Trend-Update Schlüsseltechnologien in der Hochschullehre: Künstliche Intelligenz

Author

Zoe Gyftopoulos, Eike Schröder

Das Wichtigste in Kürze

Wachsende Relevanz: Die Anzahl der Kurse zu Künstlicher Intelligenz ist zwischen 2016 und 2024 stark gestiegen, KI gewinnt deutlich an Bedeutung in der Hochschullehre.
Breit multidisziplinär verankert: KI-Kurse sind in nahezu allen Studienbereichen vertreten. Der Schwerpunkt liegt in der Informatik, zugleich nehmen die Wirtschaftswissenschaften einen besonders hohen Anteil ein, was die Relevanz von KI auch jenseits technischer Disziplinen unterstreicht.
Seminare als zentrales Kursformat: KI-Kurse werden am häufigsten im vertiefenden Lehrformat Seminar angeboten, dem insgesamt häufigsten universitären Lehrformat. Im Vergleich zur sonstigen Lehre in der Informatik wird KI hier überproportional oft in Seminaren behandelt.
Starke internationale Ausrichtung: KI-Kurse werden deutlich häufiger auf Englisch angeboten als das durchschnittliche Lehrangebot. Die Sprachverteilung deutet auf eine zunehmende internationale Orientierung der Hochschullehre im Bereich Künstliche Intelligenz hin.
Thematische Breite mit klaren Schwerpunkten: Inhaltlich dominieren Themen wie KI im Kontext von Digitalisierung & Gesellschaft sowie Grundlegende Konzepte der KI. Gerade KI im Kontext von Digitalisierung & Gesellschaft ist stark multidisziplinär verankert und in drei Vierteln aller Studienbereiche vertreten. Methodisch-technische Bereiche wie Machine Learning und Data Science sind ebenfalls stark vertreten.
Aktuelle Trendthemen: Inhalte wie Prompt Engineering, Explainable AI und autonome Agenten halten zunehmend Einzug in die Lehre. Gemessen an der Anzahl der Kurse sind sie bislang noch Nischenthemen, insbesondere Prompt Engineering und Explainable AI weisen jedoch ein starkes Wachstum auf.

Einleitung

Künstliche Intelligenz (KI) gilt als eine der Schlüsseltechnologien des 21. Jahrhunderts. Seit der Veröffentlichung von OpenAIs ChatGPT Ende 2022 ist das Thema verstärkt in den Fokus der breiten Öffentlichkeit gerückt und die Nutzung von KI-Anwendungen nimmt stetig zu (Destatis, 2024). Durch die rasanten technologischen Fortschritte hat KI heute schon weitreichenden Einfluss auf viele Lebens- und Arbeitsbereiche. In der Zukunft hat KI das Potenzial, die Arbeitsproduktivität enorm zu steigern und den Arbeitsmarkt grundlegend zu verändern (Zika et al., 2025).

Deutschland gehört zu den weltweit führenden Nationen in der KI-Forschung und belegt bei der Anzahl wissenschaftlicher Publikationen zum Thema KI den dritten Platz, hinter den USA und China (Brühl, 2023). Trotz dieser starken Position in der Grundlagenforschung besteht jedoch weiterhin ein Fachkräftemangel im Bereich KI, was ein Hindernis für die praktische Anwendung von KI-Technologien darstellt (Bitkom, 2023).

Deutschlands Hochschulen spielen in diesem Zusammenhang eine zentrale Rolle, da sie die zukünftigen Fachkräfte im Bereich Künstlicher Intelligenz ausbilden. Ein umfassendes Lehrangebot, das eng an den aktuellen technologischen Entwicklungen orientiert ist, ist daher unerlässlich, um Innovationen voranzutreiben und die Wettbewerbsfähigkeit Deutschlands zu sichern. Dennoch ist bislang nur begrenzt bekannt, inwieweit das bestehende Lehrangebot diesen Anforderungen tatsächlich gerecht wird.

Der vorliegende Bericht möchte deswegen Transparenz zu schaffen und den aktuellen Stand der Hochschullehre zu Künstlicher Intelligenz in Deutschland mithilfe von Vorlesungsverzeichnissen als Datengrundlage analysieren. Der Fokus liegt dabei darauf, Entwicklungen und Trends herauszuarbeiten, die aufzeigen, wie sich das Angebot zu Künstlicher Intelligenz in der Hochschullehre verändert. Darüber hinaus sollen Schwerpunktthemen in den Lehrinhalten und potenzielle inhaltliche Lücken aufgedeckt werden. Das Ziel für die folgenden Publikationen der kommenden Jahre zum Thema wird es dann sein, konkrete Handlungsempfehlungen für die Hochschulentwicklung aus den Erkenntnissen abzuleiten.

Methodik

Datenbasis

Higher Education Explorer (HEX)

Die Datenbasis für die Analyse liefert der Higher Education Explorer (HEX) – ein Projekt des Stifterverbandes, in dem eine Datenbank aus den Lehrveranstaltungen deutscher Hochschulen gebildet wird. Dazu werden die online verfügbaren Daten aus den Vorlesungsverzeichnissen der Hochschulen mittels Webscraping auf automatisierte Weise extrahiert und vereinheitlicht.

Momentan enthält der Higher Education Explorer circa 3,1 Millionen Kurse von 36 deutschen Hochschulen aus dem Zeitraum von 1996 bis 2024. Im Wintersemester 2024/25 waren etwa 870.000 Studierende in den in der Datenbank enthaltenen Hochschule immatrikuliert – das entspricht rund 37 Prozent aller Studierenden in Deutschland. Eine Auflistung der im Higher Education Explorer enthaltenen Hochschulen inklusive deskriptiver Daten findet sich im Werkstatt- und Methodenbericht des Projekts.

Der Higher Education Explorer enthält Daten zu Kurstitel, Kursbeschreibung, Semester, Jahr, Hochschule, Fakultät, Organisation, Studiengängen, Dozierenden, Kursformat, Kurssprache, Kursnummer, Module (in denen der Kurs angeboten wird), Semesterwochenstunden, ECTS-Punkte, Art der Prüfung, mögliche Teilnehmerzahl, Lehrtyp (zum Beispiel „Online-Veranstaltung“), Lernziele, Lernmethode, Literatur, Voraussetzungen, Anmerkungen, Zusatzinformationen, Pfad (zu einem Kurs entlang der Organisationsstruktur der Hochschule) und URL.

Da die Variablen Kursformat und Kurssprache viele unterschiedliche Ausprägungen aufweisen, wurden diese Werte vereinheitlicht, um Vergleichbarkeit und Auswertbarkeit zu gewährleisten. Dazu wurden die verschiedenen Ausprägungen zu übergeordneten, konsistenten inhaltlichen Kategorien zusammengefasst. Zum Beispiel wurden angegebene Kursformate wie Ringvorlesung, Vertiefungsvorlesung oder Blockvorlesung zu der Kategorie Vorlesung zusammengefasst. Eine genaue Auflistung aller Kategorien findet sich weiter unten bei den Ergebnissen zur Analyse der Kursformate.

Ähnlich wurde bei der Kurssprache verfahren, sodass die die zusammengefassten Kategorien Deutsch, Englisch, Französisch, Spanisch, Italienisch, Russisch, Türkisch, Portugiesisch, Niederländisch und Sonstiges entstanden. Unter Sonstiges zählen dabei alle anderen Sprachen und Angaben von mehreren Sprachen.

Zusätzlich zu den aus den Vorlesungsverzeichnissen gescrapten Daten wurde jedem Kurs basierend auf der lehrenden Organisationseinheit ein standardisierter Lehr- und Forschungsbereich nach Klassifikation des Statistischen Bundesamtes zugewiesen. Basis dafür war die von der DFG bereitgestellte Zuordnung von Lehr- und Forschungsbereichen zu den Organisationseinheiten, die die Kurse anbieten. Dem Lehr- und Forschungsbereich konnten dann wiederum standardisierte Studienbereiche und Fächergruppen zugewiesen werden. Zum Beispiel wurde der Organisation Institut für Höchstleistungsrechnen der Lehr- und Forschungsbereich Informatik, der gleichnamige Studienbereich und die Fächergruppe Ingenieurwissenschaften zugewiesen. Dadurch wurden die vielen verschiedenen Organisationseinheiten vereinheitlichten Studienbereichen und Fächergruppen zugeordnet, sodass auch auf dieser Ebene Vergleichbarkeit und Auswertbarkeit gewährleistet ist.

Um relevante Lehrveranstaltungen zum Thema Künstliche Intelligenz zu identifizieren, wurde eine Liste an Schlüsselbegriffen erstellt, nach denen im Kurstitel und der Kursbeschreibung des HEX gesucht wurde. Zur Entwicklung der Schlüsselbegriffliste wurde mit mehreren Experten und Expertinnen im Bereich Künstliche Intelligenz zusammengearbeitet. Die vollständige Liste der Schlüsselbegriffe zur Suche nach relevanten Kursen findet sich im Anhang (Liste 1).

Mithilfe der Schlüsselbegriffliste entstand ein Datensatz, der von falschen Treffern bereinigt und für die Jahre 2016 bis 2024 gefiltert wurde. Daraus resultierte ein Datensatz mit 21.522 relevanten Lehrveranstaltungen, die zur Analyse herangezogen wurden.

Analysemethoden

Quantitative Analyse

Die quantitativen Analysen basieren auf deskriptive Statistiken zur Anzahl der KI-Kurse und ihren Lehrformaten, -sprache sowie Verortung in den Studienbereichen. Sie dienen dem vorliegenden Bericht als Grundlage, um Zusammenhänge, Muster und Trends in den Rahmenbedingungen der KI-Lehre aufzudecken.

Inhaltsbasierte Analyse

Zur inhaltlichen Auswertung der Lehrveranstaltungen wurde ein Topic Modeling durchgeführt. Dieses Verfahren ermöglicht es, auf Basis der Kurstitel und -beschreibungen automatisiert thematische Schwerpunkte zu identifizieren. Die Methode erkennt wiederkehrende Begriffsstrukturen und gruppiert sie zu inhaltlich zusammenhängenden Themenfeldern (Topics), die anschließend qualitativ interpretiert werden können. So konnten zentrale inhaltliche Cluster innerhalb der Lehrveranstaltungen zu Künstlicher Intelligenz herausgearbeitet werden.

Für das Topic Modeling wurde eine bereinigte Teilmenge der Stichprobe aus 8.986 Kursen genutzt, aus der Duplikate entfernt wurden. Diese Reduktion diente der methodischen Schärfung, um Verzerrungen durch mehrfach gelistete Veranstaltungen zu vermeiden. Ziel war es, die thematische Struktur des Lehrangebots möglichst klar und differenziert abzubilden.

Limitationen

In der Entwicklung des Higher Education Explorer ergeben sich einige Limitationen, die im Folgenden näher beleuchtet werden sollen.

Da Dozierende oder Studiengangsverantwortliche die Daten in den Vorlesungsverzeichnissen selbst hinterlegen, unterscheiden sich die Eingaben teilweise in ihrer Detailtiefe, wodurch der Informationsgehalt von Kurs zu Kurs schwankt. In 52 Prozent der Lehrveranstaltungen im HEX ist sogar gar keine Kursbeschreibung - sondern nur der Kurstitel - vorhanden. Das kann dazu führen, dass die Anzahl der KI-relevanten Kursen zu klein ausfällt: Lehrveranstaltungen, in denen Aspekte der Künstlichen Intelligenz nur ergänzend behandelt werden, werden möglicherweise nicht erkannt, wenn die relevanten Schlüsselbegriffe nicht im Kurstitel selbst enthalten sind.

Aufgrund der standardisierten Extraktion mittels Webscraping können in der Datenbank außerdem fehlerhafte Einträge entstehen. Dies geschieht insbesondere dann, wenn die zugrunde liegende Struktur der Vorlesungsverzeichnisse unterschiedlich oder inkonsistent ist. Fehlerhafte Felder können deswegen die Vergleichbarkeit zwischen Lehrveranstaltungen und Hochschulen beeinträchtigen.

Ein weiteres Problem liegt in den Unterschieden innerhalb oder zwischen Hochschulen in der Definition von Veranstaltungen. So können Vorlesungen mit angeschlossenen Tutorien entweder als eine einzige Veranstaltung oder als separate Einheiten erfasst sein. Ähnliches gilt für Parallelveranstaltungen, die entweder einzeln oder zusammengefasst in den Vorlesungsverzeichnissen erscheinen. Diese Unterschiede beeinflussen die Berechnung der Gesamtzahl an Lehrveranstaltungen und können zu Verzerrungen führen, wenn die Daten zwischen verschiedenen Hochschulen verglichen werden.

Eine weitere Limitation ist der Mangel an Informationen über die Anzahl an Teilnehmenden in den Lehrveranstaltungen. Obwohl Vorlesungsverzeichnisse häufig Angaben zur maximalen Teilnehmendenzahl beinhalten, fehlen Daten darüber, wie viele Studierende tatsächlich an den Veranstaltungen teilnehmen. Aussagen über die Anzahl an Studierenden in den Lehrveranstaltungen lassen sich deswegen nicht machen.

Eine weitere Limitation betrifft die zeitliche Vergleichbarkeit der Kurszahlen. Da digitale Vorlesungsverzeichnisse je nach Hochschule unterschiedlich weit zurückreichen, wächst die Zahl der im HEX-Datensatz enthaltenen Hochschulen über die Jahre (2016: 22, ab 2021: 30, ab 2024: 36) - und damit die Gesamtkurszahl. Dadurch sind absolute Wachstumsraten nach oben verzerrt. Ergänzend wird daher das Wachstum an Kursen für das konsistente Subset von 22 Hochschulen betrachtet, für die durchgehend Daten vorliegen. Zur Bewertung der thematischen Relevanz wird primär der Anteil der Kurse eines Themas an allen Kursen herangezogen. Absolute Kurszahlen bleiben dennoch informativ, da sie – trotz generell wachsender Stichprobe – Vergleiche der Wachstumsdynamik zwischen Themen ermöglichen; stagnierende oder rückläufige Zahlen deuten dabei auf einen Bedeutungsverlust hin.

Ergebnisse: Quantitative Analyse

Im Folgenden werden die Ergebnisse der quantitativen Analyse dargestellt. Dabei liegt der Fokus auf der Anzahl relevanter Lehrveranstaltungen im Bereich Künstliche Intelligenz, welchen Fächergruppen und Studienbereichen sie zuzuordnen sind sowie den angebotenen Kursformaten und -sprachen. Für jede dieser Variablen wird zudem die zeitliche Entwicklung untersucht, um mögliche Trends und Veränderungen im Lehrangebot aufzuzeigen.

Kursanzahl

Zunächst werfen wir einen Blick darauf, wie viele Lehrveranstaltungen zum Thema Künstliche Intelligenz gefunden wurden und welchen Anteil sie am Gesamtangebot der im HEX enthaltenen Kurse ausmachen.

Zwischen 2016 und 2024 konnten insgesamt 21.522 relevante Lehrveranstaltungen identifiziert werden. Im Vergleich zum gesamten Kursangebots der Hochschulen im HEX machen Lehrveranstaltungen zur Künstlichen Intelligenz einen geringen Anteil aus (im Studienjahr 2024: 0,02 Prozent).

Trotzdem zeigt sich in den Daten ein deutlicher Trend: Wie in der Abbildung unten zu sehen, ist der relative Anteil der KI-Kurse an allen Kursen zwischen 2016 und 2024 kontinuierlich gestiegen und hat sich in dieser Zeit mehr als vervierfacht (Abbildung Anteile der KI-Kurse an allen Kursen pro Jahr).

Der gewachsene Anteil an KI-Kursen spiegelt sich auch in der jährlich wachsenden Zahl an Kursen zu diesem Thema wieder. Durch die kontinuierlich wachsende Stichprobe ist die Wachstumsrate in absoluten Kursen nach oben verzerrt (siehe Limitationen). Allerdings zeigt sich auch im Subset der 22 Universitäten, für die zu allen Zeitpunkten Daten vorliegen, ein stetiges Wachstum an KI-Kursen.

Insgesamt zeigen diese Entwicklungen: Künstliche Intelligenz scheint in der Hochschullehre an Relevanz zu gewinnen, denn der Anteil an KI-Kursen nimmt seit 2016 kontinuierlich und deutlich zu.

Fächergruppen

Fächergruppen im Überblick

Als Nächstes betrachten wir, in welchen Fächergruppen die gefundenen Kurse zu Künstlicher Intelligenz nach Klassifikation des Statistischen Bundesamts angesiedelt sind.

Die Verteilung der Fächergruppen zeigt, dass Kurse zu Künstlicher Intelligenz in allen Fächergruppen vertreten sind; allerdings mit Abstand am stärksten in den Ingenieurwissenschaften. Die zweitmeisten Kurse entfallen auf die Rechts-, Wirtschafts- und Sozialwissenschaften.

Anmerkung zur Datenbasis

Datenbasis dieser Abbildung sind 19.057 Kurse. Ausgeschlossen wurden 2.465 Kurse (circa 11,5 Prozent), denen keine Fächergruppe zugeordnet werden konnte.

Die Kategorie Sonstiges umfasst KI-Kurse aus Humanmedizin/Gesundheitswissenschaften (2,4 Prozent), Kunst, Kunstwissenschaft (1,2 Prozent), Agrar-, Forst- und Ernährungswissenschaften, Veterinärmedizin (0,6 Prozent) und Sport (0,1 Prozent).

Fächergruppen im Zeitverlauf

Die absolute Anzahl der KI-Kurse ist über den gesamten Betrachtungszeitraum von 2016 bis 2024 in allen Fächergruppen gewachsen. Dies zeigt sich auch im Subset der 22 Hochschulen, zu denen zu allen Zeitpunkten Daten vorliegen. Damit ist die Lehre zur Künstlichen Intelligenz heute deutlich heterogener verteilt. Während im Jahr 2016 noch knapp zwei Drittel der KI-Kurse in den Ingenieurwissenschaften stattfanden, waren es im Jahr 2024 nur noch nach etwa 45 Prozent. Der Anteil der in den Rechts-, Wirtschafts- und Sozialwissenschaften verorteten Kursen hat hingegen über die Jahre zugenommen. Diese breite fachliche Verankerung ist wenig überraschend, da Künstliche Intelligenz als Querschnittstechnologie in einer Vielzahl wissenschaftlicher Disziplinen und Anwendungsfelder von Bedeutung ist.

Anmerkung zur Datenbasis

Datenbasen dieser Abbildungen sind 19.057 Kurse. Ausgeschlossen wurden 2.465 Kurse (circa 11,5 Prozent), denen keine Fächergruppe zugeordnet werden konnte.

Die Kategorie Sonstiges umfasst KI-Kurse aus Humanmedizin/Gesundheitswissenschaften, Kunst, Kunstwissenschaft, Agrar-, Forst- und Ernährungswissenschaften, Veterinärmedizin, und Sport.

Studienbereiche

Studienbereiche im Überblick

Studienbereiche bilden nach Klassifikation des Statistischen Bundesamts die Unterebene der Fächergruppen. Mehrere Studienbereiche lassen sich also zu übergeordneten Fächergruppen zusammenfassen. Die Analyse der Studienbereiche ermöglicht deswegen eine differenziertere Darstellung der Fachrichtungen, in denen die gefundenen Kurse zu Künstlicher Intelligenz angesiedelt sind.

Auf Ebene der Studienbereiche zeigt sich die Heterogenität der Verankerung von Kursen zur Künstlichen Intelligenz noch stärker. Im Zeitraum von 2016 bis 2024 fanden sich Kurse mit KI-Bezug in nahezu allen Studienbereichen. Am häufigsten wurden Kurse zu Künstlicher Intelligenz im Studienbereich Informatik (42 Prozent) gelehrt, der zur Fächergruppe der Ingenieurwissenschaften gehört. Ebenfalls unter den Top 5 Studienbereichen und den Ingenieurwissenschaften zugehörig sind Elektrotechnik und Informationstechnik und Maschinenbau/Verfahrenstechnik. Der zweithöchste Anteil der KI-Kurse entfällt allerdings auf den Studienbereich der Wirtschaftswissenschaften.

Anmerkung zur Datenbasis

Datenbasis dieser Abbildung sind 16.987 Kurse. Ausgeschlossen wurden 4.535 Kurse (circa 21 Prozent), denen kein Studienbereich zugeordnet werden konnte.

Studienbereiche im Zeitverlauf

Auch in der Darstellung der Anzahl von Kursen pro Studienbereich im Zeitverlauf wird deutlich, dass das Thema Künstliche Intelligenz in allen Studienbereichen an Relevanz gewinnt, denn die Anzahl der Kurse dazu steigt in allen Studienbereichen an. Dies zeigt sich auch im Subset der 22 Hochschulen, zu denen zu allen Zeitpunkten Daten vorliegen. Der prozentuale Zuwachs unterscheidet sich allerdings. Die Zahl der KI-Kurse nahm in den Wirtschaftswissenschaften dreimal so stark zu wie in der Informatik.

Diese Entwicklung spiegelt sich auch in den Anteilen wider, wie sich die KI-Kurse auf die verschiedenen Studienbereiche verteilen. Hier zeigt sich, dass KI jährlich noch breiter über die verschiedenen Studienbereiche hinweg behandelt wird. Während 2016 noch etwa 60 Prozent aller KI-Kurse in der Informatik gelehrt wurden, waren es 2024 nur noch 35 Prozent. Dahingegen hat der Anteil von Kursen weiterer Studienbereiche (Kategorie Sonstige) über die Zeit zugenommen. Hinter dieser Kategorie verbergen sich Kurse aus nahezu allen Studienbereichen.

Diese Verteilung verdeutlicht, dass Künstliche Intelligenz zwar einen klaren Schwerpunkt in den technischen Studienbereichen, insbesondere der Informatik, aufweist, zugleich jedoch breit über weitere Disziplinen hinweg verankert ist. Der vergleichsweise hohe Anteil der KI-Kurse in den Wirtschaftswissenschaften unterstreicht die wachsende Relevanz von KI auch in ökonomischen, organisatorischen und managementbezogenen Kontexten. Die Präsenz von KI-Kursen in nahezu allen Studienbereichen weist zudem auf eine ausgeprägte multidisziplinäre Ausrichtung der Hochschullehre hin, bei der KI nicht nur als technologische Grundlage, sondern zunehmend auch als Querschnittsthema mit vielfältigen Anwendungsbezügen verstanden wird.

Anmerkung zur Datenbasis

Datenbasen dieser Abbildungen sind 16.987 Kurse. Ausgeschlossen wurden 4.535 Kurse (circa 21 Prozent), denen kein Studienbereich zugeordnet werden konnte.

Anteil der Künstliche-Intelligenz-Kurse in Studienbereichen

Als Nächtes betrachten wir die relativen Anteile der KI-Kurse an allen Kursen innerhalb der drei größten Studienbereiche Informatik, Wirtschaftswissenschaften sowie Elektrotechnik und Informationstechnik. Dabei zeigt sich ein eindeutiger Trend: In allen drei Studienbereichen nimmt der Anteil der KI-Kurse an der Gesamtzahl der Kurse über die Jahre hinweg zu.

Diese Entwicklung verdeutlicht, dass Künstliche Intelligenz nicht nur generell stärker in der Hochschullehre verankert ist, sondern auch innerhalb der drei größten Studienbereichen einen wachsenden Stellenwert einnimmt.

Anmerkung zur Datenbasis

Datenbasen dieser Abbildungen sind die folgenden:

Studienbereich Informatik:
KI-Kurse mit SB Informatik: 7.300 Kurse
Alle Kurse mit SB Informatik: 92.912 Kurse

Studienbereich Wirschaftswissenschaften:
KI-Kurse mit SB Wirschaftswissenschaften: 1.659 Kurse
Alle Kurse mit SB Wirschaftswissenschaften: 157.348 Kurse

Studienbereich Elektrotechnik/Informationstechnik
KI-Kurse mit SB Elektrotechnik/Informationstechnik: 1.017 Kurse
Alle Kurse mit SB Elektrotechnik/Informationstechnik: 69.277 Kurse

Kursformate

Kursformate im Überblick

Als Nächstes werfen wir einen Blick auf die Verteilung der Kursformate in den gefundenen Lehrveranstaltungen.

Wie unten zu sehen, zeigt der Vergleich zwischen den gefundenen KI-Kursen und allen Kursen im HEX, dass die beiden Verteilungen sich weitgehend entsprechen. Seminare stellen mit einem Anteil von 36,4 Prozent die häufigste Veranstaltungsform unter den KI-Kursen dar, gefolgt von Vorlesungen mit 21,7 Prozent.

Details zu den Kursformaten finden sich unter der Abbildung. Zur Kategorie Sonstiges zählen Kursformate, die keiner der übrigen Kategorien eindeutig zugewiesen werden können, dazu zählen auch Doppelformate, wie etwa Vorlesung mit Übung.

Anmerkung zur Datenbasis

Datenbasis dieser Abbildung sind 21.433 Kurse. Ausgeschlossen wurden 89 Kurse (circa 0,4 Prozent), die keinen Wert im Kursformat aufwiesen.

Details zu den Kursformaten

· Übung: Übungsorientierte Formate, wie zum Beispiel Übung, Tutorium, Repetitorium
· Sonstiges: sonstige, auch gemischte Formate
· Erfahrung: Erfahrungsorientierte Formate, wie zum Beispiel Praktikum, Projekt, Labor
· Austausch: Austauschformate, wie zum Beispiel Kolloquium, Workshop, Arbeitsgemeinschaft

Kursformate im Zeitverlauf

Die Betrachtung der Kursformate im zeitlichen Verlauf zeigt, dass Seminare über nahezu den gesamten Untersuchungszeitraum hinweg das dominante Kursformat darstellen.

Im mittleren Bereich liegen die Formate Vorlesung, Sonstiges, Übung und Erfahrung, deren Anteile im Zeitverlauf relativ stabil bleiben. Demgegenüber nimmt das Format Austausch den geringsten Anteil ein. Insgesamt verdeutlicht diese zeitliche Entwicklung die zentrale Rolle von Seminaren als dominierendes Kursformat in den KI-Lehrveranstaltungen.

Anmerkung zur Datenbasis

Datenbasis dieser Abbildung sind 21.433 Kurse. Ausgeschlossen wurden 89 Kurse (circa 0,4 Prozent), die keinen Wert im Kursformat aufwiesen.

Erklärung zu den Kursformaten

Kursformate nach Studienbereichen

Die Analyse der Kursformate der KI-Kurse im Vergleich zu allen Kursen innerhalb der Studienbereiche Informatik und Wirtschaftswissenschaften zeigt einige Unterschiede, die die spezifische Ausrichtung der KI-Lehre widerspiegeln.

Im Studienbereich Informatik fällt auf, dass KI-Kurse deutlich häufiger als Seminare angeboten werden (31,3 Prozent gegenüber 20,8 Prozent bei allen Informatik-Kursen), während Übungen im Vergleich zu allen Kursen unterrepräsentiert sind (14,2 Prozent gegenüber 24,7 Prozent). Diese Verteilung deutet darauf hin, dass KI-Kurse in der Informatik stärker auf diskussions- und projektorientierte Formate setzen, während klassische Informatik-Kurse einen höheren Anteil an übungsbasiertem Lernen aufweisen. Vorlesungen, erfahrungsorientierte Formate und sonstige Lehrformate liegen in KI-Kursen und im Gesamtangebot ähnlich nah beieinander.

Im Bereich Wirtschaftswissenschaften zeigen KI-Kurse im Vergleich zum Gesamtangebot einen geringeren Anteil an Übungen (14,7 Prozent gegenüber 23,1 Prozent) und gleichzeitig einen höheren Anteil an sonstigen Formaten (22,9 Prozent gegenüber 14,9 Prozent), die vor allem kombinierte Lehrformate wie Vorlesungen mit integrierten Übungen enthalten. Seminare und Vorlesungen sind in KI-Kursen ähnlich stark vertreten wie in allen Wirtschaftswissenschaften-Kursen. Diese Verteilung deutet darauf hin, dass die KI-Lehre in den Wirtschaftswissenschaften stärker auf kombinierte Formate setzt, während klassische Wirtschaftswissenschaften-Kurse stärker auf reine Übungen ausgerichtet sind.

Anmerkung zur Datenbasis

Datenbasen dieser Abbildungen sind die folgenden:

Studienbereich Informatik:
KI-Kurse mit SB Informatik: 7.300 Kurse
Alle Kurse mit SB Informatik: 92.912 Kurse

Studienbereich Wirschaftswissenschaften:
KI-Kurse mit SB Wirschaftswissenschaften: 1.659 Kurse
Alle Kurse mit SB Wirschaftswissenschaften: 157.348 Kurse

Details zu den Kursformaten

Kurssprachen

Kurssprachen im Überblick

Als Nächstes betrachten wir die Verteilung der Kurssprachen der gefundenen Kurse.

Wie in der Abbildung unten zu sehen, zeigt sich ein deutlicher Unterschied zwischen den KI-Kursen und dem Gesamtangebot des HEX. Zwar ist Deutsch auch in den KI-Kursen die am häufigsten verwendete Kurssprache, ihr Anteil liegt jedoch mit 49,3 Prozent deutlich unter dem Anteil im gesamten HEX-Lehrangebot von 78,5 Prozent.

Im Gegensatz zu allen Kursen werden KI-Kurse dafür deutlich häufiger auf Englisch angeboten: Mehr als 40 Prozent der gefundenen KI-Kurse finden in englischer Sprache statt, während im Gesamtangebot des HEX nur etwa 13 Prozent der Kurse auf Englisch abgehalten werden. Dieser Effekt ist vor allem auf die Informatik zurückzuführen, in der ein besonders hoher Anteil der Kurse auf Englisch angeboten wird.

Die Lehre im Bereich Künstliche Intelligenz scheint damit stärker international ausgerichtet zu sein. Mögliche Erklärungen hierfür können ein hoher Anteil an internationalem wissenschaftlichen Personal in der Informatik sein, die diese Kurse lehrt, eine bewusste Strategie mehr internationale Studierende zu gewinnen und/oder Studierende gezielt auf Tätigkeiten in internationalen Forschungs- und Arbeitskontexten vorzubereiten.

Anmerkung zur Datenbasis

Datenbasis dieser Abbildung sind 20.399 Kurse. Ausgeschlossen wurden 1.123 Kurse (circa 5,2 Prozent), die keinen Wert in der Kurssprache aufwiesen.

Kurssprachen im Zeitverlauf

In der zeitlichen Entwicklung der Kurssprachen zeigt sich ein klarer Trend: Während der Anteil deutschsprachiger Kurse bis 2020 abnimmt, steigt der Anteil englischsprachiger Kurse in dieser Zeit an. Seit 2020 liegen die Anteile beider Sprachen dann nahezu gleichauf, wobei Deutsch weiterhin den größeren Anteil ausmacht. Diese Entwicklung unterstreicht die zunehmende internationale Ausrichtung der gefundenen KI-Kurse.

Anmerkung zur Datenbasis

Datenbasen dieser Abbildungen sind die folgenden:

Anteile der Kurssprachen der KI-Kurse pro Jahr:
Datenbasis sind 20.399 Kurse. Ausgeschlossen wurden 1.123 Kurse (circa 5,2 Prozent), die keinen Wert in der Kurssprache aufwiesen.

Fächergruppe Ingenieurwissenschaften:
KI-Kurse mit FG Ingenieurwissenschaften: 9.571 Kurse

Fächergruppe Rechts-, Wirtschafts- und Sozialwissenschaften:
KI-Kurse mit FG Rechts-, Wirtschafts- und Sozialwissenschaften: 3.260 Kurse

Ergebnisse: Inhaltsbasierte Analyse

Im Folgenden werden die Ergebnisse der inhaltsbasierten Analyse dargestellt. Dabei betrachten wir, welche Begriffe am häufigsten in den Kurstiteln vorkommen, welche Schlüsselthemen durch das Topic Modeling identifiziert werden konnten und wie häufig aktuelle Trendthemen in den Kursen behandelt werden.

Top-Begriffe

Top-Begriffe im Überblick

Zunächst betrachten wir, welche Begriffe am häufigsten in den Titeln der Lehrveranstaltungen zu Künstlicher Intelligenz vorkommen. Da Kurstitel die zentralen Inhalte der Kurse benennen, gibt uns das ein erstes Bild über die thematischen Schwerpunkte der KI-Kurse.

Nicht überraschend ist, dass Künstliche Intelligenz der am häufigsten vorkommende Begriff in den Kurstiteln ist. Kurse mit diesem Top-Begriff adressieren vermutlich vor allem grundlegende Konzepte, Überblicke über das Fachgebiet sowie eine Einordnung verschiedener Methoden und Anwendungsfelder der Künstlichen Intelligenz.

Dahinter folgt Machine Learning als zweithäufigster Begriff und damit als zentraler inhaltlicher Schwerpunkt der untersuchten Lehrveranstaltungen. Die starke Präsenz dieses Begriffs unterstreicht die Bedeutung datengetriebener Lernverfahren als Kernbestandteil moderner KI und legt nahe, dass viele Kurse einen methodischen Fokus auf überwachtes, unüberwachtes und bestärkendes Lernen legen.

Eng verknüpft mit Machine Learning ist das häufige Auftreten von Begriffen wie Neural Networks und Deep Learning. Diese Begriffe beziehen sich auf neuronale Lernansätze, die in vielen aktuellen Anwendungen der Künstlichen Intelligenz eine zentrale Rolle spielen. Ihre hohe Platzierung unter den Top-Begriffen deutet darauf hin, dass auch fortgeschrittene Lernverfahren fest im hochschulischen Lehrangebot verankert sind.

Neben diesen methodischen Schwerpunkten zeigen sich auch grundlegende algorithmische und mathematische Aspekte unter den Top-Begriffen. Das häufige Vorkommen von Begriffen wie Algorithmen, Mathematik und Statistik zeigt, dass KI-bezogene Lehrveranstaltungen stark auf formale Grundlagen aufbauen. Diese bilden die theoretische Basis für das Verständnis, die Entwicklung und die Analyse von KI-Verfahren.

Ein weiterer inhaltlicher Schwerpunkt liegt im Bereich der Datenverarbeitung und -analyse. Begriffe wie Data Science, Datenanalyse und Data Mining verdeutlichen, dass der Umgang mit großen, komplexen Datensätzen sowie deren Auswertung ein zentrales Element der Lehre im KI-Kontext ist.

Anwendungsorientierte Teilgebiete der Künstlichen Intelligenz sind ebenfalls unter den Top-20-Begriffen vertreten. Dazu zählen insbesondere Computer Vision, Natural Language Processing, Robotik sowie Autonome Systeme. Diese Begriffe zeigen, dass konkrete Anwendungsfelder wie Bildverarbeitung, Sprachverarbeitung und intelligente, autonome Systeme fester Bestandteil des Lehrangebots sind, wenn auch mit geringerer Häufigkeit als die methodischen Grundlagen.

Ergänzend erscheinen unter den Top-20-Begriffen spezialisierte Themen wie Reinforcement Learning, Simulation, Signalverarbeitung und Mustererkennung. Diese Begriffe verweisen auf vertiefende oder multidisziplinäre Inhalte, die häufig an der Schnittstelle von Ingenieurwissenschaften, Informatik und angewandter Mathematik angesiedelt sind.

Insgesamt zeigt die Analyse der häufigsten Begriffe, dass die gefundenen Lehrveranstaltungen zur Künstlichen Intelligenz stark von methodischen und datengetriebenen Ansätzen geprägt sind. Während Machine Learning, neuronale Netze und algorithmische Grundlagen die dominanten Schwerpunkte bilden, werden zugleich zentrale Anwendungsfelder der KI adressiert. Die Lehre bewegt sich damit zwischen theoretischen Grundlagen, methodischer Vertiefung und praxisnahen Anwendungsbezügen.

Schlüsselthemen

Schlüsselthemen im Überblick

Die eben analysierten Top-Begriffe lieferten einen ersten Einblick in die thematischen Schwerpunkte der KI-Kurse. Sie basierten jedoch ausschließlich auf den Kurstiteln, während wir mit den Kursbeschreibungen zwar weniger Kurse, dafür aber eine deutliche tiefergehende Analysemöglichkeit haben.

Um die thematischen Schwerpunkte der KI-Kurse tiefergehend zu erfassen, wurde daher ein Topic Modeling durchgeführt. Dieses Machine-Learning-Verfahren ermöglicht es, automatisiert inhaltliche Themencluster aus einer großen Textmenge zu identifizieren. Jedes Cluster repräsentiert ein inhaltliches Thema, das auf der gemeinsamen Verwendung bestimmter Begriffe in Kurstiteln und -beschreibungen beruht. Die identifizierten Themen geben also Aufschluss darüber, welche Unterthemen der Künstlichen Intelligenz in den gefundenen Kursen abgedeckt werden. Sieben Themen wurden im Topic Modeling identifiziert: KI im Kontext von Digitalisierung & Gesellschaft, Grundlegende Konzepte der KI, Machine Learning, Data Science, Computer Vision, Natural Language Processing und KI im Business-Kontext.

Im Folgenden stellen wir diese Themen nach Gewichtung in der KI-Lehre vor.

Thema 1: KI im Kontext von Digitalisierung & Gesellschaft

KI im Kontext von Digitalisierung & Gesellschaft stellt mit etwa 23 Prozent das größte gefundene Themenfeld in der KI-Lehre dar. Es umfasst Lehrveranstaltungen, die Künstliche Intelligenz im Kontext der digitalen Transformation behandeln und dabei insbesondere gesellschaftliche, rechtliche, ethische, bildungsbezogene und kulturelle Fragestellungen adressieren. Im Fokus steht also die Reflexion der Auswirkungen von KI auf verschiedene gesellschaftliche Bereiche. Entsprechend ist es auch das KI-Themenfeld, das am breitesten in der Hochschullehre verankert ist (Abbildung Verortung des Themas KI-im-Kontext-von-Digitalisierung-&-Gesellschaft nach Studienbereichen).Die starke Präsenz dieses Themas unterstreicht die hohe Relevanz nicht-technischer, multidisziplinärer Perspektiven auf KI in der Hochschullehre.

Thema 2: Grundlegende Konzepte der KI

Mit einem Anteil von 18 Prozent bildet das Thema Grundlegende Konzepte der KI das zweitgrößte Themenfeld. Es umfasst sowohl Kurse aus der Informatik als auch aus weiteren Anwendungsbereichen und ist insgesamt stärker konzeptionell und theoretisch als technisch ausgerichtet. Behandelt werden grundlegende Konzepte und Modelle von Künstlicher Intelligenz. Das Thema fungiert damit als Fundament der KI-Lehre und vermittelt ein grundlegendes Verständnis von KI unabhängig von spezifischen Methoden oder Anwendungen.

Thema 3: Machine Learning

Das Themenfeld Machine Learning macht etwa 17 Prozent der gefundenen Kurse aus und stellt damit einen zentralen methodischen Schwerpunkt der KI-Lehre dar. Im Mittelpunkt stehen Verfahren des maschinellen Lernens, inklusive Deep Learning und neuronale Netze. Die Kurse sind in der Regel stärker technisch und mathematisch geprägt und befassen sich mit Algorithmen, Modellarchitekturen und Lernverfahren. Die hohe Bedeutung dieses Themas spiegelt die zentrale Rolle von Machine Learning als Kerntechnologie moderner KI-Systeme wider.

Thema 4: Data Science

Ein Anteil von rund 13 Prozent entfällt auf das Thema Data Science. Dieses Themenfeld ist stark anwendungsorientiert und verbindet KI-Methoden mit datengetriebenen Analyseverfahren. Typische Inhalte sind Datenaufbereitung, explorative Datenanalyse, statistische Methoden sowie der Einsatz von Programmiersprachen wie Python. Data Science fungiert dabei als Schnittstelle zwischen KI, Statistik und praktischer Problemlösung und ist insbesondere für anwendungsnahe Studiengänge von hoher Relevanz.

Thema 5: Computer Vision

Das Thema Computer Vision macht etwa 11 Prozent der KI-Kurse aus. Es konzentriert sich auf die automatisierte Verarbeitung und Interpretation visueller Daten, insbesondere von Bildern und Videos. Die Kurse basieren häufig auf Deep-Learning-Methoden und neuronalen Netzen und behandeln Anwendungen wie Objekterkennung, Bildklassifikation oder visuelle Mustererkennung. Computer Vision stellt damit ein wichtiges Anwendungsfeld von KI dar, das sowohl forschungs- als auch praxisrelevant ist.

Thema 6: Natural Language Processing

Mit einem Anteil von knapp 10 Prozent ist Natural Language Processing ein weiteres zentrales Anwendungsfeld der KI-Lehre. Es befasst sich mit der automatischen Verarbeitung natürlicher Sprache, etwa in Form von Textanalyse, Sprachmodellen oder dialogbasierten Systemen. Die zunehmende Sichtbarkeit aktueller Sprachmodelle spiegelt sich in der thematischen Ausrichtung vieler Kurse wider. Natural Language Processing ist insbesondere für Anwendungen in Kommunikation, Medien, Bildung und Informationsverarbeitung von Bedeutung.

Thema 7: KI im Business-Kontext

Das Themenfeld KI im Business-Kontext umfasst etwa 8 Prozent der Kurse. Es adressiert den Einsatz von KI und datengetriebenen Methoden in wirtschaftlichen und organisatorischen Zusammenhängen, etwa für Entscheidungsunterstützung, Management, Geschäftsmodelle oder Prozessoptimierung. Die Kurse sind in der Regel anwendungsorientiert und verbinden KI-Konzepte mit betriebswirtschaftlichen Fragestellungen.

Zusammenfassend zeigt die Analyse der Themenverteilung, dass die die KI-Lehre sowohl technische als auch nicht-technische Schwerpunkte aufweist. Während methodische und anwendungsbezogene Themen wie Machine Learning, Data Science, Computer Vision und Natural Language Processing einen großen Teil der Kurse ausmachen, nimmt das multidisziplinäre Themenfeld KI im Kontext von Digitalisierung & Gesellschaft den größten Anteil ein. Dies verdeutlicht, dass Künstliche Intelligenz in der Hochschullehre nicht nur als technische Schlüsseltechnologie, sondern auch als gesellschaftlich relevante Querschnittstechnologie verstanden wird, deren Auswirkungen in unterschiedlichen Disziplinen reflektiert werden.

Schlüsselthemen nach Studienbereichen

Als Nächstes wollen wir betrachten, in welchem Ausmaß die acht Schlüsselthemen in den Studienbereichen verortet sind. Grundlage dafür ist die Anzahl der Kurse in einem bestimmten Thema pro Studienbereich in Relation zu allen Kursen in diesem Thema. Dargestellt sind jeweils die fünf Studienbereiche mit dem größten Anteil an KI-Kursen für dieses Thema sowie der Anteil an KI-Kursen in sonstigen Studienbereichen.

Anmerkung zur Datenbasis

Datenbasen dieser Abbildungen sind die folgenden:

Thema KI im Kontext von Digitalisierung & Gesellschaft:
Anzahl: 2.043 Kurse

Thema Grundlegende Konzepte der KI:
Anzahl: 1.633 Kurse

Thema Machine Learning:
Anzahl: 1.515 Kurse

Thema Data Science:
Anzahl: 1.176 Kurse

Thema Computer Vision:
Anzahl: 1.019 Kurse

Thema Natural Language Processing:
Anzahl: 890 Kurse

Thema KI im Business-Kontext:
Anzahl: 710 Kurse

Die Verteilung der Kurse zeigt, dass sich die Themen der künstlichen Intelligenz als stark multidisziplinäre Inhalte darstellen. Mehrere Themen sind über verschiedene Studienbereiche hinweg verbreitet und verbinden technische, methodische sowie gesellschaftliche Perspektiven.

Besonders KI im Kontext von Digitalisierung & Gesellschaft sowie Natural Language Processing weisen eine ausgeprägte multidisziplinäre Verortung auf. Kurse zu KI im Kontext von Digitalisierung & Gesellschaft finden sich neben Informatik auch in Philosophie, Rechtswissenschaften, Sozial- und Erziehungswissenschaften. Dies deutet auf einen starken Fokus auf gesellschaftliche, ethische und rechtliche Fragestellungen im Kontext digitaler Transformation hin. Insgesamt findet sich das Thema in drei Vierteln aller Studienbereiche, was die multidisziplinäre Verankerung unterstreicht. Natural Language Processing ist ebenfalls breit aufgestellt: Neben der Informatik sind hier insbesondere Sprach- und Literaturwissenschaften (z. B. Germanistik, Anglistik) sowie Erziehungswissenschaften vertreten.

Die Themen Grundlegende Konzepte der KI, Machine Learning und Data Science sind zwar ebenfalls in mehreren Studienbereichen präsent, zeigen jedoch eine deutlich stärkere Konzentration auf technisch-methodische Disziplinen. Das Thema Grundlegende Konzepte der KI ist klar in der Informatik verankert, ergänzt durch kleinere Anteile in Elektrotechnik und Informationstechnik, Maschinenbau, Wirtschaftswissenschaften und Philosophie. Machine Learning weist neben der Informatik Anteile in Mathematik, Elektrotechnik und Informationstechnik sowie Physik auf. Data Science ist ebenfalls multidisziplinär, mit relevanten Anteilen in Informatik, Mathematik und Wirtschaftswissenschaften, was auf einen starken Anwendungsbezug in datengetriebenen Entscheidungs- und Analysekontexten hinweist.

Demgegenüber stehen stärker fachlich fokussierte Themen wie Computer Vision. Dieses Thema ist überwiegend in der Informatik angesiedelt, ergänzt durch Elektrotechnik und Informationstechnik, Mathematik sowie Anwendungsfelder wie Humanmedizin und Psychologie. Die Verteilung spiegelt die technische Anwendung des Themas wider, kombiniert mit spezialisierten Einsatzgebieten, etwa in der medizinischen Bildverarbeitung.

Eine klare Schwerpunktsetzung zeigt sich auch bei KI im Business-Kontext. Dieses Thema ist vor allem in den Wirtschaftswissenschaften verankert, mit ergänzenden Anteilen in Informatik und Sozialwissenschaften. Die Kurse fokussieren damit primär auf betriebswirtschaftliche, organisatorische und strategische Aspekte des KI-Einsatzes.

Bei näherer Betrachtung der sonstigen Studienbereiche der Themen fällt auf, dass insbesondere Maschinenbau/Verfahrenstechnik, Psychologie sowie Allgemeine und vergleichende Literatur- und Sprachwissenschaften Studienbereiche sind, die in vier oder mehr Themen vorkommen. Dies lässt sich vermutlich dadurch erklären, dass diese Disziplinen interdisziplinär mit KI-Anwendungen verknüpft sind: Maschinenbau und Verfahrenstechnik nutzen KI für Robotik, Produktionsoptimierung und Steuerungssysteme; Psychologie ist relevant für menschliche Interaktion mit KI und die Analyse von Verhaltensdaten; und Literatur- sowie Sprachwissenschaften sind eng mit Natural Language Processing und textanalytischen Anwendungen verbunden. Diese Fächer bilden somit Schnittstellen, die technische, methodische und fachliche Perspektiven auf KI miteinander verbinden.

Auch bei der Analyse der Fächergruppen der Themen zeigt sich, dass KI stark multidisziplinär verankert ist: Ingenieurwissenschaften tauchen in sechs Themen auf, da sie die zentrale Anwendungsdisziplin darstellen. Rechts-, Wirtschafts- und Sozialwissenschaften finden sich in fünf Themen und beleuchten gesellschaftliche, rechtliche, ethische und ökonomische Aspekte von KI. Mathematik und Naturwissenschaften sind vor allem in Machine Learning, Data Science und Computer Vision vertreten und liefern die methodische und theoretische Grundlage für KI-Modelle. Geisteswissenschaften erscheinen vor allem in KI im Kontext von Digitalisierung & Gesellschaft sowie Natural Language Processing, vermutlich da sie Perspektiven auf Sprache, Kultur und gesellschaftliche Implikationen der KI behandeln.

Insgesamt wird deutlich, dass KI-bezogene Lehrangebote sowohl stark disziplinär verortete Grundlagen- und Methodenfächer als auch breit angelegte, multidisziplinäre Themen umfassen. Diese Struktur spiegelt die doppelte Rolle der künstlichen Intelligenz wider: als technologische Kernkompetenz einerseits und als gesellschaftlich wirksame Querschnittstechnologie andererseits.

Trendthemen

Neben den allgemeinen inhaltlichen Schwerpunkten in den gefundenen Kursen wollen wir außerdem analysieren, inwieweit aktuelle Trendthemen in den KI-Kursen aufgegriffen werden. In Zusammenarbeit mit Experten und Expertinnen haben wir zu diesem Zweck Themen identifiziert, die neuere Entwicklungen mit hohem Innovationspotenzial für Forschung und Industrie darstellen. Dabei kristallisierten sich die drei Themen Prompt Engineering, autonome Agenten und Explainable AI heraus, die wir im Folgenden näher betrachten.

Prompt Engineering

Prompt Engineering bezeichnet die gezielte Formulierung von Eingaben (Prompts) für KI-Modelle, um gewünschte Ausgaben zu erzeugen. Mit dem Aufkommen leistungsfähiger Sprachmodelle wie GPT hat sich Prompt Engineering zu einem zentralen Werkzeug entwickelt, um die Leistungsfähigkeit von KI-Systemen effektiv zu nutzen. Dabei geht es nicht nur um die Wahl der richtigen Worte, sondern auch um die Strukturierung, Kontextualisierung und Optimierung der Eingabe, um qualitativ hochwertige, konsistente und verlässliche Ergebnisse zu erzielen (siehe Chen et al., 2025). Für Studierende ist Prompt Engineering wichtig, da es ihnen praxisnahes Wissen im Umgang mit KI vermittelt und sie befähigt, diese Technologien effizient im Studium und später im Berufsleben einzusetzen.

Wie unten zu sehen, wurden erstmals im Jahr 2023 Kurse zu Prompt Engineering gefunden. Dies zeigt, dass das Thema bereits im Folgejahr nach der Veröffentlichung von OpenAIs ChatGPT in die Hochschullehre Eingang gefunden hat. Die Anzahl der Kurse ist noch gering, steigt jedoch im Jahr 2024 deutlich auf 21 Kurse an. Prompt Engineering stellt somit ein potenziell wachsendes, aber noch spezialisiertes Thema in der Lehre dar.

Es ist jedoch zu berücksichtigen, dass möglicherweise nicht alle relevanten Kurse erfasst wurden, da bei einem Teil der Lehrveranstaltungen Kursbeschreibungen fehlen oder die vorhandenen Beschreibungen nicht detailliert genug sind, um die Behandlung von Prompt Engineering zu identifizieren.

Von den insgesamt 27 gefundenen Kursen können sechs dem Studienbereich Informatik, drei den Wirtschaftswissenschaften, zwei der Gestaltung und jeweils ein Kurs den Agrarwissenschaften bzw. den Informations- und Bibliothekswissenschaften zugeordnet werden. 14 Kurse konnten keinem spezifischen Studienbereich zugeordnet werden. Diese Verteilung zeigt, dass Prompt Engineering in vielen Studienbereichen von Bedeutung ist.

Anmerkung zur Datenbasis

Datenbasis dieser Abbildung sind 27 Kurse, die mithilfe von Keywords zu Prompt Engineering gefunden wurden. Die vollständige Liste der Schlüsselbegriffe zur Suche nach relevanten Kursen findet sich im Anhang (Liste 2).

Autonome Agenten

Autonome Agenten sind KI-Systeme, die eigenständig Aufgaben ausführen, Entscheidungen treffen und sich an wechselnde Umgebungen anpassen können. Sie agieren ohne ständige menschliche Steuerung und gehen damit über klassische KI-Anwendungen hinaus, indem sie nicht nur einzelne Anfragen verarbeiten, sondern komplexe Ziele verfolgen, Teilaufgaben planen, Werkzeuge nutzen und aus Rückmeldungen lernen können (siehe Chowa et al., 2025). Einsatzfelder reichen von intelligenten Assistenzsystemen und autonomen Softwarerobotern über industrielle Steuerungssysteme bis hin zu vernetzten Multi-Agenten-Systemen.

Für Studierende als zukünftige Fachkräfte sind autonome Agenten von besonderer Bedeutung, da sie ein vertieftes Verständnis moderner KI-Architekturen, Entscheidungsprozesse und Systemintegration vermitteln. Die Beschäftigung mit diesem Thema fördert praxisrelevante Kompetenzen an der Schnittstelle von Informatik, Datenanalyse und Systemdesign und qualifiziert Absolventen und Absolventinnen für künftige Tätigkeitsfelder in Forschung, Wirtschaft und Technik, in denen autonome und adaptive KI-Systeme eine zunehmend zentrale Rolle einnehmen werden.

Die Abbildung unten zeigt, dass Kurse zu Autonomen Agenten bisher nur vereinzelt angeboten wurden: Gefunden wurden im Zeitraum von 2018 bis 2024 insgesamt zwölf Kurse. Dies unterstreicht den Nischencharakter des Themas, wobei auch hier eine Untererfassung möglich sein kann, da viele Kursbeschreibungen fehlen oder nicht ausreichend detailliert sind.

Von den insgesamt zwölf gefundenen Kursen lassen sich zwei dem Studienbereich Informatik, drei den Wirtschaftswissenschaften und sieben keinem Studienbereich zuordnen.

Anmerkung zur Datenbasis

Datenbasis dieser Abbildung sind 12 Kurse, die mithilfe von Keywords zu Autonomen Agenten gefunden wurden. Die vollständige Liste der Schlüsselbegriffe zur Suche nach relevanten Kursen findet sich im Anhang (Liste 3).

Explainable AI

Explainable AI bezeichnet Methoden und Ansätze, die darauf abzielen, die Entscheidungen von KI-Systemen nachvollziehbar, interpretierbar und transparent zu machen. Mit dem zunehmenden Einsatz komplexer Modelle wie tiefer neuronaler Netze wird es immer schwieriger, die inneren Entscheidungsprozesse von KI-Modellen zu verstehen. Explainable AI adressiert dieses Problem, indem sie Erklärungen liefert, die für Menschen verständlich sind, und dadurch Vertrauen, Verantwortlichkeit und Sicherheit in KI-Anwendungen erhöht (siehe Arrieta et al., 2020).

Für Studierende als zukünftige Fachkräfte ist Explainable AI besonders relevant, da sie ein tiefes Verständnis der Funktionsweise moderner KI-Modelle und deren Grenzen vermittelt. Die Auseinandersetzung mit Explainable AI fördert Fähigkeiten in Modellinterpretation, Evaluierung von Entscheidungsqualität und ethisch reflektiertem Einsatz von KI. Dies qualifiziert Absolventen und Absolventinnen für eine Vielzahl künftiger Tätigkeitsfelder in Forschung, Wirtschaft und Technik, in denen Transparenz, Nachvollziehbarkeit und Vertrauen in KI-Systeme zunehmend entscheidend für Innovation und gesellschaftliche Akzeptanz sein werden.

Wie die Abbildung unten zeigt, wurden erstmals im Jahr 2020 Kurse zu Explainable AI angeboten. Seitdem ist ein deutlicher Anstieg zu beobachten: Die Kurszahlen steigen von sieben Kursen im Jahr 2020 auf 63 Kurse im Jahr 2024. Dies verdeutlicht, dass Explainable AI an Bedeutung in der Hochschullehre gewonnen hat. Auch hier ist zu beachten, dass wegen unvollständiger oder undetaillierter Kursbeschreibungen vermutlich nicht alle relevanten Kurse gefunden werden konnten.

Von den insgesamt 157 gefundenen Kursen entfallen 105 auf den Studienbereich Informatik, 18 auf Wirtschaftswissenschaften, 11 auf Philosophie, sieben auf Maschinenbau/Verfahrenstechnik, vier auf Medienwissenschaften, je ein Kurs auf Allgemeine und vergleichende Literaturwissenschaft, Bildende Kunst, Erziehungswissenschaften sowie Humanmedizin, ein Kurs auf Physik/Astronomie, zwei Kurse auf Politikwissenschaft und fünf Kurse konnten keinem spezifischen Studienbereich zugeordnet werden. Die Verteilung spiegelt die fachliche Breite des Themas wider: Während die Mehrheit der Kurse in Informatik den technischen Kern von Explainable AI behandelt, greifen Kurse anderer Studienbereiche die gesellschaftlichen, ethischen und anwendungsorientierten Aspekte auf.

Anmerkung zur Datenbasis

Datenbasis dieser Abbildung sind 157 Kurse, die mithilfe von Keywords zu Explainable AI gefunden wurden. Die vollständige Liste der Schlüsselbegriffe zur Suche nach relevanten Kursen findet sich im Anhang (Liste 3).

Fazit: Bildung für eine KI-geprägte Zukunft

Die Analyse der Vorlesungsverzeichnisse deutscher Hochschulen zum Thema Künstliche Intelligenz zeigt einen klaren Trend hin zu einer zunehmenden Präsenz dieses Themenfeldes in der Hochschullehre. Im Zeitraum von 2016 bis 2024 wurden rund 21.000 relevante Lehrveranstaltungen identifiziert. Zwar bleibt der Anteil dieser Kurse am gesamten Lehrangebot gering, er weist jedoch einen kontinuierlichen Anstieg auf. Insgesamt hat sich die absolute Zahl der Lehrveranstaltungen mit Bezug zu Künstlicher Intelligenz im Beobachtungszeitraum erhöht, was die wachsende Bedeutung des Themenfeldes in der Hochschullehre unterstreicht.

Die Analyse der Studienbereiche verdeutlicht den multidisziplinären Charakter der Lehre zur Künstlichen Intelligenz. Zwar liegt der Schwerpunkt der KI-Kurse klar im Studienbereich Informatik, der einen großen Teil des Lehrangebots ausmacht, zugleich ist Künstliche Intelligenz jedoch in nahezu allen Studienbereichen präsent. Besonders hervorzuheben ist der hohe Anteil der Wirtschaftswissenschaften, der die wachsende Bedeutung von KI jenseits technischer Fragestellungen unterstreicht. Die zunehmende Verteilung der KI-Kurse über verschiedene Studienbereiche hinweg deutet darauf hin, dass Künstliche Intelligenz in der Hochschullehre zunehmend als Querschnittstechnologie verstanden wird, die sowohl technische als auch ökonomische, organisatorische und gesellschaftliche Anwendungsfelder adressiert.

Auch die Betrachtung der Kursformate und Kurssprachen weist auf eine fortschreitende Ausdifferenzierung der KI-Lehre hin. Seminare stellen über den gesamten Untersuchungszeitraum hinweg das dominierende Kursformat dar, ergänzt durch Vorlesungen sowie eine relevante Anzahl an kombinierten und erfahrungsorientierten Lehrformaten, die insbesondere in anwendungsnahen Studienbereichen eine wichtige Rolle spielen. Gleichzeitig zeigt die vergleichsweise hohe Bedeutung englischsprachiger Lehrveranstaltungen eine starke internationale Orientierung der KI-Lehre.

Inhaltlich lassen sich die KI-Lehrveranstaltungen entlang eines Spektrums von konzeptionellen Grundlagen über methodische Ansätze bis hin zu anwendungsorientierten Themen verorten. Die inhaltlichen Schwerpunkte liegen insbesondere auf den Themen KI im Kontext von Digitalisierung & Gesellschaft (circa 23 Prozent Anteil an den KI-Kursen) und Grundlegende Konzepte der KI (etwa 18 Prozent). Methodisch-technische Kernbereiche wie Machine Learning (17 Prozent) und Data Science (13 Prozent) sind ebenfalls stark vertreten, während spezialisierte Anwendungsgebiete wie Computer Vision (11 Prozent) oder Natural Language Processing (10 Prozent) einen vergleichsweise kleineren Anteil ausmachen. Neben der Vermittlung technischer Kompetenzen scheint die Hochschullehre also ebenso großen Wert auf die Reflexion gesellschaftlicher, ethischer und fachübergreifender Implikationen von KI zu legen.

Während manche KI-Themen in mehreren Studienbereichen vertreten sind, zeigen andere eine stärkere Fokussierung auf einzelne Disziplinen. Die Verankerung des Themas KI im Kontext von Digitalisierung & Gesellschaft in drei Vierteln aller Studienbereiche zeigt, dass die Hochschullehre die gesellschaftliche Relevanz von KI anerkennt und entsprechende Entwicklungen in die akademische Ausbildung integriert. Dies ist insgesamt als positives Signal zu bewerten, da KI bereits zahlreiche Lebens- und Arbeitsbereichen verändert. Hochschulen haben damit begonnen, diese Veränderungen systematisch zu diskutieren, kritisch zu reflektieren und wissenschaftlich zu begleiten.

Auch das Thema Natural Language Processing taucht in zahlreichen Studienbereichen auf, was darauf hindeutet, dass die Entwicklung leistungsfähiger Sprachmodelle sowohl auf sprachwissenschaftlichen als auch auf informatisch-technischen Erkenntnissen basiert. Andere Themen wie Grundlegende Konzepte der KI, Machine Learning oder Computer Vision sind überwiegend in technisch-methodischen Disziplinen verortet, während KI im Business-Kontext klar wirtschaftswissenschaftlich fokussiert ist.

Trendthemen wie Prompt Engineering, Autonome Agenten oder Explainable AI haben in den letzten Jahren Eingang in die Hochschullehre gefunden, wenn auch in unterschiedlichem Ausmaß. Während Autonome Agenten bislang nur vereinzelt angeboten werden, zeigt sich bei Prompt Engineering ein Anstieg der Kurszahlen seit 2023. Auch Explainable AI hat innerhalb der letzten Jahre an Bedeutung gewonnen und wird in zahlreichen Studienbereichen behandelt. Diese Entwicklungen verdeutlichen, dass die Hochschullehre punktuell in der Lage ist, aktuelle technologische und gesellschaftlich relevante Themen zeitnah aufzugreifen.

Insgesamt zeigt die Analyse, dass Künstliche Intelligenz in der Hochschullehre deutlich an Bedeutung gewinnt und über die Informatik hinaus in viele Studienbereiche hineinwirkt. Die wachsende Zahl an Kursen und die thematische Ausdifferenzierung verdeutlichen, dass KI zunehmend als Querschnittstechnologie in der Lehre verankert wird. Obwohl das Themenfeld KI zunehmend an Hochschulen präsent ist, sollte es aufgrund seiner Relevanz zukünftig noch stärker in der Hochschulentwicklung berücksichtigt werden. Die Allianz für Future Skills der Zukunftsmission Bildung hat das Ziel, dass sich der Anteil der Hochschulen, die KI-Kompetenzen und Future Skills fest in ihr Bildungsangebot aufnehmen, signifikant erhöht.

Literaturverzeichnis

Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115. https://doi.org/10.1016/j.inffus.2019.12.012

Bitkom e. V. (2023). Digitalisierte Unternehmen ziehen im Wettbewerb davon [Presseinformation]. https://www.bitkom.org/Presse/Presseinformation/Digitalisierte-Unternehmen-ziehen-im-Wettbewerb-davon

Brühl, Volker (2023). Künstliche Intelligenz – wo stehen wir in Deutschland? Wirtschaftsdienst, 103(8), 521‑524. https://doi.org/10.2478/wd‑2023‑015

Bundesministerium für Bildung und Forschung (BMBF) (2023). Aktionsplan Künstliche Intelligenz. https://www.bmftr.bund.de/SharedDocs/Downloads/DE/2023/230823-executive-summary-ki-aktionsplan.pdf?__blob=publicationFile&v=1

Chen, B., Zhang, Z., Langrené, N., Zhu, S. (2025). Unleashing the potential of prompt engineering in large language models: a comprehensive review. Patterns, 6(6). https://doi.org/10.1016/j.patter.2025.101260

Chowa, S. S., Alvi, R., Rahman, S. S., Rahiaan, M. A. K., Islam, M. R., Hussain, M., Azam, S. (2025). From language to action: a review of large language models as autonomous agents and tool users. Artificial Intelligence Review, 59, 71. https://doi.org/10.1007/s10462-025-11471-9

Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD). (2024). OECD‑Bericht zu Künstlicher Intelligenz in Deutschland. OECD Publishing. https://doi.org/10.1787/8fd1bd9d‑de

Statistisches Bundesamt (2024). Jedes fünfte Unternehmen nutzt künstliche Intelligenz [Pressemitteilung Nr. 444]. https://www.destatis.de/DE/Presse/Pressemitteilungen/2024/11/PD24_444_52911.html

Zika, Ge., Hassemer, T., Hummel, M., Krebs, B., Maier, T., Mönnig, A., Schneemann, C., Weber, E. & Zenk, J. (2025). Künstliche Intelligenz: Potenzielle Effekte für den deutschen Arbeitsmarkt. https://doi.org/10.48720/IAB.FB.2523

Anhang

Liste 1: Schlüsselbegriffe zur Suche nach KI-relevanten Kursen:
“(?i)\bartificial intelligen\w\b”,
”\bAI([- )(:;,.!?]|\b)”, ”(?i)\bKünstlich\w\sIntelligen\w\b”, “(?i)\bKI([- )(:;,.!?]|\b)”, “(?i)\bmachine intelligen\w\b”, ”(?i)\bMaschinell\w\sIntelligen\w\b”, “(?i)\bintelligent system\w\b”, ”(?i)\bIntelligente\w\sSystem\w\b”, “(?i)\bintelligent agent\w\b”, ”(?i)\bIntelligente\w\sAgent\w\b”, “(?i)\bagent system\w\b”, ”(?i)\bAgenten[- ]?system\w\b”, “(?i)\bmulti[- ]agent system\w\b”, ”(?i)\bMulti[- ]?agenten[- ]?system\w\b”, “(?i)\bautonomous system\w\b”, ”(?i)\bAutonome\w\sSystem\w\b”, “(?i)\bmachine[- ]learning\w\b”, ”(?i)\bML([- )(:;,.!?]|\b)”, ”(?i)\bMaschinell\w\sLern\w\b”, “(?i)\bsupervised[- ]learning\w\b”, ”(?i)\bÜberwachte\w\sLern\w\b”, “(?i)\bunsupervised[- ]learning\w\b”, ”(?i)\bUnüberwachte\w\sLern\w\b”, “(?i)\bsemi[- ]supervised[- ]learning\w\b”, ”(?i)\bHalb[- ]?überwachte\w\sLern\w\b”, “(?i)\breinforcement[- ]learning\w\b”, ”(?i)\bVerstärkungslern\w\b”, “(?i)\bverstärkende\w\sLern\w\b” , ”(?i)\bensemble[- ]learning\w\b”, “(?i)\bEnsemble[- ]?Lern\w\b”, ”(?i)\btransfer[- ]learning\w\b”, “(?i)\bTransfer[- ]?lern\w\b”, ”(?i)\bdeep[- ]learning\w\b”, “(?i)\bTiefe\w\sLern\w\b”, ”(?i)\bTiefenlernen\w\b”, “(?i)\bneural network\w\b”, ”(?i)\bNeuronale\w\sNetz\w\b”, “(?i)\blarge language model\w\b”, ”\bLLM([- )(:;,.!?]|\b)”, ”(?i)\bgroße\w\sSprachmodell\w\b” “(?i)\bprompt[- ]engineering\w\b”, ”(?i)\bnatural language processing\w\b”, “(?i)\bNLP([- )(:;,.!?]|\b)”, “(?i)\bNatürliche\w\sSprachverarbeitung\w\b”, ”(?i)\bcomputer vision\w\b”, “(?i)\bComputer[- ]?sehen\w\b”, ”(?i)\brecommender system\w\b”, “(?i)\bEmpfehlungs[- ]?system\w\b”, ”(?i)\brecommendation system\w\b”, “(?i)\bEmpfehlungs[- ]?dienst\w\b”, ”(?i)\bexpert[- ]system\w\b”, “(?i)\bExperten[- ]?system\w\b”, ”(?i)\bknowledge[- ]based system\w\b”, “(?i)\bwissens[- ]?basierte\w\sSystem\w\b”, ”(?i)\bdata[- ]mining\w\b”, “(?i)\bdata[- ]science\w*\b”

Liste 2: Schlüsselbegriffe zur Suche nach Kursen zu Prompt Engineering:
“(?i)\bprompt[- ]engineering\w*\b”

Liste 3: Schlüsselbegriffe zur Suche nach Kursen zu Autonomen Agenten:
“(?i)\bautonome\w\sAgent\w\b”,
”(?i)\bautonomous agent\w\b”

Liste 3: Schlüsselbegriffe zur Suche nach Kursen zu Explainable AI:
“(?i)\bexplainable AI\w\b”,
”(?i)\bexplainable artificial intelligence\w\b”, “(?i)\berklärbare KI\w\b”,
”(?i)\berklärbare\w\skünstliche\w\sIntelligenz\w\b”, “(?i)\bXAI\w*\b”

Danksagung

Vielen herzlichen Dank an Doktor Leo Rüdian für die Unterstützung bei der Entwicklung der Suchtaxonomie für die vorliegende Analyse und an Doktor Felix Süßenbach für die tatkräftige Unterstützung beim Verfassen des Berichts.