Wenn Technologie schneller lernt als Bildung
Wie sich Technologisierung in Gesellschaft und Wirtschaft auswirkt – und warum Bildung jetzt neu gedacht werden muss

Fig 1: Race between Education and technology (Schleicher 2016)

 

In dieser Perspektive wird sofort verständlich, warum Technologisierung nie nur ein wirtschaftliches Phänomen ist. Sie wird gesellschaftlich erst dadurch wirksam, dass bestimmte Gruppen besser, schneller oder tiefer an neue Kompetenzanforderungen anschließen können als andere. Ungleichheit entsteht also nicht nur, weil Maschinen manche Tätigkeiten ersetzen, sondern auch deshalb, weil Gesellschaften unterschiedlich gut darin sind, Lern- und Aufstiegspfade zu öffnen.

Das ist für die Gegenwart entscheidend. Denn in vielen Ländern wird die KI-Debatte so geführt, als gehe es vor allem um Technologiezugang. Wer hat Tools? Wer hat Rechenleistung? Wer hat Daten? Doch das Goldin/Katz-Modell zwingt zu einer breiteren Frage: Wer hat Zugang zu Bildungsformen, die den produktiven, kritischen und verantwortlichen Umgang mit diesen Technologien tatsächlich ermöglichen?

Die neueren Fortschreibungen des Modells machen gerade das deutlich. In Extending the Race between Education and Technology beschreiben Autor, Goldin und Katz (2020) die Race-Logik als kanonischen Rahmen, der Veränderungen der Lohnstruktur im 20. Jahrhundert bemerkenswert gut erklärt, und erweitern die Analyse zugleich historisch rückwärts und vorwärts. Katz’ neuere Arbeit Beyond the Race between Education and Technology bringt diese Perspektive explizit in die Gegenwart der Informations- und KI-Ökonomie (Katz, 2025). Die Pointe ist wichtig: Das Modell ist nicht historisch überholt, sondern erneut anschlussfähig geworden.

Damit ist auch ein wichtiger politischer Missbrauch der Zukunftsdebatte entkräftet. Wenn Bildung in diesem Sinne das gesellschaftliche Gegengewicht zur technologischen Beschleunigung ist, dann darf sie nicht als bloßes Anhängsel wirtschaftlicher Modernisierung behandelt werden. Sie ist keine Reparaturwerkstatt für Arbeitsmärkte. Sie ist die gesellschaftliche Infrastruktur, die entscheidet, ob technologischer Wandel integriert oder sozial zerklüftet wird (Goldin & Katz, 2008; Katz, 2025).

4. Eine erste Figur: Elena und die brüchige pädagogische Sicherheit

Nehmen wir Elena, 46 Jahre alt, Schulleiterin einer beruflichen Schule. Ihre Schule ist weder technikfeindlich noch technikbegeistert. Sie ist, wie viele Institutionen, in einem Zustand des tastenden Pragmatismus. In der Verwaltung helfen KI-Systeme bei Standardkommunikation. In einzelnen Bildungsgängen entstehen erste Lernsettings mit Textgeneratoren, Übersetzungstools, automatisierten Rückmeldungen. Die Lehrkräfte sind nicht panisch. Aber viele sind verunsichert.

Nicht, weil sie nicht wüssten, wie ein Chatbot funktioniert. Sondern weil sie spüren, dass eine stille Grundlage ihrer Professionalität ins Rutschen gerät. Früher war die Lage klarer. Sie wussten mehr. Sie strukturierten Wissen. Sie gaben Orientierung. Nun erleben sie, dass Lernende sich in Sekunden Inhalte generieren lassen können, die oberflächlich kompetent wirken. Das Problem ist nicht, dass die Maschine „besser unterrichtet“. Das Problem ist, dass sich die pädagogische Wertschöpfung verschiebt.

Elena merkt schnell: Die eigentliche Frage lautet nicht mehr nur, wie man mit KI umgeht. Sie lautet, worin pädagogische Autorität künftig bestehen soll. In der schnelleren Vermittlung? In der Korrektur von Ergebnissen? In der Auswahl guter Fragen? In der ethischen Rahmung? In der Diagnose von Missverständnissen? In der Förderung von Urteilskraft?

Genau hier zeigt sich die Stärke des Race-Modells. Wenn Bildung gesellschaftlich Schritt halten soll, reicht es nicht, Tools einzuführen. Die Institution muss neu bestimmen, welche Kompetenzen sie als zentral betrachtet und wie sie diese entwickelt. Goldin und Katz helfen, diese Spannung als strukturelles Problem zu erkennen. Elenas Unsicherheit ist nicht individuell. Sie ist Ausdruck eines Moments, in dem Technologie die Kompetenzlandschaft schneller verschiebt, als Institutionen ihre Professionalitätsbilder erneuern (Goldin & Katz, 2008; Katz, 2025).

5. Acemoglu und Restrepo: Warum Berufe nicht verschwinden, sondern Aufgaben neu verteilt werden

Die öffentliche Debatte liebt große Verben: ersetzen, verdrängen, abschaffen. In Schlagzeilen klingt das effizient. In der Realität ist es zu grob. Denn Wirtschaft funktioniert nicht auf der Ebene von Schlagzeilen, sondern auf der Ebene von Tätigkeiten.

Genau hier setzen Acemoglu und Restrepo an. Ihr Modell beschreibt Produktion als ein Gefüge von Aufgaben, die unterschiedlichen Akteuren zugeordnet werden können – Menschen, Maschinen, Organisationen, Software. Technologischer Wandel verändert dieses Gefüge. Automatisierung verschiebt Aufgaben, die früher Menschen ausübten, in Richtung Kapital oder Maschine. Das ist der displacement effect. Gleichzeitig entstehen neue Tätigkeiten, in denen Menschen weiterhin oder wieder eine zentrale Rolle spielen. Das ist der reinstatement effect. Die Zukunft der Arbeit hängt also nicht nur davon ab, wie viel automatisiert wird, sondern auch davon, welche neuen Aufgaben und Tätigkeitsbündel entstehen (Acemoglu & Restrepo, 2019).

Diese Perspektive ist von enormer bildungspolitischer Bedeutung. Denn sie verändert die Frage, die wir an Bildung richten.

Wenn wir in Berufen denken, fragen wir: Welche Berufe sterben aus? Welche Berufe entstehen? Wenn wir in Aufgaben denken, fragen wir: Welche Aufgaben lassen sich delegieren? Welche Aufgaben müssen Menschen neu lernen? Welche Kombinationen aus Technik, Urteil, Interaktion und Verantwortung werden wichtiger?

Die zweite Frage ist die bessere. Denn sie ist beweglicher, präziser und näher an der Realität des Wandels.

Eine Pflegekraft etwa wird nicht „durch KI ersetzt“. Aber Dokumentation, Ressourcensteuerung, Vorstrukturierung von Fallinformationen oder Mustererkennung können technisch unterstützt werden. Gleichzeitig wird die menschliche Arbeit dort anspruchsvoller, wo es um Beziehung, situatives Urteil, ethische Priorisierung und die Koordination unvorhersehbarer Situationen geht. Ein Journalist wird nicht einfach verschwinden. Aber Recherche, Zusammenfassung, Formatadaption und erste Textbausteine können automatisiert werden, während Kontextualisierung, Quellenkritik, Perspektivenvielfalt und Verantwortung an Gewicht gewinnen. Eine Lehrperson wird nicht obsolet. Aber bestimmte Teile von Feedback, Diagnostik und Materialerstellung verändern sich deutlich, während Didaktik, Lernprozessgestaltung und kulturelle Einordnung wichtiger werden.

Acemoglu und Restrepo geben damit der Bildungsdebatte etwas zurück, was sie dringend braucht: Nüchternheit. Nicht Alarmismus, nicht Beschwichtigung, sondern eine analytische Mitte. Technologie ersetzt nicht „den Menschen“ als solchen. Sie verändert, was Menschen tun, wie sie es tun und in welcher Kombination von Fähigkeiten sie produktiv werden. Bildung muss deshalb nicht nur Wissensbestände aktualisieren. Sie muss Menschen auf neue Aufgabenräume vorbereiten (Acemoglu & Restrepo, 2019).

6. Zweiter Fall: Murat und die Umstellung, die zunächst alles komplizierter macht

Murat ist 39 und leitet einen Bereich in einem mittelständischen Maschinenbauunternehmen. Sein Betrieb hat in den letzten zwei Jahren massiv in digitale Systeme investiert: sensorgestützte Wartung, KI-unterstützte Angebotserstellung, automatische Dokumentation, Assistenzsysteme für Serviceteams. Viele im Unternehmen dachten anfangs in einfachen Geschichten. Die eine Geschichte war euphorisch: Jetzt werde alles schneller, günstiger, besser. Die andere war skeptisch: Das sei wieder einer dieser Hypes, die am Ende vor allem Aufwand produzieren.

Murat erlebt etwas Drittes. Zunächst steigt nicht die Einfachheit, sondern die Komplexität. Rollen müssen neu geklärt werden. Wer entscheidet wann? Wer prüft maschinische Vorschläge? Wo endet Assistenz, wo beginnt Verantwortung? Welche Qualitätskriterien gelten noch? Welche Daten dürfen genutzt werden? Wer braucht welche Weiterbildung? Welche Fehler sind technische, welche organisatorische, welche kommunikative?

Mit anderen Worten: Die Einführung neuer Technologie erzeugt zuerst Reibung. Das ist kein Unfall. Es ist Teil des Musters.

Hier kommt ein weiteres hoch relevantes Modell ins Spiel: die Productivity J-Curve von Brynjolfsson, Rock und Syverson. Sie zeigen, dass General-Purpose-Technologien wie IT oder KI ihre Produktivitätseffekte oft erst zeitverzögert entfalten, weil sie erhebliche komplementäre Investitionen erfordern – insbesondere in immaterielle Faktoren wie Software, Prozesse, Organisationsdesign, Lernaufwand und neue Routinen. In der frühen Phase werden diese Investitionen oft statistisch oder praktisch nicht sofort als Produktivitätsgewinn sichtbar. Das Ergebnis ist eine paradoxe Erfahrung: viel Veränderung, aber zunächst wenig messbarer Nutzen (Brynjolfsson et al., 2021).

Für Bildungsfragen ist das hoch aufschlussreich. Denn es erklärt, warum technologischer Wandel so oft falsch gedeutet wird. Wenn Institutionen glauben, neue Werkzeuge müssten sofort Entlastung bringen, dann wirken Übergangsphasen wie Scheitern. Wenn sie dagegen verstehen, dass echte Wirkung erst nach organisatorischem und kulturellem Umbau sichtbar wird, können sie Übergänge anders gestalten.

Murat lernt genau das. Nicht die Technologie ist das eigentliche Problem. Das Problem ist die mangelnde Fähigkeit vieler Organisationen, Übergänge zu lernen. Und Bildung – im Sinne von Weiterbildung, Personalentwicklung, organisationalem Lernen – ist genau der Ort, an dem diese Fähigkeit entstehen müsste (Brynjolfsson et al., 2021).

7. Dirk Baecker: Warum sich Technologisierung wie Überforderung anfühlt

Ökonomische Modelle erklären viel. Aber sie erklären nicht alles. Wer verstehen will, warum die Gegenwart sich nicht nur schneller, sondern dichter anfühlt, warum Menschen trotz technischer Erleichterung oft unter gesteigerter Anspannung leben, braucht einen anderen Zugriff. Dirk Baecker liefert ihn. Sein Ausgangspunkt ist medientheoretisch: Gesellschaften verändern ihre Form mit den Medien, durch die Kommunikation organisiert wird. Sprache, Schrift, Buchdruck, elektronische Medien, digitale Medien – jede dieser Formationen bringt nicht nur neue Übertragungswege hervor, sondern verändert die Struktur gesellschaftlicher Beobachtung und Koordination. In Baeckers Beschreibung beginnt mit digitalen Medien eine neue Epoche, weil erstmals Maschinen an Kommunikation teilnehmen. Das ist keine technische Randnotiz, sondern eine soziale Zäsur (Baecker, 2007, 2026).

Was heißt das konkret? Es heißt, dass Kommunikation nicht mehr nur zwischen Menschen stattfindet, die Zeichen austauschen, sondern in Umgebungen, in denen Maschinen sortieren, gewichten, prognostizieren, empfehlen, simulieren, verdichten. Die Maschine wird Filter, Ko-Akteur, Adressat, Beobachter und Vorstrukturierer. Und damit wächst die Zahl möglicher Anschlüsse dramatisch.

Fig. 2: Medienepochale Entwicklung

Das ist der eigentliche Schmerz der Gegenwart: nicht bloß Informationsfülle, sondern Kommunikationsüberschuss. Baeckers neuere Arbeiten zur Digitalisierung betonen dabei lernende Daten, prädiktive Modelle und einen stochastischen Zugriff auf gesellschaftliche und künstliche Intelligenz. Auch hier gilt: Die Pointe ist nicht, dass Maschinen viel können. Die Pointe ist, dass sich die Bedingungen, unter denen Menschen Relevanz herstellen, verändern (Baecker, 2026).

Für Bildung ist das von kaum zu überschätzender Bedeutung. Denn viele Bildungskonzepte der Moderne waren auf Knappheit gebaut: Knappheit an Information, Zugang, Quellen, Expertise. In der digitalen Gesellschaft wird Knappheit nicht irrelevant, aber sie wird vom Überschuss überlagert. Lernende leiden heute nicht nur unter mangelndem Wissen, sondern unter zu vielen halb plausiblen Wissensangeboten. Nicht nur unter fehlender Orientierung, sondern unter einem Überangebot an orientierungsähnlichen Signalen.

Wenn das stimmt, dann ändert sich der Bildungsauftrag grundlegend. Bildung ist dann nicht mehr primär die Versorgung mit Wissen. Sie ist die Befähigung, in einem Überschuss möglicher Anschlüsse urteils- und handlungsfähig zu bleiben (Baecker, 2007, 2026).

8. Dritter Fall: Sophie und das stille Schwanken zwischen Finden und Verstehen

Sophie ist 22, studiert im dritten Semester und gehört zu jener Generation, für die der souveräne Umgang mit digitalen Werkzeugen selbstverständlich wirkt – und dennoch oft brüchig ist. Sie nutzt KI täglich. Zum Strukturieren, Zusammenfassen, Gegenlesen, Übersetzen, Variieren, Einstiegfinden. In manchem ist sie effizienter geworden. In anderem unsicherer.

Sie merkt, dass ihr Problem nicht darin liegt, zu wenig Information zu haben. Im Gegenteil. Ihr Problem ist, dass sie immer schwerer unterscheiden kann, was davon wirklich tragfähig ist. Sie kann sich binnen Minuten einen sehr ordentlich klingenden Überblick zu fast jedem Thema erzeugen lassen. Aber sie spürt gleichzeitig, dass ordentlich klingend nicht dasselbe ist wie verstanden. Dass ein stringenter Text nicht automatisch ein guter Gedanke ist. Dass sie manchmal etwas formulieren kann, bevor sie es innerlich durchdrungen hat.

Das ist keine triviale Beobachtung. Sie berührt den Kern des gegenwärtigen Bildungsproblems. Denn wenn Systeme Inhalte strukturieren und sprachlich glätten, dann verschiebt sich die Grenze zwischen Produzieren und Verstehen. Viele Lernende können heute gute Oberflächen herstellen, ohne sicher zu sein, ob darunter tragfähige Urteile liegen. Genau deshalb genügen Kompetenzrahmen, die nur Tool-Anwendung beschreiben, nicht. Neuere Arbeiten aus dem Umfeld von MIT Open Learning betonen, dass KI in der Bildung nur dann sinnvoll integriert werden kann, wenn aktives Lernen, metakognitive Steuerung, soziale Lernformen und sogenannte desirable difficulties – also produktive Anstrengung – erhalten oder sogar bewusst gestärkt werden. KI darf Lernprozesse unterstützen, aber nicht das Denken durch reibungslose Plausibilität ersetzen (Salazar-Gómez & Sarma, 2025).

Sophie braucht daher nicht einfach nur „KI-Kompetenz“. Sie braucht Unterscheidungsfähigkeit. Sie muss lernen, zwischen Finden und Verstehen, Formulieren und Urteilen, Generieren und Verantworten zu unterscheiden. Und genau hier wird Baeckers Kommunikationsdiagnose mit Goldin/Katz und Acemoglu/Restrepo kompatibel: Die eigentliche Zukunftskompetenz liegt nicht nur in der Bedienung neuer Technologien, sondern in der Fähigkeit, unter ihren Bedingungen handlungsfähig zu bleiben (Acemoglu & Restrepo, 2019; Baecker, 2026; Salazar-Gómez & Sarma, 2025).

9. Was Technologisierung mit Gesellschaft macht: Vier Wirkungen

Aus der Zusammenschau der Modelle lassen sich vier große gesellschaftliche Wirkungen der Technologisierung benennen. Technologisierung verschärft und verlagert Ungleichheit. Technologie ist nie nur Produktivität. Sie ist immer auch Verteilung. Wer Zugang, Vorwissen, Lernressourcen, institutionelle Unterstützung oder kulturelles Kapital besitzt, kann technologische Sprünge meist schneller in Vorteile übersetzen. Wer diese Ressourcen nicht hat, gerät unter Druck. Das Goldin/Katz-Modell zeigt genau diese Logik: Wenn Bildung die Verbreitung neuer Fähigkeiten nicht rasch genug organisiert, öffnet sich die Kluft zwischen denjenigen, die mitkommen, und denjenigen, die zurückfallen (Goldin & Katz, 2008; Katz, 2025). Aktuelle OECD-Arbeiten verstärken diese Beobachtung für die KI-Gegenwart. Die Organisation weist darauf hin, dass gegenwärtige Trainingsangebote oft nicht ausreichen, um den wachsenden Bedarf an allgemeiner KI-Literacy zu decken, und dass viele Programme stark auf fortgeschrittene Expertisen fokussieren, während breite KI-Grundbildung hinterherhinkt. Parallel beschreibt die OECD entstehende Spaltungen bei der KI-Einführung zwischen Regionen, Sektoren und Unternehmen. Technologisierung kann daher bestehende Brüche nicht nur verstärken, sondern in neue Formen übersetzen (OECD, 2025a, 2025b).

Technologisierung verändert die Form von Arbeit. Wirtschaftlich liegt der Kern des Wandels nicht nur im Ersetzen, sondern im Umordnen. Tätigkeiten werden zerlegt, standardisiert, ergänzt, überwacht, neu gekoppelt. Automatisierung verschiebt den Ort menschlicher Wertschöpfung. Das heißt: Menschen arbeiten künftig nicht einfach weniger oder anders, sondern oft in neuen Kombinationen aus technischer Assistenz, situativem Urteil, Kommunikation, Verantwortung und Kontextarbeit. Acemoglu und Restrepo liefern dafür die präziseste Grundfigur (Acemoglu & Restrepo, 2019).

Technologisierung erzeugt zunächst Reibung, nicht automatisch Produktivität. Das ist die oft übersehene Lehre der J-Kurve. Neue Basistechnologien entfalten ihren Nutzen typischerweise erst nach organisatorischem Lernen, Prozessumbau und immateriellen Investitionen. Eine Gesellschaft, die das nicht versteht, wird zwischen Hype und Enttäuschung oszillieren. Eine Bildungspolitik, die das nicht versteht, wird Reformen zu früh für gescheitert erklären oder zu früh für gelungen (Brynjolfsson et al., 2021).

Technologisierung verdichtet Kommunikation und erzeugt Orientierungsstress. Dies ist Baeckers große Pointe. Das Problem der Gegenwart ist nicht nur die Zahl technischer Innovationen, sondern die Verdichtung möglicher Anschlüsse. Maschinen erzeugen nicht einfach nur Effizienz. Sie nehmen an der Kommunikation teil und steigern damit die Dichte der Welt. Die Folge ist eine neue Form von Überforderung, die nicht auf individuelles Unvermögen reduziert werden darf. Sie ist systemisch (Baecker, 2007, 2026).

10. Welche Konsequenzen folgen daraus für Bildung?

Wenn diese Diagnose stimmt, dann reichen punktuelle Reformen nicht aus. Dann muss Bildung in mehreren Dimensionen neu gedacht werden. Bildung darf keine verspätete Reparaturinstanz bleiben. Bildung muss sich aus der Rolle befreien, nur nachträglich auf technologische Entwicklungen zu reagieren. Wenn Technologie gesellschaftliche Chancenstrukturen, Arbeitsformen und Kommunikationsverhältnisse verändert, dann muss Bildung frühzeitig und gestaltend eingreifen. Nicht nur indem sie neue Inhalte vermittelt, sondern indem sie neue Formen der Handlungsfähigkeit entwickelt. Das ist mehr als Employability. Aber es schließt Erwerbsfähigkeit ausdrücklich ein. UNESCO betont in jüngeren Arbeiten zur Zukunft der Bildung mit KI ausdrücklich, dass die zentrale Herausforderung in der Verbindung von technologischer Innovation mit Human Agency, Ethik und Gerechtigkeit liegt (UNESCO, 2025).

Curricula müssen von Wissensvermittlung zur Handlungsgestaltung übergehen. Natürlich bleibt Wissen wichtig. Aber Wissen allein genügt nicht mehr als curriculare Leitidee. In einer Welt, in der Systeme Informationen generieren, strukturieren und sprachlich simulieren können, wird entscheidend, was Menschen mit Wissen tun. Sie müssen Quellen beurteilen, Kontexte herstellen, Probleme definieren, Unsicherheit aushalten, Verantwortung übernehmen, Technik sinnvoll einbetten und mit anderen kooperieren. Genau deshalb verschiebt sich die Bildungslogik von der Stofflogik zur Architektur von Handlung. AI-Literacy-Rahmen aus OECD- und EU-Kontexten gehen bereits in diese Richtung, indem sie KI-Kompetenz nicht nur als Anwendungskompetenz, sondern als Verstehen, Bewerten, Gestalten und verantwortliches Nutzen definieren (OECD, 2025a). Aber auch das ist erst der Anfang. Die größere Frage lautet: Wie lernen Menschen, unter technologisch verdichteten Bedingungen frei, verantwortungsvoll und reflexiv zu handeln?

Didaktik muss zwischen delegierbaren und nicht delegierbaren Lernleistungen unterscheiden. Bildungsinstitutionen müssen sehr viel klarer unterscheiden, welche Lernleistungen mit KI unterstützt oder delegiert werden können – und welche gerade nicht. Delegierbar sind oft erste Entwürfe, Strukturierungen, Formatanpassungen, sprachliche Glättungen, Vergleichsoptionen, ideenöffnende Kontrastierungen. Nicht delegierbar bleiben dagegen jene Kernleistungen, aus denen Urteil und Persönlichkeit wachsen: begründetes Entscheiden, reflektiertes Stellungnehmen, das eigene Denken unter Unsicherheit, das Aushalten von Mehrdeutigkeit, das ethische Verantworten, das eigenständige Verbinden heterogener Perspektiven. Eine kluge Didaktik des KI-Zeitalters arbeitet daher nicht mit Totalverboten und auch nicht mit naiver Freigabe. Sie baut Lernräume, in denen Unterstützung erlaubt ist, und Lernräume, in denen Eigenleistung unverzichtbar bleibt. Genau darauf weisen auch neuere MIT-Arbeiten hin: KI sollte Bildung entlang von aktiven, sozialen und metakognitiv starken Lernprozessen ergänzen, nicht entkernen (Salazar-Gómez & Sarma, 2025).

Prüfungen müssen wieder zeigen, was Menschen selbst können sollen. Wenn Technologisierung die Form des Produzierens verändert, muss sich auch die Form des Prüfens ändern. Prüfungen, die bloß standardisierte Reproduktion oder formelhafte Textproduktion belohnen, verlieren unter Bedingungen generativer KI rapide an Aussagekraft. Das Problem ist dann nicht einfach Täuschung. Das Problem ist ein veraltetes Prüfungsverständnis. Bildung braucht deshalb Prüfungsformen, die stärker auf Prozess, Begründung, Transfer, situatives Urteil, dialogische Verteidigung und reflektierte Eigenpositionierung setzen. Nicht um moderne Technik fernzuhalten, sondern um menschliche Leistungsfähigkeit sichtbarer zu machen. Wer in einer KI-gesättigten Welt prüft wie im Zeitalter knapper Information, prüft an der Zukunft vorbei.

Bildung muss wieder expliziter auf Freiheit und Verantwortung zielen. Das ist die normativ tiefste Konsequenz. Technologisierung erzeugt subtile Formen der Entmündigung. Nicht, weil Menschen weniger intelligent würden, sondern weil Systeme immer mehr Vorstrukturierungen anbieten: Empfehlungen, Wahrscheinlichkeiten, Vervollständigungen, Sortierungen, sprachliche Glättungen, automatische Vorschläge. All dies ist nützlich. Aber all dies kann auch dazu verführen, Urteil abzukürzen. Deshalb muss Bildung heute erneut auf ein klassisches Ziel zurückkommen – allerdings unter neuen Bedingungen: auf Mündigkeit. Nicht als romantische Autonomie gegenüber jeder Technik, sondern als die Fähigkeit, in technologisch geprägten Umwelten nicht bloß funktional, sondern verantwortlich zu handeln. UNESCOs humanistisch grundierte Perspektive auf KI und Bildung ist gerade deshalb wichtig, weil sie nicht nur nach Kompetenz, sondern nach Agency fragt (UNESCO, 2025).

Bildung muss institutionell flexibler, lebensphasischer und anschlussfähiger werden. Viele Bildungssysteme beruhen noch auf der Vorstellung, dass Lernen vor allem in einem klar abgrenzbaren Lebensabschnitt stattfindet und dann in eine relativ stabile Berufswelt überführt wird. Diese Vorstellung verliert an Plausibilität. OECD-Arbeiten betonen, dass sich Skill-Bedarfe schneller verändern als traditionelle Politikzyklen und dass lebenslanges Lernen mit agilerer Governance und stärkerer Arbeitsmarktbeobachtung verbunden werden muss (OECD, 2025c). Auch experimentelle Hochschulmodelle wie Stanford 2025 argumentieren in diese Richtung: Lernen muss offener, wiederkehrender und stärker mit biografischen Brüchen kompatibel werden (Stanford d.school, 2025).

13. Was eine zeitgemäße Bildung jetzt leisten müsste

Wenn man Elena, Murat und Sophie noch einmal nebeneinanderstellt, wird sichtbar, dass die Bildungsfrage unserer Zeit nicht mehr mit einer einzigen Reform beantwortet werden kann. Elena braucht eine Schule, die ihre pädagogische Autorität nicht aus dem Besitz von Information, sondern aus der Gestaltung von Lernprozessen gewinnt. Murat braucht eine Organisation, die Umstellungsphasen nicht als peinliche Pannen, sondern als notwendige Lernräume versteht. Sophie braucht eine Hochschule, die ihr nicht nur neue Werkzeuge zeigt, sondern ihr hilft, die Grenze zwischen generierter Plausibilität und eigener Urteilskraft bewusst zu ziehen. In allen drei Fällen wird deutlich, dass Bildung heute mehr sein muss als die Weitergabe von Wissen. Sie muss zur Infrastruktur von Handlungsfähigkeit werden.

Das bedeutet zunächst, dass technologische Anschlussfähigkeit selbstverständlich werden muss, ohne jemals zum eigentlichen Telos von Bildung zu werden. Menschen müssen verstehen, wie KI- und Datensysteme funktionieren, was sie leisten, worin ihre Grenzen liegen und wie ihre Ergebnisse zu deuten sind. Doch sobald dies zur bloßen Bedienungsroutine verkommt, verliert Bildung ihren eigentlichen Kern. Dann würde sie Menschen nur noch in das reibungslose Funktionieren bestehender Systeme einpassen. Bildung aber muss mehr leisten: Sie muss fähig machen, Systeme nicht nur zu nutzen, sondern zu prüfen, zu hinterfragen, einzuordnen und – wenn nötig – ihnen zu widersprechen.

Damit rückt die epistemische Dimension von Bildung neu ins Zentrum. In einer Welt, in der Systeme in Sekunden plausible Antworten liefern, wird die Frage nach Wahrheit, Relevanz und Begründung dringlicher statt obsolet. Wer heute lernt, braucht deshalb nicht weniger, sondern mehr Urteilskraft. Er oder sie muss Quellen gewichten, Kontexte herstellen, Unsicherheit aushalten, sich zu Zwischentönen verhalten und Gründe sichtbar machen können. Das klingt altmodisch, ist aber vielleicht die modernste aller Anforderungen. Denn je reibungsloser Technik Antworten produziert, desto wertvoller wird die Fähigkeit, gute Fragen zu stellen und mit Unsicherheit denkend umzugehen.

Zugleich verändert sich die soziale Form des Lernens. In technologisch verdichteten Umgebungen werden kommunikative und kooperative Souveränität wichtiger. Menschen müssen Konflikte aushalten, mit anderen Perspektiven arbeiten, Verantwortung in Teams klären und produktiv mit maschinischen Vorschlägen umgehen. Lernen wird damit weniger die lineare Aneignung eines Stoffes und stärker eine Praxis der koordinierten Orientierung. Gerade deshalb ist es so irreführend, Bildung in Zukunft allein über individuelle Skill-Listen definieren zu wollen. Was gebraucht wird, sind auch soziale, relationale und institutionelle Fähigkeiten – Fähigkeiten, die das Zusammenspiel von Menschen, Technologien und Organisationen tragfähig machen.

Darin liegt auch ein stilles Plädoyer für die Wiederentdeckung der Verlangsamung. In einer Kultur des permanenten Anschlusses wirkt Verlangsamung oft wie Rückzug. In Wahrheit ist sie eine Kulturtechnik der Relevanz. Nur wer verlangsamt, kann unterscheiden. Nur wer nicht jedem Signal sofort folgt, kann Prioritäten bilden. Nur wer nicht jede Antwort akzeptiert, weil sie schnell und elegant klingt, kann urteilen. Eine zeitgemäße Bildung müsste daher nicht nur beschleunigen, digitalisieren und flexibilisieren, sondern auch Räume schaffen, in denen Menschen lernen, Denkzeit auszuhalten. Vielleicht ist das eine der paradoxesten Zukunftskompetenzen überhaupt: die Fähigkeit, sich der Logik unmittelbarer Anschlusszwänge nicht restlos zu unterwerfen.

Schließlich wird man nicht umhinkommen, die Institutionen selbst neu zu gestalten. Alte Prüfungsformate, lineare Bildungsbiografien, starre Curricula und überkommene Vorstellungen professioneller Autorität geraten unter Druck, weil sie aus einer Welt stammen, in der Information knapper, Rollen stabiler und Übergänge berechenbarer waren. Die Antwort darauf kann weder nostalgische Verteidigung noch naive Euphorie sein. Sie muss in einem institutionellen Mut bestehen, der bereit ist, Prüfungen, Lernarrangements, Weiterbildungsmodelle und Governance-Strukturen neu zu erfinden. Zukunftsfähige Bildung wird daran zu erkennen sein, dass sie Menschen nicht bloß auf Systeme vorbereitet, sondern Gesellschaft auf Urteil vorbereitet. Genau darin läge ihre größte Modernität.

14. Schluss: Bildung als Infrastruktur der Handlungsfähigkeit

Vielleicht liegt die tiefste Schwierigkeit unserer Zeit darin, dass wir auf neue Technologien oft mit alten Kategorien reagieren. Wir diskutieren Geräte, Software, Tools, Datenschutz, Effizienz, manchmal Ethik. Alles wichtig. Aber zu selten fragen wir, was Technologisierung mit der Form von Gesellschaft macht. Sie macht Ungleichheiten beweglicher und zugleich härter. Sie zerlegt und recombiniert Arbeit. Sie erhöht zunächst Reibung, bevor sie Nutzen stabilisiert. Sie verdichtet Kommunikation und erzeugt neue Formen von Überforderung. Und sie macht Bildung zum eigentlichen Austragungsort der Zukunft (Acemoglu & Restrepo, 2019; Baecker, 2007, 2026; Brynjolfsson et al., 2021; Goldin & Katz, 2008).

Gerade deshalb genügt es nicht, Bildung einfach zu digitalisieren. Wer Bildung lediglich mit mehr Technik ausstattet, ohne ihren Sinn neu zu bestimmen, modernisiert die Oberfläche und verfehlt die Struktur. Die eigentliche Herausforderung besteht darin, Bildung so zu gestalten, dass Menschen in einer technologisch verdichteten Welt frei, urteilsfähig und handlungsstark bleiben. Das ist mehr als eine didaktische Aufgabe. Es ist ein zivilisatorisches Projekt.

Die drei Modelle, die diesen Text getragen haben, führen in dieselbe Richtung, obwohl sie aus unterschiedlichen Denkstilen stammen. Goldin und Katz erinnern daran, dass gesellschaftlicher Fortschritt davon abhängt, ob Bildung mit technologischer Entwicklung Schritt hält. Acemoglu und Restrepo zeigen, dass die Zukunft der Arbeit nicht im Verschwinden des Menschen liegt, sondern in der Neuzusammensetzung von Aufgaben. Baecker macht verständlich, warum all dies sich als Kommunikationsüberschuss und sozialer Druck anfühlt. Zusammengenommen erzählen sie keine Untergangsgeschichte. Sie erzählen vielmehr, dass Zukunft dort entschieden wird, wo Gesellschaft lernt, die von ihr selbst erzeugte Beschleunigung in Formen von Orientierung, Urteil und Verantwortung zu übersetzen (Acemoglu & Restrepo, 2019; Autor et al., 2020; Baecker, 2026; Goldin & Katz, 2008; Katz, 2025).

Vielleicht lässt sich die Lage deshalb in einem einzigen Satz verdichten: Die entscheidende Zukunftsfrage lautet nicht, wie stark Technologie wird. Sie lautet, ob Bildung schnell, tief und mutig genug lernt, um Menschen in einer technologisch verdichteten Welt handlungsfähig zu halten. Dieser Satz ist keine bloße Pointe. Er markiert einen Perspektivwechsel. Denn er verschiebt die Aufmerksamkeit von der Faszination am technischen System auf die Frage, welche Formen menschlicher und institutioneller Reife wir entwickeln müssen, damit Technik nicht zur schleichenden Entmündigung wird, sondern zur Erweiterung von Freiheit.

Das ist keine kleine Aufgabe. Aber es ist auch eine ermutigende Einsicht. Denn sie bedeutet: Die Zukunft ist nicht einfach das, was Technologie mit uns macht. Sie ist auch das, was wir bildend aus Technologie machen. Bildung wäre dann nicht länger der langsame Sektor der Gesellschaft, der erst spät auf Neues reagiert. Sie könnte der Ort sein, an dem eine Gesellschaft lernt, sich selbst vor der eigenen Beschleunigung zu bewahren – und gerade dadurch zukunftsfähig zu werden. Hoffnung bestünde dann nicht in blindem Optimismus, sondern in der institutionellen Fähigkeit, Lernen, Urteil und Verantwortung so zu organisieren, dass technologische Macht nicht über Menschen hinwegrollt, sondern von ihnen in eine humane Zukunft übersetzt wird.

Literaturverzeichnis

Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3–30.

Autor, D., Goldin, C., & Katz, L. F. (2020). Extending the race between education and technology. AEA Papers and Proceedings, 110, 347–351.

Baecker, D. (2007). Studien zur nächsten Gesellschaft. Suhrkamp.

Baecker, D. (2026). Digitalisierung. Suhrkamp.

Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372.

Goldin, C., & Katz, L. F. (2008). The race between education and technology. Harvard University Press.

Katz, L. F. (2025). Beyond the race between education and technology. Jackson Hole Economic Policy Symposium paper.

Organisation for Economic Co-operation and Development. (2025a). Bridging the AI skills gap. OECD Publishing.

Organisation for Economic Co-operation and Development. (2025b). Emerging divides in the transition to artificial intelligence. OECD Publishing.

Organisation for Economic Co-operation and Development. (2025c). OECD Skills Outlook 2025. OECD Publishing.

Salazar-Gómez, A. F., & Sarma, S. (2025). How to think of AI in education. MIT Open Learning.

Stanford d.school. (2025). Reimagining higher ed: The Stanford 2025 project.

UNESCO. (2025). AI and the future of education: Disruptions, dilemmas and directions. UNESCO.