Bevor Sie weiterlesen, eine kleine Aufgabe – schätzen Sie zuerst, dann rechnen Sie: Robert und Fred wollen beide ein Holzhaus bauen. 120 Balken liegen bereit, jedes Haus braucht 70. Fred verbaut 10 Balken pro Stunde, Robert 9,5. Wer wird fertig? Wie viele Balken fehlen dem anderen?
Haben Sie eine Zahl im Kopf? Gut. Es reicht nur für ein Haus – zwei bräuchten 140. Fred ist schneller, deckt sich zuerst mit seinen 70 ein; Robert bleiben 50, ihm fehlen 20. Hätten beide genug, wäre Fred nach 7 Stunden fertig, Robert nach 7 Stunden und 22 Minuten.
Wenn Ihre Schätzung danebenlag, sind Sie in bester Gesellschaft. Und genau diese Lücke zwischen dem, was wir über uns glauben, und dem, was stimmt, führt zu der Frage, die mich umtreibt, seit künstliche Intelligenz in jedes Klassenzimmer und jedes Büro einzieht: Wer lernt hier eigentlich – der Mensch oder die Maschine?
Sinn vor Stoff
„Wer ein Warum zum Leben hat, erträgt fast jedes Wie“, schrieb Friedrich Nietzsche. Übertragen auf das Lernen: Ohne ein verstandenes Warum bleibt jedes Wie wirkungslos – die beste Methode, das klügste Tool, die geduldigste KI. Wir behandeln Motivation oft wie einen ersten Schritt, den man kurz abhakt. Dabei ist sie keine Stufe, sondern der Boden, auf dem die ganze Lernreise steht. Susan Kovalik hat das in ihrer Didaktik des hirngerechten Lernens auf zwei Pfeiler gestellt: bedeutungsvoller Inhalt und Bedrohungsfreiheit. Deci und Ryan nennen denselben Motor anders – Autonomie, Kompetenz, Zugehörigkeit. Beide sagen dasselbe: erst Sinn und Sicherheit, dann Lernen. Eine KI kann Motivation nicht erzeugen wie eine Funktion. Sie kann höchstens den Raum offen halten, in dem ein eigenes Warum entsteht – einladend, nicht treibend.
Wessen Ziel ist das?
„Wer nicht weiß, welchen Hafen er ansteuert, für den ist kein Wind günstig“ – der Satz wird Seneca zugeschrieben und trifft den zweiten Schritt. Bevor gelernt wird, steht eine selten gestellte Frage: Wem gehört eigentlich das Ziel? Im Beruf kommt es oft von außen – von der Rolle, vom Auftrag, von Vorgesetzten, Kunden, Prüfungsordnungen. Beim selbstgesteuerten Lernen kommt es vom Lernenden selbst. In beiden Fällen aber setzt die KI das Ziel nicht; sie begleitet, strukturiert, erinnert, prüft – den Hafen wählt der Mensch. Locke und Latham haben gezeigt, dass Ziele nur wirken, wenn sie akzeptiert und eigen sind. Und Malcolm Knowles’ Erwachsenenbildung ruht auf demselben Gedanken: Erwachsene wollen Mit-Urheber ihrer Ziele sein, nicht Empfänger. Eine KI, die Ziele „vorgibt“, mag effizient wirken – sie nimmt dem Lernenden aber genau das weg, was ihn ankommen lässt.
Der ehrliche Spiegel
Erinnern Sie sich an die Holzhaus-Aufgabe vom Anfang? „Zu wissen, was man weiß, und zu wissen, was man nicht weiß: das ist wahres Wissen“, sagt Konfuzius. Wir bitten Lernende viel zu oft, sich selbst einzuschätzen – „Wie gut kannst du das schon?“ – und meinen es gut. Doch gerade wer noch wenig kann, kann genau das am wenigsten beurteilen. Dunning und Kruger haben es vermessen: Die Lücke im Wissen ist zugleich die Lücke im Urteil darüber. Eine KI, die ihre Unterstützung an dieser Selbstauskunft ausrichtet, läuft also denen davon, die sie am dringendsten bräuchten. Der Ausweg ist alt und schlicht: nicht fragen, sondern vergleichen. Den Lernenden vorhersagen lassen – und das Ergebnis daneben legen. Die Differenz zwischen Vermutung und Wirklichkeit ist kein Tadel; sie ist der genaueste Spiegel, den wir haben, und sie schärft sich mit jedem Mal. Selbststeuerung beginnt nicht mit Selbstvertrauen, sondern mit ehrlicher Selbstkenntnis.
Die Kunst der Frage
„Habe Mut, dich deines eigenen Verstandes zu bedienen“, forderte Immanuel Kant – und kein Satz passt besser in die KI-Zeit. Die meisten von uns nutzen KI so: Wir fragen, sie antwortet. Beim Lernen ist das oft genau verkehrt herum. Wer fragt, denkt; wer die Antwort bekommt, spart sich das Denken. Stellt die KI mir die Frage, muss ich überlegen; schreibt sie mir den Lernbericht, denkt sie. Lernen entsteht aus dieser kleinen Irritation – Jean Piaget nannte sie Perturbation, Rolf Arnold spricht von Ermöglichungsdidaktik: nicht belehren, sondern Denken auslösen. Und es reicht tiefer als die richtige Antwort. Chris Argyris und Donald Schön unterscheiden Single- und Double-Loop-Lernen – das Korrigieren einer Antwort gegenüber dem Hinterfragen der eigenen Annahmen dahinter. Eine KI, die den Lernbericht übernimmt, hält den Lernenden im ersten Kreis fest. Eine, die die unbequeme Frage stellt, öffnet den zweiten.
Der Kreis, nicht die Leiter
„Gemeinsam ist am Kreis Anfang und Ende“, notierte Heraklit vor zweieinhalbtausend Jahren. Wir stellen Lernen gern als Treppe dar: Schritt eins, zwei, drei, oben angekommen, fertig. Schöne Ordnung – nur stimmt sie nicht. David Kolb hat das Lernen als Kreis beschrieben: konkrete Erfahrung, reflektierendes Beobachten, abstrakte Begriffsbildung, aktives Experimentieren – und dann von vorn, auf der nächsten Ebene. Auch das Wiederholen gehört nicht ans Ende der Reise: Der Spacing-Effekt, schon bei Hermann Ebbinghaus angelegt, heißt ja gerade, über die ganze Strecke zu verteilen. Wer Lernen in eine Leiter presst, baut etwas, das es nicht gibt – einen einmaligen Aufstieg ohne Rückkehr. Wer es als Kreis denkt, erlaubt das Wiederkommen: das erneute Prüfen, das tiefere Verstehen beim zweiten Mal. Eine KI sollte Stationen eines Kreislaufs begleiten, nicht Sprossen abhaken lassen.
Das Gerüst, das sich zurückzieht
„Hilf mir, es selbst zu tun“ – Maria Montessoris Satz ist die schönste Definition guter Lernbegleitung, die ich kenne, und zugleich die beste Anleitung für KI im Lernen. Ein gutes Gerüst trägt, solange es gebraucht wird, und zieht sich zurück, sobald der Lernende selbst steht. Pädagogisch heißt das Scaffolding und Fading. Bei John Erpenbeck und Werner Sauter ist Kompetenz eine Selbstorganisationsdisposition – nichts, was man übergeben kann, sondern was der Mensch selbst aufbaut. Horst Siebert nennt die Haltung dazu Lernberatung: anschlussfähige Angebote machen, begleiten, nicht belehren. In diese Rolle passt KI erstaunlich gut – wenn sie sie ernst nimmt. Anfangs mehr Struktur, Rückmeldung, Orientierung; mit wachsender Sicherheit weniger; bis am Ende der Lernende steuert und die KI nur noch da ist, wenn er sie ruft. Das Ziel guter Unterstützung ist nicht, gebraucht zu werden. Es ist, sich überflüssig zu machen.
Der rote Faden
Sechs Gedanken, eine Linie. In vielen schönen KI-Lernmodellen ist die Maschine das Subjekt: Sie „ermittelt“, „übernimmt“, „führt durch“. Der Mensch, um den es eigentlich geht, verschwindet leise aus dem Bild. Ich möchte ihn zurückholen. Die KI darf das Gerüst sein, das Sinn ermöglicht, das fragt und spiegelt – und das sich zurückzieht, je sicherer wir werden. Lernen bleibt unsere Eigenleistung. Oder, um noch einmal auf die Holzhaus-Aufgabe zu kommen: Die KI kann uns die Balken reichen. Bauen müssen wir selbst.
Quellen und Anregungen
Susan Kovalik: Highly Effective Teaching / hirngerechtes Lernen.
Edward Deci & Richard Ryan: Selbstbestimmungstheorie.
Edwin Locke & Gary Latham: Theorie der Zielsetzung.
Malcolm Knowles: Andragogik / selbstgesteuertes Lernen.
David Dunning & Justin Kruger (1999): Fehleinschätzung der eigenen Kompetenz.
Jean Piaget: Perturbation. Rolf Arnold: Ermöglichungsdidaktik.
Chris Argyris & Donald Schön: Single- und Double-Loop-Learning.
David Kolb: Erfahrungsbasierter Lernzyklus. Hermann Ebbinghaus: Spacing-Effekt.
John Erpenbeck & Werner Sauter: Kompetenz als Selbstorganisationsdisposition.
Horst Siebert: Konstruktivistische Erwachsenenbildung, Lernberatung.
Maria Montessori: „Hilf mir, es selbst zu tun.“
Sei der Erste der einen Kommentar abgibt