KI-Governance

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

KI-Governance — die Rahmen, Politiken, institutionellen Strukturen und Normen, die die verantwortungsvolle Gestaltung, den Einsatz und die Nutzung von künstlicher Intelligenz in der Bildung leiten. Governance erstreckt sich über formale institutionelle Mechanismen (KI-Steuerungsgruppen, Politiken zu akademischer Integrität und akzeptabler Nutzung, ethische Prüfung) und informelle Normen (Leitlinien für Fakultätsmitglieder, berufliche Weiterentwicklung, Kulturen verantwortungsvoller KI-Nutzung). In der KI-Ära ist wirksame Governance eine Vorbedingung für ethische, gerechte und nachhaltige Adoption generativer KI – sie entscheidet, ob KI transparent und mit Rechenschaftspflicht integriert wird oder reaktiv in Weisen adoptiert wird, die Ungerechtigkeiten vertiefen.

Fragen zum Nachdenken

• Wenn Ihre Einrichtung eine KI-Politik auf Papier hat, aber keinen klaren Prozess zu ihrer Durchsetzung, Aktualisierung oder Kommunikation, ist das wirklich Governance? Was unterscheidet eine Regel, die existiert, von einer Regel, die tatsächlich gesteuert wird?
• Studierende sagten in einer Studie, ihre Universität habe keine klare KI-Politik, und das habe geprägt, wie sie KI nutzten. Wie könnte politische Mehrdeutigkeit beeinflussen, was Studierende als „akzeptable Nutzung" entscheiden – und sollten Institutionen besorgt sein, diese Aushandlung Individuen zu überlassen?
• Die Seite unterscheidet detektionsbasierte Governance (KI-Nutzung polizieren) von designbasierter Governance (Assessment so neugestalten, dass KI-Nutzung erwartet und erklärt wird). Welchem Ansatz neigt Ihre eigene Assessmentpraxis zu, und was sind die Kompromisse von jedem?
• Governance wirkt auf nationaler, institutioneller und Klassenraum-Ebene. Denken Sie an eine KI-Regel in Ihrem Kontext: wer hat sie gesetzt, wie wird sie kommuniziert und durchgesetzt, und wie gut stimmen diese Ebenen überein?
• Ein Rahmen rahmt KI-Governance als Kollektivhandlungsproblem der Aufrechterhaltung geteilter Expertise neu – die „cognitive commons". Wie verändert der Schutz des kollektiven Wissenspools einer Profession Ihr Nachdenken über KI-Governance gegenüber der bloßen Regulierung eines Werkzeugs?
• Die Seite warnt, dass verpflichtende KI-Erklärungen scheitern, wenn sie sich strafend oder mehrdeutig anfühlen. Wann haben Sie eine Compliance-Regel nach hinten losgehen sehen, weil Menschen sie nicht verstanden oder ihr nicht vertraut haben – und was hat Sie das über Governance gelehrt?

Einführung

KI-Governance in der Bildung wird zunehmend dringend, weil generative KI neue epistemische, ethische und organisatorische Herausforderungen einführt: Sie destabilisiert Annahmen über Wissensproduktion, Handlungsfähigkeit der Lernenden, Validität von Assessment und die Rolle der Lehrenden als epistemische Autoritäten. Governance adressiert Fragen von akademischer Integrität (was als akzeptable KI-Nutzung gilt), Datenschutz und -sicherheit, algorithmischem Bias und Fairness, Transparenz und Rechenschaftspflicht sowie der Ausrichtung der KI-Adoption an Mission und Werten der Einrichtung. Ein wiederkehrender Befund über die Forschung der Wissensbasis hinweg ist, dass institutionelle Governance oft hinterherhinkt – viele Einrichtungen fehlen klare, einheitliche KI-Politiken, sodass Studierende und Fakultätsmitglieder akzeptable Nutzung selbst aushandeln müssen.

• Zero-Shot-Governance als strukturelle Bedingung der Plattformisierung. Perrotta (2026) entwickelt das Konzept der zero-shot governance – domänenagnostische generative KI, die in Politikentscheidungen interveniert – durch eine Analyse auf Code-Ebene von Redbox, einem eingestellten britischen Prototyp für den öffentlichen Dienst, gebaut auf handelsüblichen LLMs. Das Lesen seiner Architektur (ein unsichtbarer Systemprompt + ein dünner Python-Wrapper über eine RAG (retrieval-augmented generation / abrufgesteuerte Generierung)-retrieve→format→generate-Pipeline und ein anbieteragnostischer Cloud-Stack) legt dar, dass die zweckallgemeine Natur von Foundation-Modellen ein strukturelles Merkmal der Plattformisierung ist, das gemildert, aber nie ausgeschlossen werden kann: agentische KI unterbricht die monopolistische, Rentiers-Logik von Plattformen nicht, und derselbe probabilistische Mechanismus, der Neuheit erzeugt, produziert auch Halluzinationen. Für Governance ist die Implikation, dass Aufsicht über zweckallgemeine KI abweichende Ausgabe als irreduzibles, nur mildbares Risiko behandeln muss statt als behebbaren Bug – eine Warnung, die gleichermaßen für schlussfolgerndes Denken über Bildungspolitik gilt.

• Baroudi Scoping Review rahmt KI-Governance in der Hochschulbildung durch antizipatorische Governance- und Leadership-Linsen.

• Co-Design von Politik durch Studierende: Hingle & Johri zeigen, wie eine angeleitete Untersuchungsaktivität, in der Studierende eine GenAI-Kurspolitik co-designten, studentische Werte offenlegte – mit Priorisierung von Training, standardisierten Offenlegungsverfahren, stärkerer institutioneller Unterstützung und größerer Beteiligung an Entscheidungsfindung. Das positioniert Studierende als Partnerinnen und Partner in der Governance statt als passive Subjekte und ergänzt Politik auf institutioneller Ebene durch studentische Stimme von unten.

• Neugestaltung läuft auf drei Dimensionen gleichzeitig. Laidlaw (2026) rahmt Assessment-Neugestaltung im KI-Zeitalter über kulturell-diskursive (Sprache und Annahmen), materiell-ökonomische (Ressourcen) und sozial-politische (Governance und Macht) Dimensionen, und benennt die Schnittmenge von Ressourcen und Macht als größten Hebelpunkt und größtes Risiko zugleich: Ressourcen, die durch bestehende Machtstrukturen fließen, verstärken Ungleichheiten.

• Die techno-lösungsorientierte Falle und das Politikdefizit: Ein systematischer Review von 65 Studien zu KI × sozial-emotionalem Lernen (Tran, Liu & Nguyen 2026) findet, dass Forschung oft technisches Potenzial in den Vordergrund stellt, während die institutionellen Bedingungen verantwortungsvoller Implementierung unterbestimmt bleiben – eine „techno-solutionist"-Falle. Die Autorinnen und Autoren verbinden politisches Engagement mit Publikationsort und schlagen einen „WH-Fragen"-Rahmen vor, um Governance-Implikationen aktorspezifisch zu machen, was den weiteren Befund der Wissensbasis aufnimmt, dass institutionelle Governance der KI-Adoption hinterherhinkt.

Wie KI-Governance in der Forschung erscheint

• Institutionelle Adoption im Maßstab: Die AIDA-Studie an der Open University zeigt, wie eine Einrichtung einen GenAI-Assistenten gestaltete, implementierte und evaluierte, und identifiziert, dass verantwortungsvoller Einsatz auf Systemebene Governance-Strukturen (KI-Steuerungsgruppe), Sponsoring durch Führung auf höchster Ebene und Ausrichtung an der Einrichtungsstrategie erfordert – nicht nur technische Leistungsfähigkeit.
• Leadership und systemischer Wandel: SPARK rahmt Governance innerhalb der Complexity Leadership Theory und argumentiert, dass Führungskräfte administrative Stabilität mit emergenter Innovation ausbalancieren müssen, indem sie Governance-Mechanismen (Politiken, Assessment-Regime, Rechenschaftsrahmen) einbetten, damit adaptive-space-Innovationen aufrechterhalten und skaliert werden können.
• Mehrdeutigkeit von Politik und Erleben der Studierenden: Engagement von Studierenden mit generativer KI fand bei 12/23 Studierenden Hinweise auf fehlende explizite institutionelle KI-Politiken („die Universität hat noch keine klare und einheitliche Politik"), und argumentiert, Governance-Mehrdeutigkeit präge Praktiken, Normen und Selbstregulation der Studierenden – was eine Verschiebung hin zu transparenter institutioneller Anleitung stützt.
• KI-Kompetenz als Governance-Kapazität („das 18. SDG"): Islam, Morshed und Islam (2026) konzeptionalisieren KI-Kompetenz als systemischen Governance-Mechanismus statt als Klassenraumfähigkeit neu, schlagen eine sechsstufige AIRE-Taxonomie vor (Recognize → Comprehend → Apply → Analyze → Integrate → Govern), die Blooms Hierarchie um ethische Synthese und strategische Vorausschau erweitert, sowie eine AI–SDG-Nexus-Abbildung, die Kompetenzen auf alle siebzehn Ziele für nachhaltige Entwicklung abbildet. Indem sie KI-Kompetenz als „18. SDG"-Heuristik rahmen – eine querschneidende Kapazität, die Lernen in Governance und nachhaltige Entwicklung kanalisiert –, fand die Erhebung von 300 Fachkräften Governance-Kompetenz als stärksten Prädiktor des Bewusstseins für den KI-SDG-Nexus (β = 0.64, r = 0.67 mit Nexus-Bewusstsein) und identifizierte ethisches Schlussfolgern und reflexives Denken als stärkste Prädiktoren vertrauenswürdiger KI-Nutzung. Das bindet institutionelle Governance an die Kultivierung öffentlicher KI-Kompetenz und nimmt den Befund der Wissensbasis auf, dass verantwortungsvolle KI-Ausrichtung Politikerinnen und Politiker und Bürgerinnen und Bürger erfordert, die algorithmische Systeme kritisch interpretieren können, statt bloß compliance-orientierter technischer Kontrolle.
• Akademische Integrität und Assessment: Governance ist zentral dafür, wie Einrichtungen mit KI-bezogenen Anliegen der akademischen Integrität umgehen und Assessment neugestalten – mit einer Bewegung von Verbot/Polizieren hin zu Anleitung, KI-Kompetenz und prozessorientierten Designs, wie Forschung zu Rationalisierung durch Studierende und Neugestaltung authentischen Prüfens zeigt.
• Der Instrumentenmix schriftlicher Governance: Eldredge et al. (2026) prüften KI-bezogene Dokumente aus allen 48 CAHIIM-akkreditierten Master-Programmen für Gesundheitsinformatik und Gesundheitsinformationsmanagement in den Vereinigten Staaten. Vierzig der 48 (83%) hatten mindestens ein öffentlich verfügbares Dokument, und über die 40 analysierten Dokumente hinweg wurde Governance meist als Anleitung statt als verbindliche Regel realisiert: 21 Leitlinien (53%), 9 Informationsdokumente (23%) und nur 7 formale Politiken (18%). Die meisten Dokumente adressierten Fakultätsmitglieder und Studierende gemeinsam (20, 51%) statt Studierende allein (6, 15%), und weder Politiktyp noch Zielgruppe variierten mit der Vermittlungsweise (Fisher's exact P = .85 und P = .71), was nahelegt, dass der Instrumentenmix institutioneller Gewohnheit folgt statt den Anforderungen von Online-, Campus- oder Hybridprogrammen. Inhalte häuften sich auf akademische Integrität, verantwortungsvolle KI-Nutzung und studentisches Verhalten, mit wenig Anleitung zu KI-Nutzung in angewandtem Lernen, Forschung und simulierten Umgebungen, genau dort, wo curriculare und datengovernance-bezogene Anliegen sich schneiden. Die Autorinnen und Autoren berichten außerdem, dass regionale Akkreditierer den größten Teil des Korpus stellten (Higher Learning Commission n = 14 und SACSCOC n = 13, zusammen etwa 60%, mit keinen aus der WASC-Region), und argumentieren, Akkreditierung sei der externe Hebel, der am besten platziert ist, um Variation zwischen Programmen zu reduzieren.
• Governance als verteiltes Unterstützungsökosystem: Qian (2026) kodierte die KI-Anleitung der 50 innovativsten US-Universitäten und fand Governance weniger als Regel denn als Interpretation und Unterstützung realisiert: nur 6 von 50 rahmten ihre Hauptseite als „Politik", 33 von 50 positionierten Lehrende als primäre Übersetzer institutioneller Erwartungen in Kursregeln, und die Unterstützung dafür häufte sich über vier ineinandergreifende Einheiten – Lehre- und Lernzentren, die Syllabus-Sprache und Kurs-Politik-Menüs liefern, Bibliotheken, die Zitier- und Provenienzstandards setzen, IT- und Enterprise-Governance-Büros, die Datenklassifizierungsregeln und geprüfte Werkzeug-Stacks betreiben, sowie Büros für akademische Integrität, die rechtliches Gehör und auf Bildung zuerst setzende Remediation tragen. Qian argumentiert, dass es das Scaffolding ist, nicht die Haltung, das Mehrdeutigkeit reduziert, und berichtet, dass es ungleich verteilt ist: 33 von 50 Einrichtungen veröffentlichten Syllabus- oder Kurs-Politik-Materialien, während nur 4 Anleitung für Studierende in den Vordergrund stellten. Das ist der Instrumentenmix-Befund von oben in organisatorischer Form – Governance-Kapazität verortet in Einheiten statt in Dokumenten.
• Ethik, Datenschutz und Bias: Governance-Mechanismen operationalisieren die ethischen Prinzipien (Ethik, Datenschutz, Minderung von Bias), die oft anerkannt, aber nicht durchgesetzt werden, und verbinden sich mit verantwortungsvoller KI und regulatorischen Debatten in der Bildung.
• Eine Wert-/Normen-Matrix für Governance. Agarwal et al. (2026), ein systematischer Review von 25 Artikeln, konsolidieren die AIED-Ethik zu sechs zentralen ethischen Werten (Nichtdiskriminierung, Datenverantwortung, menschliche Aufsicht, Wohlwollen, Erklärbarkeit, pädagogische Angemessenheit) und bilden die aus der Literatur extrahierten ethischen Normen auf eine Matrix aus Akteuren und Werten ab. Die Abbildung macht Normen zu handlungsleitenden Regeln für die Realisierung spezifischer Werte und bietet eine Grundlage für den Aufbau detaillierter ethischer Rahmen und Regulierung für die AIED – und gibt Bildungseinrichtungen, Entwicklerinnen und Entwicklern sowie Regulierern konkrete Normen zur Implementierung. Normen für menschliche Aufsicht häufen sich auf Bildungseinrichtungen und Endnutzende, pädagogische Angemessenheit auf Bildungseinrichtungen und Regulierer, und Wohlwollens-Normen, die auf Regulierer zielen, sind weitaus zahlreicher (neun) als für jede andere Gruppe, was die Rolle der Regulierer signalisiert, durch Politik und Gesetzgebung zu sichern, dass AIED Lernenden nützt.

Governance-Bildung

KI-Governance wirkt auf zwei Ebenen, die die Wissensbasis zusammen behandelt: die institutionellen Regeln, die KI-Nutzung steuern (Politiken, Rahmen akzeptabler Nutzung, Assessment- und Erklärungsanforderungen), und Bildung über diese Regeln (Menschen darauf vorbereiten, in ihnen zu navigieren). Governance ohne Bildung riskiert, nicht durchgesetzt oder opak zu sein; Bildung ohne Governance beißt keine Zähne. Forschung in diesem Strang schließt Analyse institutioneller GenAI-Politik, KI-Erklärungsrahmen, Assessment-Governance, britische KI-Politik in der Hochschulbildung und umfassende AIED-Reviews ein, die Governance in der weiteren Politlandschaft verorten.

Assessment-Governance

Eine zentrale Arena der KI-Governance ist, wie Einrichtungen Assessment steuern – die Regeln, die bestimmen, was als akzeptable KI-Nutzung gilt, wie KI-assistierte Arbeit erklärt wird und wie summative Maße geschützt werden. Dazu gehören Gestaltung und Durchsetzung von Erklärungen zu KI-Nutzung und Offenlegung: Forschung zeigt, dass verpflichtende Erklärungen scheitern, wenn sie sich strafend oder mehrdeutig anfühlen (Gonsalves 2025, Vetter et al. 2026), und dass klare, konsistente, vertrauensbasierte Politik ist, was Offenlegung tatsächlich fördert. Die Forschung der Wissensbasis unterscheidet zwischen detektionsbasierter Governance (KI-Nutzung polizieren, z. B. über KI-Detektion) und designbasierter Governance (summatives und authentisches Prüfen so neugestalten, dass KI-Nutzung erwartet, erklärt und geprüft wird). Evidenzzentrierte Governance generativer KI im Assessment und Beyond Detection argumentieren, dass Governance jede Detektion mit Neugestaltung des Assessments paaren muss, während die Wahl KI-resistenter summative Formate (mündliche Prüfungen, beaufsichtigte/closed-book-Maße, Code-Review-Interviews – siehe Summatives Assessment) selbst eine Governance-Entscheidung ist. Großskalige Evidenz (Strömberg, Lei, & Wu 2026) unterstreicht die Bedeutung, summative Maße zu steuern, da ungesteuerte Hausaufgaben durch KI aufgeblasen werden können, während tatsächliches Lernen abnimmt. Der Umfang eines Verbots ist selbst eine Governance-Entscheidung: Wright (2026) zeigt, dass Regeln, die „generative KI" verbieten, ohne Generierung von Formatumwandlung zu unterscheiden, assistive Transkriptionswerkzeuge erfassen und falsche Politikanwendung zu Fehlverhaltensvorwürfen machen, wodurch Studierende mit Behinderung und Gerechtigkeit-exponierte Studierende belastet werden – ein Governance-Fehlschlag, den rechtliche Fragen und Risiken ebenso sehr als Gleichstellungsfrage wie als Integritätsfrage behandelt.

Evidenz, die Zagami (2026) aus Arenen mit hohem Einsatz sammelt, weist auf ungleichmäßige Governance statt einfache Verweigerung hin: partielle Adoption und unvollständige Politik in Assessment, Zulassung und disziplinarischen Prozessen, wobei institutionelle Verzögerung als Governance-Haltung statt als Fehlschlag wirkt. Die institutionelle Aufgabe ist, Verweigerung gut genug zu interpretieren, um Governance zu verbessern, und zu fragen, welche Entscheidungen menschliche Prüfung erfordern, welche Systeme Prüfung erfordern, welche Nutzungen Offenlegung erfordern und welche Beschaffungsentscheidungen öffentliche Rechtfertigung erfordern. Weidlich (2026) fügt die assessment-spezifische Folgerung hinzu: Detektorpunktzahlen sind bedingte probabilistische Signale, die für sich allein kein Fehlverhalten etablieren können, deshalb ist detektionszentrierte Governance eine unzureichende Grundlage für die Verteidigung von Assessment-Behauptungen.

Governance über Ebenen hinweg

KI-Governance wirkt auf mehreren Ebenen – von national/regulatorisch (Regierungspolitik, der OECD-Rahmen, staatliche KI-Leitlinien) über institutionell (Universitätspolitiken, KI-Steuerungsgruppen, ethische Prüfungsgremien) bis Klassenraum (Leitlinien für Lehrende, Syllabus-Erklärungen, Aufgabendesign). Wirksame Governance richtet diese Ebenen aus: nationale Rahmen setzen Erwartungen, Einrichtungen übersetzen sie in Politiken und Unterstützungsstrukturen, und Lehrende implementieren sie in Weisen, die KI-Kompetenz und Handlungsfähigkeit der Studierenden aufbauen. Die Forschung der Wissensbasis betont, dass Governance nicht bloß um Beschränkung geht, sondern darum, Bedingungen für verantwortungsvolle, gerechte und lernunterstützende KI-Integration zu schaffen – einschließlich Entwicklung der Fakultät, transparenter Anleitung und fortlaufender Evaluation. Identisches Verhalten, verschiedene Urteile. Poudyal (2026) wandte 15 standardisierte Vignetten zur studentischen Nutzung auf die öffentlichen Politikumgebungen von 20 australischen Universitäten an und erzeugte 300 Klassifikationen: 40.0% klar verboten, 32.3% potenzielle Politikverstöße, 9.0% mit Bedingungen erlaubt und 18.7% unbestimmt – keine erreichte die Schwelle für klar erlaubt. Verbindliche Instrumente waren in 100 Kombinationen schweigend zu generativer KI, während Anleitung 88 auflöste, und offengelegtes Umschreiben von Sprache und ein KI-verfasster Absatz erzeugten die höchste universitätsübergreifende Divergenz gegen Einstimmigkeit für ein explizites Assessmentverbot. Wo die oben beschriebenen Ebenen als übereinstimmend angenommen werden, misst diese Studie, wie weit sie auseinandergehen, und lokalisiert die operative Grenze in Anleitung statt in verbindlicher Politik.

Governance der Fakultät und der Fall bewusster Prüfung. Wo die Ebenen oben durch Politik ausgerichtet sind, erreichen manche Sektoren sie stattdessen durch geteilte Governance. Gutowski und Hurley (2025) beschreiben Law Schools aus genau diesem Grund als harten Fall: US-Law-Fakultäten halten ungewöhnliche individuelle Autorität über Kursstandards, deshalb muss Politik mit ihnen gebaut statt ihnen verkündet werden, und die meisten Schulen, die restriktive Regeln schrieben, behielten sich auch Ermessen für einzelne Lehrende vor und verpflichteten sich zur Revision, während die Technologie sich bewegte. Ihre Empfehlungen – Flexibilität durch Design, regelmäßige Prüfung, proaktives Training und Selbstregulierung durch Informationsweitergabe statt zu warten, bis ein Akkreditierer Politik diktiert – beschreiben Governance als fortlaufenden Prozess statt als Dokument, denselben Punkt, den der Delphi-Konsens macht, indem er geplante Prüfzyklen und ein stehendes multidisziplinäres Komitee empfiehlt.

Einrichtungsweit positioniert das AIGEM-Framework (Tan et al. 2026) verantwortungsvolle KI als strategische organisatorische Fähigkeit für Bildungsmanagement und integriert KI-Strategieführung, verantwortungsvolle Governance, Entscheidungsintelligenz, kollaborative Intelligenz zwischen Mensch und KI, Kompetenzentwicklung und nachhaltige Wertschöpfung – und verbindet verantwortungsvolle Implementierung mit den SDGs. Es unterstreicht, dass Governance nicht nur eine Compliance-Schicht über dem Unterricht ist, sondern eine Führungsfunktion von Bildungseinrichtungen.

Verbindungen zu verwandten Konzepten

KI-Governance verbindet sich mit Ethik (den Prinzipien, die sie operationalisiert), Hochschulbildung (dem institutionellen Kontext), Datenschutz und Minderung von Bias (spezifischen Governance-Anliegen) sowie akademischer Integrität (einer primären Governance-Arena). Sie ist zentral für institutionellen Wandel und verantwortungsvolle KI und schneidet sich mit KI-Kompetenz (Governance unterstützt die Entwicklung kritischer, informierter Nutzung). Sie verbindet sich außerdem mit Learning Analytics (Datengovernance) und Erleben der Studierenden (Governance prägt, wie Studierende akzeptable Nutzung navigieren).

Die cognitive commons steuern. Das Cognitive-Commons-Framework (Lovett 2026) rahmt Regeneration von Expertise als Kollektivhandlungsproblem auf Professionsebene, das Ostrom-artige Governance erfordert (Grenzdefinition, Monitoring, abgestufte Sanktionen, kollektive Wahl). KI-Governance ist daher nicht nur Werkzeugregulierung, sondern die Aufrechterhaltung des Pools geteilter Expertise, den Professionen brauchen – auf organisatorischer, Verbands- und Politikebene.

Beziehung zur Bildungspolitik

Governance unterscheidet sich von – ist aber untrennbar mit – Bildungspolitik zu KI verbunden. Politik ist der Inhalt: die formalen Regeln und Erklärungen (welche KI-Nutzung erlaubt ist, was offengelegt werden muss, welches Prüfen gestattet ist). Governance ist die Maschinerie, die diese Regeln produziert, implementiert, durchsetzt und revidiert: wer sie setzt, wie sie ausgestattet und kommuniziert werden, wie Compliance und Einsprüche behandelt werden und wie sie sich anpassen, während KI sich entwickelt. Wo die Seite Bildungspolitik die Regeln selbst und ihre Reifelücken katalogisiert, konzentriert sich diese Seite auf die Strukturen und Praktiken, die Regeln real werden lassen – Steuerungsgruppen, ethische Prüfung, Assessment-Governance und Rechenschaft über Ebenen hinweg. Eine Regel auf Papier ist Politik; eine Regel, die jemand besitzt, überwacht und durchsetzt, ist Governance. Die beiden sind wechselseitig abhängig: Politik ohne Governance ist nicht durchgesetzt, und Governance ohne Politik fehlt Richtung.

Die Sprache der Rechenschaft kann den verantwortlichen Akteur unbenannt lassen. Poudyal (2026) extrahierte 166 Ausdrücke von Verpflichtung oder Rechenschaftspflicht aus 366 GenAI-Abstracts aus der Hochschulbildung und fand, dass keiner einem System Verantwortung zuwies, während 33 den Träger unbestimmt ließen; „Governance ist nötig" benennt niemanden, der einberuft, entscheidet oder durchsetzt. Institutionen und Politikakteure trugen 37 Verpflichtungen, Institution/Lehrkraft-Metonymien 30, Lehrende 20, Forschende 18 und Studierende nur sechs.

Svetec, Divjak & Kadoić (2026) identifizieren Ethik- und Datengovernance als einen von sieben Ermöglichern vertrauenswürdiger LA-basierter Bildungsinterventionen – Politiken für die ethische Nutzung von LA und KI, Datenschutz, Sicherheit und Rechenschaftspflicht – und positionieren Vertrauenswürdigkeit (einschließlich Leadership und Governance, die Implementierung unterstützen) als Vorbedingung für bedeutsame dateninformierte Interventionen.

• Governance kann in das Werkzeug gestaltet werden. Ein sechsdimensionales Governance-Profil – pädagogische Verankerung, instruktionale Autorität, menschliche Rechenschaftspflicht und Kontrolle, Handlungsfähigkeit und kognitives Engagement der Lernenden, Kontextspezifität und Sichtbarkeit der Evaluation – verortet Governance im Interaktionsmodell, den Prompts, Rubriken, Freigabetoren und Dashboards eines Lehrwerkzeugs und fragt, ob die Mechanismen zur instruktionalen Funktion passen, statt wie strikt oder freizügig ein Werkzeug ist (Dickey, 2026).

Verbundene Konzepte

• Pädagogische Partnerschaften — Pädagogische Partnerschaften
• Offenlegung der KI-Nutzung — Erklärungen zu KI-Nutzung und Offenlegung
• Fernaufsicht bei Prüfungen
• Ethik
• Hochschulbildung
• Datenschutz
• Minderung von Bias
• Akademische Integrität
• KI-Kompetenz
• Lernanalyse
• Erleben der Studierenden
• Bildungspolitik zu KI
• KI-Regulierung in der Bildung
• Summatives Assessment
• KI-Missbrauch und Lernschaden
• Vertrauenskalibrierung
• Generative KI
• Akteure in der KI-Bildung — Überblick: Menschen und Zielgruppen in der KI-Bildung (Lernende, Lehrende, Gestaltende, Administration, Politik)
• Unterstützung und Erfolg von Studierenden — Aufsicht für institutionelle KI-Unterstützungssysteme

Verbundene Artikel

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — AI literacy as a governance capacity for sustainable development: the AIRE Taxonomy and AI–SDG Nexus (Islam, Morshed & Islam 2026)
• Artificial Intelligence in Educational Management: Opportunities, Challenges, and Future Directions — AIGEM framework for AI governance in educational management
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — AI policy and guidance documents across 48 CAHIIM-accredited health informatics programs: governance as non-binding, integrity-centric guidance (Eldredge et al. 2026)
• A Guided Inquiry Approach to Students Co-Designing Generative AI Course Policies — Students co-designing GenAI course policies via guided inquiry (Hingle & Johri 2026)
• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — From learning analytics to educational interventions: enablers of trustworthy LA-based interventions (Svetec, Divjak & Kadoić 2026)
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Student non-compliance with AI use declarations
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — The hidden cost of disclosure
• "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education — Student AI disclosure, stigma, and self-regulated learning
• Which inference is at risk? Assessment validity reasoning and generative AI — Which inference is at risk: assessment validity reasoning and generative AI (Weidlich 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Global Delphi on GenAI governance and policy
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Governance by guidance: 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 — Faculty governance, instructor discretion and periodic review in law school GenAI policy (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Over-inclusive „AI" prohibitions, format conversion and the reasonable-adjustment problem (Wright 2026)
• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — Refusal as evidence: uneven governance, the duty to understand and the diagnostic value of non-use (Zagami 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Anticipatory governance and leadership for AI
• New systems of learning for distance learning institutions? A six-study review of implementing AIDA — Implementing AIDA at the Open University
• Leveraging complex systems: Leading for transformative change — SPARK: Leading for Transformative Change
• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study — Students' Engagement With GenAI (SDT)
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond Detection: Authentic Assessment Redesign
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education — Institutional GenAI policy in computing
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — AI declaration frameworks
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — Assessment governance under GenAI
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — AI in UK higher-education policy
• Review of Artificial Intelligence in Education from 2020 to 2025 — Comprehensive review of AIED research
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — The tragedy of the cognitive commons: AI and expertise regeneration
• 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)
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research
• Instructional Governance by Design: A Framework for AI in Computing Education — Instructional Governance by Design: A Framework for AI in Computing Education
• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education