Diese Version ist ein Repost eines bereits im Blog veröffentlichten Artikels. Der Repost enthält eine Korrektur der Literaturquellen, die durch eine KI-Halluzination entstanden ist. Danke an Marco Kalz für den Hinweis.
Redaktioneller Hinweis: In der ursprünglichen Fassung waren mehrere Literaturangaben nicht nachweisbar oder bibliografisch fehlerhaft. Sie wurden entfernt oder korrigiert. Wo diese Angaben empirische Aussagen trugen, wurden die Aussagen anhand überprüfbarer Quellen neu formuliert oder – wenn die behauptete Evidenz nicht belegt werden konnte – ausdrücklich eingeschränkt. Die bildungstheoretische Grundargumentation des Beitrags bleibt bestehen.
Wir leben in einer Zeit, in der technologische Systeme beginnen, Aufgaben zu übernehmen, die lange als genuin menschlich galten: Sprache verstehen, Texte schreiben, Bilder erschaffen und Entscheidungen vorbereiten. Künstliche Intelligenz – insbesondere generative Systeme – verändert damit nicht nur unsere Arbeitswelt, sondern berührt den Kern unseres Bildungsverständnisses. Was bedeutet Lernen noch, wenn Maschinen Aufgaben bewältigen können, die bislang Lernen und Expertise voraussetzten? Und welche Fähigkeiten müssen Menschen weiterhin selbst entwickeln, um in einer solchen Welt handlungsfähig, verantwortlich und frei zu bleiben? Kurz: Was ist die Zukunft menschlicher Kompetenz im Zeitalter künstlicher Intelligenz?
Diese Fragen markieren einen Wendepunkt. Bildung – verstanden als Arbeit am Selbst-, Objekt- und Weltverhältnis – darf nicht in den Schatten technologischer Effizienz geraten. Sie richtet sich auf den Menschen als Gestalter seiner Lebenswelt, nicht nur auf Systeme, die Prozesse beschleunigen. In einer Ära, in der Algorithmen Handlungsspielräume vorstrukturieren, werden Selbstbestimmung, kritische Reflexion und die bewusste Kooperation mit Technologie zu Bedingungen kultureller Souveränität.
Lernprozesse sind nicht technisch herstellbar. Sie bleiben kontingente Prozesse, deren Verlauf sich pädagogisch anregen und unterstützen, aber nicht vollständig determinieren lässt (Luhmann & Schorr, 1979). Auch KI-Systeme heben dieses „Technologiedefizit“ von Erziehung nicht auf. Sie können Diagnostik, Feedback und Orchestrierung erweitern; Lernen selbst bleibt jedoch ein Prozess, in dem Lernende Sinn bilden, urteilen und Verantwortung übernehmen müssen.
Der folgende Beitrag stellt diesen Gedanken in den Mittelpunkt. Er argumentiert, dass Grundfertigkeiten wie Lesen, Schreiben und Rechnen – ergänzt durch metakognitive, selbstregulative und prozessuale Kompetenzen – Voraussetzungen bleiben, um KI und die eigene Welt verstehen, gestalten und beurteilen zu können. Diese Kompetenzen wurzeln zugleich in einem weiter gefassten Bildungsverständnis: Bildung als Weltaneignung, als Entfaltung von Freiheit und Würde sowie als Entwicklung von phronesis, jener praktischen Weisheit, die Menschen befähigt, in komplexen Situationen klug und verantwortlich zu handeln (MacIntyre, 2007; Kristjánsson & Fowers, 2024).
Der Beitrag verbindet diese theoretische Grundlegung mit ausgewählten empirischen Befunden. Deren Aussagekraft ist allerdings begrenzt: Studien zu Produktivität im Arbeitskontext sind nicht ohne Weiteres Lernstudien, kurzfristig bessere Aufgabenleistungen sind nicht automatisch nachhaltiges Lernen, und Befunde aus einzelnen Tätigkeiten lassen sich nicht pauschal auf alle Bildungs- und Arbeitskontexte übertragen.
Im Zeitalter der KI rückt nicht nur die Frage ins Zentrum, was Maschinen übernehmen können, sondern wie Menschen handeln, lernen und urteilen müssen, um Technologie verantwortlich mitzugestalten. Der Begriff der Unabhängigkeit, den ich hier als eines von drei Kriterien für Zukunftsbildung formuliere, gewinnt erst im Horizont eines fundierten Bildungsverständnisses seine Tiefe: Gemeint ist nicht allein Unabhängigkeit von Technik, sondern vor allem Unabhängigkeit für Weltaneignung, Handlung und Urteil.
Dafür sind drei theoretische Fundamente wichtig: erstens ein strukturaler Bildungsbegriff als Veränderung von Selbst- und Weltverhältnissen, zweitens eine humanistische Perspektive auf Freiheit, Würde und praktische Urteilskraft, drittens Agency als verantwortliche Handlungsfähigkeit.
Ein strukturaler Bildungsbegriff versteht Bildung nicht als bloßen Erwerb von Stoffen oder isolierten „Skills“, sondern als Transformation der Strukturen, mit denen Menschen sich selbst und ihre Welt verstehen. Bildung zeigt sich, wenn sich Selbst- und Weltreferenzen qualitativ verändern und dadurch neue Deutungen, Perspektiven und Handlungsmöglichkeiten entstehen (Marotzki, 1990; Jörissen & Marotzki, 2009). Meder (2000, 2006) erweitert diese Perspektive um die Bedeutung von Wissen, medialen Objekten und ihrer relationalen Ordnung.
Damit wird Bildung im Zeitalter der KI zu einem Prozess der Reflexion und Neuordnung von Weltverhältnissen – nicht bloß zur Anpassung an technische Systeme. In dieser Perspektive zielt Bildung darauf, ein reflektiertes Verhältnis zur Welt herzustellen und Handlungsoptionen in unbestimmten Kontexten zu entwickeln, nicht nur fertige Lösungen zu übernehmen.
Die Future-Skills-Perspektive knüpft daran an: In emergenten, also offenen und nur begrenzt vorhersehbaren Kontexten, reicht reproduzierbares Wissen allein nicht aus. Kompetenzentwicklung betrifft auch die Fähigkeit, selbstorganisiert, wertbezogen und gestaltend zu handeln (Ehlers, 2020). Im KI-Zeitalter bedeutet Kompetenz daher nicht primär die Bedienung technischer Systeme, sondern Urteilskraft und Gestaltungsfähigkeit in dynamischen Situationen.
Die humanistische Bildungstradition richtet den Blick auf Würde, Freiheit und Entfaltung des Menschen als Subjekt (Nussbaum, 2011; Nida-Rümelin & Weidenfeld, 2018). Für Hannah Arendt ist Freiheit eng mit dem Vermögen verbunden, zu handeln, etwas Neues zu beginnen und gemeinsam Welt zu gestalten (Arendt, 2002). Bildung bedeutet aus dieser Perspektive nicht nur kognitive Verarbeitungsfähigkeit, sondern auch politische und ethische Handlungsfähigkeit – gerade im Angesicht komplexer technischer Systeme.
Die Idee der phronesis bezeichnet praktische Urteilskraft in unsicheren Situationen. Sie ist dort bedeutsam, wo Regeln oder algorithmische Vorschläge allein keine verantwortbare Entscheidung hervorbringen können (MacIntyre, 2007; Kristjánsson & Fowers, 2024). Im KI-Zeitalter bleibt deshalb das selbstständige Urteilen zentral: Menschen müssen Vorschläge einordnen, Gründe abwägen und Verantwortung für Entscheidungen übernehmen.
Bildung lässt sich als Selbst- und Welterschließung und damit als Weltaneignung verstehen (Klafki, 1996). Für das Kriterium „Unabhängigkeit“ folgt daraus: Es geht nicht lediglich darum, auch ohne KI eine Lösung produzieren zu können. Es geht darum, frei und fähig zu bleiben, sich Welt anzueignen, Beziehungen zu gestalten, Zwecke zu bestimmen und in technisierten Kontexten verantwortlich zu handeln.
Diese Auslegung verschiebt den Fokus von Instrumentalität zu Souveränität. Menschen werden nicht nur zu Konsument:innen von KI-Produkten, sondern zu Gestalter:innen ihrer Mensch-KI-Arrangements. Im Anschluss an poststrukturalistische Bildungsphilosophie lässt sich Souveränität dabei nicht als vollständig autonome Kontrolle eines isolierten Individuums verstehen: Handlungsfähigkeit entsteht immer auch in sozialen, technischen und institutionellen Beziehungen (Wartmann, 2024). Gerade deshalb müssen die Bedingungen dieser Beziehungen sichtbar, verhandelbar und veränderbar bleiben.
Die Integration generativer KI in Lern-, Arbeits- und Entscheidungsprozesse fordert eine Neubestimmung dessen, was gelernt werden soll und was Kompetenz unter veränderten Bedingungen bedeutet. KI-Systeme erweitern kognitive Handlungsspielräume, verschieben aber zugleich Grenzen von Kontrolle und Verantwortung. Menschen müssen daher nicht nur verstehen, was KI kann, sondern auch, wie sie die eigenen Fähigkeiten einsetzen, um mit ihr kritisch, kreativ und verantwortlich zu agieren.
Aus dieser Perspektive lassen sich drei miteinander verbundene Leitideen formulieren:
- Unabhängigkeit: Vorschläge prüfen und ein eigenes Urteil bilden.
- Qualität: Ziele, Denk- und Lernprozesse sowie Ergebnisse überwachen und reflektieren.
- Effektivität: Aufgaben und das Zusammenspiel zwischen Mensch und KI sinnvoll gestalten.
Diese Leitideen sind zunächst ein normativer Ordnungsrahmen. Empirische Studien können einzelne Beziehungen stützen oder problematisieren; sie „beweisen“ den Rahmen nicht als Ganzes.
Unabhängigkeit bezeichnet im Kontext der KI-Nutzung die Fähigkeit, technologische Vorschläge nicht passiv zu übernehmen, sondern sie zu prüfen, zu überarbeiten oder zu verwerfen. Das Risiko übermäßiger Übernahme automatisierter Empfehlungen ist unter dem Begriff Automation Bias seit Langem erforscht. Eine systematische Übersicht von Goddard, Roudsari und Wyatt (2012) wertete 74 Studien aus unterschiedlichen Anwendungsfeldern aus. Sie zeigt, dass Vertrauen in Systeme, Vorerfahrung, Arbeitsbelastung und Zeitdruck den Umgang mit fehlerhaften Empfehlungen beeinflussen können. Diese Forschung bezieht sich überwiegend auf klassische Entscheidungsunterstützung, nicht speziell auf generative KI; sie belegt aber das grundsätzliche Risiko unzureichender Kontrolle automatisierter Ausgaben.
Für generative KI liefert eine Studie von Lee et al. (2025) einen aktuelleren, aber methodisch anders gelagerten Befund. In einer Befragung von 319 Wissensarbeiter:innen mit 936 selbst berichteten Anwendungsbeispielen war höheres Vertrauen in die KI mit weniger berichteter kritischer Denkarbeit verbunden, während höheres Vertrauen in die eigene Urteilskraft mit mehr kritischer Prüfung einherging. Die Studie ist korrelativ und beruht auf Selbstauskünften; sie zeigt keine Kausalität und misst keine objektive Kompetenzabnahme. Sie macht jedoch plausibel, warum Quellenprüfung, Verifikation und bewusste Prozessverantwortung zu zentralen Anforderungen der KI-Nutzung werden.
Unabhängigkeit ist deshalb nicht mit technischer Abstinenz zu verwechseln. Sie meint die Fähigkeit, Technik bewusst in eigene Urteilsprozesse einzubinden und die Verantwortung für das Ergebnis nicht an das System abzugeben. Gerade wissenschaftliche Kommunikation verlangt, dass generierte Quellenangaben und Tatsachenbehauptungen an den Originalquellen überprüft werden. Generative Systeme erzeugen sprachlich plausible Ausgaben; Plausibilität ist aber kein Nachweis von Wahrheit (Herzig, 2025).
Qualität bezieht sich auf die Tiefe und Nachhaltigkeit von Lern- und Arbeitsprozessen. Selbstreguliertes Lernen (SRL) beschreibt Prozesse des Planens, Überwachens, Strategieeinsatzes und Reflektierens (Winne & Hadwin, 1998; Zimmerman & Moylan, 2009). Generative KI verändert diese Prozesse: Nutzer:innen müssen Ziele präzisieren, Anfragen formulieren, Ausgaben evaluieren und entscheiden, welche Schritte automatisiert werden dürfen. Tankelevitch et al. (2024) beschreiben diese Anforderungen als metakognitive Anforderungen der generativen KI. Ihr Beitrag ist ein konzeptioneller Forschungs- und Gestaltungsrahmen, keine experimentelle Wirkungsmessung.
Ein randomisiertes Experiment von Fan et al. (2025) mit 117 Studierenden verglich vier Unterstützungsbedingungen bei einer Schreibaufgabe. Die ChatGPT-Gruppe verbesserte ihre unmittelbare Textleistung stärker; beim Wissenszuwachs und Transfer zeigten sich jedoch keine signifikanten Vorteile. Zugleich unterschieden sich Häufigkeit und Abfolge selbstregulativer Lernprozesse zwischen den Gruppen. Der Befund mahnt zu einer wichtigen Unterscheidung: Ein besseres Produkt während der KI-Nutzung ist nicht automatisch ein tieferes oder dauerhafteres Lernen.
Auch die breitere Befundlage ist nicht einheitlich. Eine Meta-Analyse von Han, Peng und Liu (2025) bündelte 68 experimentelle beziehungsweise quasi-experimentelle Studien mit 337 Effektgrößen. Sie berichtet im Mittel einen moderaten positiven Effekt generativer KI auf Lernoutcomes (SMD = 0,45), zugleich aber eine sehr hohe Heterogenität (I² = 95 %). Wirkungen unterscheiden sich also erheblich nach Bildungsstufe, Fach, Dauer, Stichprobe und Ausgestaltung der Intervention.
Was diese Literatur nicht hinreichend belegt, ist die in der ursprünglichen Fassung dieses Beitrags formulierte allgemeine Aussage, bereits vorhandene hohe SRL-Fähigkeiten moderierten die Wirkung generativer KI so, dass diese Lernenden stets überproportional profitierten, während niedrige SRL-Werte generell zu Qualitätsverlust führten. Diese Behauptung wird hier zurückgenommen. Plausibel und didaktisch begründbar ist, metakognitive Kontrolle zu fördern; wie stark individuelle SRL-Voraussetzungen die Wirkung verschiedener KI-Arrangements tatsächlich moderieren, bleibt eine empirisch offene und kontextabhängige Frage.
Effektivität betrifft die sinnvolle Gestaltung von Abläufen zwischen Mensch und Maschine. Für klar umrissene Arbeitsaufgaben gibt es belastbare Hinweise auf Produktivitätsgewinne. Brynjolfsson, Li und Raymond (2025) untersuchten die gestaffelte Einführung eines generativen Assistenzsystems bei 5.172 Beschäftigten im Kundensupport. Im Mittel stieg die Zahl gelöster Fälle pro Stunde um 15 Prozent. Weniger erfahrene und geringer qualifizierte Beschäftigte verbesserten Geschwindigkeit und Qualität besonders stark; bei den erfahrensten und leistungsstärksten Beschäftigten zeigten sich nur geringe Geschwindigkeitsgewinne und leichte Qualitätseinbußen.
Das ist eine große Feldstudie in einem Unternehmen und einem Tätigkeitsfeld – nicht „drei Feldexperimente mit hochqualifizierten Fachkräften“, wie es in der ursprünglichen Fassung hieß. Die Studie misst zudem weder Selbstregulation noch Metakognition und belegt nicht, dass Aufgabenzerlegung oder Review-Schleifen die beobachteten Effekte verursacht haben.
Eine zweite belastbare Studie stammt von Noy und Zhang (2023). In einem präregistrierten Online-Experiment bearbeiteten 453 akademisch qualifizierte Berufstätige kurze, berufsnahe Schreibaufgaben. Mit ChatGPT sank die Bearbeitungszeit im Mittel um 40 Prozent und die bewertete Qualität stieg um 18 Prozent; leistungsschwächere Teilnehmende profitierten stärker. Auch hier geht es um unmittelbare Arbeitsleistung bei begrenzten Aufgaben, nicht um nachhaltigen Kompetenzerwerb.
Prozesswissen bleibt dennoch eine plausible und wichtige Gestaltungsanforderung: Wer Ziele, Teilaufgaben, Zuständigkeiten und Prüfkriterien explizit macht, kann Mensch-KI-Prozesse nachvollziehbarer organisieren. Tankelevitch et al. (2024) ordnen Aufgabenklärung, Prompting, Output-Evaluation und Entscheidungen über den Automatisierungsgrad als metakognitive Anforderungen ein. Daraus folgt eine begründete Gestaltungsempfehlung, aber kein allgemeiner kausaler Wirkungsnachweis.
Unabhängigkeit, Qualität und Effektivität bilden einen zusammenhängenden Orientierungsrahmen:
- Urteilskraft schützt davor, Vorschläge ungeprüft zu übernehmen.
- Metakognition und Selbstregulation richten den Blick über das unmittelbare Produkt hinaus auf Verständnis, Lernfortschritt und Transfer.
- Prozessgestaltung klärt, wann KI unterstützt, wann Menschen entscheiden und wie Ergebnisse geprüft werden.
Bildungspolitisch und didaktisch folgt daraus, dass Kompetenzförderung nicht auf Tool-Training reduziert werden darf. Lern- und Arbeitsprozesse sollten Reflexion, Kontrolle und Gestaltung als sichtbare Bestandteile enthalten. Dies ist eine didaktische Konsequenz aus der Befundlage – keine Behauptung, dass ein einzelnes Studienergebnis alle drei Leitideen gleichzeitig bestätigt.
Die Wirkung generativer KI ist heterogen. Manche Nutzer:innen erzielen deutliche Zugewinne, andere profitieren wenig, und in bestimmten Konstellationen können Qualitäts- oder Lernrisiken entstehen. Zwei Begriffe helfen, diese Unterschiede zu ordnen:
- Kompensation meint, dass KI fehlende Erfahrung oder Routine teilweise ausgleicht.
- Komplementarität meint, dass menschliche Fähigkeiten und KI sich so ergänzen, dass gemeinsam eine bessere Leistung entsteht.
Die empirische Absicherung dieser beiden Mechanismen ist jedoch unterschiedlich stark.
Die Studien von Brynjolfsson et al. (2025) und Noy und Zhang (2023) liefern klare Hinweise auf kompensatorische Effekte: In den untersuchten Kundensupport- und Schreibaufgaben profitierten weniger erfahrene oder anfänglich leistungsschwächere Personen besonders. KI kann deshalb bei bestimmten Tätigkeiten Einstiegshürden senken, Routinen zugänglich machen und Leistungsunterschiede verkleinern.
Diese Ergebnisse dürfen jedoch nicht mit allgemeinem Lernen gleichgesetzt werden. Ein Feldexperiment von Bastani et al. (2025) mit knapp 1.000 Schüler:innen im Mathematikunterricht macht den Unterschied besonders deutlich. Während der Übungsphasen verbesserten sich die Leistungen mit einem weitgehend unbeschränkten GPT-4-Zugang um 48 Prozent und mit einem didaktisch begrenzten GPT-Tutor um 127 Prozent gegenüber der Kontrollgruppe. In der anschließenden Prüfung ohne KI lag die Gruppe mit unbeschränktem Zugang dagegen 17 Prozent unter der Kontrollgruppe. Beim GPT-Tutor, der Hinweise statt fertiger Lösungen gab und lehrkraftgeprüfte Informationen nutzte, wurde dieser negative Effekt weitgehend beseitigt; ein positiver Prüfungseffekt gegenüber der Kontrollgruppe entstand aber nicht.
Die Studie betrifft kurzfristiges Mathematiklernen an einer einzelnen Schule. Sie rechtfertigt keine pauschale Aussage über alle Fächer oder Altersgruppen. Sie zeigt aber kausal: Hohe Leistung mit KI kann selbstständige Leistung ohne KI verdecken, und die Gestaltung des Systems beziehungsweise der Lernaufgabe ist entscheidend.
Didaktisch spricht dies für einen angeleiteten Einstieg: KI sollte nicht einfach Lösungen liefern, sondern Lernende zum Erklären, Prüfen und Weiterdenken anregen. Unterstützungsangebote brauchen klare Lernziele, Qualitätskriterien und Phasen, in denen Kompetenzen ohne KI sichtbar werden.
Es ist plausibel, dass Metakognition, Fachwissen und Prozesskompetenz eine anspruchsvollere Nutzung von KI ermöglichen. Wer gute Fragen formuliert, Fehler erkennt, Alternativen abwägt und Ergebnisse in einen fachlichen Kontext einordnet, kann eher entscheiden, wann eine KI-Ausgabe brauchbar ist. Die Arbeiten von Tankelevitch et al. (2024), Chiu (2024) und Fan et al. (2025) liefern hierfür konzeptionelle und empirische Anhaltspunkte.
Chiu (2024) entwickelte in einer dreirundigen Delphi-Studie mit 36 technikaffinen Lehrkräften ein Klassifikationsinstrument für ChatGPT-basierte Lernaktivitäten entlang der Phasen selbstregulierten Lernens und der Selbstbestimmungstheorie. Das ist eine strukturierte Expert:innenstudie und ein Designvorschlag – kein Nachweis von Lernerfolgen bei Studierenden. Fan et al. (2025) zeigen wiederum, dass Unterstützungsformen mit unterschiedlichen SRL-Prozessmustern und kurzfristigen Leistungen verbunden sein können, ohne dass daraus ein Transfergewinn folgt.
Deshalb ist die frühere Aussage zu stark, vorhandene hohe SRL-Ausprägungen seien empirisch als „Schlüsselelement“ nachgewiesen, das Qualität und Transfer der GenAI-Nutzung generell maximiert. Auch die Behauptung, Feldexperimente belegten gleichzeitig ein Aufholen von Noviz:innen und eine Steigerung der Spitze durch Expert:innen, ist in dieser Allgemeinheit nicht haltbar. Bei Brynjolfsson et al. (2025) zeigte sich bei den leistungsstärksten Beschäftigten sogar eine leichte Abnahme der gemessenen Qualität.
Komplementarität sollte daher als Forschungs- und Gestaltungsfrage formuliert werden: Unter welchen Bedingungen ergänzen sich menschliches Wissen, Metakognition und KI tatsächlich – für welche Aufgaben, bei welchen Personen und gemessen an welchen Outcomes?
Aus den belastbaren Befunden lassen sich drei vorsichtige Gestaltungsprinzipien ableiten:
1. Unterstützung an Lernzielen ausrichten. Für frühe Lernphasen können strukturierte Hilfen, Beispiele und Feedback sinnvoll sein. Die KI sollte kognitive Arbeit anregen und nicht vollständig ersetzen. Die Studie von Bastani et al. (2025) zeigt, warum Hinweise und didaktische Leitplanken wichtiger sein können als maximal direkte Antworten.
2. Metakognitive Routinen sichtbar machen. Zielsetzung, Auswahl einer Strategie, Prüfung von Quellen und Ergebnissen sowie Reflexion sollten explizite Bestandteile von Aufgaben und Prüfungen sein. Das folgt aus der SRL-Forschung und aus den besonderen metakognitiven Anforderungen generativer KI (Winne & Hadwin, 1998; Tankelevitch et al., 2024).
3. Leistung mit und ohne KI unterscheiden. Wenn Kompetenzerwerb das Ziel ist, reicht die Qualität des KI-gestützten Endprodukts als Erfolgsmaß nicht aus. Transferaufgaben, mündliche Begründungen, Prozessprotokolle oder Arbeitsphasen ohne KI können sichtbar machen, was Lernende selbst verstanden haben (Fan et al., 2025; Bastani et al., 2025).
Diese Empfehlungen sind enger als die ursprüngliche Behauptung einer generell komplementären Wirkung. Sie folgen dem derzeitigen Stand der Evidenz, ohne offene Fragen als gesicherte Befunde auszugeben.
Im Zentrum menschlicher Lern- und Handlungskompetenz steht die Fähigkeit, das eigene Tun intentional zu steuern, Entscheidungen zu reflektieren und Handlungen an Zielen auszurichten. Diese Fähigkeit wird als Agency bezeichnet. Im Zeitalter der KI erhält sie zusätzliche Bedeutung: Menschen müssen technisch vermittelte Handlungsspielräume nutzen, beurteilen und begrenzen können. Sie entscheiden, wann sie automatisierte Vorschläge übernehmen, korrigieren oder verwerfen und wie sie algorithmische Ergebnisse in eigene Urteilsprozesse integrieren.
In der sozial-kognitiven Theorie beschreibt Bandura (2001, 2006) menschliche Agency über Intentionalität, Vorausschau, Selbstreaktivität und Selbstreflexion. Menschen reagieren nicht nur auf äußere Reize; sie können Ziele bilden, ihr Verhalten beobachten und ihre Umwelt mitgestalten.
Die Selbstbestimmungstheorie von Ryan und Deci (2017) erklärt Motivation und gelingende Selbststeuerung unter anderem über die psychologischen Grundbedürfnisse nach Autonomie, Kompetenz und sozialer Eingebundenheit. Für Bildung und Arbeit folgt daraus eine normative Gestaltungsfrage: Unterstützt eine KI-Anwendung menschliche Selbstbestimmung und Kompetenzentwicklung – oder ersetzt sie Handlungen, deren eigene Ausführung für Lernen und Urteilskraft notwendig wäre?
Agency wird damit zu einem Bildungsziel. Sie bezeichnet keine vollständige Unabhängigkeit von anderen Menschen oder technischen Systemen, sondern die Fähigkeit, innerhalb solcher Beziehungen begründet und verantwortlich zu handeln.
Generative KI kann Handlungsmöglichkeiten erweitern: Lernende können Fragen variieren, Feedback einholen, Perspektiven vergleichen und Entwürfe überarbeiten. Ob daraus stärkere Agency entsteht, hängt jedoch von der konkreten Gestaltung ab. Chiu (2024) ordnet mögliche Lernaktivitäten den Phasen Vorausschau, Ausführung und Selbstreflexion zu. Tankelevitch et al. (2024) zeigen, welche metakognitiven Anforderungen beim Formulieren von Zielen und Prompts, beim Prüfen von Ausgaben und beim Festlegen des Automatisierungsgrads entstehen.
Aus diesen Arbeiten lassen sich Kontrollierbarkeit, Transparenz und Reflexionsgelegenheiten als sinnvolle Designprinzipien ableiten. Sie wurden in der ursprünglichen Fassung fälschlich als drei empirisch identifizierte Bedingungen einer bestimmten systematischen Übersicht dargestellt. Korrekt ist: Es handelt sich um eine Synthese und didaktische Ableitung aus mehreren Quellen, nicht um das Ergebnis einer einzigen Studie.
Agency ist somit kein Automatismus der KI-Nutzung. Eine Oberfläche mit vielen Wahlmöglichkeiten garantiert weder Selbstbestimmung noch Lernen. Entscheidend ist, ob Lernende eigene Ziele verfolgen, Gründe verstehen, Ausgaben prüfen und die Folgen ihrer Entscheidungen verantworten können.
Das Konzept des selbstregulierten Lernens konkretisiert einen Teil von Agency auf der Handlungsebene. Winne und Hadwin (1998) sowie Zimmerman und Moylan (2009) beschreiben SRL als zyklischen Prozess aus Planung, Ausführung, Monitoring und Reflexion. In KI-gestützten Kontexten kommen Aufgaben wie Prompt-Entwicklung, Quellenbewertung, Output-Prüfung und die Entscheidung über erneute Bearbeitungsschritte hinzu.
Empirisch ist gut begründet, SRL-Prozesse in Lernsettings zu fördern (Boekaerts & Corno, 2005). Für generative KI zeigen Fan et al. (2025), dass verschiedene Unterstützungsformen mit unterschiedlichen SRL-Prozessen einhergehen und unmittelbare Leistungsgewinne nicht zwingend in Wissenszuwachs oder Transfer übergehen. Bastani et al. (2025) zeigen zudem, dass eine KI, die direkt Lösungen liefert, selbstständiges Lernen beeinträchtigen kann, während didaktische Leitplanken diesen Schaden weitgehend vermeiden können.
Nicht hinreichend belegt ist dagegen die frühere pauschale Aussage, Lernende mit hohen vorhandenen SRL-Werten erlebten durch KI generell mehr Agency, erzielten bessere Ergebnisse und nutzten Systeme kritischer. Diese spezifische Moderationsbehauptung wird nicht aufrechterhalten.
Aus bildungstheoretischer Perspektive verbindet Agency Selbstbestimmung, Urteilsfähigkeit und Handlungsfreiheit. Sie befähigt Menschen, KI in den Dienst menschlicher Zwecke zu stellen, statt Zwecke allein aus den Möglichkeiten der Technik abzuleiten (Klafki, 1996; Nida-Rümelin & Weidenfeld, 2018).
Im Future-Skills-Modell wird Handlungsfähigkeit in offenen und technologisch komplexen Kontexten als Zusammenspiel kognitiver, motivationaler, volitionaler, sozialer und wertbezogener Ressourcen verstanden (Ehlers, 2020). Agency wird so zum Maßstab einer Lernkultur, in der Menschen Kontrolle nicht gedankenlos abgeben, sondern Verantwortlichkeiten bewusst gestalten.
AIComp (*Artificial Intelligence Competences*) ist ein Kompetenzstrukturmodell für eine von KI beeinflusste Lebens- und Arbeitswelt (Ehlers, Lindner & Rauch, 2024). Es wurde in miteinander verbundenen qualitativen und quantitativen Schritten entwickelt. Der Forschungsbericht dokumentiert unter anderem Literaturarbeit, qualitative Verdichtung und eine nicht repräsentative Befragung von 1.644 Berufstätigen in Baden-Württemberg. Auf Basis subjektiver Einschätzungen wurden drei Kompetenzbereiche und zwölf Kompetenzfelder modelliert. Das ist eine empirische Konstruktion eines Kompetenzmodells; es ist kein Wirksamkeitsnachweis dafür, dass bestimmte Trainings bereits zu besseren Lern- oder Arbeitsergebnissen führen.
Das Modell unterscheidet die Bereiche Arbeit/Tätigkeit/Aufgabe, persönliche Entwicklung und soziales Umfeld/Organisation. Darin werden zwölf Kompetenzfelder beschrieben (Ehlers, Lindner & Rauch, 2024):
1. Aktivitäts- und Umsetzungskompetenz
2. Systemdesignkompetenz
3. kreative Problemlösekompetenz
4. kritische digitale Kompetenz
5. Entscheidungskompetenz
6. Selbstwirksamkeit
7. kritisches Denken
8. aktive Steuerungsfähigkeit beziehungsweise Selbstmanagement
9. Selbstbestimmtheit beziehungsweise Autonomie
10. ethische Kompetenz
11. Kooperationskompetenz
12. Kommunikationskompetenz
Der in der früheren Fassung verwendete Quellenhinweis „AIComp Research Collective, 2024“ war weder eindeutig noch in der Literaturliste aufgelöst. Er wird deshalb durch den tatsächlich veröffentlichten Forschungsbericht von Ehlers, Lindner und Rauch (2024) ersetzt.
Die drei Leitideen lassen sich als interpretative Zuordnung mit AIComp verbinden:
- Unabhängigkeit wird insbesondere durch kritisches Denken, Selbstbestimmtheit und ethische Kompetenz gestützt.
- Qualität lässt sich mit aktiver Steuerungsfähigkeit, kritischer digitaler Kompetenz und Entscheidungskompetenz verbinden.
- Effektivität berührt Systemdesign-, Kooperations- und Kommunikationskompetenz.
Diese Zuordnung ist eine konzeptionelle Lesart des Modells, keine im AIComp-Bericht separat getestete Kausalstruktur. Sie macht jedoch sichtbar, welche Handlungsdispositionen Curricula und Weiterbildungen adressieren können.
Für die Hochschulpraxis bedeutet dies, Lernziele nicht bei der Tool-Bedienung enden zu lassen. Studierende sollten beispielsweise Bias-Risiken identifizieren, Quellen prüfen, Entscheidungen begründen, den Anteil von Mensch und KI an einem Ergebnis transparent machen und die Grenzen eines Modells erkennen können. Das AIComp-Modell bietet hierfür mögliche curriculare Bezugspunkte (Ehlers, Lindner & Rauch, 2024).
### Bildungsziel vor Toolauswahl
Bildung ist mehr als Wissensvermittlung. Klafkis Leitideen von Selbstbestimmung, Mitbestimmung und Solidarität richten Lehrgestaltung zuerst auf die Frage, welche Formen der Weltaneignung und Agency gestärkt werden sollen (Klafki, 1996). Erst danach folgt die Auswahl digitaler oder KI-gestützter Werkzeuge. Bildung im KI-Zeitalter meint nicht Unabhängigkeit von jeder Technologie, sondern Unabhängigkeit für verantwortliche Weltgestaltung.
### Selbstreguliertes Lernen als didaktischer Standard
Lernaufgaben können die Zyklen Planen – Handeln – Überwachen – Reflektieren systematisch sichtbar machen (Boekaerts & Corno, 2005; Zimmerman & Moylan, 2009). In KI-gestützten Settings gehören dazu Zieldefinition, Prüfkriterien, Quellen- und Plausibilitätskontrolle sowie eine Reflexion darüber, welche kognitive Arbeit die KI übernommen hat und welche beim Menschen verblieb.
### Prozessdesign
Kompetenzorientierte Lehre sollte Mensch-KI-Prozesse nachvollziehbar machen: Aufgaben werden in sinnvolle Schritte gegliedert, zulässige Formen der KI-Unterstützung festgelegt, Zwischenergebnisse geprüft und Verantwortlichkeiten dokumentiert. Tankelevitch et al. (2024) bieten hierfür einen metakognitiven Bezugsrahmen. Die frühere Behauptung, eine nicht nachweisbare Studie habe einen generellen kausalen Effekt von „Prozesswissen“ belegt, wird nicht übernommen.
### Leistung und Lernen getrennt prüfen
Assessments sollten nicht nur die Qualität des Endprodukts bewerten. Begründungen, Quellenprotokolle, Versionen, Transferaufgaben oder mündliche Verteidigungen können zeigen, ob Lernende Zusammenhänge verstanden haben und ohne unmittelbare KI-Hilfe urteilen können. Die Befunde von Fan et al. (2025) und Bastani et al. (2025) zeigen, warum diese Unterscheidung notwendig ist.
### Ethik, Transparenz und wissenschaftliche Redlichkeit
Fragen nach Datenherkunft, Attribution, Wertkonflikten und Verantwortung müssen Teil professioneller Kompetenzentwicklung sein. Die UNESCO-Leitlinie zu generativer KI in Bildung und Forschung betont einen menschenzentrierten, altersangemessenen und datenschutzsensiblen Einsatz (Miao & Holmes, 2023). Für wissenschaftliche Kommunikation gehört dazu eine elementare Regel: KI-generierte Literaturangaben dürfen niemals ungeprüft übernommen werden. Verantwortlich für eine veröffentlichte Quellenangabe bleibt der Mensch.
Die Integration von KI in Bildung und Führungspraxis verlangt damit eine Rückbesinnung auf das, was Bildung im Kern bedeutet. Im Zentrum steht nicht die technische Leistungsfähigkeit von Systemen, sondern die Entwicklung menschlicher Urteils-, Gestaltungs- und Handlungsfähigkeit. KI kann Leistungen in bestimmten Situationen verbessern, Unterschiede teilweise kompensieren und neue Formen der Unterstützung ermöglichen. Sie kann aber auch Verständnis verdecken, unkritische Übernahme fördern oder Lerngelegenheiten verkürzen.
Die entscheidende Frage lautet deshalb nicht, ob Menschen im Zeitalter der KI noch lernen müssen. Sie lautet: Wie müssen wir lernen, damit KI unsere Handlungsfähigkeit erweitert, ohne Urteilskraft, Verantwortung und Selbstständigkeit zu unterlaufen?
Arendt, H. (2002). Vita activa oder Vom tätigen Leben (Originalausgabe 1958). Piper.
Bandura, A. (2001). Social cognitive theory: An agentic perspective. Annual Review of Psychology, 52, 1–26. https://doi.org/10.1146/annurev.psych.52.1.1
Bandura, A. (2006). Toward a psychology of human agency. Perspectives on Psychological Science, 1(2), 164–180. https://doi.org/10.1111/j.1745-6916.2006.00011.x
Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
Boekaerts, M., & Corno, L. (2005). Self-regulation in the classroom: A perspective on assessment and intervention. Applied Psychology, 54(2), 199–231. https://doi.org/10.1111/j.1464-0597.2005.00205.x
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
Chiu, T. K. F. (2024). A classification tool to foster self-regulated learning with generative artificial intelligence by applying self-determination theory: A case of ChatGPT. Educational Technology Research and Development, 72, 2401–2416. https://doi.org/10.1007/s11423-024-10366-w
Ehlers, U.-D. (2020). Future Skills: Lernen der Zukunft – Hochschule der Zukunft. Springer VS. https://doi.org/10.1007/978-3-658-29297-3
Ehlers, U.-D., Lindner, M., & Rauch, E. (2024). AI Comp – Future Skills für eine von KI beeinflusste Lebens- und Arbeitswelt. Forschungsbericht 2: Empirische Konstruktion & Beschreibung des Kompetenzmodells AIComp. NextEducation, DHBW Karlsruhe. https://next-education.org/downloads/2024-03-19-AIComp-Part_2_-_Kompetenzmodell-final-web.pdf
Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544
Goddard, K., Roudsari, A., & Wyatt, J. C. (2012). Automation bias: A systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121–127. https://doi.org/10.1136/amiajnl-2011-000089
Han, X., Peng, H., & Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review and meta-analysis of experimental studies. Educational Research Review, 48, 100714. https://doi.org/10.1016/j.edurev.2025.100714
Herzig, B. (2025). Die (produktive) Rolle von generativer KI im erziehungswissenschaftlichen Diskurs. Erziehungswissenschaft, 36(70), 13–18. https://doi.org/10.3224/ezw.v36i1.02
Jörissen, B., & Marotzki, W. (2009). Medienbildung – Eine Einführung: Theorie – Methoden – Analysen. Klinkhardt.
Klafki, W. (1996). Neue Studien zur Bildungstheorie und Didaktik: Zeitgemäße Allgemeinbildung und kritisch-konstruktive Didaktik. Beltz.
Kristjánsson, K., & Fowers, B. J. (2024). Phronesis: Retrieving practical wisdom in psychology, philosophy, and education. Oxford University Press. https://doi.org/10.1093/oso/9780192871473.001.0001
Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (Article 1121, pp. 1–22). ACM. https://doi.org/10.1145/3706598.3713778
Luhmann, N., & Schorr, K. E. (1979). Reflexionsprobleme im Erziehungssystem. Klett-Cotta.
MacIntyre, A. (2007). After virtue: A study in moral theory (3rd ed.). University of Notre Dame Press.
Marotzki, W. (1990). Entwurf einer strukturalen Bildungstheorie: Biographietheoretische Auslegung von Bildungsprozessen in hochkomplexen Gesellschaften. Deutscher Studien Verlag.
Meder, N. (2000). Wissen und Bildung im Internet – in der Tiefe des semantischen Raumes. In W. Marotzki, D. M. Meister & U. Sander (Hrsg.), Zum Bildungswert des Internet (S. 33–56). Leske + Budrich. https://doi.org/10.1007/978-3-322-97472-3_3
Meder, N. (Hrsg.). (2006). Web-Didaktik: Eine neue Didaktik webbasierten, vernetzten Lernens. W. Bertelsmann.
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
Nida-Rümelin, J., & Weidenfeld, N. (2018). Digitaler Humanismus: Eine Ethik für das Zeitalter der Künstlichen Intelligenz. Piper.
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
Nussbaum, M. C. (2011). Creating capabilities: The human development approach. Harvard University Press.
Ryan, R. M., & Deci, E. L. (2017). Self-determination theory: Basic psychological needs in motivation, development, and wellness. Guilford Press.
Tankelevitch, L., Kewenig, V., Simkute, A., Scott, A. E., Sarkar, A., Sellen, A., & Rintel, S. (2024). The metacognitive demands and opportunities of generative AI. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (Article 680, pp. 1–24). ACM. https://doi.org/10.1145/3613904.3642902
Wartmann, R. (2024). Bildung dekonstruieren: Grenzgänge im Anschluss an die poststrukturalistische Bildungsphilosophie. transcript. https://doi.org/10.14361/9783839471241
Winne, P. H., & Hadwin, A. F. (1998). Studying as self-regulated learning. In D. J. Hacker, J. Dunlosky, & A. C. Graesser (Eds.), Metacognition in educational theory and practice (pp. 277–304). Erlbaum.
Zimmerman, B. J., & Moylan, A. R. (2009). Self-regulation: Where metacognition and motivation intersect. In D. J. Hacker, J. Dunlosky, & A. C. Graesser (Eds.), Handbook of metacognition in education (pp. 299–315). Routledge.
Leiter der Forschungsgruppe und Professur für Bildungsmanagement und Lebenslanges Lernen