Wenn ChatGPT zu CheatGPT wird: Was lernen wir eigentlich?

Wenn du nur eine Minute zum Scrollen hast, hier ist der aktuelle Stand.

• Die Bildungskrise: 90 % der Studierenden und 82 % der Undergraduates geben zu, ChatGPT für ihre Studienarbeiten zu verwenden. Dadurch entsteht eine „Bewertungskrise“, in der die Grenze zwischen Werkzeug und Betrug vollständig verschwommen ist. Schulen reagieren panisch, wobei die Maßnahmen von kompletten Verboten bis hin zur Verpflichtung reichen, KI zu nutzen – und so ein Flickwerk der Verwirrung entsteht, in dem ein Klassenraum KI-Einsatz fördert, während nebenan der Schulverweis droht.
• Das Problem der kognitiven Schulden: Neue Forschung des MIT zeigt, dass eine starke Abhängigkeit von KI das Gehirn buchstäblich schwächt. Studierende, die ChatGPT nutzten, wiesen eine deutlich schwächere neuronale Vernetzung auf und konnten sich nicht daran erinnern, was sie gerade „geschrieben“ hatten. Als sie später gezwungen waren, ohne KI zu arbeiten, schnitten sie schlechter ab als diejenigen, die sie nie genutzt hatten – ein Beleg dafür, dass der Einsatz von KI als Krücke „kognitive Schulden“ erzeugt, die sich mit der Zeit anhäufen.
• Das radikale Experiment: Die Alpha School in Austin verfolgt den genau entgegengesetzten Ansatz: KI-Tutoren vermitteln den gesamten Lehrplan in nur 2 Stunden täglich, wobei die Schülerinnen und Schüler Berichten zufolge doppelt so schnell lernen wie ihre Altersgenossen an traditionellen Schulen. Zwar sind diese Angaben nicht unabhängig überprüft, doch das Modell breitet sich landesweit aus und steht für eine völlige Neudefinition von Bildung, in der KI Lehrkräfte vollständig ersetzt und Zeit für „Lebenskompetenzen“ und Erfahrungen in der realen Welt freisetzt.
• Die Wissenschaft des Lernens: Forschungen zeigen, dass nicht die KI selbst das Problem ist, sondern die Art, wie wir sie nutzen. Studierende, die von der KI direkte Antworten erhielten, schnitten in Prüfungen 17 % schlechter ab als jene, die sie nie nutzten. Studierende, die KI-Tutoren verwendeten, die Hinweise statt Antworten gaben, verbesserten dagegen ihre Übungsergebnisse massiv, ohne dass das eigentliche Lernen darunter litt. Der Unterschied: mit KI denken, statt die KI für sich denken zu lassen.

Was man dagegen tun kann: Die Zukunft gehört der „Urteilsökonomie“, in der Wissen zur Massenware wird, während Geschmack, Eigenverantwortung und Lerngeschwindigkeit zu den neuen menschlichen Schutzwällen werden. Befolge das „Struggle-First“-Prinzip: Ringe 20–30 Minuten lang mit Problemen, bevor du dich an KI wendest, und nutze sie dann als Sparringspartnerin (nicht als Ghostwriterin), um dein Verständnis zu vertiefen. Das Ziel ist nicht, KI zu vermeiden, sondern strategisch zu entscheiden, wann man „wünschenswerte Schwierigkeiten“ in Kauf nimmt, die echte Expertise aufbauen, und wann man für mehr Effizienz auf KI setzt.

Schauen wir uns das genauer an!

In der voll besetzten Sporthalle, unter einem Meer aus Blau und Gold (und schwarzen Kappen und Talaren), saß ein Student namens Andre Mai bei der Abschlussfeier der UCLA unter der Großbildleinwand und wartete gespannt auf sein Diplom. Anders als einige seiner Kommilitonen hatte Mai allerdings seinen Laptop dabei.

Als die Kameras auf ihn gerichtet wurden, drehte Mai seinen Laptop um und enthüllte den Bildschirm, der im dunklen Modus das Leuchten einer ChatGPT-Unterhaltung zeigte, während er jubelte und johlte.  

Das Bild ging sofort viral, ein perfektes Symbol für eine Generation, die sich in der neuen Welt der KI zurechtfinden muss. Für die Hunderttausenden oder gar Millionen, die dieses inzwischen berüchtigte Video gesehen haben, wirkte es wie eine unverhohlene Zurschaustellung von KI-Plagiaten.

Die Reaktion des Internets kam prompt und zynisch. Hat der Typ gerade wirklich 160.000 US-Dollar für ein ChatGPT-Abo bezahlt? 

Und doch war die Wahrheit, wie bei den meisten Dingen im KI-Zeitalter, sehr viel komplexer. Mai stellte später klar, dass er nicht betrogen hatte; er nutzte KI für einen KI-Kurs, und zwar wohlgemerkt mit dem Einverständnis seines Professors. Tatsächlich stellte er gerade eine Arbeit fertig, die er bis zum Ende des Tages abgeben musste. Als also die Kameras auftauchten, drehte er einfach den Computer um und zeigte, woran er arbeitete.

‍In gewisser Weise arbeitete er also tatsächlich MEHR mit KI. Wer sonst in dieser Menge hatte schon seinen Laptop dabei, hm??

Mais Geschichte ist ein Mikrokosmos eines Systems in der Krise. Während er die Erlaubnis hatte, KI zu nutzen, gaben unglaubliche 90 % der Studierenden zu, ChatGPT bei Aufgaben verwendet zu haben – innerhalb von gerade einmal zwei Monaten nach dem öffentlichen Start. 

Laut einem aktuellen Bericht von Axios wird es mittlerweile von schätzungsweise einem von vier Teenagern für die Schularbeiten genutzt. Frühere Daten zeigen jedoch, dass die Zahl deutlich höher liegen könnte: 

• 82 % der Studierenden und 72 % der Schülerinnen und Schüler von der Grundschule bis zur Highschool haben KI für die Schule genutzt.
• 56 % nutzten sie für Schreibaufgaben.
• 45 % für die Erledigung anderer Arten von Schularbeiten.

Kurz gesagt, die Technologie wurde „außergewöhnlich schnell angenommen“. Um es vorsichtig auszudrücken.

Infolgedessen gerieten Schulen und Universitäten in eine reaktive Panik, während sie sich abmühten, Richtlinien für eine Technologie zu entwickeln, die sich schneller weiterentwickelt, als sie Fakultätssitzungen abhalten können. Das Ergebnis? Ein Flickwerk der Verwirrung. 

In einem Klassenraum wird ein Schüler ermutigt, KI für Gliederungen zu nutzen; im Hörsaal nebenan könnte ihn dasselbe den Schulverweis kosten.

Die Situation ist absurd meta geworden: Studierende, die dabei erwischt werden, wie sie KI zum Schreiben von Arbeiten nutzen, verwenden nun KI, um ihre Entschuldigungs-E-Mails zu formulieren (lol).

Dadurch wurden Lehrkräfte zu unfreiwilligen „KI-Cops“, ausgestattet mit Erkennungssoftware, die so unzuverlässig ist, dass sie eine neue Form akademischer Ungerechtigkeit schafft: Ehrliche Arbeiten werden markiert, während ausgeklügelter Betrug durchrutscht. 

Und wie du dir vorstellen kannst, reichen die Reaktionen darauf von der Betrachtung der KI als existenzielle Bedrohung für die Bildung bis hin zur Sichtweise, sie biete die Chance, endlich überholte Bewertungsmethoden hinter sich zu lassen, die schon vor der Existenz von ChatGPT versagt hatten.

Wenn man beispielsweise die Bandbreite der erwogenen Maßnahmen gegen KI-Betrug aufzählt, reicht sie von:

• Kompletten Verboten und gesperrten Geräten. 
• Ausschließlich handschriftlichen Aufgaben oder Schreiben im Unterricht.
• KI-Erkennungssoftware.
• Lehrkräften, die den Bearbeitungsverlauf von Dokumenten manuell überprüfen. 
• Mündlichen Prüfungen vor Ort, bei denen die Studierenden live und vor der Klasse auf ihr Wissen geprüft werden.
• „Im Zweifel zugunsten der Gnade“ zu entscheiden, wenn Studierende Fehler machen. 
• Mathematikprofessoren, die Computer bei Prüfungen zulassen, weil sie wissen, dass dies unvorbereitete Studierende nicht vor „KI-sicheren“ Aufgaben über persönliche Erfahrungen bewahren wird. 
• Professoren, die von ihren verlangen Studierenden tatsächlich verlangen, ihre Aufsätze als erste Aufgabe durch ChatGPT laufen zu lassen. 
• Kompletten Neugestaltungen des Lehrplans, die KI ebenfalls als Co-Intelligenz einbinden.

Das ist eine Menge!

Wir wollten schon lonnngst einen Artikel darüber schreiben.

‍Um die Breite und die Feinheiten dieser Bemühungen einzufangen, haben wir bereits im Januar einen Gemini-Deep-Research-Bericht erstellt, um herauszufinden, was Lehrkräfte gegen KI-Betrug unternahmen. Damals teilte der Gemini-Bericht die Reaktionen der Lehrkräfte in vier Kategorien ein:

Alarm

• Ausschließlicher Fokus auf Betrugsbedenken.
• Einige Lehrkräfte gehen „zurück zur alten Schule“ und lassen nur handschriftliche Aufgaben zu.
• Einige Schulbezirke sperrten ChatGPT auf Geräten (oder die Geräte ganz; 14 Bundesstaaten verbieten Handys inzwischen an Schulen, und etwa 50 Länder haben lokale oder landesweite Handyverbote an Schulen).

Anpassung

• Lehrkräfte geben Studierenden die Möglichkeit Aufgaben erneut einzureichen, wenn sie bei der Nutzung von KI erwischt wurden.
• Fokus auf „KI-sichere“ Aufgaben, die persönliche Erfahrungen erfordern.

Akzeptanz

• Über 70 % der Lehrkräfte an Hochschulen die KI nutzen, setzen sie zur Bewertung studentischer Arbeiten ein.
• Lehrkräfte nutzen KI, um Lehrbücher auf ein niedrigeres Niveau zu bringen und Zeit zu sparen.
• Aus der Umfrage: 84 % der Lehrkräfte, die ChatGPT nutzten, sagten, dass es sich positiv auf ihren Unterricht ausgewirkt habe.

Integration

• Die erste Aufgabe eines Professors besteht darin, dass die Studierenden ihre Aufsätze durch ChatGPT laufen lassen und Feedback dazu erhalten.
• Mathematiklehrkräfte lassen Computer bei Prüfungen zu, weil sie wissen, „dass das den Studierenden nicht helfen wird“.
• Einige nutzen KI für personalisiertes Lernen und Feedback in Echtzeit.
• Lehrkräfte, die KI sowohl für den Output ALS AUCH den Input nutzen (also zum Durchdenken von Problemen), erzielen mehr Nutzen.

Gemini berichtete außerdem darüber, wie sich einige der Taktiken in der Praxis bewährten: 

• ChatGPT verbieten: Gemischte Ergebnisse und schwer durchzusetzen.
• KI-Erkennungstools: Unterschiedliche Wirksamkeit, verbunden mit Bedenken über falsch-positive Ergebnisse.
• Aktualisierte Richtlinien: Im Allgemeinen positiv, erfordern aber laufende Aktualisierungen.

Allerdings war Geminis Bericht etwas veraltet, als wir schließlich dazu kamen, diesen Artikel zu schreiben (sechs Monate = Ewigkeiten in der KI-Zeit), deshalb nutzten wir zusätzlich o3-pro, um der Sache nachzugehen. Auch dieses teilte die aktuelle Landschaft in vier zentrale Quadranten ein, allerdings mit einigen wichtigen Aktualisierungen. Hier ist, was es herausgefunden hat. 

1. Alarm und Einschränkung (anfängliche Panikreaktion)

• Viele Schulen verboten ChatGPT anfangs vollständig (Schulbezirke in NYC, LA und Seattle).
• Der Verkauf von Blue-Book-Klausuren schnellte um 30–80 % in die Höhe, als die Schulen wieder auf handschriftliche Tests setzten.
• KI-Erkennungstools erwiesen sich wegen zu vieler Fehlalarme als unzuverlässig.
• Die meisten Verbote wurden innerhalb weniger Monate wieder aufgehoben – NYC hob sein Verbot bereits nach vier Monaten auf.
• Harte Strafen bis hin zu angedrohten Schulverweisen drängten die Nutzung in den Untergrund, statt sie zu beseitigen.

2. Anpassung und Eindämmung (der pragmatische Mittelweg)

• Lehrkräfte gestalteten Aufgaben neu, sodass sie „KI-sicher“ waren – mit einem Schwerpunkt auf Projekten, persönlichen Erfahrungen und komplexer Problemlösung.
• Prozessorientierte Prüfungen wurden üblich (mit der Pflicht, Entwürfe einzureichen und mündliche Verteidigungen abzuhalten).
• 75 % der Schülerinnen und Schüler gaben die KI-Nutzung zu, wenn man sie mit freundlichen, offenen Fragen darauf ansprach.
• Die Regeln für den akademischen Betrieb wurden aktualisiert, um die KI-Nutzung ausdrücklich zu behandeln.
• Und dennoch blieben die Betrugsquoten insgesamt trotz der Verfügbarkeit von KI stabil.

3. Akzeptanz und Anleitung (der pragmatische Wandel)

• KI ist erlaubt, sofern Quellenangaben gemacht werden (sie wird wie jede andere Quelle behandelt).
• Bis Herbst 2024 boten 48 % der Schulbezirke KI-Schulungen für Lehrkräfte an (doppelt so viele wie im Vorjahr).
• Offene Diskussionen über die Ethik von KI im Unterricht wurden zur Normalität.
• Lehrkräfte, die ChatGPT selbst ausprobiert hatten (mehr als 80 %), hatten weniger Angst davor.
• Der Fokus verlagerte sich von „Wie verhindern wir das?“ zu „Wie nutzen wir es verantwortungsvoll?“

4. Integration und Innovation (an der Spitze der Entwicklung)

• Singapur führte an allen Grundschulen KI-gestütztes adaptives Lernen ein.
• Einige Professorinnen und Professoren erstellten KI-„Zwillinge“ ihrer selbst, die Schülerinnen und Schüler rund um die Uhr unterstützen.
• China schrieb altersgerechte KI-Bildung vor (Grundkonzepte für jüngere Schülerinnen und Schüler, Designfähigkeiten für Oberschülerinnen und Oberschüler).
• Im Frühjahr 2024 verfügten noch immer 70 % der Lehrkräfte über keine formale KI-Schulung.
• Erste Ergebnisse zeigen eine bessere Personalisierung und Effizienz, zugleich bestehen Bedenken hinsichtlich des Erhalts der menschlichen Verbindung.

Nehmt diesen Teil mit einem Körnchen Salz, aber o3 kam zu dem Schluss: „Die erfolgreichsten Ansätze verbinden klare Leitlinien mit einem offenen Dialog. Sie behandeln KI als Werkzeug, das Kenntnisse erfordert, und nicht als Bedrohung, die beseitigt werden muss. Lehrkräfte erkennen zunehmend, dass es wertvoller ist, Schülerinnen und Schüler auf eine von KI integrierte Welt vorzubereiten, als den Versuch zu unternehmen, eine von KI freie Unterrichtsblase zu schaffen.“

Wie ihr seht, wirken die Extreme zwar wie der Gegensatz zwischen Maschinenstürmern und Futuristen, doch die meisten Lehrkräfte stecken irgendwo in diesem chaotischen Mittelbereich fest und versuchen, authentisches Lernen zu bewahren, während sie anerkennen, dass der Geist bereits aus der Flasche ist.

Schließlich passiert das nicht nur im Bildungswesen: Diese „KI-Betrugs“-Epidemie hat dazu geführt, dass Prüfungen vor Ort wiederin Betracht gezogen werden – bei Bewerbungsgesprächen (wo KI-generierte Lebensläufe und KI-Personalverantwortliche dazu geführt haben, dassBewerbungen zu einem Zermürbungskrieg der KIs geworden sind) – und sie wirkt sich auch aufStartup-Pitchesaus, bei denen manche VCs inzwischen nicht einmal mehr ein Gespräch annehmen, solange das Unternehmen noch keinen Umsatz generiert.

Ich habe sogar eine Anekdote darüber gelesen, dassPraktikumsprogramme abgesagt wurden weil KI-Bewerbungen das System überfluteten. Das ist der traurigste Aspekt und zeigt, welches Risiko KI fürEinstiegsjobs.

birgt. All das hat Unternehmen wieMeritFirsthervorgebracht, das die Vorauswahl von Lebensläufen durch Fähigkeitstests ersetzt, die zeigen, was Bewerberinnen und Bewerber tatsächlich können. Der Versuch, mündliche Aufsätze und sämtliche Aufgaben wieder vor Ort erledigen zu lassen, ist eine Übertragung derselben Idee auf die Bildung.

Das Problem hat einen solchen Höhepunkt erreicht, dass ein Startup (Cluely) gerade15 Millionen US-Dollar eingesammelt hat – für sein Tool, mit dem man „bei allem schummeln“ kann (obwohl das nichtgenau das ist, was es tut; tatsächlich ist esirgendwie ein ziemlich cooles Tool, ABER wie wir weiter unten noch erläutern werden, ist es wahrscheinlich insgesamt schlecht für das Lernen, die Präsenz und das Menschsein … Das Unternehmen selbst bekennt sich sogar zu dieser Idee und behauptet, es sei „das Ende des menschlichen Denkens“).

Wenn man die erste Reaktion vonProfessorinnen und Professoren auf Andre Mais ChatGPT-Demonstrationliest, klingt es, als würden sie ein generationenübergreifendes kulturelles und/oder gesellschaftliches Problem beobachten: Die Schülerinnen und Schüler von heute blicken mit unverhohlenerer Geringschätzung auf die Gesellschaft im Allgemeinen als frühere Generationen. Sie prahlen mit Ladendiebstählen und benutzen ChatGPT ganz offen mitten im Unterricht; in manchen Fällen verhöhnen sie ihre Lehrkräfte sogar mit „Das sagt ChatGPT aber nicht“, während sie das Smartphone direkt in der Hand halten.

Die Grundstimmung lautet: Wozu soll man sich anstrengen,wenn man sich mit Schummeln einen Vorteil verschaffen kann? Das System ist doch ohnehin manipuliert – warum also NICHT

schummeln? Es könnte außerdem hilfreich sein, sich in die Lage der Schülerinnen und Schüler zu versetzen: Lautpersönlichen Berichten

nutzen Schülerinnen und Schüler KI oft, wenn sie „beschäftigt sind oder ihnen das Selbstvertrauen fehlt“ und „nicht wie sie selbst klingen wollen, weil sie Angst haben, etwas falsch zu machen“.

Schülerinnen und Schüler berichten außerdem, dass manche Aufgaben „Beschäftigungstherapie“ seien, und fragen: „Warum sollen wir lernen, das zu tun, wenn es in Sekunden erledigt ist?“

Außerdem lässt sich das Ergebnis der KI-Nutzung nicht wegdiskutieren. Die Freundin eines Schülers „hat dieses Jahr in Mathe nichts gelernt. Sie hat sich einfach die Antworten besorgt“, bekam aber trotzdem eine Zwei, weil die Abschlussprüfung nur 10 % der Note ausmachte.

Lehrkräfte werden im Stillen zu intensiven KI-Nutzern EineStudie über Lehrkräfte, die KI nutzen

 lieferte ebenfalls einige interessante Erkenntnisse. Nicht nur Schülerinnen und Schüler „profitieren“ von der KI-Nutzung, sondern auch Lehrkräfte.

Wenn man sie nicht besiegen kann, sollte man sich ihnen anschließen?? Das geht aus neuen Daten einer Gallup-Umfrage hervor, dieaugenöffnende Zahlen zutage förderte: Sechs von zehn Lehrkräften in den USA nutzten im vergangenen Schuljahr KI-Tools, wobei Lehrkräfte an weiterführenden Schulen und am Anfang ihrer Laufbahn den größten Anteil ausmachten. Lehrkräfte, die wöchentlich KI nutzen, sparen etwa sechs Stunden pro Woche. 

Das entspricht im Grunde einem zusätzlichen freien Tag.

• Was sie tatsächlich mit KI tun:
• 37 % nutzen sie monatlich für die Unterrichtsplanung.
• 80 % sagen, dass sie dadurch Zeit bei Arbeitsblättern und Prüfungen sparen.

64 % berichten von einer besseren Qualität bei der Anpassung von Unterrichtsmaterialien für Schülerinnen und Schüler.

Sie nennen das die „KI-Dividende“, die sich auf etwa sechs zusätzliche Wochen pro Schuljahr summiert. Doch nur 32 % der Lehrkräfte schöpfen sie wöchentlich aus, während 40 % überhaupt keine KI nutzen.Angesichts von 50-Stunden-Wochen und einer Zufriedenheit mit ihrer Bezahlung von gerade einmal 45 % könnte das einen grundlegenden Wandel bewirken. Wie eine Lehrkraft für Sozialkunde aus Houstones formulierte

: „KI hat meine Art zu unterrichten verändert. Sie hat auch meine Wochenenden verändert und mir eine bessere Work-Life-Balance verschafft.“Allerdings ist die Sache nuancierter. Etwa die Hälfte der Lehrkräfte befürchtet, dass die KI-Nutzung durch Schülerinnen und Schüler die Fähigkeiten Jugendlicher zum kritischen Denken beeinträchtigen wird. Deshalb nutzen sie selbst KI, um zu erkennen, wann Schülerinnen und Schüler sie übermäßig einsetzen. Typische Anzeichen sind fehlerfreie Grammatik und ungewöhnlich komplexe Formulierungen, die geradezu schreien: „Das hat ChatGPT geschrieben.“ 

Auch Gedankenstriche und Formulierungen wie „Es geht nicht nur um X, sondern um Y“ gehören vermutlich dazu.

Was ist also die Lösung?Vor allem NICHT „KI-Detektoren“. In unseren früheren Texten haben wir festgestellt, dassKI-Detektoren grundsätzlich fehlerhaft sind. Als Christopher Penn beispielsweise die US-Unabhängigkeitserklärung durch ZeroGPT laufen ließ, zeigte das Tool eine Wahrscheinlichkeit von 97 % an, dass sie von einer KI generiert worden sei. Einige Lehrkräfte haben inzwischen erkannt, dass Erkennungssoftwareunzuverlässig ist, wobei ein Verantwortlicher anmerkte: „Im Grunde konkurriert KI mit KI“ (

nicht im Grunde, sondern tatsächlich).Ethan Mollickhat zwei entscheidende Illusionen identifiziert

•  die das derzeitige Bildungssystem davon abhalten, sich an die KI-gestützte Welt anzupassen:Erkennungsillusion
• : Lehrkräfte glauben, sie könnten KI-Nutzung erkennen, obwohl sie das größtenteils nicht können.Illusion des Wissens: Schülerinnen und Schülerglauben , sie würden beim Einsatz von KI lernen, tun es aber häufig nicht (.

darauf gehen wir gleich noch ausführlicher ein) Diese beiden Illusionen sind der Grund dafür, dass die Schulen bei Richtlinien und Schulungen aufholen müssen, bevor die Kluft zwischen KI-kompetenten und KI-ahnungslosen Lehrkräften zum Abgrund wird.

Die Lücke bei den Richtlinien ist derzeit gewaltig: Nur 19 % der Lehrkräfte arbeiten an Schulen mit KI-Richtlinien, doch an diesen Schulen fällt die „KI-Dividende“ um 26 % höher aus. Gleichzeitig haben 68 % der Lehrkräfte keinerlei Schulung von ihren Schulbezirken erhalten – sie bringen es sich selbst bei.

Diese massive KI-Nutzung könnte auch für Lehrkräfte zum Problem werden, denn wie wir weiter unten zeigen werden, könnten Lehrkräfte, die selbst zu viel KI einsetzen, langfristig ihre Fähigkeit zu unterrichten beeinträchtigen. 

Was wissen wir also bisher?

1. Wir wissen, dass Schülerinnen und Schüler KI nutzen.

2. Wir wissen, dass Lehrkräfte KI nutzen.

3. Und wir wissen, dass sich zunehmend der Konsens herausbildet, dass es zwecklos ist, generell gegen KI zu kämpfen.4. Stattdessen müssen Lehrkräfte den Lehrplanrund um die KI-Nutzung

 neu gestalten und dabei kritisches Denken und authentische Leistungsbewertung betonen sowie den Schülerinnen und Schülern vermitteln, wann KI das Lernen unterstützt und wann sie es behindert.Das übergreifende Thema lautet: „KI wird aus der Bildung nicht mehr verschwinden.“ 

Die Frage ist also nicht, ob man sie zulassen sollte, sondern wie man sie wirksam einsetzen kann, während akademische Integrität und echtes Lernen erhalten bleiben.Die Herausforderung ist nämlich eherpädagogischer undphilosophischer

als technologischer Natur und erfordert ein grundlegendes Überdenken dessen, was Bildung in einer KI-gestützten Welt bedeutet.

Dieses Chaos an traditionellen Schulen hat die Tür für radikal neue Modelle geöffnetWährend Institutionen damit ringen, die KI einzudämmen, läuft in Austin, Texas, ein weitaus radikaleres Experiment. Es stellt eine andere Frage:  

Was wäre, wenn wir den Lehrer nicht durch einen Detektor, sondern durch die KI selbst ersetzen würden?

Das ist das Konzept von Alpha School, einer Schule in Austin, an der KI kein Schummelcode ist –sie ist der Lehrer.

Hier absolvieren die Schülerinnen und Schüler ihren gesamten akademischen Kernlehrplan in nur zwei Stunden täglich – unterrichtet nicht von Menschen, sondern von adaptiven KI-Tutoren.

Das Ergebnis? Alpha School zufolge lernen Kinder mindestens doppelt so schnell wie an traditionellen Schulen. Kaum zu glauben, ich weiß. Wir erklären gleich, wie das funktioniert.

Das Alpha-School-Programm kurz zusammengefasst:

• Die Schülerinnen und Schüler absolvieren den Kernunterricht in nur zwei Stunden mithilfe von KI-Tutoren und haben dadurch mehr als 4 Stunden für Alltagskompetenzen, eigene Projekte und Erfahrungen in der realen Welt.
• Die Schule behauptet, dass die Schülerinnen und Schüler mindestens doppelt so schnell lernen wie ihre Altersgenossen an traditionellen Schulen.
• Die besten 20 % der Schülerinnen und Schüler zeigen ein Wachstum um das 6,5-Fache. Die Klassen erzielen durchweg Ergebnisse in den besten 1–2 % auf nationaler Ebene.
• Die Angaben basieren auf den Measures of Academic Progress von NWEA (MAP)-Tests … wobei die Daten nur der Schule zur Verfügung stehen. Hmm …

Austen Allred erzählte eine Geschichte über die Schule, durch die wir auf sie aufmerksam wurden. Er erzählte, dass sein Sohn in der ersten Klasse doppelt so schnell lernt wie seine Altersgenossen an einer traditionellen Schule und sich beim Lesen von einem durchschnittlichen Schüler in das 99. Perzentil vorgearbeitet hat.

Bei seiner Tochter in der vierten Klasse gab es offenbar verborgene Wissenslücken. Die KI konnte ihr beim Aufholen im Lesen helfen. Nun macht sie schneller Fortschritte, da die KI ihre spezifischen Schwächen erkennt und gezielt angeht.

In 5 Monaten arbeitete sich das Kind durch den Rest der ersten Klasse und die gesamte zweite Klasse und ist bereits zu 20 % mit der dritten Klasse fertig.  

Und jetzt kommt der wirklich erstaunliche Teil: Das „Geschenk der Zeit“, wie Allred es nennt, ist das eigentliche Produkt der Schule. Allred sagt, seine Kinder hätten nicht mehr dieses Gefühl, dass in der Schule „die Plackerei bevorsteht“. Du weißt schon, diese Sonntagabend-Angst – nur bei Siebenjährigen auf dem Weg zum Matheunterricht?

Er sagt, weil die KI den gesamten akademischen Unterricht mithilfe personalisierter Apps, die sich an jedes Kind anpassen, in nur zwei Stunden täglich erledigt, verbringt man den Rest des Tages mit praktischen „Alltagskompetenzen“.

Die Schülerinnen und Schüler verbringen die Nachmittage damit, Finanzwissen, Führungsqualitäten, Teamarbeit, freies Sprechen, Durchhaltevermögen und Unternehmertum zu lernen. Seine Kinder haben an Überlebenscamps in der Wildnis teilgenommen, Klettern gelernt, einen Podcast gestartet und sind nach Chicago geflogen, um auf einer Konferenz ihre Idole zu interviewen (denn natürlich haben sie das getan).

„Ein Alpha-Schüler baut außerhalb von Austin einen Mountainbike-Park, nachdem er erfolgreich 400.000 US-Dollar eingeworben hat. Eine Gruppe von Schülerinnen und Schülern der Mittelstufe veröffentlicht ein Selbsthilfebuch über psychische Gesundheit – von Kindern für Kinder. Drei Schülerinnen an der Alpha High School stellen ukrainischen Flüchtlingskindern, die in Notunterkünften leben, Lernhilfen zur Verfügung.“

Eine andere Schülerin, die Siebtklässlerin Savannah Marrero, möchte in Brownsville eine Highschool gründen, um ihre KI-gestützte Bildung fortzusetzen, anstatt auf eine traditionelle Highschool zu wechseln.

Allred sagt, dies sei eine grundlegende Neudefinition der Kindheit. Seine Kinder, so beobachtete er, „gleiten von einer Begeisterung zur nächsten“. Und er ist sehr optimistisch, was den Erfolg betrifft: „Es wird eine ganze Generation von 16-Jährigen geben, die den Highschool-Lehrplan vollständig abgeschlossen haben, in allem Bestnoten erzielen und bei einer großen Zahl von AP-Tests die Höchstpunktzahl 5 erreichen.“

‍Also ist das offensichtlich irgendein Unsinn einer elitären Privatschule, richtig? 

Irgendwie …? MacKenzie Price hat Psychologie an der Stanford University studiert und gründete Alpha School 2016, nachdem sich ihre Töchter darüber beschwert hatten, dass die traditionelle Schule langweilig sei.

Die Schule nutzt dafür ein Tool namens „2 Hour Learning (das MacKenzie 2016 entwickelte, ungefähr zu der Zeit, als sie die Schule gründete).

So funktioniert 2 Hour Learning

2 HourLearning ist die zugrunde liegende Bildungstechnologieplattform, die Alpha School und einige andere neue Schulen dieser Art antreibt. Alpha School nutzt die Plattform, eine Sammlung von KI-gestützten Apps im Besitz von Trilogy Software. Die Schülerinnen und Schüler arbeiten mit KI-Tutoren über Apps, die personalisierten Einzelunterricht in ihrem individuellen Tempo und auf ihrem individuellen Niveau bieten.

Wie David Perell aufgeschlüsselt hat, setzt das System auf Mastery Learning: Die Schülerinnen und Schüler müssen jedes Konzept vollständig verstehen, bevor sie fortfahren, sodass keine Wissenslücken entstehen.

Lernen nach Beherrschung versus Lernen nach Zeit:

• Mastery Learning bedeutet, dass man nicht zur nächsten Stufe übergeht, bevor man den Stoff der vorherigen verstanden hat (seine Ursprünge reichen bis ins Jahr 1968 zurück).
• Das ist das Gegenteil davon, wie Schulen heute funktionieren.
• Beim traditionellen Lernen ist die Zeit festgelegt (jeder bekommt genau ein Schuljahr für Algebra), während das Lernen variabel ist (manche Kinder bekommen eine Eins, andere eine Drei).
• Die Schülerinnen und Schüler können mehrere Klassenstufen überspringen, wenn sie bereit sind, oder grundlegende Lücken schließen, bevor sie fortfahren.

Damit geht auch eine radikale Neudefinition der traditionellen Lehrerrolle einher:

• Lehrkräfte im gesamten Alpha-Netzwerk wollen die Schülerinnen und Schüler betreuen und motivieren und ihnen ein Gefühl der Selbstbestimmung vermitteln – bereits im Vorschulalter.
• Lehrkräfte bei Alpha scheinen eher als „Support-Mitarbeitende“ zu fungieren, die sich darauf konzentrieren, selbstständige Schülerinnen und Schüler zu fördern.
• Erwachsene werden zu „Guides“, die emotionale Unterstützung leisten, statt Inhalte zu vermitteln.

‍Nun zum Realitätscheck: 2 Hour Learning und Alpha School sind mehr oder weniger ein vertikal integriertes Unternehmen, in dem die Familie der Schulgründerin die Technologie besitzt. Und sie sind nicht die einzige Schule, die das tut. Zu den verwandten Schulen gehören GT School, Lake Travis Sports Academy, NextGen Academy (mit Schwerpunkt Gaming), Novatio School und Unbound Academy.

Bei Unbound Academy etwa sind alle Vorstandsmitglieder mit 2 Hour Learning, Trilogy Enterprises und Crossover Markets verbunden, die jeweils als Anbieter für die Schule fungieren, was zu Interessenkonflikten führen kann.

Und wie oben erwähnt, wurden die Behauptungen zum akademischen Wachstum nicht unabhängig überprüft, und sie stützen sich auf interne Kennzahlen der Schulen selbst. Es gibt keine von Fachleuten begutachteten Studien, die die Wirksamkeit des 2-Hour-Learning-Ansatzes bestätigen.

Trotzdem hat der Ansatz seinen Reiz … aus geschäftlicher Perspektive, wenn nicht schon aus elterlicher. Alpha eröffnet sieben neue Standorte bis Herbst 2025 in Texas, Florida, Arizona, Kalifornien und New York. Die Schulgebühren variieren je nach Standort und liegen im Durchschnitt bei etwa 40.000 bis 50.000 US-Dollar pro Jahr.

Wir sollten auch erwähnen, dass der Aufstieg von Alpha in eine Zeit fällt, in der die Schulwahl in der Trump-Regierung eine Fürsprecherin gefunden hat. Präsident Trump hat gerade eine Executive Orderunterzeichnet, die das Bildungsministerium anweist, die Bundesstaaten dabei zu unterstützen, Bundesmittel für Bildung zugunsten von Programmen zur Schulwahl umzuschichten. Außerdem hat er gerade eine Executive Order unterzeichnet, um KI landesweit in K–12-Klassenzimmer zu integrieren, mit dem Ziel, technologiebezogene Kompetenzen zu fördern – für die kommenden Generationen.

Man kann Alpha also durchaus als möglichen Machbarkeitsnachweis für das betrachten, was uns bevorsteht.

Ob das gut oder schlecht ist, hängt von den Antworten auf zwei entscheidende Fragen ab: 

1. ‍‍Können diese Schulen und Programme ihre Behauptungen mit öffentlich zugänglichen Belegen untermauern? 
2. Können KI-basierte Lernsysteme tatsächlich so gestaltet werden, dass sie das Lernen auf wissenschaftlicher Grundlage fördern und verbessern? 

Auf die erste Frage müssen wir abwarten. Aber zur zweiten Frage können wir schon jetzt deutlich tiefer recherchieren.

Wie du siehst, repräsentieren diese beiden Welten – die chaotische, reaktive Welt der „traditionellen Bildung“ von heute und die hocheffiziente, radikale Traumwelt der Alpha School (falls sie tatsächlich so ist) – die Pole unseres aktuellen Bildungsdilemmas.

Der eine Weg ist von einem Katz-und-Maus-Spiel aus Schummeln und Aufdecken geplagt, während der andere die Wissensvermittlung vollständig an die KI auslagert, um menschliche Fähigkeiten zu fördern (was irgendwann ein faszinierendes Unterthema für sich wäre; sollten wir uns in einer Zeit allgegenwärtiger KI einfach darauf konzentrieren, menschliche Dinge zu lernen?)

Die Debatte „KI-Schummeln“ versus „KI-Nachhilfe“ verfehlt einen grundsätzlicheren und, offen gesagt, beängstigenderen Punkt

Es geht um das, was die kürzlich von uns erwähnte MIT-Studie „kognitive Schulden“ nennt. Die Studie mit dem Titel „Your Brain on ChatGPT: Accumulation of Cognitive Debt“ kam zu dem Ergebnis, dass die Abhängigkeit von ChatGPT nicht nur die Arbeit umgeht – sie kann das Gehirn buchstäblich schwächen.

Um die Auswirkungen von KI auf Lernen und Kognition zu verstehen, entwickelten MIT-Forschende ein aufschlussreiches Experiment. Sie teilten 54 Teilnehmende für eine Schreibaufgabe in drei Gruppen ein: eine „LLM [Large Language Model]-Gruppe“, die auf ChatGPT beschränkt war, eine „Suchmaschinen-Gruppe“, die Google verwenden durfte, und eine „Nur-Gehirn-Gruppe“ ohne externe Hilfsmittel.

Über vier Monate und mehrere Sitzungen hinweg maßen sie nicht nur die Qualität der Essays, sondern auch die Gehirnaktivität der Teilnehmenden mithilfe der Elektroenzephalografie (EEG).

Das haben die Forschenden herausgefunden:

• Schwächere Gehirne: Die LLM-Gruppe zeigte im Vergleich zu den anderen Gruppen eine deutlich schwächere neuronale Vernetzung. Ihre Gehirne leisteten buchstäblich weniger Arbeit.
• • In allen gemessenen Frequenzbändern (Alpha, Beta, Delta und Theta), die mit Funktionen wie Aufmerksamkeit, Gedächtnis und kritischem Denken zusammenhängen, waren die Gehirne der LLM-Gruppe schlicht weniger aktiv. Sie lagerten die kognitive Schwerstarbeit aus, und ihre neuronalen Schaltkreise spiegelten das wider.
• Schreckliches Gedächtnis: LLM-Nutzer waren erschreckend schlecht darin, aus den Essays zu zitieren, die sie gerade erst fertiggeschrieben hatten. In der ersten Sitzung konnten es 83 % von ihnen nicht.
• • Das war der belastendste Verhaltensbeleg: Die LLM-Gruppe konnte sich nicht daran erinnern, was sie gerade geschrieben hatte. In der ersten Sitzung konnten sage und schreibe 83 % der LLM-Nutzer unmittelbar nach der Fertigstellung keinen einzigen Satz aus ihrem eigenen Essay korrekt zitieren. Die Nur-Gehirn- und Suchmaschinen-Gruppen hatten dagegen kaum Schwierigkeiten. Das deutet darauf hin, dass die Informationen nicht im Langzeitgedächtnis der Nutzer verankert werden, wenn die KI den Inhalt erzeugt.‍
• Weniger Eigenverantwortung: Die LLM-Gruppe empfand weniger Eigenverantwortung für ihre fertigen Arbeiten.
• • Ihre Essays waren zwar oft grammatikalisch perfekt, fühlten sich aber weniger wie ihre eigene Schöpfung an.‍
• Die „Schulden“ machen sich bemerkbar: Als die LLM-Nutzer später gebeten wurden, ohne KI zu schreiben, war ihre Gehirnaktivität immer noch schwächer als die der Gruppe, die sie nie verwendet hatte. Sie waren weniger fähig geworden, selbstständig zu arbeiten.
• • Diese Entdeckung wurde in der vierten Sitzung gemacht, als die Gruppen getauscht wurden. Als die an LLMs gewöhnten Teilnehmenden gebeten wurden, ohne KI zu schreiben (die Bedingung „LLM zu Gehirn“), blieb ihre neuronale Vernetzung schwach. Sie kehrten nicht zu einem Ausgangswert zurück, sondern schnitten schlechter ab als die Nur-Gehirn-Gruppe. Das deutet darauf hin, dass ihre Abhängigkeit von dem Tool sie weniger fähig zu selbstständiger Arbeit gemacht hatte. Daher die „kognitive Schuld“.

Die Forschenden stellten fest, dass die Gehirnvernetzung – die Kommunikation zwischen verschiedenen neuronalen Regionen – direkt mit dem Umfang der externen Unterstützung abnahm. Die Nur-Gehirn-Gruppe wies die stärksten und am weitesten verbreiteten neuronalen Netzwerke auf, die Suchmaschinen-Gruppe zeigte eine mittlere Aktivierung, und die LLM-Gruppe die insgesamt schwächste Gehirnaktivität.

Die Ergebnisse waren frappierend und eindeutig. Die Studie zeigte, dass Studierende, die KI nutzten, eine deutlich schwächere neuronale Vernetzung, ein schlechteres Gedächtnis und ein geringeres Gefühl der Verbundenheit mit ihrer Arbeit hatten. Als sie später ohne KI schreiben mussten, waren sie weniger leistungsfähig als diejenigen, die sie nie genutzt hatten. Hier ist der Link zur Studie.

Und jetzt kommt’s: Ethan Mollick, der sich mit KI-Forschung bestens auskennt, stellte auf X klar, dass diese Studie teilweise falsch interpretiert wurde. Die Forschenden ließen Menschen mit Unterstützung von ChatGPT Aufsätze schreiben und testeten sie dann zu denselben Aufsätzen einige Wochen später. Seine Einschätzung? Überraschung! Menschen, die die Schwerstarbeit der KI überließen, konnten sich nicht daran erinnern, was sie „geschrieben“ hatten. Außerdem wurden bei der Nachuntersuchung nur 9 Personen getestet. Das ist nicht gerade eine Stichprobengröße, die nach „definitiver Wissenschaft“ klingt.

Er wies AUCH zu Recht darauf hin dass die Menschen sich vor Jahren Sorgen machten, Smartphones könnten uns dümmer machen, weil wir uns keine Telefonnummern mehr merken mussten. Das alles ist Teil einer technologischen (tech-neurologischen??) Weitergabe des Staffelstabs, bei der das Gehirn wichtige Fähigkeiten wie das Auswendiglernen von Karten, Berechnungen, die sich problemlos mit Taschenrechnern erledigen lassen, und ja, das Merken von Telefonnummern gegen neue Wachstumsbereiche eintauscht. Und er betrachtet die formale Bildung weiterhin als einen Ort, an dem man den Lernprozess „erzwingt“.

Kurz gesagt, ließe sich Mollicks Einschätzung so zusammenfassen: „LLMs lassen dein Gehirn nicht verkümmern. Faulheit und Nichtlernen schon.“

Es ist, als würde man testen, ob der Einsatz eines Taschenrechners schlecht in Mathematik macht, indem man jemandem für die Hausaufgaben einen Taschenrechner gibt und ihn einige Wochen später ohne Taschenrechner testet. Das Problem ist nicht das Werkzeug –sondern dass man es als Krücke statt als Lernhilfe verwendet. Das Problem, vor dem Lehrkräfte stehen, ist folgendes: So wird KI in der Schule größtenteils eingesetzt. Ein Professor stellte fest: „Ich lasse mehr Schülerinnen und Schüler im Abschlussjahr durchfallen als früher“, weil sie sich auf KI verlassen, ohne etwas zu lernen.

Mollick sagt, das Kernproblem sei nicht KI, sondern dass „Schularbeiten schwierig sind und viel auf dem Spiel steht“ und „die meisten Menschen geistige Anstrengung nicht mögen“. Das Internet hatte die Wirksamkeit von Hausaufgaben bereits untergraben. Mollick schrieb, dass Hausaufgaben im Jahr 2017 nur noch 45 % der Schülerinnen und Schüler halfen (gegenüber 86 % im Jahr 2008), weil sie einfach Antworten aus dem Internet kopierten. Lehrkräfte stellen fest, dass sich dieser Trend während der Pandemie beschleunigte: „Kinder haben ein wenig von dieser Beharrlichkeit verloren, ein wenig von dem Wunsch, tatsächlich zu lernen.“

Hier kommt es darauf an, wie wir mit KI arbeiten – und nicht darauf, ob wir sie nutzen

Ethan teilte eine weitere Studie der Wharton School in der ein Forscherteam gerade die bislang größte praxisnahe Studie zum KI-Tutoring abgeschlossen hat.

Das Versuchsdesign: Fast 1.000 türkische Schülerinnen und Schüler nutzten GPT-4 über vier Monate zum Üben von Mathematik. Die Forschenden testeten zwei Versionen:

1. ‍„GPT Base“ (im Grunde ChatGPT): Die Schülerinnen und Schüler konnten alles fragen und vollständige Lösungen erhalten.‍
2. „GPT Tutor“ (mit Leitplanken): Entwickelt, um Hinweise statt Antworten zu geben.

Die Ergebnisse waren unglaublich.

Während der Übungssitzungen schnitten beide KI-Tutoren hervorragend ab. GPT Base steigerte die Leistung um 48 %, während GPT Tutor eine erstaunliche Verbesserung um 127 % erzielte.

Doch dann wurde die KI für die Prüfungen weggenommen: Die Schülerinnen und Schüler mit GPT Base schnitten 17 % schlechter ab als Kinder, die überhaupt keine KI genutzt hatten. Und die Schülerinnen und Schüler mit GPT Tutor? Zurück auf dem Ausgangsniveau – weder besser noch schlechter.

Der entscheidende Hinweis: Die Schülerinnen und Schüler behandelten GPT Base wie einen Cheatcode für Hausaufgaben. Die häufigste Frage? „Wie lautet die Antwort?“ (Überraschend, ich weiß.)

Und jetzt kommt’s: GPT Base lag tatsächlich in 49 % der Fälle schlicht falsch. Die Schülerinnen und Schüler kopierten buchstäblich falsche Antworten und lernten nichts.

Die Nutzerinnen und Nutzer von GPT Tutor setzten sich derweil tatsächlich mit dem Lernstoff auseinander, baten um Hilfe und versuchten, Lösungen zu finden.

Die Schlussfolgerung: KI lässt dein Gehirn nicht verkümmern, aber sie als Krücke zu verwenden, tut es definitiv. Wenn sie richtig konzipiert ist (wie GPT Tutor), kann sie die Leistung beim Üben massiv steigern, ohne das tatsächliche Lernen zu beeinträchtigen.

Der Unterschied zwischen Verstärkung und Ersatz? Ob du mit KI denkst oder die KI für dich denken lässt.

Mollick gibt seinerseits konkrete Hinweise dazu, wann KI hilft und wann sie schadet:

• ‍Gute Einsatzmöglichkeiten: Brainstorming, Übersetzung zwischen Formaten, Hilfe beim Überwinden von Denkblockaden, Unterstützung beim Programmieren, mehrere Perspektiven erhalten.‍
• Schlechte Einsatzmöglichkeiten: Wenn du neue Ideen lernen oder zusammenführen musst, wenn sehr hohe Genauigkeit erforderlich ist, wenn die Anstrengung selbst der Zweck ist (Anstrengung führt zu Durchbrüchen).

Klar, aber leichter gesagt als getan. Schließlich gibt es ebenso wie die Sorge vor dem „KI-Kollaps“, bei dem Modelle durch das Training mit KI-generierten Daten schlechter werden, nicht auch die Gefahr, dass die menschliche Intelligenz auf dieselbe Weise in sich zusammenfällt, wenn wir uns beim Lernen ausschließlich auf sich selbst verstärkende Systeme verlassen?

Wie nutzt man KI, wenn man sich tatsächlich verbessern will?

Das wirft die wichtigste Frage überhaupt auf, die weit über das Klassenzimmer hinausgeht: Was ist der wahre Zweck des Lernens? Geht es um die Ansammlung von Wissen, eine Aufgabe, bei der KI inzwischen unangefochten dominiert? Oder geht es um etwas Tieferes?

Vor etwa einem Monat hatte Simon Sinek ein GROSSARTIGES Interview bei Diary of a CEO das eine sehr, sehr wichtige Erinnerung für alle war, die damit experimentieren, mithilfe von KI zu lernen, oder von ihren Möglichkeiten begeistert sind: Verliere dabei nicht das, was dich menschlich macht.

‍Insbesondere seine Gedanken dazu, dass die Anstrengung der eigentliche Zweck ist und dass das, was ihn beim Lösen von Problemen, Schreiben und Erkennen von Mustern besser macht, tatsächlich die quälend lange Zeit ist, die er mit dem Schreiben seines Buches verbracht hat.

Sinek argumentierte, dass wir vom Ziel – dem fertigen Produkt – besessen seien und dabei den Wert des Weges vergäßen. „Ich bin klüger, kann Probleme besser lösen und bin einfallsreicher … nicht weil ein Buch mit meinen Ideen darin existiert, sondern weil ich es geschrieben habe“, erklärte er. „Diese quälende Reise hat mich wachsen lassen.“

Die Anstrengung ist es, die die menschlichen Fähigkeiten Resilienz, Kreativität und Urteilsvermögen entwickelt.

Und die Studien des MIT und der Wharton School bestätigen Sineks Einschätzung auf neurologischer Ebene. Diese „quälende Reise“ ist die geistige Arbeit, die neuronale Verbindungen aufbaut und stärkt, und sie hat in der Kognitionswissenschaft einen Namen: wünschenswerte Schwierigkeiten.

Der von den Forschenden Robert und Elizabeth Bjork geprägte Begriff bezeichnet die anstrengenden Herausforderungen, die sich im Moment schwieriger anfühlen – etwa einen Fakt aus dem Gedächtnis abzurufen, statt ihn zu googeln –, aber für den Aufbau von solidem, langfristigem Wissen unerlässlich sind.

Wissenschaftlich ausgedrückt sind Lernbedingungen, die ein bewältigbares Maß an Anstrengung beinhalten, für die langfristige Speicherung wesentlich wirksamer als mühelose Lernbedingungen.

Wenn wir also KI nutzen, um diese Schwierigkeiten zu umgehen, nehmen wir nicht einfach eine Abkürzung; wir verzichten auf eine Chance für kognitives Wachstum.

Anders gesagt: Wenn du die Schwerstarbeit der KI überlässt, überspringst du das mentale Training, das deine kognitiven Muskeln tatsächlich aufbaut.

Hier sind 4 effektive Lerntechniken, die sich wünschenswerte Schwierigkeiten zunutze machen

Das Buch Make It Stick: The Science of Successful Learning machte mich mit einer Reihe von Methoden vertraut, deren Wirksamkeit für langfristiges Lernen wissenschaftlich belegt ist.

Dem Buch zufolge erzeugen Unterstreichen, Markieren, wiederholtes Lesen, Pauken und einseitiges Wiederholen die Illusion, etwas zu beherrschen, doch diese „Fortschritte“ verblassen schnell.

Die eigentliche Wissenschaft des Lernens ist dagegen kontraintuitiv: Nicht das Wiederholen, sondern der Abruf aus dem Gedächtnis vertieft das Lernen und sorgt dafür, dass es „haften bleibt“.

Wieder sind es die wünschenswerten Schwierigkeiten die realen Bedingungen ähneln und Anstrengung erfordern um sie zu überwinden, die das Lernen vertiefen und die spätere Leistung verbessern.

Steve Kaufmann (unten vorgestellt) geht in einem kurzen, leicht verständlichen Video eine Reihe dieser Erkenntnisse durch und erklärt sie sowie ihre Anwendung (in seinem Fall geht es um das Erlernen einer Sprache; weiter unten übertragen wir das also darauf, wie man besser mit KI arbeitet).

Die Methoden sind folgende:

• Abrufübung (Testen): Informationen aktiv aus dem Gedächtnis abzurufen, ist wesentlich schwieriger, als sie einfach noch einmal zu lesen, stärkt aber die Gedächtnisspur exponentiell. Die LLM-Gruppe der MIT-Studie, die keinerlei Informationen abrufen musste, konnte diese Spuren nicht aufbauen.irgendwelche Informationen überhaupt abzurufen, konnte diese Spuren nicht aufbauen.
• Verteilung: Lernen über einen längeren Zeitraum zu verteilen, wodurch man Informationen vergisst und erneut abrufen muss, ist effektiver als Pauken.
• Verschachtelung: Verschiedene Themen oder Aufgabentypen zu mischen, fühlt sich verwirrend an, trainiert das Gehirn aber tatsächlich darin, Muster zu erkennen und die richtige Strategie auszuwählen – ein zentraler Bestandteil des Problemlösens in der realen Welt.
• Der Generierungseffekt: Eine Antwort selbst zu entwickeln – auch wenn sie falsch ist – sorgt dafür, dass man den Lernstoff besser behält, als wenn man einfach die richtige Antwort vorgesetzt bekommt.

Wenn wir uns also für eine sofortige Lösung an ChatGPT wenden, vollziehen wir das kognitive Äquivalent des wiederholten Lesens – es fühlt sich flüssig und mühelos an, erzeugt aber eine „Illusion des Wissens“, über die Ethan gesprochen hat, ohne echte, nachhaltige Expertise aufzubauen. Wir vermeiden genau die Schwierigkeiten, die unser Gehirn zum Lernen braucht.

P.S.: Eine weitere gute, kurze Ressource, um diese Erkenntnisse aufzuschlüsseln, ist das Video „Learn ANYTHING quickly“ von Python Programmer. Er vergleicht Make it Stick mit Uncommon Sense Teaching, das die enorme Lücke zwischen dem schließen will, was Neurowissenschaftler über das Lernen wissen, und dem, was tatsächlich im Klassenzimmer passiert.

Die Autoren erklären, warum manche Schülerinnen und Schüler „Rennwagen-Lerner“ sind (schnell, aber fehleranfällig) während andere „Wanderer“-Lernende sind (langsamer, aber gründlicher), und wie stark das Arbeitsgedächtnis – jener vorübergehende Speicher für neue Ideen – zwischen den Lernenden variiert. Das Buch zeigt Lehrkräften, wie sie Lernende motiviert halten, ihnen helfen, Informationen langfristig zu behalten, statt sie nach Prüfungen wieder zu vergessen, und inklusiv unterrichten, wenn Lernende sehr unterschiedliche Fähigkeiten haben.

Beide Bücher treffen dieselbe zentrale Erkenntnis genau: Die Strategien, die sich so anfühlen, als müssten sie funktionieren (Hervorheben, wiederholtes Lesen, einfaches Üben), sind ausgerechnet diejenigen, die nicht hängen bleiben. Dagegen sind die Ansätze, die sich schwieriger und chaotischer anfühlen – etwa sich selbst zu testen, bevor man sich bereit fühlt –, genau das, was Wissen dauerhaft im Gehirn verankert.

Daher denke ich: Wenn wir KI-Systeme so einsetzen können, dass sie auf diesen zentralen Konzepten aufbauen und sie durchsetzen, können wir vielleicht DANN eine KI-gestützte Bildung schaffen, die tatsächlich neues Wissen aufbaut, statt an uns vorbeizugehen.

Wie entwickeln wir also einen Rahmen für die Arbeit mit KI, um die Fähigkeiten aufzubauen, die wir für diese neue Welt brauchen werden? 

Ich mache ein paar Vorschläge als ersten Vorstoß. Sie sind keineswegs ein Ziel, sondern ein Ausgangspunkt, von dem aus es darum geht, sich durchzukämpfen – auf etwas noch Größeres zu. :) 

Hier ist ein Arbeitsablauf in 4 Schritten, um mit KI eine neue Fähigkeit zu erlernen

Dieser Arbeitsablauf zeigt, wie sich diese Prinzipien anwenden lassen, wenn man etwas Neues und Anspruchsvolles lernen möchte, und integriert die Erkenntnisse aus Make It Stick auf eine vom Menschen gesteuerte Weise.

Schritt 1: Engagieren (die leere Seite)

• Ziel: Aktiviere dein Gehirn und definiere „die Herausforderung“ (was versuchst du zu tun?).
• • Dies ist der wichtigste Schritt, und er findet ohne die KI statt.
  • Bevor du auch nur einen einzigen Prompt schreibst, musst du dich zunächst nur mit deinem eigenen Verstand auf das Problem einlassen.
• Zuerst die schwierige Aufgabe (Generierung): Verbringe mindestens 20–30 Minuten damit, dich mit dem Konzept, Problem oder der Fähigkeit auseinanderzusetzen.
• • Versuche, den Code zu schreiben. Entwirf die Argumentation. Skizziere das Modell. Scheitere. Komm nicht weiter.
  • Diese erste, nicht unterstützte Anstrengung aktiviert die relevanten neuronalen Netzwerke und schafft einen „mentalen Haken“, an dem neue Informationen haften können.
• Formuliere dein Nichtwissen: Schreibe klar auf, was du weißt, was du zu wissen glaubst und an welcher Stelle du genau feststeckst.
• • Dieser Akt der Formulierung ist selbst ein wirkungsvolles Lerninstrument.
  • Und weißt du was? Sobald das erledigt ist, wird daraus dein Prompt.

Die obige Taktik ist eine praktische Form von „Kontext-Engineering“: Du versorgst die KI mit dem gesamten Kontext, all deinen Überlegungen sowie allem, was du weißt und nicht weißt, damit sie das konkrete Problem lösen kann. Im Idealfall hast du alles, was du brauchst, direkt vor dir, und die KI kann dich über die Schwelle heben.

Schritt 2: Schlagabtausch (der Dialog)

• Ziel: Nutze KI, um Anleitung zu erhalten, nicht Antworten.
• • Jetzt bringst du deine klar definierte Herausforderung (deinen Prompt) zur KI.
  • Du bittest sie nicht, die Arbeit zu erledigen, sondern darum, deine Denkpartnerin zu sein.
  • Du steuerst das Gespräch auf Grundlage deiner anfänglichen Herausforderung.
• Spiele verschiedene Rollen durch: Statt einfach nur Fragen zu stellen, weist du der KI eine Rolle zu, die eine tiefere Denkebene erzwingt.
• • Der sokratische Tutor: „Gib mir nicht die Lösung. Stelle mir Fragen, die mich zu ihr führen.“
  • Der Advokat des Teufels: „Hier ist meine Argumentation. Stelle sie energisch infrage und lege ihre schwächsten Punkte offen.“
  • Der Mustererkenner: „Ich arbeite an den Problemen A, B und C. Welches zugrunde liegende Prinzip verbindet sie?“

In einer praktischen Arbeitsumgebung hast du nicht jedes Mal Zeit dafür; oft brauchst du einfach nur die Antwort. Aber selbst wenn du etwas schnell in die Produktion bringen musst, solltest du dir am Ende deines Arbeitstags trotzdem etwas Zeit nehmen, zu diesem Prozess zurückzukehren und dich mit der KI darüber auszutauschen, wie sie das Problem gelöst hat.

Schritt 3: Synthetisieren (die Schmiede)

• Ziel: Übernimm Verantwortung für das Wissen.
• • Hier verwandelst du die Erkenntnisse aus deinem KI-Dialog in dein eigenes, dauerhaftes Wissen.
  • In diesem Schritt geht es darum, die Informationen aktiv zu deinen eigenen zu machen.
• Schließe das Fenster und rekonstruiere (Abruf): Schließe nach deiner KI-Sitzung den Tab.
• • Fasse in einem leeren Dokument oder auf einem Blatt Papier die wichtigsten Erkenntnisse in deinen eigenen Worten zusammen.
  • Wenn du das nicht aus dem Gedächtnis kannst, hast du es nicht gelernt.
• Anwenden und verändern: Kehre zu deiner ursprünglichen Arbeit aus Schritt 1 zurück und wende das Gelernte an.
• • Kein Copy-and-paste. Schreibe den Code neu, entwirf die Argumentation neu.
  • DU musst derjenige sein, der das neue Wissen integriert.

Auch hier gilt: Wenn du deine Fähigkeiten bei der Arbeit (oder in der Schule) verbessern oder deine Lernenden dazu anleiten möchtest, MUSS dieser Schritt Teil des Prozesses sein. Der Physiker Richard Feynman sagte: „Was ich nicht erschaffen kann, verstehe ich nicht.“ Ganz in diesem Sinne gilt: Was du nicht erklären kannst, verstehst du nicht.

Schritt 4: Architekt sein (das System)

• Ziel: Entwirf deinen eigenen langfristigen Lernplan.
• • Du musst zum Architekten deines eigenen Lernplans werden.
  • Nutze die KI als Beraterin, die dir beim Entwurf dieses Systems hilft.
• Plane deine Abstände: Frage die KI: „Welche 3–5 Kernkonzepte sollte ich auf Grundlage unseres Gesprächs wiederholen? Hilf mir, für jedes eine einzelne, anspruchsvolle Frage zu formulieren, die ich in meinen Kalender eintragen und in 3 Tagen, 1 Woche und 1 Monat erneut aufgreifen kann.“
• • Diese Fragen trägst du dann in deinen tatsächlichen Kalender ein. Das ist vom Menschen gesteuertes verteiltes Lernen.
• Plane deine Verschachtelung: Frage die KI: „Ich lerne derzeit [Skill X], [Skill Y] und [Skill Z]. Hilf mir, für das Ende der Woche ein Mini-Projekt zu entwerfen, das mich dazu zwingt, alle drei auf neuartige Weise zu kombinieren.“ Du nutzt die Kreativität der KI, um eine Übung zu strukturieren, die du anschließend selbst durchführst.

Die Regel des „kognitiven Eigentums“

Wenn du dein KI-gestütztes Lernen WIRKLICH verbessern möchtest, könntest du diese Taktik anwenden: 

• Niemals KI-Antworten kopieren und einfügen. Formuliere sie nach der Verarbeitung immer in deinen eigenen Worten neu.
• Der „Zitat-Test“: Schließe nach jeder KI-gestützten Arbeit das Gespräch und prüfe, ob du die wichtigsten Erkenntnisse aus dem Gedächtnis zitieren oder zusammenfassen kannst. Wenn nicht, hast du sie nicht verinnerlicht.
• Der „Lehr-Test“: Du möchtest etwas lernen? Versuche, es zu lehren! Erkläre jemand anderem, was du gelernt hast (oder schreibe es auf), ohne deine Chats zu überprüfen. Das ist meine Strategie und der Grund, warum ich so gern lerne und die Inhalte, die ich lerne, in Inhalte verwandle, die andere verstehen und genießen können.

Der Meta-Lern-Prompt

Das widerspricht zwar ein wenig dem, was wir darüber gesagt haben, der KI zu viel Macht zu geben, aber du könntest die KI natürlich jederzeit fragen, wie du am besten mit der KI arbeitest.

In diesem Sinne könntest du einen Prompt wie diesen ausprobieren:

„Ich möchte tiefere Expertise im Bereich [domain] entwickeln. Gib mir nicht einfach Antworten, sondern hilf mir, eine Lernherausforderung zu entwerfen, die angemessen schwierig ist – schwierig genug, dass ich mich anstrengen und weiterentwickeln muss, aber nicht so schwierig, dass ich aufgebe. Richte sie an meinem aktuellen Niveau aus: [beschreibe dein Verständnis].“

Auch wenn dies kein deterministisches System ist, das deinen Fortschritt von Anfang bis Ende verfolgt, könntest du diese Taktik bei jeder neuen Fähigkeit einsetzen, die du lernen möchtest. Du müsstest deinen Lernfortschritt selbst verfolgen, und vielleicht kann sogar der Vorgang, die KI mit deinem aktuellen Verständnisstand zu „prompten“, dazu beitragen, einige der oben erwähnten Abruf-/Generierungstaktiken auszulösen.

Wohin führt das alles? Von einer „Wissensökonomie“ zu einer „Urteilsökonomie“

Derzeit stehen wir zwischen zwei mächtigen Kräften: der, nennen wir sie „wirtschaftlichen“, Versuchung, KI für mühelose Produktivität einzusetzen (mit KI-Agenten oder sogar der KI-„Schummel“-Schnittstelle von Cluely als ultimativer Ausprägung davon) – und der biologischen Notwendigkeit „wünschenswerter Schwierigkeiten“, damit unser Geist wächst.

Wie wir mit diesem Paradoxon umgehen, wird die Zukunft der Arbeit, der Expertise und des menschlichen Potenzials bestimmen.

Die Versuchung durch KI besteht darin, alles abzukürzen und schneller ans Ziel zu gelangen. Aber wie wir inzwischen wissen, etwa durch die jüngste MIT-Studie zur Wirkung von ChatGPT auf das Gehirn und zahlreiche weitere Belege gezeigt haben, brauchen wir zum Lernen ein gewisses Maß an „wünschenswerter Schwierigkeit“.

Das zwingt uns zu der Frage: Was macht uns in einer Zeit, in der Wissen eine Ware ist, einzigartig menschlich, und wie bauen wir ein Bildungssystem – und ein Berufsleben –, das dies fördert und sicherstellt, dass die nächste Generation intelligenter und nicht nur schneller lernt?

Das ist nicht nur ein individuelles Lernproblem oder ein Problem des Bildungssystems; es hat auch tiefgreifende Auswirkungen auf diejenigen von uns, die bereits mitten im Berufsleben stehen. Der Zukunftsforscher Nate B. Jones argumentiert , dass wir den Zusammenbruch der „Wissensökonomie“ und den Aufstieg der „Urteilsökonomie“ erleben. KI hat eine „Wissenshyperinflation“ ausgelöst (ich liebe diesen Begriff), bei der sich Informationen in schwindelerregendem Tempo verdoppeln und dadurch billig und allgegenwärtig werden.

In dieser neuen Realität werden traditionelle Qualifikationen (etwa Hochschulabschlüsse), die den Aufbau von Wissen signalisieren, wertlos. Ein Hochschulabschluss verliert seine Signalwirkung, wenn KI dasselbe Wissen erzeugen (oder fälschen) kann. Ein Lebenslauf wird überflüssig, wenn er, wie Jones sagt, nur noch „einen Chatbot-Prompt von perfekt“ entfernt ist.

Die Zukunft wird daher nicht für Wissen bezahlen, das eine Maschine bereitstellen kann. Sie wird für Urteilsvermögen bezahlen: für die einzigartig menschliche Fähigkeit, mit unvollständigen Informationen gute Entscheidungen zu treffen, Geschmack zu haben, Kontext zu erkennen und sich in Mehrdeutigkeit zurechtzufinden. Die entscheidenden Fähigkeiten sind das, was Jones „menschliche Schutzwälle“ nennt – etwa außergewöhnliche Tatkraft, Lerngeschwindigkeit und langfristige Zielorientierung. Genau diese Fähigkeiten werden durch Anstrengung geschärft, nicht dadurch, dass wir unser Denken auslagern.

Nate zufolge wird in der Urteilsökonomie Folgendes tatsächlich belohnt:

1. ‍Geschmack = nicht nur zu wissen, wie man etwas baut, sondern zu wissen, was man bauen sollte. Wenn die KI dir 50 Optionen für deine Marketingkampagne gibt, besteht Geschmack darin, diejenige auszuwählen, die tatsächlich eine Verbindung zu Menschen herstellt. Das ist der Unterschied zwischen einem technisch perfekten Logo und einem, bei dem die Menschen innehalten und aufhören zu scrollen.
2. 1. ‍In der Praxis: Sag öfter Nein. Übe, aus den endlosen Vorschlägen der KI die beste Option auszuwählen, statt einfach die erste halbwegs gute zu nehmen.‍
2. Extreme Eigenständigkeit = die Fähigkeit, ohne einen Manager im Nacken zu arbeiten. Während KI bei der Ausführung glänzt, müssen Menschen erschreckend gut werden darin, Ziele zu setzen und Kurskorrekturen vorzunehmen.
3. 1. ‍In der Praxis: Übernimm die Verantwortung für ganze Projekte, nicht nur für einzelne Aufgaben. Wenn etwas kaputtgeht, warte nicht auf Anweisungen – repariere es. Baue Systeme, die funktionieren, ohne dass du sie ständig überwachen musst.
3. Lerngeschwindigkeit = Es geht nicht darum, Wissen anzuhäufen (darin gewinnt die KI). Es geht darum, sich schneller anzupassen, als sich die Welt verändert.
4. 1. ‍In der Praxis: Wenn ein neues Tool auf den Markt kommt, sei die Person, die es innerhalb von Tagen beherrscht, nicht erst nach Monaten. Betrachte jede Fähigkeit als vorübergehend und jede Herausforderung als Chance zu beweisen, dass du auf der Welle der Veraltung reiten kannst.
4. Intentionshorizont = Die Fähigkeit, über Monate und Jahre hinweg kohärente Ziele beizubehalten, nicht nur bis zur nächsten Chat-Sitzung. KI ist im Grunde amnestisch – jedes Gespräch beginnt bei null.
5. 1. ‍In der Praxis: Sei die Person, die sich daran erinnert, warum das Projekt begonnen wurde, wie Erfolg im nächsten Quartal aussieht und wie die heutigen Entscheidungen mit der langfristigen Vision zusammenhängen.
5. Unterbrechbarkeit =Menschen können unterbrochen werden, den Kontext wechseln und dort weitermachen, wo sie aufgehört haben. KI hasst das.
6. 1. ‍In der Praxis: Gewöhne dich an Chaos. Sei die Person, die drei dringende Slack-Nachrichten, einen Kundenanruf und eine Budgetkrise noch vor dem Mittagessen bewältigen kann – und trotzdem weiß, woran sie gerade gearbeitet hat.

Wie man Urteilskraft statt kognitive Schulden aufbaut

Die Lösung besteht nicht darin, KI aufzugeben, sondern sie bewusst einzusetzen – sie von einer Krücke in einen kognitiven Sparringspartner zu verwandeln. Deine gesamte Interaktion mit KI sollte von diesen Verpflichtungen geprägt sein:

• Ich bin der Akteur, die KI ist das Werkzeug. Meine Ziele bestimmen den Prozess. Ich bin für das Lernen, das Denken und das Ergebnis verantwortlich. Die KI ist eine leistungsstarke, aber nachgeordnete Assistentin.
• Anstrengung ist das Ziel, nicht das Hindernis. Das Gefühl von Verwirrung oder Schwierigkeit ist kein Zeichen dafür, sofort die KI nach der Antwort zu fragen. Es ist das Signal, dass dein Gehirn gerade die neuronalen Pfade für echtes Verständnis aufbaut – die „wünschenswerten Schwierigkeiten“, die für Wachstum unerlässlich sind. Wenn du diese Anstrengung spürst, geh auf sie ein. Sie ist der wichtigste Teil des Prozesses.
• Prozess vor Produkt. Der fertige Aufsatz, der funktionierende Code oder die richtige Antwort sind lediglich ein Artefakt. Das eigentliche Produkt ist der stärkere, leistungsfähigere Verstand, den du beim Erschaffen entwickelst. Die „qualvolle Reise“, wie Simon Sinek sie nennt, macht dich klüger. Opfere niemals die Reise für das Ziel.

Das Dilemma moderner Berufstätiger

Versuchen wir also, all das zusammenzuführen: Die MIT-Studie warnt uns vor kognitiver Verkümmerung, aber wir können auch nicht ignorieren, dass KI grundlegend verändert, was Kompetenz bedeutet. Die neue Metakompetenz besteht darin, zu wissen, wie man KI effektiv steuert, während man gleichzeitig die kognitiven Fähigkeiten bewahrt, die einen unersetzlich machen.

Der Kompromiss: Nutze KI, um deine Fähigkeiten zu erweitern (was du tun kannst), und sei gleichzeitig sehr bewusst darum bemüht, deinen kognitiven Kern zu vertiefen (wie du denkst).

Du kannst nicht alles auf die harte Tour lernen, aber deine wichtigsten Dinge musst du auf die harte Tour lernen.

Die Frage lautet: In welchen 2–3 Bereichen akzeptierst du die „wünschenswerte Schwierigkeit“, um echte Expertise aufzubauen, und in welchen Bereichen wirst du strategisch auf KI zurückgreifen, um wettbewerbsfähig zu bleiben?

Eine Entscheidungsmatrix dafür, wann und wie man KI zum Lernen einsetzt

Es gibt eine Zeit zum Lernen und eine Zeit zum Automatisieren. Im Sinne einer guten Urteilskraft musst du wissen, wann was angebracht ist.

Bevor du KI einsetzt, stelle dir eine Frage: „Ist das eine Kernkompetenz, die ich für meine langfristigen Ziele selbst beherrschen muss?“

Das Spektrum der Antworten auf diese Frage lässt sich in drei Modi unterteilen. Deine Antwort bestimmt, in welchem dieser Modi du arbeiten solltest.

• Nutzungsmodus: Für Aufgaben außerhalb deiner Kernkompetenzen (z. B. bist du Entwickler und brauchst Marketingtexte).
• • Ist das ein Mittel zum Zweck? → Nutzungsmodus.
• Lernmodus: Für Fähigkeiten, die deine Karriere bestimmen (z. B. du lernst programmieren).
• • Ist das eine Kernkompetenz, die ich selbst beherrschen muss? → Lernmodus.
• Einstiegsmodus: Der hybride Königsweg für den Einstieg in neue Bereiche.
• • Könnte das später wichtig werden? → Einstiegsmodus.

1. Nutzungsmodus (Die KI erledigt die Arbeit.)

• Wann du ihn einsetzen solltest: Wenn du Ergebnisse in Bereichen liefern musst, die du nicht gerade lernst.‍
• Beispiele: Eine App entwickeln, wenn Programmieren nicht zu deinen Kernkompetenzen gehört. Marketingtexte erstellen, wenn du ein technischer Gründer bist. Routineaufgaben automatisieren, um dich auf höherwertige Arbeit zu konzentrieren.‍
• So funktioniert er: Du weist die KI an, den Großteil der Arbeit zu erledigen. Deine Aufgabe besteht nicht darin, die Tätigkeit zu erlernen, sondern deine Handlungsfähigkeit zu bewahren, indem du klare Anweisungen gibst, das Ergebnis kritisierst und die endgültigen Entscheidungen triffst.‍
• Das Ziel: Kognitive Ressourcen freisetzen, um dich auf deine Kernkompetenzen zu konzentrieren.‍
• Wende die Regel des „strategischen Verständnisses“ an: Verstehe genug, um Anweisungen zu geben, Fehler zu beheben und weiterzuentwickeln, aber mach dir keine Gedanken über Implementierungsdetails.

2. Lernmodus (Du erledigst die Arbeit, die KI unterstützt dich.)

• Wann du ihn einsetzen solltest: Für Fähigkeiten, die für deine Karriere und Identität zentral sind. Hier musst du tiefgehende, dauerhaft tragfähige Expertise aufbauen.
• • Wenn du ein großartiger Programmierer, ein versierter Autor oder ein strategischer Denker werden willst, musst du dich auf die Anstrengung einlassen.
• Beispiele: Ein Junior-Entwickler, der eine neue Programmiersprache lernt; ein Stratege, der an seinem analytischen Schreiben feilt; ein Student, der ein grundlegendes akademisches Konzept beherrscht.
• So funktioniert er: Hier ist das Prinzip „Anstrengung zuerst“ entscheidend. Ringe 20–30 Minuten selbst mit dem Problem. Schreibe den Code, entwirf die Argumentation, erstelle das Finanzmodell (oder zumindest eine Gliederung!). Erst nach diesem ersten Versuch solltest du dich an die KI wenden – nicht für die Antwort, sondern für Anleitung.
• Verwende Prompts wie:‍
• • „Ich versuche, [problem] zu lösen, und das ist mein Ansatz. Ich komme bei [specific point] nicht weiter. Welches andere mentale Modell könnte ich verwenden, um darüber nachzudenken?“
  • „Löse es nicht für mich, aber hilf mir zu verstehen, welche Fragen ich mir stellen sollte, die ich bisher nicht sehe.“
• Das Ziel: Echte, dauerhaft tragfähige Expertise und die Fähigkeiten der Urteilskraft-Ökonomie aufbauen.

3. Einstiegsmodus (Die KI beschleunigt den Kompetenzaufbau.)

• Wann du ihn einsetzen solltest: Wenn du in einen neuen, komplexen Bereich einsteigst, in dem du schnell Ergebnisse liefern und gleichzeitig Kompetenz aufbauen musst.
• Beispiele: Eine Person ohne Programmierkenntnisse, die ihre erste funktionierende Web-App entwickelt; ein Marketer, der zum ersten Mal ein Data-Science-Modell erstellen soll.
• So funktioniert er: Dies ist eine leistungsstarke, mehrstufige Kombination der beiden anderen Modi.
• • Schritt 1 (Generieren): Lass die KI den ersten funktionsfähigen Code schreiben. Du kannst einen Prototyp veröffentlichen.
  • Schritt 2 (Reverse Engineering): Deine Aufgabe besteht nun darin, zu verstehen, was die KI getan hat. Bitte sie: „Erkläre diesen Codeblock Zeile für Zeile. Welche Vor- und Nachteile hat dieser Ansatz?“
  • Schritt 3 (Ändern und iterieren): Nimm selbst Änderungen am Code vor. Beginne im Kleinen. „Ich möchte die Farbe der Schaltfläche ändern. Welchen Teil des CSS muss ich bearbeiten?“
  • Schritt 4 (Üben): Bitte die KI um ein ähnliches, aber anderes Problem, das dieselben Konzepte verwendet, und versuche, es von Grund auf zu lösen.
• Das Ziel: Schnell praktische Fähigkeiten in einem neuen Bereich aufbauen, ohne in die Abhängigkeitsfalle zu geraten.

So könntest du diese Strategien über einen Zeitraum von vier Wochen anwenden.

• Woche 1: Zuerst erstellt die KI das Ganze, dann tauchst du ein und verstehst seine Architektur.
• Woche 2: Du beginnst, den KI-Code mit Unterstützung der KI selbst zu verändern.
• Woche 3: Du versuchst, eine ähnliche Funktionalität vollständig von Grund auf selbst zu schreiben.
• Woche 4: Du entwickelst neue Funktionen eigenständig.

So kannst du schnell liefern und gleichzeitig Kompetenz aufbauen, wobei du sowohl kognitive Schulden als auch einen Wettbewerbsnachteil vermeidest. Außerdem wendest du die „Meisterschaftsmethode“ an, die Alpha School oben nutzt. Du gehst erst dann zum Bau einer neuen Funktion über, wenn du die erste vollständig beherrschst.

Die Wissensökonomie ist derzeit kaputt.

Das ist offensichtlich. Wie Nate sagte (und dem ich zustimme), ist die neue Währung in einer Welt, die in KI-generierten Inhalten ertrinkt, die Urteilskraft. Und du kannst keine Urteilskraft aufbauen, indem du einfach eine KI nach der Antwort fragst.

‍Du entwickelst sie, indem du dich selbst mit dem Problem auseinandersetzt – und lernst, die KI als Sparringspartner und nicht als Ghostwriter einzusetzen.

Anstatt KI blind einzusetzen, solltest du ein strategisches Rahmenwerk übernehmen, das wünschenswerte Schwierigkeiten erzwingt.

Es muss nicht eines dieser Modelle sein, aber es sollte die wissenschaftlichen Erkenntnisse darüber berücksichtigen, was beim Lernen funktioniert, und AUCH für deine persönliche Entwicklung über die bloße Automatisierung deiner gesamten Arbeit hinaus nützlich sein.

Und was ist mit Cluely, der KI, mit der man bei allem schummeln kann? Auch wenn sie vielleicht der ultimative Prototyp dafür ist, wie die spätere Benutzererfahrung einer Computerschnittstelle für das menschliche Gehirn aussehen könnte, wie Simon Sinek argumentiert, entstehen Authentizität und menschliche Verbindung aus unserer Unvollkommenheit, nicht aus Perfektion … aus jener einzigartig menschlichen Form der Unvollkommenheit (nenn es Chaos, Tollpatschigkeits-Charme oder dieses gewisse Etwas?), die KI niemals nachahmen kann (auch wenn die KI ihre ganz eigenen Unvollkommenheiten hat).

Das ist nicht nur ein Wohlfühlmantra; unsere Unvollkommenheiten machen uns zwar menschlich, aber mein Punkt beim Schreiben all dessen ist, dass sie ebenfalls uns beim Lernen und Wachsen helfen. Man könnte unsere neu entdeckte Abhängigkeit von KI als unser Bedürfnis nach Erfolg betrachten – oder, anders ausgedrückt, als unsere Angst vor dem Scheitern. Diese Angst vor dem Scheitern ist also gewissermaßen wie die Angst vor dem Lernen. Auch wenn nicht jedes Scheitern gut ist, gibt es einen Grund, warum erfolgreiche Unternehmen einem sagen: „schnell scheitern“ oder „schnell handeln und Dinge kaputtmachen.“ Das liegt daran, dass intelligentes Scheitern ein wichtiger Bestandteil des Erfolgs sein kann.

Aber auch das Scheitern ist mit Risiken, Kosten und Peinlichkeit verbunden – all das würden wir gerne vermeiden. Wie Ethan Mollick sagte, ist echtes Lernen harte Arbeit. Es braucht Anstrengung, damit sich Dinge festsetzen. Genau das macht ChatGPT und noch mehr Cluely (und Cluely-ähnliche Technologie) zu einem verlockenden, schleichenden Einstieg in eine zu starke Abhängigkeit von KI – und dazu, die Schwierigkeit zu verlieren, die wir für echtes Lernen brauchen (und die ein wesentlicher Teil unserer Menschlichkeit ist). Um zu erfahren, wie sich unser Zugang zu dieser Art von Technologie auswirkt, müssen wir einfach abwarten.

In der Bewertungsökonomie ist Wissen kostenlos und überall verfügbar, aber die Fähigkeit, gute Entscheidungen zu treffen, Geschmack zu haben und schnell zu lernen, ist der neue menschliche Schutzgraben. KI zu nutzen, um Schwierigkeiten zu vermeiden, ist eine Falle; zu lernen, Schwierigkeiten mit KI zu bewältigen, ist die Superkraft.

In diesem Sinne möchte ich euch alle herausfordern, diese Woche Folgendes zu tun: Versucht, KI nicht einfach dazu zu nutzen, die Arbeit FÜR euch zu erledigen, sondern eure Fähigkeiten über die Arbeit hinaus zu erweitern, die ihr heute bereits beherrscht.

Fragt euch: Was kann ich mithilfe von KI lernen, was ich vorher nicht konnte oder noch nie ausprobiert habe? Denkt an etwas, das ihr lernen möchtet – ganz egal was, aber etwas, das schwierig und zugleich erreichbar erscheint.

Setzt euch damit auseinander. Ringt damit. Versucht, es zu verstehen. Und arbeitet euch durch diese Schwierigkeit hindurch.

Denn wirklich: Was bringt es, dass Technologie über diese erstaunlichen Fähigkeiten verfügt, wenn wir nicht gleichzeitig unsere eigenen Fähigkeiten erweitern?

Anmerkung der Redaktion: Dieser Inhalt erschien ursprünglich in unserer Schwesterpublikation, The Neuron. Weitere Beiträge von The Neuron könnt ihr lesen, indem ihr euch hier für den Newsletter anmeldet.