KI an Hochschulen in NRW: Wer macht eigentlich was?

Auf der Learning AID in Bochum wurde am 1.9.26 das neue KI:Expertisezentrum.nrw öffentlich vorgestellt. NRW-Wissenschaftsministerin Ina Brandes gratulierte zur Gründung. Das Zentrum bündelt die bisherigen Initiativen KI:edu.nrw, KI:connect.nrw und Open Source-KI.nrw. Es ist das zentrale KI-Vorhaben der Digitalen Hochschule NRW und wird vom Ministerium für Kultur und Wissenschaft des Landes Nordrhein-Westfalen gefördert.

Das KI:Expertisezentrum.nrw arbeitet in drei Feldern: Kompetenz umfasst Schulung, Beratung, Vernetzung und Fragen des verantwortungsvollen KI-Einsatzes. Inferenz steht für den technischen Zugang zu leistungsfähigen, möglichst selbstgehosteten KI-Modellen und die dafür notwendige Hardware-Infrastruktur. Im Bereich Apps werden Anwendungen und Middleware entwickelt, die generative KI für Studium, Lehre und Verwaltung praktisch nutzbar machen. Das Zentrum führt damit genau die drei Ebenen zusammen, die bisher in den Projekten KI:edu.nrw, Open Source-KI.nrw und KI:connect.nrw getrennt bearbeitet wurden. Website: ki-expertisezentrum.nrw

Vorstellung des neuen KI:Expertisezentrum.nrw/v.l.n.r.: M.Persike, M.Bovermann, I. Brandes, P.Salden

Die Akteurslandschaft – Bund und NRW im Vergleich

Rund um KI und Hochschule ist inzwischen eine Vielzahl von Einrichtungen entstanden. Vereinfacht lässt sich die Akteurslandschaft wie folgt clustern:

FunktionBundesweitNordrhein-Westfalen
Politik & FörderungBundesministerium für Forschung, Technologie und Raumfahrt (BMFTR); Stiftung Innovation in der Hochschullehre (StIL) – Förderung von Innovationen in Studium und Lehre. Website: stiftung-hochschullehre.deMinisterium für Kultur und Wissenschaft des Landes Nordrhein-Westfalen (MKW NRW) – Wissenschafts- und Hochschulpolitik des Landes. Website: mkw.nrw
Strategie, Vernetzung & KompetenzStifterverband; dessen Lernplattform KI-Campus; Hochschulforum Digitalisierung (HFD) als Initiative von Stifterverband, Centrum für Hochschulentwicklung (CHE) und Hochschulrektorenkonferenz (HRK). Websites: stifterverband.org/ki-campus · hochschulforumdigitalisierung.deDigitale Hochschule NRW (DH.NRW) sowie im Hochschulbereich das KI:Expertisezentrum.nrw mit dem Handlungsfeld Kompetenz. Website: dh.nrw
KI-Transfer & VernetzungVerschiedene bundesweite Netzwerke und TransferakteureKompetenzplattform KI.NRW – zentrale Anlaufstelle für das KI-Ökosystem des Landes und insbesondere für Vernetzung und Transfer zwischen Forschung und Wirtschaft. Website: ki.nrw
Modelle & technische InfrastrukturGesellschaft für wissenschaftliche Datenverarbeitung Göttingen (GWDG) und das KI-Servicezentrum für sensible und kritische Infrastrukturen (KISSKI) – unter anderem KI-Dienste, Modelle und APIs. Websites: gwdg.de · kisski.gwdg.deKI:Expertisezentrum.nrw – Handlungsfeld Inferenz: gemeinsame Hardware-Infrastruktur und Zugang zu KI-Modellen für NRW-Hochschulen. Website: ki-expertisezentrum.nrw
KI-Anwendungen für HochschulenHochschulen, Lernplattformen, Campus-Management-Systeme wie TraiNex und spezialisierte EdTech-AnbieterKI:Expertisezentrum.nrw – Handlungsfeld Apps, unter anderem mit KI:connect; daneben Hochschulen und deren Softwareanbieter
Akteure in der hochschulischen KI-Landschaft in NRW/Bund

Das KI:Expertisezentrum.nrw ist nicht einfach ein weiterer Kompetenzanbieter. Es bündelt für den Hochschulbereich drei Ebenen in einer Struktur – Kompetenz, Infrastruktur und Anwendungen. Nicht verwechselt werden sollte das KI:Expertisezentrum.nrw mit dem KI.NRW. Die Kompetenzplattform KI.NRW ist beim Fraunhofer IAIS angesiedelt und versteht sich als zentrale Anlaufstelle für das gesamte KI-Ökosystem Nordrhein-Westfalens. Sie vernetzt unter anderem KI-Anbieter, Unternehmen und Multiplikatoren und soll den Transfer aus der Forschung in die Wirtschaft stärken. Das KI:Expertisezentrum.nrw ist dagegen spezifisch auf den Hochschulbereich ausgerichtet.

Und die privaten Hochschulen?

Für private Hochschulen sieht diese Landschaft allerdings etwas anders aus. Das KI:Expertisezentrum.nrw spricht zwar von Angeboten für Hochschulangehörige in NRW, ist aber unter dem Dach der Digitalen Hochschule NRW entstanden und stark auf die gemeinsam organisierte Hochschulinfrastruktur des Landes ausgerichtet.

Private Hochschulen benötigen daher zusätzlich eigene Zugänge, Verbände und spezialisierte Partner. Eine wichtige Rolle übernimmt der Verband der Privaten Hochschulen (VPH). Mit seinem KI-Kompass untersucht er regelmäßig den KI-Einsatz an privaten Hochschulen; mit dem KI Tool Pool stellt er konkrete Anwendungen und Orientierungshilfen für Lehre, Forschung und Verwaltung zusammen. Website: private-hochschulen.net

Hinzu kommen auf private Hochschulen spezialisierte Anbieter wie TraiNex. Über das Campus-Management-System können Hochschulen den Zugang zu KI-Modellen unmittelbar mit den Daten und Prozessen des Campus verbinden. Daraus entstehen konkrete Anwendungen – etwa Chatbots, RAG-Systeme, KI-Assistenten und agentische Funktionen für Studium, Lehre und Verwaltung. TraiNex beschreibt diesen Ansatz selbst als Verbindung von relevantem Hochschulkontext mit dem jeweiligen Sprachmodell und der direkten Rückführung der Ergebnisse in das Campus-System. Website: campus-management-system.de/KI.html

Randnotiz: Wenn KI auch zur Personalfrage wird

Auf der Learning AID wies Ministerin Brandes zugleich auf eine zweite Entwicklung hin: In den kommenden fünf bis acht Jahren könnten 30 bis 40 Prozent der Verwaltungsmitarbeitenden im Hochschulbereich in den Ruhestand gehen; ob ausreichend Ersatz gefunden werden kann, sei ungewiss.

Damit bekommt die aktuelle KI-Diskussion noch eine zusätzliche Dimension. KI ist dann nicht mehr ausschließlich ein Thema für bessere Lehre oder effizientere Prozesse, sondern zunehmend auch eine Frage, wie Hochschulen ihre Arbeitsfähigkeit erhalten.

Hier liegt der Querbezug zum TraiNex-Forschungsansatz „Workforce as a Service (WaaS)“: Digitale Agenten sollen perspektivisch nicht nur Antworten liefern, sondern innerhalb definierter Rollen und Rechte auch Routineaufgaben der Hochschulverwaltung übernehmen und damit fehlende Arbeitskapazität ergänzen. Mehr dazu unter http://waas.ki-campus.eu

Das RAGI-Modell: KI-Anwendungen an Hochschulen systematisch klassifizieren

KI hält Einzug an Hochschulen — mal strategisch geplant durch die Hochschulleitung, mal durch spontane Einzelinitiativen. Studierende nutzen Chatbots zur Lernunterstützung, Verwaltungen experimentieren mit automatisierten Prozessen, Lehrende setzen adaptive Systeme ein. Doch bei aller Vielfalt fehlt bislang ein gemeinsamer Rahmen, um diese Anwendungen systematisch einzuordnen. Genau hier setzt das RAGI-Modell an.

Das RAGI-Modell — KI-Klassifikationsrahmen für Hochschulen
Das RAGI-Modell — KI-Klassifikationsrahmen für Hochschulen (zum Vergrößern anklicken)

Warum Hochschulen einen anderen Ansatz brauchen

Unternehmen können bei KI nach dem Prinzip „Technology first“ vorgehen: neue Abläufe einführen und danach innerhalb regulatorischer Rahmenbedingungen bewerten. Fuer oeffentliche Einrichtungen wie europaeische Hochschulen gilt das Gegenteil: Sie muessen KI-Systeme von Anfang an im Kontext institutioneller Verantwortung betrachten — und das, ohne die technologische Entwicklung vorherzusehen.

Erschwerend kommt hinzu, dass sich KI zunehmend von isolierten Hilfssystemen zu generalisierten, teils autonomen Anwendungen weiterentwickelt. Bislang fehlte ein anerkannter konzeptioneller Rahmen, der verschiedene KI-Systeme im Hochschulkontext systematisch klassifiziert und vergleichbar macht.

Das RAGI-Modell: Vier Dimensionen fuer eine fundierte Einordnung

Der Geschäftsführer der Trainings-Online GmbH stellte auf der internationalen EDULearn-Konferenz 2026 in Spanien das RAGI-Modell vor — ein Klassifikationsrahmen fuer KI-Systeme, der auf vier Dimensionen basiert:

  • R – Responsibility (Verantwortung): Metadimension, die institutionelle und ethische Steuerungsaspekte abbildet
  • A – Autonomy (Autonomie): In welchem Ausmass handelt das System selbststaendig?
  • G – Generality (Generalitaet): Ist das System auf eine Aufgabe spezialisiert oder breit einsetzbar?
  • I – Intelligence (Intelligenz): Wie komplex ist die kognitive Leistung des Systems?

Die drei Leistungsdimensionen A, G und I spannen einen Faehigkeitsraum auf, in dem sich jede KI-Anwendung verorten laesst. Die Verantwortungsdimension R ergaenzt diesen Raum als Steuerungsperspektive.

Anwendungsbeispiele aus dem Hochschulalltag

  • Raumoptimierungssysteme kombinieren Autonomie und Intelligenz, ohne generell einsetzbar zu sein. Sie handeln selbststaendig, aber in einem klar definierten Aufgabenbereich.
  • Lern-Chatbots verbinden Generalitaet und Intelligenz, agieren aber nicht autonom. Sie beantworten eine breite Palette von Fragen, warten aber stets auf Nutzereingaben.

Ein autonomes, allgemein intelligentes System (AGI) birgt andere Risiken als ein spezialisiertes Assistenzsystem — und erfordert entsprechend andere Governance-Massnahmen.

Verantwortung als Steuerungsprinzip

Das RAGI-Modell fragt gezielt, ob bestimmte Kombinationen der drei Leistungsdimensionen aus Verantwortungsgruenden begrenzt werden sollten — insbesondere solche, die zu hochgradig autonomen und allgemein intelligenten Systemen fuehren. Campus-Management-Systeme wie TraiNex verwalten heute Pruefungen, Zulassungen, Dokumente und Kommunikation. Je staerker KI in diese Prozesse integriert wird, desto wichtiger wird ein klarer Rahmen wie das RAGI-Modell.

Fazit

Das RAGI-Modell liefert einen einfachen, aber erweiterbaren Dimensionsrahmen, der technische Faehigkeiten von KI-Systemen mit ihrem institutionellen Anwendungskontext verknuepft. Fuer Entscheider an Bildungseinrichtungen schafft es die konzeptionelle Grundlage, um KI-Investitionen gezielt zu planen und verantwortungsvoll zu gestalten.

→ Zum vollstaendigen Paper auf ResearchGate (EDULearn 2026)

KI-Prompts auf Institutionsebene steuern: Neues Paper von TraiNex auf der EDULearn 2026

Wie stellt eine Hochschule sicher, dass KI-Tools zuverlässig, pädagogisch sinnvoll und konsistent genutzt werden — auch von Mitarbeitenden ohne Prompt-Expertise? Diese Frage stand im Mittelpunkt eines Beitrags, den Forscher der Trainings-Online GmbH und der TH OWL auf der 18. internationalen EDULearn-Konferenz im Juli 2026 in Palma vorstellten.

Konferenzposter: Prompt Governance in Higher Education (EDULearn 2026)
Konferenzposter der EDULearn 2026 — zum Vergrößern anklicken

Das Paper „Prompt Governance in Higher Education: Curated Prompt Libraries for Reliable AI Assistance“ stellt eine kuratierte Prompt-Bibliothek als Governance-Ansatz vor — direkt integriert in ein Campus-Management-System. Statt KI-Nutzung dem Zufall zu überlassen, können Hochschulen damit Prompts zentral verwalten, Zielgruppen steuern und die Nutzung monitoren.

Das System unterscheidet fünf Prompt-Typen: von frei bearbeitbaren Prompts über datenbankbasierte Abfragen bis hin zu agentengesteuerten Workflows, die etwa eigenständig Literaturrecherchen in externen Datenbanken durchführen. Eingebunden in einen Campus-Chat-Assistenten erkennt das System die Absicht des Nutzers und wählt automatisch passende Prompts aus — inklusive kontextueller Anreicherung aus Modulhandbüchern und Stundenplänen.

Der Ansatz zeigt: Verlässliche KI an Hochschulen braucht keine komplexe Infrastruktur — sondern kluge Einbindung in bestehende Systeme wie TraiNex.

→ Zum vollständigen Paper auf ResearchGate

Erkennt KI Gefühle? Empirische Qualitätsbewertung der Sentiment-Analyse im SMARTA-Projekt

Kann eine KI zuverlässig erkennen, ob ein Studierender frustriert, motiviert oder gleichgültig ist? Diese Frage stand im Mittelpunkt unserer empirischen Studie, die wir im Juli 2025 auf der EDULEARN-Konferenz in Palma de Mallorca vorgestellt haben.

Sentiment-Analyse Poster – SMARTA Projekt EDULEARN 2025
Sentiment-Analyse: KI vs. Mensch — zum Vergrößern anklicken

Sentiment-Analyse als Kernkomponente von SMARTA

Im SMARTA-Projekt entwickeln wir KI-gestützte Chatbots, die Studierende bei Motivation, Lernorganisation und persönlichen Herausforderungen begleiten. Damit die Chatbots einfühlsam reagieren können — auf Prokrastination, sozialen Druck oder Frustration — müssen sie den emotionalen Ton der Konversation präzise erfassen. Dafür setzen wir automatisierte Sentiment-Analyse ein.

Was die Studie untersucht hat

In einem Vergleichstest haben wir Sentiment-Klassifikationen von Sprachexperten, Studierenden und verschiedenen GPT-Modellen (GPT-3.5 und neuere Versionen) gegenübergestellt: wie gut erkennen die Modelle positive, negative und neutrale Aussagen? Qualitätsmetriken: Accuracy, Precision, Recall und Konfusionsmatrizen.

Das Ergebnis: GPT ist zuverlässiger als erwartet

Selbst ältere Modelle wie GPT-3.5 erkennen Sentiment mit hoher Zuverlässigkeit. Mit optimierten Prompts und neueren Modellen steigt die Übereinstimmung mit menschlichen Bewertungen weiter. Abweichungen treten vor allem bei neutralen Aussagen auf — einem Bereich, in dem auch menschliche Beurteilungen häufig divergieren. Daraus leiten wir ein neues Konzept ab: den Human-AI-Gap-Benchmark. KI-Performance sollte nicht an einer Fehlerquote von null gemessen werden, sondern im Verhältnis zur menschlichen Fehlerquote.

Rechtliche Einordnung: EU AI Act

Sentiment-Analyse ist trotz ihrer Zuverlässigkeit ein Black-Box-Prozess mit eingeschränkter Erklärbarkeit. Wir haben die Methode auf Konformität mit dem EU AI Act geprüft — ob sie unter Medical AI oder verbotene Emotionserkennung fällt. Unsere Lösung: Sentiment-Ergebnisse werden anonym gespeichert, der Chat-Verlauf wird unmittelbar nach dem Gespräch gelöscht.

Fazit

KI-gestützte Sentiment-Analyse ist praxistauglich und präzise genug für den Einsatz im Hochschulkontext. Im SMARTA-Projekt wird sie als vertrauenswürdiges Modul eingesetzt — ein weiterer Schritt zu einer KI, die nicht nur antwortet, sondern wirklich versteht.

→ Zum vollständigen Paper auf ResearchGate