Lernen wir mit KI, oder umgehen wir das Lernen mit KI?
Der größte Vorteil von KI ist ihre Geschwindigkeit: Aufgaben werden sofort gelöst, Lösungen werden sofort erstellt. Aber sobald die KI nicht zur Hand ist, wie viele Dinge können wir noch selbstständig erledigen? Im Jahr 2026 gibt es drei neue Studien, die Experimente aus drei Perspektiven durchführen: selbstständiges Antworten, langfristiges Üben und Nutzungsreihenfolge. Schauen wir uns das gemeinsam an~
Angenommen, Sie werden gebeten, fünfzehn Bruchrechenaufgaben zu lösen. Bei den ersten zwölf Aufgaben steht Ihnen ein KI-Assistent am Bildschirmrand zur Verfügung, der jederzeit abgerufen werden kann. Bei der dreizehnten Aufgabe verschwindet der Assistent ohne einen Hinweis.
Können Sie die restlichen drei Aufgaben noch lösen?
Liu und seine Kollegen haben genau eine solche Gruppe von zufälligen Experimenten durchgeführt. An den drei Experimenten nahmen insgesamt 1.222 Personen teil. Bei den ersten beiden Experimenten wurden Bruchrechenaufgaben gestellt, beim dritten Experiment wurde ein SAT-ähnliches Leseverständnistest verwendet. Das Design war in allen Fällen gleich: Während des Übens durfte eine Gruppe die KI befragen, die andere nicht. Beim Test mussten alle Teilnehmer ausschließlich selbstständig antworten.
Titelseite der Arbeit (arXiv-Version). Quelle: arXiv:2604.04721; wurde bei COLM 2026 aufgenommen
Die Ergebnisse sind eindeutig: Im ersten Experiment lag der durchschnittliche Anteil richtiger Antworten bei den Personen, die während des Übens die KI befragen durften, nach Entfernen des Assistenten nur bei 0,57, während der Anteil bei den Personen, die die Aufgaben von Anfang an selbst gelöst haben, 0,73 betrug. Sie haben auch fast doppelt so viele Aufgaben übersprungen.
Bei der Stichprobenauswahl des ersten Experiments gab es einen Mangel, den die Forscher im zweiten Experiment korrigierten – der Unterschied blieb bestehen. Beim Wechsel zum Leseverständnis trat das gleiche Muster auf. Die gesamte Übung dauerte nur etwa zehn Minuten, und der Unterschied war bereits vorhanden.
Daten stammen aus Liu et al. Experiment 1 (durchschnittlicher Anteil richtiger Antworten und Übersprungrate bei den letzten drei Aufgaben nach Entfernen der KI); COLM 2026
Warum tritt der Unterschied so schnell auf? Das Team um Liu hat zwei Erklärungen vorgeschlagen. Erstens verändert die sofortige Antwort der KI die Erwartung der Menschen, wie lange man für eine Aufgabe aufwenden sollte. Das eigene Denken erscheint dann besonders anstrengend, und je anstrengender es ist, desto mehr möchte man die Aufgabe der KI überlassen. Zweitens hat die KI genau den Teil des nützlichen Kampfes im Lernprozess weggenommen. Ohne diesen Kampf können die Menschen nicht erkennen, bis zu welchem Schritt sie selbst fähig sind, und das Selbstbewusstsein, das die Ausdauer stützt, wird ungenau. Welche der beiden Erklärungen der Hauptgrund ist, können die vorhandenen Experimente noch nicht trennen.
Das zweite Experiment hat auch aufgezeichnet, wie die Teilnehmer die KI verwendet haben. Mehr als 60 % der Personen haben die KI direkt nach der Antwort gefragt, eine echte Eingabe, die in der Arbeit aufgezeichnet wurde, bestand nur aus einem Wort: „answer?“. Rund ein Viertel der Personen haben hauptsächlich nach Hinweisen gefragt. Nach Entfernen der KI lag der durchschnittliche Anteil richtiger Antworten bei den Personen, die nach Antworten gefragt haben, bei 0,65, bei den Personen, die nach Hinweisen gefragt haben, bei 0,76. Die Nutzungsweise wurde nicht zufällig zugewiesen, dies kann nur als ein zusammenhängender Hinweis betrachtet werden, aber es verwandelt die Frage von „ob man KI verwendet“ in „wie man KI verwendet“.
Einer der Autoren der Arbeit, Brian Christian von der University of Oxford, Autor des Buches *Algorithmen zum Wohlgefallen*. Bildquelle: Offizielle Website der Abteilung für experimentelle Psychologie der University of Oxford
Die gleiche Hürde in zehn Jahren Daten
Zehn Minuten im Labor – kumulieren sich diese Effekte im echten Lernprozess?
Eine andere Gruppe von Forschern hat etwa 3,2 Millionen Lernaufzeichnungen von der Mathematikübungsplattform ALEKS aus den Jahren 2015 bis 2025 ausgewertet. Die Aufgaben wurden in zwei Kategorien unterteilt: Textaufgaben, bei denen man die gesamte Aufgabe an einen Chatbot kopieren kann, um die Antwort zu erhalten, zählen als „KI-geeignet“; Aufgaben, bei denen man Diagramme auf der Plattform ziehen muss, um die Lösung zu erstellen, zählen als „KI-ungeeignet“.
Die Forscher schätzen, dass nach der Veröffentlichung von ChatGPT die Lernzeit von Studenten bei KI-geeigneten Aufgaben um 26,9 % geringer war als bei KI-ungeeigneten Aufgaben (kumuliert über elf Quartale). Bei Schülern der Oberstufe betrug der Rückgang 31,3 %, bei Schülern der Mittelstufe 9 %, bei Schülern der fünften Klasse gab es keine Veränderung.
Sind die Schüler nur effizienter geworden? Um diese Möglichkeit auszuschließen, haben die Forscher die beiden Szenarien mit und ohne Aufsicht verglichen. Ohne Aufsicht sank die Bearbeitungszeit der KI-geeigneten Aufgaben stetig, bei Aufsicht verschwand dieser Trend fast vollständig. Wenn die Schüler generell effizienter geworden wären, hätten sich die Bearbeitungszeiten in beiden Umgebungen beschleunigen müssen. Die Plattform fügt außerdem in regelmäßigen Abständen unter Aufsicht Aufgaben zu bereits gelernten Inhalten ein, um zu überprüfen, ob sich die Schüler noch daran erinnern. Bei diesen Aufgaben war die Wahrscheinlichkeit, die richtige Antwort zu geben, bei KI-geeigneten Aufgaben ebenfalls niedriger als bei KI-ungeeigneten Aufgaben.
Diese Ergebnisse können nur als indirekter Beweis betrachtet werden: Die Arbeit wurde noch nicht von Fachkollegen begutachtet, und die Daten zeichnen nicht direkt auf, wer die KI verwendet hat. Aber sie weisen zusammen mit den Laborergebnissen in die gleiche Richtung: Die eingesparte Zeit hat möglicherweise auch einen Teil des Lernens eingespart.
Bedeutet das also, dass KI dem Lernen schadet? Das kann man nicht sagen. Eine 2026 veröffentlichte Meta-Analyse, die 35 Experimente mit 4193 Teilnehmern zusammenfasst, zeigt, dass ein gut gestalteter Unterricht mit ChatGPT die gemessenen Lernergebnisse tatsächlich verbessern kann. Die beiden Arten von Studien messen nicht das Gleiche: Die Meta-Analyse betrachtet die Leistung beim Lernen mit KI, die vorherigen Studien betrachten, wie viel man nach Entfernen der KI noch selbstständig erledigen kann.
Ändern Sie die Reihenfolge
Gibt es eine Nutzungsweise, die sowohl Zeit spart als auch echtes Lernen ermöglicht?
Ein zufälliges Experiment der Forscherinnen Sarah Shi Hui Wong und Sophia Xuefei Qiu aus Singapur, das in der Zeitschrift *Educational Psychology Review* veröffentlicht wurde, weist einen ersten Weg auf.
196 Studenten sollten Verbesserungsvorschläge für ein Plüschtier entwickeln und wurden in drei Gruppen unterteilt: Die erste Gruppe verwendete keine KI, die zweite Gruppe nutzte ChatGPT frei, die dritte Gruppe folgte einer festen Reihenfolge: Verbringen Sie zuerst drei Minuten, um selbstständig eigene Ideen zu entwickeln, nutzen Sie dann sechs Minuten, um ChatGPT um Verbesserungsvorschläge zu bitten, und beenden Sie die Aufgabe in den letzten drei Minuten selbstständig. Die dritte Gruppe erhielt außerdem Vorlagen für Fragen, die jede Frage mit der eigenen Idee begannen: „Meine Idee ist XX, wie kann ich sie verbessern?“ „Wie kann ich sie noch origineller gestalten?“
In der ersten Runde lag die Gruppe, die ChatGPT frei nutzte, deutlich vorn mit einem Originalitätswert von 4,08. Die Gruppe ohne KI erreichte nur 3,06, die Gruppe, die zuerst selbst nachdachte und dann fragte, erreichte 3,30. Die niedrigere Punktzahl der letztgenannten Gruppe in der ersten Runde ist der Preis für die geänderte Reihenfolge.
In der zweiten Runde wurde eine komplexere neue Aufgabe gestellt: Ein Spiel zu entwickeln, das Erwachsenen beim Lernen von Fremdsprachenvokabeln hilft – und alle durften keine KI verwenden. Diesmal war das Ergebnis anders. Die Gruppe, die ChatGPT frei nutzte, fiel auf 2,69 zurück, fast genauso viel wie die Gruppe ohne KI (2,63). Der Vorteil aus der ersten Runde wurde überhaupt nicht übernommen. Die Gruppe, die zuerst selbst nachdachte und dann fragte, lag mit 3,42 deutlich über den beiden anderen Gruppen.
Daten stammen aus Wong & Qiu 2026 (durchschnittliche Originalitätsbewertung durch blinde Experten, Skala 1–7); die zweite Runde war eine komplexere neue Aufgabe, die sich von der Aufgabe der ersten Runde unterscheidet
Wo liegt der Unterschied? Die beiden Gruppen haben ungefähr gleich oft ChatGPT befragt, der Unterschied besteht darin, ob sie vor der Frage zuerst ihre eigene Idee vorgelegt haben. Bei der Gruppe, die ChatGPT frei nutzte, gehörten 70,9 % der Fragen zu einseitigen Anforderungen, fast 60 % davon haben keine eigene Idee vorgelegt und ChatGPT direkt gebeten, Kreativvorschläge zu erstellen. Bei der Gruppe, die zuerst selbst nachdachte und dann fragte, wurden 88,6 % der Fragen dazu verwendet, die eigene Idee gemeinsam mit der KI schrittweise zu verfeinern.
Bislang wurde die Methode „zuerst nachdenken, dann fragen“ nur in diesem einen Experiment direkt geprüft, und sie umfasst mehrere Schritte: das anfängliche Nachdenken, Zeitbegrenzungen und Fragestellungsvorlagen – es ist noch nicht klar, welcher dieser Schritte die Wirkung erzielt.
Zuerst nachdenken, dann fragen
„Zuerst nachdenken, dann fragen“ stimmt mit zwei Regeln der Kognitionswissenschaft überein: dem Generierungseffekt und der notwendigen Schwierigkeit.
Eines davon ist der Generierungseffekt. Im Jahr 1978 entdeckten die Psychologen Norman Slamecka und Peter Graf, dass Dinge, die man sich selbst ausgedacht hat, besser erinnert werden als Dinge, die man direkt sieht.
Das andere ist die notwendige Schwierigkeit. Der Psychologe Robert Bjork hat dieses Konzept 1994 vorgeschlagen. Nach jahrelanger Forschung zusammen mit Elizabeth Bjork fanden sie heraus, dass unter vielen Bedingungen der zusätzliche Aufwand beim Üben dazu führt, dass man sich das Gelernte später besser merkt und es besser anwenden kann.
Es ist wie beim Krafttraining: Wenn jemand anderes für Sie die Hantel hebt, geht die Hantel nach oben, aber der Muskel wächst nicht an Ihrem Körper.
Daher lohnt es sich, bei der Nutzung von KI sich selbst immer eine Frage zu stellen: Kann ich die Aufgabe auch selbstständig lösen, wenn die KI entfernt wird? Eine einfache Methode lautet: Bevor die endgültige Lösung entsteht, entwickeln Sie zuerst selbst einen eigenen Lösungsvorschlag, auch wenn er noch grob ist; bitten Sie dann die KI, Fehler zu finden, Gegenbeispiele zu nennen und bei der Verbesserung zu helfen.
Die Fähigkeit der KI, Zeit zu sparen, wird nur noch größer werden. Ob die eingesparte Zeit nutzloses Warten ist, oder jener Teil des Kampfes, der nicht eingespart werden darf – das entscheiden Sie selbst.
Literaturverzeichnis
Liu, G., Christian, B., Dumbalska, T., Bakker, M. A., & Dubey, R. (2026). AI assistance reduces persistence and hurts independent performance. In Proceedings of the Conference on Language Modeling (COLM 2026). arXiv:2604.04721.
Wong, S. S. H., & Qiu, S. X. (2026). Think first, ChatGPT later: Guiding human–AI collaboration for learning gains in independent human creativity. Educational Psychology Review, 38, Article 45. https://doi.org/10.1007/s10648-026-10118-7
Rismanchian, S., Uzun, H., Matayoshi, J., Cosyn, E., & Kurd-Misto, E. (2026). Faster completion, less learning: Generative AI reduced study time on math problems and the knowledge they build (arXiv:2605.21629) [Preprint]. arXiv. (nicht von Fachkollegen begutachtet)
Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). ChatGPT's impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13, Article 684. https://doi.org/10.1057/s41599-026-07019-z
Slamecka, N. J., & Graf, P. (1978). The generation effect: Delineation of a phenomenon. Journal of Experimental Psychology: Human Learning and Memory, 4(6), 592–604.