Bildung und Wissensvermittlung

15.1Der universelle Tutor: Versprechen und Wirklichkeit

Unter der Haube

Wie baut man einen KI-Tutor? Man geht von einem großen Allzweckmodell aus, das man durch einen Systemprompt (Kapitel 4) ausrichtet, der eine sokratische Haltung vorschreibt: die Antwort nicht liefern, sondern durch Fragen anleiten, das Verständnis Schritt für Schritt überprüfen, ermutigen. Häufig fügt man die Wissensbasis des Lehrplans hinzu, die dem Modell im Moment der Antwort bereitgestellt wird (Retrieval-Augmented Generation, RAG, Kapitel 6), um Halluzinationen zu begrenzen und nah am Curriculum zu bleiben; manche Systeme werten die Antworten des Schülers fortlaufend aus, um den Schwierigkeitsgrad anzupassen, als Erben der früheren „intelligenten tutoriellen Systeme“. Produkte wie Khanmigo (Khan Academy) oder die „Lernmodi“ der großen Assistenten veranschaulichen diesen Ansatz. Doch kein Prompt schaltet das Fehlerrisiko des zugrunde liegenden Modells vollständig aus: Menschliche Aufsicht bleibt notwendig.

Unter der Haube

Wie sich ein Tutor anpasst (verteilte Wiederholung und Wissensverfolgung)

Personalisiertes Lernen erschöpft sich nicht in einem redseligen Sprachmodell; es beruht auf bewährten pädagogischen Techniken, die die KI automatisiert und verfeinert. Die verteilte Wiederholung nutzt eine gut belegte Gesetzmäßigkeit des Gedächtnisses: Man behält etwas dauerhaft, wenn man es in wachsenden Abständen wiederholt, jeweils kurz bevor man es vergisst. Programme berechnen so für jeden Schüler und jeden Lerninhalt den besten Zeitpunkt der nächsten Wiederholung. Die Wissensverfolgung (knowledge tracing) geht noch weiter: Aus den Antworten des Schülers pflegt das System ein Modell dessen, was er beherrscht und was nicht, Lerninhalt für Lerninhalt, und schätzt die Wahrscheinlichkeit, dass er die nächste Frage richtig beantwortet. Erst dieses Modell erlaubt es, die richtige Aufgabe auf dem richtigen Niveau anzubieten, weder zu leicht noch entmutigend (die „Zone der nächsten Entwicklung“ der Pädagogen). Der Beitrag der generativen KI besteht darin, diesem Gerüst eine Erklärung in natürlicher Sprache aufzusetzen, die auf jede einzelne Verständnishürde zugeschnitten ist. Das Versprechen des personalisierten Tutors (Abschnitt 15.1) beruht also ebenso sehr auf dieser Mechanik der Schülermodellierung wie auf dem Gespräch.

15.2Die Krise der Leistungsbewertung

Debatte

Die Antworten sind noch tastend. Die Werkzeuge zur Erkennung KI-generierter Texte haben sich als wenig zuverlässig erwiesen (falsch positive Ergebnisse, die unschuldige Schüler belasten, leichte Umgehung), sodass viele Einrichtungen darauf verzichtet haben. Die ernsthafteren Ansätze bestehen darin, die Bewertung neu zu denken: Rückkehr zu Prüfungen im Klassenraum und zur mündlichen Prüfung, Arbeiten, bei denen der eigene Lösungsweg zu erläutern ist, lange und persönliche Projekte oder im Gegenteil die offen gewollte Einbindung der KI in die Aufgabenstellung („Nutzen Sie die KI, kritisieren und verbessern Sie anschließend ihr Ergebnis“). Die eigentliche Frage lautet nicht mehr „Wie verhindert man das Schummeln?“, sondern „Was heißt Lernen in einer Zeit, in der die Maschine es schon kann?“.

15.3Schule und Universität verändern

Im Klartext

Über den einzelnen Schüler hinaus erfasst die KI das gesamte Bildungssystem.

Die unterstützte Lehrkraft: Unterricht vorbereiten, differenzierte Übungen erstellen, Arbeiten korrigieren, Verwaltungsaufgaben erledigen. Die KI kann der pädagogischen Beziehung wieder Zeit verschaffen, sofern sie ein Werkzeug im Dienst der Lehrkraft bleibt.
Die Lerninhalte: Wenn die KI programmieren, übersetzen und formulieren kann, muss die Schule den Schwerpunkt auf das verlagern, was genuin menschlich bleibt und was die KI nicht beherrscht: kritisches Denken, Kreativität, Zusammenarbeit, Quellenprüfung und gerade auch die Fähigkeit, mit der KI zu arbeiten (Kapitel 17). Diese KI-Kompetenz (verstehen, was ein Modell ist, wo seine Grenzen und Verzerrungen liegen, seine Ausgaben überprüfen können) wird zu einem eigenständigen Fach.
Das lebenslange Lernen: Auf einem Arbeitsmarkt im Umbruch (Kapitel 17) werden das Lernen des Lernens und die berufliche Neuorientierung zu zentralen Kompetenzen, bei deren Erwerb gerade die KI helfen kann.

Einordnung

Die Schulen nehmen das Heft wieder in die Hand (Schuljahresbeginn 2026)

Zum Schuljahresbeginn im September 2026 haben die öffentlichen Schulen von New York, dem größten Schulbezirk der Vereinigten Staaten, ein einjähriges Moratorium für generative KI für Schüler bis zum Ende der Middle School eingeführt; die Highschool hat lediglich Zugang zu einer begrenzten Liste zugelassener Werkzeuge. Der Schulbezirk Los Angeles, der zweitgrößte des Landes, hat kurz darauf ein einjähriges Moratorium für generative KI auf den Geräten beschlossen, die den Schülern gestellt werden. Am 16. September 2026 hat der Bildungsrat von Florida Regeln gebilligt, die im gesamten Bundesstaat gelten, darunter eine ausdrückliche Einwilligung der Eltern vor jeder Interaktion eines Schülers mit einem KI-System. Ein einheitliches Modell zeichnet sich nicht ab.

Einordnung

Die institutionelle Antwort Frankreichs

Frankreich geht einen anderen Weg: Regeln setzen und Werkzeuge bereitstellen. Seit dem Nutzungsrahmen vom Juni 2025 ist die eigenständige Nutzung dieser Werkzeuge durch Schüler erst ab der 8. Klasse (4e) erlaubt, und der nicht genehmigte Rückgriff auf generative KI für eine Hausarbeit gilt als Täuschung. Seit dem 8. September 2026 steht allen Lehrkräften über das Portal apps.education.fr ein „souveräner“ KI-Assistent zur Verfügung (Hilfe bei der Unterrichtsvorbereitung, Dokumentenanalyse, Differenzierung), ohne Training mit personenbezogenen Daten. Der Lernpfad „Pix IA“ ist zum Schuljahresbeginn 2026 verpflichtend für die Schüler der 8. Klasse (4e), der 10. Klasse des allgemeinbildenden Gymnasiums (2de générale) und des ersten Jahres der Berufsausbildung CAP. Schließlich hat der Minister am 25. August 2026 einen eigenen KI-Unterricht in der 10. Klasse (seconde) ab 2027 angekündigt, dessen Lehrplan für Dezember 2026 erwartet wird.

15.4Risiken: Abhängigkeit, Spaltung und Kompetenzverlust

Abbildung 15.1. Das doppelte Gesicht der KI in der Bildung. Dasselbe Werkzeug kann das Lernen stärken oder es ersetzen. Alles hängt von der Nutzung ab: mit der KI denken oder sie für sich denken lassen.

Der Kompetenzverlust („Deskilling“): Wer die geistige Anstrengung (Schreiben, Rechnen, Schlussfolgern) systematisch an die Maschine delegiert, riskiert, dass die zugrunde liegenden Fähigkeiten verkümmern. Dabei sind Anstrengung, Schwierigkeit und sogar der Fehler Zutaten des tiefen Lernens. Dieses Risiko betrifft auch Erwachsene (Kapitel 19). Es wird inzwischen gemessen (Einordnung unten).

Einordnung

Der Kompetenzverlust wird inzwischen gemessen

Zwei Arbeitspapiere, die noch kein Peer-Review durchlaufen haben, liefern Zahlen. Die Studie von Strömberg, Lei und Wu, von ihren Autoren im September 2026 vorgestellt, begleitet rund 27.000 chinesische Schüler der 7. bis 12. Klasse von 2023 bis 2025: 80 % haben begonnen, generative KI zu nutzen, und die Hälfte ist dazu übergegangen, die Hausaufgaben vollständig auszulagern; die Noten für Hausaufgaben steigen, doch die Ergebnisse in den Präsenzprüfungen gehen im Durchschnitt um etwa 20 % zurück. Umgekehrt findet ein kleineres randomisiertes Experiment (Contractor und Reyes, Juli 2026) einen positiven Effekt, allerdings nur bei Studierenden, die die KI nutzen, um sich die Inhalte erklären zu lassen. Der Bericht des MIT-Ausschusses zur KI in der Lehre (September 2026) wiederum benennt die Gefahr der „kognitiven Kapitulation“ und der „Illusion des Lernens“, stellt fest, dass die KI nahezu jede schriftliche Aufgabe des Bachelorstudiums glaubwürdig beantworten kann, und empfiehlt, nicht zu verbieten, sondern die Bewertung neu zu gestalten (mündliche Prüfungen, Projekte, beaufsichtigte Prüfungen), ganz im Sinne der Ansätze aus Abschnitt 15.2. Zum Kontext: Die Ergebnisse von PISA 2025, von der OECD am 8. September 2026 veröffentlicht, zeigen einen deutlichen Rückgang in Lesen und Mathematik in der OECD; weder die OECD noch die zitierten Fachleute führen diesen Rückgang auf die generative KI zurück.

Die digitale Spaltung: Der ungleiche Zugang zu den besten (kostenpflichtigen) Werkzeugen droht die Abstände zwischen Schülern und zwischen Ländern zu vergrößern, statt sie zu verringern. Das Versprechen der Demokratisierung kann in eine Verschärfung der Ungleichheiten umschlagen.
Die Privatsphäre Minderjähriger: Die Bildung Werkzeugen anzuvertrauen, die Daten über Kinder sammeln, wirft besonders heikle Fragen des Datenschutzes auf (Kapitel 21).

Einordnung

Lohnt sich ein langes Studium noch?

Die KI entfacht eine lebhafte Debatte über den Wert von Abschlüssen neu. Am provokanten Pol vertritt der Essay Ne faites plus d'études (Laurent Alexandre und Olivier Babeau, 2025, Kapitel 7) die These, dass lange klassische Studiengänge „kontraproduktiv“ würden, da Intelligenz „kostenlos und unbegrenzt verfügbar“ werde: Man solle weniger Wissen anhäufen, das die KI auf Abruf liefert, und stärker lernen, fortlaufend zu lernen. Am anderen Pol erinnern zahlreiche Pädagogen daran, dass die Gegenargumente gewichtig bleiben: Es braucht solides Grundwissen, um die KI gut zu nutzen und ihre Antworten zu beurteilen (andernfalls erkennt man ihre Fehler nicht); der Abschluss behält seine Funktion als Signal und als Motor des sozialen Aufstiegs; und die Schule vermittelt weit mehr als Wissen (kritisches Denken, Methodik, Sozialisation, Selbstständigkeit). Das von beiden Seiten betonte Risiko besteht darin, dass ein falsch verstandener Slogan „Studiert nicht mehr“ die Ungleichheiten verschärft, indem er die schwächsten Schüler vom Studium abhält, während sich die am besten Gestellten weiterhin bilden. Die vernünftige Position lautet wohl nicht, sich weniger zu bilden, sondern sich anders zu bilden, denn die KI verlagert den Schwerpunkt vom auswendig gelernten Wissen hin zu Urteilsvermögen, schöpferischer Arbeit und lebenslangem Lernen (Kapitel 17).

Das Wichtigste (Kapitel 15)

Die KI verspricht den personalisierten universellen Tutor, doch ein guter menschlicher Tutor motiviert und schafft eine Bindung, die die Maschine nicht nachbildet; die KI hilft vor allem dem bereits selbstständigen Schüler.
Die herkömmliche Leistungsbewertung (die Hausarbeit) steckt in der Krise; die Erkennung ist wenig zuverlässig, und die eigentliche Antwort besteht darin, die Bewertung neu zu denken (mündlich, im Klassenraum, Projekte, offen gewollte KI-Nutzung).
Die KI verändert auch den Lehrerberuf (Unterstützung) und die Lerninhalte, die kritisches Denken und die Fähigkeit, mit der KI zu arbeiten, in den Vordergrund stellen müssen.
Die größten Risiken: der Kompetenzverlust (die geistige Anstrengung delegieren), die digitale Spaltung und die Privatsphäre Minderjähriger; zum Schuljahresbeginn 2026 haben große amerikanische Schulbezirke generative KI für Schüler ausgesetzt, während Frankreich seine Lehrkräfte mit Werkzeugen ausstattet und eine Sensibilisierung (Pix IA) verpflichtend macht.

Vom Lernen zur Vorstellungskraft: Kapitel 16 untersucht, wie die KI das künstlerische Schaffen und die Kultur umwälzt.

15.1Der universelle Tutor: Versprechen und Wirklichkeit#

15.2Die Krise der Leistungsbewertung#

15.3Schule und Universität verändern#

15.4Risiken: Abhängigkeit, Spaltung und Kompetenzverlust#

Das Wichtigste (Kapitel 15)

15.1Der universelle Tutor: Versprechen und Wirklichkeit

15.2Die Krise der Leistungsbewertung

15.3Schule und Universität verändern

15.4Risiken: Abhängigkeit, Spaltung und Kompetenzverlust