Es gibt eine Form von Hilfsbereitschaft, die beim Lernen erstaunlich zuverlässig nervt: Man ist gerade dabei, auf die Lösung zu kommen, und jemand sagt sie einem. Künstliche Intelligenz beherrscht diese Form der Fürsorge in beeindruckendem Tempo.
In Folge 1 war das Problem noch relativ leicht zu benennen. Eine gute Leistung mit KI ist nicht automatisch eine gute Leistung ohne KI. Daraus liegt eine scheinbar elegante Konsequenz nahe: Dann soll die KI eben weniger helfen. Vielleicht sogar möglichst wenig.
Das wäre angenehm einfach. Es wäre nur vermutlich falsch.
Wenn jemand bereits denkt
Manfred Prior formuliert für einen sehr konkreten Gesprächsmoment eine bemerkenswert klare Regel. Wenn jemand sichtbar nach innen geht und nachdenkt, soll die begleitende Person nicht gleich die nächste Frage nachschieben. Prior spricht davon, den anderen „ausreden und ausdenken lassen“ und in diesem Moment auch einmal „den Mund halten“ zu können. Erst wenn der Kontakt wieder aufgenommen wird, soll zurückhaltend nachgefragt und das Mitgeteilte gewürdigt werden. [1]
Das ist eine hypnosystemisch geprägte Gesprächsregel, keine Lernstudie und erst recht kein Nachweis für einen KI-Tutor. Gerade deshalb ist die Stelle interessant: Sie schützt keinen abstrakten Zustand namens „Autonomie“, sondern einen bereits laufenden inneren Suchprozess. In Priors gemeinsam mit Heike Winkler verfasstem MiniMax für Lehrer taucht das Prinzip im Schulkontext wieder auf. Konstruktive W-Fragen werden dort mit wirklichem Abwarten während des Nachdenkens verbunden. [2]
Für eine Lern-KI ergibt sich daraus zunächst nur eine Analogie: Wenn ich bereits versuche zu erinnern, zu rechnen, zu formulieren oder einen Fehler einzugrenzen, kann eine sofort gelieferte Antwort genau die Tätigkeit beenden, die ich eigentlich lernen wollte. Die verkürzte Formel „den anderen ausdenken lassen“ ist dabei unsere Paraphrase von Prior, kein wörtliches Zitat.
Mehr Hilfe kann besser sein
Nun kommt die Lernforschung und verhindert dankenswerterweise, dass daraus eine neue Schweigereligion wird. Eine Meta-Analyse von 2025 fasste 60 Experimente mit 5.924 Teilnehmenden und 176 Effektstärken zum sogenannten Expertise-Reversal-Effekt zusammen. Im Durchschnitt profitierten Lernende mit wenig Vorwissen stärker von viel Unterstützung; bei hohem Vorwissen war geringere Unterstützung häufig günstiger. Der Befund war zudem asymmetrisch: Anfängern angemessen zu helfen scheint wichtiger zu sein, als Fortgeschrittenen Hilfe um jeden Preis vorzuenthalten. [3]
Dass die Dosierung tatsächlich adaptiv werden kann, zeigt eine ältere Arbeit mit einem Geometrie-Tutor. Dort wurden ausgearbeitete Lösungsschritte entweder nach einem festen Plan oder angepasst an das jeweilige Verständnis ausgeblendet. Die adaptive Variante schnitt im Labor unmittelbar und nach einer Woche besser ab; im Unterricht zeigte sich der Vorteil vor allem im verzögerten Test. Das war kein Sprachmodell und keine allgemeine Formel für Fading, sondern ein konkretes Tutor-Paket. Aber es demonstriert, dass „weniger Hilfe“ eine schlechtere Beschreibung sein kann als „Hilfe passend verändern“. [4]
Auch das Abrufen selbst ist nicht bloß eine Prüfmethode. Roediger und Karpicke zeigten bereits 2006, dass freies Erinnern bei verzögerten Tests zu besserer Behaltensleistung führen kann als wiederholtes Lesen, obwohl das erneute Lesen kurzfristig erfolgreicher wirken kann. [7] Wer eine Antwort von der KI erhält, bevor ein eigener Abrufversuch überhaupt begonnen hat, verliert damit möglicherweise eine Lerngelegenheit. Das ist eine plausible Brücke – kein direkter Beweis für ChatGPT.
Schweigen ist keine Haltung
Gerade die hypnosystemischen Quellen machen die Sache an dieser Stelle interessanter. Gunther Schmidt vertritt keineswegs die Idee, professionelle Begleitung dürfe keine eigenen Hypothesen oder fachlichen Angebote machen. Entscheidend ist vielmehr, sie als prüfbare Angebote einzuführen, ihre Wirkung transparent zu beobachten und die Entscheidungsautorität beim Gegenüber zu lassen. An anderer Stelle fordert er ausdrücklich Erklärung, fokussierende Fragen und Orientierung, wenn diese gebraucht werden. [5]
Stefan Hammel beschreibt dieselbe Spannung mit der Verbindung von Pacing und Leading: anschließen und führen. Auch Geschichten und Metaphern können aktiv angeboten werden, ohne dass ihre Bedeutung vollständig vorgegeben wird. [6] Das ist etwas anderes als pädagogische Enthaltsamkeit. Gute Begleitung kann warten – und sie kann sehr aktiv werden.
Aus der Lernpsychologie kommt ein ähnlicher Gegenpunkt. Eine Meta-Analyse zu Unterricht zeigt, dass Autonomieunterstützung und Struktur keine Gegensätze sein müssen; beide können zu günstigen Lern- und Motivationsbedingungen beitragen. [9] Und die Forschung zu intelligenten Tutoren zeigt, dass Rückmeldungen zur Hilfesuche das Hilfeverhalten verbessern können, ohne damit automatisch bessere fachliche Lernergebnisse zu erzeugen. [8] Auch hier muss also getrennt werden: besser Hilfe nutzen zu können ist nicht dasselbe wie mehr zu können.
Eine KI mit mehreren Gängen
Damit lässt sich aus den Quellen keine fertige Bedienungsanleitung für eine Lern-KI ableiten. Aber eine prüfbare Arbeitshypothese wird sichtbar. Wenn jemand bereits einen eigenen Ansatz entwickelt, sollte die KI diesen Versuch nicht sofort überfahren. Fehlt dagegen notwendiges Vorwissen oder dreht sich der Lernende im gleichen Fehler, braucht es Struktur, Information oder ein Beispiel. Wird eine Antwort nur übernommen, wäre eine Rückfrage nach Begründung oder Anwendung sinnvoll. Und nach einer Phase intensiver Hilfe müsste die Unterstützung wieder verschwinden, damit sichtbar wird, was ohne sie noch gelingt.
Das ist unsere Synthese aus Lernforschung und hypnosystemischen Anschlussideen. Keine der genannten Studien hat genau diese Vier-Gang-KI getestet. Die Unterscheidung ist deshalb ein Forschungsprogramm, kein fertiges Produktmerkmal.
Dass Gestaltung einen Unterschied machen kann, hatten wir in Folge 1 bereits gesehen. In der Mathematikstudie von Bastani und Kollegen verbesserte eine weitgehend offene GPT-Hilfe die Leistung während der Übungen, während die anschließende Prüfung ohne KI schlechter ausfiel. Eine stärker strukturierte Tutorvariante vermied diesen deutlichen Nachteil, brachte im eigenständigen Test aber auch keinen klaren Vorteil gegenüber der Kontrollgruppe. [10] Guardrails können also relevant sein. Welche Guardrails wann richtig sind, beantwortet die Studie nicht.
Das eigentliche Timing-Problem
Bei einem Menschen kann Prior beobachten, dass der andere gerade nach innen geht. Ein Text-Chat sieht davon fast nichts. Dreißig Sekunden Pause können bedeuten, dass ich intensiv nachdenke. Sie können auch bedeuten, dass das Telefon klingelt oder der Kaffee fertig ist. Aus Schweigen auf einen inneren Zustand zu schließen wäre deshalb eine erstaunlich selbstbewusste Diagnostik.
Eine Lern-KI müsste den Hilfebedarf also nicht nur erraten, sondern mit dem Lernenden aushandeln und immer wieder überprüfen. Vielleicht gehört zu guter Lernhilfe deshalb etwas ausgesprochen Untechnisches: fragen, ob ich erst selbst versuchen will; einen Hinweis anbieten statt sofort die Lösung; nach einer Erklärung wieder zurücktreten; später ohne Hilfe prüfen. Ob genau diese Gestaltung besser lernt, muss empirisch getestet werden.
Die Frage aus Folge 1 hat sich damit verändert. Die KI sollte weder möglichst viel noch möglichst wenig reden. Sie müsste ihren Modus wechseln können – und zwar auf der Grundlage dessen, was ich gerade brauche und bereits kann.
Damit entsteht allerdings sofort das nächste Problem: Woher soll sie das wissen?
Auf die Werkbank: Hilfe braucht eine Kupplung
Für den Bau heißt das: Hilfe darf kein Ein-/Aus-Schalter sein. Unser Agentensystem braucht verschiedene Hilfestufen und die Fähigkeit, zwischen ihnen zu wechseln. Ein eigener Versuch kann zuerst Raum bekommen; danach vielleicht eine Rückfrage, ein kleiner Hinweis, Struktur, ein Beispiel oder eine Erklärung. Und nach intensiver Hilfe muss das System wieder zurücktreten, damit sichtbar wird, was ohne es trägt.
Welche Stufe passt, hängt von Aufgabe und Vorwissen ab. Beim Einstieg in ein unbekanntes Microsoft-Thema kann ein Beispiel sinnvoll sein, während ein erfahrener IT-Profi bei einer neuen Variante eher von einer gezielten Frage profitiert. Beim Französisch kann eine fehlende Vokabel ein Hinweisproblem sein, ein stockendes Gespräch aber auch schlicht fünf Sekunden Denkzeit brauchen.
Wir benötigen also tatsächlich einen professionellen Schweigemodus – nicht als Zen-Funktion, sondern als aktiven Systemzustand. Software, die gelegentlich absichtlich nichts tut, wäre damit ausnahmsweise kein Bug.
Damit entsteht allerdings sofort das nächste Problem: Woher soll sie das wissen?
Quellen und Spuren
- Manfred Prior (2021): „Tranceförderliche Kommunikationsformen im normalen Gespräch“. Handout im B2-Kursmaterial, S. 24–26.
- Manfred Prior / Heike Winkler (2019): MiniMax für Lehrer. 6. Auflage, Beltz, S. 58–61.
- Leonard Tetzlaff et al. (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.
- Ron J. C. M. Salden, Vincent Aleven, Rolf Schwonke & Alexander Renkl (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.
- Gunther Schmidt (2022): Einführung in die hypnosystemische Therapie und Beratung. 10. Auflage, Carl-Auer, S. 89–90, 108–110, 117–123.
- Stefan Hammel (2022): Hypnosystemische Therapie. Das Handbuch für die Praxis. Klett-Cotta, S. 34–40 und 256–259.
- Henry L. Roediger III & Jeffrey D. Karpicke (2006): Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention. Psychological Science 17(3), 249–255. DOI 10.1111/j.1467-9280.2006.01693.x.
- Vincent Aleven, Ido Roll, Bruce M. McLaren & Kenneth R. Koedinger (2016): Help Helps, But Only So Much: Research on Help Seeking with Intelligent Tutoring Systems. International Journal of Artificial Intelligence in Education 26(1), 205–223. DOI 10.1007/s40593-015-0089-1.
- Andreas Patzak & Xi Zhang (2025): Blending Teacher Autonomy Support and Provision of Structure in the Classroom for Optimal Motivation: A Systematic Review and Meta-Analysis. Educational Psychology Review 37, 17. DOI 10.1007/s10648-025-09994-2.
- Hamsa Bastani et al. (2025): Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences 122(26), e2422633122. DOI 10.1073/pnas.2422633122.
Woher soll die KI wissen, was ich kann?
Adaptive Hilfe klingt vernünftig, setzt aber voraus, dass die KI mein Vorwissen, meine Unsicherheit und meine tatsächliche Kompetenz halbwegs richtig einschätzt. Genau dort beginnt das nächste Problem: Eine richtige Antwort ist noch kein verlässliches Lernermodell, und eine falsche Diagnose kann die falsche Hilfe erzeugen. Die nächste Etappe führt deshalb zu Learner Modeling, Kalibrierung und der Frage, wie viel eine KI aus meinem Verhalten überhaupt ableiten darf.