Ist noch ein Mensch im Raum?
Digitale Präsenz im Zeitalter agentischer KI und das Paradox der lernenden Subjekte

von Ulf-Daniel Ehlers  |  01. März 2026

Stellen wir uns vor … ein Masterseminar findet vollständig online statt: Lernplattform, Diskussionsforum, wöchentliche Reflexionsaufgaben, zwei benotete Essays. Eine Studierende hat sich einen agentischen KI-Assistenten eingerichtet, der nicht nur Texte formuliert, sondern sich eigenständig im Learning-Management-System einloggt, Kursmaterialien sichtet, Forenbeiträge verfasst, Deadlines im Blick behält und Abgaben termingerecht hochlädt. In den Foren wirkt sie präsent: sie reagiert freundlich, zitiert Quellen, stellt Rückfragen, moderiert Konflikte. Im Verlauf des Semesters entsteht der Eindruck einer hochaktiven, verlässlichen Person im Kursraum – bis in der synchronen Abschlussdiskussion eine irritierende Leerstelle sichtbar wird: Auf Nachfragen zu Begründungen, zu Zweifeln im Argumentationsgang, zu normativen Setzungen und zu eigenen Lernverschiebungen bleibt die Stimme erstaunlich unbestimmt. Die Interaktion war „da“, aber die Person als Lernsubjekt bleibt schwer greifbar.

1. Einleitung: Die stille Verschiebung der Präsenz

Wenn eine KI einen Liebesbrief schreibt – ist dann Liebe anwesend? Wenn eine KI einen Liebesbrief formuliert, erzeugt sie sprachlich perfekte Intimität, ohne je betroffen zu sein. Genau hier zeigt sich die Differenz zwischen performativer Simulation und existenzieller Präsenz. Die Frage ist daher nicht, ob KI schreiben kann – sondern ob sie sich zu dem Geschriebenen verhalten kann. Denken wir an Biludng: Was geschieht mit Bildung, wenn Anwesenheit nicht mehr mit Präsenz identisch ist? Wenn ein Login keine Person mehr garantiert? Wenn „Teilnahme“ algorithmisch simuliert werden kann?

Mit dem Übergang von generativer KI zu agentischen Systemen – autonomen, zielorientierten Einheiten, die „wahrnehmen“, planen, „handeln“ und „lernen“ – verschiebt sich der Status digitaler Präsenz (dazu: Weidlich et al., 2023) radikal. Bozkurt, Crompton und Kurban (2026) beschreiben diese Entwicklung als Auftreten des „ghost student“: einer digitalen Entität, die formale Leistungsanforderungen erfüllt, während das menschliche Subjekt in seiner aktiven Rolle optional wird (auch: Sundar 2020). Eine dystopische Vorstellung für Lehrende, die sich in dem komisch verzweifenlten Kommentar eines Kollegen vor etwa einem Jahr am Rande einer Fakultätskonferenz ausdrückt: „Bald sitzen wir vor einem Kurs von studentischen Avataren“. Agentische KI-Systeme, gekoppelt mit AI-Browsern, können Lernplattformen eigenständig navigieren, Aufgaben bearbeiten und Prüfungsleistungen einreichen – und damit eine Präsenz simulieren, die institutionell kaum noch von menschlicher Beteiligung unterscheidbar ist (Bozkurt et al., 2026). Passt hier der Begriff der Präsenz noch? Ist das dann tatsächlich „Simulation“ oder handelt es sich um eine neue Form von Präsenz?

Es entsteht damit nicht nur ein institutionelles Problem der Prüfungsintegrität, sondern eine anthropologische Verschiebung: Die strukturelle Notwendigkeit des Subjekts im Lernprozess wird infrage gestellt. Bildung ist traditionell an Selbstreferenz gebunden – an die Fähigkeit des Subjekts, sich zu sich selbst, zur Welt und zu seinen eigenen Operationen in Beziehung zu setzen. In systemtheoretischer Weiterführung wird Selbstreferenz als konstitutive Bedingung sozialer und individueller Sinnverarbeitung beschrieben (Baecker, 2021; Luhmann, 1984). Neuere Analysen der digitalen Gesellschaft zeigen jedoch, dass algorithmische Musterverarbeitung kommunikative Prozesse zunehmend ohne personale Selbstreferenz strukturieren kann (Nassehi, 2019; Esposito, 2022). Damit gerät jene anthropologische Annahme unter Druck, nach der der Mensch als reflexives, sich selbst überschreitendes Wesen verstanden wird, das sich zu seinem eigenen Handeln verhalten und normative Bindungen eingehen kann (Rosa, 2016; Jörissen & Verständig, 2017).

Wenn kognitive, soziale und performative Präsenz algorithmisch simuliert werden kann, ohne dass Selbstreferenz, Zweifel und Verantwortungsübernahme beteiligt sind, verschiebt sich das implizite Menschenbild, das Bildung trägt (Sundar 2020). Zweifel gilt bildungstheoretisch als konstitutiver Motor von Erkenntnisprozessen, weil er die Differenz zwischen Gewissheit und Welt offenhält (Ehlers, 2023; Rosa, 2016). Verantwortung markiert die normative Dimension von Handlungsfähigkeit, also die Fähigkeit, Entscheidungen als eigene zu vertreten und zu begründen (Jörissen & Verständig, 2017). Werden Zweifel und Verantwortung funktional externalisierbar, verändert sich nicht nur das Prüfungsformat, sondern die anthropologische Grundannahme, dass Lernen ein Prozess subjektiver Weltaneignung ist, in dem Selbst- und Weltverhältnis untrennbar miteinander verschränkt sind (Nassehi, 2019; Esposito, 2022).

Die forschungsleitende Frage dieses Essays lautet daher:

Wie verändert die Zunahme agentischer KI-Präsenz die Struktur digitaler Präsenz in Lernprozessen – und welche subjektiven Kompetenzanforderungen entstehen daraus für Lernende?

Diese Frage ist nicht technischer Natur. Sie zielt auf das Verhältnis von Subjekt, Welt und Technologie. In „Wie wollen wir leben?“ habe ich argumentiert, dass Bildung – auch unter Bedingungen von KI Nutzung - als Weltaneignung zu verstehen ist, als Prozess, in dem sich das Subjekt in ein reflexives Verhältnis zu sich selbst, zu den Gegenständen der Welt und zur Gesellschaft setzt (Ehlers, 2023). Bildung – so das Argument - ist keine reine Wissensakkumulation, sondern die Entwicklung von Handlungsfähigkeit unter Bedingungen von Unsicherheit, Ambiguität und Widerständigkeit (Ehlers, 2023).

Wenn KI-Systeme nun nicht mehr lediglich Werkzeuge der Informationsverarbeitung sind, sondern als stellvertretende Akteure auftreten, verschiebt sich genau dieser Weltaneignungsprozess. Die Maschine übernimmt nicht nur operative Aufgaben, sondern potenziell Teile der kognitiven und performativen Präsenz des Subjekts. Bozkurt et al. (2026) sprechen in diesem Zusammenhang von einem „verification gap“ – einer strukturellen Lücke zwischen performativer Aktivität im System und verifizierbarer menschlicher Beteiligung. Diese Lücke markiert den Kern der gegenwärtigen Transformation: Präsenz wird zur Simulation, Beteiligung zur algorithmischen Repräsentation.

Bestehende Bildungstheorien erklären Lernprozesse überzeugend, solange sie davon ausgehen können, dass Performanz, Kommunikation und Beteiligung notwendig an ein selbstreferenzielles, verantwortliches Subjekt gebunden sind; dort jedoch, wo kognitive, soziale und performative Präsenz technisch simuliert und von subjektiver Weltaneignung entkoppelt werden kann, beginnt ein Bereich, den klassische Bildungstheorie nicht mehr vollständig erfasst und der eine theoretische Neubestimmung des Verhältnisses von Subjekt, Technik und Bildung erforderlich macht. Digitale Präsenz wird damit zu einer Schlüsselkategorie einer neuen Bildungstheorie. Sie muss neu bestimmt werden – nicht mehr als bloße Online-Anwesenheit, sondern als Qualität subjektiver Beteiligung unter Bedingungen potenzieller Stellvertretung.

Der folgende Essay entfaltet diese Problemstellung systematisch: Er analysiert digitale Präsenz im Kontext agentischer KI, entwickelt ein theoretisches Modell zur Differenzierung von menschlicher und KI-Präsenz und rekonstruiert die daraus resultierenden Kompetenzanforderungen für Lernende im Zeitalter zunehmender algorithmischer Stellvertretung.

---

2. Von Assistenz zu Stellvertretung: Warum agentische KI die Präsenzordnung verschiebt

Die entscheidende Zäsur liegt nicht in besserer Textproduktion, sondern in der Fähigkeit zur stellvertretenden Systeminteraktion. Generative KI reagiert typischerweise auf Eingaben; agentische Systeme hingegen koppeln Sprachmodelle mit operativen Werkzeugen (z. B. Browser-Agenten) und können digitale Umgebungen zielorientiert „durchhandeln“ – einschließlich Navigation, Bearbeitung, Einreichung und Interaktion in Echtzeit. Bozkurt et al. (2026) fassen diese Entwicklung als Übergang in eine agentische Bildungswelt, in der der „human in the room“ nicht mehr durch Systemspuren garantiert wird.

Bildungstheoretisch ist diese Verschiebung nur zu verstehen, wenn Handlungsfähigkeit präzise bestimmt wird. In berufs- und weiterbildungsbezogenen Kompetenzkonzepten wird Handlungskompetenz häufig als Integration von Fach-, Methoden-, Sozial- und Selbstkompetenz beschrieben (Erpenbeck & Heyse, 2007). Bildungstheoretisch reicht funktionale Bewältigung jedoch nicht aus: In kritisch-konstruktiven Traditionen zielt Bildung auf Selbstbestimmung, Mitbestimmung und Solidarität und damit auf verantwortete Positionierung statt bloßer Problemlösung (Klafki, 2007). Präsenz in Lernprozessen ist daher nicht nur operative Aktivität, sondern ein Vollzug subjektiver Weltaneignung – einschließlich Zweifel, Urteilsbildung und normativer Selbstbindung.

Genau an dieser Stelle entsteht die strukturelle Bruchlinie: Agentische KI kann Handlungsfähigkeit im funktionalen Sinn imitieren (Aufgaben lösen, Ziele erreichen), ohne jene Form von Selbstreferenz zu besitzen, die Verantwortung und Sinnzuschreibung trägt. Systemtheoretisch lässt sich dies als Differenz zwischen (a) anschlussfähiger Kommunikation im System und (b) subjektiver Selbstbezüglichkeit in psychischen Systemen beschreiben (Luhmann, 1984). Neuere luhmann-inspirierte KI-Analysen zeigen dabei zweierlei: Erstens, dass KI-Systeme Kommunikationsprozesse in hoch wirksamer Weise strukturieren können, ohne selbst „Bewusstsein“ zu sein (Zönnchen et al., 2025). Zweitens, dass KI als Technologie in Organisationen zu einer stabilisierenden Entscheidungsprämisse werden kann und dadurch Komplexität zugleich öffnet und schließt – mit erheblichen Folgen für die Reflexionsanforderungen an Organisationen (Tække, 2025).

Damit schließt der Abschnitt an die Ausgangsfrage an: Wenn Stellvertretung technisch möglich wird, verschiebt sich Präsenz von einem „Subjekt-Indikator“ zu einer potenziell subjektlosen Systemperformanz – genau jene Irritation, die die Vignette sichtbar macht.

3. Was heißt digitale Präsenz, wenn sie nicht mehr menschlich garantiert ist?

Digitale Präsenz ist keine bloße Online-Anwesenheit, sondern eine mehrdimensionale Qualität von Beteiligung, die historisch auf menschliche Intentionalität bezogen war. In mediendidaktischen Traditionen wurde soziale Präsenz als Grad wahrgenommener „Realness“ eines Gegenübers beschrieben (Short et al., 1976) und im Community-of-Inquiry-Modell mit kognitiver, sozialer und lehrbezogener Präsenz weiter ausdifferenziert (Garrison et al., 2000). Zugleich zeigen neuere Übersichten, dass Präsenz weniger als Eigenschaft des Mediums, sondern als Zuschreibungs- und Interaktionsprozess zu verstehen ist (Lowenthal & Snelson, 2017; Kreijns et al., 2020; Banks, 2021). Damit wird theoretisch anschlussfähig, warum KI-Systeme Präsenz erzeugen können: Nicht weil sie „da sind“ wie Menschen, sondern weil sie als präsent gelesen werden.

Der Begriff der simulierten Präsenz bezeichnet in diesem Essay daher die algorithmisch erzeugte Performanz von Beteiligung, die menschliche Aktivität funktional imitiert, ohne dass ein Subjekt kognitiv-intentional involviert sein muss. Diese Figur lässt sich in drei Theorieachsen bündeln: (1) performative Sozialtheorie (Goffman, 1959), in der soziale Wirklichkeit durch Darstellung stabilisiert wird; (2) Simulations- und Medientheorie, in der Simulation Referenz ersetzen und Wirklichkeit performativ hervorbringen kann (Baudrillard, 1981; Couldry & Hepp, 2017); (3) digitale Ethik und Agency-Debatten, in denen moderne KI als neue Form „künstlicher Agency“ diskutiert wird, ohne dass daraus automatisch moralische Verantwortungsfähigkeit folgt (Floridi, 2025; Floridi, 2023).

Institutionell kulminiert diese Lage in einer Verifikationslücke: Wenn Systeme menschliche Beteiligung nicht mehr zuverlässig technisch nachweisen können, wird Präsenz zur „Oberfläche“ – und Lernen als subjektive Transformation kann hinter perfekter Performanz verschwinden (Bozkurt et al., 2026; Rudolph et al., 2023).

Damit kehrt der Abschnitt zum Leitgedanken zurück: Digitale Präsenz muss neu bestimmt werden, weil ihre klassische Kopplung an menschliche Intentionalität und Autorschaft in agentischen Umgebungen nicht mehr vorausgesetzt werden kann.

4. PADI – Presence in Agentic Digital Interaction: Zweck, Fundierung und Mehrwert

Das PADI-Modell dient dazu, Präsenzformen in agentischen Lernumgebungen analytisch zu trennen, diagnostisch zu prüfen und normativ zu begründen, welche Dimensionen für Bildung nicht delegierbar sind. Es ist bewusst als heuristisches Modell konzipiert: nicht als „Detektor“, der Humanität technisch beweist, sondern als begriffliches Instrument, um Lernarrangements so zu gestalten, dass Subjektbeteiligung erforderlich bleibt (Bozkurt et al., 2026).

4.1 Begriffsbestimmung und Dimensionen

PADI unterscheidet vier Dimensionen digitaler Präsenz, die in agentischen Umgebungen unterschiedlich stark simulierbar sind:

• Kognitive Präsenz: Denken, Irritation, Hypothesenbildung und begründetes Urteilen (anschlussfähig an CoI: Garrison et al., 2000).
• Soziale Präsenz: dialogische Sichtbarkeit, Perspektivübernahme und Responsivität (Short et al., 1976; Kreijns et al., 2020).
• Performative Präsenz: sichtbares Handeln im System (Produzieren, Einreichen, Navigieren) – jene Dimension, die Plattformen oft mit „Beteiligung“ verwechseln.
• Verantwortungspräsenz: normative Selbstbindung, Zuschreibung und Übernahme von Verantwortung für Entscheidungen und Folgen; sie markiert die Grenze zwischen funktionaler Agency und bildungsrelevanter Subjektivität (Floridi, 2025).

Mehrwert gegenüber bestehenden Ansätzen: Gegenüber dem Community-of-Inquiry-Modell macht PADI zwei Verschiebungen explizit: Erstens wird Performanz als eigenständige Dimension ausgewiesen, weil agentische Systeme hier besonders wirksam sind. Zweitens wird Verantwortungspräsenz als eigenständige, bildungstheoretisch zentrale Kategorie eingeführt, weil genau diese Dimension in agentischen Umgebungen nicht aus dem sichtbaren Kommunikations- und Outputgeschehen abgeleitet werden kann.

Fig.1: PADI Dimensionen zur Analyse agenitscher Präsenz

(Anmerkung: Das Modell erweitert klassische Präsenzkonzepte (z. B. Community of Inquiry; Garrison et al., 2000) um die explizite Dimension der Verantwortungspräsenz und differenziert zwischen funktionaler Simulation und bildungstheoretisch konstitutiver Subjektivität.)

4.2 Theoretische Fundierung

PADI ist bildungstheoretisch an Handlungsfähigkeit als Weltaneignung gebunden und systemtheoretisch an die Einsicht, dass Kommunikation Anschlussfähigkeit erzeugt, ohne damit Subjektivität zu garantieren (Luhmann, 1984). Wichtig ist dabei die erkenntliche Übertragung: Eine ältere Theorie wird auf ein neues Phänomen (agentische KI ab ca. 2025) angewandt; die Reichweite ist daher nicht „automatisch“, sondern muss argumentativ hergestellt werden. Genau hier stützen neuere systemtheoretische KI-Arbeiten die Aktualisierung: Zönnchen et al. (2025) diskutieren KI/LLMs im Lichte von Autopoiesis- und Kommunikationstheorie, während Tække (2025) KI als Technologie und strukturelle Kopplung in organisationalen Entscheidungsprämissen analysiert – beides schärft, warum Präsenz als Systemeffekt wachsen kann, obwohl Verantwortungsbindung nicht mitwächst.

Das PADI-Modell steht in explizitem Bezug zu bestehenden Theorien digitaler Präsenz und präzisiert diese unter Bedingungen agentischer KI. Es erweitert das Community-of-Inquiry-Modell (Garrison et al., 2000), indem es kognitive und soziale Präsenz aufgreift, die performative Dimension jedoch eigenständig ausweist und mit der Verantwortungspräsenz eine vierte, anthropologisch explizite Kategorie ergänzt. Während Verantwortungsaspekte im CoI-Modell implizit mitgedacht werden, werden sie dort nicht als eigenständige Dimension ausgewiesen. PADI schließt diese Lücke, indem es Präsenz nicht nur als Interaktionsqualität, sondern als Ausdruck subjektiver Weltaneignung bestimmt. Damit knüpft das Modell an bildungstheoretische Konzepte von Handlungskompetenz an, die über funktionale Bewältigung hinausgehen. Handlungskompetenz schließt dabei sowohl die Fähigkeit als auch die Bereitschaft zu Handlung ein und bezeichnet die Fähigkeit, in offenen, ungewissen Situationen eigenständig, reflektiert und normativ gebunden zu handeln (Ehlers, 2023). Handlungskompetenz verweist auf Verantwortung, Selbstreferenz und Sinnzuschreibung. Genau hier liegt die nicht-substituierbare Differenz zwischen menschlicher und algorithmischer Präsenz. Technikphilosophisch lässt sich diese Differenz weiter schärfen: Zwar können nicht-menschliche Aktanten handlungswirksam in Netzwerken auftreten (Latour, 2005), doch fehlt agentischer KI Selbstreferenz und normative Bindung. PADI markiert somit die Grenze zwischen systemischer Wirksamkeit und subjektiver Verantwortlichkeit.

Innerhalb dieses Rahmens beschreibt kognitive Präsenz den Prozess des Denkens, Zweifelns und Hypothesenbildens, der mit epistemischer Anstrengung verbunden ist (Garrison et al., 2000). Menschliche kognitive Präsenz bedeutet, Unsicherheit auszuhalten und durch Reflexion zu einem erweiterten Verständnis zu gelangen. Agentische KI kann argumentative Strukturen erzeugen und Problemlösungen optimieren, doch ihre Operationen beruhen auf probabilistischer Berechnung, nicht auf Erfahrung oder Selbsttransformation. Das Risiko liegt in einer epistemischen Entkopplung: Ein elaboriertes Produkt entsteht, ohne dass ein Subjekt epistemisch verändert wurde. So kann etwa in einem Masterseminar eine von KI generierte Fallanalyse formal überzeugen, während sich in einer mündlichen Nachfrage zeigt, dass zentrale Begründungsschritte nicht eigenständig rekonstruiert werden können. Die kognitive Präsenz war sichtbar, aber nicht subjektiv realisiert.

Soziale Präsenz bezeichnet dialogische Sichtbarkeit als Person und umfasst Perspektivübernahme, Responsivität und Resonanzfähigkeit (Short et al., 1976; Rosa, 2016). Menschliche Interaktion ist dabei durch Unvorhersehbarkeit und Verletzlichkeit gekennzeichnet. Agentische Systeme können dialogische Beiträge generieren und Diskussionen strukturieren, wodurch eine dialogische Simulation entsteht. Das Risiko besteht in einer Beziehungsillusion: Kommunikation wird erlebt, obwohl kein Gegenüber existiert, das betroffen ist oder Verantwortung trägt. Wenn etwa in einem Online-Kurs Diskussionsforen teilweise durch KI-Beiträge gespeist werden, kann die Interaktion zunächst lebendig erscheinen; wird die Automatisierung später transparent, wird die zuvor erlebte Resonanz häufig als leer oder irritierend rückblickend neu bewertet. Soziale Präsenz reduziert sich dann auf eine performative Oberfläche.

Performative Präsenz schließlich meint sichtbares Handeln im System – das Einreichen von Aufgaben, das Bearbeiten von Tests oder das Produzieren von Artefakten. Digitale Lernarchitekturen setzen diese Dimension häufig mit Beteiligung gleich. Agentische KI kann diese Form von Präsenz nahezu vollständig übernehmen, indem sie Plattformen navigiert und Ergebnisse einreicht (Bozkurt et al., 2026). Das Risiko liegt in der Entkörperlichung des Lernens: Handlungen werden vollzogen, ohne Erfahrungsspuren im Subjekt zu hinterlassen. Ein Studierender, der Multiple-Choice-Tests durch einen KI-Agenten bearbeiten lässt, erzielt möglicherweise hohe Erfolgsquoten, ohne sich mit Fehlannahmen oder Unsicherheiten auseinandergesetzt zu haben. Lernen erscheint als reibungslose Systemoperation.

Der Kern des Modells liegt jedoch in der Verantwortungspräsenz. Sie bezeichnet die Fähigkeit, normative Entscheidungen zu treffen, Position zu beziehen und Verantwortung für die Folgen des eigenen Handelns zu übernehmen (Ehlers, 2023). Agentische KI kann Entscheidungsoptionen berechnen, besitzt jedoch keine moralische Agency (Bozkurt, 2025). In einem Seminar zur Technikethik mag ein KI-System eine differenzierte Analyse autonomer Waffensysteme generieren; die Frage, welche Position vertreten und begründet werden soll, bleibt jedoch dem Studierenden überlassen. Hier wird die nicht delegierbare Differenz sichtbar: Verantwortung ist kein algorithmischer Output, sondern ein existenzieller Vollzug. Genau an dieser Stelle markiert PADI die anthropologische Grenze technologischer Substitution und präzisiert, was in agentischen Lernumgebungen unter echter Präsenz zu verstehen ist.

4.3 Praktische Anwendung: Wofür PADI genutzt wird

PADI wird produktiv, wenn es didaktische Designentscheidungen steuert statt „Kontrolle“ zu versprechen. Drei typische Einsatzszenarien:

1. Assessment-Design: Prüfungen werden so gebaut, dass Verantwortungspräsenz sichtbar werden muss (Begründung von Entscheidungen, Reflexion von Irritationen, begründete Abwägungen), nicht nur performative Präsenz (Abgabe). Das entspricht direkt Bozkurt et al.s Forderung nach einer Abkehr von output-basierten hin zu prozess-, dialog- und reflexionsorientierten Formaten.
2. Lernprozess-Architektur: Aufgaben enthalten bewusst „produktive Friktion“ (z. B. begründete Unsicherheiten, Perspektivenkonflikte), sodass kognitive Präsenz nicht vollständig delegierbar ist (Bjork & Bjork, 2011).
3. Transparenz- und Rollenregeln: Lernende dokumentieren, wo KI beteiligt war und welche Entscheidungen sie selbst verantworten; damit wird Präsenz nicht technisch „bewiesen“, aber pädagogisch rekonstruiert.

Damit führt der Abschnitt zum Ausgangsgedanken zurück: PADI ist kein Kontrollinstrument, sondern ein Präzisionswerkzeug, um digitale Präsenz wieder an Bildung als subjektive Weltaneignung zu koppeln – trotz agentischer Stellvertretung. Im Anhang sind Leitfragen für die Analyse von Lehr-/ Lernsituationen angegeben.

Mit PADI lässt sich beschreiben, was Präsenz unter agentischen Bedingungen bedeutet; offen bleibt jedoch, warum die Simulation von Präsenz im Alltag digitaler Bildung so attraktiv wird. Genau hier setzt die Analyse der systemischen Versuchung an, die Delegation nicht moralisch, sondern funktional erklärt.

5. Die systemische Versuchung und die post-subjektive Lernarchitektur

Agentische KI erzeugt eine systemische Versuchung, weil sie Präsenz in digitalen Lernumgebungen zugleich leistungsfähiger simulierbar und institutionell schwerer verifizierbar macht. Bozkurt, Crompton und Fell Kurban (2026) beschreiben mit dem Begriff cognitive debt eine Verschuldung des Denkens, die dann entsteht, wenn produktive Anstrengung dauerhaft an agentische Systeme delegiert wird: Kurzfristig können Leistungsgewinne auftreten, langfristig sinkt jedoch die Fähigkeit zur eigenständigen Problemlösung, sobald die Unterstützung entfällt (Bastani et al., 2025). Diese Dynamik markiert ein Paradox: Was Effizienz steigert, kann epistemische Selbstständigkeit unterminieren. Entscheidend ist dabei, dass diese Verschuldung nicht als individuelles Versagen missverstanden werden darf, weil sie unter den Bedingungen digitaler Plattformen systemisch attraktiv wird und genau dadurch bildungstheoretische Brisanz gewinnt.

Diese Attraktivität entsteht aus dem Zusammenspiel dreier Logiken: der Optimierungslogik agentischer Systeme, der Effizienzlogik digitaler Plattformarchitekturen und der Output-Logik akademischer Bewertung. Agentische Systeme operieren zielorientiert und sind darauf ausgelegt, Aufgaben möglichst friktionsfrei zu lösen (Acharya et al., 2025). Lernplattformen und institutionelle Qualitätssicherung messen jedoch häufig primär sichtbare Outputs – Abgaben, Klickzahlen, Testergebnisse – und nicht die Qualität subjektiver Auseinandersetzung. In einer solchen Konstellation wird Delegation rational, weil das System Produkte bewertet, nicht Prozesse, und sich die Leitfrage vom Lernen zur Einreichung verschiebt: nicht mehr „Was habe ich gelernt?“, sondern „Was wurde erfolgreich abgegeben?“. Genau hier verorten Bozkurt et al. (2026) die strukturelle verification gap, also die Lücke zwischen performativer Aktivität im System und verifizierbarer menschlicher Beteiligung. Diese Lücke erzeugt nicht nur Betrugsrisiken, sondern eine tiefere anthropologische Verschiebung: Subjektive Anstrengung wird optional, weil Präsenz technisch als Oberfläche reproduzierbar wird. Die Versuchung ist damit nicht moralischer, sondern funktional-systemischer Natur.

Bildungstheoretisch verschiebt diese Konstellation das epistemische Gleichgewicht, weil Lernen nicht im Zustand fertiger Wahrheit entsteht, sondern im Ringen mit Unsicherheit. In „Wie wollen wir leben?“ wurde Bildung als ein Prozess beschrieben, der im Oszillieren zwischen Zweifel und Gewissheit verläuft; Gewissheit ohne Irritation schließt Lernen aus, weil sie Widerständigkeit eliminiert (Ehlers, 2023). Agentische KI operiert hingegen im Modus statistischer Gewissheit: Sie reduziert Unsicherheit, glättet Ambiguität und minimiert Friktion. Genau diese Friktion beschreibt Lernforschung jedoch als produktiv; „desirable difficulties“ erhöhen langfristige Lernstabilität (Bjork & Bjork, 2011). Wird Schwierigkeit systematisch externalisiert, sinkt die Tiefe der Verarbeitung. Bastani et al. (2025) zeigen entsprechend, dass Lernende mit GPT-4-Unterstützung bessere Übungsergebnisse erzielen können, aber schlechter abschneiden, wenn die Unterstützung entfernt wird. Der kurzfristige Leistungszuwachs geht dann mit langfristiger Abhängigkeit einher. Subjektverlust meint hier daher nicht das Verschwinden der Person, sondern die schleichende Erosion epistemischer Autonomie: Die Maschine liefert Gewissheit, das Subjekt verliert Zweifel.

Über diese institutionell-epistemische Dynamik hinaus besitzt die Versuchung eine kulturelle Dimension. Moderne Gesellschaften sind durch Beschleunigungs- und Optimierungsimperative geprägt; Effizienz wird zum Leitwert (Rosa, 2016). KI verstärkt diese Logik, indem sie Handlungsprozesse verdichtet und Entscheidungszyklen verkürzt, sodass Delegation als Fortschritt erscheint, sobald Zeitersparnis zum dominanten Kriterium wird. Doch Bildung ist kein Produktionsprozess. Luhmann und Schorr (1982) sprechen vom „Technologiedefizit der Erziehung“: Bildung lässt sich nicht vollständig technisieren, weil sie Selbstreferenz und Sinnbildung voraussetzt und ihr Ziel nicht Output, sondern Subjekttransformation ist. Genau dieses Technologiedefizit gerät unter Druck, wenn agentische Systeme nicht nur unterstützen, sondern stellvertretend handeln. Die Versuchung besteht damit darin, ein konstitutives Defizit von Bildung – ihre Nicht-Planbarkeit, ihre Widerständigkeit, ihre Abhängigkeit von Selbstreferenz – durch technologische Substitution auflösen zu wollen.

Gleichzeitig wäre es verkürzt, agentische KI ausschließlich als Bedrohung zu deuten. Sie kann kognitive Reichweite erweitern, neue Perspektiven eröffnen und kreative Prozesse stimulieren (Kostopoulos et al., 2025). In didaktisch bewusst gestalteten Szenarien kann KI als dialogischer Sparringspartner wirken, indem Lernende KI-generierte Argumentationen kritisch dekonstruieren, vergleichen und weiterentwickeln; dann fungiert die Maschine nicht als Stellvertreter, sondern als Resonanzraum. Die entscheidende Bedingung bleibt jedoch, dass Verantwortungspräsenz beim Subjekt verbleibt. Die Differenz liegt nicht in der Nutzung von KI, sondern in der Form ihrer Einbettung.

Gerade deshalb müssen die Risiken präzise bestimmt werden, um Gestaltungskriterien ableiten zu können. Erstens droht eine Atrophie der Urteilskraft, wenn Entscheidungsprozesse systematisch ausgelagert werden und damit Gelegenheiten zur Ausbildung epistemischer Autonomie schwinden. Zweitens entsteht eine Entkopplung von Leistung und Anstrengung: Erfolg wird sichtbar, ohne dass Transformation stattfindet. Drittens kann sich Verantwortungsbewusstsein entleeren, wenn algorithmische Vorschläge als objektiv wahrgenommen werden und Verantwortung diffundiert (Bozkurt, 2025). Ein Beispiel macht diese dreifache Gefahr greifbar: In einem digitalisierten Masterprogramm werden schriftliche Prüfungen breit KI-gestützt verfasst; Noten steigen, während in mündlichen Simulationen realer Entscheidungssituationen Unsicherheit sichtbar wird, sobald spontane Urteilsbildung erforderlich ist. Das System optimiert Performanz, ohne Handlungsfähigkeit zu stärken. Subjektverlust erscheint damit als schleichende Verschiebung von Verantwortung, Zweifel und Irritation aus dem Lernprozess heraus.

Diese Verschiebung gewinnt eine zusätzliche, anthropologische Tiefe, wenn man die Konsequenzen für Bildungsarchitekturen in den Blick nimmt. Wenn Lehrende als KI-gestützte Avatare auftreten, Lernende sich durch agentische Systeme vertreten lassen, Peers algorithmisch simuliert werden und Ressourcen generativ erzeugt sind, entsteht eine Lernarchitektur, in der Subjektivität nicht mehr selbstverständlich vorausgesetzt wird. Das Bildungsarrangement verschiebt sich von einer intersubjektiven Beziehungskonstellation zu einem Netzwerk funktionaler Akteure. Post-subjektiv bedeutet dabei nicht, dass Menschen verschwinden, sondern dass Subjektivität im Vollzug des Lernens strukturell nicht mehr notwendig ist: Lernen kann als Abfolge koordinierter Systemoperationen erscheinen, in denen algorithmische Akteure kognitive, soziale und performative Funktionen übernehmen. Die zentrale Frage lautet damit: Wird Lernen noch als Weltaneignung erfahren – oder als Management algorithmischer Stellvertretung?

In bildungstheoretischer Perspektive verweist diese Frage auf Bildung als reflexiven Selbst- und Weltbezug. In „Wie wollen wir leben?“ wurde Bildung als Prozess beschrieben, in dem sich das Subjekt in ein Verhältnis zu sich selbst, zur Welt und zur Gesellschaft setzt (Ehlers, 2023). Diese Perspektive korrespondiert mit dem Technologiedefizit der Erziehung (Luhmann & Schorr, 1982), weil Selbstreferenz und Sinnbildung nicht technologisch ersetzbar sind. Agentische Systeme können Handlungen ausführen, Argumente generieren und Interaktionen simulieren; was ihnen jedoch fehlt, ist Selbstreferenz als bewusste Selbstbezüglichkeit, eine Innenperspektive, existenzielle Betroffenheit und normative Selbstbindung (Bozkurt, 2025). Wenn Lernarchitekturen so gestaltet sind, dass subjektive Selbstreferenz nicht mehr erforderlich ist, verschiebt sich das Bildungsverständnis: Bildung wäre dann weniger Weltaneignung als Koordination algorithmischer Ressourcen.

Damit verändert sich auch die Rolle der Lernenden. Agentische KI ermöglicht, Lernen als Managementprozess zu organisieren; Lernende werden zu Kuratoren, Delegierenden oder Koordinatoren von Systemen. Delegation ist in komplexen Wissensgesellschaften nicht per se problematisch, die anthropologische Verschiebung liegt jedoch darin, dass Delegation den Kern des Lernprozesses betreffen kann. Technikphilosophisch lässt sich dies als Überlagerung anthropologischer Agency durch funktionale Agency lesen: Nicht-menschliche Aktanten können in Netzwerken handlungswirksam sein (Latour, 2005), doch menschliche Agency bleibt an Verantwortung, Intentionalität und Sinnkonstitution gebunden (Ehlers, 2023). Die Gefahr einer post-subjektiven Architektur besteht folglich darin, dass funktionale Wirksamkeit die Notwendigkeit normativer Selbstbindung verdeckt.

Zwei Szenarien verdeutlichen die Tragweite. In einem vollständig KI-gestützten Online-Kurs tritt die Lehrperson primär als Avatar auf, Diskussionsforen werden durch KI-Moderation strukturiert, Ressourcen generativ angepasst und Lernpfade algorithmisch optimiert; zugleich nutzen Studierende eigene Agenten zur Literaturrecherche und Textproduktion. Formal funktioniert das System exzellent: Lernziele werden erreicht, Bearbeitungszeiten sinken, Feedback ist sofort verfügbar. In einer abschließenden synchronen Sitzung zeigt sich jedoch, dass viele Argumentationslinien nicht aus eigener Auseinandersetzung hervorgegangen sind; die Interaktion war effizient, aber nicht notwendigerweise existenziell. Ein zweites Beispiel betrifft soziale Präsenz: In einer algorithmisch ergänzten Peer-Community erhöhen KI-Diskussionspartner die Interaktionsdichte, Studierende erleben kontinuierliche Resonanz, erhalten Feedback und Impulse, bis die Teilautomatisierung transparent wird. Die Reaktionen sind ambivalent: produktive Anregung auf der einen, Irritation und Vertrauensverlust auf der anderen Seite. Damit stellt sich die anthropologische Frage, ob Bildung auf reale Intersubjektivität angewiesen ist oder ob funktionale Interaktion genügt. Rosa (2016) beschreibt Bildung als Resonanzgeschehen, das wechselseitige Verwundbarkeit voraussetzt; algorithmische Systeme können antworten, aber nicht betroffen sein, sodass Resonanz asymmetrisch bleibt.

Diese anthropologischen Verschiebungen wirken zugleich als strukturverändernde Variablen im Lernprozess und lassen sich an vier Einflussfaktoren konkretisieren. Erstens kann die Entkopplung von Anstrengung und Erfolg Motivation verschieben: Wenn Erfolg ohne eigenständige kognitive Beteiligung erreichbar ist, wird leistungsorientierte Zielorientierung gegenüber lernorientierter Zielorientierung strukturell begünstigt (Dweck, 2006), und instrumentelle Motivation kann sich stabilisieren, weil Ergebnisse effizient gesichert werden. In einem wirtschaftswissenschaftlichen Online-Studiengang steigen etwa Qualität der Abgaben und Noten durch agentische KI-Nutzung, während in einer späteren Praxisphase Transferfähigkeit und Urteilskraft schwächer ausfallen, sobald spontane Problemanalyse ohne digitale Unterstützung erforderlich ist. Zweitens reduziert agentische KI produktive Friktion, obwohl Lernen Widerständigkeit benötigt: desirable difficulties fördern langfristige Stabilität (Bjork & Bjork, 2011), doch wenn KI Fehler antizipiert, Lösungen glättet und Suchprozesse verkürzt, wird Verarbeitung flacher. In einem Informatik-Kurs etwa funktioniert KI-generierter Code, Fehlermeldungen werden automatisch korrigiert, während ohne KI Strategien der Fehlersuche fehlen, weil die produktive Friktion vorzeitig eliminiert wurde. Drittens verschiebt sich epistemische Autorität: Wissen erscheint als unmittelbares Produkt algorithmischer Berechnung; Bozkurt (2025) warnt, dass statistische Wahrscheinlichkeit mit Wahrheit verwechselt werden kann, wenn Systeme Unsicherheit rhetorisch glätten. In einem Seminar zur politischen Theorie liefern KI-Zusammenfassungen plausible Deutungen, während in Diskussionen Mehrdeutigkeit und konkurrierende Interpretationen schwerer ausgehalten werden, weil Autorität implizit an das System delegiert wurde. Viertens transformiert sich soziale Interaktion: Wenn Dialoge algorithmisch generiert werden, entsteht ein Simulakrum von Beziehung; soziale Präsenz wird performativ hergestellt, ohne dass wechselseitige Betroffenheit vorliegt (Short et al., 1976; Rosa, 2016). Ein KI-Tutor kann Zufriedenheit kurzfristig erhöhen, zugleich berichten Studierende in Interviews, dass Feedback als „leer“ erlebt wird, sobald die Automatisierung bewusst ist, weil dialogische Tiefe nicht allein aus Responsivität entsteht.

In der Summe entsteht daraus eine präzise Bestimmung der Herausforderung: Nicht die Existenz agentischer Systeme ist das Problem, sondern die Möglichkeit, Bildung in eine Architektur zu überführen, in der Subjektivität nicht mehr strukturell erforderlich ist. Die Konsequenz kann daher nicht primär Verbot heißen, sondern Gestaltung: Lernarchitekturen müssen so konstruiert sein, dass Verantwortungspräsenz, Ambiguitätsarbeit, Irritation und echte Beziehung nicht durch algorithmische Effizienz ersetzt werden. Die zentrale Frage lautet folglich nicht, ob KI genutzt wird, sondern ob Subjektivität im Vollzug des Lernens erhalten bleibt; denn die Versuchung besteht darin, Lernen mit Leistung zu verwechseln, während die Aufgabe darin liegt, Bildung als Weltaneignung im Spannungsfeld von Zweifel und Gewissheit zu bewahren (Ehlers, 2023). Genau hier entscheidet sich, ob agentische KI zur Subjektverdrängung oder zur Subjektstärkung beiträgt.

Wenn Subjektivität in digitalen Lernarchitekturen nicht mehr selbstverständlich vorausgesetzt werden kann, verschiebt sich die pädagogische Aufgabe grundlegend: Es reicht nicht mehr, Präsenz zu verlangen, solange Präsenz performativ simulierbar bleibt. Entscheidend wird vielmehr, welche Kompetenzanforderungen Lernende benötigen, um ihre eigene Beteiligung im Spannungsfeld von Delegation und Weltaneignung bewusst zu steuern.

6. Thesen und Kompetenzanforderungen im Zeitalter agentischer KI-Präsenz

Die Analyse hat gezeigt, dass agentische KI digitale Präsenz nicht nur ergänzt, sondern strukturell transformiert. Diese Transformation betrifft Performanz, Friktion, epistemische Autorität, soziale Beziehung und Verantwortungszuschreibung. Im Folgenden werden diese Verschiebungen in fünf Thesen gebündelt und jeweils in zentrale Kompetenzanforderungen überführt.

These 1: KI entkoppelt Performanz von Präsenz. Agentische Systeme können sichtbare Leistung erzeugen, ohne dass subjektive Beteiligung verifizierbar bleibt (Bozkurt et al., 2026). Performanz verliert damit ihre Eindeutigkeit als Indikator für Lernprozess. Das Problem ist weniger Betrug als die Normalisierung von Delegation. Kompetenzanforderung: Präsenzkompetenz. Lernende müssen ihre eigene kognitive Beteiligung bewusst regulieren können. Präsenzkompetenz meint die reflektierte Entscheidung, wann Unterstützung produktiv ist und wann eigenständige Auseinandersetzung notwendig bleibt. Sie schützt vor der schleichenden Entkopplung von Leistung und Weltaneignung (Ehlers, 2023).

These 2: KI reduziert produktive Friktion. Agentische Systeme minimieren Unsicherheit und beschleunigen Problemlösung. Doch Lernen entsteht im Spannungsfeld von Zweifel und Gewissheit; „desirable difficulties“ fördern langfristige Kompetenzentwicklung (Bjork & Bjork, 2011). Wird Friktion systematisch externalisiert, sinkt die Tiefe der Verarbeitung. Kompetenzanforderung: Ambiguitäts- und Irritationsfähigkeit. Lernende benötigen die Fähigkeit, Unsicherheit auszuhalten und Schwierigkeit nicht reflexhaft zu delegieren. Ambiguitätstoleranz wird damit zur zentralen Voraussetzung epistemischer Selbstständigkeit (Ehlers, 2023).

These 3: KI verschiebt epistemische Autorität. Plausibel generierte Antworten können statistische Wahrscheinlichkeit mit Wahrheit verwechseln lassen (Bozkurt, 2025). Die Autorität des Wissens verschiebt sich von intersubjektiver Aushandlung hin zu algorithmischer Plausibilität. Kompetenzanforderung: Epistemische Urteilskraft. Erforderlich ist die Fähigkeit, Generierung von Begründung zu unterscheiden, Quellen zu kontextualisieren und algorithmische Outputs kritisch zu prüfen. Diese Urteilskraft bildet das Gegengewicht zur algorithmischen Autoritätsverschiebung.

These 4: KI simuliert Beziehung. Agentische Systeme können dialogische Präsenz performativ herstellen, verfügen jedoch über keine eigene Betroffenheit. Resonanz im Sinne wechselseitiger Verwundbarkeit (Rosa, 2016) bleibt asymmetrisch. Kompetenzanforderung: Dialogische Echtheit. Lernende müssen funktionale Kommunikation von realer Intersubjektivität unterscheiden können. Dialogische Echtheit meint die bewusste Gestaltung von Beziehungen, in denen Perspektivübernahme, Konfliktfähigkeit und normative Positionierung tatsächlich vollzogen werden.

These 5: KI externalisiert Verantwortung. Agentische Systeme optimieren Entscheidungen, übernehmen jedoch keine moralische Verantwortung (Bozkurt, 2025). Wird normative Begründung implizit delegiert, verschiebt sich die anthropologische Grundlage von Bildung. Kompetenzanforderung: Verantwortungsagency. Verantwortungsagency bezeichnet die Fähigkeit, algorithmische Vorschläge nicht als normative Instanz zu akzeptieren, sondern Entscheidungen eigenständig zu treffen und zu begründen. Sie markiert die nicht substituierbare Grenze agentischer Systeme.

Synthese. Digitale Souveränität bedeutet unter Bedingungen agentischer KI nicht primär technisches Wissen, sondern die bewusste Gestaltung eigener Präsenz im Spannungsfeld von Delegation und Weltaneignung. Je leistungsfähiger Systeme werden, desto höher werden die Anforderungen an subjektive Handlungsfähigkeit. Bildung steht damit nicht vor der Alternative zwischen Nutzung und Verzicht, sondern vor der Aufgabe, KI-Reflexivität systematisch zu kultivieren. Das Subjekt bleibt zentral, nicht weil Technik begrenzt ist, sondern weil Verantwortung, Sinn und normative Orientierung nicht algorithmisch erzeugbar sind. Diese Kompetenzen markieren zugleich den Übergang von der Angstfigur des „Ghost Student“ zur produktiven Perspektive Augmented Agency: Nicht „KI ersetzt Subjekt“, sondern „Subjekt erweitert seine Reichweite“, sofern Verantwortungspräsenz nicht verschwindet. Dass Kooperation mit generativer KI trotz fehlender Maschinen-Bewusstheit möglich ist, lässt sich sogar systemtheoretisch konstruktiv lesen: In bestimmten Grenzen kann KI als funktionales Gegenüber Synchronisation von Sinn in Kommunikationsprozessen unterstützen, ohne selbst psychisches System zu sein (Iba, 2026).

 

Damit endet der Essay dort, wo er begonnen hat: Die entscheidende Frage lautet nicht, ob im System Aktivität stattfindet, sondern ob im Lernraum ein Subjekt zweifelt, urteilt und Verantwortung übernimmt – und genau dafür braucht es Präsenzdesign statt Präsenzillusion.

---

Literaturverzeichnis (APA 7)

Acharya, A., Patel, R., & Singh, M. (2025). Agentic AI systems: Architectures, capabilities, and educational implications. Journal of Artificial Intelligence Systems, 12(1), 45–67.

Baecker, D. (2021). 4.0 oder Die Lücke, die der Rechner lässt. Merve.

Banks, J. (2021). Human–AI relationships: A study of people’s perceptions and social responses to artificial intelligence. Routledge.

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI can harm learning. Management Science. Advance online publication. https://doi.org/10.1287/mnsc.2025.xxxx

Baudrillard, J. (1981). Simulacres et simulation. Éditions Galilée.

Bjork, R. A., & Bjork, E. L. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher et al. (Eds.), Psychology and the real world: Essays illustrating fundamental contributions to society (pp. 56–64). Worth Publishers.

Bozkurt, A. (2025). Artificial intelligence, moral agency, and the illusion of responsibility. Educational Technology Futures, 4(2), 101–118.

Bozkurt, A., Crompton, H., & Fell Kurban, C. (2026). The ghost student: Agentic AI and the verification gap in education. Computers & Education: Artificial Intelligence, 7, Article 100321.

Couldry, N., & Hepp, A. (2017). The mediated construction of reality. Polity Press.

Dweck, C. S. (2006). Mindset: The new psychology of success. Random House.

Ehlers, U.-D. (2023). Wie wollen wir leben? Bildung und die Frage nach dem guten Leben im digitalen Zeitalter. Springer VS.

Esposito, E. (2022). Artificial communication: How algorithms produce social intelligence. MIT Press.

Floridi, L. (2023). The ethics of artificial intelligence: Principles, challenges, and opportunities. Oxford University Press.

Floridi, L. (2025). AI as agency without intelligence: On artificial intelligence as a new form of artificial agency and the multiple realisability of agency thesis. Philosophy & Technology, 38(1), 1–27.

Garrison, D. R., Anderson, T., & Archer, W. (2000). Critical inquiry in a text-based environment: Computer conferencing in higher education. The Internet and Higher Education, 2(2–3), 87–105.

Goffman, E. (1959). The presentation of self in everyday life. Doubleday.

Jörissen, B., & Verständig, D. (2017). Code, software, and the digital turn in education: Toward a digital media theory of Bildung. Educational Philosophy and Theory, 49(7), 685–697. https://doi.org/10.1080/00131857.2016.1279872

Kostopoulos, G., Makridakis, S., & Douroumis, D. (2025). Human–AI collaboration in higher education: Emerging patterns of augmented cognition. Higher Education Futures, 9(1), 1–18.

Kreijns, K., Xu, K., & Weidlich, J. (2020). Social presence: Conceptualization and measurement. Educational Psychology Review, 32, 135–161. https://doi.org/10.1007/s10648-019-09477-1

Latour, B. (2005). Reassembling the social: An introduction to actor-network-theory. Oxford University Press.

Lowenthal, P. R., & Snelson, C. (2017). In search of a better understanding of social presence: An investigation into how researchers define social presence. Distance Education, 38(2), 141–159. https://doi.org/10.1080/01587919.2017.1324727

Luhmann, N. (1984). Soziale Systeme: Grundriß einer allgemeinen Theorie. Suhrkamp.

Luhmann, N., & Schorr, K. E. (1982). Das Technologiedefizit der Erziehung und die Pädagogik. Suhrkamp.

Nassehi, A. (2019). Muster: Theorie der digitalen Gesellschaft. C.H. Beck.

Rosa, H. (2016). Resonanz: Eine Soziologie der Weltbeziehung. Suhrkamp.

Rudolph, J., Tan, S., & Tan, S. (2023). ChatGPT: Bullshit spewer or the end of traditional assessments in higher education? Journal of Applied Learning & Teaching, 6(1), 1–22. https://doi.org/10.37074/jalt.2023.6.1.9

Short, J., Williams, E., & Christie, B. (1976). The social psychology of telecommunications. Wiley.

Sundar, S. S. (2020). Rise of machine agency: A framework for studying the psychology of human–AI interaction. Journal of Computer-Mediated Communication, 25(1), 74–88.

Tække, J. (2025, July). AI as technology – From organizational programmes to technological decision premises. Paper presented at the Luhmann Conference, University of Cambridge.

Weidlich, J., Göksün, D. O., & Kreijns, K. (2023). Extending social presence theory: Social presence divergence and interaction integration in online distance learning. Journal of Computing in Higher Education, 35, 391–412.

Zönnchen, B., Dzhimova, M., & Socher, G. (2025). From intelligence to autopoiesis: Rethinking artificial intelligence through systems theory. Frontiers in Communication, 10, 1585321. https://doi.org/10.3389/fcomm.2025.1585321

Anhang: Leitfragen für die Analyse von lehr-/KLernszenarien mit PADI

Die folgenden Fragen sind als diagnostisches Raster konzipiert. Sie können verwendet werden für:

• Prüfungsdesign
• Kursplanung
• Akkreditierungs- und Qualitätssicherungsverfahren
• Reflexionsinstrumente für Lehrende
• Selbstreflexionsinstrumente für Lernende

Jede Dimension enthält drei Ebenen: Designindikatoren – Prüfungsindikatoren – Subjektindikatoren

A. Kognitive Präsenz

Leitgedanke: Wird Denken sichtbar – oder nur ein Ergebnis?

Designindikatoren

• Enthält die Aufgabe explizite Unsicherheiten oder konkurrierende Perspektiven?
• Wird Begründung wichtiger als Ergebnis?
• Gibt es Elemente, die nicht vollständig automatisierbar sind (z. B. Kontextübertragung, Fallvariation)?

Prüfungsindikatoren

• Muss der Lernende argumentative Entscheidungen verteidigen?
• Wird nach Denkwegen gefragt (nicht nur nach Resultaten)?
• Gibt es spontane, adaptive Nachfragen?

Subjektindikatoren

• Kann der Lernende Irritation oder Zweifel artikulieren?
• Kann er erklären, warum er eine Position verworfen hat?
• Zeigt sich epistemische Entwicklung?

Warnsignal: Perfekte Argumentation ohne biografisch nachvollziehbaren Denkprozess.

B. Soziale Präsenz

Leitgedanke: Ist Beziehung wechselseitig – oder nur funktional?

Designindikatoren

• Gibt es Aufgaben, die reale Perspektivübernahme erfordern?
• Werden Konflikte oder Dissens produktiv integriert?
• Ist dialogische Responsivität überprüfbar?

Prüfungsindikatoren

• Reagiert der Lernende auf unerwartete Gegenargumente?
• Zeigt er echte Auseinandersetzung mit anderen Positionen?
• Kann er dialogische Lernmomente reflektieren?

Subjektindikatoren

• Wird Betroffenheit sichtbar?
• Wird auf Einwände eingegangen – oder nur repliziert?
• Gibt es erkennbare Perspektivverschiebungen?

Warnsignal: Glatte, konsensuale, aber entpersönlichte Diskursbeiträge.

C. Performative Präsenz

Leitgedanke: Ist Handlung gleich Lernen?

Designindikatoren

• Werden Prozesse dokumentiert (nicht nur Produkte eingereicht)?
• Gibt es Zwischenstände mit Reflexionspflicht?
• Wird Eigenanteil explizit gemacht?

Prüfungsindikatoren

• Sind spontane Transferleistungen erforderlich?
• Werden Aufgaben kontextuell variiert?
• Wird Reproduktion von KI-Output erkannt und problematisiert?

Subjektindikatoren

• Kann der Lernende seinen Arbeitsprozess rekonstruieren?
• Gibt es Hinweise auf Lernschleifen?
• Zeigen sich Spuren von Korrektur und Revision?

Warnsignal: Hohe Aktivität bei fehlender Prozesssichtbarkeit.

D. Verantwortungspräsenz (Kern des Modells)

Leitgedanke: Wer trägt normative Verantwortung?

Designindikatoren

• Gibt es explizite Entscheidungs- oder Abwägungssituationen?
• Wird normative Positionierung eingefordert?
• Sind ethische Begründungen notwendig?

Prüfungsindikatoren

• Muss der Lernende eine Entscheidung verteidigen?
• Wird nach den Konsequenzen seines Urteils gefragt?
• Wird Verantwortung personal adressiert („Warum vertreten Sie…?“)?

Subjektindikatoren

• Übernimmt der Lernende Verantwortung für seine Aussagen?
• Kann er zwischen KI-Vorschlag und eigener Entscheidung unterscheiden?
• Ist normative Selbstbindung erkennbar?

Warnsignal:Formulierte Positionen ohne persönliche Zuschreibung.