Digital Learning Campus

Foliensatz

Wortwolke

Zusammenfassung

Kontext

Die Session thematisiert den Einsatz agentischer KI-Systeme an Hochschulen, die nicht nur Fragen beantworten, sondern autonom handeln – etwa durch die eigenständige Bearbeitung von Online-Kursen oder die Nutzung von Software-Tools. Das interdisziplinär erarbeitete Diskussionspapier des Hochschulforums Digitalisierung analysiert die Abgrenzung zu generativer KI, Einsatzszenarien sowie die Auswirkungen auf Lehre, Verwaltung und Forschung. Im Fokus stehen Fragen nach Verantwortung, Steuerungslogiken und neuen Kompetenzanforderungen.

Kernaussagen

1. Abgrenzung: Generative vs. agentische KI

Generative KI (z. B. ChatGPT) reagiert auf Anfragen, bleibt aber reaktiv.
Agentische KI agiert autonom: Sie erstellt mehrschrittige Pläne, greift direkt in Systeme ein (z. B. Dateien erstellen, APIs nutzen) und interagiert mit der Umwelt.
- Beispiel: Ein KI-Agent lädt eigenständig Publikationen herunter, konvertiert sie in Markdown und fasst Kernaussagen zusammen – ohne manuelle Zwischenschritte.
- Folge: Der „Shift von Antwort zu Aktion“ ermöglicht komplexe, orchestrierte Arbeitsabläufe (z. B. Recherche, Dokumentenverarbeitung).

2. Rollen- und Kompetenzverschiebungen

Der Einsatz von KI-Agenten führt zu neuen Berufsrollen und verändert bestehende Aufgabenprofile:

Technischer Support: Wird zum Supervisor eines hybriden Mensch-Agenten-Teams (z. B. autonome Fehlerdiagnose bei Druckern).
Lehrende/Lernende: Werden zu Lernarchitekt:innen und Qualitätsmanager:innen (z. B. Steuerung intelligenter Tutoren).
Forschende: Werden zu Kurator:innen und strategischen Entscheider:innen (z. B. Delegation von Literaturrecherchen an Agenten).
Organisationsebene: Neue Rollen wie AI Orchestrator:innen oder Data-Governance-Spezialist:innen entstehen.

3. Governance und interdisziplinäre Verantwortung

Herausforderung: Agenten verarbeiten Informationen, bereiten Entscheidungen vor und beeinflussen Abläufe – erfordern daher neue Steuerungsstrukturen.
Notwendige Leitplanken:
- Verantwortung: Klare Zuweisung von Entscheidungsbefugnissen (z. B. wer darf Agenten einsetzen? Welche Prozesse automatisieren?).
- Transparenz: Nachvollziehbarkeit von Agenten-Entscheidungen (z. B. durch Protokollierung).
- Stakeholder-Einbindung:
  - Hochschulleitung: Definition von Zielen, Risikogrenzen und Autonomiegrad.
  - IT/Digitalisierung: Infrastruktur, Schnittstellen, Monitoring.
  - Datenschutz: Compliance, Datenverarbeitung.
  - Didaktik: Qualitätssicherung in der Lehre.
Risiko: Ohne Governance droht „Schatten-KI“ (Nutzung privater Accounts für dienstliche Zwecke).

4. Erweiterte Kompetenzanforderungen

Über AI Literacy hinaus sind Metakompetenzen für den professionellen Umgang mit agentischer KI nötig:
1. Management von Autonomie: Abwägung, wie viel Entscheidungsfreiheit Agenten erhalten dürfen.
2. Ethische Resilienz: Identifikation von Zielkonflikten (z. B. Innovation vs. Fairness).
3. Psychosoziale Reflexion: Auswirkungen auf Kommunikation, Sozialisation und Selbstwirksamkeit (z. B. Abhängigkeiten von KI).
4. Antizipatorisches Vorausschauen: Proaktive Gestaltung von Einsatzszenarien (z. B. „Was passiert, wenn Agenten Prüfungen autonom bewerten?“).
Ziel: Agenten als „Teammitglieder“ begreifen und ihre Integration normativ steuern (z. B. Chancengerechtigkeit).

5. Strategien zur Einführung

Empfehlung: Kein Warten auf zentrale Lösungen, sondern experimentelles Vorgehen:
- Pilotprojekte: Nutzung von Open-Source-Tools (z. B. lokale Installation auf Rechnern) mit begrenzten Datenzugriffen.
- Kostenkontrolle: Agenten verursachen kontinuierlichen Token-Verbrauch – daher Monitoring von Aufwand und Mehrwert.
- Beispiele aus der Praxis:
  - Automatisierte Vorprüfung von Auftragsverarbeitungsverträgen (KIT).
  - Nutzung selbst gehosteter KI-Modelle (z. B. GWDG) zur Vermeidung von „Kostenfallen“.
Kritische Ressource: Klärung der Zugangsmodelle (z. B. Hochschul-Lizenzen für APIs) und Use-Case-Relevanz (z. B. „Lohnt sich der Token-Verbrauch?“).

Fazit

Agentische KI-Systeme erfordern proaktive Gestaltung an Hochschulen – sowohl technisch als auch organisatorisch. Zentrale Handlungsempfehlungen:

Experimentieren statt abwarten: Kleine Pilotprojekte mit Open-Source-Tools starten, um Erfahrung zu sammeln.
Governance etablieren: Interdisziplinäre Leitplanken für Verantwortung, Transparenz und Compliance schaffen.
Kompetenzaufbau: Metakompetenzen wie ethische Reflexion und Autonomie-Management fördern.
Ressourcen klären: Kostenrisiken (Token-Verbrauch) und Zugangsmodelle (z. B. selbst gehostete Modelle) frühzeitig adressieren.
Use-Cases kritisch prüfen: Relevanz und Mehrwert von Agenten-Einsätzen messbar machen (z. B. durch Monitoring).

Quelle: Diskussionspapier „Agentische KI im Hochschulsystem“ (Hochschulforum Digitalisierung).

Fragen & Antworten

Gibt es erfolgreiche Beispiele im Bereich Verwaltung zur Entbürokratisierung durch KI-Agenten?

Am KIT wird derzeit ein agentisches System zur Vorprüfung von Auftragsverarbeitungsverträgen entwickelt, wodurch Menschen schneller prüfen und entscheiden können.

Wie kann man im beruflichen Kontext mit KI-Agenten starten, wenn die institutionellen Zugänge fehlen?

Ein Einstieg ist über Open-Source-Software auf dem eigenen Rechner möglich, wobei für die Modelle API-Zugänge (z. B. via OpenRouter) genutzt werden können, solange keine vertraulichen Daten verarbeitet werden.

Ist es sinnvoll, auf zentrale Lösungen von anderen Hochschulen (z. B. KIT oder Hawkeye) zu warten oder sollte man selbst Agenten entwickeln?

Es wird empfohlen, nicht zu warten, sondern selbst zu experimentieren. Dabei wird zwischen organisatorischen Agenten (z. B. für das Campusmanagement) und individuellen Agenten auf dem eigenen System unterschieden.

Woran erkennt man, ob ein Use-Case für den Einsatz von KI-Agenten relevant ist?

Die Relevanz wird anhand des Mehrwerts im Verhältnis zum Aufwand und dem Token- bzw. Energieverbrauch bestimmt. Da es noch wenige Best Practices gibt, ist ein experimentelles Vorgehen mit anschließendem Monitoring notwendig.

Ist der Einsatz von KI-Agenten an Hochschulen nicht zu gefährlich, da sie direkt in Systeme eingreifen können?

Anstatt den Einsatz aus Angst zu verbieten, sollten Hochschulen sich proaktiv damit auseinandersetzen, um zu verhindern, dass Mitarbeitende dienstliche Aufgaben über unsichere Privataccounts erledigen.

Diagramm

100%

mindmap
  root)Agentische KI an Hochschulen(
    ["Abgrenzung KI-Typen"]
      ["Generative KI: reaktiv"]
      ["Agentische KI: autonom"]
    ["Rollen- und Kompetenzverschiebungen"]
      ["Technischer Support als Supervisor"]
      ["Lehrende als Lernarchitekt:innen"]
    ["Governance und Verantwortung"]
      ["Klare Entscheidungsbefugnisse"]
      ["Transparenz durch Protokollierung"]
    ["Erweiterte Kompetenzanforderungen"]
      ["Management von Autonomie"]
      ["Ethische Resilienz"]
    ["Strategien zur Einführung"]
      ["Pilotprojekte mit Open-Source"]
      ["Kostenkontrolle und Monitoring"]

Wenn KI nicht nur antwortet, sondern handelt: Agenten an Hochschulen