsvorlagen von nichts für eingebettete Funktionen mit geringem Risiko bis zu einer einzeiligen Erklärung für externes Sprache-Editieren und etwa 80–120 Wörtern, wo begrenzte Ideenfindung ausdrücklich autorisiert ist, und ein Entscheidungsraster, das schwache Stellvertreter (polierte Sprache oder plötzliche Flüssigkeit, nicht-muttersprachliche Formulierungen, einzelne Detektionswerte) neben den Evidenztypen benennt, die Gewicht tragen können. Er benennt auch die Bedingungen, unter denen skalierte permissive Regime wie die AI Assessment Scale funktionsfähig bleiben: für die spezifische Aufgabe ausdrücklich autorisierte Nutzung, das neu spezifizierte Konstrukt, sodass Studierende und Bewertende wissen, was bewertet wird, und praktikabel gehaltene Offenlegung.

Stufenweise Automatisierung mit obligatorischer menschlicher Aufsicht. Uruguays Acredita EB, der nationale Akkreditierungstest der unteren Sekundarstufe, bietet ein konkretes Modell aufsichtsbewahrender Automatisierung in der Prüfungspolitik: Multiple-Choice-Abschnitte und bestehende Verfahren bleiben unverändert, KI wird nur für den Schreibabschnitt innerhalb eines obligatorischen Kalibrierungsstadiums an 50–100 Texten eingesetzt, und zwei Beschneidungsregeln entscheiden, welche Ergebnisse eine Expertenprüfung verlangen — Kandidatinnen und Kandidaten, die an den anderen beiden Abschnitten nicht bestehen können, brauchen keine Schreibprüfung, und Kandidatinnen und Kandidaten, die in allen drei Abschnitten „Proficient“ sind, bestehen mit nur 0.2%/0.6% beobachtetem Restrisiko. Die Autoren schätzen, das Design könnte die Zahl der schriftlichen Antworten, die volle menschliche Bewertung brauchen, um mindestens 50% senken, während es das Leitprinzip wahrt, dass keine endgültige Entscheidung über Testergebnisse ohne angemessene menschliche Aufsicht getroffen wird. Das ergänzt die obige Grenzen-Evidenz-Arbeit, indem es eine Politik zeigt, die nicht nur spezifiziert, wo KI erlaubt ist, sondern welche menschliche Evidenz und Prüfung obligatorisch bleiben.

Die gegnerische Seite automatisierter Bewertung. Eine Politik, die Bewertung durch ein KI-Werkzeug leitet, erbt eine Angriffsfläche. Humble (2026) red-teamte einen institutionellen Bewertungs-Workflow, indem er fünf indirekte Prompt-Injektionen in den Dateien einer synthetischen Einreichung versteckte, die Microsoft Copilot (GPT-5.2) in allen sechs Baseline-Läufen als durchgefallen bewertet hatte. Zwei Strategien hoben die Note ohne sichtbare Warnung an den Nutzenden —, mit berichteten Angriffserfolgsraten von 100% (9 von 9 Iterationen) und 94% (17 von 18) —, und das Werkzeug deaktivierte sowohl stillschweigend einen Chat, nachdem es den einfachsten Angriff blockiert hatte, als auch verkündete es in einer Iteration, eingebettete Anweisungen zu ignorieren, bevor es die Note in den nächsten sechs Läufen anhob. Eine durch eine verborgene Anweisung erhaltene Note trägt keine Validitätbehauptung, und dieselbe Technik könnte eine Einreichung ohne dauerhafte Spur abwerten, sodass die Forderungen des Papiers politischer statt technischer Natur sind: sektorale Leitlinien, professionelle Entwicklung, eingeschränkte KI-Nutzung mit menschlicher Prüfung bei hochrelevanten Arbeiten, und standardisiertes, domänenagnostisches Testen von Prompt-Injection-Resilienz, damit die Angriffsfläche gemessen statt angenommen wird. Es ist das gegnerische Gegenstück zu den oben genannten Aufsichtsdesigns: Wo jene spezifizieren, welche menschliche Prüfung obligatorisch ist, spezifiziert dieses eine Klasse von Manipulation, die Prüfung abfangen soll, für die es aber kein verlässliches Signal gibt.

Eine Wert-/Norm-Matrix als Politikfundament. Agarwal et al. (2026), ein systematischer Review von 25 Artikeln, konsolidieren Ethik in AIED zu sechs zentralen ethischen Werten (Nicht-Diskriminierung, Datenverwaltung, menschliche Aufsicht, Wohlwollen, Erklärbarkeit, Bildungsangemessenheit) und bilden die aus der Literatur extrahierten ethischen Normen auf eine Stakeholder-mal-Wert-Matrix ab. Der Review positioniert die Matrix als Fundament für den Aufbau detaillierter ethischer Rahmen und Regulierung für AIED und gibt Bildungsinstitutionen, Entwickelnden und Regulierenden konkrete Normen an die Hand, um spezifische Werte umzusetzen. Er findet, dass auf Regulierende zielende Wohlwollensnormen weit zahlreicher sind (neun) als für jede andere Stakeholder-Menge, was die Rolle von Regulierenden signalisiert, durch Politik und Gesetzgebung zu sichern, dass AIED Lernenden nützt —, ein konkreter, wertverankerter Startpunkt für die Politik-versus-Steuerung-Maschinerie, die diese Seite beschreibt.

Behauptungen, die weiter reisen als ihre Qualifikationen. Auch eine Pilotankündigung ist ein Politikinstrument, und ihre Berichtsstandards sind Teil der Politik. Restrepo Morales et al. (2026) analysieren die Episode El Salvador vom September 2026, in der ein KI-Tutoring-Pilot an 171 öffentlichen Schulen als Erreichen von Ergebnissen berichtet wurde, die mit Deutschland und Schweden vergleichbar sind: gegenüber dem deutschen PISA-2022-Mathematik-Durchschnitt hätten die oberen 5.5% der nationalen Leistungsverteilung den Benchmark ohne jeden Lernzuwachs erreicht, und die Prüfung des Piloten deckte 7.0 Studierende pro Schule ab gegenüber 25.4 in der nationalen Erhebung desselben Jahres, sodass die veröffentlichte Evidenz Selektion als Erklärung nicht ausschließen kann. Ihr Vorschlag ist ein sechspunkiger Berichtsstandard — die Baseline der teilnehmenden Schulen, das Stichprobenprotokoll (in Frage kommende Studierende, bewertete Studierende, Identifikationsregel, Teilnahmerate), aufgeschlüsselte Werte mit Standardfehlern, das Einsatzdatum jeder Reformkomponente, Überlappung mit der repräsentativen nationalen Stichprobe, und die im selben Dokument, Post oder Absatz wie die Behauptung stehende Qualifikation —, motiviert von der Offenlegungsarithmetik der Ankündigung selbst: Der World-Bank-Post, der die Behauptung trug, verzeichnete etwa 441.000 Aufrufe gegenüber etwa 11.000 für den Post, der die Qualifikation vier Stellen später im selben Thread trug. Die Politklektion ist, dass dort, wo ein System schulbezogene Ergebnisse als Evidenz über sich selbst nutzt, das Format der Offenlegung entscheidet, welche Aussage zur öffentlichen Tatsache wird.

Eine Analyse auf Länderebene von PISA 2022-2025 fand, dass Länder mit höherer generativer KI-Nutzung größere Rückgänge in Lesen und Mathematik zeigten, ein Zusammenhang, der verschwand, sobald frühere Leistung kontrolliert wurde (Guerra & Aslanov, 2026). Die Autoren lesen ihn als Warnung, dass breiterer Chatbot-Zugang nicht als Vorteil an sich behandelt werden sollte, und fordern, Rollouts mit longitudinaler Evaluation zu paaren.

Politik vs. Steuerung

Politik und Steuerung sind eng verwandt, aber verschieden, und sie auseinanderzuhalten ist wichtig, um die Forschung der Wissensdatenbank zu verstehen.

• Politik ist der Inhalt —, was entschieden wird. Eine Politik ist eine formale Regel, ein Prinzip oder eine Aussage: welche KI-Nutzung erlaubt, verboten oder verlangt ist; was offengelegt werden muss; welche Prüfungsformate zulässig sind. Sie existiert als dokumentiertes Artefakt (Gesetzgebung, institutionelle Leitlinie, Syllabus-Aussage) und beantwortet „was sind die Regeln?“

• Steuerung ist die Maschinerie —, wie entschieden, umgesetzt und durchgesetzt wird. Steuerung umspannt die institutionellen Strukturen, Normen und Rechenschaftsmechanismen, die Politik produzieren, ausführen und überwachen: wer die Regeln setzt, wie sie kommuniziert und mit Ressourcen versehen werden, wie Compliance durchgesetzt und angefochten wird, und wie sie mit der Weiterentwicklung der KI überarbeitet werden. Sie beantwortet „wer entscheidet, und wie treten die Regeln tatsächlich in Kraft?“

• Sie sind interdependent. Politik ohne Steuerung ist undurchgesetzt —, eine geschriebene Regel, die niemand besitzt, überwacht oder aktualisiert. Steuerung ohne Politik ermangelt der Richtung —, Strukturen, die nichts Bestimmtes verwalten. Die Forschung der Wissensdatenbank zeigt wiederholt, dass die beiden zusammen aufgebaut werden müssen: Eine Politik, die KI-Nutzung nur klassifiziert, ohne Steuerung, die Evidenz, Sicherungen und Revisionsprozesse spezifiziert, bleibt in der Praxis schwach (das Cognitive-Stewardship-Audit), und Steuerung, die bloß überwacht, ohne klare Politik, riskiert Überwachung ohne Fairness (siehe KI-Steuerung).

• KI-Führung auf höchster Ebene ist selten gegenüber strategischem Ehrgeiz. Ein Scoping-Review von 19 Quellen fand, dass nur 7% der Institutionen KI-Führungsrollen auf höchster Ebene geschaffen hatten, obwohl 49% KI als strategische Priorität behandelten, wobei die meisten eingeschlossenen Studien konzeptionell oder querschnittlich waren, sodass kein kausaler Effekt antizipatorischer Steuerung etabliert werden konnte (Baroudi (2026)).

Der praktische Test, der sie trennt: Eine Politik kann auf Papier gelesen werden, doch Steuerung wird darin beobachtet, ob die Regel umgesetzt, durchgesetzt und angepasst wird. Deshalb erstreckt sich KI-Governance über KI-Regulierung in der Bildung und Politik hinaus in Institutionen, und deshalb behandelt die Wissensdatenbank die Wahl des Prüfungsformats (Summatives Assessment) als Politikentscheidungen, die erst durch Steuerungsstrukturen wie Prüfungsgremien, Deklarationsrahmen und Einspruchswege wirksam werden.

Klassenzimmer-Politik als interpretative Grenze der Steuerung. Die Maschinerie der Steuerung endet nicht am institutionellen Dokument; die Lehrkräfte, die es lesen und anpassen, sind das letzte Glied in der Kette, und Nash & Burriss (2026) zeigen, wie dieses Glied in der Praxis aussieht. Ihre angehenden Lehrkräfte erwarteten, in Bezirken mit KI-Richtlinien zu arbeiten, mussten aber dennoch klassenzimmerspezifische Regeln für ihre eigenen Studierenden verfassen —, eine wesentliche Anpassungsfähigkeit —, und die Autoren argumentieren, Lehrkräfte könnten die Übernahme von KI für bestimmte Lese- und Schreibaufgaben ablehnen, ohne sie zu ignorieren, wobei prinzipielle Ablehnung von unkritischer Zurückweisung unterscheidbar ist. Diese Unterscheidung aufrechtzuerhalten ist selbst eine Steuerungsaufgabe: Bezirke und Ausbildungsprogramme brauchen die Leitlinien, die professionelle Entwicklung und die Politikinfrastruktur, die Lehrkräfte bestimmte Nutzungen ablehnen lassen, ohne als rückständig gerahmt zu werden.

Steuerungsindikatoren für das Authentifizierungsproblem. Coates, Croucher and Calderon (2025) liefern die Messschicht, die diese Politik-versus-Steuerung-Unterscheidung impliziert, und behandeln Akademische Integrität in der GenAI-Ära als ein Steuerungsproblem vor einem Detektionsproblem, wobei sie zeitgenössische akademische Steuerung als resilient, aber „nicht gut positioniert oder gewappnet“ beurteilen, die Authentifizierung von Studierendenprüfungen zu schützen. Ihr Rahmen hält 130 Steuerungsfragen unter acht Dimensionen — Designing, Developing, Training, Implementing, Analyzing, Reporting, Evaluating und Improving —, und die Items sind Fragen über institutionelle Maschinerie statt psychometrische Skalen: ob das höchste Gremium oder der höchste Rat der Institution über Prüfungsprozesse und -ergebnisse informiert wird, ob Leistungsindikatoren Prüfungsqualität abdecken, welcher Prozentsatz der Studierenden den sie bewertenden Lehrkräften individuell bekannt ist, ob extrem niedrige oder hohe Noten quergeprüft werden, und ob es einen einfachen Weg gibt, Fälle von Auftragsbetrug zu überweisen. Das begleitende Reformprogramm zielt auf Steuerungsarchitekturen, die Personen, die Steuerungsrollen innehaben, und die Prüfung unterstützende Technologien und Ressourcen, und die Autoren argumentieren, dass wenig institutionelle Entwicklung ohne externe Ermöglichung durch Regulierung, Benchmarking und institutionenübergreifenden Wettbewerb auszahlt —, derselbe regulatorische Druck, den die Seite KI-Regulierung in der Bildung als bindende Restriktion für Steuerungsreform behandelt.

• Die Lücke wird auch in K-12 gemessen, nicht nur an Hochschulen. Eine national repräsentative Befragung von 1.018 US-amerikanischen Lehrkräften und Schulleitungen öffentlicher Schulen fand, dass nur 18% der Lehrkräfte und 24% der Schulleitungen eine schulische Richtlinie zu generativer KI berichteten —, dasselbe Muster unterhalb der Institution, das diese Seite in der Hochschulbildung dokumentiert (Tench, Weinstein & James, 2026).

Das Politikdefizit in der Forschung zu KI × SEL

Ein systematischer Review von 65 Arbeiten an der Schnittstelle von KI und sozial-emotionalem Lernen (Tran, Liu & Nguyen 2026) dokumentiert ein „Politikdefizit“: Fast drei Viertel der Studien nennen keine Politikimplikationen, und jene, die es tun, ermangeln oft der Akteurs-Spezifität. Der Review findet, dass Politikengagement mit dem Publikationsort korreliert, was akademische Anreize reflektiert, die technische Neuheit gegenüber Steuerung und Regulierung belohnen. Er schlägt einen „W-Fragen“-Rahmen (Wer, Was, Warum, Wann/Wo, Wie) und eine Verschiebung von „Implikation-als-Nachgedanke“ zu „Implikation-als-Methodologie“ vor —, Politikformulierung als Gestaltungsrestriktion der Forschung zu behandeln statt als nachträglichen Zusatz.

Verbundene Konzepte

• Pädagogische Partnerschaften — Pedagogical Partnerships
• KI-Regulierung in der Bildung
• KI-Governance
• Lehr- und Curriculumsentwicklung
• Gerechtigkeit
• Hochschulbildung
• K-12 (Primar- und Sekundarstufe)
• Akademische Integrität
• Ethik
• KI-Kompetenz von Lehrkräften
• Die Einordnung der KI-Nutzung für Studierende
• Summatives Assessment
• Chemiedidaktik — Chemistry education and AI: labs, formative assessment, LLM limits, philosophy of experimentation
• Biologiebildung — Biology education and AI: lab teaching assistants, AI literacy in biology, critical thinking, specialized tools
• Akteure in der KI-Bildung — Umbrella: people and audiences in AI education (learners, teachers, designers, administrators, policymakers)
• Unterstützung und Erfolg von Studierenden — the policy context for institutional support deployment

Verbundene Artikel

• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — A nationally representative survey of US teachers and principals on AI policy coverage, agency, and five classroom plays (Tench, Weinstein & James 2026)
• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education
• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — Preservice English teachers' classroom AI policies: what they permitted, limited, and banned (Nash & Burriss 2026)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Deriving allowed and unallowed GenAI uses task by task from what is assessed (McCorkle 2025)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — How instructors regulate AI across 31,000 course syllabi (Chirikov 2026)
• Artificial Intelligence and Grade Inflation — AI task displacement as a mechanism of grade inflation (Chirikov 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Global Delphi on governing generative AI in higher education
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Guidance over policy: instructor-set syllabus rules and a four-unit support ecosystem across 50 innovative US universities (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Five-factor comparison of law school GenAI policies in a sector making policy without an evidence base (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Transcription is not generation: over-inclusive AI rules, format conversion and disability accommodation (Wright 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Anticipatory governance for AI in higher education (scoping review)
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — AI policy documents across all 48 accredited health informatics master's programs: mostly guidance, centered on academic integrity (Eldredge et al. 2026)
• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — Cognitive stewardship for AI-mediated assessment (30-university policy audit)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• A Framework for Institutional Change in the Age of AI
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform
• The Evidence Base on AI in K-12: A 2026 Review
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
• The Policy Deficit in AI × Social-Emotional Learning Research — The Policy Deficit in AI × SEL Research
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Ethical values and norms for AI in education
• Zero-shot governance — Zero-shot governance: general-purpose AI in policy (Perrotta 2026)
• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — Bounding the learning claim of El Salvador's AI tutoring pilot (Restrepo Morales et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 US faculty: 87% write their own assignment rules against thin institutional and departmental guidelines (Watson & Rainie 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — A purpose-based support–substitution boundary with calibrated disclosure and decision rubrics (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Prompt injection in AI-mediated grading: grades changed undetected, and the policy-level response (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — 130 governance indicators for authenticating assessment, and the external pressure reform needs (Coates, Croucher & Calderon 2025)
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Policy tier versus task design: what students used GenAI for across three physics assessments (Quince & Faulconer 2026)
• Generative AI use and the 2022–2025 decline in PISA performance across countries — Higher country-level generative-AI use tracked larger PISA 2022-2025 declines, a correlation that vanished after controlling for prior performance (Guerra & Aslanov 2026)