How I Actually Use AI as a Student

The Honest Starting Point

I was skeptical at first. Not of AI in general, but of the way people talked about it — as if it would do your work for you and no one would notice. That framing always felt off to me. It also felt like a good way to graduate without actually knowing anything.

What changed my mind was not a productivity hack or a YouTube tutorial. It was a deadline. I had three assignments due in the same week and a study group that had fallen apart. I needed to work faster without producing worse output. That pressure forced me to figure out, very quickly, what AI was actually useful for and what it was not.

Six months later, AI is embedded in most of what I do academically. But the way I use it looks nothing like what most people seem to imagine when they hear "students using AI."

Understanding Lecture Material Faster

Business informatics involves a lot of concepts that sit at the intersection of IT and management — topics where the textbook explanation is either too abstract or too shallow depending on which direction you're coming from. I often found myself understanding the words but not the point.

My fix: after a lecture, I write a short summary of what I think I understood and paste it into Claude with the prompt "identify the gaps in my understanding of this concept." The model usually surfaces one or two things I glossed over or got slightly wrong. That feedback loop is faster and more targeted than rereading the slide deck.

I also use it to generate examples. Abstract frameworks become much easier to internalize once you see them applied to a concrete case. Asking "give me three examples of this process model applied to a mid-sized logistics company" takes ten seconds and usually produces something I can reason about.

Writing Assignments Without Letting AI Write Them

This is where the distinction matters most, and where I think a lot of students get it wrong in both directions — either handing everything to the model, or refusing to use it at all out of some principle that does not actually help them learn.

My process for written work looks like this:

• Outline first, alone. I build the structure of my argument before I open any AI tool. This forces me to actually have a position, not just fill space.
• Write a rough draft, alone. Even a bad draft makes the next steps more useful. If I skip this, I end up editing someone else's argument, which is both academically dishonest and worse for my actual understanding.
• Use AI for specific editing passes. I will ask Claude to flag sentences that are unclear, identify where my reasoning has a gap, or suggest a more precise word for something I've been vague about. I treat these as editorial notes, not corrections to accept wholesale.
• Rewrite manually. Every change I accept, I rephrase in my own words. The output is mine, even when the suggestion wasn't.

This takes longer than just generating an essay, which is the point. The goal is not to produce text efficiently — it is to produce text I actually understand and can defend in a seminar.

Coding and Data Work

For my data analysis and programming coursework, AI has been the biggest time-saver in a legitimate way. Debugging syntax errors and looking up function signatures used to consume a disproportionate amount of time relative to how much I was learning from doing it. Now I describe what I want in plain language, get a working starting point, and spend my time understanding and adapting the logic rather than fighting the documentation.

The rule I apply: I do not submit code I cannot explain line by line. If a model generates something and I do not understand a section, I ask it to explain that section — and if the explanation does not stick, I rewrite the relevant part myself until it does. This is slower than copy-pasting, but it means I actually build skills rather than a portfolio of code I cannot reproduce.

It has also changed how I approach errors. My first instinct used to be to Google the error message. Now my first instinct is to describe the error in context — "this function is supposed to do X, here is what it is doing instead, here is the data it is receiving" — and get a targeted hypothesis rather than a Stack Overflow thread from 2016.

Exam Preparation

This is where AI has surprised me most. I use it to generate practice questions on material I've already reviewed — not as a replacement for flashcards, but as a way to encounter concepts in new framings. A question about Porter's Five Forces asked as a case analysis hits differently than the same question asked as a definition fill-in.

I also use it for what I call "devil's advocate" sessions before exams. I state my understanding of a concept and ask the model to challenge it: "here is how I understand transaction cost theory — what am I missing or oversimplifying?" The pushback surfaces assumptions I did not know I was making, which is exactly what a good seminar discussion does, but available at midnight before an exam.

What I Don't Use It For

I do not use AI to generate first drafts of written work. I do not use it to form opinions I should be forming myself. I do not use it to look up facts I need to actually know — lecture content, core frameworks, numbers that will come up in exams — because retrieval practice is how memory forms, and outsourcing that defeats the purpose of studying.

I also try not to use it when I am uncertain about something and want to stay uncertain for a bit. That discomfort is often where the actual thinking happens. Resolving it too quickly with a model tends to produce a shallow understanding that collapses under questioning.

The Underlying Principle

Everything I use AI for passes one test: does this make me better at the thing, or does it just produce an output that looks like I did the thing? There is a difference between using a calculator to skip arithmetic so you can focus on the model, and using a calculator because you never learned to multiply. I want to be in the first category.

That distinction gets easier to maintain once you decide what you are actually trying to get out of your education. For me, it is the ability to reason clearly about complex systems, write precisely, and build things that work. AI accelerates all of those when I use it right, and undermines all of them when I use it as a shortcut.

The students who will look back on this period and feel like they wasted it are, I think, the ones who let the tools do their thinking. The ones who will look back and feel like they got ahead are the ones who used the tools to think harder.

Der ehrliche Ausgangspunkt

Anfangs war ich skeptisch. Nicht gegenüber KI an sich, sondern gegenüber der Art, wie darüber gesprochen wurde — als würde sie einem die Arbeit abnehmen, ohne dass es jemand merkt. Diese Sichtweise kam mir immer schief vor. Sie klang außerdem nach einem guten Weg, einen Abschluss zu machen, ohne tatsächlich etwas zu können.

Umgestimmt hat mich kein Produktivitätstrick und kein YouTube-Tutorial, sondern eine Deadline. Ich hatte drei Abgaben in derselben Woche und eine Lerngruppe, die sich gerade aufgelöst hatte. Ich musste schneller arbeiten, ohne schlechtere Ergebnisse abzuliefern. Dieser Druck hat mich gezwungen, sehr schnell herauszufinden, wofür KI tatsächlich nützlich ist und wofür nicht.

Sechs Monate später steckt KI in den meisten meiner Studienaufgaben. Aber die Art, wie ich sie nutze, hat wenig mit dem zu tun, was sich die meisten vorstellen, wenn sie „Studierende nutzen KI“ hören.

Vorlesungsstoff schneller verstehen

Wirtschaftsinformatik besteht aus vielen Konzepten an der Schnittstelle von IT und Management — Themen, bei denen die Lehrbucherklärung entweder zu abstrakt oder zu oberflächlich ist, je nachdem, aus welcher Richtung man kommt. Oft habe ich die Worte verstanden, aber nicht den Punkt.

Meine Lösung: Nach einer Vorlesung schreibe ich eine kurze Zusammenfassung dessen, was ich verstanden zu haben glaube, und gebe sie Claude mit der Aufforderung „Finde die Lücken in meinem Verständnis dieses Konzepts.“ Meistens kommen ein oder zwei Dinge zum Vorschein, die ich übergangen oder leicht falsch verstanden habe. Diese Rückmeldung ist schneller und gezielter, als den Foliensatz noch einmal durchzulesen.

Außerdem lasse ich mir Beispiele erzeugen. Abstrakte Modelle verinnerlicht man viel leichter, wenn man sie an einem konkreten Fall sieht. „Gib mir drei Beispiele für dieses Prozessmodell in einem mittelgroßen Logistikunternehmen“ kostet zehn Sekunden und liefert meistens etwas, mit dem ich weiterdenken kann.

Hausarbeiten schreiben, ohne sie von KI schreiben zu lassen

Hier ist die Unterscheidung am wichtigsten, und hier liegen meiner Meinung nach viele Studierende in beide Richtungen falsch — entweder überlassen sie dem Modell alles, oder sie verzichten aus einem Prinzip darauf, das ihnen beim Lernen gar nicht hilft.

Mein Vorgehen bei schriftlichen Arbeiten sieht so aus:

• Zuerst die Gliederung, allein. Ich baue die Struktur meiner Argumentation, bevor ich irgendein KI-Werkzeug öffne. Das zwingt mich, tatsächlich eine Position zu haben, statt nur Platz zu füllen.
• Einen Rohentwurf schreiben, allein. Selbst ein schlechter Entwurf macht die nächsten Schritte nützlicher. Lasse ich ihn aus, überarbeite ich am Ende die Argumentation von jemand anderem — das ist akademisch unredlich und schlechter für mein eigenes Verständnis.
• KI für gezielte Überarbeitungsdurchgänge nutzen. Ich bitte Claude, unklare Sätze zu markieren, Lücken in meiner Argumentation aufzuzeigen oder ein präziseres Wort für etwas vorzuschlagen, bei dem ich vage geblieben bin. Das behandle ich wie Anmerkungen eines Lektorats, nicht wie Korrekturen, die man ungeprüft übernimmt.
• Von Hand neu formulieren. Jede Änderung, die ich übernehme, formuliere ich in eigenen Worten. Der Text ist meiner, auch wenn der Vorschlag es nicht war.

Das dauert länger, als einfach einen Aufsatz generieren zu lassen — und genau darum geht es. Das Ziel ist nicht, effizient Text zu produzieren, sondern Text, den ich wirklich verstehe und im Seminar verteidigen kann.

Programmieren und Datenarbeit

Bei Datenanalyse und Programmieraufgaben hat mir KI auf legitime Weise am meisten Zeit gespart. Syntaxfehler zu suchen und Funktionssignaturen nachzuschlagen hat früher unverhältnismäßig viel Zeit gekostet, gemessen daran, wie wenig ich dabei gelernt habe. Heute beschreibe ich in einfacher Sprache, was ich brauche, bekomme einen funktionierenden Ausgangspunkt und verbringe meine Zeit damit, die Logik zu verstehen und anzupassen, statt mit der Dokumentation zu kämpfen.

Meine Regel: Ich gebe keinen Code ab, den ich nicht Zeile für Zeile erklären kann. Wenn ein Modell etwas erzeugt und ich einen Abschnitt nicht verstehe, lasse ich ihn mir erklären — und wenn die Erklärung nicht hängen bleibt, schreibe ich den Teil selbst neu, bis sie es tut. Das ist langsamer als Kopieren und Einfügen, aber so baue ich tatsächlich Fähigkeiten auf statt einer Sammlung von Code, den ich nicht reproduzieren kann.

Auch mein Umgang mit Fehlern hat sich geändert. Früher habe ich als Erstes die Fehlermeldung gegoogelt. Heute beschreibe ich den Fehler im Kontext — „diese Funktion soll X tun, stattdessen tut sie Folgendes, und das sind die Daten, die sie bekommt“ — und bekomme eine gezielte Hypothese statt eines Stack-Overflow-Threads von 2016.

Prüfungsvorbereitung

Hier hat mich KI am meisten überrascht. Ich lasse mir Übungsfragen zu Stoff erstellen, den ich bereits wiederholt habe — nicht als Ersatz für Karteikarten, sondern um Konzepten in neuen Formulierungen zu begegnen. Eine Frage zu Porters Five Forces als Fallanalyse fühlt sich ganz anders an als dieselbe Frage als Lückentext zur Definition.

Außerdem nutze ich sie für das, was ich „Advocatus-Diaboli-Runden“ vor Prüfungen nenne. Ich schildere mein Verständnis eines Konzepts und bitte das Modell, es zu hinterfragen: „So verstehe ich die Transaktionskostentheorie — was fehlt mir oder was vereinfache ich zu stark?“ Der Widerspruch fördert Annahmen zutage, von denen ich nicht wusste, dass ich sie treffe. Genau das leistet eine gute Seminardiskussion — nur eben auch um Mitternacht vor der Prüfung.

Wofür ich sie nicht nutze

Ich lasse mir keine ersten Entwürfe schriftlicher Arbeiten erstellen. Ich nutze KI nicht, um Meinungen zu bilden, die ich mir selbst bilden sollte. Und ich schlage damit keine Fakten nach, die ich wirklich wissen muss — Vorlesungsinhalte, zentrale Modelle, Zahlen, die in Prüfungen vorkommen —, denn durch aktives Abrufen entsteht Erinnerung, und wer das auslagert, verfehlt den Sinn des Lernens.

Ich versuche auch, sie nicht zu nutzen, wenn ich mir bei etwas unsicher bin und es eine Weile bleiben sollte. In diesem Unbehagen findet oft das eigentliche Denken statt. Wer es zu schnell mit einem Modell auflöst, landet meist bei einem oberflächlichen Verständnis, das bei der ersten Nachfrage zusammenbricht.

Das zugrunde liegende Prinzip

Alles, wofür ich KI nutze, muss einen Test bestehen: Macht mich das in der Sache besser, oder erzeugt es nur ein Ergebnis, das so aussieht, als hätte ich die Sache gemacht? Es ist ein Unterschied, ob man einen Taschenrechner nutzt, um sich das Rechnen zu sparen und sich auf das Modell zu konzentrieren, oder weil man nie gelernt hat zu multiplizieren. Ich will zur ersten Gruppe gehören.

Diese Unterscheidung fällt leichter, sobald man entschieden hat, was man aus dem Studium eigentlich mitnehmen will. Für mich ist das die Fähigkeit, klar über komplexe Systeme nachzudenken, präzise zu schreiben und Dinge zu bauen, die funktionieren. KI beschleunigt all das, wenn ich sie richtig einsetze — und untergräbt all das, wenn ich sie als Abkürzung benutze.

Die Studierenden, die später auf diese Zeit zurückblicken und das Gefühl haben, sie vergeudet zu haben, sind meiner Meinung nach diejenigen, die die Werkzeuge für sich haben denken lassen. Diejenigen, die das Gefühl haben, einen Vorsprung gewonnen zu haben, sind die, die mit den Werkzeugen gründlicher gedacht haben.