📈 economics

Behavioral Pathways Behind Students’ Willingness to Pay for GenAI in Higher Education

Diese Studie nutzt das Technology Acceptance Model, um zu zeigen, dass die Zahlungsbereitschaft von Studierenden für generative KI-Tools im Hochschulwesen durch die wahrgenommene Benutzerfreundlichkeit und Nützlichkeit angetrieben wird, welche die Verhaltensabsichten fördern, die sich letztlich in einer finanziellen Verpflichtung niederschlagen.

Ursprüngliche Autoren: Suraksha Baral, Sudarshan Adhikari, Emily Buck, Prerana Khatiwada

Veröffentlicht 2026-07-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Suraksha Baral, Sudarshan Adhikari, Emily Buck, Prerana Khatiwada

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Warum sollten Studenten für KI bezahlen?

Stellen Sie sich Generative KI (wie ChatGPT) wie ein neues, magisches Küchengerät vor. Es kann Gemüse schneiden, Saucen mischen und sogar Rezepte für Sie schreiben. Im Moment nutzen die meisten Studenten die „Gratis-Testversion“ dieses Geräts. Sie lieben es, aber sie bezahlen nicht dafür.

Diese Studie stellte eine einfache Frage: Was bringt einen Studenten dazu, sich zu entscheiden, sein Portemonnaie aufzumachen und eine monatliche Gebühr für dieses Gerät zu bezahlen?

Die Forscher fragten nicht nur: „Gefällt es dir?“, sondern untersuchten die mentalen Schritte, die ein Student durchläuft, bevor er bereit ist, Geld auszugeben. Sie verwendeten ein klassisches psychologisches Framework namens Technology Acceptance Model (TAM), das wie ein Rezept dafür ist, wie Menschen entscheiden, neue Technologien zu nutzen.

Der dreistufige „Zahlungspfad“

Die Studie fand heraus, dass Studenten nicht einfach aufwachen und entscheiden, zu bezahlen. Sie durchlaufen eine spezifische Kettenreaktion, wie fallende Dominosteine. So funktioniert es:

1. Der „Einfachheits-Button“ (Wahrgenommene Benutzerfreundlichkeit)

Das Konzept: Ist das Gerät schwer zu verstehen? Braucht man eine Bedienungsanleitung oder kann man es einfach in die Hand nehmen und anfangen zu kochen?
Das Ergebnis: Wenn das KI-Tool reibungslos, einfach und intuitiv wirkt, ist die Wahrscheinlichkeit höher, dass Studenten denken: „Hey, das ist eigentlich wirklich nützlich.“
Analogie: Denken Sie an einen neuen Videospiel-Controller. Wenn die Tasten klebrig und verwirrend sind, werden Sie das Spiel nicht als unterhaltsam empfinden. Aber wenn sich der Controller wie eine Verlängerung Ihrer Hand anfühlt, fangen Sie an zu glauben, dass das Spiel es wert ist, gespielt zu werden.

2. Der „Wertcheck“ (Wahrgenommener Nutzen)

Das Konzept: Hilft mir dieses Tool wirklich dabei, meine Hausaufgaben schneller oder besser zu erledigen?
Das Ergebnis: Dies ist der wichtigste Schritt. Studenten zahlen nur, wenn sie das Gefühl haben, dass das Tool tatsächlich ihre Noten verbessert oder ihnen Zeit spart.
Analogie: Nur weil ein Auto einfach zu fahren ist (Schritt 1), heißt das noch nicht, dass Sie es kaufen werden. Sie müssen glauben, dass es Sie pünktlich zur Arbeit bringt und Spritgeld spart (Schritt 2). Die Studie fand heraus, dass „Benutzerfreundlichkeit“ nur dann zu einer „Zahlungsbereitschaft“ führt, wenn sie den Studenten zuerst davon überzeugt, dass das Tool tatsächlich nützlich ist.

3. Die „Verpflichtung“ (Verhaltensabsicht)

Das Konzept: Plane ich, dieses Tool nächste Woche, nächsten Monat und im nächsten Semester weiter zu nutzen?
Das Ergebnis: Sobald Studenten sehen, dass das Tool einfach und nützlich ist, fassen sie den Plan, es weiter zu nutzen. Dieser Plan ist die Brücke zum Bezahlen.
Analogie: Das ist wie die Entscheidung, einem Fitnessstudio beizutreten. Sie probieren die Geräte aus (Einfachheit), Sie merken, dass es Ihnen hilft, fit zu werden (Nützlichkeit), und dann entscheiden Sie: „Ich werde jeden Dienstag hierher kommen“ (Absicht).

Das Endergebnis: Zahlungsbereitschaft

Das Ergebnis: Erst nachdem der Student entschieden hat, dass er das Tool weiterhin nutzen wird, zieht er in Erwägung, dafür zu bezahlen.
Der Realitätscheck: Die Studie fand eine riesige Lücke. Während Studenten diese Tools lieben, sagten nur etwa 43 % zu, dass sie dafür bezahlen würden. Der durchschnittliche Betrag, den sie bereit waren zu zahlen, lag bei 5,71 $ pro Monat.
Das Problem: Echte Premium-Abonnements für Tools wie ChatGPT Plus, Grammarly und GitHub Copilot kosten weit mehr als 5,71 $ zusammen. Es ist, als würden Studenten sagen: „Wir lieben dieses Auto, aber wir werden nur 5 $ im Monat für das Benzin bezahlen, obwohl es 40 $ kostet.“

Was die Studie nicht sagt (und was sie tatsächlich sagt)

Sie sagt nicht: „Universitäten sollten Studenten dazu zwingen, zu bezahlen.“
- Sie sagt tatsächlich: Studenten sind derzeit von Gratis-Versionen abhängig. Wenn Universitäten wollen, dass Studenten bezahlen, müssen die Tools unentbehrlich werden.
Sie sagt nicht: „KI ist perfekt.“
- Sie sagt tatsächlich: Studenten sind nur dann bereit zu zahlen, wenn das Tool ihre Arbeit zuverlässig verbessert. Wenn das Tool fehlerhaft oder schwer zu bedienen ist, werden sie nicht bezahlen.
Sie sagt nicht: „Das gilt für alle.“
- Sie sagt tatsächlich: Diese Studie untersuchte 121 Bachelor-Studenten an einer Universität in den USA. Es ist eine Momentaufnahme einer spezifischen Gruppe, keine Regel für die ganze Welt.

Das Fazit

Betrachten Sie diese Studie als eine Landkarte für das Portemonnaie eines Studenten. Sie zeigt, dass Studenten nicht für KI bezahlen, weil sie „cool“ oder „einfach“ ist. Sie bezahlen, weil sie in eine Routine geraten sind, in der das Tool essenziell für ihren Erfolg ist.

Der Pfad zum Portemonnaie eines Studenten sieht so aus:

Es ist einfach zu bedienen $\rightarrow$
Es hilft mir beim Lernen $\rightarrow$
Ich plane, es für immer zu nutzen $\rightarrow$
Okay, ich bezahle dafür.

Wenn einer dieser Glieder in der Kette unterbrochen ist (zum Beispiel, wenn das Tool zwar einfach zu bedienen ist, aber nicht wirklich bei den Hausaufgaben hilft), wird der Student glücklich bei der Gratis-Version bleiben. Die Studie legt nahe, dass Universitäten und Unternehmen sich darauf konzentrieren müssen, die Tools so nützlich zu machen, dass Studenten das Gefühl haben, ohne sie ihre Studienleistungen nicht erbringen zu können.

Technisches Resümee: Verhaltenspfade hinter der Zahlungsbereitschaft von Studierenden für GenAI im Hochschulwesen

Problemstellung
Während Generative Künstliche Intelligenz (GenAI) sich rasant in die Hochschulbildung integriert, konzentriert sich die bestehende Literatur vorwiegend auf Nutzungsabsichten oder die selbstberichtete Adoption. Diese Metriken erfassen nicht die Tiefe des Engagements der Studierenden, insbesondere im Hinblick auf das finanzielle Investment. Im Gegensatz zu institutionell lizenzierten Technologien (z. B. Lernmanagementsystemen) oder ergänzenden Werkzeugen besetzt GenAI einen ambivalenten Raum, der durch generative Adaptivität, algorithmische Opazität und duale Ökosysteme (kostenlos vs. Premium) gekennzeichnet ist. Folglich besteht eine kritische Lücke im Verständnis der Mechanismen, die die Wahrnehmung von GenAI durch Studierende in eine Zahlungsbereitschaft (Willingness to Pay, WTP) übersetzen. Diese Studie adressiert den Mangel an systematischer Evidenz darüber, wie Studierende den ökonomischen Wert von GenAI-Tools bewerten und ob ihre Verhaltensabsicht zur Nutzung dieser Tools in ein tatsächliches finanzielles Engagement übergeht.

Methodik
Die Studie verwendet ein quantitatives, Querschnittsdesign unter Verwendung des Technology Acceptance Model (TAM), das um ökonomische Ergebnisse erweitert wurde.

Stichprobe: Die Daten wurden mittels einer Online-Umfrage bei 121 Bachelor-Studierenden einer großen staatlichen Universität in den USA erhoben. Die Stichprobe bestand mehrheitlich aus weiblichen Teilnehmerinnen (72,7 %) mit einem Durchschnittsalter von 20,78 Jahren. Die meisten Teilnehmer (93,4 %) hatten bereits Erfahrung mit GenAI, primär ChatGPT.
Instrument: Die Umfrage maß vier latente Konstrukte basierend auf dem TAM: wahrgenommene Benutzerfreundlichkeit (Perceived Ease of Use, PEU), wahrgenommener Nutzen (Perceived Usefulness, PU), Verhaltensabsicht (Behavioral Intention, BI) und Zahlungsbereitschaft (Willing to Pay, WTP). PEU, PU und BI wurden mittels Multi-Item-5-Punkt-Likert-Skalen gemessen, die aus der bestehenden Literatur adaptiert wurden. WTP wurde als ein einzelnes Item eines konkreten Geldwertes (monatlich in USD) gemessen, formuliert als der maximale Betrag, den Studierende zahlen würden, falls der kostenlose Zugang entfallen würde.
Analyse: Die Daten wurden mittels Partial Least Squares Structural Equation Modeling (PLS-SEM) analysiert. Dieser Ansatz wurde aufgrund seiner Eignung für die prädiktive Modellierung und seiner Fähigkeit zur Handhabung komplexer Mediationspfade bei der gegebenen Stichprobengröße gewählt. Die Analyse bewertete die Indikatorreliabilität, die interne Konsistenz, die konvergente Validität und die diskriminante Validität (unter Verwendung der Fornell-Larcker-Kriterien und HTMT-Verhältnisse), bevor das Strukturmodell mittels Bootstrapping (5.000 Resamples) getestet wurde.

Kernergebnisse
Die Analyse des Strukturmodells lieferte signifikante Ergebnisse, welche die vorgeschlagenen Hypothesen stützen:

Direkte Effekte:
- PEU → PU: Wahrgenommene Benutzerfreundlichkeit sagte den wahrgenommenen Nutzen signifikant und positiv voraus ( $\beta = 0,61, p < ,01$ ).
- PU → BI: Wahrgenommener Nutzen sagte die Verhaltensabsicht zur Nutzung von GenAI stark voraus ( $\beta = 0,73, p < ,01$ ).
- BI → WTP: Die Verhaltensabsicht sagte die Zahlungsbereitschaft positiv voraus ( $\beta = 0,45, p < ,01$ ).
Mediationseffekte:
- Die Studie bestätigte, dass PEU den WTP nicht direkt beeinflusst. Stattdessen wird ihr Effekt vollständig durch PU und BI mediiert.
- H4: PU mediiert die Beziehung zwischen PEU und BI.
- H5: BI mediiert die Beziehung zwischen PU und WTP.
- H6: Es existiert ein serieller Mediationspfad, bei dem PEU über die Kette von PU und BI den WTP beeinflusst ( $\beta = 0,20, p < ,01$ ).
Modellgüte und Erklärungsleistung:
- Das Modell wies eine gute Passung auf (SRMR = 0,062).
- PEU erklärte 35,2 % der Varianz in PU.
- PU erklärte 53,4 % der Varianz in BI.
- BI erklärte 20,4 % der Varianz in WTP.
- Alle endogenen Konstrukte zeigten eine positive prädiktive Relevanz ( $Q^2 > 0$ ).
Deskriptive Befunde:
- Trotz hoher Nutzungsraten erklärten sich nur 43 % der Teilnehmer bereit zu zahlen.
- Der mittlere WTP lag bei 5,71 USD pro Monat, was signifikant niedriger ist als die kumulativen Kosten gängiger Premium-Versionen (z. B. ChatGPT Plus, Grammarly, Copelot), was auf eine Abhängigkeit von kostenlosen Versionen oder institutionellen Subventionen hindeutet.

Wesentliche Beiträge

Theoretische Erweiterung: Die Studie erweitert das Technology Acceptance Model (TAM), indem sie die Zahlungsbereitschaft als nachgelagertes Verhaltensergebnis im Kontext von GenAI integriert. Sie validiert die sequentielle Logik des TAM (PEU $\to$ PU $\to$ BI $\to$ WTP), selbst wenn sich das Ergebnis von der Adoption hin zum ökonomischen Engagement verschiebt.
Klärung von Mechanismen: Sie verdeutlicht, dass Benutzerfreundlichkeit allein nicht ausreicht, um Zahlungen zu generieren; sie muss zuerst die Wahrnehmung des Nutzens steigern, was wiederum die Verhaltensabsicht fördert, was letztlich zu einem finanziellen Engagement führt.
Empirische Evidenz: Sie liefert eine der ersten empirischen Untersuchungen der Lücke zwischen GenAI-Nutzung und Zahlungsbereitschaft im Hochschulwesen und hebt die spezifischen ökonomischen Dynamiken dualer, zweistufiger KI-Ökosysteme hervor.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass ihre Ergebnisse wichtige Orientierungshilfen für Universitäten, GenAI-Dienstleister und Entwickler hinsichtlich Preisgestaltung und Governance-Richtlinien bieten.

Für Institutionen: Die Ergebnisse legen nahe, dass institutionelle Abonnements ausgehandelt werden sollten, bevor Studierende individuelle Zahlungsabhängigkeiten entwickeln. Sich darauf zu verlassen, dass Studierende nach der Adoption individuell zahlen, könnte aufgrund der geringen WTP und des „Anchoring-Effekts“ des kostenlosen Zugangs scheitern. Zudem müssen Institutionen klare Richtlinien für die ethische Nutzung bereitstellen, da Frameworks für verantwortungsvolle Nutzung die Entscheidung beeinflussen können, für Premium-Versionen zu bezahlen.
Für Entwickler: Preismodelle müssen mit der ökonomischen Realität der Studierenden übereinstimmen. Die Studie zeigt, dass Studierende nur dann bereit sind zu zahlen, wenn Tools einen klaren, nachhaltigen akademischen Wert demonstrieren, der die Kosten gegenüber kostenlosen Alternativen rechtfertigt. Verbesserungen in Bezug auf Genauigkeit, Personalisierung und Workflow-Integration sind notwendig, um die Nutzungsabsicht in eine Zahlungsbereitschaft umzuwandeln.
Implikationen für die Chancengleichheit: Die Autoren warnen davor, dass ohne gezielte institutionelle Maßnahmen zur Adressierung der Preis-Fehlanpassung der Übergang zu bezahlten GenAI-Funktionen das Bildungsungleichgewicht zu verschärfen droht, da kostenlose Versionen stagnieren könnten, während Premium-Funktionen eine überlegene Lernunterstützung bieten.

Die Studie kommt zu dem Schluss, dass das TAM zwar ein robustes Framework zum Verständnis der GenAI-Adoption bleibt, die einzigartigen Merkmale von GenAI (Generativität, Opazität und dualer Zugang) jedoch spezifische politische Interventionen erfordern, um einen gerechten Zugang und eine nachhaltige Nutzung zu gewährleisten.

Das große Ganze: Warum sollten Studenten für KI bezahlen?

Der dreistufige „Zahlungspfad“

Was die Studie nicht sagt (und was sie tatsächlich sagt)

Das Fazit

Technisches Resümee: Verhaltenspfade hinter der Zahlungsbereitschaft von Studierenden für GenAI im Hochschulwesen

Mehr davon