KI in der Lehre – Grundlagen & Überlegungen
Transparenz, Erklärbarkeit, Fairness – und was „Mythos vs. Realität“ für Hochschulen bedeutet Künstliche Intelligenz ist an Hochschulen längst mehr als ein Zukunftsthema. Automatisiertes Feedback, generative Text- und Bildsysteme, Chatbots in der Studienberatung, Plagiats- und Authentizitätsprüfungen – die Einsatzfelder wachsen dynamisch. Zugleich wächst die Unsicherheit: Was bedeutet der Einsatz von KI für die Rolle von Lehrenden und Studierenden, für Prüfungen, für Chancengerechtigkeit? Seriöse Orientierung entsteht dort, wo technologische Möglichkeiten mit Ethik, Didaktik und Governance zusammengebracht werden – und genau hier setzt die Debatte um Transparenz, Erklärbarkeit und Fairness an. Was KI in der Hochschullehre heute real leistet – und was nicht Im Kern lässt sich der Mehrwert aktueller KI in drei Funktionen sortieren: Automatisierung repetitiver Aufgaben (z. B. Erstkorrekturen, Formatprüfungen), Personalisierung von Lernpfaden (z. B. adaptive Übungen) und Unterstützung bei Recherche, Strukturierung und Formulierung (z. B. Entwurfs- und Ideengebung). Richtig eingesetzt, können diese Funktionen Lehrkapazitäten entlasten und Lernenden niedrigschwellige Unterstützung bieten. „Richtig eingesetzt“ bedeutet: Ziele, Datenflüsse und Grenzen werden offengelegt; Entscheidungen bleiben nachvollziehbar; Bewertungsverfahren und Zugänge sind fair. Diese Trias – Transparenz, Erklärbarkeit, Fairness – ist nicht bloß moralischer Zierrat, sondern Bedingung für Vertrauen und Wirksamkeit. Die drei Leitprinzipien: Transparenz, Erklärbarkeit, Fairness Transparenz verlangt, den Einsatz von KI kenntlich zu machen – für Studierende ebenso wie für Lehrende. Wer interagiert wann mit welchem System? Welche Daten werden erhoben, gespeichert, ausgewertet? Transparenz ist auch didaktisch: Lernziele müssen angeben, ob KI als Werkzeug erlaubt, erwünscht oder ausgeschlossen ist. Internationale Leitlinien (UNESCO, OECD) definieren Transparenz als Grundpfeiler verantwortbarer KI; Hochschulen, die eigene Policies formulieren, knüpfen hieran an. Erklärbarkeit (Explainability) meint, dass die Funktionslogik von KI-Anwendungen in relevanter Tiefe verständlich gemacht wird – nicht als Whitepaper für Data Scientists, sondern adressatengerecht für Lehrpraxis und Prüfungssituationen. Wo algorithmische Empfehlungen in Bewertung und Zuteilung einfließen (z. B. Aufgabenschwierigkeit, Feedback), müssen Kriterien nachvollziehbar bleiben. Das ist für Akzeptanz zentral und wird in aktuellen Hochschulpapieren als Gelingensbedingung hervorgehoben. Fairness adressiert Verzerrungen (Bias) und ungleiche Wirkungen. Trainingsdaten spiegeln gesellschaftliche Schieflagen – ohne Korrekturen reproduzieren Systeme diese in der Lehre. Fairness bedeutet daher: Diversität in Daten und Evaluationsgruppen, Impact-Prüfungen (z. B. für benachteiligte Studierendengruppen), Beschwerdewege sowie „Human-in-the-Loop“ bei strittigen Entscheidungen. OECD-Guidelines und UNESCO verankern Gleichbehandlung, Inklusion und Zugang als Kernmaß. Diese drei Leitprinzipien bilden den roten Faden eines aktuellen deutschsprachigen Überblicks zur KI in der Hochschulbildung (Schmohl/Watanabe/Schelling, 2023), der Chancen und Grenzen systematisch aufarbeitet – ein guter Referenzrahmen für Curricula, Lehrentwicklung und Prüfungsdidaktik. Governance & Praxis: Vom Leitfaden zur Umsetzung Auf Papiere folgen Prozesse: Hochschulen in D-A-CH entwickeln derzeit Leitlinien, Handreichungen und Use-Case-Sammlungen, die Verantwortlichkeiten klären (z. B. wer genehmigt Prüfungsformate?), Kompetenzaufbau planen (Fortbildungen, KI-Tutorien, Tool-Sprechstunden) und technische Mindeststandards definieren (z. B. Datenschutz, Logging, Modellfreigaben). Aktuelle Arbeitspapiere des Hochschulforums Digitalisierung (HFD) bündeln solche Gelingensbedingungen und dokumentieren Erfahrungen aus Kursen und Prüfungen, inklusive Akzeptanzlagen bei Lehrenden und Studierenden. International rahmen UNESCO-Guidance (Policy-Ebene) und OECD-Guidelines (Chancen, Guardrails) den Weg: Sie betonen Lehrkräfteprofessionalisierung, verantwortliche Datennutzung, partizipatives Design und Monitoring. Für Hochschulen bedeutet das: Ethik nicht nachschalten, sondern in den Gestaltungsprozess integrieren – von der Toolauswahl bis zur Prüfungsordnung. Kompetenzen aufbauen: Didaktik vor Toolkatalog Die vielleicht wichtigste Weichenstellung: Kompetenzentwicklung darf nicht als Tool-Schulung im Schnelldurchlauf missverstanden werden. Wirksam sind Programme, die didaktische Szenarien mit KI-Funktionen verknüpfen (Feedback, formative Bewertung, Gruppenarbeit, Schreibprozesse), Leitfragen zur Ethik trainieren und Beispiele aus der Fachpraxis bereitstellen. Der KI-Campus dokumentiert hierzu OER-basierte Modelle (Micro-Degrees, Fellowship-Projekte), die Hochschulen schnell adaptieren können – mit offener Lizenz, erprobt und anschlussfähig. Prüfungen und Integrität: Risiken benennen, Formate anpassen Die größte Reibung entsteht im Prüfungsbereich: Was ist zulässig, was nicht – und wie wird das geprüft? Aktuelle Auswertungen zeigen: ein pauschales „KI-Verbot“ ist weder durchsetzbar noch didaktisch sinnvoll. Stattdessen entstehen formatklare Regelungen (z. B. deklarationspflichtige Nutzung, Arbeitsprotokolle, mündliche Validierung) und aufgabenlogische Anpassungen (Transfer, Reflexion, Prozessbewertung). Das HFD berichtet von Hochschul-Leitlinien, die Entscheidungsspielräume bei Lehrenden belassen, aber Transparenzpflichten und Begründungen einfordern – ein pragmatischer Mittelweg. Kurzessay: KI-Mythos vs. Realität in der Lehre Mythos 1: „KI ersetzt Lehrende.“ Realität: KI automatisiert Schritte, nicht Beziehungen. Lehrende bleiben Designerinnen von Lernumgebungen, Kuratorinnen von Aufgaben und Coaches im Reflexionsprozess – Rollen, die durch KI sogar profilierter werden können. Internationale Leitlinien fordern deshalb gezielt Lehrkräftequalifizierung statt Substitution. Mythos 2: „KI macht Lernen unpersönlich.“ Realität: Richtig eingebettet, unterstützt KI Personalisierung – differenziertes Feedback, adaptive Übungspfade, Unterstützung in heterogenen Gruppen. Entscheidend ist, dass Erklärbarkeit und Transparenz mitlaufen, damit Empfehlungen nachvollziehbar bleiben. Mythos 3: „KI zerstört akademische Integrität.“ Realität: Es sind die Prüfungsdesigns, nicht die Tools. Wenn Aufgaben ausschließlich Output prüfen, lädt das zur Delegation ein. Prüfungen, die Prozess, Begründung, Transfer und mündliche Validierung integrieren, stabilisieren Integrität – flankiert von klaren Nutzungsregeln. Mythos 4: „Ethische Leitlinien bremsen Innovation.“ Realität: Ethische Leitplanken schaffen Akzeptanz und reduzieren Reibungsverluste. Wo Fairness-Checks, Datenklarheit und Beschwerdewege geregelt sind, steigt die Nutzungsbereitschaft – und damit die Wirkung in Breite und Tiefe. Fünf konkrete Entscheidungen, die Hochschulen jetzt treffen sollten Von der Toolfrage zur Kulturfrage Der eigentliche Wandel verläuft weniger entlang neuer Software als entlang einer professionellen Kultur der Verantwortlichkeit. Hochschulen, die klare Policies formulieren, Kompetenzen aufbauen und Prüfungen weiterdenken, verschieben den Fokus: weg von Ad-hoc-Reaktionen, hin zu gestalteter Innovation. Dafür liefert die aktuelle Diskussion solide Fundamente – mit Überblicksarbeiten (Schmohl/Watanabe/Schelling), Governance-Leitlinien (HFD), internationalen Rahmenwerken (UNESCO, OECD) und offenen Lernressourcen (KI-Campus). Anders als immer wieder proklamiert, ersetzt KI nicht die Lehre – sie fordert uns heraus, gute Lehre neu zu definieren: nachvollziehbar, erklärbar, fair. Quellen (Auswahl)
Future Curriculum & Studiengangsinnovation – Wie zukunftsfähige Studiengänge entstehen
„Die Studiengänge von gestern bringen keine Lösungen für die Herausforderungen von morgen.“ Hochschulen stehen heute an einem Wendepunkt.Künstliche Intelligenz verändert Lehre und Forschung, neue Arbeitswelten entstehen, die Generation Z fordert andere Lernformen – und die Gesellschaft sucht nach Antworten auf die großen Krisen unserer Zeit. Im Zentrum all dieser Entwicklungen steht eine Frage:Wie sieht das Studium der Zukunft aus? Immer deutlicher wird: Die Antwort liegt nicht in einem weiteren Modulhandbuch, sondern in einem neuen Denken über Bildung selbst.Wer Studiengänge heute konzipiert, gestaltet keine Lehrpläne – sondern Zukunft. Future Curriculum – Bildung wird zum Zukunftssystem Ein Future Curriculum ist mehr als die Summe seiner Module.Es ist ein lebendiges System, das gesellschaftliche, technologische und kulturelle Entwicklungen integriert. Das traditionelle Verständnis von Lehre – Input, Prüfung, Abschluss – weicht zunehmend einem dynamischen Modell, in dem Kompetenzen, Werte und Anpassungsfähigkeit im Vordergrund stehen. Drei Prinzipien des Future Curriculum „Curricula sind keine Lehrpläne mehr, sondern Frameworks für Zukunftsfähigkeit.“ Damit wird Studiengangsentwicklung zu einer strategischen Leitfunktion der Hochschule – vergleichbar mit Forschung, Transfer und Marketing. Beispiel: Data & Society – Zukunft gestalten zwischen Technologie und Verantwortung Ein gelungenes Beispiel dafür ist der fiktive, aber realistisch gedachte Studiengang „Data & Society“.Er steht exemplarisch für die neue Generation interdisziplinärer Programme, die technologische Kompetenz mit gesellschaftlicher Reflexion verbinden. Das Konzept:Studierende lernen, wie Daten, Algorithmen und KI soziale Prozesse prägen – und wie man diese Prozesse kritisch, kreativ und verantwortungsvoll gestaltet. Das Besondere:Es ist kein Informatik-Studiengang im engeren Sinn, sondern ein transdisziplinäres Modell zwischen Data Science, Sozialwissenschaften, Ethik, Medien und Politik. Kernmodule und Lernformen: Praxisorientierung:In Projektseminaren arbeiten Studierende mit NGOs, Behörden und Start-ups zusammen. Sie analysieren Daten sozialer Medien, entwickeln Ethikrichtlinien für KI oder gestalten Kampagnen zu Datenkompetenz in der Gesellschaft. Das Ergebnis:Ein Curriculum, das nicht nur Wissen vermittelt, sondern gesellschaftliche Wirksamkeit entfaltet. „Zukunftsorientierte Studiengänge entstehen dort, wo Technik und Haltung zusammenfinden.“ Solche Programme passen perfekt in das neue Selbstverständnis der Hochschule als öffentliche Plattform für Zukunftsgestaltung. Zielgruppen verstehen: Warum Studiengänge ihre Studierenden kennen müssen Zukunftsfähige Curricula entstehen nicht im luftleeren Raum.Sie entstehen in einem Markt, der zunehmend kompetitiv, datengetrieben und emotional aufgeladen ist. Die zentrale Frage lautet: Für wen entwickeln wir eigentlich Studiengänge? Hier helfen die Sinus-Milieus – ein Werkzeug, das Hochschulen dabei unterstützt, Zielgruppen jenseits von Schulnoten oder sozioökonomischen Daten zu verstehen. Sinus-Milieus als Navigationshilfe Ein Studiengang wie Data & Society spricht vor allem die Expeditiven und Postmateriellen an.Beide Gruppen verbindet ein Bedürfnis nach Sinn, Selbstverwirklichung und Zukunftsrelevanz. Von der Analyse zur Innovation Zielgruppenanalyse darf dabei nicht als Marketinginstrument missverstanden werden.Sie ist strategische Grundlage für Lehrplanung, Kommunikationsstrategie und Studiengangsdesign. Hochschulen, die ihre Zielgruppen verstehen, entwickeln passgenaue Lernangebote, differenziertere Anspracheformen und attraktivere Studienerlebnisse – entlang der gesamten Student Journey. „Zielgruppenanalyse ist kein Marketing, sondern Bildungsstrategie.“ Studiengänge als Marken – Profil schaffen, Orientierung geben In einem zunehmend gesättigten Bildungsmarkt reicht es nicht, einen guten Studiengang zu haben.Er muss wahrgenommen, verstanden und gewählt werden. Hier beginnt das Denken in Studiengangsmarken. Ein Studiengang ist eine Marke, wenn er: Das Ziel ist nicht Werbung, sondern Orientierung.Studierende wählen Studiengänge zunehmend über Werte, Community und Selbstbild – nicht nur über Inhalte. Von der Marke zur Beziehung Die MAGISTER-SRM-Methode (Student Relationship Management) zeigt:Studiengänge sind Teil einer langfristigen Beziehungsreise zwischen Hochschule und Studierenden – von der ersten Google-Suche bis zur Alumni-Phase. Kommunikation, Betreuung und Studienerlebnis müssen kohärent wirken.Das schafft Vertrauen – und letztlich Identifikation. „Ein Studiengang ohne Profil ist wie ein Buch ohne Titel – kaum jemand greift danach.“ Der Paradigmenwechsel: Vom Lehrplan zur Lernkultur Zukunftsfähige Hochschulen verstehen Lehre als kulturelle Praxis, nicht als Verwaltungsakt.Das erfordert einen tiefen kulturellen Wandel: Dieser Wandel braucht Führung, Haltung und Mut.Lehre wird so zu einer strategischen Aufgabe des Präsidiums, nicht nur des Fachbereichs. Der neue Dreiklang der Studiengangsinnovation MAGISTER empfiehlt Hochschulen, Studiengangsentwicklung künftig an drei Leitfragen auszurichten: Dieser Dreiklang verknüpft strategische Hochschulentwicklung mit der konkreten Praxis von Curriculumsdesign – und macht Studiengänge zu den sichtbarsten Innovationsräumen der Hochschule. Zukunft lehren heißt, Zukunft gestalten Zukunftsfähige Studiengänge sind kein Zufallsprodukt, sondern Ergebnis von Strategie, Haltung und Neugier.Sie entstehen dort, wo Hochschulen bereit sind, über Fächergrenzen hinauszudenken, Zielgruppen zu verstehen und Studierende zu Mitgestaltenden ihrer Bildung zu machen. „Zukunftsfähige Curricula sind keine Antwort auf Trends – sie sind ein Beitrag zur Gesellschaft.“ Die Zukunft der Hochschule entscheidet sich in ihren Studiengängen.
Sichtbarkeit für Hochschulen – Academic Entity Optimization (AEO) für digitale Reputation
Das Ende der blauen Links? Einleitung Wer heute nach einem Masterstudiengang Data Science oder nach dem Team einer Forschungsgruppesucht, bekommt die Antwort häufig nicht mehr über einen blauen Link. Generative Suchergebnisse („AI Overviews“) liefern schon auf der Ergebnisseite eine Zusammenfassung und binden Fakten aus Knowledge Panels ein. Laut einer repräsentativen Bain‑Studie vertrauen 80 % der Konsumentinnen bei mindestens 40 % ihrer Suchanfragen auf solche „Zero‑Click“‑Ergebnisse[1]; das hat den organischen Traffic bereits um 15–25 % reduziert[1]. Gleichzeitig endet über alle Altersgruppen hinweg rund 60 % der Suchanfragen ohne Klick[2], und 40–70 % der Nutzerinnen großer Sprachmodelle wie ChatGPT oder Perplexity verwenden diese Plattformen, um zu recherchieren oder Informationen zu summarieren[3]. Die Hochschulkommunikation hat sich parallel professionalisiert und konkurriert längst nicht mehr nur mit Nachbar‑Universitäten, sondern mit globalen Such‑ und Wissenssystemen. Der Wettbewerb um Aufmerksamkeit wird digital ausgetragen: Universitäten werden über Rankings, Social‑Media‑Kanäle und generative Suchmaschinen bewertet; Kommunikationsabteilungen müssen gleichzeitig informieren, werben und Reputation managen[4]. In dieser neuen Suchwelt reicht klassische SEO nicht mehr aus. Gefragt ist Academic Entity Optimization (AEO) – die Optimierung der digitalen Identität einer Hochschule, ihrer Studiengänge und Forschenden über Webseiten hinaus. Wer nicht als Entität in Wissensgraphen auftaucht, wird weder von Google noch von KI‑Systemen wahrgenommen. „Die neue Sichtbarkeit entscheidet nicht mehr über Klicks – sondern über Vertrauen.“ Was ist Academic Entity Optimization? Von Keywords zu Entitäten Google hat sich vom reinen Keyword‑Matching verabschiedet. Im Rahmen der „semantischen Suche“ identifiziert die Suchmaschine Entitäten – Menschen, Organisationen, Orte oder Konzepte – und deren Beziehungen. Search Engine Land beschreibt, dass Google nicht mehr nur nach Begriffen sucht, sondern „Themen und Entitäten“ zur Steuerung der Ergebnisse nutzt[5]. Die Suchmaschine indexiert Webseiten, erkennt durch strukturierte Daten (Schema.org‑Markups) die Beziehung zwischen Entitäten und speichert diese Informationen im Knowledge Graph[5]. Beim Nutzeraufruf analysiert Google mittels Natural Language Processing (NLP) das Suchanliegen, greift auf den Knowledge Graph zu und präsentiert eine Mischung aus AI Overviews, Knowledge Panels und klassischen Links[6]. Ein Knowledge Graph besteht aus „Knoten“ (Entitäten) und „Kanten“ (Beziehungen). Einfache Tripel wie „Apple – ist ein – Unternehmen“ zeigen, wie Kontext entsteht[7]. Google bezieht diese Daten aus verschiedenen Quellen: öffentlichen Dokumenten, offenen Daten wie Wikipedia und Wikidata und den von Google gecrawlten Webseiten[8]. Diese Graphen sorgen dafür, dass ein Studiengang als eigenständige Entität erkannt wird und im Knowledge Panel neben den Suchergebnissen erscheint. Wissen in Wissenspanels Die Knowledge Panels sind automatisch generierte Informationsboxen, die erscheinen, wenn nach einer Person, Organisation oder einem Ort gesucht wird. Google erklärt in seiner Hilfe, dass diese Panels aus vielen Quellen gespeist werden: öffentliche Datenbanken, vertrauenswürdige Partner und Inhalte aus dem offenen Web[9]. Offizielle Vertreterinnen der dargestellten Entität können den Panel über einen Verifizierungsprozess beanspruchen und Änderungen vorschlagen[10]. Für Hochschulen bedeutet das: Nur wer sich als Entität* registriert, kann sicherstellen, dass Name, Ort, Logo oder Forschungsschwerpunkte korrekt dargestellt werden. Persistent Identifiers: die DNA des AEO Ein zentraler Baustein von AEO sind persistente Identifikatoren (PIDs). Sie verknüpfen Menschen, Organisationen und Forschungsergebnisse maschinenlesbar. Das US‑Energieministerium definiert PIDs als global eindeutige, maschinenauflösbare Kennzeichen, die mittels standardisierter Metadaten eine Entität identifizieren[11]. In der Praxis sind drei offene PIDs wichtig: Die Kombination dieser Identifikatoren schafft maschinenlesbare Verbindungen: ORCID‑IDs können in DOI‑Metadaten eingetragen werden; Publikationen mit DOIs lassen sich in ORCID‑Profilen verknüpfen; ROR‑IDs wiederum verknüpfen Institutionen mit Personen und Objekten[16]. Wikidata und Wikipedia als öffentliche Quelle Wikidata begann als zentrale Datenbank zur Verlinkung von Wikipedia‑Artikeln in verschiedenen Sprachen. Inzwischen enthält sie Millionen Entitäten und Eigenschaften, und Suchmaschinen wie Google nutzen sie, um Knowledge Panels zu füllen[17]. Wer als Hochschule Einträge in Wikipedia und Wikidata pflegt, sorgt dafür, dass korrekte Informationen in Suchergebnissen und LLMs erscheinen. Auch ResearchGate,Google Scholar oder LinkedIn dienen als sekundäre Quellen und sollten mit konsistenten Daten befüllt werden. Wie funktioniert AEO in der Praxis? Academic Entity Optimization ist kein Marketing‑Trick, sondern Bestandteil der Datenstrategie einer Hochschule. Der Prozess lässt sich in drei Schritte gliedern: Ein Beispiel verdeutlicht den Effekt: Sucht jemand nach „Master Data Science Berlin“, entscheidet AEO darüber, ob die betreffende Universität als Entität mit einem Wissenspanel erscheint und von LLMs wie ChatGPT genannt wird – oder ob nur generische Ratgeberseiten auftauchen. AEO optimiert somit nicht nur Rankings, sondern stärkt die digitale Reputation. Mini‑Checkliste: Drei schnelle Hebel für bessere Auffindbarkeit 1. Entitäten definieren 2. Offizielle Datenquellen vernetzen 3. Content semantisch aufbereiten Hinweis: Diese drei Schritte verbessern nicht nur das Ranking in Google, sondern sorgen dafür, dass KI‑Systeme wie ChatGPT, Gemini oder Perplexity Ihre Hochschule als vertrauenswürdige Quelle erkennen und zitieren. Buzzword? Nicht wirklich… AEO ist kein Buzzword, sondern eine Pflichtaufgabe für Hochschulen, die in einer KI‑geprägten Suchwelt sichtbar bleiben wollen. Suchmaschinen und Sprachmodelle berücksichtigen nicht nur Inhalte, sondern die Identität und Vernetzung von Entitäten[5][6]. Wer seine digitalen Stammdaten pflegt, strukturierte Metadaten nutzt und sich in offenen Knowledge Graphs verankert, wird sowohl von Menschen als auch von Maschinen gefunden. Universitäten konkurrieren um Studieninteressierte, Forschende, Fördermittel und Reputation. In dieser Konkurrenz reicht es nicht aus, die eigene Website zu optimieren; erforderlich ist die Pflege einer holistischen digitalen Identität über Webseiten, Profile, Kennungen und Datenbanken hinweg. MAGISTER unterstützt Hochschulen bei dieser Aufgabe mit fachjournalistischen Analysen, strategischer Beratung und operativer Umsetzung. [1] [2] [3] [20] Goodbye Clicks, Hello AI: Zero-Click Search Redefines Marketing | Bain & Company [4] content [5] [6] [7] [8] Semantic SEO: Optimize for Meaning, Not Just Keywords [9] [10] About knowledge panels – Knowledge Panel Help [11] [16] How Persistent Identifiers Work Together in the Research Ecosystem – ORCID US Community [12] ORCID: Identifying researchers and tracing authorship with unique IDs – Open and Inclusive Science Hub [13] [14] Digital Object Identifiers (DOIs) [15] Research Organization Registry (ROR) | Home [17] ARL White Paper on Wikidata: Opportunities and Recommendations [18] Kean University’s Adjustments for AEO | Volt [19] AEO for Education: How Schools Can Rank in AI Summaries
Let’s get it done – Warum Hochschulen eine Innovationskultur brauchen
Regeln gehören gebrochen, Traditionen gepflegt? „Innovationen scheitern nicht an Ideen, sondern an Institutionen.“ Dieser Satz wird häufig bemüht, wenn es um den Wandel im Hochschulbereich geht – und er beschreibt ein Kernproblem. Universitäten und Hochschulen stehen im Spannungsfeld zwischen jahrzehntelanger Tradition und der rasant fortschreitenden Transformation durch Digitalisierung, Künstliche Intelligenz und gesellschaftlichen Wandel. Dank exzellenter Forschung generieren sie unzählige neue Erkenntnisse. Aber gelingt es ihnen auch, diese Ideen in sinnvolle Anwendungen umzusetzen? Ohne eine gelebte Innovationskultur riskieren Hochschulen, dass technologische und gesellschaftliche Entwicklungen an ihnen vorbeiziehen. Eine Innovationskultur umfasst mehr als einzelne Projekte oder Start‑ups; sie beschreibt die Haltung, mit der eine Organisation Veränderungen annimmt, neue Lösungswege erprobt und Risiken eingeht. Der folgende Artikel beleuchtet, warum eine solche Kultur für Hochschulen strategisch notwendig ist, welche Hürden bestehen und welche Wege zu einer lebendigen Innovationskultur führen können. Die Theorie Ein zentraler Referenzpunkt ist Edgar H. Scheins Modell der Organisationskultur. Schein definiert Kultur als „Annahmen, die eine Gruppe in ihren Lernprozessen gemacht hat und die an neue Mitglieder weitergegeben werden“[1]. Er unterscheidet drei Ebenen: grundlegende, oft unbewusste Annahmen; Werte und Normen, die in Leitbildern oder Strategien ausgedrückt werden; sowie Artefakte wie Strukturen, Rituale oder Architektur[1]. Für eine Innovationskultur heißt das: Es reicht nicht, Innovationsbüros einzurichten. In den Köpfen (erste Ebene) müssen Offenheit und Experimentierfreude verankert sein; in den Normen (zweite Ebene) müssen Fehler erlaubt sein; und sichtbar (dritte Ebene) sollten Labore und Maker‑Spaces als Räume des Ausprobierens existieren. Die Triple‑Helix‑Theorie von Henry Etzkowitz und Loet Leydesdorff erweitert den Blick. Sie entstand Mitte der 1990er Jahre, als Universitäten und Industrie stärker zur Kooperation aufgefordert wurden, um Wissen für gesellschaftliche Zwecke nutzbar zu machen[2]. Die Triple Helix beschreibt das Zusammenspiel von Wissenschaft, Wirtschaft und Regierung als Motor einer wissensbasierten Wirtschaft. Innovation entsteht demnach im Wechselspiel zwischen diesen Sphären: Universitäten als Wissensproduzenten, Unternehmen als Umsetzer und der Staat als regulatorischer Rahmen[3]. Eine Hochschule, die sich als „Entrepreneurial University“ begreift, muss deshalb aktiv Kooperationen mit Wirtschaft und Politik suchen und Interdisziplinarität fördern (vgl. Burton R. Clark 1998). Innovationskultur darf aber nicht mit technologischer Innovation verwechselt werden. Technische Neuerungen (z. B. KI‑Tools) können eingeführt werden, ohne dass sich das Mindset ändert. Kulturelle Innovationsfähigkeit bedeutet, dass Mitarbeitende bereit sind, bestehende Strukturen infrage zu stellen, Fehler zu akzeptieren und gemeinsam neue Wege zu gehen. Peter Drucker brachte es auf den Punkt: „Culture eats strategy for breakfast“. Eine innovationsorientierte Strategie scheitert, wenn die Kultur dem Wandel entgegensteht. Make it, or leave it Hochschulen gelten als „Expertennorganisationen“[4]. Professorinnen und Professoren identifizieren sich stärker mit ihrer Disziplin als mit der Institution; Verwaltung und Lehre werden als staatliche Pflichtaufgaben wahrgenommen. Dieses Verständnis führt zu einer institutionellen Trägheit: Fachbereiche sind autonome „Silos“, Führungskräfte besitzen nur begrenzte Steuerungsmöglichkeiten, und Entscheidungen werden in komplexen Gremien ausgehandelt[5]. Innovationen konkurrieren mit anderen Zielen und lassen sich schwer durchsetzen. Zu diesen strukturellen Faktoren kommen kulturelle Barrieren. Eine breit angelegte Workshop‑Reihe des Hochschulforum Digitalisierung identifizierte fünf Werte als Grundlage einer Innovationskultur: Transparenz, die Zusammenarbeit erleichtert; Vertrauen und Mut für riskante Ideen; Freiräume in Form von Zeit und Raum; Intrapreneure, die Ideen vorantreiben; und offene Kommunikation und Feedback[6]. Gleichzeitig nannten die Teilnehmenden typische Hindernisse: gesetzliche Vorgaben, starre Verwaltungsstrukturen, mangelnde Zeit und die Angst vor Veränderung[7]. Hierarchien bremsen, Innovations‑Initiativen werden auf einzelne Abteilungen beschränkt, und „Innovation“ wird oft nur technologisch verstanden – nicht als kulturelle Haltung. Eine weitere Hemmschwelle ist die fehlende Fehlerkultur. Studien weisen darauf hin, dass Organisationen nur dann innovationsfähig sind, wenn Fehler sichtbar gemacht und systematisch ausgewertet werden[8]. Dennoch verbergen viele Führungskräfte Fehler aus Angst vor Sanktionen[9]. Diese „zero‑error culture“ verhindert Lernen und Experimentieren. Nicht zuletzt erfordert interdisziplinäre Zusammenarbeit besondere Anreizsysteme. Die Triple Helix verdeutlicht, dass Innovation an den Schnittstellen entsteht. Doch akademische Anerkennungssysteme belohnen individuelle Publikationen mehr als kooperative Projekte. Ohne geeignete Karrierepfade drohen engagierte Innovator*innen, zwischen Lehre, Forschung und Transfer zerrieben zu werden. Let’s go – Wege zur Innovationskultur 1. Innovationsräume schaffen Ein zentrales Instrument sind physische und digitale Innovationsräume, die das Experimentieren fördern. ETH Zürich hat mit dem Student Project House einen Ort geschaffen, in dem Studierende fernab von Curricula an eigenen Projekten arbeiten können. Die Einrichtung beschreibt sich als „Raum für die kreative Community innerhalb der ETH“, in dem Studierende gemeinsam experimentieren, Konzepte testen, Gruppenprojekte beschleunigen und „morgen’s Ideen, heute“ aufbauen[10]. Im Ideaspace erhalten Studierende Coaching, Workshops und sogar Seed Funding; im Makerspace bauen sie Prototypen und lernen den Umgang mit Maschinen[11]. Solche Orte symbolisieren Offenheit und ermuntern dazu, Ideen außerhalb des regulären Lehrbetriebs weiterzuentwickeln. Auch international gibt es Vorbilder. Die Stanford d.school lädt Lernende ein, „menschzentrierte, kreative Lösungen“ zu entwickeln und ermöglicht durch flexible Räume die Entfaltung von Design‑Thinking‑Methoden[12]. In Finnland etabliert die Aalto University mit der Design Factory eine interdisziplinäre Experimentierplattform, die Design‑Thinking‑Werkzeuge vermittelt und den Blick auf die menschliche Perspektive legt[13]. Forschende betonen, dass dieses Mindset in verschiedensten Organisationsbereichen – von Recruiting über Entscheidungsfindung bis hin zur Innovationsförderung – anwendbar ist[14]. 2. Fehlerkultur fördern Eine offene Fehlerkultur ist laut zahlreichen Studien ein Schlüsselfaktor für Innovation. Organisationen sollten Fehler nicht tabuisiert, sondern als Lernchance begreifen[8]. Das bedeutet, Prozesse zur Analyse und Reflexion von Fehlern zu implementieren und das Ergebnis transparent zu teilen. Führungskräfte spielen eine Vorbildrolle: Wer offen über eigene Fehlentscheidungen spricht, schafft Vertrauen. In Hochschulen, in denen Misserfolge häufig stigmatisiert werden (etwa scheiternde Drittmittelanträge), kann eine positive Fehlerkultur radikale Veränderungen bewirken. Die Umantis‑Studie zeigt jedoch, dass Führungskräfte zwar den Nutzen erkennen, aber trotzdem Fehler verbergen[9]. Hier besteht akuter Handlungsbedarf. 3. Interdisziplinarität und Co‑Creation stärken Innovative Lösungen entstehen selten innerhalb einer einzelnen Disziplin. Die Triple Helix betont die Wechselwirkung zwischen Wissenschaft, Wirtschaft und Staat[3]. Hochschulen sollten Anreize schaffen, damit Forschende aus unterschiedlichen Fachrichtungen und mit externen Partnern zusammenarbeiten. Dazu gehören interdisziplinäre Projekte, Co‑Creation‑Labs mit Unternehmen oder öffentlichen Einrichtungen sowie die Einbindung von Studierenden in reale Problemstellungen (Problem‑Based Learning). Die Aalto Design Factory zeigt, wie interdisziplinäres Arbeiten in der Lehre verankert werden kann[13]. Ebenso sollte die Forschungstransfer‑Abteilung aktiv Geschäftsmodelle und Partnerschaften entwickeln, die über klassische Patentauslizenzierung hinausgehen. 4. Innovationskompetenzen in Führung und Lehre integrieren Kultureller Wandel beginnt bei den Entscheidungsträgerinnen. Leadership‑Programme sollten Innovationskompetenzen (z. B. Agilität, Design Thinking, Change Management) vermitteln und Hochschulangehörige befähigen, Veränderungsprozesse zu gestalten. Edgar Scheins kulturelle Ebenen verdeutlichen, dass Lernprozesse notwendig sind, um unausgesprochene Annahmen zu hinterfragen[1]. Auch Curricula können
