Es gibt diesen kurzen Moment in Prüfungen, in dem man eine Frage liest und sofort weiß: Das habe ich gelernt. Man kennt das Thema, erinnert sich vielleicht sogar daran, wo es im Skript stand – und wartet dann vergeblich darauf, dass der Rest ebenfalls erscheint.
Das Gehirn bestätigt höflich den Eingang der Anfrage und stellt den Betrieb ein.
Beim Französisch gibt es eine verwandte Variante. Eine Wendung, die in der App eben noch selbstverständlich war, verschwindet erstaunlich zuverlässig, sobald ein wirklicher Mensch darauf wartet.
Auch die IT kennt das. Ein neues Verfahren ist im Tutorial völlig einleuchtend, die Schritte funktionieren, die Erfolgsmeldung erscheint. Zwei Tage später verhält sich das System geringfügig anders – und aus Wissen wird Archäologie.
Seit Folge 0 suche ich nach dem Nürnberger Trichter. Das wäre ein günstiger Moment gewesen, ihn zu finden.
Stattdessen tauchte ein weniger komfortabler Befund auf: Dass etwas während des Lernens klappt, heißt noch nicht, dass ich später selbstständig darüber verfügen kann. [1]
Ein gutes Ergebnis – wovon eigentlich?
Wenn mir jemand den passenden Hinweis gibt und ich anschließend die richtige Antwort finde, habe ich die Aufgabe gelöst. Wenn eine KI einen Programmierfehler erklärt und der Code danach läuft, ebenfalls. Eine Sprach-App kann mir drei Antworten anbieten, und auch dort lässt sich sehr überzeugend richtig liegen.
Die entscheidende Frage beginnt erst danach: Was kann ich, wenn die Hilfe weg ist?
Für unsere Forschungsreise mussten wir deshalb den Sammelbegriff „Lernerfolg“ auseinandernehmen. Ein System kann während der Unterstützung gute Ergebnisse erzeugen. Davon zu unterscheiden ist, was unmittelbar danach ohne Hilfe gelingt, was nach Tagen oder Wochen noch verfügbar bleibt und was passiert, wenn die nächste Aufgabe anders aussieht als die Übung.
Genau an diesen Übergängen wird die Forschung zu KI interessant. Denn dort findet man keine einheitliche Richtung.
Zuerst sieht alles hervorragend aus
Eine besonders aufschlussreiche Studie untersuchte knapp tausend Schülerinnen und Schüler beim Mathematiklernen. Während der Übungen verbesserten beide KI-Varianten die Leistung. Mit der weitgehend offenen GPT-Hilfe wurden mehr Aufgaben richtig gelöst. Bis hierher könnte die Werbeabteilung zufrieden nach Hause gehen.
Dann wurde die KI weggenommen.
Im anschließenden Test schnitt die Gruppe mit der offenen GPT-Unterstützung schlechter ab als die Kontrollgruppe ohne KI. Der Rückgang entsprach in dieser Untersuchung rund 17 Prozent relativ zum Kontrollwert. Eine stärker didaktisch begrenzte Tutorvariante vermied diesen negativen Effekt weitgehend; im Test ohne KI zeigte sie aber auch keinen klar nachgewiesenen Vorteil gegenüber der Kontrolle. [2]
Daraus folgt nicht, dass ChatGPT Schülerinnen und Schüler dümmer macht. Untersucht wurden bestimmte Mathematikaufgaben, eine bestimmte Schule und konkrete Tutorvarianten, die sich in mehreren Punkten unterschieden.
Der Befund reicht für eine nüchternere Einsicht: Eine gute Leistung mit KI kann gleichzeitig mit einer schlechteren Leistung ohne KI auftreten. „Die KI hat geholfen“ sagt also noch nicht, wobei sie geholfen hat – beim Erledigen der Aufgabe oder beim späteren Selberkönnen.
Die IT-Version davon
Eine neuere Untersuchung kommt meinem eigenen Problem näher. 52 Personen arbeiteten sich in eine ihnen unbekannte Python-Bibliothek ein; die Hälfte durfte dabei KI verwenden, die andere Hälfte nicht. Anschließend folgte ein Test ohne KI.
Die KI-Gruppe erzielte dort im Durchschnitt deutlich weniger Punkte. Einen signifikanten durchschnittlichen Zeitvorteil während der Lernaufgabe gab es nicht. Interessant ist außerdem die Erfahrung der Teilnehmenden: In beiden Gruppen berichtete ein erheblicher Anteil sieben oder mehr Jahre allgemeine Programmiererfahrung. Neu war ihnen vor allem die betreffende Bibliothek. [3]
Das ist für mich zugleich beruhigend und lästig. Mehr als 35 Jahre IT-Erfahrung schützen offenbar nicht davor, bei einer neuen Technologie wieder erstaunlich nah am Anfang zu stehen. Erfahrung ist eben nicht global. Man kann bei Netzwerkdiagnostik sehr viel wissen und bei einem neuen Framework trotzdem Anfänger in entscheidenden Details sein.
Gerade dann ist KI verführerisch. Sie kann den nächsten Befehl vorschlagen, die Fehlermeldung erklären, Dokumentation zusammenfassen oder notfalls den ganzen Code erzeugen. Der Code läuft möglicherweise früher. Ob ich anschließend mehr kann, ist damit noch nicht beantwortet.
Dann ruiniert eine Gegenstudie die hübsche Warnung
Bis hierher ließe sich ein zeitgemäßer Mahntext schreiben: KI macht bequem, Bequemlichkeit verhindert Lernen, also müssen wir wieder alles selbst tun.
Die Forschung ist dafür leider nicht kooperativ.
In einem randomisierten Experiment von 2026 lernten Studierende ein ihnen unbekanntes Thema – Blockchain, CO₂-Abscheidung oder CRISPR. Eine Gruppe durfte generative KI nutzen, die andere nicht. Danach wurde ohne KI geprüft.
Die KI-Gruppe schnitt im unmittelbaren Wissenstest besser ab. Beim erneuten Test nach durchschnittlich knapp sieben Tagen bestand der Vorteil weiterhin: 6,7 Prozentpunkte unmittelbar und 5,1 Prozentpunkte eine Woche später. [4]
Auch daraus wird kein digitaler Nürnberger Trichter. Die Studie ist ein Working Paper beziehungsweise Preprint, die Nachbeobachtung dauerte nur etwa eine Woche, und beim unmittelbaren Test gab es Hinweise darauf, dass sich in der KI-Gruppe mehr Teilnehmende nicht vollständig an das Verbot externer Hilfen hielten. Die Autoren weisen selbst darauf hin. [4]
Trotzdem zerstört das Experiment die einfache Gegenbehauptung. „Mit KI lernt man schlechter“ ist ebenso wenig als allgemeine Regel haltbar wie „Mit KI lernt man besser“. Offenbar kommt es darauf an, was Menschen mit der Hilfe tun, wie die Aufgabe gestaltet ist und woran man den späteren Lernerfolg misst.
Was haben wir eigentlich gemessen?
Ein weiteres Beispiel macht das Problem sichtbar. In einer Physikvorlesung erzielte ein sorgfältig aufgebauter KI-Tutor in einem unmittelbaren Quiz bessere Ergebnisse als die übliche aktive Präsenzveranstaltung. Das ist bemerkenswert. [5]
Nur beantwortet die Studie damit eine enge Frage. Für diesen Stoff gab es keinen verzögerten Test Wochen später und keinen neuen beruflichen oder realen Anwendungsfall. Außerdem unterschieden sich die Bedingungen nicht nur durch „KI oder Mensch“: Lernort, Taktung, Feedback und weitere Elemente waren verschieden. [5]
Die Frage „Hat die KI gewonnen?“ ist deshalb weniger hilfreich als „Was genau wurde geprüft?“ Ein guter Wert am Ende einer Lerneinheit, ein Wissenstest eine Woche später, eine veränderte Aufgabe und ein Problem im wirklichen Leben sind verschiedene Endpunkte. Wer sie unter „Lernerfolg“ zusammenfasst, macht die Sache einfacher – aber nicht unbedingt genauer.
Der Franzose bleibt ein ziemlich guter Härtetest
Beim Französisch ist der Unterschied leicht zu spüren. Eine Antwort in der App wiederzuerkennen ist etwas anderes, als selbst einen Satz zu bilden. Dass dieser Satz drei Tage später noch verfügbar ist, wäre ein weiterer Schritt. Und wenn mir ein unbekannter Mensch darauf in normalem Tempo antwortet, verlässt das Ganze endgültig die vertraute Übungswelt.
Für Prüfungen gilt Ähnliches: Entscheidend ist nicht nur, ob mir die richtige Antwort bekannt vorkommt, sondern ob ich sie unter einer ungewohnten Fragestellung hervorbringen kann.
In der IT wird es noch handfester. Nach einer Änderung fällt ein Dienst aus, die Fehlermeldung stand nicht im Tutorial und mehrere Ursachen sind plausibel. Dann muss ich Hypothesen bilden, Logs lesen, Möglichkeiten ausschließen und prüfen, ob meine Maßnahme tatsächlich geholfen hat.
Genau für diese Kombination – erfahrene IT-Leute, neue angrenzende Technologie, KI-gestütztes Lernen und später eine eigenständige reale Störungsdiagnose – haben wir in unserem begrenzten Suchlauf keine passende kontrollierte Studie gefunden. Das beweist nicht, dass es sie nirgendwo gibt. Es markiert schlicht die Stelle, an der die Forschung für unsere konkrete Frage dünn wird.
Der Nürnberger Trichter bekommt ein Messproblem
Vielleicht schauen wir bei Lernsystemen zu früh nach, ob sie funktionieren. Solange die Hilfe noch präsent ist, kann vieles ausgezeichnet aussehen – Lehrbuch, Lehrkraft, Lernsoftware oder KI.
Interessanter wird es nach dem Verschwinden der Unterstützung: Bleibt etwas verfügbar, und trägt es auch dann, wenn die Situation sich verändert?
Damit ist die Frage aus Folge 0 präziser geworden. Eine gute KI müsste nicht nur wissen, wie sie helfen kann. Sie müsste offenbar auch unterscheiden können, wann Unterstützung das eigene Denken ermöglicht und wann sie beginnt, es zu ersetzen.
Die naheliegende Gegenregel wäre: Dann hilft die KI eben weniger.
Auch das funktioniert nicht zuverlässig. Menschen mit wenig Vorwissen profitieren häufig gerade von Erklärungen, Beispielen und Führung. Mit wachsendem Vorwissen kann dieselbe Unterstützung dagegen redundant oder störend werden. Diese Abhängigkeit vom Vorwissen ist lange vor ChatGPT untersucht worden. [6][7]
Damit steht die nächste Frage fest:
Wann sollte die KI eigentlich den Mund halten?
Auf die Werkbank: Ein grünes Häkchen reicht nicht
Unser Agentensystem darf Lernerfolg nicht in eine einzige Fortschrittszahl pressen. Es muss unterscheiden, ob etwas mit Hilfe gelingt, unmittelbar danach ohne Hilfe, einige Zeit später noch verfügbar ist und schließlich auch dann trägt, wenn die Aufgabe anders aussieht.
Intern können wir diese vier Blickrichtungen knapp AP, II, DR und TR nennen: assistierte Leistung, unmittelbare selbstständige Leistung, verzögerte Verfügbarkeit und Transfer. Die Lernenden müssen dafür keine Abkürzungsprüfung bestehen. Sie sollen nur nicht von einem hübschen Balken erfahren, sie könnten etwas, das außerhalb der App noch nie überprüft wurde.
Unsere Referenzfälle zwingen uns zu unterschiedlichen Gegenproben: Prüfungsszenarien für Microsoft/IT und HPP, neue technische Fälle statt nachgebauter Tutorials und beim Französisch spontane Produktion und Verständnis jenseits der vertrauten Übung. Ein Fortschrittsbalken darf bleiben. Er sollte nur nicht anfangen, sich selbst zu glauben.
Damit steht die nächste Frage fest:
Wann sollte die KI eigentlich den Mund halten?
Worauf sich diese Etappe stützt
- Soderstrom, N. C. & Bjork, R. A. (2015). Learning Versus Performance: An Integrative Review. Perspectives on Psychological Science, 10(2), 176–199. DOI: 10.1177/1745691615569000.
- Bastani, H. et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences. DOI: 10.1073/pnas.2422633122. Correction: DOI 10.1073/pnas.2518204122 (Korrektur der Affiliationsangabe, nicht der Ergebnisse).
- Shen, J. H. & Tamkin, A. (2026). How AI Impacts Skill Formation. arXiv:2601.20245, Preprint. https://arxiv.org/abs/2601.20245
- Contractor, Z. & Reyes, G. (2026). Experimental Evidence on the Learning Impact of Generative AI. IZA Discussion Paper 18792 / Working Paper. https://www.iza.org/publications/dp/18792/experimental-evidence-on-the-learning-impact-of-generative-ai
- Kestin, G. et al. (2025). AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports. DOI: 10.1038/s41598-025-97652-6.
- Tetzlaff, L., Simonsmeier, B., Peters, T. & Brod, G. (2025). A cornerstone of adaptivity – A meta-analysis of the expertise reversal effect. Learning and Instruction, 98, 102142. DOI: 10.1016/j.learninstruc.2025.102142.
- Salden, R. J. C. M., Aleven, V., Schwonke, R. & Renkl, A. (2010). The expertise reversal effect and worked examples in tutored problem solving. Instructional Science, 38(3), 289–307. DOI: 10.1007/s11251-009-9107-8.
Wann sollte die KI den Mund halten?
Wenn zu viel Hilfe selbstständiges Lernen behindern kann, liegt eine einfache Lösung nahe: weniger helfen. Genau das kann für Anfänger jedoch die falsche Reaktion sein.
Folge 2 untersucht deshalb nicht, ob KI helfen soll, sondern wie sich Hilfeniveau und Vorwissen zueinander verhalten: Wann braucht jemand Erklärung oder Beispiel, wann genügt ein Hinweis, und wann wäre Zurückhaltung die bessere Unterstützung?