KI & Lernen

Wann KI das Lernen unterstützt, und wann sie es verhindert

Andrew Ellis

11 März, 2026

KI steigert Leistung

KI verbessert die Leistung bei kognitiven Aufgaben

• Berater:innen mit GPT-4: 40% bessere Ergebnisse bei komplexen Aufgaben
• Wissenschaftler:innen: mehr und bessere Forschungsideen mit KI-Unterstützung
• Software-Entwickler:innen: schnellere Aufgabenerledigung

Hierher: Einstieg in Teil 2. Kurze Zusammenfassung der Evidenz: KI macht produktiver, das ist belegt.

Botschaft: Die Leistungssteigerung ist real. Drei Domänen, drei Studien, gleicher Befund.

Weiter: Aber die entscheidende Frage für uns als Lehrende ist eine andere…

Dell’Acqua u. a. (2023); Toner-Rodgers (2025); Cui u. a. (2024)

Aber steigert KI auch das Lernen?

Aus Teil 1: Leistung ≠ Lernen. Wer mit Hilfe korrekte Ergebnisse produziert, hat nicht zwingend etwas gelernt.

KI steigert die Leistung während der Aufgabe. Aber baut sie auch Schemata auf?

Dasselbe Werkzeug, das die Leistung steigert, kann das Lernen verhindern.

Hierher: “Leistung steigt, das ist klar. Aber was heisst das für das Lernen?”

Botschaft: Rückbezug auf Teil 1: Leistung und Lernen sind trennbar. KI kann beides gleichzeitig in entgegengesetzte Richtungen beeinflussen. Die Frage ist nicht “Ist KI gut oder schlecht?”, sondern: Was passiert mit den internen Strukturen der Lernenden?

Weiter: Wie genau funktioniert dieser Mechanismus? Dafür brauchen wir ein Konzept.

Wie genau kann ein Werkzeug Leistung steigern und Lernen verhindern?

Dafür brauchen wir ein Konzept aus der Kognitionsforschung: Cognitive Offloading

Hierher: Rhetorische Pause. Die Spannung aus der vorherigen Folie aufgreifen.

Botschaft: Die Frage explizit stellen, bevor die Antwort kommt. Den Begriff “Cognitive Offloading” als Konzept ankündigen.

Weiter: Also: Was ist Cognitive Offloading?

Was ist Cognitive Offloading?

Cognitive Offloading = die Nutzung externer Hilfsmittel, um die kognitive Last zu reduzieren (Risko und Gilbert 2016).

Aktive Verarbeitung

Überlegt euch kurz drei Beispiele, wie ihr im Alltag Denkarbeit an die Umgebung auslagert.

Hierher: “Schauen wir uns das Konzept an.”

Botschaft: Definition vorlesen, dann kurz wirken lassen. Aktivität: Eigene Beispiele finden. Das aktiviert Vorwissen und macht das Konzept konkret, bevor die Beispieltabelle kommt.

Weiter: Kurz Beispiele sammeln, dann Tabelle zeigen.

Cognitive Offloading: Beispiele

Beispiel	Was wird ausgelagert?	Wohin?
Einkaufszettel schreiben	Gedächtnisabruf	Papier/Smartphone
Kalender nutzen	Prospektives Gedächtnis (Absichten)	Externes Erinnerungssystem
Taschenrechner verwenden	Arithmetische Verarbeitung	Gerät
Kopf neigen bei gedrehtem Text	Mentale Rotation	Körperbewegung
Mit dem Finger zeigen	Positionsgedächtnis	Zeigegeste
Beim Erklären gestikulieren	Gedankenstrukturierung	Handbewegungen
Gegenstand vor die Tür legen	Erinnerung an eine Absicht	Physische Umgebung
Scrabble-Steine herumschieben	Wortgenerierung	Physische Anordnung

Offloading ist grundsätzlich adaptiv: Es befreit Arbeitsgedächtniskapazität für höherwertige Verarbeitung.

Hierher: Beispiele der Teilnehmenden aufgreifen, dann Tabelle zeigen. “Hier sind weitere.”

Botschaft: Offloading ist alltäglich und vielfältig. Wichtig: Es ist erstmal etwas Gutes. Kapazität freisetzen für anspruchsvollere Verarbeitung.

Weiter: “Aber es gibt eine Kehrseite…”

Aber Offloading hat einen Preis

Was wir auslagern, verarbeiten wir nicht mehr selbst.

Befund	Was passiert
GPS und räumliches Gedächtnis	Regelmässige GPS-Nutzung reduziert die Fähigkeit, eigene kognitive Karten zu bilden (Dahmani und Bohbot 2020)
Kamera und Objektgedächtnis	Wer ein Objekt fotografiert statt es zu betrachten, erinnert sich schlechter daran, selbst ohne Zugang zum Foto (Henkel 2014)
Google und Faktenwissen	Wenn wir wissen, dass Information digital verfügbar ist, speichern wir den Zugangspfad statt den Inhalt (Sparrow, Liu, und Wegner 2011)
KI und kognitive Fähigkeiten	Dauerhafte KI-Nutzung führt zu Fähigkeitsatrophie (Cui u. a. 2024)

Eine metakognitive Falle

1. Vorher: Wir unterschätzen unsere eigene Leistungsfähigkeit und lagern aus, obwohl wir es nicht bräuchten (Risko und Gilbert 2016).
2. Nachher: Wir überschätzen unser Wissen, weil die Grenze zwischen “Ich weiss es” und “Ich kann es nachschlagen” verschwimmt (Fisher, Goddu, und Keil 2015; Risko und Gilbert 2016).

Hierher: “Offloading ist adaptiv, sagten wir. Aber was passiert, wenn wir es systematisch tun?”

Botschaft: Vier empirische Befunde zeigen: Was ausgelagert wird, wird nicht mehr intern aufgebaut. Plus die metakognitive Doppelfalle: Wir lagern zu früh aus und merken danach nicht, was uns fehlt. GPS-Beispiel eignet sich gut zum Erzählen.

Weiter: “Wann genau wird Offloading zum Problem? Das hängt davon ab, was genau ausgelagert wird.”

Dasselbe Tool, zwei Wirkungen

Aufgabe: Studierende schreiben eine Fallanalyse

vgl. Kirschner (2026): Understanding AI: Offloading or Outsourcing Thinking?

Offloading

KI fasst die Quellen zusammen, Studierende analysieren und argumentieren selbst

Denkarbeit wird entlastet, aber nicht ersetzt

Abrufen, Verknüpfen, Überwachen: aktiv

Outsourcing

KI schreibt die Fallanalyse, Studierende überarbeiten Formulierungen

Denkarbeit wird delegiert

Abrufen, Verknüpfen, Überwachen: übersprungen

Das Tool ist dasselbe. Der Unterschied liegt im Aufgabendesign: Welche kognitiven Operationen bleiben bei den Lernenden?

Hierher: “Schauen wir uns das an einem konkreten Beispiel an: dieselbe Aufgabe, zwei Szenarien.”

Botschaft: Die Unterscheidung Offloading vs. Outsourcing (nach Kirschner). Entscheidend: Nicht das Tool, sondern das Aufgabendesign bestimmt, ob Lernen stattfindet. Erst die linke Spalte besprechen, dann Fragment rechts aufdecken.

Weiter: “Aber so einfach ist es nicht. Ob etwas Offloading oder Outsourcing ist, hängt vom Kontext ab.”

Offloading oder Outsourcing? Es kommt drauf an.

Beispiel: Taschenrechner für eine Rechenaufgabe

	Lernziel: Textaufgabe lösen	Lernziel: Kopfrechnen üben
Kann noch nicht rechnen	Outsourcing: Rechnen wird übersprungen, bevor es gelernt wurde	Outsourcing: Genau die Operation, die geübt werden soll, wird delegiert
Kann bereits rechnen	Offloading: Routine delegieren, Fokus auf Problemstruktur	Outsourcing: Auch wer rechnen kann, verliert die Fertigkeit ohne Übung

Zwei Fragen entscheiden: Was kann die Person schon? und Was soll sie lernen?

Hierher: “Die Kategorien sind nicht fix. Dasselbe Tool kann beides sein.”

Botschaft: Die 2x2-Matrix am Taschenrechner-Beispiel durchgehen. Nur ein Feld ist Offloading: wenn Kompetenz vorhanden UND das Lernziel woanders liegt. Die zwei entscheidenden Fragen: Vorwissen und Lernziel.

Weiter: “Das bringt uns zur eigentlichen Design-Frage…”

Die entscheidende Frage

Was genau wird ausgelagert?

Extrinsische Last auslagern

Formatierung, Quellenformate, Zugang zu Information

Befreit Kapazität für die eigentliche Denkarbeit

Intrinsische Verarbeitung auslagern

Argumentieren, Verknüpfen, Bewerten, Überwachen

Je höher die Komplexität der Aufgabe, desto mehr intrinsische Verarbeitung steht auf dem Spiel

Nicht wie viel KI, sondern was die KI übernimmt, bestimmt die Wirkung auf das Lernen.

Hierher: “Also: Was genau darf ausgelagert werden, und was nicht?”

Botschaft: Rückbezug auf Cognitive Load Theory aus Teil 1. Extrinsische Last auslagern ist sinnvoll. Intrinsische Verarbeitung auslagern zerstört das Lernen. Die Take-Home-Message: Nicht wie viel, sondern was.

Weiter: “Jetzt seid ihr dran. Wo seht ihr das in eurem eigenen Unterricht?”

Aktivität: Offloading oder Outsourcing?

Zu zweit: Nennt je ein Beispiel aus eurem Unterricht, wo Offloading dem Lernen hilft, und eines, wo es schadet. Warum?

Hierher: “Jetzt wendet ihr die Unterscheidung auf euren eigenen Kontext an.”

Botschaft: Transfer auf eigene Praxis. Erwartbare Beispiele zum Einordnen:

• Offloading hilft: Erfahrene Chirurgin nutzt Checkliste (entlastet Aufmerksamkeit, Urteil bleibt bei ihr). Programmiererin nutzt Linter (Routinefehler ausgelagert, Architekturentscheidungen bleiben). Forscherin lässt KI Gegenargumente generieren (eigenes Modell wird getestet).
• Outsourcing schadet: Studierende lassen KI eine Studie bewerten, ohne sie selbst gelesen zu haben. Statistik-Aufgabe per KI lösen, ohne Lösungsweg durchzuarbeiten.

Kernunterscheidung: Nicht das Tool, sondern ob die vermiedene Denkarbeit selbst der Lernmechanismus gewesen wäre.

Weiter: “Ein häufiges Gegenargument lautet: Studierende müssen halt lernen, KI kritisch zu prüfen.”

Ein gängiges Argument: Studierende müssen lernen, KI-Output kritisch zu prüfen.

Aber können sie das?

Machen wir den Test.

Hierher: “Ein Argument, das man oft hört, lautet…”

Botschaft: Das Argument ernst nehmen, dann infrage stellen. Spannung aufbauen für die Fehler-Übung.

Weiter: “Ich zeige euch vier Aussagen aus verschiedenen Fachbereichen.”

Finde die Fehler

Die folgenden Aussagen stammen aus verschiedenen BFH-Fachbereichen. Welche sind korrekt, welche falsch?

Gesundheit: “Bei der Triagierung in der Notaufnahme wird der Manchester Triage Score verwendet, der Patienten in fünf Dringlichkeitsstufen einteilt. Die höchste Stufe (rot) bedeutet, dass der Patient innerhalb von 30 Minuten behandelt werden muss.”

Soziale Arbeit: “Das Empowerment-Konzept in der Sozialen Arbeit zielt darauf ab, die Handlungsfähigkeit von Klienten zu stärken, indem professionelle Fachkräfte Entscheidungen für sie treffen, bis sie selbst dazu in der Lage sind.”

Wirtschaft: “Der Net Present Value (NPV) einer Investition wird berechnet, indem die zukünftigen Cashflows mit dem risikofreien Zinssatz diskontiert werden. Ein positiver NPV bedeutet, dass die Investition rentabel ist.”

Technik: “In der objektorientierten Programmierung beschreibt Polymorphismus die Fähigkeit eines Objekts, mehrere Interfaces gleichzeitig zu implementieren, wobei die Methodenauflösung immer zur Compile-Zeit erfolgt.”

Hierher: “Hier sind vier Aussagen. Alle klingen plausibel. Alle enthalten Fehler. Versucht, sie zu finden.”

Botschaft: Kurz lesen lassen, nicht auflösen. Die Teilnehmenden erleben am eigenen Leib, dass sie Fehler nur in ihrem eigenen Fach erkennen. Das ist der Punkt.

Weiter: Auflösung auf der nächsten Folie.

Die Fehler

Gesundheit: Rot = sofortige Behandlung (0 Min), nicht 30 Min.

Soziale Arbeit: Empowerment = Selbstbestimmung fördern, nicht Entscheidungen für Klienten treffen. Der beschriebene Ansatz ist das Gegenteil von Empowerment.

Wirtschaft: NPV diskontiert mit dem gewichteten Kapitalkostensatz (WACC), nicht dem risikofreien Zinssatz.

Technik: Polymorphismus löst Methoden zur Laufzeit auf (dynamisches Binding), nicht zur Compile-Zeit.

Du hast die Fehler in deinem Fach wahrscheinlich sofort erkannt, in den anderen nicht. Genau so geht es deinen Studierenden: Ohne Schemata klingt alles plausibel.

Hierher: “Schauen wir uns die Auflösung an.”

Botschaft: Fehler durchgehen, Reaktionen beobachten. Dann den Callout aufdecken: Das Erlebnis gerade eben IST das Argument. In fremden Fächern fehlen die Schemata, um Fehler zu erkennen. So geht es Studierenden mit KI-Output.

Weiter: “Das führt uns zum Evaluationsparadox.”

Das Evaluationsparadox

Um einen KI-Output zu prüfen, muss man wissen, wie die richtige Antwort ungefähr aussehen sollte.

Genau dieses Wissen fehlt Anfänger:innen.

	Expert:innen	Anfänger:innen
Vorwissen	Haben Erwartungen, wie die Antwort aussehen sollte	Keine Erwartungen vorhanden
KI-Fehler	Fällt auf, weil er den eigenen Erwartungen widerspricht	Klingt plausibel, weil alles neu ist
“Kritisch prüfen”	Funktioniert	Funktioniert nicht

Kompetente Nutzung setzt Kompetenz voraus

Wer das Fach versteht, kann KI als Verstärker nutzen. Wer es nicht versteht, merkt nicht einmal, dass etwas falsch ist. Das trifft Studierende mit schwachem Vorwissen überproportional (Cui u. a. 2024).

Hierher: “Was wir gerade erlebt haben, hat einen Namen.”

Botschaft: Das Paradox auf den Punkt bringen: Genau die Kompetenz, die man bräuchte, um KI-Output zu prüfen, ist die Kompetenz, die man durch Lernen erst aufbauen müsste. Die Tabelle zeigt den Kontrast. Equity-Aspekt betonen: Schwaches Vorwissen wird überproportional bestraft.

Weiter: “Was bedeutet das praktisch für den Unterricht?”

Lernen ≠ Leisten

Studierende können mit KI korrekte Ergebnisse produzieren (leisten), ohne etwas gelernt zu haben (Bjork 1994).

Die Folge: Schein-Kompetenz. Texte, die fachlich korrekt aussehen, aber ohne eigene kognitive Arbeit entstanden sind.

Das Kernproblem ist nicht Plagiat

Das Kernproblem ist, dass Studierende kompetent aussehen können, ohne kompetent zu sein. Die Lücke wird erst sichtbar, wenn die KI nicht mehr verfügbar ist.

Hierher: “Wenn Studierende KI-Output nicht prüfen können, was passiert dann?”

Botschaft: Schein-Kompetenz: korrekte Outputs ohne interne Strukturen. Der Reframe ist wichtig: Das Problem ist nicht Plagiat (bewusst), sondern Selbsttäuschung (unbewusst). Studierende merken oft gar nicht, dass sie nichts gelernt haben. Für Lehrende: Fokus verschieben von “Wie erwische ich Betrügende?” zu “Wie bleibt die kognitive Arbeit bei den Studierenden?”

Weiter: “Und das Problem wird schlimmer, nicht besser.”

Je besser die KI, desto mehr Wissen braucht man

Eine schlechte KI macht grobe Fehler. Die fallen auf.

Eine gute KI macht subtile Fehler. Die klingen richtig.

Um den Unterschied zu erkennen, muss man wissen, wie die richtige Antwort ungefähr aussieht. Je weniger offensichtlich die Fehler, desto mehr Fachwissen braucht man, um sie zu finden.

Das Argument “KI wird immer besser, also braucht man weniger Wissen” ist genau falsch herum. Bessere KI erfordert mehr Expertise, nicht weniger.

Hierher: “Man hört oft: KI wird immer besser, also wird das Problem kleiner.”

Botschaft: Das Gegenargument umdrehen. Bessere KI macht subtilere Fehler, die mehr Expertise erfordern. Theoretisch fundiert durch das Good Regulator Theorem (Conant & Ashby): Jeder effektive Regler braucht ein Modell des Systems. Leistungsfähigere Systeme erfordern reichere interne Modelle.

Weiter: “Was können wir also tun? Wie gestalten wir Aufgaben, die das Lernen schützen?”

Wie gestalten wir Aufgaben, die das Lernen schützen?

5 Leitfragen für die Aufgabenanalyse

Ein Analyseraster, das hilft, die kognitive Arbeit in Aufgaben zu identifizieren und zu schützen.

Hierher: Wendepunkt. “Genug Problembeschreibung. Jetzt die Lösung.”

Botschaft: Übergang von der Analyse zur Praxis. Die 5 Leitfragen als konkretes Werkzeug ankündigen.

Weiter: “Zuerst ein Analyseraster, das ihr für die Leitfragen braucht.”

Die 4 kognitiven Operationen

Das Analyseraster für Leitfrage 2

Operation	Was Studierende tun	Wozu es dient
Abrufen	Wissen aus dem Gedächtnis aktivieren	Festigt Schemata (Retrieval Practice)
Generieren	Eigenen Versuch produzieren	Baut neue Verbindungen auf (Generation Effect)
Verknüpfen	Vergleichen, einordnen, integrieren	Erweitert und vernetzt Schemata
Überwachen	Eigene Arbeit prüfen, Fehler erkennen	Stärkt metakognitive Kontrolle

Diese Operationen sind das Lernen. Was davon wegfällt, fehlt im Kopf der Studierenden.

Hierher: “Um Aufgaben zu analysieren, braucht ihr ein Raster: Welche Denkarbeit verlangt die Aufgabe?”

Botschaft: Vier Operationen einzeln durchgehen. Rückbezug auf Teil 1: Retrieval Practice, Generation Effect. Die Operationen sind nicht abstrakt, sie sind das, was Schemata aufbaut. Beispiel Fallstudie Pflege: Alle vier Operationen lernrelevant. Wenn KI die Diagnose liefert, fallen Generieren und Verknüpfen weg.

Weiter: “Wie prüft man, ob das Denken bei den Studierenden geblieben ist?”

3 Diagnose-Fragen

Hat das Denken bei den Studierenden stattgefunden?

Zeitpunkt	Frage an Studierende	Was sie zeigt
Vorher	“Was hast du versucht, bevor du KI gefragt hast?”	Gab es einen eigenen Versuch?
Während	“Wo hat dich die KI überrascht, und warum?”	War das interne Modell aktiv?
Nachher	“Was machst du nächstes Mal anders, ohne KI?”	Hat sich das Verständnis aktualisiert?

Die Schlüsselfrage ist “Während”: Wer outsourct, hat keine spezifischen Erwartungen, die überrascht werden konnten. Wer das Denken selbst geleistet hat, kann konkrete Überraschungsmomente benennen.

Hierher: “Die 4 Operationen sind ein Design-Werkzeug. Jetzt ein Prüf-Werkzeug für danach.”

Botschaft: Drei einfache Fragen für Sprechstunden, mündliche Prüfungen oder Reflexionsaufgaben. Die “Während”-Frage ist der stärkste Indikator: Wer outsourct, kann keine Überraschung benennen, weil es keine Erwartung gab.

Weiter: “Jetzt wenden wir das alles gemeinsam an.”

Nächster Schritt

Jetzt arbeiten wir gemeinsam ein Beispiel durch. Dabei lernst du die 5 Leitfragen kennen, indem du sie in Aktion siehst.

Danach liest du die vollständige Beschreibung der Leitfragen im Selbststudium.

Hierher: “Ihr habt jetzt die Konzepte. Jetzt arbeiten wir damit.”

Botschaft: Überleitung zur Praxisphase. Die 5 Leitfragen werden nicht vorgetragen, sondern im Beispiel erfahren. Die vollständige Beschreibung kommt als Selbststudium.

Weiter: Übergang zu Teil 3 (Praxis).

Bibliographie

Bjork, Robert A. 1994. „Memory and Metamemory Considerations in the Training of Human Beings“. In Metacognition: Knowing about Knowing, 185–205. Cambridge, MA, US: The MIT Press. https://doi.org/10.7551/mitpress/4561.001.0001.

Cui, Zheyuan (Kevin), Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng, und Tobias Salz. 2024. „The Effects of Generative AI on High Skilled Work: Evidence from Three Field Experiments with Software Developers“. SSRN Scholarly Paper. Rochester, NY. 3. September 2024. https://doi.org/10.2139/ssrn.4945566.

Dahmani, Louisa, und Véronique D. Bohbot. 2020. „Habitual Use of GPS Negatively Impacts Spatial Memory During Self-Guided Navigation“. Scientific Reports 10 (1): 6310. https://doi.org/10.1038/s41598-020-62877-0.

Dell’Acqua, Fabrizio, Edward McFowland, Ethan R. Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon, und Karim R. Lakhani. 2023. „Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality“. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4573321.

Fisher, Matthew, Mariel K. Goddu, und Frank C. Keil. 2015. „Searching for Explanations: How the Internet Inflates Estimates of Internal Knowledge“. Journal of Experimental Psychology: General 144 (3): 674–87. https://doi.org/10.1037/xge0000070.

Henkel, Linda A. 2014. „Point-and-Shoot Memories: The Influence of Taking Photos on Memory for a Museum Tour“. Psychological Science 25 (2): 396–402. https://doi.org/10.1177/0956797613504438.

Risko, Evan F., und Sam J. Gilbert. 2016. „Cognitive Offloading“. Trends in Cognitive Sciences 20 (9): 676–88. https://doi.org/10.1016/j.tics.2016.07.002.

Sparrow, Betsy, Jenny Liu, und Daniel M. Wegner. 2011. „Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips“. Science (New York, N.Y.) 333 (6043): 776–78. https://doi.org/10.1126/science.1207745.

Toner-Rodgers, Aidan. 2025. „Artificial Intelligence, Scientific Discovery, and Product Innovation“. 20. Mai 2025. https://doi.org/10.48550/arXiv.2412.17866.