1. Einleitung und Kontext der Session

Die Session "KI in der Lehre der Spielwissenschaften" fand im Rahmen der DGSW-Jahreskonferenz 2026 in Darmstadt statt. Sie griff eine Frage auf, die inzwischen sowohl die Hochschullehre als auch die berufliche Praxis in der Games-Branche prägt: Wie lässt sich Lehre gestalten, wenn generative KI nicht mehr als Sonderfall, sondern als alltägliche Infrastruktur wissenschaftlicher, kreativer und technischer Arbeit verstanden werden muss (Deutsche Forschungsgemeinschaft, 2023)? Die Session war dokumentierend und diskussionsorientiert angelegt. Am Beginn standen Impulse zur KI-Handreichung des Instituts für Geographie der Universität Augsburg sowie zur Bedeutung von KI-Kompetenzen in der Spielebranche. Daran anschließend wurden Konsequenzen für Lehrformate, Prüfungen, Kompetenzziele und das Selbstverständnis der Spielwissenschaft diskutiert.

Der Ausgangspunkt war nicht die Frage, ob KI in der Lehre vorkommen sollte. Diese Frage wurde in der Session weitgehend als überholt betrachtet. Vielmehr ging es darum, wie Studierende, Lehrende und Institutionen mit einer Situation umgehen können, in der KI-Systeme bereits in Text-, Bild-, Code-, Analyse- und Organisationsprozessen eingebettet sind. Damit verschiebt sich der Fokus von der Kontrolle einzelner Werkzeuge auf die Gestaltung von Lernumgebungen, in denen Verantwortlichkeit, Transparenz und Urteilskraft sichtbar werden. Für die Spielwissenschaft ist diese Frage besonders dringlich, weil sie technische, ästhetische, narrative, soziale und wirtschaftliche Dimensionen verbindet. KI betrifft hier nicht nur wissenschaftliches Schreiben, sondern auch Game Design, Programmierung, Art Production, Balancing, Konzeptentwicklung, Analyse, usw..

2. Impulse: Vertrauen, Transparenz und Aushandlung

Der erste Impuls stellte die KI-Handreichung des Instituts für Geographie der Universität Augsburg als Beispiel für einen pragmatischen und zugleich normativ reflektierten Umgang mit generativer KI vor (Institut für Geographie der Universität Augsburg, 2024). Die Handreichung beruht auf der Annahme, dass Verbote und Detektionslogiken allein nicht ausreichen, um wissenschaftliche Integrität im KI-Zeitalter zu sichern. Stattdessen verbindet sie sieben Grundsätze:

1. Vertrauen darin, dass Studierende eigene Kompetenzen aufbauen wollen

2. Verantwortung natürlicher Personen für kreative und intellektuelle Leistungen

3. Orientierung der erlaubten KI-Nutzung an den jeweils zu erwerbenden Kompetenzen

4. Transparenz in der Nutzung

5. Möglichkeit begründeter Ausnahmen

6. Klärung ethischer Verantwortung

7. Betonung von Selbstständigkeit, kritischem Denken und Eigenleistung.

Für die Diskussion war besonders relevant, dass diese Grundsätze nicht als starres Regelwerk vorgestellt wurden. Vielmehr wurde die Lehrveranstaltung als Aushandlungsraum verstanden, in dem produktive Unsicherheit didaktisch nicht nur minimiert, sondern bearbeitet wird (Kaiser & Timpf, 2026). Lehrende machen transparent, welche Kompetenzen erworben werden sollen, und leiten daraus Regeln für den KI-Einsatz ab. Diese Regeln werden mit Studierenden diskutiert, schriftlich festgehalten und im Verlauf der Lehre überprüft. Die transparente Dokumentation von KI-Nutzung - etwa in Form einer KI-Transparenz-Tabelle oder eines Prompt-Protokolls - wird dabei nicht nur als Absicherung gegen Täuschung verstanden, sondern als Teil wissenschaftlicher Praxis. Sie macht sichtbar, wie Erkenntnisse, Texte, Artefakte oder Analysen entstanden sind.

Damit knüpft der Impuls an eine breitere Debatte über wissenschaftliche Normen und epistemische Kulturen an (Knorr Cetina, 1999; Merton, 1973; Pritchard, 2013). Wenn KI-Systeme als epistemische Infrastruktur wirken, reicht es nicht, sie als bloße Werkzeuge zu behandeln. Sie strukturieren, welche Vorschläge sichtbar werden, welche Formulierungen plausibel erscheinen und welche Arbeitsweisen als effizient gelten. Die Frage nach wissenschaftlicher Integrität ist deshalb nicht nur eine Frage der Endprodukte, sondern auch eine Frage der Prozesse, Rollen und Verantwortlichkeiten. In diesem Sinne wurde die Hochschullehre als zentraler Ort der Normbildung beschrieben: Hier können Studierende lernen, KI nicht nur zu bedienen, sondern ihre Nutzung fachlich, ethisch und methodisch zu begründen.

3. Industrie, Studierende und der neue Qualifikationsdruck

Ein zentraler Diskussionsstrang betraf die Spannung zwischen den Erwartungen der Games-Branche und den Haltungen vieler Studierender und Lehrender. Aus der Perspektive der beruflichen Praxis wurde deutlich, dass KI-Kompetenzen in Teilen der Industrie bereits als selbstverständliche Voraussetzung gelten. Im Feld des Coding, der Konzeptentwicklung oder Produktionsunterstützung wird KI beispielhaft intensiv genutzt. Zugleich wurde darauf hingewiesen, dass diese Nutzung nach außen nicht immer offen kommuniziert wird, etwa weil Auftraggebende oder Kund:innen KI-generierte Bestandteile kritisch sehen könnten. Dadurch entsteht eine doppelte Unsichtbarkeit: KI ist einerseits faktisch präsent, andererseits wird ihr Einsatz sozial, ästhetisch oder wirtschaftlich nicht immer anerkannt.

Dem stand in der Diskussion die Beobachtung gegenüber, dass Studierende keineswegs pauschal technikbegeistert auf KI reagieren. Vielmehr wurde von deutlicher Skepsis bis Ablehnung berichtet, insbesondere dort, wo (nicht nur) Studierende den Verlust von Wertschätzung für handwerkliches Können befürchten. Der Begriff "KI-Slop" stand in der Diskussion stellvertretend für die Sorge, dass massenhaft generierte Inhalte ästhetische Standards absenken, kreative Arbeit entwerten und Lernprozesse abkürzen. Gerade in gestalterischen Studiengängen ist diese Sorge nicht bloß Erregungspunkt, sondern scheint eng mit Zukunftsängsten verknüpft. Sie verweist auf die Frage, was es bedeutet, ein Handwerk zu erlernen, wenn ein Werkzeug scheinbar schneller, besser oder marktfähiger produziert als jemand der sich gerade für diesen Berufszweig entschieden hat und entsprechende Arbeitserfahrung noch machen muss.

Die Session machte damit eine zentrale Herausforderung der Lehre sichtbar: Studierende müssen auf eine Arbeitswelt vorbereitet werden, in der KI-Kenntnisse erwartet werden, ohne dass die Ausbildung sich vollständig an kurzfristigen industriellen Effizienzlogiken ausrichtet darf. Es reicht nicht, KI-Nutzung als einfache Ausführungskompetenz zu vermitteln. Ebenso wichtig ist die Fähigkeit, weiterhin auch ohne KI arbeiten zu können, den Unterschied zwischen eigener Leistung und assistierter Produktion zu reflektieren und die Bedingungen kreativer Arbeit nicht allein vom Output her zu bewerten, sondern auch in einen größeren Zusammenhang einordnen zu können.

4. Verschiebung der Kompetenzen

Die Diskussion zeigte, dass KI nicht einfach bestehende Kompetenzen ersetzt, sondern ihre Gewichtung verändert. Für den Bereich des Coden wurde zugespitzt formuliert, dass künftig das Lesen, Verstehen und Bewerten von Code wichtiger werden könnte als das reine Schreiben einzelner Codezeilen. Wer KI-generierten Code nutzt, muss Systeme, Architekturen, Beziehungen und Fehlerbilder verstehen. Ähnliches gilt für Design- und Art-Prozesse: Auch wenn KI mögliche Werkzeuge zur Generierung von Assets, Ideen oder Varianten bereitstellt, bleibt die Fähigkeit entscheidend, Qualität zu beurteilen, Zusammenhänge zu erkennen und Artefakte in ein konsistentes gestalterisches Konzept einzubetten.

Mehrfach wurde betont, dass handwerkliche Kompetenzen dennoch nicht verschwinden. Sie bleiben als Grundlage des Verstehens, als Korrektiv und als Backup relevant. In der Diskussion wurde dies mit dem Bild des Autopiloten verglichen: Auch wenn Systeme viele Routinen übernehmen, muss menschliche Kompetenz im kritischen Moment vorhanden sein und richtig eingesetzt werden können. Für die Lehre bedeutet das, grundlegende Fertigkeiten zentral bleiben und nicht vorschnell aufgegeben werden sollten. Studierende müssen erfahren, wie ein gutes Mesh, ein belastbarer Prototyp, ein tragfähiges Game-Konzept oder eine saubere wissenschaftliche Argumentation ohne automatisierte Abkürzungen entsteht. Erst auf dieser Grundlage kann reflektiert entschieden werden, welche Prozesse sinnvoll an KI-Systeme delegiert werden können.

Neben fachlichen und handwerklichen Kompetenzen rücken vor allem metakognitive und reflexive Kompetenzen in den Vordergrund. Genannt wurde unter anderem die Fähigkeit, gute Fragen zu stellen, KI-Ergebnisse kritisch zu prüfen, Fehler systematisch zu (unter-)suchen und die eigene Beziehung zu KI fortwährend zu reflektieren. Besonders prägnant war die Formulierung, dass auch "Denken, Fasten, Warten" zu grundlegenden Zukunftskompetenzen werden könnten. Gemeint war damit die Fähigkeit, nicht jedem Vorschlag des Systems vorschnell zu folgen, sondern Distanz, Verzögerung und eigene Urteilsbildung als Teil des Lernprozesses zu kultivieren.

5. Prüfungen zwischen Täuschungsverdacht und Prozessbewertung

Ein weiterer Schwerpunkt lag auf Prüfungsformen. Die Diskussion machte deutlich, dass generative KI viele bisherige Prüfungsformate unter Druck setzt. Hausarbeiten, Konzepte, Codefragmente oder gestalterische Ergebnisse können oftmals mit KI-Unterstützung so erzeugt werden, dass echte Kompetenz vorgetäuscht wird. Gleichzeitig ist der Nachweis nicht deklarierter KI-Nutzung offenzulegen technisch und rechtlich schwierig. Detektionssysteme gelten als unsicher, während zugleich neue Formen wissenschaftlichen Fehlverhaltens und organisierter Täuschung diskutiert werden (DFG, 2023; Sabel & Larhammar, 2025). Die Beweislast liegt im Konfliktfall in der Regel nicht bei den Studierenden, sondern bei den Prüfenden. Daraus entsteht für Lehrende eine problematische Situation: Wer ausschließlich auf Kontrolle setzt, riskiert pauschale Verdächtigungen; wer KI einfach zulässt, muss klären, wie Eigenleistung noch bewertbar bleibt.

Als mögliche Antwort wurde in der Session eine Verschiebung von der Bewertung des Endprodukts zur Bewertung des Entstehungsprozesses diskutiert. Diese Verschiebung passt zu einer kompetenzorientierten Hochschuldidaktik, in der Prüfungsformen an Lernzielen und nicht nur an leicht abprüfbaren Formaten ausgerichtet werden. Portfolioprüfungen, kontinuierliche Zwischenstände, Arbeitsprotokolle, Kolloquien, mündliche Reflexionen, und Peer-Feedback können sichtbar machen, wie Studierende arbeiten, welche Entscheidungen sie treffen und wie sie mit KI-Unterstützung umgehen. Dabei geht es nicht darum, jede Eingabe oder jeden Arbeitsschritt bürokratisch zu überwachen. Entscheidend ist vielmehr, dass Lernwege, Begründungen und Revisionen prüfbar werden und Teil des gegenseitigen Lernprozesse werden.

Für die Spielwissenschaft liegt darin eine besondere Chance. Da Games ohnehin in iterativen Prozessen entstehen, lassen sich formative und prozessorientierte Prüfungsformen fachlich gut begründen. Prototyping, Playtesting, Versionsstände, Designentscheidungen, Reflexionsberichte und Präsentationen können zusammen ein differenzierteres Bild von Kompetenz ergeben als ein einzelnes finales Artefakt. Zugleich wurde betont, dass solche Formate nicht beliebig eingeführt werden können. Prüfungsordnungen, Ressourcen, Gruppengrößen und Betreuungskapazitäten setzen Grenzen. Die Session dokumentierte daher keine fertige Lösung, sondern eine Suchbewegung: Prüfungen müssen rechtssicher, praktikabel und kompetenzorientiert weiterentwickelt werden.

6. KI als Gegenstand der Lehre

Neben Prüfungsfragen ging es um didaktische Strategien. Ein wiederkehrender Gedanke war, KI nicht nur als erlaubtes oder verbotenes Hilfsmittel zu behandeln, sondern selbst zum Gegenstand der Lehre zu machen. Diese Perspektive schließt an die hochschuldidaktische Frage an, welche Rolle Lehrende in KI-gestützten Lernumgebungen aktiv übernehmen (Zawacki-Richter et al., 2019). In einem flipped-classroom-artigen Setting könnten Studierende beispielsweise KI-generierte Kritik, Konzepte oder Lösungsvorschläge vorbereiten und diese anschließend gemeinsam analysieren. Dadurch verschiebt sich die Aufgabe von der bloßen Produktion hin zur Bewertung: Was erkennt das System? Was übersieht es? Welche Annahmen sind in den Vorschlägen enthalten? Welche ästhetischen, technischen oder spielmechanischen Konventionen reproduziert es?

Diese Perspektive ist für die Spielwissenschaft besonders produktiv, weil KI nicht nur Texte erzeugt, sondern auch Vorstellungen davon, was als Spielidee, Stil, Levelstruktur oder Nutzererfahrung plausibel erscheint. Lehre kann hier sichtbar machen, dass KI-Systeme nicht neutral sind. Sie sind in Daten, Märkte, Plattformen und Erwartungen eingebettet. Entsprechend wurde auch die Frage nach Kosten und Unabhängigkeit angesprochen: Wer bezahlt letztlich die Infrastruktur, auf der Lehre und kreative Praxis aufbauen? Welche Abhängigkeiten entstehen, wenn zentrale Werkzeuge kostenpflichtig oder in Betriebssysteme und Kreativsoftware integriert sind?

Die dokumentierten Diskussionsbeiträge liefen in einer gemeinsamen Leitfrage zusammen: Wofür wollen wir KI nutzen, was wollen wir ersetzen und was wollen wir bewusst behalten und selbst machen? Diese Frage verschiebt die Debatte von einer defensiven Reaktion auf neue Werkzeuge zu einer aktiven Gestaltung von Lehrkultur. KI-Nutzung wird damit nicht als Selbstzweck verstanden, sondern an Lernzielen, professionellen Standards und ethischen Kriterien gemessen.

7. Offene Fragen und nächste Schritte für die DGSW

Am Ende der Session standen mehr Fragen als Antworten. Genau darin lag jedoch ihr produktiver Wert. Für die DGSW und die Spielwissenschaft ergeben sich mehrere Anschlussaufgaben. Erstens braucht es Räume, in denen Lehrende Erfahrungen zu KI-Regeln, Transparenzformaten, Prüfungsformen und Kompetenzzielen austauschen können. Einzelne Institute und Studiengänge entwickeln bereits pragmatische Lösungen, doch diese bleiben häufig lokal. Eine fachgesellschaftliche Sammlung von Beispielen, Vorlagen und Reflexionen könnte helfen, nicht überall bei null zu beginnen.

Zweitens sollte die Spielwissenschaft eigene Kompetenzmodelle für den Umgang mit KI entwickeln. Allgemeine KI-Kompetenz reicht für ein interdisziplinäres Feld wie Games nicht aus. Benötigt werden Modelle, die technische, gestalterische, narrative, analytische und ethische Dimensionen zusammendenken. Dabei wäre zu klären, welche Grundlagen unverzichtbar bleiben, welche Tätigkeiten sinnvoll unterstützt werden können und wie Studierende lernen, maschinelle Vorschläge in komplexe kreative und wissenschaftliche Prozesse einzuordnen.

Drittens ist eine Debatte über Prüfungsstandards erforderlich. Wenn Prozessbewertung, Portfolios und Kolloquien wichtiger werden, müssen auch institutionelle Rahmenbedingungen angepasst werden. Die Session zeigte, dass der Wunsch nach besser geeigneten Prüfungsformen vorhanden ist, dass aber rechtliche und organisatorische Fragen ungelöst bleiben. Hier könnte die DGSW eine vermittelnde Rolle zwischen Hochschuldidaktik, Studiengangsentwicklung, Prüfungsrecht und Fachcommunity einnehmen und als entsprechende Austauschplattform dienen.

Viertens bleibt die Frage der Haltung zentral. Eine verantwortliche Lehre sollte weder in Technikablehnung noch in unkritische Anpassung verfallen. Sie muss Studierenden ermöglichen, KI souverän zu nutzen, aber auch Nein sagen zu können. Sie muss industrielle Realitäten ernst nehmen, ohne Kreativität auf Effizienz zu reduzieren. Und sie muss wissenschaftliche Integrität nicht primär als Kontrollproblem, sondern als gemeinsam einzuübende Praxis verstehen.

8. Fazit

Die Session "KI in der Lehre der Spielwissenschaften" dokumentierte einen Transformationsmoment. Generative KI verändert nicht nur Werkzeuge, sondern Erwartungen, Kompetenzen, Prüfungen und Normen grundlegend bzw. stellt vorhandene Fragen dringlicher und in neuem Kontext. Für die Lehre bedeutet dies, dass einfache Antworten nicht ausreichen. Weder pauschale Verbote noch pauschale Freigaben lösen die grundlegenden Fragen nach Verantwortung, Eigenleistung und Bewertung.

Als tragfähige Orientierung zeichnete sich in der Diskussion ein Dreiklang ab: Vertrauen statt Generalverdacht, Transparenz statt unsichtbarer Nutzung und Kompetenzorientierung statt bloßer Tool-Fixierung. Die Spielwissenschaft kann dabei von ihrer eigenen Nähe zu iterativen, kreativen und interdisziplinären Prozessen profitieren. Sie ist gut positioniert, KI nicht nur als Störung, sondern als Anlass zur Weiterentwicklung von Lehr- und Prüfungskultur zu verstehen.

Offen bleibt, wie diese Einsichten in Curricula, Prüfungsordnungen und institutionelle Standards übersetzt werden können. Die Session machte jedoch deutlich, dass die zentrale Aufgabe nicht darin besteht, KI aus der Lehre herauszuhalten. Entscheidend ist vielmehr, Lernräume zu schaffen, in denen Studierende und Lehrende gemeinsam klären, welche menschlichen Fähigkeiten im Umgang mit KI besonders wichtig werden: Kritisches Denken, gestalterisches Urteil, wissenschaftliche Redlichkeit als epistemische Tugend, technische Souveränität und die Fähigkeit, den eigenen Arbeitsprozess verantwortungsvoll zu erklären.

Transparenzerklärung

Dieser Beitrag wurde auf Grundlage der bereitgestellten Konferenzinformationen, der Session-Vorträge und der Notizen im Verlauf der Veranstaltung mit Hilfe von KI entworfen und redaktionell strukturiert. Die inhaltliche Verantwortung liegt bei den Autor:innen.