Bildung im Zeitalter von KI: Warum Auswendiglernen ausgedient hat und was stattdessen kommt

Eine analytische Betrachtung auf Basis wissenschaftlicher Studien aus der Europäischen Union, Deutschland, den USA, China und Russland (2023–2026)

1. WARUM DIESES THEMA WICHTIGER IST DENN JE

Die Jahre 2025 und 2026 markieren einen Wendepunkt für das globale Bildungssystem. Generative Künstliche Intelligenz ist aus dem experimentellen Stadium in den Alltag gewandert: Studierende verfassen ihre Hausarbeiten mit ChatGPT, Dozierende nutzen KI-Assistenten zur Korrektur, und Schulen setzen zunehmend auf „intelligente“ Tutorensysteme. Die Frage lautet längst nicht mehr, ob KI im Bildungskontext eingesetzt werden sollte, sondern wie wir das gesamte Lernmodell neu denken müssen, damit es nicht seine Bedeutung verliert.

Forschende von der Europäischen Kommission, der Universität Tübingen, Stanford, der Higher School of Economics in Moskau, der Pädagogischen Universität Peking und zahlreichen weiteren Institutionen sind sich einig: Wir stehen kurz vor einer „pivotal transformation“ – einer Schlüsseltransformation, in der „Menschen und Maschinen Wissen gemeinsam konstruieren“. ¹ Wenn sich die Bildungssysteme nicht jetzt anpassen, werden die Folgen nicht nur die Absolventinnen und Absolventen treffen, sondern die Wettbewerbsfähigkeit ganzer Länder betreffen.

2. WARUM DAS ALTE MODELL SEINE GRUNDLAGE VERLIERT

Das klassische Bildungsmodell – aufgebaut auf Faktenvermittlung, dem Auswendiglernen von Formeln und standardisierten Prüfungen – verliert zunehmend seine Berechtigung. Die Gründe liegen nicht in einer vermeintlichen „Faulheit der Generation“, sondern in einem objektiven Wandel des Informationswerts:

- Demokratisierung von Wissen. Jede Tatsache, jede Formel, jedes historische Datum ist innerhalb von Sekunden abrufbar. Das reine Pauken bietet keinen Wettbewerbsvorteil mehr. - Personalisierung durch KI. Adaptive Systeme können bereits individuelle Lernpfade erstellen – etwas, das die Massenschule physisch nicht leisten kann. - Die Kluft zwischen Theorie und Praxis. Chinesische Forschende stellen fest: „Theoretisches Wissen und praktische Erfahrung klaffen deutlich auseinander“ (理论知识与实践经验显著脱节). ⁸

Der chinesische Wissenschaftler Qu Zhenyuan warnt: „Der Anbruch der Intelligenz-Ära beschleunigt sich und verändert nicht nur zukünftige Branchenstrukturen, sondern auch unsere Lebensweise, unsere Produktion – und löst sogar soziale Erschütterungen aus.“ ¹⁰ Das bedeutet: Eine Bildung, die auf die Welt von gestern vorbereitet, entlässt Menschen in ein Morgen, das es so nicht mehr gibt.

Daten aus Deutschland: Laut der JIM-Studie 2025 nutzen 50 % der Jugendlichen in Deutschland ChatGPT täglich oder mehrmals pro Woche. Die Nutzung von KI-Anwendungen für Hausaufgaben ist von 65 % im Jahr 2024 auf 74 % im Jahr 2025 gestiegen. ⁵⁶ Diese spontane Einführung ohne pädagogische Strategie birgt Risiken des „kognitiven Offloadings“ – also der Auslagerung des Denkens an die Maschine. ³⁸

Empirische Bestätigung: Eine Studie mit 548 Oberstufenschülerinnen und -schülern in Hangzhou (2026) zeigte, dass der bloße Zugang zu KI die Ergebnisse nicht verbessert – entscheidend ist die Qualität der Nutzung: das Formulieren von Anfragen, das Bewerten von KI-Antworten, die Integration in die Lernaktivitäten. ¹⁰ Ohne diese Fähigkeiten wird KI zum „Krückstock“, nicht zum Verstärker.

3. DER PREIS DES NICHTSTUNS

Wenn Länder und Bildungseinrichtungen die Transformation weiterhin ignorieren, werden die Folgen auf mehreren Ebenen spürbar:

Auf ökonomischer Ebene

Eine internationale Studie der St. Petersburger Polytechnischen Universität zeigte: Bis 2035 wird die Nachfrage nach Programmier- und Automatisierungskompetenzen um 56 % steigen, die nach Datenanalyse-Kompetenzen um 39 %, die nach Projektmanagement um 34 %. ¹⁹ Gleichzeitig weisen aktuelle Studierende genau in diesen „kritischen“ Kompetenzen Defizite auf. Länder, deren Absolventinnen und Absolventen keine digitalen Fähigkeiten besitzen, riskieren, zum rohstoffliefernden Anhang von Volkswirtschaften zu werden, in denen die Wertschöpfung durch KI-Tools und nicht durch Humankapital erzeugt wird.

Auf sozialer Ebene

Chinesische Forschende warnen: „Die Zukunft des Promotionsstudiums muss beide Seiten der KI vollständig nutzen – die positive und die negative –, personalisiertes Lernen einsetzen, um universelle Sackgassen zu durchbrechen, und szenariobasiertes Lernen nutzen, um einer Virtualisierung vorzubeugen.“ ¹¹ Untätigkeit droht in einer massiven „Virtualisierung“ zu münden: Menschen werden Abschlüsse haben, aber keine echte Erfahrung im Lösen von Problemen.

Auf psychologischer Ebene

Das Vertrauen in KI-Assistenten hängt nicht von technischen Spezifikationen ab, sondern von psychologischen Faktoren: „Vertrauen in KI ist ein psychologischer Prozess, der durch individuelle Unterschiede und das Lernumfeld geformt wird.“ ⁵ Wenn Schulen nicht lernen, kritisch mit KI umzugehen, werden Absolventinnen und Absolventen der Maschine entweder blind vertrauen oder sie panisch ablehnen – beide Szenarien sind gleichermaßen destruktiv.

Zusätzliches Risiko: Eine Studie der Swiss Business School (2025), zitiert in russischen Quellen, zeigte, dass die häufige Nutzung von KI-Tools die Fähigkeit zum kritischen Denken verringert, insbesondere bei jungen Menschen mit изначально schwächeren Kompetenzen. ²⁹ Dies schafft das Risiko einer neuen Form der Ungleichheit – der „KI-Kluft“: Wer KI zur Verstärkung des Denkens nutzt, wird prosperieren; wer sie zur Vermeidung des Denkens einsetzt, wird sich in einer noch verwundbareren Position befinden.

Das deutsche Paradoxon: Eine Studie mit 84 deutschen Schülerinnen und Schülern (16–19 Jahre) deckte ein ähnliches Muster auf: starke ethische Reflexion über KI schützt nicht davor, KI-Ergebnisse ohne Verständnis zu übernehmen (Details in Abschnitt 4.1). ⁴⁰

4. WIE VERSCHIEDENE LÄNDER DIE ZUKUNFT DER BILDUNG SEHEN

4.1. 🇪🇺🇩🇪 Europäische Union und Deutschland: Regulierungsansatz und KI-Kompetenz

Der europäische Ansatz setzt auf einen starken regulatorischen Fokus und systematische KI-Kompetenz. Im Juni 2026 präsentierten die Europäische Kommission und die OECD den AI Literacy Framework (AILit Framework) – das erste umfassende Dokument, das KI-Kompetenz für die Primar- und Sekundarbildung definiert. ^46495152

Ein zentrales Zitat aus dem Framework:

„KI-Kompetenz wird definiert als ein Set technischer Kenntnisse, nachhaltiger Fähigkeiten und zukunftsorientierter Einstellungen, die notwendig sind, um in einer vom künstlichen Intelligenz geprägten Welt zu leben. Einfach gesagt: Studierende müssen in der Lage sein, mit KI zu interagieren, mit ihrer Hilfe zu schaffen, zu entscheiden, wann und wie sie eingesetzt wird, und zu verstehen, wie sie verbessert werden kann, um menschliche Werte widerzuspiegeln.“ ⁵¹

Das Framework ist um vier Domänen herum organisiert: 1. Engaging with KI (Interaktion mit KI) 2. Creating with KI (Erschaffen mit KI) 3. Managing KI (Verwalten von KI) 4. Shaping KI (Gestalten von KI) ⁴⁶⁴⁹⁵²

Insgesamt wurden 19–22 Kompetenzen (je nach Version) identifiziert, die die Entwicklung von Lehrplänen in den EU-Ländern leiten sollen. ⁵²⁵³

EU AI Act und Bildung: Das europäische KI-Gesetz (AI Act), das am 2. Februar 2025 in Kraft trat, schafft einen Rechtsrahmen für den Einsatz von KI im Bildungswesen: - Artikel 4: Die Verpflichtung zur KI-Kompetenz gilt ab dem 2. Februar 2025 für jede Organisation, die KI einsetzt, einschließlich Schulen. ⁵⁵⁵⁸ - Artikel 50 (Transparenz): Ab dem 2. August 2026 müssen Schulen KI-generierte Inhalte kennzeichnen und Nutzerinnen und Nutzer informieren, wenn sie mit KI interagieren. ⁵⁵⁵⁷⁵⁸ - Anhang III (Hohes Risiko): Ab dem 2. Dezember 2027 werden KI-Systeme, die zur Zulassung, Bewertung, Überwachung und Prüfung von Studierenden eingesetzt werden, als hochriskant eingestuft und unterliegen einem strengen Audit. ⁴⁴⁵⁵⁵⁷

Deutschland: Empirische Studien und die „Vertrauenslücke“

Deutsche Forschende führen einige der detailliertestenn empirischen Studien zur Wahrnehmung von KI in Schulen durch. Eine Studie der Universität des Saarlandes und der Universität Tübingen (2026) mit 16 Schülerinnen und Schülern sowie 15 Lehrkräften deckte kritische Misalignments (Fehlausrichtungen) zwischen den Ansichten von Lehrkräften und Lernenden auf: ³⁹

- Vertrauen in KI: Lehrkräfte sorgen sich mehr um das gesamte Klassenklima, während sich die Schülerinnen und Schüler auf individuelle Ergebnisse konzentrieren. - Soziale und emotionale Aspekte: Lehrkräfte unterschätzen, wie stark sich Schülerinnen und Schüler durch KI-Systeme „unter Anklage“ fühlen. - Datenaustausch: Schülerinnen und Schüler zögern, Daten mit KI zu teilen, während Lehrkräfte darin pädagogischen Nutzen sehen. - Autonomie: Schülerinnen und Schüler wünschen mehr Kontrolle über Entscheidungen, Lehrkräfte neigen zu stärkerer Intervention.

Ein Schlüsselzitat aus der Studie:

„Die Ergebnisse zeigen, dass Schülerinnen und Schüler sowie Lehrkräfte, obwohl sie einige ähnliche Ansichten zum Entscheiden durch KI im Unterricht teilen, deutlich unterschiedliche Präferenzen haben. Insbesondere wurden perspektivische Lücken in den Bereichen Vertrauen in KI, soziale und emotionale Aspekte des Lernens der Schülerinnen und Schüler sowie des Datenaustauschs über KI-Systeme festgestellt.“ ³⁹

Das Paradoxon deutscher Schülerinnen und Schüler: Eine Studie mit 84 deutschen Oberstufenschülerinnen und -schülern (16–19 Jahre) zum Programmieren mit KI deckte das „KI-Paradoxon“ auf: Die Studierenden zeigen starke ethische Reflexionen, integrieren aber oft KI-generierten Code ohne Verständnis. Die Mehrheit verlagert die Verantwortung für KI-Ethik auf Politik und Konzerne – was den deutschen Kulturkontext mit strengen Regulierungen widerspiegelt, aber das Risiko der Passivität birgt. ⁴⁰ Mädchen äußerten dabei größeren Skeptizismus und betonten die Peer-Kollaboration, während Jungen von häufigerem experimentellem KI-Einsatz berichteten.

Policy Paper des Hector-Instituts (2026): Eine Studie der Universität Tübingen, gefördert von der Vodafone Stiftung, warnt: „KI kann Lernprozesse effektiv unterstützen, birgt aber gleichzeitig das Risiko von Kompetenzverlusten.“ ⁵⁰ Die Autorinnen und Autoren fordern einen Übergang „von der Abhängigkeit zur Handlungsfähigkeit“ (von Abhängigkeit zu Handlungsfähigkeit).

OECD Digital Education Outlook 2026: Der Bericht betont, dass „der Einsatz von GenAI mit pädagogischer Absicht das Lernen verbessern und Fähigkeiten wie kritisches Denken, Kreativität und Kollaboration entwickeln kann“, aber „klare Lehrprinzipien“ erfordert. ³⁵

EU-Rat (Mai 2026): Vier Säulen der Bildungspolitik: 1. Digitale und KI-Kompetenz 2. Inklusion und Gerechtigkeit 3. Stärkung der Lehrkräfte (Teacher Empowerment) 4. Wohlbefinden (Well-being) ⁵⁷

Der Rat fordert die Mitgliedstaaten auf, KI-Kompetenz in alle drei Phasen der Lehrerbildung zu integrieren: Erstausbildung, Einführungsphase und kontinuierliche berufliche Weiterentwicklung. ⁵⁷

4.2. 🇺🇸 USA und internationale Gemeinschaft: Von Inhalten zum Denken

Amerikanische und internationale Forschende betonen den Übergang von der Wissensvermittlung zur Entwicklung höherwertigen Denkens (higher-order thinking). Zhu, Magee und Mischler formulieren in ihrer Arbeit von 2025 zwei Schlüsselprinzipien:

„Erstens: Vom Content-Delivery zur Entwicklung höherwertigen Denkens, wobei die Rolle der KI bei der Unterstützung von Forschung, Kollaboration und reflektierender Wissenskonstruktion betont wird. Zweitens: Zur sinnvollen Interaktion mit KI, zur Gestaltung von Lernumgebungen, die kritisches, zielgerichtetes und sozial vermitteltes Engagement mit künstlicher Intelligenz fördern.“ ¹

Die Kernaussage: KI ersetzt nicht die Lehrkraft, sondern verändert ihre Rolle. Lernmanagementsysteme (LMS) müssen sich „von statischen Content-Speichern zu dynamischen Ökosystemen entwickeln, die höherwertiges Denken und sinnvolle Mensch-KI-Interaktion fördern“. ¹

Cukurova (2026) führt eine fünfstufige Taxonomie der Mensch-KI-Interaktion ein: von transaktional bis synergetisch. Echte Kollaboration erfordert „teilweise symmetrische und abgestimmte Beziehungen, gemeinsame und abgestimmte Ziele, niedrige und sich verändernde Arbeitsteilung, interaktiven und synchronen Austausch, gegenseitige Modellierung, Begründung und sozial regulierte Interaktion“. ² Das bedeutet: Soziale Fähigkeiten sind kein „nettes Extra“, sondern eine Voraussetzung für effektive KI-Arbeit.

Hare und Tang (2025) entwickeln ein Framework, in dem der KI-Agent die Rolle eines „Peers“ und nicht nur eines „Tutors“ übernimmt: „Ein LLM-Agent, der als proaktiver Peer agiert, fördert die sozialen Dimensionen des Lernens.“ ³ Der amerikanische Ansatz ist eine soziotechnische Integration: Technologie ohne Sozialisierung ist sinnlos.

Fagerlund et al. (2026) identifizieren in einer Studie für das Journal of Computer Assisted Learning drei Domänen von KI-Bildungszielen: Qualifikation (qualification), Sozialisierung (socialisation) und Subjektivierung (subjectification) – wobei der Schwerpunkt genau auf Sozialisierung und Subjektivierung liegt, also der Bildung einer autonomen Persönlichkeit. ¹⁷

Empirische Basis: Ein systematischer Review von 73 Studien (PMAISE-Modell, 2026) zeigte, dass KI-Tools (Chats, adaptive Systeme, prädiktive Analytik) das Engagement der Studierenden am effektivsten steigern, wenn sie in interaktive pädagogische Strategien eingebettet sind: flipped classrooms, projektbasiertes Lernen, strukturiertes Feedback. ²¹

4.3. 🇨🇳 China: Szenariobasiertes Lernen und staatliche Strategie

Der chinesische Ansatz beruht auf Systematik und staatlicher Planung. Im Jahr 2025 veröffentlichte das chinesische Bildungsministerium die „Richtlinien zur Nutzung generativer KI für Schülerinnen und Schüler der Primar- und Sekundarstufe“, in denen konkrete Szenarien festgelegt sind:

„Szenario 2: Interaktive Forschung. Schülerinnen und Schüler können generative KI nutzen, um interaktive Forschungsumgebungen zu schaffen und systematisch logisches Denken, kritisches Denken und innovatives Denken zu entwickeln ... In KI-Sandboxes können sie die Planung einer Smart City modellieren.“ ¹⁶

China setzt auf praxisorientierte Szenarien und ethische Kontrolle. Der Forschende Zhu Xinyu schlägt einen Übergang „von vorgegebenen Szenarien zur bedarfsgerechten Generierung“ vor und bildet ein „Anwendungsökosystem, in dem jeder teilnehmen und schaffen kann“. ¹⁵ Gleichzeitig wird ein „dreistufiges Kontrollsystem“ aufgebaut: technologische ethische Begutachtung, Transparenz der Algorithmen und Datenschutz. ⁸

Chinesische Wissenschaftler wie Yang Xianmin et al. (2025) betonen, dass die Einführung von KI von Pädagoginnen und Pädagogen „technologische Kompetenzen, pädagogisches Wissen, praktische Erfahrung und sogar interdisziplinäres Wissen“ erfordert. ⁸ Das unterscheidet den chinesischen Ansatz vom westlichen: Hier wird nicht erwartet, dass sich die Lehrkraft „selbst schlau macht“, sondern es werden institutionelle Unterstützungsmechanismen geschaffen.

Lan Guoshuai et al. (2023) systematisieren die Diskussionen um GenAI in der Bildung und betonen die Notwendigkeit, „die Rechte von Lehrkräften und Forschenden auf Nutzung generativer KI und ihren praktischen Wert zu schützen“. ⁹ China sieht die Zukunft der Bildung als Hybrid aus Mensch und Maschine, wobei KI ein Werkzeug, aber kein Ersatz für die Lehrkraft ist.

Empirische Basis: Eine Studie mit 548 Oberstufenschülerinnen und -schülern in Hangzhou (2026) zeigte, dass die qualitativ hochwertige Nutzung von KI-Tools (Anfragen formulieren, KI-Antworten bewerten, in Lernaktivitäten integrieren) das tiefe Lernen positiv beeinflusst und die sozioökonomische Kluft in den Lernansätzen verringern kann. ¹⁰

4.4. 🇷🇺 Russland: Kompetenzlücke und Infrastrukturfokus

Russische Forschende stellen eine systematische Lücke zwischen dem, was die Universität bietet, und dem, was der Markt fordert, fest. Eine Studie der St. Petersburger Polytechnischen Universität zeigte: Studierende weisen starke Soft Skills auf (Kooperation – 4,2, kritisches Denken – 3,9), aber ein kritisches Defizit bei digitalen Kompetenzen (Programmieren – 2,8, Projektmanagement – 3,2). ¹⁹ Arbeitgeber bewerten Programmieren noch niedriger – mit 2,5 Punkten. ¹⁹

Die Higher School of Economics (HSE) zeigte in einer vergleichenden Analyse der Strategien zur Einführung von KI in die Bildung (RF, EU, VR China), dass der russische Fokus auf infrastrukturellen und technologischen Veränderungen liegt, während sozial-pädagogische Aspekte schwächer ausgearbeitet sind. ²¹ Das schafft ein Risiko: Wir bauen digitale Plattformen auf, verändern aber nicht die Pädagogik.

Tokarchuk et al. (2026) merken in einem Review für Contemporary Foreign Psychology an, dass „soziale Roboter und KI-Assistenten das Engagement und die Interaktivität des Unterrichts erhöhen, der Effekt jedoch von einer kompetenten pädagogischen Integration abhängt und nicht von der Technologie selbst“. ²⁰ Die russische Herausforderung liegt nicht im Mangel an Technologien, sondern im Fehlen einer pädagogischen Philosophie, die ihre Anwendung leiten würde.

Konstantinova et al. (2023) analysieren im Journal Open Education die Diskussionen um GenAI und stellen fest, dass „die Zukunft der Bildung nicht mit der Ablehnung von Wissen verbunden ist, sondern mit dem Übergang zu einem kompetenzbasierten Modell, in dem KI ein Werkzeug und kein Ersatz für die Lehrkraft ist“. Das ist eine Schlüsselaussage für Russland: Man kann die alte Schule nicht einfach „digitalisieren“ – man muss die Lernlogik selbst verändern.

Empirische Basis: Ein Experiment an der Süduralischen Staatlichen Universität (2025) zeigte, dass Studierende, die Aufgaben auf drei Arten lösten (zwei davon mit verschiedenen KI-Systemen), anschließend die Lösungen verglichen und die Wahl begründeten, ein Wachstum des kritischen Denkens um 5–23 % zeigten, während die Kontrollgruppe nur ein geringes Wachstum aufwies. ³⁰

5. KONKRETE PRAKTIKEN, DIE FORSCHENDE VORSCHLAGEN

Basierend auf der Analyse der Studien lassen sich sieben konkrete Praktiken identifizieren:

1. Interaktive Forschung mit KI-Sandboxes. Die chinesischen Richtlinien schlagen vor, KI zur Schaffung „interaktiver Forschungsumgebungen“ zu nutzen, in denen Lernende Klimaveränderungen modellieren, Smart Cities planen und virtuelle Experimente durchführen. ¹⁶

2. Soziales Lernen mit KI-Peers. Hare und Tang schlagen ein Zwei-Agenten-System vor: Ein RL-Agent als „Tutor“ bietet strukturierte Unterstützung, während ein LLM-Agent als „Peer“ die soziale Dimension des Lernens sicherstellt. ³

3. Praktisches Experimentieren mit KI-Tools. Fagerlund et al. (2026) betonen die Notwendigkeit des „praktischen Experimentierens mit verschiedenen KI-Tools, wie maschinellem Lernen“. ¹⁷ KI-Bildung sollte nicht theoretisch, sondern praktisch sein.

4. Projektbasiertes Lernen mit realen Aufgaben. Jauhiainen und Toppari (2025) analysieren die Integration von GenAI in den Forschungsprozess: von der Ideengenerierung über Design, Datensammlung, Analyse bis zur Interpretation. ⁴ Dieser Zyklus kann für schulisches projektbasiertes Lernen adaptiert werden.

5. Metakognitive Reflexion. Zhu et al. (2025) bestehen auf „reflektierender Wissenskonstruktion“ – Lernende dürfen nicht nur eine Antwort von KI erhalten, sondern müssen verstehen, wie sie zustande kam, und sie kritisch bewerten. ¹

6. Die Methode des Lösungsvergleichs (Süduralische Universität). Studierende lösen Aufgaben auf drei Arten, zwei davon mit verschiedenen KI-Systemen, diskutieren anschließend in Kleingruppen, bewerten die optimale Lösung und begründen ihre Wahl. ³⁰

7. Das CT-GenAI-Modell (PAEERA). Nasr et al. (2026) schlagen ein Modell des kritischen Denkens mit KI vor: Plan, Ask, Explore, Evaluate, Reflect, and Apply – zur Förderung konzeptioneller Klarheit und ethischer Praxis im Klassenzimmer. ³⁸

8. Die vier Domänen des EU AI Literacy Framework. Die Europäische Kommission und die OECD schlagen eine systematische Entwicklung von Kompetenzen in den Bereichen vor: engaging with KI, creating with KI, managing KI, shaping KI. ⁴⁶⁵²

6. WAS JETZT SCHON IN SCHULEN GETAN WERDEN MUSS

Für das Bildungssystem

- Standards überarbeiten. Übergang von „wissen“ zu „anwenden können“. China hat bereits die „Richtlinien zur Nutzung generativer KI“ auf Grundschulniveau eingeführt. ¹⁶ - Infrastruktur für KI-Hygiene schaffen. Dreistufiges System: ethische Begutachtung, Transparenz der Algorithmen, Datenschutz. ⁸ - In die Weiterbildung von Lehrkräften investieren. Yang Xianmin betont: Pädagoginnen und Pädagogen müssen „technologische Kompetenzen, pädagogisches Wissen, praktische Erfahrung und interdisziplinäres Wissen“ besitzen. ⁸ - Mündliche Prüfungen und Projektverteidigungen einführen. Dies schließt die Nutzung von KI zur Generierung von Antworten aus und verlangt von den Studierenden eine Demonstration des Verständnisses. ²⁹³⁰ - Gleichen Zugang zu Premium-KI-Tools gewährleisten. Der Zugang sollte nicht vom sozioökonomischen Status abhängen. ¹⁰¹⁸ - Das EU AI Literacy Framework implementieren. Die 19–22 Kompetenzen als Grundlage für die Entwicklung von Lehrplänen nutzen. ⁵²⁵³ - Die Verpflichtungen des EU AI Act erfüllen. KI-Systeme auditieren, Schulungen für vier Rollen einführen, hochriskante Systeme bis Dezember 2027 klassifizieren. ⁵⁵⁵⁷⁵⁸

Für die einzelne Lehrkraft

- Die Rolle vom „Wissensvermittler“ zum „Forschungsfacilitator“ verändern. Zhu et al. (2025): „Lehrkräfte müssen von der Wissensvermittlung zur Rolle eines Mentors übergehen, der Forschung, Kollaboration und Reflexion lenkt.“ ¹ - KI als Werkzeug integrieren, nicht als Ersatz. Lan Guoshuai: „Die Rechte von Lehrkräften auf Nutzung von KI und ihren praktischen Wert schützen.“ ⁹ - Sich auf den Prozess konzentrieren, nicht auf das Ergebnis. Nicht die „richtige Antwort“ bewerten, sondern die Fähigkeit, eine Frage zu formulieren, eine Hypothese zu überprüfen, einen Fehler zu reflektieren. - KI als sokratischen Partner nutzen. KI zur Generierung von Gegenargumenten verwenden, die die Studierenden anschließend kritisch analysieren müssen. ²⁷ - Misalignments mit den Lernenden berücksichtigen. Die deutsche Studie zeigt: Lehrkräfte und Lernende haben unterschiedliche Ansichten zu Vertrauen in KI, Datenaustausch und Autonomie – diese Lücken müssen diskutiert werden. ³⁹ - KI-Inhalte kennzeichnen. Ab August 2026 ist dies in der EU eine gesetzliche Anforderung. ⁵⁵⁵⁷⁵⁸

Für die Lernenden

- KI-Kompetenz entwickeln. Die Fähigkeit, richtige Prompts zu formulieren, Ausgaben zu verifizieren, die Grenzen des Modells zu verstehen. - Im Team lernen. Cukurova (2026): Echte Kollaboration mit KI erfordert „gegenseitige Modellierung und sozial regulierte Interaktion“ – Fähigkeiten, die in Gruppenarbeit geübt werden. ² - Experimentieren. Hare und Tang: „Lernen, das auf die Lernenden ausgerichtet ist, wird am besten in einer strukturierten, unterstützenden Umgebung kultiviert, die geführte Praxis, gestützte Forschung und kollaborativen Dialog fördert.“ ³ - Ein „KI-Nutzungsprotokoll“ führen. Dokumentieren, wann und warum KI verwendet wurde, welche Grenzen es gab, wie die Antworten überprüft wurden. ²⁷ - Das „KI-Paradoxon“ vermeiden. Die deutsche Studie warnt: Starke ethische Reflexion schützt nicht vor der Integration von KI-Code ohne Verständnis – Ethik muss mit konkreten Code-Artefakten verknüpft werden. ⁴⁰

7. OFFENE FRAGEN

Trotz der Fülle an Studien bleiben eine Reihe grundlegender Fragen ohne eindeutige Antwort:

1. Wo liegt die Grenze zwischen „Vertrauen“ und „Kritik“ gegenüber KI? Dağtekin und Erkalkan (2025) zeigen, dass Vertrauen in KI von psychologischen Faktoren abhängt, geben aber kein Rezept, wie kritisches Vertrauen gelehrt werden kann. ⁵

2. Wie bewertet man Kompetenzen im Zeitalter von KI? Traditionelle Tests verlieren ihren Sinn, wenn KI sie in einer Minute löst. Alternative Bewertungsformen (Portfolios, Projekte, Peer Review) lassen sich schlecht skalieren.

3. Wie verhindert man digitale Ungleichheit? Xiao und Gonçalves (2025) merken an, dass KI-Spielzeuge und -Geräte „zunehmend für Lernen, Freizeit und Sozialisierung genutzt werden“ – der Zugang dazu aber ungleich ist. ¹⁸ Länder und Regionen ohne Infrastruktur riskieren, irreversibel abgehängt zu werden.

4. Wie balanciert man Autonomie und Kontrolle? Das chinesische Modell setzt auf starke staatliche Regulierung, das amerikanische auf marktliche Selbstregulierung, das europäische auf einen regulatorischen Ansatz mit dem AI Act. Welches Modell für die Bildung effektiver ist, bleibt unklar. ⁴⁴⁵⁵⁵⁷

5. Was tun mit der „sekundären Nicht-Erfahrung“? Chinesische Forschende wie Zou Hongyu und Yu Jiangtao (2025) warnen: „Lehrkräfte und Lernende, die 'sekundäre Nicht-Erfahrung' erhalten, entfernen sich von der realen Welt.“ ¹² KI kann die Illusion von Erfahrung schaffen, die echte Praxis nicht ersetzt.

6. Ethik und Privatsphäre. Shrestha et al. (2024) identifizierten in einem systematischen Review „erhebliche Bedenken junger Nutzerinnen und Nutzer bezüglich der Privatsphäre, einschließlich des Gefühls, keine Kontrolle über personenbezogene Daten zu haben, potenziellen Datenmissbrauch durch KI und Angst vor Datenlecks“. ⁷

7. Algorithmische Voreingenommenheit. Sun et al. (2025) zeigen, dass Foundation Models eingebaute Vorurteile enthalten, die sich im Bildungskontext reproduzieren können. ⁶ Wie bringt man Studierenden bei, diese Vorurteile zu erkennen und zu kritisieren?

8. Manipulatives Design. Die Brookings Institution (2026) warnt, dass die meisten KI-Tools von Unternehmen und nicht von Pädagoginnen und Pädagogen entwickelt werden – sie sind auf Engagement optimiert, nicht auf Lernen. ¹⁸ Wie schützt man Studierende vor manipulativem Design?

9. Langfristige Effekte. Es gibt keine Längsschnittstudien darüber, wie die anhaltende Nutzung von KI die kognitive Entwicklung über 5, 10, 20 Jahre beeinflusst. ²¹²⁷

10. Misalignments zwischen Lehrkräften und Lernenden. Die deutsche Studie (2026) zeigt: Lehrkräfte und Lernende haben unterschiedliche Ansichten zu Vertrauen in KI, sozialen Aspekten und Datenaustausch – wie überwindet man diese Lücken? ³⁹

11. Das KI-Paradoxon. Deutsche Schülerinnen und Schüler zeigen starke ethische Reflexionen, integrieren aber KI-Code ohne Verständnis – wie verbindet man Ethik mit Praxis? ⁴⁰

12. Geschlechterunterschiede. Die deutsche Studie zeigt: Jungen experimentieren häufiger mit KI, Mädchen sind skeptischer und betonen Kollaboration – wie berücksichtigt man das in der Pädagogik? ⁴⁰

8. KOMPETENZEN DER ZUKUNFT: WO DIE GRENZE VERLÄUFT

Die Studie der St. Petersburger Polytechnischen Universität (2026) bietet eine klare Klassifizierung von Kompetenzen auf Basis von maschinellem Lernen:

Vergleich:

- Kritisch: Kompetenzen: Programmieren, Projektmanagement, Datenanalyse Status: Defizit + hohe Nachfrage ¹⁹

- Ergänzend: Kompetenzen: Kreativität, Kommunikation, Teamarbeit Status: Vorhanden, benötigen aber Unterstützung ¹⁹

- Optional: Kompetenzen: Tiefes theoretisches Wissen in engen Bereichen Status: Wichtig für die Akademie, weniger kritisch für die Industrie ¹⁹

Das EU AI Literacy Framework (2026) fügt 19–22 KI-Kompetenzen hinzu, gruppiert in vier Domänen: engaging, creating, managing, shaping KI. ⁵²⁵³

Das erlaubt folgende Grenzziehung:

- NICHT auswendig lernen: Fakten, Daten, Formeln, die KI in Sekunden findet. Sie müssen verstanden, aber nicht gepaukt werden. ²⁷²⁹ - WISSEN müssen: Grundlegende Konzepte, die Logik der Disziplin, Methodologie. Ohne diese ist es unmöglich, die KI-Ausgabe kritisch zu bewerten. ²⁷³⁰ - KÖNNEN müssen: Programmieren, Daten analysieren, Projekte managen, kommunizieren, kreativ denken, im Team arbeiten, reflektieren, mit KI interagieren, KI verwalten, KI gestalten. ¹⁹²⁷⁵²

Der chinesische Forschende Li Deyi (2023) formuliert dies philosophisch: Der Mensch besitzt „biologische Instinkte der natürlichen Evolution plus begrenzte praktische Erfahrung während des Lebens“. ¹⁴ KI erweitert diese Erfahrung, ersetzt aber nicht die biologische Grundlage des kritischen Denkens.

Prinzip aus amerikanischen Studien: Man muss das wissen, was zur kritischen Bewertung von KI-Antworten notwendig ist. Ein Studierender muss die Formel eines Oberflächenintegrals nicht auswendig kennen, aber er muss verstehen, was sie berechnet, wann sie anzuwenden ist und wie man die Korrektheit der KI-Antwort überprüft. ²⁷³⁰

Prinzip aus europäischen Studien: KI-Kompetenz ist nicht nur technisches Wissen, sondern auch „nachhaltige Fähigkeiten und zukunftsorientierte Einstellungen“ (durable skills and future-ready attitudes). ⁵¹

9. DER MENSCH IM KI-ZEITALTER: DAS IDEALE PROFIL

Durch die Synthese der Studien aus vier Regionen lässt sich das Profil eines effektiven Menschen in der KI-Welt identifizieren:

1. Metakognitive Flexibilität. Die Fähigkeit, über das eigene Denken nachzudenken, eigene kognitive Vorurteile zu erkennen, zwischen Strategien zu wechseln. ¹²⁷ 2. KI-Kompetenz. Nicht „kann ChatGPT bedienen“, sondern versteht Architektur, Grenzen, ethische Risiken und Verifikationsmethoden. ^18275152 3. Soziale Intelligenz. Cukurova (2026): Die Fähigkeit zu „gegenseitiger Modellierung, Begründung und sozial regulierter Interaktion“. ² 4. Praktische Weisheit (Phronesis). Die Fähigkeit, Wissen in ungewöhnlichen Situationen anzuwenden, Entscheidungen unter Unsicherheit zu treffen. ¹⁴²⁷ 5. Ethisches Bewusstsein. Das Verständnis, dass KI kein neutrales Werkzeug ist, sondern ein System mit eingebauten Vorurteilen. ⁶¹⁸⁴⁰ 6. Autonomie und Agentivität. Fagerlund et al. (2026): Übergang von Kompetenz zu Agentivität – die Fähigkeit, nicht nur Aufgaben auszuführen, sondern sie selbst zu formulieren. ¹⁷ 7. Kritisches Vertrauen. Die Fähigkeit, zwischen blindem Vertrauen und panischer Ablehnung von KI zu balancieren. ⁵²⁷³⁹ 8. Regulatorisches Bewusstsein. Das Verständnis der Rechtsrahmen (EU AI Act, Content-Kennzeichnung, hochriskante Systeme). ^44555758 9. Kulturelle Responsivität. Die Berücksichtigung von Geschlechter-, Kultur- und individuellen Unterschieden im KI-Einsatz. ⁴⁰⁵⁰

Ein Schlüsselzitat:

„Wir brauchen keine Studierenden, die Antworten von der Maschine bekommen können. Wir brauchen Studierende, die die richtigen Fragen stellen und die Antworten der Maschine kritisch bewerten können. Wir brauchen sie, um Probleme zu lösen, die Maschinen nicht lösen können.“ ²⁷

10. UND WENN KI SICH NOCH WEITER ENTWICKELT – WIRD ALL DAS NICHT WIEDER VERALTEN?

Das ist vielleicht die wichtigste Frage. Die Antwort der Forschenden lässt sich in vier Thesen zusammenfassen:

These 1: Soziale Fähigkeiten sind eine Konstante. Cukurova (2026) zeigt, dass selbst bei fortschrittlichster KI „echte Kollaboration“ Symmetrie, Zielabstimmung und sozial regulierte Interaktion erfordert. ² Das ist keine Ingenieursaufgabe, sondern psychologisch-sozial. Solange der Mensch ein soziales Wesen bleibt, werden diese Fähigkeiten nicht veralten.

These 2: Metakognitive Fähigkeiten sind ein adaptiver Schild. Zhu et al. (2025) betonen „kritisches, zielgerichtetes und sozial vermitteltes Engagement mit KI“. ¹ Das ist keine Fähigkeit zur Arbeit mit einem spezifischen Tool, sondern die Fähigkeit, kritisch mit jedem Tool zu interagieren. Wenn eine neue KI erscheint, wird sich jemand mit metakognitiver Flexibilität schneller anpassen als jemand, der spezifische Prompts gelernt hat.

These 3: Praktische Erfahrung ist die einzige Quelle der Weisheit. Li Deyi (2023): Die menschliche Erfahrung ist auf „praktische Erfahrung während des Lebens“ begrenzt. ¹⁴ KI kann Erfahrung simulieren, aber nicht leben. Die „sekundäre Nicht-Erfahrung“ (二手的非经验) von Zou Hongyu ¹² ist eine gefährliche Illusion. Echte Versuche und Fehler, emotionales Engagement, Verantwortung für das Ergebnis – das ist es, was man der Maschine nicht delegieren kann.

These 4 (europäisch): Regulatorische Kompetenz ist eine neue Basiskompetenz. Der EU AI Act und das AI Literacy Framework schaffen einen rechtlichen und pädagogischen Rahmen, der sich mit der Technologie weiterentwickeln wird. ⁴⁴⁵²⁵⁵ Das Verständnis dieser Rahmenbedingungen ist keine Option, sondern eine Notwendigkeit.

Fazit: Die Prinzipien werden nicht veralten, aber ihre konkrete Ausgestaltung wird sich verändern. Heute ist es wichtig, Prompts schreiben zu können – morgen wird das zur Grundfähigkeit wie die Nutzung einer Suchmaschine. Aber die Fähigkeit, kritisch zu denken, zusammenzuarbeiten, zu reflektieren, sich anzupassen und regulatorische Rahmen zu verstehen – das sind transversale Kompetenzen, die bei jedem KI-Entwicklungsstand wertvoll bleiben. Bildung muss nicht auf die aktuelle Version von KI vorbereiten, sondern auf die Fähigkeit zu lernen in einer Welt, in der KI sich ständig verändert. ¹⁸²⁷⁵⁷

11. FAZIT

Bildung verliert nicht ihren Sinn – Bildung als Faktenlager verliert ihren Sinn. Die Zukunft gehört Systemen, die nicht lehren, zu wissen, sondern zu denken; nicht zu wiederholen, sondern zu schaffen; nicht mit KI zu konkurrieren, sondern mit ihr zu kollaborieren.

Verschiedene Regionen gehen unterschiedliche Wege: - EU/Deutschland fokussieren auf regulatorische Ansätze, KI-Kompetenz und die empirische Erforschung von Misalignments - USA setzen auf höherwertiges Denken und soziotechnische Integration - China auf szenariobasiertes, praxisorientiertes Lernen unter staatlicher Kontrolle - Russland versucht, die Kompetenzlücke zwischen Universität und Markt zu schließen

Aber alle sind sich einig: Die Zukunft gehört dem Hybrid aus Mensch und KI, in dem Sozialisierung, Praxis, metakognitive Fähigkeiten und regulatorische Kompetenz wichtiger sind als Auswendiglernen. ^{12816192730395257}

Vergleichstabelle der Ansätze der vier Regionen:

Vergleich:

- Hauptpriorität: EU/Deutschland: Regulatorischer Ansatz, KI-Kompetenz, Teacher Empowerment ⁴⁴⁵²⁵⁷ USA: Höherwertiges Denken, soziotechnische Integration ¹³ China: Szenariobasiertes, praxisorientiertes Lernen, staatliche Strategie ⁸¹⁶ Russland: Kompetenzlücke, Infrastrukturfokus ¹⁹²¹

- Hauptrisiko: EU/Deutschland: Misalignments zwischen Lehrkräften und Lernenden, KI-Paradoxon, regulatorische Überlastung ³⁹⁴⁰⁵⁵ USA: Kognitive Atrophie, intellektuelles Outsourcing ¹⁸²⁷ China: Kluft zwischen Politik und Praxis, regionale Disproportionen ⁸¹² Russland: Abnahme des kritischen Denkens, Fehlen einer pädagogischen Philosophie ²⁰²⁹

- Hauptpraxis: EU/Deutschland: EU AI Literacy Framework (19–22 Kompetenzen), EU AI Act Compliance, Erforschung von Misalignments ⁵²⁵⁵³⁹ USA: PMAISE-Modell, KI als sokratischer Partner, dosierter Einsatz ¹⁸²¹²⁷ China: KI-Sandboxes, dreistufige ethische Kontrolle, projektbasiertes Lernen ⁸¹⁶ Russland: Mündliche Prüfungen, Methode des Lösungsvergleichs, obligatorische KI-Kurse ²⁹³⁰

- Rolle der Lehrkraft: EU/Deutschland: Kritische/r KI-Bewerter/in, Verteidiger/in der pädagogischen Autonomie, Compliance Officer ⁵⁷⁵⁸³⁹ USA: Ethische/r Steward, Designer/in pädagogischer Strategien ¹¹⁸ China: Organisator/in projektbasierter Arbeit, Facilitator mit institutioneller Unterstützung ⁸¹⁶ Russland: Zentrale Figur, Qualitätsgarant/in, Organisator/in von Diskussionen ²⁰³⁰

- Effektivitätsbewertung: EU/Deutschland: KI-Kompetenz (19–22 Kompetenzen), Transparenz-Compliance, Well-being ⁵²⁵⁷⁵⁸ USA: Engagement der Studierenden (kognitiv, behavioral, emotional) ²¹ China: Kritisches Denken als Mediator des Erfolgs, Qualität der KI-Nutzung ¹⁰¹¹ Russland: Wachstum des kritischen Denkens (5–23 %), Kompetenzprofil ¹⁹³⁰

- Rechtsrahmen: EU/Deutschland: EU AI Act (Artikel 4, 50, Anhang III), AI Literacy Framework ⁴⁴⁵²⁵⁵ USA: Marktliche Selbstregulierung, institutionelle Richtlinien ¹⁸ China: Staatliche Richtlinien, ethische Kontrolle ⁸¹⁶ Russland: Fehlende einheitliche Bundespolitik, Universitätsinitiativen ²¹²⁹

Die zentrale Herausforderung ist nicht technologisch, sondern pädagogisch, philosophisch und regulatorisch: Sind wir bereit, die Rolle der Lehrkraft, der Lernenden, des Wissens und der Rechtsrahmen neu zu denken? Wenn nicht, riskieren wir, eine Generation von Menschen hervorzubringen, die alles wissen, aber nichts können. ^1182757

LITERATURVERZEICHNIS

ArXiv (Preprints)

1. Zhu X., Magee L., Mischler P. (2025). Integrating Generative AI into LMS: Reshaping Learning and Instructional Design. arXiv:2510.18026. 2. Cukurova M. (2026). What do you mean by human-AI collaboration: Prerequisite functions and the affordances needed to achieve it. arXiv:2606.15509. 3. Hare R., Tang Y. (2025). Toward Generalized Autonomous Agents: A Neuro-Symbolic AI Framework for Integrating Social and Technical Support in Education. arXiv:2508.18406. 4. Jauhiainen J.S., Toppari A. (2025). Generative Artificial Intelligence and Agents in Research and Teaching. arXiv:2508.16701. 5. Dağtekin E., Erkalkan E. (2025). Psychological Factors Influencing University Students Trust in AI-Based Learning Assistants. arXiv:2512.17390. 6. Sun S. et al. (2025). Uncovering Bias in Foundation Models: Impact, Testing, Harm, and Mitigation. arXiv:2501.10453. 7. Shrestha A.K. et al. (2024). Navigating AI to Unpack Youth Privacy Concerns: An In-Depth Exploration and Systematic Review. arXiv:2412.16369. 39. Nagashima T., Siegrist L., Scholz N., Sato S., Vincoli M., Su M. (2026). Mind the Trust Gap: Identifying (Mis)alignments in Teacher-Student Views Toward Control and Agency in K-12 Classroom AI. arXiv:2607.01506. 40. Graßl I. (2026). Learning to Program Alongside AI: Critical Thinking, AI Ethics, and Gendered Patterns of German Secondary School Students. arXiv:2603.24197.

Chinesische wissenschaftliche Artikel

8. 杨现民，曾佳尧，李新 (2025). «人工智能与教育深度融合的场景细化及落地实践 ». 开放教育研究. 9. 兰国帅，杜水莲，宋帆等 (2023). «生成式人工智能教育：关键争议，促进方法与未来议题 ». 开放教育研究. 10. 瞿振元 (2025). «人工智能推进教育教学重构的思考 ». 重庆高教研究. 11. 吴晓林，邢羿飞 (2023). «知识复制抑或创新激发？——人工智能 (ChatGPT) 对社科类研究生教育的挑战与机遇 ». 广西师范大学学报. 12. 周洪宇，余江涛 (2025). «迈向通用人工智能时代的教师工作：挑战与出路 ». 电化教育研究. 13. 余明华，王龚，卜洪晓，郑隆威 (2024). «未来教师如何培养？—人机协同师范教育创新的理论模型与实践进路 ». 现代教育技术. 14. 李德毅，马楠 (2023). «人工智能看教育 ». 高等工程教育研究. 15. 祝新宇 (2025). «生成式人工智能与教育融合发展：教育变革的实践转向 ».

Offizielle Dokumente der VR China

16. 教育部基础教育教学指导委员会 (2025). «中小学生成式人工智能使用指南（2025 年版） ».

Internationale und russische Studien

17. Fagerlund J., Mertala P., Lehtoranta J. et al. (2026). From Competency to Agency: Teachers' Views of the Purposes of AI Education. Journal of Computer Assisted Learning. 18. Xiao W., Gonçalves A. (2025). Intelligent toys, complex questions: A literature review of artificial intelligence in children's toys and devices. Big Data & Society. 19. Politsinskaya et al. (2026). AI-Supported Student Skills Profiling Integrating AI and EdTech into Inclusive and Adaptive Learning. Societies, 15(3), 209. 20. Tokarchuk et al. (2026). «Психолого-педагогические эффекты использования технологий искусственного интеллекта в образовательной практике ». Современная зарубежная психология, 15(2). 21. HSE (2025). Типологизация стратегий внедрения искусственного интеллекта в образование: Российская Федерация, Европейский Союз, Китайская Народная Республика. 27. Hassen M. Z. (2025). The Impact of AI on Students' Reading, Critical Thinking, and Problem-Solving Skills. American Journal of Education and Information Technology. 29. IZ.RU (2026). How AI is changing the field of education. Analysis. 30. Korytova M. A., Shunailova S. A. (2025). Development of students' critical thinking using artificial intelligence. Vestnik of Samara State Technical University. 35. OECD (2026). OECD Digital Education Outlook 2026. 38. Nasr N.R., Tu C.H., Sujo-Montes L. et al. (2026). Generative artificial intelligence impact on critical thinking in higher education: a comprehensive bibliometric analysis and systematic review. Journal of Computers and Education.

Europäische Dokumente und Studien

32. Cosgrove J., Cachia R. (2026). DigComp 3.0: European Digital Competence Framework. JRC144121. 44. Kotsis K.T., Stylos G. (2026). The AI Act and the future of STEM education in Europe: rethinking pedagogy, assessment, and teacher agency. Frontiers in Education. 46. European Commission & OECD (2026). Building AI literacy for the future. EU Learning Corner. 49. European Commission, OECD, Code.org (2025). Empowering Learners for the Age of AI: Building AI Literacy Across Lifelong Learning. EPALE. 51. 2EU.Brussels (2026). European Commission and OECD propose that students learn not only to use artificial intelligence but to understand it critically. 52. PivotNews.AI (2026). European Commission and OECD Release AI Literacy Framework with 19 Competencies. 53. FixTheAIGap (2026). OECD-EC AI Literacy Framework for Schools — Final Launch. 55. AIAdopt (2026). EU AI Act in Education: What Schools Must Do. 56. ZeMKI (2026). Communicative AI in Schools at the Open Campus 2026. 57. IIENSTITU (2026). EU Council AI in Education Conclusions (May 2026). 58. AI in Europe (2026). AI in Class: The Rules Teachers Cannot Skip.

Der Artikel wurde auf Basis einer Analyse von 35+ wissenschaftlichen Quellen aus der Europäischen Union, Deutschland, den USA, China und Russland erstellt, veröffentlicht zwischen 2023 und 2026.