Prüfen und Bewerten im KI-Zeitalter

Drei Wege, zwei davon Sackgassen

• Verbieten. Setzt voraus, dass sich Nutzung nachweisen lässt. Sie lässt sich nicht nachweisen — siehe unten. Ein Verbot, das nicht durchsetzbar ist, bestraft die Ehrlichen und schult die Übrigen im Verschleiern.
• Ignorieren. Die Aufgabe bleibt, wie sie war, und die Note misst zunehmend, wer das bessere Werkzeug bedient. Das ist kein Kompetenznachweis mehr, sondern ein Werkzeugvergleich.
• Integrieren. Die Prüfung wird so umgebaut, dass der Einsatz von KI offengelegt und selbst bewertet wird. Das ist die einzige Richtung, die trägt — und die einzige, die Arbeit macht.

Warum KI-Detektoren das Problem nicht lösen

• Falsch-Positiv-Raten liegen je nach Werkzeug und Situation typischerweise bei 5 bis 15 Prozent. Auf einen Jahrgang gerechnet heisst das: Es trifft mit Sicherheit jemanden, der nichts getan hat.

  Übersicht mehrerer unabhängiger Untersuchungen

• Texte von Menschen, die in einer Zweitsprache schreiben, werden systematisch häufiger fälschlich als KI eingestuft — ihre Sprache ist im Schnitt regelmässiger. Für die mehrsprachige Schweizer Bildungslandschaft ist das kein Randbefund, sondern ein Diskriminierungsproblem.

  Liang et al., 2023

• Mit steigender Qualität der Sprachmodelle stösst zuverlässige Erkennung grundsätzlich an Grenzen; schon einfache Umformulierung verschlechtert sie deutlich.

  Sadasivan et al., 2024

• OpenAI bot 2023 einen eigenen Klassifikator für KI-Texte an und zog ihn nach wenigen Monaten zurück, mit der Begründung zu geringer Genauigkeit. Wer das am häufigsten zu erkennende Modell baut und es selbst nicht zuverlässig erkennt, ist ein starkes Argument gegen die Werbeversprechen Dritter.

  OpenAI, 2023

Ein Detektor kann ein Anlass sein, genauer hinzusehen. Er kann kein Beweismittel sein. Wer eine Bewertungs- oder Disziplinarentscheidung darauf stützt, riskiert ein Fehlurteil zulasten einer Person, die nichts getan hat.

Was stattdessen trägt

Was trägt, ist nicht bessere Erkennung, sondern eine andere Aufgabenstellung. Drei Ansätze haben sich in unseren Kursen bewährt:

Two-Track

Die Aufgabe wird so geschnitten, dass ein Teil ohne KI erbracht und beobachtet wird und ein Teil mit ihr. Bewertet werden beide — getrennt.

AI Disclosure

Die Offenlegung des KI-Einsatzes wird selbst zum bewerteten Bestandteil. Wer sauber offenlegt und reflektiert, verliert nichts; wer verschweigt, riskiert alles.

Mündliche Verteidigung

Ein kurzes strukturiertes Gespräch über die eigene Arbeit. Es klärt in Minuten, was kein Detektor klärt — und ist zugleich das faire Verfahren, wenn ein Verdacht im Raum steht.

Zu jedem dieser Ansätze gibt es bei uns das Ausgearbeitete: Bewertungsraster, Vorlagen, Gesprächsleitfäden, Aufwandsrechnungen für grosse Klassen. Das steht bewusst nicht auf dieser Seite — es ist der Teil, für den man uns holt. Was hier steht, ist die Diagnose, und die sollten Sie auch ohne uns haben.

Diese Ansätze stammen nicht vom Reissbrett, sondern aus laufenden Weiterbildungen an der KBZ Zug und dem WBZ Kanton Luzern.