Prüfen mit, ohne und trotz KI: Was ist noch fair?
Eine überzeugende Hausarbeit, ein sauberer Programmcode oder eine gelungene Präsentation: Lange konnten solche Ergebnisse zumindest Hinweise darauf geben, was Studierende gelernt hatten. Generative KI macht diesen Schluss unsicherer. Für Hochschulen stellt sich deshalb nicht nur die Frage, welche Hilfsmittel erlaubt sind. Sie müssen neu bestimmen, welche Kompetenzen ein Leistungsnachweis sichtbar machen soll und wie das fair gelingt.
Eine Studentin reicht eine fachlich überzeugende Arbeit ein. Die Argumentation ist klar, die Sprache präzise, die Gliederung stimmig. Wie viel davon hat sie selbst erarbeitet? Hat sie KI für Formulierungen genutzt, für die Recherche, für Gegenargumente oder für einen ersten vollständigen Entwurf?
Die naheliegende Reaktion wäre, nachträglich nach KI-Spuren zu suchen. Doch darauf lässt sich eine verlässliche Prüfungspraxis kaum aufbauen. Die ETH Zürich hält ausdrücklich fest, dass sich die Nutzung generativer KI nicht rechtssicher nachweisen lässt: Weder Software noch manuelle Verfahren könnten zweifelsfrei feststellen, ob eine Arbeit ganz oder teilweise mit KI erstellt oder optimiert wurde.
Das bedeutet nicht, dass Regeln überflüssig wären. Es bedeutet aber, dass Regeln allein die entscheidende Frage nicht beantworten: Was beweist die eingereichte Leistung tatsächlich?
Nicht alles muss mit KI geschehen
Aus dieser Unsicherheit folgt kein pauschaler Abschied von Prüfungen ohne KI. Im Gegenteil: Wer KI-Ergebnisse fachlich beurteilen will, braucht eigenes Wissen. Wenn eine angehende Ingenieurin einen Rechenweg nicht nachvollziehen oder ein angehender Historiker eine fragwürdige Quelle nicht erkennen kann, hilft auch ein überzeugend formulierter KI-Output wenig.
In einem UZH-Interview vom September 2026 plädieren die Bildungsforscher Sascha Schneider und Joshua Weidlich deshalb für Lernphasen und Prüfungen ohne KI. Daneben sehen sie KI-integrierte Prüfungen, in denen Studierende generierte Ergebnisse kritisch einschätzen, verbessern und reflektieren. An einem Tag der Lehre der Universität Bern wurde 2025 ähnlich zwischen überwachten KI-freien Prüfungen und Formaten unterschieden, in denen KI sinnvoll eingesetzt werden darf.
Darum müssen wir nicht die Frage stellen «KI erlauben oder verbieten?», sondern:
Was sollen Studierende in dieser Prüfung selbst können und wo gehört der kompetente Einsatz von KI zur Leistung?
Für eine grundlegende Fachkompetenz kann eine kurze, beaufsichtigte Aufgabe passend sein. Geht es dagegen um professionelles Problemlösen, kann ein pauschales KI-Verbot am Ziel vorbeiführen. Wer später mit KI arbeitet, sollte auch zeigen können, wie er oder sie deren Vorschläge prüft, Grenzen erkennt und fachlich begründete Entscheidungen trifft.
Die Universität Basel strebt entsprechend kein generelles KI-Verbot an; Dozierende können KI je nach Leistungsnachweis integrieren oder ihre Nutzung einschränken.
Ein gutes Produkt ist nicht automatisch ein Kompetenznachweis
Ein guter Text bleibt ein guter Text. Ein funktionierender Code bleibt funktionierender Code. Aber die Qualität eines Produkts sagt nicht mehr automatisch genug darüber aus, welche Fähigkeiten die einreichende Person tatsächlich erworben hat.
Die bisher häufig implizite Annahme
gutes Produkt = entsprechende Kompetenz
wird unsicherer.
Deshalb gewinnt der Weg zum Ergebnis an Bedeutung. Die ETH schlägt unter anderem Fallstudien, Projekte, Aufgaben mit dokumentiertem Denkprozess und Reflexions-E-Portfolios vor. Die UZH spricht von einem «Shift vom Produkt zum Prozess»: Prüfungen sollen stärker zeigen, wie Verständnis entstanden ist, was Lernende selbst beigetragen haben und wie sie mit KI-Ergebnissen umgegangen sind.
Das lässt sich praktisch umsetzen, ohne aus jeder Prüfung eine lückenlose Überwachung zu machen. Bei einer Projektarbeit könnten Studierende einen frühen Entwurf, eine zentrale Überarbeitung und die Begründung einer verworfenen Lösung einreichen. Ein anschliessendes Gespräch könnte eine fachliche Entscheidung vertiefen oder eine kleine Transferaufgabe stellen.
Entscheidend ist nicht die Menge der dokumentierten Arbeitsschritte, sondern ob die ausgewählten Nachweise zum Lernziel passen.
Dabei darf allerdings auch der Prozess nicht zum neuen Echtheitsbeweis erklärt werden. Eine KI kann inzwischen ebenso gut Reflexionen formulieren, Entwicklungsschritte beschreiben oder nachträglich plausible Begründungen erzeugen.
Auch Prozessdokumentation ist deshalb kein sicherer Nachweis für Eigenleistung.
Aussagekräftiger wird ein Leistungsnachweis, wenn unterschiedliche Evidenzen zusammenkommen:
Produkt + ausgewählte Prozessspuren + Transfer + Gespräch.
Nicht jede Prüfung braucht alle vier Elemente. Aber je stärker generative KI das Endprodukt beeinflussen kann, desto wichtiger wird die Frage, welche zusätzliche Evidenz benötigt wird.
Portfolioarbeit bekommt eine neue Bedeutung
Gerade für die Portfolioarbeit eröffnet sich damit eine Chance. Ein Portfolio ist mehr als eine Ablage fertiger Ergebnisse, wenn es gezielt sichtbar macht, wie jemand denkt, entscheidet, Rückmeldungen verarbeitet, Varianten entwickelt und sich fachlich weiterentwickelt. Damit kann Portfolioarbeit einen Teil jener Evidenz liefern, die bei einer reinen Produktbewertung zunehmend fehlt.
Auch hier gilt jedoch: Eine Reflexion ist nicht schon deshalb aussagekräftig, weil sie persönlich klingt. Sie braucht konkrete Belege, Bezug zum Lernprozess und transparente Beurteilungskriterien.
Ein Portfolio ersetzt also keine Prüfung. Es kann aber helfen, Kompetenzentwicklung über längere Zeit sichtbar zu machen, besonders dann, wenn einzelne Produkte mit KI-Unterstützung entstanden sind.
KI-Kompetenz kann selbst Prüfungsziel sein
Nehmen wir eine mögliche Prüfungsaufgabe aus einem Studiengang im Bildungsbereich:
Studierende sollen ein Konzept für den Einsatz von KI bei schriftlichen Arbeiten entwickeln. Sie dürfen ein KI-System als Unterstützung nutzen. Abzugeben sind das Konzept, zwei fachlich problematische Vorschläge des Systems und eine Begründung, welche Anregungen sie übernommen, verändert oder verworfen haben.
Bewertet würde nicht, wer den kunstvollsten Prompt formuliert. Bewertet würden die fachliche Qualität des Konzepts, die Prüfung der KI-Vorschläge und die Begründung der Entscheidungen. Die KI wäre hier nicht heimliches Hilfsmittel, sondern ausdrücklich Teil der Aufgabe. Die ETH beschreibt diesen Ansatz so, dass bei KI-integrierenden Aufgaben das erfolgreiche Problemlösen mit KI und der daraus entstehende Kompetenzgewinn im Vordergrund stehen.
Solche Aufgaben verändern auch den Begriff der Eigenleistung. Eigenleistung muss nicht bedeuten, jeden Satz ohne Werkzeug zu schreiben. Sie kann darin liegen, ein Problem zu verstehen, geeignete Mittel auszuwählen, Vorschläge zu überprüfen, Entscheidungen zu begründen und Verantwortung für das Ergebnis zu übernehmen.
Was als Eigenleistung zählt, muss jedoch vor der Prüfung klar sein – nicht erst dann, wenn eine Arbeit auffällig wirkt.
Fairness beginnt vor der Prüfung
Ob ein Leistungsnachweis fair ist, entscheidet sich schon bei seiner Planung. Fairness bedeutet im KI-Zeitalter mindestens vier Dinge.
Eine Prüfung muss valide sein.
Sie muss tatsächlich die Kompetenz messen, die sie messen soll. Wenn eine sprachlich perfekte Hausarbeit vor allem zeigt, dass jemand ein KI-System geschickt bedienen konnte, obwohl eigentlich fachliches Argumentieren geprüft werden sollte, stimmen Prüfung und Lernziel möglicherweise nicht mehr überein.
Eine Prüfung muss transparent sein.
Studierende müssen vorher wissen, welche KI-Nutzung zulässig ist, was deklariert werden muss und nach welchen Kriterien ihre Leistung beurteilt wird.
Die UZH legt die konkreten Richtlinien in die Verantwortung der Fakultäten und Studienprogramme und verlangt, dass Studierende über den erlaubten Umfang der KI-Nutzung informiert werden.
Eine Prüfung muss zugänglich sein.
Nicht alle Studierenden verfügen über dieselben technischen Möglichkeiten. Die UZH weist deshalb auch auf eine leicht übersehene Frage hin: Werkzeuge, die persönliche Daten bei der Registrierung verlangen oder Kosten verursachen können, dürfen in der Lehre nicht einfach vorausgesetzt werden. Chancengleichheit betrifft damit auch den Zugang zur Technik.
Eine Prüfung muss verantwortbar sein.
Das betrifft nicht nur die KI-Nutzung durch Studierende, sondern zunehmend auch den Einsatz von KI durch die Hochschule selbst.
KI sitzt inzwischen auf beiden Seiten des Prüfungstisches
KI unterstützt nicht nur Studierende. Die ETH Zürich erprobt seit dem Frühlingssemester 2026 einen Ablauf, bei dem KI für offene, handschriftliche Prüfungen Punktevorschläge zu Teilaufgaben erstellt. Das Kursteam prüft die Ergebnisse; die verantwortlichen Dozierenden legen die Noten fest. Studierende können die Bewertung einzelner Teilaufgaben einsehen und beanstanden, worauf diese von Menschen neu beurteilt werden.
Der derzeitige Einsatz ist auf bestimmte MINT-Prüfungen mit detaillierten Bewertungsrastern begrenzt – nicht auf beliebige schriftliche Arbeiten übertragbar. Damit wird eine oft einseitig geführte Debatte vollständig.
Wenn wir Transparenz von Studierenden verlangen, müssen wir Transparenz auch von Institutionen verlangen.
Wenn KI an der Erstellung, Rückmeldung oder Bewertung beteiligt ist, sollten Hochschulen erklären, wo sie eingesetzt wird, wie Ergebnisse kontrolliert werden, wie Fehler korrigiert werden können und wer letztlich die Verantwortung trägt.
Die ETH fordert bei KI-gestützter Bewertung entsprechend transparente Kommunikation und menschliche Kontrolle.
Was ist also noch fair?
Die faire Prüfung der Zukunft ist weder grundsätzlich KI-frei noch grundsätzlich KI-offen. Sie beginnt beim Lernziel. Manche Fähigkeiten müssen Studierende ohne Unterstützung zeigen können. Bei anderen gehört die reflektierte Zusammenarbeit mit KI gerade zum Kompetenznachweis. Und in beiden Fällen müssen Aufgaben, Hilfsmittel, Kriterien und Verantwortlichkeiten nachvollziehbar sein.
Fair ist deshalb nicht automatisch die Prüfung, in der alle ohne KI arbeiten.
Fair ist eine Prüfung dann, wenn klar ist, welche Kompetenz ein Mensch nachweisen soll, unter welchen Bedingungen dieser Nachweis erfolgt und worauf sich die Bewertung tatsächlich stützt.
Entscheidend ist damit nicht mehr nur, ob KI bei einer Prüfung irgendwie beteiligt war, sondern:
Können wir anhand dieser Prüfung begründet sagen, was ein Mensch verstanden hat, was er oder sie tatsächlich kann und wofür er oder sie die Verantwortung übernimmt?
Weiterdenken mit EDUTECSOL
Wie sich Leistungsnachweise mit, ohne und trotz KI praktisch gestalten lassen, zeigen wir im KI-Snack «KI und Leistungsbeurteilung» im Dezember 2026: 45 Minuten, live online und kostenlos.
Zur Anmeldung
Sie möchten Portfolioarbeit so aufbauen, dass sie Kompetenzentwicklung über längere Zeit sichtbar macht? aha!portfolio verbindet Beratung mit einer in der Schweiz gehosteten Portfolioplattform. Sie können es einen Monat lang kostenlos mit einer Studiengruppe testen.
Mehr zu aha!portfolio
Faire Prüfungen brauchen gemeinsame Regeln. Wir begleiten Studiengänge, Prüfungskommissionen und Projektgruppen dabei, Beurteilungsformate kompetenzorientiert weiterzuentwickeln und KI verantwortungsvoll einzubinden. Mehr zur Prüfungskultur oder direkt per E-Mail an info@edutecsol.ch
