Eine neue Studie aus der Lernforschung nennt einen Widerspruch beim Namen, den viele von uns längst spüren. Und sie zeigt, warum unsere KI-Werkzeuge für die falsche Welt gebaut wurden.
In einem meiner Lehrgänge legte mir vor Kurzem eine Teilnehmerin eine Analyse vor, die mich beeindruckte. Sauber gegliedert, präzise formuliert, ohne erkennbaren Fehler. Ich gratulierte und stellte eine Rückfrage. Eine kleine, eigentlich harmlose. Dann entstand eine Pause … eine von der Sorte, die im Raum hörbar wird. Sie könne den Gedankengang nicht rekonstruieren, sagte sie schliesslich. Das Werkzeug habe das so geschrieben.
Das Ergebnis war besser geworden. Die Teilnehmerin nicht.
Dieses Phänomen hat inzwischen einen Namen. Ein internationales Forschungsteam um Hassan Khosravi — beteiligt sind Fachleute aus Queensland, Monash, Auckland, der Khan Academy und weiteren Institutionen — beschreibt ihn in einem Preprint vom Mai 2026 als „Learning-Performance-Paradox“. Die These ist unbequem und einleuchtend zugleich: Grosse Sprachmodelle steigern die unmittelbare Leistung, und sie untergraben dabei genau jene Prozesse, aus denen nachhaltiges Lernen entsteht: kognitives Wachstum, Transfer, metakognitive Entwicklung.
Der Mechanismus dahinter heisst „Cognitive Offloading“. Wir lagern geistige Arbeit aus, um den Aufwand zu senken. Das ist im Alltag oft klug. Beim Lernen ist es fatal. Denn wer die geistige Anstrengung umgeht, umgeht auch das Abspeichern. Was nie durch den eigenen Kopf gegangen ist, bleibt dort nicht hängen. Die Frage ist also nicht, ob KI uns produktiver macht. Sie tut es. Die Frage ist, was dabei mit uns geschieht. Und ob wir den Unterschied überhaupt bemerken.
Für welche Welt die KI gebaut wurde
Die eigentliche Pointe der Studie liegt nicht in der Diagnose, sondern in ihrer Ursache. Die Modelle, die gerade in die Bildung drängen, wurden nicht für die Bildung entworfen. Sie wurden für die Arbeit gebaut. Und die Logik dieser Herkunft ist eindeutig: Output maximieren, Fehler minimieren, kognitive Anstrengung senken, jede Anfrage als abgeschlossenen Einzelfall behandeln. Für die Arbeitswelt ist das ein Segen. Die Studie führt Produktivitätssprünge an, die schwer zu ignorieren sind — Programmieraufgaben um rund die Hälfte schneller, Schreibaufgaben spürbar effizienter und zugleich in höherer Qualität.
Doch was im Büro ein Gewinn ist, wird im Lernprozess zum Verlust. Denn Lernen lebt von dem, was die KI für die Arbeit gerade beseitigen soll: von „kognitiver Reibung“. Die Lernforschung kennt das Phänomen seit Langem unter dem Begriff der „wünschenswerten Erschwernisse“ (desirable difficulties). Abrufen statt nachlesen, verteiltes statt geballtes Üben, das mühsame Selbst-Erklären statt des eleganten Vorgesagt-Bekommens — all das fühlt sich im Moment anstrengender an und führt gerade deshalb zu stabilerem Wissen.
Khosravi und sein Team stellen darum zwei Architekturen einander gegenüber: KI für die Arbeit und KI für das Lernen. Die eine erledigt die kognitive Aufgabe für mich, misst sich an Qualität und Tempo des Ergebnisses und behandelt jeden Fehler als Ineffizienz, die es zu tilgen gilt. Die andere soll mich herausfordern, statt mir abzunehmen, misst sich an Behalten und Transfer und liest den Fehler als das, was er beim Lernen ist: ein diagnostisches Signal. Beide Male verbirgt der kurzfristige Erfolg einen langfristigen Verlust — nur dürfen wir ihn im einen Fall hinnehmen und im anderen gerade nicht.
Wie konkret das wird, zeigt ein grosses Experiment im Mathematikunterricht an Schulen, das die Studie anführt. Lernende mit KI-Assistenz lösten ihre Aufgaben während der Übung deutlich besser. Aber sie schnitten messbar schlechter ab, sobald die Hilfe weg war. Die Stütze hatte funktioniert. Das Stehen auf eigenen Beinen hatte sie verhindert.
Der aufschlussreichste Fehlschlag
Hier wird es für uns Bildungsfachleute interessant. Und hier korrigiert die Studie eine Vorstellung, die in vielen gut gemeinten Beiträgen kursiert. Die Idee klingt verführerisch: Ein guter Lern-Agent gibt keine Antworten, er stellt Fragen. Sokratisch eben. Wer je unterrichtet hat, ahnt schon, wo das Problem liegt.
Ein solches Modell hat die Khan Academy mit ihrem Tutor Khanmigo zuerst gebaut. Der allererste Prompt lautete sinngemäss: „Du bist ein sokratischer Tutor.“ Viel Mühe floss danach in die Aufgabe, dem System das Verraten der Lösung abzugewöhnen. Und dann zeigten die Gesprächsprotokolle etwas Ernüchterndes. Lernende, die einen Stoff schlicht nicht verstanden, reagierten auf die unermüdliche Fragerei nicht mit Erkenntnis, sondern mit Frust. Sie brachen ab. Die Methode, die zum Denken anregen sollte, vertrieb sie vom Denken.
Die Konsequenz war kein Festhalten am Prinzip, sondern eine Kalibrierung. Wer einen Ansatz hat, soll es selbst versuchen. Wer keinen hat, bekommt einen Hinweis … und ein Hinweis ist eben keine sokratische Frage. Misslingt der Versuch, geht das System mit dem Lernenden tiefer hinein, bis hin zum durchgerechneten Beispiel.
Das ist, nebenbei, eine sehr alte didaktische Wahrheit in neuem Gewand. Die Frage ist nicht, ob man Antworten gibt oder Fragen stellt. Die Frage ist, wann welches von beidem dran ist. Eine Methode wird nicht dadurch zur Pädagogik, dass man sie kompromisslos durchzieht.
Was das für die Erwachsenenbildung heisst
Für mein eigenes Feld, die Erwachsenenbildung, ist der Befund heikler, als er auf den ersten Blick scheint. Erwachsene lernen selten zum Selbstzweck. Sie wollen das Resultat — den Bericht, das Konzept, die gelöste Aufgabe — und sie haben die Arbeitswelt, in der dieses Resultat zählt, unmittelbar vor Augen. Die Versuchung, die Denkarbeit auszulagern, ist hier nicht kleiner als in der Schule. Sie ist grösser.
Hier berührt die Studie einen Nerv meiner eigenen Arbeit. Wer sich mit „didaktischer Reduktion“ beschäftigt, könnte sich vorschnell auf der falschen Seite wiederfinden. Reduktion klingt nach Wegnehmen, nach Vereinfachen, nach Reibungsabbau. Doch das ist sie definitiv nicht. Gute didaktische Reduktion entfernt das Überflüssige: die verwirrende Darstellung, den unnötigen Ballast, die kognitive Last, die nichts zum Verstehen beiträgt. Sie schützt aber das Wesentliche, und zum Wesentlichen gehört die produktive Anstrengung. Reduziert wird die falsche Schwierigkeit, damit die richtige übrig bleibt. Eine KI, die jede Schwierigkeit glättet, betreibt keine Reduktion. Sie enteignet den Lernprozess.
Wohltuend nüchtern bleibt die Studie gegenüber ihren eigenen Lösungsvorschlägen. Die „Lernbegleiter“, die sie skizziert — Agenten, die kontinuierlich über die Lernenden lernen, Stärken und Lücken modellieren, den Weg dynamisch anpassen — existieren so noch kaum. Über fünf Fallbeispiele hinweg ist gerade diese adaptive Schicht am wenigsten ausgereift. Die meisten Systeme passen sich innerhalb einer Sitzung an und vergessen danach, wer ihnen gegenübersass. Die Vision ist gezeichnet. Eingelöst ist sie nicht.
In meinen Trainings ziehe ich daraus eine schlichte Konsequenz. Ich frage nicht mehr zuerst, was die KI für die Teilnehmenden tun kann. Ich frage, welche Denkarbeit bei ihnen bleiben muss, damit überhaupt etwas hängen bleibt. Manchmal heisst das, die KI bewusst spät einzusetzen — erst nach dem eigenen Entwurf, nicht an seiner Stelle. Manchmal heisst es, das fertige Resultat gar nicht zu bewerten, sondern den Weg dorthin erklären zu lassen. Die Rückfrage, an der meine Teilnehmerin scheiterte, war kein Zufall. Sie war ein wunderbares diagnostisches Instrument!
Die unbequeme Einsicht
Die eigentliche Botschaft der Studie ist keine technische. Sie ist eine Haltungsfrage. Solange wir KI im Lernen als „Abkürzung“ begreifen, optimieren wir das Resultat und verlieren den Menschen. Die Aufgabe ist eine andere, und sie ist anspruchsvoller: Werkzeuge zu gestalten — und einzusetzen —, die den Geist herausfordern, statt ihm das Denken abzunehmen.
Vielleicht ist das die unbequemste Einsicht für uns alle, die wir Bildung gestalten. Eine KI, die sich im Lernen wirklich nützlich macht, wird sich gelegentlich unbequem anfühlen müssen. Nicht, weil sie schlecht gebaut ist. Sondern weil Lernen nun einmal so funktioniert.
Mich interessiert, wo diese Reibung in der Praxis spürbar wird: im Training, im Coaching, im eigenen Lernen mit der Maschine. Kommentiere hier diesen Beitrag oder schreiben mir eine Nachricht.
Ressourcen:
Khosravi, H., Gašević, D., Sadiq, S., Yan, L., Lodge, J. M., Tangen, J. M., Denny, P., DiCerbo, K., Buckingham Shum, S. & Baker, R. S. (2026). Building AI Companions that Prioritise Learning over Performance. arXiv:2605.04816v2. Link: https://arxiv.org/abs/2605.04816
Hör dir hier die neuste Episode der Podcast-Reihe „Education Minds – didaktische Reduktion und Erwachsenenbildung“ an.
Abonniere meinen neuen Newsletter „Education Minds – Bildung auf den Punkt“ hier.
Interview im Republik Magazin von Adrienne Fichter mit Karen Hao «Europa soll aufhören, das Silicon Valley zu kopieren!» vom 05.06.26