KI in der Gründungsförderung: Sparringspartner statt Ersatzbank

Markierte Begriffe werden im Glossar unten weiter erläutert.

„Denken ist wie ein Muskel, den man selbst trainieren muss“, davon ist Prof. Dr. Athanassios Pitsoulis überzeugt. Als Leiter der Gründungsförderung KET (Kompetenzwerkstatt für Entrepreneurship und Transfer) an der Universität Hildesheim und Ausbilder angehender Wirtschaftslehrkräfte weiß er genau, wovon er spricht. In seiner Forschung und Lehre beschäftigt er sich auch intensiv mit der Frage, wie unternehmerische Kompetenzen und Kreativität im Zeitalter Künstlicher Intelligenz erhalten bleiben. Gerade weil KI viele Routinen erleichtert, warnt er davor, das eigene Denken an Algorithmen zu delegieren.

Im Interview spricht er über den pragmatischen „Hands-on“-Einsatz von KI im Studium, die Risiken einer übermäßigen „KI-Optimierung“ und die Frage, warum die Eigenleistung beim Denken trotz technischer Unterstützung unverzichtbar bleibt.
 

Herr Pitsoulis, Sie betreuen in der universitären Ausbildung zwei sehr unterschiedliche Zielgruppen. Wie bringen Sie die Studierenden aus der Gründungsförderung mit den Studierenden aus dem Lehramt zusammen?

Pitsoulis: Wir nutzen in Hildesheim starke Synergien. Wir bilden rund 30 % der niedersächsischen Lehrkräfte im Bereich Wirtschaft (Sekundarstufe 1) aus. Indem wir die Entrepreneurship Education im Lehramt mit der Qualifizierung unserer Gründerinnen und Gründer koppeln, profitieren beide Seiten. Wir bringen den Studierenden beispielsweise das Thema Schülerfirmen nahe – ein Bereich, von dem viele zwar gehört, aber den sie nie aktiv miterlebt haben.

Wie präsent ist das Thema KI bereits in Ihren Seminaren und hilft die Technik dabei, schneller bessere Geschäftsideen zu entwickeln?

Ja – KI kann helfen, Geschäftsideen schneller zu schärfen, wenn sie als Sparringspartner eingesetzt wird und nicht als Denk-Ersatz. Genauso nutze ich sie in meinen Seminaren. In der Lehramtsausbildung befinden wir uns dabei gerade in einem spannenden Suchprozess. Während Studierende sehr aufgeschlossen sind, erleben wir an manchen Partnerschulen noch Skepsis. Umso wichtiger ist es, den Umgang mit KI praktisch zu erproben.

Deshalb arbeite ich in meinen Seminaren mit einem klaren „Hands-on“-Ansatz: Wir entwickeln Unterrichtsentwürfe live im Dialog mit ChatGPT oder einem anderen Programm. Wichtig ist dabei: Man sollte sich nie auf nur ein Modell verlassen. Wir vergleichen die Outputs verschiedener LLMs (Large Language Models) wie ChatGPT, Claude oder Gemini und prüfen den Output fachlich: Ist das korrekt? Ergibt das Sinn? Erst wenn die Qualität stimmt, arbeiten die Studierenden damit weiter.

Die KI fungiert hier als Sparringspartner für komplexe Themen wie Marktwirtschaft oder Gründungsfragen. Und das funktioniert nur mit dem richtigen Prompt Engineering. Ein Beispiel: Man kann der KI befehlen: „Reagiere wie ein kritischer Angel-Investor auf meine Idee.“. Das verbessert das Vorhaben und entlastet die Gründungsberatung bei den ersten Schritten.
 

Hilft KI auch dabei, den Lernstoff besser an den Einzelnen anzupassen und welche Tools würden Sie dafür Lehrkräften empfehlen?

Pitsoulis: Ja – KI wird bereits intensiv zur individuellen Aufbereitung von Lernstoff genutzt, oft sogar schon „von unten“, ohne dass wir Lehrenden es immer merken. Viele Studierende kennen sich hervorragend aus und nutzen KI bereits ganz selbstverständlich zur Individualisierung: Sie laden Vorlesungsfolien oder Videos in Tools wie NotebookLM hoch, um den Stoff für sich persönlich aufzubereiten. Das ist eine echte Demokratisierung des Lernprozesses, bringt aber auch wichtige Fragen zum Urheberrecht mit sich, die wir im Studium dringend thematisieren müssen.

In der klassischen Zusammenarbeit mit den Studierenden greife ich vor allem auf die klassischen KI-Chatbots zurück. Entscheidend ist dabei der Vergleich: Wo liegen die Unterschiede zwischen den großen Anbietern – und wo haben spezialisierte Anwendungen wie ElevenLabs für Speech-to-Text oder Bild-KIs wie Nano Banana ihre Stärken?

Entscheidend bleibt bei all diesen Tools der kritische Blick – besonders bei den neuen Reasoning-Modellen, die ihren eigenen Output noch einmal prüfen. Das ist technisch zwar beeindruckend, birgt aber eine Gefahr: Wenn die KI einen Fehler einmal nicht selbst erkennt, produziert sie im schlimmsten Fall fehlerhafte Lehrmaterialien oder Multiple-Choice-Tests für ganze Klassen. KI kann ein guter Assistent sein, entbindet uns aber nicht von der fachlichen Endkontrolle.
 

„KI ist exzellent für Routineaufgaben, aber für echte Innovation braucht es Gehirnschmalz.“
 

Welche Risiken sehen Sie bei dieser Entwicklung?

Pitsoulis: Wir müssen aufpassen, dass wir Kreativität und echtes Nachdenken nicht komplett abwälzen. KI ist exzellent für Routineaufgaben, aber für echte Innovation ist „Gehirnschmalz“ unverzichtbar. Wir brauchen dringend mehr AI-Literacy, also ein fundiertes Verständnis für Chancen und Grenzen der Technologie ebenso wie für Fragen des Datenschutzes. Eine große Gefahr ist aus meiner Sicht „KI-Pingpong“ – wenn Studierende Arbeiten von der KI schreiben lassen und Dozenten diese mit KI bewerten, geht es am Ende nicht mehr um Inhalte, sondern nur noch um das Bedienen von Algorithmen.

Was geben Sie angehenden Gründerinnen und Gründern, sowie Studierenden mit auf den Weg?

Pitsoulis: Unternehmerisches Denken lernt man am besten erfahrungsbasiert. KI kann entlasten, korrigieren und strukturieren – aber sie kann keine unternehmerische Kompetenz vermitteln. Sie ersetzt nicht das Gespräch mit einer in Gründungsberatung sehr erfahrenen Person, die hunderte echte Fälle miterlebt und gigantisches Erfahrungswissen hat, und schon gar kein Netzwerk.

Nutzt die KI als Werkzeug, als Sparringpartner, aber bleibt selbst die Entscheider!
 

Glossar:

AI-Literacy: Die Fähigkeit, Systeme der Künstlichen Intelligenz zu verstehen, kritisch zu bewerten und effektiv im Alltag oder Berufsleben einzusetzen. Es geht nicht nur um technische Bedienung, sondern auch um das Bewusstsein für ethische Fragen und Grenzen der Technologie.

LLMs (Large Language Models): Hochentwickelte KI-Modelle (wie GPT-4 oder Claude), die auf riesigen Textmengen trainiert wurden. Sie können menschliche Sprache verstehen, Texte generieren, übersetzen und komplexe Zusammenhänge in natürlicher Sprache ausgeben.

Prompt Engineering: Die Kunst und Technik, präzise Anweisungen (Prompts) für eine KI zu formulieren. Durch gezieltes Prompting lassen sich die Qualität und die Relevanz der KI-Antworten massiv steigern – etwa indem man der KI eine bestimmte Rolle (z. B. „Angel-Investor“) zuweist.

Reasoning-Modelle: Eine neue Generation von KI-Modellen, die nicht nur das nächste Wort vorhersagen, sondern „nachdenken“. Sie gehen logisch Kette für Kette durch, prüfen ihre eigenen Zwischenergebnisse und korrigieren sich bei Bedarf selbst, bevor sie die endgültige Antwort ausgeben.