Text von Dominic Hassler und Jacqueline Egli
Das Aufkommen von generativen Machine-Learning Systemen (KI) verunsichert Lernende wie auch Lehrpersonen. In Weiterbildungen werden wir regelmässig mit der Frage konfrontiert: Lohnt es sich überhaupt noch, grundlegende Kompetenzen wie Lesen, Schreiben und Rechnen auf einem hohen Niveau zu erwerben, wenn KI schon jetzt vieles davon bereits übernehmen kann? Oder wäre es nicht sinnvoller, möglichst früh vor allem den kompetenten Umgang mit KI zu lernen?
Tatsächlich investieren Menschen über viele Jahre hinweg Tausende von Stunden, um lesen, schreiben, rechnen, argumentieren oder Probleme lösen zu lernen. Berechtigterweise stellen auch junge Menschen sich die Frage, weshalb sie viel Zeit und Energie in den Erwerb solcher Fähigkeiten investieren sollen.
Wir möchten diese Frage aus drei Perspektiven beleuchten: einer humanistischen, einer lernpsychologisch-metakognitiven und einer ökonomischen.
Humanistische Perspektive
Der Zweck von Bildung besteht nicht allein darin, bestimmte Produkte möglichst effizient herzustellen. Wir lernen nicht (nur) zu schreiben, um Texte zu produzieren, und nicht (nur) zu rechnen, um zu korrekten Resultaten zu gelangen.
Bildung bedeutet auch, eigene Fähigkeiten zu entdecken und zu entfalten, einen eigenen Zugang zur Welt zu entwickeln und zunehmend selbstbestimmt urteilen und handeln zu können (vgl. etwa Biesta 2019). Lesen eröffnet Zugänge zu Erfahrungen, Gedanken und Lebenswelten anderer Menschen. Schreiben zwingt uns, eigene Gedanken zu ordnen, Positionen zu entwickeln und uns darüber klar zu werden, was wir eigentlich sagen wollen. Mathematik ermöglicht eine besondere Form des präzisen, abstrakten Denkens.
Wer solche Fähigkeiten erwirbt, gewinnt deshalb nicht nur Kompetenzen, sondern auch Handlungsspielräume. Mündigkeit setzt voraus, dass ich mir selbst ein Urteil bilden kann und nicht (vollständig) darauf angewiesen bin, dass andere Menschen oder technische Systeme die Welt für mich interpretieren.
Lernpsychologisch-metakognitive Perspektive
Sprache ist der Zugang zu einem grossen Teil schulischen und akademischen Lernens. Auch wer Mathematik, Geschichte oder Biologie lernt, erschliesst sich neue Inhalte häufig über Sprache: durch Lesen, Erklären, Diskutieren und Schreiben.
Dabei ist Schreiben weit mehr als die nachträgliche Dokumentation bereits fertiger Gedanken. Oft entstehen Gedanken erst im Prozess des Schreibens. Wer versucht, einen Sachverhalt in eigenen Worten zu erklären, merkt plötzlich, wo das eigene Verständnis lückenhaft ist. Wer eine Argumentation formuliert, muss Zusammenhänge herstellen, Begriffe präzisieren und Widersprüche erkennen (vgl. Graham et al 2020 oder Bisra et al 2018). Wer eine Rechnung selbst durchführt, entwickelt ein Gefühl dafür, welche Resultate plausibel sind und an welcher Stelle ein Fehler entstanden sein könnte.
Diese metakognitiven Prozesse sind wichtig: Sie ermöglichen uns, das eigene Wissen einzuschätzen, Verständnisprobleme zu erkennen und geeignete Lernstrategien auszuwählen.
Und hier liegt auch das Problem des zu frühen kognitiven Auslagerns von Denken (oder Lernen) an KI. Wenn eine KI einen Text formuliert, eine Aufgabe löst oder eine Zusammenfassung erstellt, kann ein hervorragendes, korrektes Produkt entstehen, ohne dass bei der lernenden Person dieselben Denkprozesse stattfinden.
Dieses «Simulieren von Kompetenz» ist für das Lernen problematisch. Denn um eine KI-Antwort beurteilen zu können, braucht man genau jene inneren Wissensstrukturen und Kompetenzen, deren Aufbau man nicht an die KI delegieren kann. Wer selbst kaum argumentieren kann, wird Schwierigkeiten haben, eine scheinbar überzeugende Argumentation der KI kritisch zu prüfen. Wer mathematische Zusammenhänge nicht verstanden hat, kann zwar eine KI nach der Lösung fragen, aber nur begrenzt einschätzen, ob diese plausibel ist.
Es ist paradox: kompetente KI-Nutzung setzt häufig gerade jene fachlichen Kompetenzen voraus, die durch KI scheinbar überflüssig werden.
Ökonomische Perspektive
Letztlich spricht auch die ökonomische Perspektive dafür, dass Lernende sich hohe sprachliche sowie mathematische Kompetenzen aneignen sollen. Schliesslich produziert KI ganz viel Text, und dieser muss gelesen, verstanden und möglichst auch kritisch hinterfragt werden. Dadurch verschiebt sich der Wert menschlicher Arbeit teilweise von der Produktion hin zur Auswahl, Bewertung und Verantwortung.
Unternehmen bezahlen Berufseinsteiger:innen nicht dafür, einen Prompt abzusetzen und die Antwort weiterzuleiten, sondern für das Übernehmen von Verantwortung. Vorgesetzten ist es vermutlich weitgehend egal, wer eine Offerte erstellt hat (KI oder Mensch). Aber wenn die Offerte ein Fehler enthält, kann der Mensch nicht auf die KI zeigen.
Folgen für die Schule und Hochschule
Daraus lässt sich folgende These zuspitzen:
Ein sehr grosser Teil dessen, was Menschen vor dem Aufkommen generativer KI lernen mussten, müssen sie auch heute noch lernen – selbst dann, wenn KI die entsprechende Aufgabe bereits lösen kann.
Die naheliegende Forderung, Schulen müssten nun vor allem «neue Aufgaben» entwickeln, welche die KI nicht lösen kann, greift zu kurz. Solche Aufgaben sind sinnvoll, wo sie möglich sind. Sie können aber den systematischen Aufbau grundlegender Kompetenzen nicht ersetzen.
Schreiben lernt man unter anderem dadurch, dass man selbst schreibt. Argumentieren lernt man, indem man Argumente entwickelt, verwirft, überarbeitet und verteidigt. Mathematik lernt man, indem man Probleme durchdringt und Lösungen selbst nachvollzieht.
Eine bedeutende Herausforderung für Akteure des Bildungssystems ist es nun, dass dieser Prozess neuerdings für die Lernenden sehr frustrierend geworden ist. Sie müssen jahrelang in mühsamen und anstrengenden Lernschritten Kompetenzstufen erklimmen und dabei Dinge lernen, die eine KI mit Fingerschnippen erledigen könnte. Entscheidend ist deshalb, KI nicht so einzusetzen, dass sie genau jene kognitive Arbeit übernimmt, durch die die angestrebte Kompetenz erst aufgebaut werden soll. Lernen erfordert eigene kognitive Aktivität, und diese ist häufig anstrengend. Diese Anstrengung ist notwendig, damit lernende Menschen irgendwann ein Niveau erreichen, auf dem sie KI nicht mehr bloss nutzen, sondern ihre Ergebnisse verstehen, beurteilen, hinterfragen und verantworten können.
Zur Diskussion steht durchaus, wie viel Grammatik und Orthographie es braucht. Wie intensiv Lernende das Umformen von Ebenengleichungen (Vektorgeometrie) noch selbst üben sollen. Und was man tatsächlich an KI auslagern kann, ohne dabei wertvolle Lernschritte zu überspringen.
INFOBOX
In den folgenden Angeboten können Sie sich vertieft mit der Gestaltung von Lernprozessen in einer von KI geprägten Welt auseinandersetzen:
CAS Unterricht gestalten mit digitalen Medien (Start: 12. Januar 2027)
Modul Lernen und Lehren mit KI (Start: 1. April 2027)
Zu den Autor:innen
Dominic Hassler ist Dozent an der PH Zürich und leitet den CAS Unterricht gestalten mit digitalen Medien im Zentrum Berufs- und Erwachsenenbildung.
Jacqueline Egli ist Dozentin am Zentrum für Berufs- und Erwachsenenbildung an der PH Zürich. Ihre Themengebiete sind unter anderem die Schul- und Unterrichtsentwicklung mit dem Schwerpunkt auf den digitalen Wandel und Changemanagement und Organisationsentwicklung für Bildungsinstitutionen.