Was macht künstliche Intelligenz mit dem Lernen?

Kaum ein Thema wird in der Bildung derzeit so widersprüchlich diskutiert wie künstliche Intelligenz. Auf der einen Seite die Erwartung, KI werde den Unterricht revolutionieren, auf der anderen Seite die Sorge, sie untergrabe das, was Lernen ausmacht, nämlich das eigenständige und kritische Denken.

Ein Ansatz, der beide Perspektiven verbindet und sich direkt auf die Unterrichtsplanung übertragen lässt, ist das ISAR-Modell. Bauer et al. (2025) stellen darin vier mögliche Wirkungen von KI auf das Lernen vor:
Inversion, Substitution, Augmentation und Redefinition. 

Wissen wird durch KI nicht überflüssig

Ein zentraler Punkt der Autor:innen vorweg, weil er viele Diskussionen im Kollegium betrifft: Fachwissen und Grundlagenkompetenzen verlieren durch KI nicht an Bedeutung, im Gegenteil. Wer die Ausgabe eines Sprachmodells nicht fachlich und kontextuell einordnen kann, kann sie auch nicht beurteilen. Sprachmodelle erzeugen Texte auf Basis von Wahrscheinlichkeiten, nicht auf Basis von geprüfter Wahrheit. Sie können plausibel klingende, aber falsche oder verzerrte Aussagen produzieren. Ohne Grundlagenwissen fehlt Schülerinnen und Schülern die Fähigkeit, Qualität, Fehler und Zusammenhänge in solchen Ausgaben zu erkennen.

Das deckt sich mit einer Einschätzung, die in der Bildungsdiskussion derzeit häufig zu hören ist: Technologische, wissenschaftliche und gesellschaftliche Veränderungen machen eine Neuausrichtung des Lernens notwendig. KI wird Bildung deshalb nicht bloss automatisieren, sondern verändern, was und wie gelernt wird. Fachliche und überfachliche Kompetenzen gewinnen dadurch an Bedeutung. Für diese Neuausrichtung kann das ISAR-Modell eine wichtige Orientierung bieten.

Das ISAR-Modell: vier Arten, wie KI das Lernen beeinflusst

Das ISAR-Modell baut auf bekannten Modellen wie dem SAMR-Modell und dem ICAP-Modell auf und unterscheidet vier Effekttypen. Massstab ist dabei jeweils, ob eine Lernaktivität eher oberflächlich bleibt oder ob sie vertieftes Verstehen ermöglicht, verglichen mit derselben Lernsituation ohne KI.

‒ Inversionseffekte: KI ist eigentlich dafür gedacht, vertieftes Lernen zu unterstützen, führt in der Praxis aber zu weniger kognitiver Verarbeitung. Das zeigt sich etwa, wenn Lernende ganze Texte oder Antworten direkt von einem Chatbot übernehmen, statt selbst zu recherchieren, zu formulieren oder zu überarbeiten. Eine Studie beobachte dabei eine Art metakognitive Trägheit: Wer sich stark auf die KI-Unterstützung verlässt, reflektiert den eigenen Lernprozess weniger.

‒ Substitutionseffekte: KI ersetzt eine bisher von Lehrpersonen erbrachte Leistung, ohne die kognitive Verarbeitungstiefe zu verändern. Ein KI-generiertes Erklärvideo kann ähnlich wirksam sein wie ein von der Lehrperson aufgenommenes, und KI-generierte Quizfragen können bestehende Aufgabensammlungen ersetzen. Das kann Zeit und Ressourcen sparen, verändert aber die Lernqualität an sich nicht automatisch.

‒ Augmentationseffekte: KI erweitert den Unterricht um zusätzliche kognitive Unterstützung, etwa Feedback oder Scaffolding, die es ohne KI in diesem Umfang nicht gäbe. Dashboards, die den Lernstand sichtbar machen oder automatisiertes, individuelles Feedback zu Texten sind Beispiele dafür. Die Aufgabe selbst bleibt gleich, die Unterstützung dabei wird besser.

‒ Redefinitionseffekte: KI verändert die Lernaufgabe selbst so, dass konstruktives oder interaktives, also vertieftes Lernen möglich wird, das ohne KI kaum umsetzbar wäre. Beispiele sind Simulationen komplexer Sachverhalte, ein simuliertes Gespräch mit einer historischen Figur oder iterative Design-Zyklen, bei denen Lernende etwas entwerfen, testen, Rückmeldung erhalten und überarbeiten.

Die Autor:innen betonen, dass keiner dieser Effekte automatisch eintritt. Substitution, Augmentation und Redefinition sind Chancen, keine Garantien, und Inversion ist ein reales Risiko, das durch schlechte Aufgabenstellung oder unreflektierten Einsatz entsteht. Entscheidend ist die didaktische Einbettung, nicht die Technologie an sich.

Alles KI oder was?

Es braucht weiterhin ein solides Fundament, und zusätzlich Kompetenzen für den Umgang mit KI.

Zum Fundament gehören Lesen, Schreiben und mathematische Grundkonzepte, fachliches Wissen in den jeweiligen Domänen sowie Übung und Automatisierung dort, wo sie für tieferes Verständnis notwendig sind. Ohne dieses Fundament fehlt die Grundlage, um KI-Ausgaben überhaupt einordnen zu können.

Im Umgang mit KI müssen Schülerinnen und Schüler Feedback gezielt einholen und nutzen, Ergebnisse kritisch beurteilen, Probleme selbstständig lösen und Verantwortung für die erarbeiteten Ergebnisse übernehmen. Kreativität, strategisches Denken und Anpassungsfähigkeit gewinnen dadurch an Bedeutung.

Bei aller Diskussion um KI-gestützte Aufgaben stellt sich für den Unterricht eine ebenso wichtige zentrale Frage: Was müssen Schülerinnen und Schüler auch weiterhin ohne KI können? Das ISAR-Modell macht deutlich, dass genau hier das Risiko der Inversion liegt. Wenn eine Fähigkeit nie mehr ohne Unterstützung geübt wird, kann sie sich auch nicht ausbilden, selbst wenn die KI-gestützte Version der Aufgabe im Moment gut funktioniert.

Konkret betrifft das jene Kompetenzen, die zum Fundament gehören: flüssiges Lesen und Schreiben, Kopfrechnen und grundlegende mathematische Verfahren, das Formulieren eigener Gedanken und Argumente sowie das selbstständige Suchen, Prüfen und Gewichten von Quellen. Diese Fähigkeiten lassen sich nicht allein durch Erklärungen vermitteln. Sie brauchen wiederholte Übung ohne KI-Unterstützung, damit sie automatisiert werden und verfügbar bleiben, wenn keine KI zur Verfügung steht oder eine KI-Ausgabe kritisch geprüft werden muss. Lernen ohne KI steht damit nicht im Gegensatz zu Lernen mit KI, sondern bildet dessen Voraussetzung.

Fazit: die richtigen Fragen stellen

Dieser Artikel knüpft an eine Einsicht aus der Mediendebatte an, die sich gut auf den Schulalltag übertragen lässt: Positive Lerneffekte sind der Unterrichtsgestaltung zuzuschreiben, nicht der Technologie selbst. Das ISAR-Modell bietet dafür eine handhabbare Orientierung. Bei der Planung einer KI-gestützten Aufgabe lassen sich vier Fälle unterscheiden:

Führt die Nutzung dazu, dass Lernende weniger tief denken als ohne KI, liegt eine Inversion vor. Bleibt die Denktiefe gleich, wird aber Zeit gespart, handelt es sich um Substitution. Erhalten Lernende bei derselben Aufgabe zusätzliche Unterstützung, sprechen wir von Augmentation. Ermöglicht KI eine neue oder vertiefte Form des Lernens, liegt Redefinition vor.

Die entscheidende Frage für den Unterricht ist damit nicht, wie die Nutzung von KI durch Schülerinnen und Schüler verhindert werden kann. Es geht darum, Lernaufgaben so zu gestalten, dass KI hilft, mehr zu verstehen, eigene Ideen zu entwickeln und bessere Entscheidungen zu treffen. Ebenso wichtig ist aber auch die Frage, wann bewusst auf KI verzichtet wird. Die Zukunft des Unterrichts wird deshalb vermutlich weder in KI statt Lehrpersonen noch in KI statt Wissen liegen, sondern in der Verbindung von KI, pädagogischem Urteilsvermögen, solidem Grundlagenwissen und Kreativität.

Autor: Lars Nessensohn, Dozent Medien und Informatik (zum Profil)

Quelle: Bauer, E., Greiff, S., Graesser, A. C., Scheiter, K., & Sailer, M. (2025). Looking Beyond the Hype: Understanding the Effects of AI on Learning. Educational Psychology Review, 37(2), 45. https://doi.org/10.1007/s10648-025-10020-8

Bildquelle: KI-generiert mit ChatGPT (OpenAI)