Der Einsatz generativer KI im Studium nimmt stetig zu und umfasst unterschiedliche Formen der Unterstützung, Erweiterung, Delegation und Substitution studienbezogener Aufgaben. Während generative KI in einigen Situationen lediglich punktuell unterstützt, kann die Technologie in anderen Fällen wesentliche Teile der kognitiven oder aufgabenbezogenen Leistung übernehmen. Inwieweit ist deine tatsächliche KI-Nutzung für die Hochschule sichtbar? Nutzt du ausschließlich autorisierte KI-Systeme und kennzeichnest bzw. dokumentierst du deine KI-Nutzung vollständig, sofern diese Kennzeichnung bzw. Dokumentation institutionell erforderlich ist? Genau solche Nutzungssituationen gewinnen an Bedeutung, da Hochschulen durch KI-Richtlinien festlegen, welche KI-Systeme und Nutzungsszenarien zulässig sind und unter welchen Bedingungen die tatsächliche KI-Nutzung gekennzeichnet oder dokumentiert werden muss. Dabei kann Schatten-KI auf unterschiedlichen Ebenen auftreten: Einerseits kann ein KI-System außerhalb der institutionellen Autorisierung genutzt werden, andererseits kann auch die konkrete Nutzung eines grundsätzlich zulässigen Systems außerhalb der vorgesehenen Transparenz- und Dokumentationsmechanismen stattfinden. Darüber hinaus unterscheiden sich diese Nutzungsepisoden darin, wie stark generative KI in die eigentliche Aufgabenbearbeitung eingreift, von unterstützend über erweiternd und auslagernd bis hin zu ersetzend. Somit kann sich Schatten-KI in unterschiedlichen Konfigurationen aus institutioneller Einbettung, tatsächlicher KI-Beteiligung sowie dem Verhältnis zwischen erforderlicher und tatsächlicher Offenlegung manifestieren.

Die Untersuchung der Entstehung von Schatten-KI kann erklären, warum Studierende die Technologie außerhalb institutionell vorgesehener Steuerungs- oder Transparenzmechanismen nutzen. Allerdings gibt dieser Ansatz noch keinen Aufschluss darüber, welche konkrete Form diese Nutzung anschließend annimmt. Eine ausschließlich binäre Unterscheidung zwischen Schatten-KI und institutionell eingebetteter bzw. regelkonformer KI-Nutzung greift hierbei zu kurz, da sich einzelne Episoden der Schatten-KI sowohl hinsichtlich der institutionellen Einbettung als auch der tatsächlichen KI-Beteiligung sowie dem Verhältnis zwischen erforderlicher und tatsächlicher Offenlegung erheblich unterscheiden können. So können sowohl die unterstützende Nutzung eines nicht autorisierten KI-Systems als auch die ersetzende Nutzung eines grundsätzlich zulässigen KI-Systems bei fehlender Offenlegung Formen von Schatten-KI darstellen. Gleichzeitig sind diese Nutzungsformen für sich genommen nicht charakteristisch für Schatten-KI, da es auch innerhalb vollständig regelkonformer und transparenter KI-Nutzung auftreten können. Es fehlt daher an einer empirisch fundierten Systematisierung, welche die institutionelle Einbettung, die tatsächliche KI-Beteiligung und die Offenlegungstransparenz gemeinsam betrachtet und daraus unterschiedliche Schatten-KI-Konfigurationen ableitet.

Vor diesem Hintergrund zielt die vorliegende Projektarbeit im Rahmen einer qualitativen Interviewstudie darauf ab, konkrete GenAI-Nutzungsepisoden zu erfassen und unterschiedliche Manifestationsformen von Schatten-KI empirisch zu untersuchen. Die Interviews werden transkribiert und ausgewertet, um daraus empirisch relevante Manifestationsdimensionen und wiederkehrende Nutzungskonfigurationen abzuleiten. Dabei dienen die institutionelle Einbettung bzw. Autorisierung der KI-Nutzung, der Grad der KI-Beteiligung an der Aufgabenbearbeitung sowie das Verhältnis zwischen institutionell erforderlicher und tatsächlich erfolgter Offenlegung als zunächst theoretisch begründete Orientierungspunkte. Auf dieser Grundlage soll untersucht werden, welche Dimensionen sich in den konkreten Nutzungsepisoden bestätigen, wie gegebenenfalls eine Weiterdifferenzierung oder Ergänzung aussehen könnte und welche wiederkehrenden Schatten-KI-Konfigurationen sich daraus ergeben. Basierend auf diesen empirischen Erkenntnissen wird im Rahmen eines DSR-Prozesses nach Peffers et al. (2007) ein multidimensionaler Klassifikationsrahmen für studienbezogene Schatten-KI-Konfigurationen erstellt. Dieses Modell umfasst einen Schatten-KI-Konfigurationsraum, eine Klassifikationsmatrix, Entscheidungsregeln sowie exemplarische Referenzfälle. Mithilfe dieses Artefakts sollen konkrete Nutzungsepisoden systematisch eingeordnet werden. Zum Beispiel sollen werkzeugbasierte, nutzungsbasierte und kombinierte Formen von Schatten-KI unterschieden und zugleich abgebildet werden, in welcher Form generative KI innerhalb der jeweiligen Episode unterstützend, erweiternd, auslagernd oder ersetzend eingesetzt wird. Die prototypische Ausgestaltung des Klassifikationsrahmens wird durch eine fallbasierte Demonstration und anwendungsorientierte Evaluation überprüft. Auf diese Weise sollen Verständlichkeit, Vollständigkeit, Trennschärfe und praktische Anwendbarkeit des Klassifikationsrahmens beurteilt werden.

Projektbeschreibung

Zunehmend organisieren Unternehmen die Daten dezentral und stellen standardisierte Datenprodukte für unterschiedliche Fachbereiche bereit. Insbesondere im Rahmen von „Data-Mesh“-Architekturen sollen Domänen-Teams möglichst eigenständig auf relevante Daten zugreifen und die Daten für Analysen oder operative Entscheidungen nutzen können. In der Praxis erfolgt der Zugriff jedoch häufig über umfangreiche Datenkataloge. In diesen müssen zunächst geeignete Datenquellen, Tabellen und bestehende Datenprodukte identifiziert und anschließend manuell miteinander kombiniert werden. Warum sollten Fachanwender komplexe Datenkataloge durchsuchen müssen, wenn es möglich wäre, den Informationsbedarf direkt in natürlicher Sprache zu formulieren? Generative KI bietet die Möglichkeit, fachliche Anforderungen zu interpretieren, vorhandene Datenquellen automatisiert zu identifizieren und daraus bedarfsgerecht neue Datenprodukte zusammenzustellen.

Bestehende Datenmarktplätze und Datenkataloge unterstützen Anwender vor allem bei der Suche und Bereitstellung bereits vorhandener Datenprodukte. Komplexere Analyseanforderungen erfordern jedoch häufig die Kombination mehrerer Datenquellen. In diesem Fall müssen Fachanwender zunächst geeignete Datenbestände identifizieren und über technische Kenntnisse bezüglich Datenmodellen, Beziehungen oder Abfragestrukturen verfügen. Dadurch entsteht eine Lücke zwischen der fachlichen Informationsanforderung und der technischen Bereitstellung eines nutzbaren Datenprodukts. Gleichzeitig müssen bei der automatisierten Zusammenstellung neuer Datenprodukte verschiedene Vorgaben, Zugriffsrechte und Metadaten berücksichtigt werden. Es fehlt daher an einer intuitiven Lösung, die natürlichsprachlich formulierte Geschäftsanforderungen automatisiert mit vorhandenen Datenbeständen verknüpft und unmittelbar nutzbare, strukturierte und regelkonforme Datenprodukte erzeugt.

Vor diesem Hintergrund zielt die vorliegende Projektarbeit auf die Konzeption, prototypische Entwicklung und Evaluation eines generativen Datenmarktplatzes zur bedarfsorientierten Erstellung von Datenprodukten ab. Die Anwender sollen in der Lage sein, fachliche Informationsbedarfe in natürlicher Sprache zu formulieren. Das entwickelte System soll diese Anforderung interpretieren, relevante Metadaten und Datenquellen innerhalb eines Datenkatalogs identifizieren und daraus dynamisch ein geeignetes Datenprodukt in Form einer temporären logischen Ansicht erzeugen. Vor der Bereitstellung sollen bestehende Vorgaben zur Unternehmenssteuerung und Zugriffsrechte automatisiert berücksichtigt werden. Im Rahmen eines DSR-Prozesses nach Peffers et al. (2007) wird ein prototypisches Artefakt entwickelt, das eine natürlichsprachliche Benutzerschnittstelle, eine Komponente zur Interpretation fachlicher Anforderungen, eine Metadaten- und Datenquellenzuordnung sowie die automatisierte Generierung umfasst. Zur Demonstration und Evaluation des Artefakts werden öffentliche oder synthetisch erzeugte Datensätze in eine realitätsnahe Unternehmensdatenlandschaft überführt und unterschiedliche Anwendungsszenarien umgesetzt. Auf diese Weise soll untersucht werden, inwieweit sich komplexe fachliche Datenanforderungen automatisiert in geeignete, nachvollziehbare und regelkonforme Datenprodukte überführen lassen.

Projektbeschreibung