A regulatory-compliant AI and verification system for higher education under ESG-aligned constraints

Walter Kurz; Michel Malara; Wojtek Stricker

doi:10.5281/zenodo.21704871

Zusammenfassung

Dieses Paper führt ein formales Systemmodell für die Integration künstlicher Intelligenz und verteilter Verifikation in die Hochschulbildung unter europäischen regulatorischen Restriktionen ein. Die Architektur besteht aus zwei verbundenen Komponenten: UniAI, einem rollenspezifischen Multi-Agenten-Framework für künstliche Intelligenz im institutionellen Betrieb, und UniDVS, einer dezentralen Verifikationsinfrastruktur für regulatorisches Audit, Zeugnisauthentifizierung und manipulationsevidente Aufzeichnungen. Das Modell kodiert Rechtsinstrumente wie die DSGVO, den EU AI Act, EQF, ECTS und ESG-Vorgaben als strukturelle Systemrestriktionen, mit zusätzlicher Kompatibilität zu Finanzrahmenwerken einschliesslich MiFID II, MiCA, AMLD, DORA und den Schweizer Entsprechungen (FinfraG, FIDLEG, DSG). UniAI-Agenten sind nach Stakeholder-Klasse formalisiert und werden durch eine restringierte Optimierungsfunktion gesteuert, die rechtlich zulässige Ausgaben sichert. UniDVS arbeitet als DAG-basierter, permissionless Ledger, der von einem föderierten Bildungskonsortium unterhalten wird und verifizierbare akademische Token, programmierbare Stablecoins und auditfertige Interaktionen ermöglicht. Die Ergebnisse werden als theoretisches Framework für compliante digitale Infrastrukturen präsentiert, mit unmittelbarer Anwendbarkeit auf jurisdiktionsübergreifende akademische Ökosysteme. Das Modell liefert eine Grundlage für regulatorisches Prototyping, Governance-Simulation und kontrollierte empirische Validierung.

Schlagwörter:

Regulatory Technology
künstliche Intelligenz in der Bildung
Multi-Agenten-AI-Systeme
dezentrale Verifikation
akademische Tokenisierung
DSGVO-Compliance
EU AI Act
digitale Zeugnisinfrastruktur
ESG-Governance
UniAI
UniDVS

Einleitung

Die Integration künstlicher Intelligenz und verteilter Verifikationsinfrastruktur in die Hochschulbildung bleibt fragmentiert und technisch inkonsistent. Heutige institutionelle Systeme haben keine kohärente Grundlage für AI-gestützte Prozesse und ermöglichen keine verifizierbare, institutionsübergreifende Zertifizierung. Dieses Paper stellt ein theoretisches Framework für eine kombinierte Architektur vor, die multiagentenbasierte künstliche Intelligenz und verteilte Verifikation in einem einzigen, regulierungskonformen Systemdesign zusammenführt.

Die digitale Infrastruktur der Hochschulbildung ist inkrementell aus proprietärer Software kommerzieller Anbieter gewachsen. Diese Systeme bedienen isolierte administrative oder didaktische Aufgaben und sind selten in die institutionelle Kernlogik eingebettet. Die Interoperabilität ist begrenzt, die Auditierbarkeit bleibt schwach, und institutionelle Datenstrukturen verbleiben in lokalen Silos. Langfristige Verifizierbarkeit, regulatorische Nachvollziehbarkeit und technische Standardisierung sind strukturell nicht verankert. Künstliche Intelligenz erlaubt es, Bildungsprozesse über alle Ebenen hinweg neu zu gestalten, von der didaktischen Interaktion bis zur Compliance-Automatisierung.

Bestehenden Systemen fehlt die architektonische Kapazität, um vollständig integrierte AI-Abläufe zu tragen. Die meisten Implementierungen beschränken sich auf Funktionen wie Chatbots, Bewertungswerkzeuge oder Plagiatserkennung. Sie bleiben von Prüfungslogik, Zeugnisverwaltung und institutioneller Rechenschaftspflicht getrennt. Um den operativen Anforderungen von Verwaltung, Lehrenden, Studierenden und Prüfenden zu genügen, ist eine strukturierte, agentenbasierte AI-Architektur erforderlich.

Beitrag

Dieses Paper stellt ein einheitliches Systemmodell vor, das multiagentenbasierte künstliche Intelligenz mit verteilter Verifikationsinfrastruktur für die Hochschulbildung verbindet. Bestehende Ansätze konzentrieren sich typischerweise entweder auf pädagogische Personalisierung oder auf isolierte Zeugnisverifikation. Das vorgeschlagene Modell bettet beides in eine kohärente, regulierungskonforme Architektur ein. Es definiert ein AI-basiertes institutionelles Framework, das um stakeholderspezifische Handlungsfähigkeit herum strukturiert ist und Studierende, Lehrende, Verwaltung und Prüfende umfasst. Jurisdiktionsübergreifende Auditierbarkeit wird über eine dezentrale, manipulationsresistente Verifikationsschicht ermöglicht.

Das System ist strukturell auf europäische Regulierungsinstrumente ausgerichtet, darunter den Bologna-Prozess, den Europäischen Qualifikationsrahmen (EQF), das European Credit Transfer and Accumulation System (ECTS), die Datenschutz-Grundverordnung (DSGVO) und den EU AI Act. Es bleibt an andere regulatorische Umfelder anpassbar. Die Architektur integriert zudem Environmental-, Social- und Governance-Logik (ESG) als strukturelle Komponente. ESG-Frameworks sind für Hochschulen zwar nicht verbindlich, doch ihre Aufnahme trägt makroökonomische Verantwortung und bereitet Systeme auf künftige Anforderungen an ESG-Ratings vor, ob regulatorisch oder freiwillig.

Das technische Design ermöglicht eine verteilte Implementierung über Bildungseinrichtungen hinweg, koordiniert durch ein föderiertes Konsortium. Dieses Governance-Modell verhindert Anbieterabhängigkeit und wahrt operative Neutralität. Die Infrastruktur umfasst tokenisierte akademische Credits und regulatorische Dokumente. Diese Token repräsentieren verifizierbare Claims auf verteilten Ledgern und ermöglichen dauerhafte, maschinenlesbare Zertifizierung und institutionelles Audit.

Das System ermöglicht ferner dezentrale akademische Publikation, netzwerkweites Peer Review und die compliance-basierte Integration zugelassener digitaler Finanzanlagen unter Aufsichtsbehörden wie FINMA, BaFin oder FMA. Durch die Verbindung dezentraler Berechnung mit strukturierter künstlicher Handlungsfähigkeit adressiert das Modell strukturelle Lücken in der Verifizierbarkeit von Bildung, der institutionellen Interoperabilität und der regulatorischen Nachvollziehbarkeit. Es liefert eine theoretische Grundlage für künftiges System-Prototyping und empirische Validierung.

Forschung

Dieses Paper konzipiert ein übergeordnetes Systemmodell, das künstliche Intelligenz und verteilte Verifikation in die institutionelle Infrastruktur der Hochschulbildung integriert. Das Modell ist keine technische Implementierung, sondern ein regulierungskonformes Architekturkonstrukt. Seine Funktion ist es, eine Designgrundlage für Prototyping, Simulation und empirische Evaluation zu liefern. Die Forschung ist an der Schnittstelle von Informatik, Gestaltung von Bildungssystemen und rechtlich-institutioneller Analyse verortet. Methodisch stützt sie sich auf Systemarchitektur, regulatorische Modellierung und Multi-Agenten-Design. Die Prämisse lautet, dass verifizierbare, skalierbare und jurisdiktionskonforme Bildungsinfrastrukturen nicht aus isolierten Softwareprodukten oder AI-Anwendungen entstehen können. Strukturelle Transformation verlangt Designmodelle, die technisch kohärent und über Institutionsgrenzen hinweg rechtlich handhabbar sind.

Um das vorgeschlagene System auf hoher Ebene zu veranschaulichen, zeigt Abbildung 1 seine geschichtete Struktur über Deployment, Compliance und Aufsicht. Das Modell trennt zentrale Optimierung von lokaler institutioneller Anpassung. Jede Institution betreibt eine angepasste Instanz unter verifizierter Compliance und Auditierbarkeit.

Abbildung 1Konzeptionelle Architektur des UniAI- und UniDVS-Systems.

Layer 1 definiert die föderierte Compliance-Umgebung, die von akkreditierten Bildungskonsortien verwaltet wird. Das zentrale System wird unter regulatorischen Restriktionen trainiert, validiert und überwacht, um jurisdiktionsübergreifende Compliance und Auditbereitschaft zu sichern. Layer 2 ermöglicht das institutionelle Deployment. Akkreditierte Institutionen betreiben White-Label-Instanzen des Systems, die an lokale Verfahren angepasst sind. Sie wahren Verifizierbarkeit, Datenintegrität und Verfahrenskonformität. Layer 3 bietet Prüfenden und Akkreditierungsstellen Aufsichtszugang. AuditAI-Agenten unterstützen die Beweisprüfung. Prüfende beurteilen die Compliance auf der zentralen Ebene, die Systemdesign, Training und Restriktionen umfasst, und auf der institutionellen Ebene, die Studiengangsbetrieb, Aufzeichnungen und Zeugnisprozesse abdeckt.

Diese Struktur bildet die Trennung zwischen Systemintegrität und institutioneller Flexibilität ab. Kernkomponenten werden zentral gesteuert, um rechtliche Zulässigkeit und Interoperabilität zu sichern. Die Institutionen behalten die Kontrolle über das Deployment. Unabhängige Prüfende, unterstützt durch AuditAI, bewerten die Compliance auf Layer 1 und prüfen die institutionelle Konformität über die Ausgaben von Layer 2.

Regulatorischer Kontext

Das System ist als Modell einer Zielfunktion unter Restriktionen formuliert. Seine funktionale Logik wird durch regulatorische Grenzen geleitet. Rechtsinstrumente werden als strukturelle Restriktionen behandelt, die im Systemdesign kodiert sind. Dieser Abschnitt untersucht die Regulierungsrahmen, die in die operative Definition des Modells eingehen.

Die vorgeschlagene Architektur bewegt sich in der Regulierungslandschaft, die durch bindende und nicht bindende Rechtsinstrumente der europäischen Hochschulbildung bestimmt wird. Der Bologna-Prozess liefert den zwischenstaatlichen Rahmen für die Harmonisierung akademischer Abschlüsse, Kreditsysteme und Qualitätssicherung über die Mitgliedstaaten des Europäischen Hochschulraums (EHEA) hinweg (European Higher Education Area 2020). Zu seinen operativen Instrumenten zählen der Europäische Qualifikationsrahmen (EQF), der niveaubasierte Lernergebnisse definiert und die jurisdiktionsübergreifende Anerkennung trägt (European Commission 2017), sowie das European Credit Transfer and Accumulation System (ECTS), das den studentischen Arbeitsaufwand quantifiziert und die Mobilität und Akkumulierung von Studienleistungen trägt (European Commission 2015).

Der Schutz personenbezogener Daten und die algorithmische Rechenschaftspflicht werden durch die Datenschutz-Grundverordnung (DSGVO) (European Union 2016) und den EU AI Act (European Union 2024) geregelt. Die DSGVO verlangt Datenminimierung, Zweckbindung und Transparenz. Diese Vorgaben gelten unmittelbar für die Verarbeitung von Studierendendaten und für algorithmisches Scoring im Bildungskontext. Der AI Act führt eine risikobasierte Klassifikation für AI-Anwendungen ein und definiert Pflichten zu Transparenz, menschlicher Aufsicht und Data Governance. Systeme der allgemeinen und beruflichen Bildung sind ausdrücklich in die Hochrisikokategorie einbezogen.

In der Schweiz spiegelt das Bundesgesetz über den Datenschutz (DSG) die DSGVO in seinen Grundprinzipien und seiner Durchsetzungslogik. Es gewinnt zusätzliche Bedeutung für grenzüberschreitende Datenflüsse und für institutionelle Zusammenarbeit mit Schweizer Einheiten (Federal Council of Switzerland 2020). Diese Rahmenwerke bestimmen die Compliance-Grenzen für die Gestaltung von Bildungs-AI und Verifikationssystemen in Europa und den angeschlossenen Jurisdiktionen.

Die Akkreditierungsanforderungen für Institutionen im EQF-konformen Umfeld sind in den European Standards and Guidelines for Quality Assurance in the European Higher Education Area (ESG) festgelegt, die von der European Association for Quality Assurance in Higher Education (ENQA) entwickelt wurden (European Association for Quality Assurance in Higher Education (ENQA) 2015). Diese Standards bilden eine gemeinsame Grundlage für interne und externe Qualitätssicherung. Institutionen müssen Verfahren umsetzen, die mit der strukturellen Logik von Bologna-Prozess, EQF und ECTS im Einklang stehen.

Die institutionelle Compliance wird von nationalen Qualitätssicherungsagenturen beurteilt, die ENQA-Mitglied sein und sich periodisch einer externen Überprüfung unterziehen müssen. Beispiele sind die Schweizerische Agentur für Akkreditierung und Qualitätssicherung (AAQ) (Swiss Agency of Accreditation and Quality Assurance (AAQ) 2024), der deutsche Akkreditierungsrat über Agenturen wie AQAS und ACQUIN (German Accreditation Council 2022), die niederländisch-flämische Akkreditierungsorganisation (NVAO) (Dutch-Flemish Accreditation Organisation (NVAO) 2023) und die spanische Agentur für Qualitätsbewertung und Akkreditierung (ANECA) (Agencia Nacional de Evaluación de la Calidad y Acreditación (ANECA) 2023). In der Schweiz definiert das Hochschulförderungs- und -koordinationsgesetz (HFKG) die Rechtsgrundlage für die institutionelle Akkreditierung. Formale Evaluationen führt die AAQ nach den ESG und internationalen Peer-Review-Prinzipien durch (Swiss Confederation 2020). Institutionen ohne Akkreditierung nach HFKG dürfen weder rechtlich anerkannte Abschlüsse verleihen noch an staatlich subventionierten Programmen teilnehmen. Obwohl Environmental-, Social- und Governance-Rahmenwerke (ESG) für Hochschulen rechtlich nicht verbindlich sind, nimmt das Modell sie als normative Restriktionen auf. Die Corporate Sustainability Reporting Directive (CSRD) und die EU-Taxonomieverordnung führen ESG-Prinzipien in europäische Regulierungsinstrumente ein, besonders dort, wo öffentliche Berichterstattung, Stiftungsvermögen oder die Teilnahme an öffentlich-privaten Konsortien betroffen sind (Corporate Sustainability Reporting Directive (CSRD) 2022; Regulation (EU) 2020/852 on the Establishment of a Framework to Facilitate Sustainable Investment (EU Taxonomy Regulation) 2020). Diese Instrumente verlangen die transparente Offenlegung von Umweltwirkung, sozialer Verantwortung und Governance-Strukturen, einschliesslich Aspekten digitaler Infrastruktur und institutionellen Risikomanagements. Neuere Studien zeigen, dass sich ESG-Kriterien zunehmend mit AI-Governance überschneiden (Lee et al. 2024; Perera et al. 2024). ESG wird nicht als ethische Orientierung behandelt, sondern als strukturelle Restriktion, die Systemdesign, Transparenz und institutionelle Rechenschaftspflicht betrifft. Zentrale Themen sind der Energieverbrauch bei AI-Training und -Inferenz, die Minderung algorithmischer Verzerrung und die institutionelle Pflicht, Aufsicht, Erklärbarkeit und gleichberechtigten Zugang zu sichern. Die Einbettung von ESG in das Modell ermöglicht das Nachverfolgen des Energieverbrauchs, die Integration von Fairness-Metriken und die Erzeugung verifizierbarer Governance-Nachweise für algorithmische Ausgaben. Im vorgeschlagenen System wirken ESG-Prinzipien als eingebettete Restriktionen, die institutionelle Glaubwürdigkeit, Nachhaltigkeit und operative Resilienz über Jurisdiktionen hinweg tragen. Die vorgeschlagene Systemarchitektur ermöglicht die Ausgabe und Verifikation stabiler, tokenisierter digitaler Assets für interne Dokumentation, Rechnungswesen und Kreditübertragung. Diese Assets umfassen zwei Kategorien. Die erste umfasst regulierte Finanztoken, die nach Schweizer und europäischem Recht als Finanzinstrumente gelten. Sie sind als institutionell emittierte Stablecoins ausgestaltet. Sie repräsentieren nicht volatile digitale Einheiten monetären Werts oder durchsetzbare Ansprüche und dienen internen Transaktionen, vertraglichen Pflichten und Leistungsansprüchen. Im System formalisieren solche Token Auszahlungen, automatisieren das Rechnungswesen und ermöglichen programmierbare Compliance über manipulationsevidente Aufzeichnungen. Der Einsatz dieser Instrumente erfordert die Einhaltung bindender Finanzregulierung über Jurisdiktionen hinweg. In der Schweiz zählen dazu das Finanzmarktinfrastrukturgesetz (FinfraG), das Geldwäschereigesetz (GwG) und das Finanzdienstleistungsgesetz (FIDLEG), alle unter der Aufsicht der Eidgenössischen Finanzmarktaufsicht (FINMA) (Federal Assembly of the Swiss Confederation 2016, 2021, 2018; Swiss Financial Market Supervisory Authority (FINMA) 2024). In der Europäischen Union üben Behörden wie die European Securities and Markets Authority (ESMA), die BaFin in Deutschland und die österreichische Finanzmarktaufsicht (FMA) die Aufsicht aus (European Securities and Markets Authority (ESMA) 2024; Federal Financial Supervisory Authority (BaFin) 2024; Austrian Financial Market Authority (FMA) 2024). Einschlägige Instrumente sind die revidierte Markets in Financial Instruments Directive (MiFID II) (Directive 2014/65/EU on Markets in Financial Instruments (MiFID II) 2014), die Markets in Crypto-Assets Regulation (MiCA) (Regulation (EU) 2023/1114 on Markets in Crypto-Assets (MiCA) 2023), die zweite E-Geld-Richtlinie (EMD2) (Directive 2009/110/EC on the Taking up, Pursuit and Prudential Supervision of the Business of Electronic Money Institutions (EMD2) 2009), die sechste Geldwäscherichtlinie (AMLD) (Directive (EU) 2018/1673 on Combating Money Laundering by Criminal Law (6th AMLD) 2018) und die FATF-Standards für Virtual Asset Service Provider (FATF Guidance on Virtual Assets and Virtual Asset Service Providers 2023). Hinzu kommen Anforderungen aus der Capital Requirements Regulation (CRR) (Regulation (EU) No 575/2013 on Prudential Requirements for Credit Institutions and Investment Firms (CRR) 2013), den Regeln zur Bekämpfung der Terrorismusfinanzierung (CTF), der Netz- und Informationssicherheitsrichtlinie (NIS2) (Directive (EU) 2022/2555 on Measures for a High Common Level of Cybersecurity Across the Union (NIS2) 2022) und dem Digital Operational Resilience Act (DORA) (Regulation (EU) 2022/2554 on Digital Operational Resilience for the Financial Sector (DORA) 2022). Diese Rahmenwerke regeln Emission, Verwahrung, Offenlegung, operationelles Risiko und Cybersicherheit von Assets. Das vorgeschlagene System stellt sicher, dass AI-gestützte Asset-Infrastrukturen über Finanzdomänen hinweg compliant, auditierbar und resilient bleiben. Die zweite Kategorie umfasst akademische Token, die nicht monetäre institutionelle Einheiten wie ECTS-Credits oder zertifizierte Lernleistungen repräsentieren. Sie gelten nicht als Finanzinstrumente und unterliegen damit nicht der Finanzmarktregulierung, verlangen aber eine strenge Aufsicht durch die emittierenden Institutionen. Als formale Darstellungen akademischer Leistung können sie Rechtswirkungen innerhalb von Qualifikationsrahmen entfalten, die Kreditmobilität beeinflussen oder über die Berechtigung in öffentlichen Förderprogrammen entscheiden. Ihre Ausgabe muss transparenten institutionellen Kriterien, gesetzlichen Aufträgen und den anwendbaren nationalen Anerkennungsverfahren folgen. Die Zwei-Asset-Struktur erlaubt es dem vorgeschlagenen System, klar zwischen regulierten Finanzinstrumenten und Bildungsnachweisen zu unterscheiden und dabei eine einheitliche Logik für Verifikation, Auditierbarkeit und ledgerbasierte Integrität der Aufzeichnungen zu wahren.

Formalisierung regulatorischer Restriktionen

Dieser Unterabschnitt formalisiert die oben umrissenen Regulierungsrahmen als explizite Systemrestriktionen. Rechtsvorschriften werden nicht als externe Compliance-Anforderungen behandelt, sondern als strukturelle Parameter kodiert, die Architektur, Agentenverhalten und institutionelle Integration bestimmen. Ziel ist eine rechtlich handhabbare AI- und Verifikationsinfrastruktur für die Hochschulbildung, die auditbereit, jurisdiktionskonform und über institutionelle Kontexte hinweg einsetzbar ist. Jede Regulierung wird in eine funktionale Restriktion übersetzt. Diese Restriktionen bestimmen zulässigen Datenzugriff, Rechenschaftsstrukturen, Auditpflichten und Risikoklassifikationen. Die Regime der Finanzaufsicht werden mit Blick auf Emission, Verwahrung und Transaktionsaufsicht formalisiert. Dazu zählen FinfraG, FIDLEG, MiFID II, MiCA und AMLD. Um die operative Logik der vorgeschlagenen Architektur zu strukturieren, wird das Modell in zwei koordinierte Komponenten zerlegt: die multiagentenbasierte AI-Schicht (UniAI) und die verteilte Verifikationsdienstschicht (UniDVS). UniAI steuert autonome Entscheidungsfindung, stakeholderspezifische Interaktion und Aufgabenausführung über institutionelle Domänen hinweg. UniDVS sichert Verifizierbarkeit, Auditierbarkeit und rechtliche Zulässigkeit der Ausgaben über dezentrale Infrastruktur. Die Zielfunktion des Systems definiert den operativen Zweck von UniAI und UniDVS als restringiertes Optimierungsproblem. Sie kodiert institutionelle Ziele wie Bildungsintegrität, regulatorische Compliance und jurisdiktionsübergreifende Interoperabilität innerhalb eines begrenzten Entscheidungsraums. Das Ziel ist kein statischer Zielwert, sondern ein funktionales Kriterium, das zulässiges Verhalten autonomer Agenten und verteilter Verifikationsmechanismen bestimmt. Diese Formulierung stellt sicher, dass algorithmische Handlungen wie Benotung, Zeugnisausgabe oder finanzielle Auszahlung verfahrensrechtlich gültig, rechtskonform und beweisfähig sind. Ohne explizite Zielfunktion lässt sich das Systemverhalten nicht durch institutionelle Mandate oder Rechtsrahmen begrenzen. Die Formalisierung verankert UniAI und UniDVS in einer normativen Logik, die auf Datenschutz, Akkreditierung, Finanzregulierung und Qualitätssicherung ausgerichtet ist. Sie liefert die strukturelle Basis für regulatorische Zulässigkeit, interne Auditierbarkeit und das Vertrauen der Stakeholder in maschinell ausgeführte institutionelle Funktionen.

Das Ziel der UniAI- und UniDVS-Architektur wird als restringiertes Optimierungsproblem formalisiert (siehe Gleichung 1), das den institutionellen Nutzen unter rechtlichen, verfahrensbezogenen und infrastrukturellen Restriktionen maximiert. $\mathcal{A}$ bezeichne die Menge der autonomen Agenten in UniAI, $\mathcal{T}$ die Menge der verifizierbaren Aufgaben wie Beurteilung, Zertifizierung und Audit, und $\mathcal{I}$ den institutionellen Zustandsraum, in dem Entscheidungsausgaben wirksam werden. $\pi: \mathcal{A} \times \mathcal{T} \rightarrow \mathbb{R}$ sei der Agenten-Aufgaben-Policy-Raum, parametrisiert durch das Modell $\theta$ , und $V(\pi_\theta)$ bezeichne die erwartete institutionelle Nutzenfunktion.

\begin{equation} \label{eq:objective} \max_{\pi_\theta} \, \mathbb{E}_{(a,t) \sim \mathcal{D}} \left[ U(a, t \mid \pi_\theta, \mathcal{I}) \right] \end{equation}

(1)

1Institutioneller Nutzen unter rechtlichen Restriktionen

unter den Nebenbedingungen:

\begin{alignat} {3} \text{(C1)} \quad & \forall\, d \in \mathcal{D}_{\text{personal}}: &\quad& f_{\text{data}}(\pi_\theta(d)) \in \mathcal{L}_{\text{GDPR}} &\quad& \text{[GDPR/FADP compliance]}, \nonumber \\ \text{(C2)} \quad & \forall\, m \in \mathcal{M}_{\text{AI}}: && \rho(m) \in \mathcal{C}_{\text{risk}} && \text{[EU AI Act classification]}, \nonumber \\ \text{(C3)} \quad & \forall\, v \in \mathcal{V}_{\text{tokens}}: && \sigma(v) \in \mathcal{R}_{\text{finance}} && \text{[FMIA, MiCA, AMLD]}, \nonumber \\ \text{(C4)} \quad & \forall\, c \in \mathcal{C}_{\text{credits}}: && \gamma(c) \in \mathcal{S}_{\text{recognition}} && \text{[EQF/ECTS alignment]}, \nonumber \\ \text{(C5)} \quad & \forall\, q \in \mathcal{Q}_{\text{quality}}: && \delta(q) \in \mathcal{E}_{\text{QA}} && \text{[ESG compliance]}, \nonumber \\ \text{(C6)} \quad & \forall\, s \in \mathcal{S}_{\text{stakeholders}}: && \kappa(s) \in \mathcal{R}_{\text{access}} && \text{[role-specific access control]}. \end{alignat}

(2)

2Die rechtlichen Restriktionen, denen die Zielfunktion unterliegt

Dabei ist $\mathcal{D}$ die Verteilung über Agenten-Aufgaben-Paare. $\mathcal{L}_{\text{GDPR}}$ und $\mathcal{C}_{\text{risk}}$ bezeichnen die Mengen der rechtlich zulässigen Handlungen nach DSGVO/DSG beziehungsweise nach dem EU AI Act. $\mathcal{R}_{\text{finance}}$ erfasst die Restriktionen der Finanzregulierung (etwa MiFID II, FinfraG), während $\mathcal{S}_{\text{recognition}}$ und $\mathcal{E}_{\text{QA}}$ die gültigen Ausgabestrukturen nach EQF/ECTS beziehungsweise ESG bezeichnen. $\mathcal{R}_{\text{access}}$ kodiert die zulässigen Zugriffsmuster über die Rollen hinweg. Zusammen definieren die Restriktionen die zulässige Policy-Menge $\Pi^\star \subseteq \Pi$ , innerhalb derer UniAI und UniDVS operieren müssen. Die Optimierung über diesen restringierten Raum ergibt eine rechtlich zulässige, auditbereite Systemarchitektur.

Konzeptionell beschreibt die formale Zielfunktion in Gleichung 1, wie das UniAI- und UniDVS-System arbeitet. Das System strebt danach, den institutionellen Nutzen zu maximieren, indem es Aufgaben so an autonome Agenten zuweist, dass institutionelle Ziele, konkrete Bedarfe und die Rollen der beteiligten Stakeholder abgebildet werden. Dieser Optimierungsprozess unterliegt klar definierten rechtlichen, verfahrensbezogenen und governancebezogenen Restriktionen. Jede Handlung des Systems muss den anwendbaren Regelungen entsprechen, einschliesslich Datenschutzrecht, AI-spezifischer Gesetzgebung, finanzaufsichtlicher Vorgaben, Bildungsstandards und institutioneller Zugriffsrichtlinien. Diese Restriktionen definieren den zulässigen Entscheidungsraum und stellen sicher, dass das System innerhalb der rechtlichen und verfahrensbezogenen Grenzen seines institutionellen Kontexts arbeitet.

Institutionelle Architektur und Überblick über die Agentenschicht

Konzeptionell definiert die formale Zielfunktion in Gleichung 1 die Entscheidungsstruktur des UniAI-UniDVS-Systems. Sie kodiert, wie autonome Agenten institutionellen Aufgaben so zugewiesen werden, dass organisatorische Ziele und rollenspezifische Mandate abgebildet werden, begrenzt durch regulatorische, verfahrensbezogene und governancebezogene Regeln. Abbildung 2 veranschaulicht, wie diese Architektur über Institutionen hinweg durch eine koordinierte Agentenschicht und eine föderierte Verifikationsinfrastruktur operationalisiert wird.

Abbildung 2Agentenbasierte institutionelle Architektur von UniAI und ihre Anbindung an die föderierte UniDVS-Schicht.

Das Diagramm trennt das zentrale Kernsystem von seinen institutionellen Instanzen. Jede teilnehmende Institution betreibt ein White-Label-Deployment von UniAI, konfiguriert nach lokalen Richtlinien und zugleich strukturell am auditierten Systemkern ausgerichtet. Innerhalb jeder Instanz sind die Agenten nach Rollen segmentiert. Administrative, akademische, studentische und prüfende Agenten führen domänenspezifische Aufgaben aus. Aufsichts- und Compliance-Agenten überwachen die Regeltreue und stellen sicher, dass Entscheidungen innerhalb des restringierten Policy-Raums bleiben $\Pi^\star$ . Alle verifizierbaren Handlungen, einschliesslich Zeugnisausgabe, Kursanmeldung und institutioneller Zahlungen, werden mit UniDVS synchronisiert. Diese föderierte Schicht liefert manipulationsevidente Aufzeichnungen, rechtliche Zulässigkeit und Auditzugang über Jurisdiktionen hinweg. Prüfende können sowohl die zentrale Systemlogik als auch die operativen Ausgaben institutioneller Deployments einsehen. Der nächste Unterabschnitt spezifiziert jede Agentenklasse und definiert ihre operative Funktion innerhalb der regulierten Ausführungsumgebung.

UniAI-Agentenmodellierung nach Stakeholder-Rolle

Das UniAI-Subsystem ist als Multi-Agenten-Architektur aus rollenspezifischen Agenten aufgebaut, die jeweils an der operativen Logik und den normativen Erwartungen definierter institutioneller Stakeholder ausgerichtet sind. Anders als monolithische AI-Systeme, die auf ein einziges Ziel hin optimieren, hält UniAI die Agentendifferenzierung aufrecht, um divergierende Stakeholderziele, Verfahrensverantwortlichkeiten und Berechtigungsstufen innerhalb von Hochschulen abzubilden. Die Agentenklassen leiten sich aus institutionellen Rollenklassifikationen, Akkreditierungsprotokollen und Rechenschaftsstrukturen ab. Jeder Agent arbeitet innerhalb eines definierten Mandats und erzeugt Ausgaben, die unter den rechtlichen und organisatorischen Restriktionen des Systems zulässig sind. Administrative Agenten steuern die zentralen institutionellen Workflows. Dazu gehören Immatrikulation, Stundenplankoordination, finanzielle Auszahlung und regulatorisches Meldewesen. Ihr Betrieb wird durch interne Governance-Protokolle und externe Auditanforderungen bestimmt. Entscheidungspfade müssen transparent, nachvollziehbar und innerhalb institutioneller Auditzyklen reversibel bleiben. Diese Agenten erfordern hohe Zuverlässigkeit, deterministische Ausgaben und kontrollierten Zugriff auf sensible Daten, mit Ausführungsrechten für Handlungen mit vertraglichen Folgen. Akademische Agenten arbeiten in der Domäne der Lehrenden. Zu den Aufgaben zählen Curriculumsverwaltung, Erstellung von Prüfungen, Unterstützung bei der Benotung und Inhaltsvalidierung. Ihre Autonomie ist auf vordefinierte Aufgabenmengen beschränkt und durch institutionelle Qualitätssicherungsrahmen begrenzt. Ausgaben müssen interpretierbar sein, besonders wo Entscheidungen den Studienfortschritt betreffen, und den fachlichen Standards entsprechen. Die Inferenz bleibt beratend, sofern sie nicht formal durch autorisierte menschliche Eingabe validiert wird. Studentische Agenten arbeiten auf der nutzerseitigen Schnittstellenschicht. Sie unterstützen Studienplanung, Aufwandsschätzung, Credit-Nachverfolgung und administrative Orientierung. Der Zugriff ist auf persönliche Aufzeichnungen und öffentlich verfügbare akademische Angebote beschränkt. Ausgaben müssen erklärbar und reversibel sein. Agenten dürfen ohne authentifizierte menschliche Bestätigung keine irreversiblen Handlungen auslösen. Datenschutzanforderungen und Nutzerkontrolle haben Vorrang, besonders bei dynamischen Empfehlungen und Verfahrensführung. Audit-Agenten bilden eine unabhängige Verifikationsschicht. Sie überwachen die Einhaltung rechtlicher, verfahrensbezogener und institutioneller Restriktionen. Mit Lesezugriff auf Logs, Zeugnisse und Transaktionen erzeugen sie Compliance-Nachweise und erkennen Anomalien. Audit-Agenten sind konstruktionsbedingt epistemisch konservativ und stellen Beweiszulässigkeit und nachvollziehbare Logik über Autonomie. Ihre Funktion ist es, sowohl die Agentenausgaben als auch deren Konsistenz mit der in UniDVS formalisierten Restriktionsmenge zu validieren. Diese rollenspezifische Agentenarchitektur bildet die dezentrale, wechselseitig abhängige Struktur von Hochschulen ab. Agenten arbeiten halbautonom innerhalb begrenzter Mandate und werden über die gemeinsame Restriktionslogik und das institutionelle Ziel koordiniert, die in der vorangehenden Formalisierung definiert sind.

Stakeholder-Specific Agent Objectives under Institutional Constraints

Das globale Ziel der UniAI- und UniDVS-Architektur wurde als regulierungskonformes Optimierungssystem formalisiert (siehe Gleichung 1). Innerhalb dieses Rahmens definieren wir nun die stakeholderspezifischen Ziele einzelner Agenten. Die in Gleichung 1 ausgedrückten Restriktionen gelten annahmegemäss global und bleiben strukturell durchgesetzt. Die Formulierungen auf Agentenebene lassen explizite Restriktionsklauseln daher weg, operieren aber vollständig innerhalb des zulässigen Policy-Raums $\Pi^\star$ . Das System ist nicht auf vollständige autonome Substitution ausgelegt. Es wirkt vielmehr als strukturelle Unterstützungsarchitektur. Technische Automatisierung wäre über viele Aufgaben hinweg machbar, doch dieser Weg wird hier abgelehnt. Institutionelle Rollen in Verwaltung, Lehre und Prüfung müssen erhalten bleiben. Das Argument beschränkt sich nicht auf Governance oder Aufsicht, sondern schliesst die makroökonomische Stabilität ein. Beschäftigung aus Bildungseinrichtungen zugunsten von AI-Effizienz zu entfernen würde Steuerbasen erodieren, Beiträge an öffentliche Versicherungssysteme senken und die Umverteilungsfunktion öffentlicher Beschäftigung beeinträchtigen. Bildungssysteme tragen nicht nur über Wissensvermittlung bei, sondern auch als stabile, regional verankerte Arbeitgeber. UniAI ist daher als Augmentationsschicht konzipiert. Ihre Funktion ist es, Verfahrenszuverlässigkeit, Verifizierbarkeit und institutionelle Integrität zu erhöhen und dabei die menschlich-institutionelle Schnittstelle zu wahren. Jede UniAI-Agentenklasse, administrativ, akademisch, studentisch und prüfend, wird als Akteur über dem institutionellen Zustandsraum $\mathcal{I}$ modelliert, mit rollenspezifischen Zielen und abgegrenztem Zugriff. Agentenhandlungen werden durch Nutzenfunktionen $U_r$ bestimmt, indexiert nach der Rolle $r \in \{a, p, s, u\}$ für Verwaltung, Lehrende, Studierende und Prüfende. $\pi_r$ bezeichne die Policy der Rolle $r$ , parametrisiert durch $\theta_r$ .

Administrative Agents

Administrative Agenten repräsentieren den institutionellen Betrieb, etwa Immatrikulationsverwaltung, Gebührenabwicklung, Kursplanung und Pflege akademischer Aufzeichnungen. Ihre Funktion ist es, Verfahrenskohärenz, fristgerechte Ausführung von Workflows und die Einhaltung institutioneller Statuten zu sichern. UniAI-Agenten dieser Kategorie arbeiten mit sensiblen Personen- und Finanzdaten und benötigen daher korrekte Verarbeitung, strikte Zugriffskontrolle und verifizierbare Audit Trails. Ihre Ausgaben wirken unmittelbar auf die institutionelle Rechenschaftspflicht und unterliegen häufig sowohl internen Richtlinien als auch externer Prüfung. Diese Agentenklasse stellt die operative Verbindung zu den prüfenden Agenten her, die administrative Ausgabedaten heranziehen, um Verfahrensgültigkeit und regulatorische Konformität zu beurteilen. Die Architektur ist darauf ausgelegt, interne wie externe Prüfende zu unterstützen, etwa nationale Akkreditierungsstellen oder Finanzaufsichtsbehörden, indem sie kontrollierten Zugang zu zertifizierten Logs und Compliance-Nachweisen ermöglicht. Ein Human-in-the-Loop-Mechanismus bleibt eingebettet und stellt sicher, dass kritische Entscheidungen, Overrides oder institutionelle Ausnahmen nur über die dafür bestimmte administrative Aufsicht validiert werden können. Die operative Logik administrativer Agenten wird als Teiloptimierung innerhalb des globalen Systemziels abgeleitet (vgl. Gleichung 1). Diese Agenten arbeiten unter rollenspezifischen Policies $\pi_a$ , parametrisiert durch $\theta_a$ , mit einer Nutzenfunktion $U_a$ , die über einem begrenzten administrativen Teilraum $\mathcal{I}_a \subseteq \mathcal{I}$ definiert ist. Ihre Rolle besteht darin, Verfahrenskonsistenz, institutionelle Zuverlässigkeit und Datenintegrität zu maximieren und dabei Zugriffsrestriktionen und Auditierbarkeitsanforderungen durchzusetzen. Das zugehörige Optimierungsproblem ist in Gleichung 3 definiert:

\begin{align} \label{eq:admin} \max_{\pi_a} \quad & \mathbb{E}_{t \sim \mathcal{T}_a} \left[ U_a(t \mid \pi_a, \mathcal{I}_a) \right] \\ \text{subject to:} \quad & \forall\, t \in \mathcal{T}_a: \nonumber \\ & \text{Access}(\pi_a(t)) \subseteq \mathcal{P}_a, \nonumber \\ & \text{Audit}(\pi_a(t)) \in \mathcal{V}_a \nonumber \end{align}

(3)

3Administrative Agenten unter Zugriffs- und Auditrestriktionen

wobei $\mathcal{T}_a$ die Menge der administrativen Aufgaben ist (etwa Immatrikulation, Aktualisierung von Aufzeichnungen, Zahlungen), $\mathcal{P}_a$ den rollenspezifischen Berechtigungsraum für den Datenzugriff definiert und $\mathcal{V}_a$ die Verifizierbarkeitsanforderungen für die Auditintegration bezeichnet. Die Gleichung definiert das Mandat des Agenten, zulässige Handlungen innerhalb begrenzter institutioneller Protokolle auszuführen und dabei nachvollziehbare, zertifizierbare Ergebnisse für die nachgelagerte Aufsicht zu erzeugen.

Academic Agents

Akademische Agenten repräsentieren die Rolle der Lehrenden im institutionellen System. Zu ihren Aufgaben zählen Kursdesign, Lehre, Benotung, Betreuung akademischer Arbeiten und Beiträge zur Curriculums-Governance. UniAI-Agenten in dieser Rolle unterstützen bei Arbeitslaststeuerung, Vereinheitlichung der Benotung und curricularer Abstimmung und wahren dabei die Autonomie des akademischen Urteils. In diesem Kontext erzeugte Ausgaben müssen erklärbar, wo nötig reversibel und für Audit- und Beschwerdeverfahren nachvollziehbar sein. Diese Agenten interagieren sowohl mit UniDVS als auch mit menschlichen Aufsichtskanälen, um die epistemische Integrität akademischer Entscheidungen zu wahren. Das System setzt strikte Grenzen zwischen automatisierter Unterstützung und finaler akademischer Autorität und erhält damit die Kontrolle der Lehrenden über Benotung und Zertifizierung. Agenten der Lehrenden wirken zudem an Qualitätssicherungsprozessen mit und erzeugen Daten für institutionelle Reviews, weshalb ihre Policy-Ausgaben strukturell an institutionellen Lernzielen und ESG-geleiteten Qualitätsmetriken auszurichten sind. Das Ziel dieser Agenten wird als restringiertes Optimierungsproblem modelliert, abgeleitet aus dem globalen Systemziel (siehe Gleichung 4):

\begin{align} \label{eq:academic} \max_{\pi_p} \quad & \mathbb{E}_{t \sim \mathcal{T}_p} \left[ U_p(t \mid \pi_p, \mathcal{I}_p) \right] \\ \text{subject to:} \quad & \forall\, t \in \mathcal{T}_p: \nonumber \\ & \text{Explainability}(\pi_p(t)) \geq \varepsilon_p, \nonumber \\ & \text{Traceability}(\pi_p(t)) \in \mathcal{V}_p, \quad \text{Authority}(\pi_p(t)) \subseteq \mathcal{A}_p \nonumber \end{align}

(4)

4Agenten der Lehrenden unter Erklärbarkeit und Nachvollziehbarkeit

$\mathcal{T}_p$ bezeichne den Aufgabenraum akademischer Agenten, der Handlungen wie Benotung, Betreuung und curriculare Beiträge umfasst. Die Policy $\pi_p$ bildet akademische Aufgaben auf Entscheidungen ab, parametrisiert durch rollenspezifische Modellparameter. Der institutionelle Teilraum $\mathcal{I}_p$ kodiert die für akademische Prozesse relevanten Zustandsvariablen, darunter Kursstrukturen, studentische Abgaben und Prüfungsprotokolle. Die Nutzenfunktion $U_p$ quantifiziert Wirksamkeit und institutionelle Gültigkeit akademischer Handlungen unter der aktuellen Policy. Die Restriktionen erzwingen eine Mindesterklärbarkeit der Ausgaben (etwa Begründungen von Bewertungen), Nachvollziehbarkeit innerhalb der Verifikationsinfrastruktur $\mathcal{V}_p$ und Übereinstimmung mit den zulässigen Handlungen akademischer Autorität $\mathcal{A}_p$ . $\varepsilon_p$ definiert die institutionelle Untergrenze für Erklärbarkeitsschwellen und stellt sicher, dass automatisierte Ausgaben menschlicher Prüfung und Beschwerde zugänglich bleiben.

Student Agents

Studentische Agenten repräsentieren die Interaktion Lernender mit institutionellen Diensten, einschliesslich Kursanmeldung, Abgabe von Arbeiten, Fortschrittskontrolle und Feedback-Integration. UniAI unterstützt diese Agenten über personalisierte Schnittstellen, adaptive Empfehlungsmechanismen und Zugang zu verifizierbaren Zeugnisaufzeichnungen. Die Agenten-Policy arbeitet innerhalb begrenzter Berechtigungen und stellt sicher, dass alle Interaktionen gültig, nicht manipulierbar und vollständig nachvollziehbar sind. Wichtig ist, dass studentische Agenten nicht bloss als passive Empfänger institutioneller Ausgaben angelegt sind, sondern als aktive Knoten in der Verifikationsinfrastruktur. Ihre Eingaben dienen als verifizierbare Ereignisse in Auditketten, und ihre Interaktionsmuster beeinflussen adaptive Ressourcenzuteilung, Feedbackzyklen und Gerechtigkeitsanalysen. Die Zielfunktion studentischer Agenten ist formal in Gleichung 5 definiert, die ihr zulässiges Verhalten in institutionellen und Verifikationskontexten festlegt.

\begin{align} \label{eq:student} \max_{\pi_s} \quad & \mathbb{E}_{t \sim \mathcal{T}_s} \left[ U_s(t \mid \pi_s, \mathcal{I}_s) \right] \\ \text{subject to:} \quad & \forall\, t \in \mathcal{T}_s: \nonumber \\ & \pi_s(t) \in \mathcal{P}_s, \nonumber \\ & \gamma(t) \in \mathcal{V}_s, \nonumber \\ & \phi(t) \geq \varepsilon_s \nonumber \end{align}

(5)

5Studentische Agenten unter Teilnahme- und Verifikationsgrenzen

$\mathcal{T}_s$ bezeichne den Aufgabenraum studentischer Agenten, der Handlungen wie Anmeldung, Abgabe, Anfrage und Zeugniszugriff umfasst. Die Policy $\pi_s$ bildet studentische Aufgaben auf ausführbare Entscheidungen ab, begrenzt durch die Menge der zulässigen Interaktionen $\mathcal{P}_s$ . Der institutionelle Teilraum $\mathcal{I}_s$ umfasst studierendenbezogene Zustandsvariablen wie Immatrikulationsstatus, Studienfortschritt und Zeugnisportfolios. $\gamma(t)$ kodiert die Verifizierbarkeit der studentischen Interaktion unter UniDVS, und $\phi(t)$ bezeichnet den Interpretierbarkeitswert der Systemantworten, der die Schwelle $\varepsilon_s$ überschreiten muss, um Transparenz zu sichern. $U_s$ ist die Nutzenfunktion, die Verfahrenskohärenz, Zugänglichkeit und die Qualität des Lernfortschritts unter der Policy $\pi_s$ misst.

Auditor Agents

Prüfende Agenten arbeiten auf der meta-institutionellen Schicht von UniAI und validieren die verfahrensbezogene und regulatorische Korrektheit der systemweit ausgeführten Vorgänge. Anders als Agenten mit Fokus auf Leistungserbringung oder Stakeholder-Interaktion arbeiten sie retrospektiv und wenden normative Filter an, um zu verifizieren, dass aufgezeichnete Handlungen der institutionellen Richtlinie, dem jeweiligen Recht und den Auditierbarkeitsanforderungen entsprechen. Diese Agenten arbeiten mit akademischen, administrativen und finanziellen Ausgaben und beurteilen deren Rechtmässigkeit, Regelkonformität und Ausnahmestatus. Prüfende Agenten können für interne Governance-Gremien oder für externe Aufsichts- und Akkreditierungsstellen tätig sein. Ihre Policy-Logik zielt nicht auf Optimierung, sondern auf Konsistenz, Nachvollziehbarkeit und beweisrechtliche Passung. Ein verbindliches Human-in-the-Loop-Protokoll stellt sicher, dass rechtliche Schlussfolgerungen, Compliance-Urteile und Auditzertifizierungen unter verantwortlicher menschlicher Autorität bleiben. Die Agenten-Policy dieser Rolle ist als restringiertes Optimierungsproblem in Gleichung 6 definiert und erfasst die Logik verifizierbarer Beurteilung unter Verfahrens- und Aufsichtsrestriktionen:

\begin{align} \label{eq:auditor} \max_{\pi_u} \quad & \mathbb{E}_{t \sim \mathcal{T}_u} \left[ U_u(t \mid \pi_u, \mathcal{I}_u) \right] \\ \text{subject to:} \quad & \forall\, t \in \mathcal{T}_u: \nonumber \\ & \text{Trace}(\pi_u(t)) \in \mathcal{H}_u, \nonumber \\ & \text{Justify}(\pi_u(t)) \in \mathcal{E}_u, \quad \text{Approval}(\pi_u(t)) \in \mathcal{H}_{\text{human}} \nonumber \end{align}

(6)

6Prüfende Agenten unter verbindlicher menschlicher Freigabe

Dabei ist $\pi_u$ die Policy des prüfenden Agenten, parametrisiert durch $\theta_u$ , über der Aufgabenverteilung $\mathcal{T}_u$ und dem institutionellen Zustandsraum $\mathcal{I}_u$ . Die Nutzenfunktion $U_u$ kodiert auditrelevante Ziele wie Verfahrensvollständigkeit, regulatorische Konformität und Anomalieerkennung. Die Restriktionsmenge umfasst $\text{Trace}(\pi_u(t)) \in \mathcal{H}_u$ , das sicherstellt, dass alle Agentenhandlungen über kryptografische oder verfahrensbezogene Logs rekonstruierbar sind; $\text{Justify}(\pi_u(t)) \in \mathcal{E}_u$ , das logische oder beweisrechtliche Gründe für Compliance-Urteile verlangt; und $\text{Approval}(\pi_u(t)) \in \mathcal{H}_{\text{human}}$ , das kritische Auditergebnisse einer menschlichen Autorisierung unterwirft.

System Coordination, Auditability, and Governance Integration

Der Einsatz von UniAI und UniDVS über institutionelle Umgebungen hinweg verlangt einen koordinierten operativen Rahmen, der kohärente Interaktion autonomer Agenten, nachvollziehbare Entscheidungsfindung und durchsetzbare Aufsicht sichert. Dieser Unterabschnitt formalisiert die systemischen Mechanismen, über die die im vorigen Abschnitt definierten Ziele auf Agentenebene innerhalb einer verifizierbaren und steuerbaren Infrastruktur orchestriert werden.

Koordinationsmechanismen sichern die Konsistenz über Agentenausgaben hinweg und lösen Abhängigkeiten zwischen Rollen auf. So müssen akademische Beurteilungen, die von UniAI-Agenten der Lehrenden verarbeitet werden, mit administrativen Agenten für die Zeugnisausgabe synchronisiert und den prüfenden Agenten zur Compliance-Verifikation zugänglich gemacht werden. Das erfordert formales Checkpointing, geteilte Repräsentationen des institutionellen Zustands und Protokolle für asynchrone Aufgabenauflösung.

Die Auditierbarkeit wird über kryptografisch verifizierbare Logs, rollenspezifische Zugriffsregister und manipulationsevidente Datenspuren durchgesetzt. Jede von einem UniAI-Agenten ausgeführte Handlung wird in einem dezentralen Ledger festgehalten, der von UniDVS unterhalten wird, sodass Aufsichtsbehörden, Akkreditierungsstellen und interne Governance-Gremien Entscheidungspfade ex post rekonstruieren können.

Die Governance-Integration kodiert institutionelle Autoritätsstrukturen unmittelbar in die operative Logik von UniAI. Menschliche Aufsicht ist kein Rückfallmechanismus, sondern eine formalisierte Ausführungsschicht. Administrative Override-Rechte, Auditinspektionsrechte und Verfahren der Streitbeilegung sind explizit spezifiziert und in der Koordinationsarchitektur durchgesetzt. Die Versionierung von Systemaktualisierungen, einschliesslich Modellanpassungen und Policy-Retraining, wird durch institutionelle Protokolle bestimmt und unterliegt aufsichtlicher Kontrolle. Die Koordinationslogik der Multi-Agenten-Interaktion über institutionelle Rollen hinweg ist in Gleichung 7 formalisiert, die die kollektive Optimierungsfunktion und ihre durchsetzbaren Restriktionen definiert:

\begin{align} \label{eq:coordination} \max_{\{\pi_r\}_{r \in \{a, p, s, u\}}} \quad & \mathbb{E}_{(r, t) \sim \mathcal{D}} \left[ U_r(t \mid \pi_r, \mathcal{I}) \right] \\ \text{subject to:} \quad & \text{(C1)} \quad \text{Consistency}(\pi_r(t), \pi_{r'}(t')) \in \mathcal{C}_{\text{sync}} \quad \forall\, (r, r') \in \mathcal{R}^2, \nonumber \\ & \text{(C2)} \quad \text{Trace}(\pi_r(t)) \in \mathcal{L}_{\text{ledger}}, \nonumber \\ & \text{(C3)} \quad \text{Governance}(\pi_r) \subseteq \mathcal{G}_{\text{institutional}}, \nonumber \\ & \text{(C4)} \quad \text{AuditAccess}(\pi_r(t)) \in \mathcal{A}_{\text{auditors}} \nonumber \end{align}

(7)

7Koordination über die vier institutionellen Rollen

$\pi_r$ bezeichnet die Policy für die Agentenrolle $r \in \{a, p, s, u\}$ , die auf institutionellen Aufgaben $t \in \mathcal{T}_r$ aus der globalen Aufgabenverteilung $\mathcal{D}$ agiert. $\mathcal{C}_{\text{sync}}$ definiert die zulässigen Synchronisationsrestriktionen über Agenteninteraktionen hinweg. $\mathcal{L}_{\text{ledger}}$ ist die Menge der gültigen Audit-Log-Einträge, die von UniDVS unterhalten werden. $\mathcal{G}_{\text{institutional}}$ kodiert institutionelle Freigabe- und Override-Strukturen. $\mathcal{A}_{\text{auditors}}$ definiert den Zugriffsumfang für interne und externe prüfende Agenten. Die Optimierung steuert koordinierte Ausführung, Nachvollziehbarkeit und Compliance über alle UniAI-Komponenten hinweg.

Zweischichtige UniDVS-Architektur

UniDVS ist nicht als zentrales Register konzipiert, sondern als dezentrales Verifikations-Ökosystem, das gemeinsam von akkreditierten Institutionen und Aufsichtsbehörden betrieben wird. Diese Struktur bildet das föderierte Modell der Hochschulgovernance ab und stellt sicher, dass weder ein einzelnes Anbieterunternehmen noch eine einzelne Institution oder Verwaltungsinstanz einseitige Kontrolle über die Verifikationsschicht ausübt. Die Verifizierbarkeit ergibt sich aus verteiltem Konsens und kryptografischer Bindung über unabhängige, interoperable Knoten hinweg.

Jeder teilnehmende Knoten betreibt eine Validator-Instanz, die für Transaktionsverifikation, Zertifizierungsattestierung und Ledger-Synchronisation zuständig ist. Validator-Knoten werden von Universitäten, Qualitätssicherungsstellen, Anerkennungsbehörden und Aufsichtsbehörden in Finanz und Datenschutz betrieben. Die Einbeziehung regulatorischer Akteure stellt sicher, dass die technische Verifikation mit der rechtlichen Zulässigkeit übereinstimmt, und bietet direkten Lesezugriff auf zertifizierte Aufzeichnungen für aufsichtliche Inspektion und Audit.

Um institutioneller Heterogenität und asynchroner Propagation Rechnung zu tragen, setzt das System einen Konsensmechanismus mit gerichtetem azyklischem Graphen (DAG) statt einer linearen Blockchain ein. Anders als Blockchains erlauben DAGs die gleichzeitige Transaktionsvalidierung ohne globale Ordnung. Das senkt die Latenz, erhöht die Skalierbarkeit und ermöglicht die parallele Festschreibung verifizierter Ausgaben, darunter Diplomausgabe, Prüfungsaufzeichnungen und Audit Trails, ohne zentrale Engpässe einzuführen. Jede Transaktion ist kryptografisch mit ihren Vorgängern verknüpft, was Nachvollziehbarkeit und Nichtabstreitbarkeit sichert und zugleich die Durchsatzgrenzen sequentieller Konsensarchitekturen vermeidet.

Wir schlagen vor, UniDVS als zweischichtige Infrastruktur umzusetzen. Layer 1 dient als primärer Ledger für regulierte institutionelle Ausgaben, einschliesslich der Übertragung von Stablecoins, der Ausgabe von ECTS-Token und der Registrierung von Bildungstransaktionen mit finanziellen oder rechtlichen Folgen. Diese Schicht kann unter kontrollierten ökonomischen Anreizen betrieben werden und trägt Aktivitäten, die formale Auditierbarkeit und monetäre Nachvollziehbarkeit erfordern.

Layer 2 fungiert als durchsatzstarke, anreizfreie Einreichungsumgebung für verfahrensbezogene und technische Interaktionen ohne Wertübertragung. Dazu gehören Zeugnisattestierungen, Aktualisierungen von Kursstrukturen, Einreichungen institutioneller Metadaten und systemgenerierte Logs. Layer 2 ist auf niedrige Latenz und kostenfreien Betrieb optimiert und bildet damit die operative Rolle akademischer und administrativer Agenten innerhalb ihrer institutionellen Mandate ab.

Um die Beweisintegrität zu wahren und externe Verifizierbarkeit zu sichern, verankert Layer 2 periodisch aggregierte Zustandsbindungen in Layer 1. Zu den Verankerungsmethoden zählen die Einreichung von Merkle Roots, Hash-Commitments oder rekursive Proofs, die den institutionellen Verifikationszustand über definierte Intervalle repräsentieren.

Das formale Ziel der UniDVS-Architektur wird als verteiltes Optimierungsproblem in Gleichung 8 ausgedrückt. Es definiert den zulässigen Policy-Raum für graphbasierte Verifikation und institutionell koordinierte Zustandspropagation.

\begin{align} \label{eq:dag} \max_{\pi_{\text{dvs}}} \quad & \mathbb{E}_{e \sim \mathcal{E}} \left[ U_{\text{dvs}}(e \mid G, \mathcal{N}) \right] \\ \text{subject to:} \quad & \forall\, e \in \mathcal{E}: \quad \text{Sig}(e) \in \mathcal{K}_n, \quad \text{Parent}(e) \subseteq G, \nonumber \\ & \forall\, n \in \mathcal{N}: \quad \text{Role}(n) \in \mathcal{R}_{\text{edu}} \cup \mathcal{R}_{\text{reg}}, \quad \text{Consistency}(G) = \text{True}, \nonumber \\ & \text{Finality}(e) \Rightarrow \text{Auditability}(e) = \text{True} \nonumber \end{align}

(8)

8Die verteilte Verifikationszielfunktion von UniDVS

Dabei bezeichnet $\pi_{\text{dvs}}$ die Systempolicy, die Validierung und Propagation der Verifikationsereignisse $e$ im Graphen $G$ steuert, unterhalten von den institutionellen Knoten $\mathcal{N}$ . Jedes Ereignis muss mit einem gültigen institutionellen Schlüssel aus $\mathcal{K}_n$ signiert sein und über $\text{Parent}(e)$ gültige Vorgänger referenzieren. Knotenrollen sind unter $\mathcal{R}_{\text{edu}}$ für Bildungseinrichtungen und $\mathcal{R}_{\text{reg}}$ für Aufsichtsbehörden klassifiziert. $\text{Consistency}(G)$ stellt sicher, dass der Graph azyklisch und kohärent bleibt. $\text{Finality}(e)$ markiert die Festschreibung einer Transaktion und verlangt, dass ihr Audit Trail intakt und extern verifizierbar bleibt.

Die Interaktion mit UniDVS ist über rollenspezifische Verifikationskanäle $\mathcal{V}_r$ strukturiert, die Einreichungs-, Abfrage- und Anfechtungsrechte je Agententyp $r \in \{a, p, s, u\}$ definieren. Diese Interaktionen unterliegen strikten Protokollregeln, die die Zulässigkeit für die Aufnahme in den Ledger bestimmen. Die formale Regel für die bedingte Festschreibung von Handlungen im UniDVS-Ledger ist in Gleichung 9 definiert:

\begin{align} \label{eq:UniDVS} \forall\, r \in \{a, p, s, u\}, \, \forall\, t \in \mathcal{T}_r: \quad \text{Submit}(\pi_r(t)) \rightarrow \begin{cases} \text{Commit}(\pi_r(t)) \in \mathcal{L}_{\text{DVS}}, & \text{if } \pi_r(t) \models \mathcal{C}_{\text{DVS}} \\ \bot, & \text{otherwise} \end{cases} \end{align}

(9)

9Bedingte Festschreibung einer Handlung im Ledger

Dabei bezeichnet $\text{Submit}(\pi_r(t))$ die Absicht des Agenten, eine Handlung $t$ unter der Policy $\pi_r$ zu registrieren. Die Verifikationslogik $\mathcal{C}_{\text{DVS}}$ umfasst den institutionellen Freigabestatus, die Gültigkeit der kryptografischen Signatur, Zeitfensterbedingungen und Kohärenzprüfungen zwischen Agenten. Nach der Verifikation wird die Handlung in $\mathcal{L}_{\text{DVS}}$ festgeschrieben, dem dezentralen institutionellen Ledger, wo sie öffentlich auditierbar und über alle teilnehmenden Institutionen hinweg synchronisiert ist.

UniAI-Agenten müssen zwischen den Transaktionsdomänen von Layer 1 und Layer 2 unterscheiden können. Layer 1 ist Handlungen mit formalen regulatorischen, finanziellen oder institutionsübergreifenden Folgen vorbehalten, darunter Stablecoin-Transfers, die Ausgabe von ECTS-Token und die notarielle Registrierung von Verträgen. Layer 2 trägt verfahrensbezogene Einreichungen mit niedriger Latenz wie Metadatenaktualisierungen, nicht monetäre Attestierungen und interne Auditspuren. Die Einreichungslogik wird durch eine Taxonomie von Smart-Contract-Klassen bestimmt. Verträge, die rechtliche Endgültigkeit, fiskalische Auditierbarkeit oder externe Verankerung erfordern, werden als $\mathcal{S}_1$ klassifiziert und an Layer 1 geleitet. Verträge zur Verfahrenssynchronisation, internen Aufzeichnung oder nicht monetären Agentenkoordination werden als $\mathcal{S}_2$ klassifiziert und auf Layer 2 ausgeführt. Kombinierte Vertragsstrukturen, bezeichnet als $\mathcal{S}_{1+2}$ , können beide Schichten umfassen: Sie beginnen in Layer 2 und schreiben hash-verifizierte Endzustände in Layer 1 fest. UniAI-Agenten müssen die korrekte Schichtzuordnung zum Einreichungszeitpunkt anhand des kodierten Policy-Typs, der Agentenrolle, des institutionellen Geltungsbereichs und nachgelagerter Abhängigkeitsbedingungen auflösen. Um Beweiskonsistenz und korrektes Ausführungsrouting zu sichern, müssen Agenten die Zielschicht für jeden Vertrag zur Laufzeit dynamisch auflösen. Tabelle 1 definiert das Klassifikationsschema, nach dem Smart Contracts entsprechend ihrer regulatorischen Funktion, ihres Ausführungsumfangs und ihres Verankerungsbedarfs zugeordnet werden. Diese Struktur ermöglicht geschichtete Verifizierbarkeit, Verfahrenseffizienz und Compliance-Integrität (Regulation (EU) 2023/1114 on Markets in Crypto-Assets (MiCA) 2023; Directive 2014/65/EU on Markets in Financial Instruments (MiFID II) 2014; European Union 2016).

Tabelle 1Smart-Contract-Taxonomie für die AI-basierte Schichtzuordnung
Vertragsklasse	Typische Funktionen	Einreichungskriterien	Zugewiesene Schicht
S₁ (regulatorische Endgültigkeit)	Stablecoin-Transfers, ECTS-Ausgabe, institutionelle Zahlungen, notariell beurkundete Vereinbarungen, externe Verpflichtungen	Erfordert Auditierbarkeit, löst finanzielle oder rechtliche Pflichten aus, benötigt institutionsübergreifende Nachvollziehbarkeit	Layer 1
S₂ (technische Attestierung)	Zeugnis-Uploads, Änderungen der Kursstruktur, Systemstatus-Logs, Aktualisierungen von Nutzerrollen	Interne institutionelle Provenienz, geringe finanzielle Wirkung, allein Verfahrenstransparenz	Layer 2
S₃ (hybride Synchronisation)	Delegationsnachweise zwischen Agenten, regulatorische Mitteilungen, Zustandsereignisse zwischen Konsortien	Doppelte Anforderung an Unveränderlichkeit und Geschwindigkeit, benötigt Verankerung in L1	Layer 2 mit Verankerung in Layer 1

Aufgaben, die von institutionellen Stakeholdern angestossen werden, umfassen häufig mehrere Minting-Vorgänge über verschiedene regulatorische und verfahrensbezogene Domänen hinweg. UniAI-Agenten müssen jede übergeordnete Aufgabenspezifikation in diskrete Minting-Handlungen zerlegen und jede Handlung an ihren jeweiligen Compliance-Restriktionen ausrichten. Das verlangt, die beabsichtigten Ausgaben anhand der in Tabelle 1 definierten Smart-Contract-Taxonomie zu klassifizieren, das passende Vertragstemplate auszuwählen und es mit aufgabenspezifischen Attributen wie Emittentennachweisen, Gültigkeitsdauer, Auditumfang und finanzieller Verknüpfung zu parametrisieren.

Jede Minting-Handlung muss in der passenden Systemschicht ausgeführt werden: Layer 1 für rechtlich bindende Artefakte, Layer 2 für verfahrensbezogene Einreichungen oder beide, wo kryptografische Verankerung erforderlich ist. Die logische Konsistenz muss über alle geminteten Ausgaben hinweg gewahrt bleiben. Agenten müssen sicherstellen, dass die Bedingungen für Auditierbarkeit, Endgültigkeit und Verifizierbarkeit ohne Redundanz, Auslassung oder schichtübergreifende Fehlklassifikation erfüllt sind.

Die von UniAI-Agenten ausgeführte Minting-Logik lässt sich als restringiertes Optimierungsproblem formalisieren, dargestellt in Gleichung 10. Diese Formulierung drückt die Verantwortung des Agenten aus, aus einer strukturierten Aufgabenspezifikation eine gültige Folge von Minting-Vorgängen abzuleiten, zu klassifizieren und auszuführen, unter semantischen und regulatorischen Restriktionen.

\begin{align} \label{eq:minting} \max_{\mu} \quad & \sum_{i=1}^{n} \delta(m_i, \tau_i) \cdot V(m_i) \\ \text{subject to:} \quad & \forall\, m_i \in \mathcal{M}: \quad \text{Class}(m_i) = \text{Tax}(\tau_i), \nonumber \\ & \text{Layer}(m_i) = \lambda(\text{Class}(m_i)), \quad \text{Template}(m_i) \models \text{Req}(\tau_i), \nonumber \\ & \text{Finality}(m_i) \Rightarrow \text{Verifiability}(m_i) = \text{True}, \quad \text{Mint}(m_i) \Rightarrow \text{Submit}(m_i) \in \mathcal{L}_{\text{DVS}} \nonumber \end{align}

(10)

10Minting als restringierte Optimierung

Dabei bezeichnet $\mu$ die Agenten-Policy für das Minting und $\mathcal{M} = \{m_1, \dots, m_n\}$ die Menge der aus der Stakeholder-Aufgabe abgeleiteten mintbaren Artefakte. Jedes Artefakt $m_i$ wird gegen eine zugehörige Aufgabenkomponente $\tau_i$ bewertet, wobei $\delta(m_i, \tau_i)$ die semantische Passung ausdrückt und $V(m_i)$ den Compliance- oder Betriebswert des Artefakts bezeichnet. Die Funktion $\text{Class}(\cdot)$ weist auf Basis der Smart-Contract-Taxonomie $\text{Tax}(\cdot)$ eine Vertragsklasse zu, und $\lambda(\cdot)$ bildet diese Klasse auf die erforderliche Systemschicht ab. Das gewählte Template $\text{Template}(m_i)$ muss die in der Aufgabenspezifikation kodierten Anforderungen $\text{Req}(\tau_i)$ erfüllen. Die Endgültigkeit erzwingt Verifizierbarkeit, und erfolgreiches Minting impliziert eine gültige Einreichung an den dezentralen Verifikations-Ledger $\mathcal{L}_{\text{DVS}}$ .

Auf Layer 1 der UniAI-Architektur, der föderierten Compliance-Umgebung, die von akkreditierten Konsortien betrieben und beaufsichtigt wird, schlagen wir ein Referenzsystem zur Unterstützung der Klassifikationsauflösung in mehrdeutigen Fällen vor. Von UniAI-Agenten wird erwartet, dass sie gültige Minting-Pfade autonom ableiten und die passende Vertragsklasse und Systemschicht wählen. Atypische oder zuvor nicht beobachtete Eingabestrukturen können jedoch die Generalisierungsfähigkeit des Agenten überschreiten. Um die Entscheidungsfindung in solchen Fällen zu unterstützen, nehmen wir eine kuratierte Fallreferenzliste auf, die repräsentative institutionelle Aufgaben auf validierte Vertragsklassifikationen abbildet. Dieser Retrieval-Mechanismus erhöht die Robustheit in Randfällen und richtet die Agentenausführung am institutionellen Präzedenzfall aus.

Ergänzend zur Inferenzunterstützung aus der Historie schlagen wir vor, dass die teilnehmenden Institutionen gemeinsam eine normative Liste der Vertragskategorien für Layer 1 und Layer 2 pflegen. Diese Liste bestimmt, welche Einreichungen Transaktionskosten auslösen und welche befreit bleiben. Sie dient als Governance-Mechanismus, mit dem institutionelle Akteure operative Anreize steuern und zugleich die Zugänglichkeit für akademische Kernfunktionen wahren können. Einreichungen im Zusammenhang mit monetärer Wertübertragung oder der Ausgabe formaler Rechte können einer gebührenpflichtigen Validierung unterliegen, während verfahrensbezogene Interaktionen wie Aktualisierungen von Kursstrukturen oder interne Attestierungen kostenfrei bleiben sollten. Die Klassifikationsliste und die zugrunde liegende Vertragstaxonomie werden vom verantwortlichen Konsortium periodisch überprüft, um auf regulatorische, pädagogische und operative Entwicklungen zu reagieren.

Um die von UniAI-Agenten auf Layer 1 angewandte Vertragsklassifikationslogik zu formalisieren, definieren wir eine Gleichung, die fallbasierte Inferenz, normative Regeln und modellbasiertes Reasoning in die Schichtauswahl des Agenten integriert. Diese Struktur stellt sicher, dass jede Minting-Aufgabe korrekt auf die passende Systemschicht abgebildet wird, wie in Gleichung 11 gezeigt:

\begin{align} \label{eq:layerclassification} \text{Layer}(\tau_i) = \begin{cases} \text{Lookup}(\tau_i, \mathcal{C}) & \text{if } \tau_i \in \text{Dom}(\mathcal{C}) \\ \text{GovernanceRule}(\tau_i, \mathcal{G}) & \text{if } \tau_i \in \text{Dom}(\mathcal{G}) \\ \text{InferLayer}(\tau_i, \theta_r) & \text{otherwise} \end{cases} \end{align}

(11)

11Schichtauswahl für eine Minting-Aufgabe

Dabei bezeichnet $\tau_i$ die $i$ -te von einem Agenten eingereichte Minting-Aufgabe. Die Funktion $\text{Lookup}(\tau_i, \mathcal{C})$ führt ein fallbasiertes Retrieval aus der kuratierten Klassifikationsliste $\mathcal{C}$ aus, die zuvor verifizierte Aufgabentypen auf ihre jeweiligen Ausführungsschichten abbildet. Wird kein historischer Treffer gefunden, fragt der Agent $\text{GovernanceRule}(\tau_i, \mathcal{G})$ ab, wobei $\mathcal{G}$ die vom Konsortium gepflegte Klassifikationslogik zur Unterscheidung gebührenpflichtiger und gebührenfreier Einreichungen definiert. Lösen beide Mechanismen die Klassifikation nicht auf, greift der Agent auf $\text{InferLayer}(\tau_i, \theta_r)$ zurück, das seine gelernte Policy $\theta_r$ anwendet, um die passende Vertragsschicht zu bestimmen. Dieser Formalismus begrenzt das Agentenverhalten auf einen Entscheidungsraum, der institutionellen Präzedenzfall, Governance-Richtlinie und modellbasierte Generalisierung zusammenführt.

Tokenisierte Assets und Stablecoin-Integration für den institutionellen Betrieb

Im UniDVS-Framework werden tokenisierte Assets eingesetzt, um institutionelle Dokumentation, Rechnungswesen und Kreditübertragung über Jurisdiktionen hinweg zu ermöglichen. Diese Assets umfassen zwei Klassen: einen einheitlichen, jurisdiktionsübergreifend zugelassenen institutionellen Stablecoin und verifizierbare ECTS-Token, die akademische Leistungen repräsentieren. Beide arbeiten in derselben technischen Infrastruktur, erfüllen aber unterschiedliche regulatorische und operative Funktionen.

Der institutionelle Stablecoin ist ein einzelnes, regulatorisch zugelassenes digitales Asset, das in den teilnehmenden Jurisdiktionen einschliesslich der Schweiz und der Europäischen Union registriert ist. Er gilt als Finanzinstrument und entspricht den anwendbaren Rechtsakten wie dem schweizerischen Finanzmarktinfrastrukturgesetz (FinfraG) (Federal Assembly of the Swiss Confederation 2016), das Finanzdienstleistungsgesetz (FIDLEG) (Federal Assembly of the Swiss Confederation 2018) und das Geldwäschereigesetz (GwG) (Federal Assembly of the Swiss Confederation 2021) sowie EU-Rahmenwerke einschliesslich der Markets in Crypto-Assets Regulation (MiCA) (Regulation (EU) 2023/1114 on Markets in Crypto-Assets (MiCA) 2023), der Markets in Financial Instruments Directive (MiFID II) (Directive 2014/65/EU on Markets in Financial Instruments (MiFID II) 2014), der zweiten E-Geld-Richtlinie (EMD2) (Directive 2009/110/EC on the Taking up, Pursuit and Prudential Supervision of the Business of Electronic Money Institutions (EMD2) 2009) und der sechsten Geldwäscherichtlinie (AMLD) (Directive (EU) 2018/1673 on Combating Money Laundering by Criminal Law (6th AMLD) 2018). Die Aufsicht üben FINMA (Swiss Financial Market Supervisory Authority (FINMA) 2024), ESMA (European Securities and Markets Authority (ESMA) 2024) und die zuständigen nationalen Behörden (Federal Financial Supervisory Authority (BaFin) 2024; Austrian Financial Market Authority (FMA) 2024) aus. Der Stablecoin ist durch institutionelle Reserven gedeckt und dient als programmierbares, manipulationssicheres Medium für interne Auszahlungen, Studiengebühren und Abrechnungen zwischen Institutionen. Sein Einsatz sichert finanzielle Compliance, Auditierbarkeit und nachvollziehbare Wertflüsse über Hochschulnetzwerke hinweg.

ECTS-Token repräsentieren formalisierte akademische Credits, ausgerichtet am European Credit Transfer and Accumulation System (ECTS) (European Commission 2015), am Europäischen Qualifikationsrahmen (EQF) (European Commission 2017) und am Bologna-Prozess (European Higher Education Area 2020). Sie gelten zwar nicht als Finanzinstrumente, haben aber rechtliche Bedeutung innerhalb von Qualifikationsrahmen und Studienfinanzierungssystemen. ECTS-Token werden von akkreditierten Institutionen ausgegeben, wobei Compliance und Integrität über UniDVS von nationalen Qualitätssicherungsstellen und Anerkennungsbehörden überwacht werden, darunter ENQA (European Association for Quality Assurance in Higher Education (ENQA) 2015), AAQ (Swiss Agency of Accreditation and Quality Assurance (AAQ) 2024), der deutsche Akkreditierungsrat (German Accreditation Council 2022), NVAO (Dutch-Flemish Accreditation Organisation (NVAO) 2023) und ANECA (Agencia Nacional de Evaluación de la Calidad y Acreditación (ANECA) 2023). Jedes Token ist kryptografisch verifizierbar, nachvollziehbar und nach der Aufzeichnung in der dezentralen Infrastruktur unveränderlich.

Diskussion

Die vorgeschlagene Architektur zeigt, dass rechtlich handhabbare, multiagentenbasierte AI-Systeme und dezentrale Verifikationsinfrastrukturen in die Hochschulbildung integriert werden können, ohne institutionelle Autonomie oder regulatorische Compliance zu untergraben. Rechtliche Restriktionen sind unmittelbar in die Systemlogik eingebettet, was externalisierte Compliance-Schichten vermeidet und Zulässigkeit, Nachvollziehbarkeit und Auditierbarkeit als strukturelle Eigenschaften durchsetzt. Die Trennung der Funktionen von UniAI und UniDVS stellt sicher, dass Entscheidungsfindung und Verifikation modular und zugleich interoperabel bleiben, im Einklang mit den bestehenden Governance-Strukturen.

UniAI arbeitet über drei strukturelle Schichten: zentrale System-Governance, institutionelles Deployment und unabhängige Aufsicht. Diese Trennung wahrt eine funktionale Grenze zwischen algorithmischer Automatisierung und institutioneller Autorität. Die Agenten sind rollenspezifisch, restriktionsgebunden und über jurisdiktionelle und organisatorische Kontexte hinweg auditierbar. Ihre Handlungen sind über eine föderierte, in Regulierungsrahmen verankerte Infrastruktur verifizierbar und rechtlich zulässig.

UniDVS ist als zweischichtiges System aufgebaut, das institutionelle und institutionsübergreifende Verifikation ermöglicht. Layer 2 bildet die primäre operative Umgebung für institutionelle Prozesse. Er hält verifizierbare Handlungen wie Zeugnisausgabe, Immatrikulationsbestätigungen und finanzielle Auszahlungen in einem manipulationsevidenten Ledger fest, der von den teilnehmenden Institutionen unterhalten wird. Layer 1 dient als Verankerungsschicht für die Beweisintegrität. Er registriert aggregierte Zustandsnachweise wie Merkle Roots oder rekursive Hashes über definierte Intervalle, um globale Verifizierbarkeit zu sichern. Beide Schichten unterliegen der Governance eines föderierten Konsortiums, was externe Abhängigkeiten vermeidet und die regulatorische Passung wahrt.

Layer 2 von UniDVS ist nicht gewinnorientiert. Er ist als anreizfreie Infrastruktur mit strukturell minimierten Transaktionsgebühren umgesetzt. Ausgewählte Vorgänge, darunter Kursattestierungen und Zeugniseinreichungen, können kostenfrei ausgeführt werden. Dieses Design stellt sicher, dass institutionelle Transaktionen an öffentlichen Aufträgen ausgerichtet und frei von externen Gebührenregimen bleiben. Layer 1 kann dagegen unter einer eigenen ökonomischen Logik betrieben werden, einschliesslich anreizbasierter Teilnahme, sofern er unter der Governance des Konsortiums bleibt und die vom Netzwerk definierten Beweis- und Aufsichtsanforderungen erfüllt. Um die Verifizierbarkeit über die föderierte Layer-2-Umgebung hinaus zu sichern, verankert UniDVS institutionelle Zustandsbindungen periodisch in Layer 1. Diese Verankerung garantiert Nachvollziehbarkeit und Unveränderlichkeit der Beweise, ohne interne institutionelle Prozesse marktbasierten Transaktionskosten oder externer Abhängigkeit auszusetzen.

Technische Skalierbarkeit und regulatorische Interoperabilität wurden formal modelliert; die empirische Validierung bleibt jedoch wesentlich. Künftige Arbeiten müssen kontrollierte Deployments, Stakeholder-Tests und verfahrensbezogene Stressszenarien umfassen, um institutionelles Vertrauen, rechtliche Verteidigungsfähigkeit und Systemresilienz zu beurteilen. Das Modell ist zwar auf die Schweiz und die EU zugeschnitten, bietet aber eine übertragbare Blaupause für vergleichbare Rechtssysteme.

Die architektonische Trennung zwischen nutzenmaximierenden Agenten und dezentraler Verifizierbarkeitsinfrastruktur führt ein normatives Restriktionssystem ein, das gegen einseitige Übersteuerung resistent und für institutionelles Audit offen ist. Die vorgeschlagene Token-Infrastruktur aus einem jurisdiktionsübergreifend zugelassenen Stablecoin und verifizierbaren, in ECTS denominierten Credits wahrt finanzielle Präzision und akademische Integrität in digitalen Umgebungen. Das Modell zeigt, dass AI-gestützte Bildungsinfrastruktur steuerbar, auditierbar und mit öffentlichen Aufträgen vereinbar bleiben kann, ohne Bildung auf eine Verfahrensdienstleistung zu verkürzen.

Limitationen und weitere Forschung

Dieses Framework definiert eine regulierungskonforme Architektur für AI-gestützten institutionellen Betrieb und verteilte Verifikation in der Hochschulbildung. Seine praktische Umsetzung unterliegt weiterhin mehreren Limitationen, die über technische, rechtliche und institutionelle Domänen hinweg weiterer Untersuchung bedürfen.

Empirische Forschung muss die Systemleistung unter realistischen Betriebsbedingungen evaluieren, einschliesslich Immatrikulations-Workflows, jurisdiktionsübergreifender Kreditübertragung und Auditverfahren. Zu den Limitationen zählt, dass für Fehlerfälle wie Zeugnisstreitigkeiten, asynchrone Ledger-Propagation oder kollidierende jurisdiktionelle Ansprüche bislang keine erprobten Reaktionsmechanismen vorliegen.

Das Zusammenspiel zwischen menschlicher Aufsicht und autonomen UniAI-Agenten ist operativ noch nicht im Detail formalisiert. Das betrifft Override-Fähigkeiten, Eskalationsprotokolle und nachvollziehbare Entscheidungsketten, die den Beweisstandards regulatorischer Inspektion genügen. Diese Lücken bergen Risiken für die Verfahrensrechenschaft und die rechtliche Zulässigkeit bei strittigen Entscheidungen.

Auch die Governance-Struktur des dezentralen UniDVS-Systems bedarf weiterer Spezifikation. Offen bleiben Fragen zur Validator-Eignung, zur institutionellen Legitimation und zur Fehlertoleranz im föderierten Netzwerk. Ohne klar definiertes Governance-Modell riskiert die Infrastruktur eine Fehlpassung zu Akkreditierungsrahmen und aufsichtlichen Anforderungen.

Schliesslich bleibt der rechtliche und monetäre Status der über das System ausgegebenen digitalen Instrumente ungeklärt. Die Stablecoin-Komponente erfordert eine abgestimmte Zulassung durch die Finanzaufsichtsbehörden. ECTS-konforme Token müssen in nationalen und grenzüberschreitenden Rahmenwerken für Kreditakkumulation und Qualifikationsanerkennung anerkannt werden. Diese Instrumente lassen sich ohne strukturierte rechtliche Validierung, formale regulatorische Erprobung und kontrolliertes Deployment in akkreditierten institutionellen Umgebungen nicht operationalisieren.

Literatur

Agencia Nacional de Evaluación de la Calidad y Acreditación (ANECA). 2023. National Agency for Quality Assessment and Accreditation of Spain. https://www.aneca.es.

Austrian Financial Market Authority (FMA). 2024. FMA Austria Official Website. https://www.fma.gv.at/en/.

Bernacki, Matthew L., Meghan J. Greene, and Nikki G. Lobczowski. 2021. “A Systematic Review of Research on Personalized Learning: Personalized by Whom, to What, How, and for What Purpose(s)?” Educational Psychology Review 33: 1675–715. https://doi.org/10.1007/s10648-021-09615-8.

Corporate Sustainability Reporting Directive (CSRD). 2022. EU Regulation. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32022L2464.

Directive 2009/110/EC on the Taking up, Pursuit and Prudential Supervision of the Business of Electronic Money Institutions (EMD2). 2009. Official Journal of the European Union. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32009L0110.

Directive 2014/65/EU on Markets in Financial Instruments (MiFID II). 2014. Official Journal of the European Union. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32014L0065.

Directive (EU) 2018/1673 on Combating Money Laundering by Criminal Law (6th AMLD). 2018. Official Journal of the European Union. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32018L1673.

Directive (EU) 2022/2555 on Measures for a High Common Level of Cybersecurity Across the Union (NIS2). 2022. Official Journal of the European Union. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32022L2555.

Dutch-Flemish Accreditation Organisation (NVAO). 2023. Quality Assurance of Higher Education in the Netherlands and Flanders. https://www.nvao.net.

European Association for Quality Assurance in Higher Education (ENQA). 2015. Standards and Guidelines for Quality Assurance in the European Higher Education Area (ESG). https://www.eqar.eu/assets/uploads/2018/04/ESG_2015.pdf.

European Commission. 2015. “European Credit Transfer and Accumulation System (ECTS) Users’ Guide.” Publications Office of the European Union. https://education.ec.europa.eu/sites/default/files/document-library-docs/ects-users-guide_en.pdf.

European Commission. 2017. “Recommendation on the European Qualifications Framework for Lifelong Learning.” Official Journal of the European Union. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32017H0615%2801%29.

European Higher Education Area. 2020. “Bologna Process Implementation Report 2020.” Publications Office of the European Union. https://eurydice.eacea.ec.europa.eu/publications/european-higher-education-area-2020-bologna-process-implementation-report.

European Securities and Markets Authority (ESMA). 2024. ESMA Overview and Functions. https://www.esma.europa.eu/.

European Union. 2016. “General Data Protection Regulation (EU) 2016/679.” Official Journal of the European Union. https://eur-lex.europa.eu/eli/reg/2016/679/oj.

European Union. 2024. “Regulation of the European Parliament and of the Council Laying down Harmonised Rules on Artificial Intelligence (AI Act).” Official Journal of the European Union. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A52021PC0206.

FATF Guidance on Virtual Assets and Virtual Asset Service Providers. 2023. Financial Action Task Force. https://www.fatf-gafi.org/content/dam/fatf-gafi/guidance/Updated-Guidance-VA-VASP.pdf.coredownload.inline.pdf.

Federal Assembly of the Swiss Confederation. 2016. Federal Act on Financial Market Infrastructures and Market Conduct in Securities and Derivatives Trading (Financial Market Infrastructure Act, FMIA). https://www.fedlex.admin.ch/eli/cc/1998/892_892_892/en.

Federal Assembly of the Swiss Confederation. 2018. Federal Act on Financial Services (Financial Services Act, FinSA). https://www.fedlex.admin.ch/eli/cc/2019/758/en.

Federal Assembly of the Swiss Confederation. 2021. Federal Act on Combating Money Laundering and Terrorist Financing (Anti-Money Laundering Act, AMLA). https://www.fedlex.admin.ch/eli/cc/1998/892_892_892/en.

Federal Council of Switzerland. 2020. “Federal Act on Data Protection (FADP).” Swiss Federal Chancellery. https://www.fedlex.admin.ch/eli/cc/2022/491/en.

Federal Financial Supervisory Authority (BaFin). 2024. BaFin Homepage. https://www.bafin.de/EN/.

Fedus, William, Barret Zoph, and Noam Shazeer. 2022. “Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity.” arXiv Preprint. https://doi.org/10.48550/arXiv.2101.03961.

Flanery, Sarah A., Kamalesh Mohanasundar, Christiana Chamon, Srujan D. Kotikela, and Francis K. Quek. 2023. “Web 3.0 and a Decentralized Approach to Education.” arXiv Preprint arXiv:2312.12268. https://doi.org/10.48550/arXiv.2312.12268.

German Accreditation Council. 2022. Accreditation in Germany Under the Interstate Study Accreditation Treaty. https://www.akkreditierungsrat.de.

Grech, Alexander, and Anthony F. Camilleri. 2017. Blockchain in Education. No. JRC108255. Joint Research Centre, European Commission. https://publications.jrc.ec.europa.eu/repository/handle/JRC108255.

Lee, Sung Une, Harsha Perera, Yue Liu, et al. 2024. “Integrating ESG and AI: A Comprehensive Responsible AI Assessment Framework.” arXiv Preprint arXiv:2408.00965. https://doi.org/10.48550/arXiv.2408.00965.

Okubo, Tomoko. 2025. Collective Intelligence Model for Education (CIME). OECD Education Working Papers No. 325. OECD Publishing. https://doi.org/10.1787/c673cc25-en.

Okubo, Tomoko, Masanori Watanabe, Hiroaki Yamaguchi, and Yuki Hasegawa. 2023. AI Scoring for International Large-Scale Assessments Using a Deep Learning Model and Multilingual Data. OECD Education Working Papers No. 287. OECD Publishing. https://doi.org/10.1787/9918e1fb-en.

Perera, Harsha, Sung Une Lee, et al. 2024. “Achieving Responsible AI Through ESG: Insights and Recommendations from Industry Engagement.” arXiv Preprint arXiv:2409.10520. https://doi.org/10.48550/arXiv.2409.10520.

Regulation (EU) 2020/852 on the Establishment of a Framework to Facilitate Sustainable Investment (EU Taxonomy Regulation). 2020. EU Regulation. https://eur-lex.europa.eu/eli/reg/2020/852/oj.

Regulation (EU) 2022/2554 on Digital Operational Resilience for the Financial Sector (DORA). 2022. Official Journal of the European Union. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32022R2554.

Regulation (EU) 2023/1114 on Markets in Crypto-Assets (MiCA). 2023. Official Journal of the European Union. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32023R1114.

Regulation (EU) No 575/2013 on Prudential Requirements for Credit Institutions and Investment Firms (CRR). 2013. Official Journal of the European Union. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32013R0575.

Rodriguez, Joel Mark P., Genesis S. Austria, and Glen B. Millar. 2025. “The Role of AI, Blockchain, Cloud, and Data (ABCD) in Enhancing Learning Assessments of College Students.” arXiv Preprint arXiv:2503.05722. https://doi.org/10.48550/arXiv.2503.05722.

Sun, Yu, Shuohuan Wang, Shikun Feng, et al. 2021. ERNIE 3.0: Large-Scale Knowledge Enhanced Pre-Training for Language Understanding and Generation. arXiv preprint arXiv:2107.02137. https://doi.org/10.48550/arXiv.2107.02137.

Swiss Agency of Accreditation and Quality Assurance (AAQ). 2024. Accreditation and Quality Assurance in Swiss Higher Education. https://aaq.ch/en.

Swiss Confederation. 2020. Federal Act on Funding and Coordination of the Swiss Higher Education Sector (HEdA). https://lex.weblaw.ch/lex.php?norm_id=414.20&source=sr&lex_id=11863#art_4.

Swiss Financial Market Supervisory Authority (FINMA). 2024. FINMA Official Portal. https://www.finma.ch/en/.

Wang, Zirui, Adams Wei Yu, Orhan Firat, and Yuan Cao. 2021. Towards Zero-Label Language Learning. arXiv preprint arXiv:2109.09193. https://doi.org/10.48550/arXiv.2109.09193.

Xue, Linting, Noah Constant, Adam Roberts, et al. 2020. mT5: A Massively Multilingual Pre-Trained Text-to-Text Transformer. arXiv preprint arXiv:2010.11934. https://doi.org/10.48550/arXiv.2010.11934.

Ein regulierungskonformes AI- und Verifikationssystem für die Hochschulbildung unter ESG-konformen Restriktionen