Jenseits des Labels: Lern-Design im KI-Zeitalter

---

Englisch

AI-assisted tutoring system

Wir leben in einem lauten Moment. Das eine Lager spricht über generative KI, als würde sie Bildung allein durch ihre Brillanz retten. Das andere warnt, sie werde Lernen von innen aushöhlen. Und die Debatte landet immer wieder am selben erschöpften Ort: euphorische Gewissheit oder ängstliche Ablehnung. Aber Lernen hat nie der Gewissheit gehört.

Nach achtzehn Jahren Unterricht behaupte ich nicht, ich könne Lernen in einem anderen Menschen „verursachen“. Keine Lehrkraft kann ehrlich garantieren, dass Lernen passieren wird. Das Beste, was wir tun können, ist ein Umfeld zu gestalten, zu begleiten und behutsam zu moderieren, in dem Lernen wahrscheinlicher wird, in der Hoffnung, dass es geschieht. Das ist ein professionelles Ethos guter Pädagogik: Bedingungen schaffen, in denen Denken Wurzeln schlagen kann, Übung möglich wird, Feedback so ankommt, dass es genutzt werden kann, und Anstrengung nicht in Scham zerfällt. Wenn Menschen mich also fragen, ob KI „gut“ oder „schlecht“ für Bildung ist, beginne ich mit einer anderen Frage: Welche Art von Lernumgebung erzeugt dieses Tool? Erleichtert es vor allem das Auslagern des Denkens, oder strukturiert es das Denken so, dass die Schülerin oder der Schüler weiterhin reflektiert, gestaltet, anwendet, und damit im Kern die Arbeit selbst leistet?

Genau dort lebt Sybille. (Media) Nicht als altes Gütesiegel. Nicht als Garantie. Sondern als „teacher-built, exam-aligned AI-assisted tutoring system“, das Lernen wahrscheinlicher machen will, ohne so zu tun, als sei Lernen automatisch. Und im Englisch-Abitur ist diese Unterscheidung entscheidend. Dieses Fach ist in der Praxis nicht „Fakten ausspucken“ oder „Grammatikrätsel lösen“. Es geht darum, Kompetenzen so zu formulieren, dass es organisch wirken soll, zugleich aber methodisch, kontrolliert und auf dem Papier begründbar bleibt.

Leistung ist nicht dasselbe wie Lernen

Die OECD benennt eine Kerngefahr generativer KI: Sie kann Schülerinnen und Schülern helfen, Aufgaben zu erledigen, aber Aufgabenerledigung ist nicht dasselbe wie Lernen. Wenn GenAI den kognitiven Kern übernimmt, kann die Oberfläche besser aussehen, während die zugrunde liegende Kompetenz sich nicht so entwickelt, wie Bildung es beabsichtigt.

Hier geht es nicht um Moral, sondern um Mechanik. Lernen braucht eine bestimmte Art von Anstrengung: auswählen, strukturieren, überarbeiten, eine Methode auf eine neue Situation übertragen. Wenn ein Tool diese Anstrengung vollständig herausnimmt, kann es Output erhöhen und Wachstum senken. Die OECD spricht in diesem Zusammenhang davon, GenAI als „learning partner, not a learning shortcut“ zu verstehen, und betont, dass Bildung über generische Chatbots hinausgehen sollte, hin zu „purpose-built Tools“ mit klarer pädagogischer Absicht, die anschließend auch entsprechend evaluiert werden.

Gleichzeitig erleben wir eine kulturelle Reifung. Am Anfang nutzten viele GenAI, um sich selbst und anderen zu beweisen, dass es „kann“. Die erwachsenere Nutzung beginnt dort, wo das Tool zurücktritt. Nicht hungrig nach Applaus, nicht getrieben vom Vorzeigen, sondern stabil genug, von der Seite zu stützen: Aufmerksamkeit lenken, Schritte markieren, Fragen stellen, Raum geben, damit Lernen sich entfalten kann.

Für Eltern ist die praktische Konsequenz still und ernüchternd: Ein Kind kann auf dem Papier kompetenter wirken und zugleich weniger in der Lage sein, diese Kompetenz eigenständig zu produzieren, besonders unter Prüfungsdruck. Ein Text kann in streng strukturierten Umgebungen besser werden, während die Schreibende oder der Schreibende stagniert. Und wenn wir dieses Risiko nicht anerkennen, streiten wir über die falschen Dinge: verbieten, feiern, moralisieren, obwohl das eigentliche Thema oft Design ist. Und ja, auch traditionelle Methoden haben „unbalanced outcomes“ produziert. Neu ist nicht, dass Bildung plötzlich fragil wäre. Neu ist, dass der Shortcut ungewöhnlich verführerisch geworden ist, und ungewöhnlich flüssig klingt.

Was ältere Tutorsysteme richtig gemacht haben, und was wir behalten können, ohne so zu tun, als wäre es 1999

Lange vor großen Sprachmodellen hat die Forschung zu intelligenten Tutorsystemen eine Haltung geprägt, die weiterhin trägt: nicht einfach Antworten geben. Diagnostizieren, was schiefgelaufen ist. Gezielte Hinweise geben. Transfer fördern, damit die Lernenden eine Strategie auf eine neue, ähnliche Aufgabe übertragen können. Fortschritt über Zeit verfolgen, nicht als Kontrolle, sondern als Grundlage für die nächste sinnvolle Übung.

Anders gesagt: Tutoring ist nicht nur die Lieferung von „richtig“. Tutoring ist das sorgfältige Gestalten von Bedingungen, in denen Verständnis entstehen kann. Das ist nicht nur Theorie. Eine große Meta-Analyse zu intelligenten Tutorsystemen findet insgesamt bedeutsame Lerneffekte, betont aber zugleich, dass die Wirkung stark von der Qualität der Umsetzung und der Art der Leistungsmessung abhängt. VanLehn argumentiert in einem vielzitierten Review ähnlich: „Tutoring“ ist kein einheitliches Ding, entscheidend ist, welche Art von Tutoring-Interaktion ein System tatsächlich erzeugt.

Und genau hier liegt der Punkt für 2026: Man muss das Legacy-Label nicht anbeten, um die Legacy-Lektion zu respektieren. Ein Tool wird nicht pädagogisch, nur weil es sprachlich elegant klingt. Und ein System wird nicht vertrauenswürdig, nur weil es einen akademischen Titel trägt. Entscheidend ist, ob das Tool Lernen unterstützt, statt ersetzt, und ob seine Claims ohne Hype überprüfbar sind.

Darum dränge ich nicht darauf, Sybille „ITS“ zu nennen. Nicht, weil das Label verboten wäre, sondern weil Labels auch Tarnung sein können. Sybille steht zu ihrer Jugend und läuft mit ihren LLM-Peers, mit einer anderen Ambition: nach Lern-Design beurteilt zu werden. Und aus der Praxis kenne ich noch etwas: Ich habe hochqualifizierte Lehrkräfte erlebt, brillant im Fach, die dennoch schwer erreichen, weil Expertise manchmal eher zu Performance verhärtet als zu Transfer. Die Frage ist selten, ob jemand das Thema beherrscht. Die Frage ist, ob die Praxis dort ansetzt, wo Lernende wirklich stehen, ob sie den gewünschten Transfer modelliert, und ob der Unterricht Schülerinnen und Schüler größer macht statt kleiner.

Der Lernvertrag: Hände, Füße und die gebaute Umgebung

Neben dem Denken haben wir Hände und Füße. Wir haben Gewohnheiten. Wir haben Routinen, die durch Wiederholung zu Erinnerung werden, in gebauten Umgebungen: Schreibtische, Küchentische, Hefte, Bildschirme, stille Zeitfenster an ganz normalen Tagen.

Werkzeuge waren immer Teil von Lernen. Eine Säge schneidet Holz, Stein oder Metall, nicht „Gehirnkraft“. Ein Taschenrechner stabilisiert das Rechnen. Eine Rechtschreibprüfung fängt Ausrutscher. Ein gut gebauter Feedback-Loop formt Schreiben. Keines dieser Tools ist automatisch „Betrug“. Schädlich werden sie erst dann, wenn sie das Wachstum ersetzen, das sie eigentlich unterstützen sollten. Das ist der Lernvertrag, der mir wichtig ist: Die Schülerin oder der Schüler bleibt Autor oder Autorin des Ergebnisses, und wird mit der Zeit auch Eigentümerin oder Eigentümer der Methode.

Was macht also ein plausibles AI-assisted tutoring system, ohne zu behaupten, es könne Lernen garantieren?

Es hält die Lernenden im Tun. Es schafft Raum für Übung statt einen Shortcut aus der Übung heraus. Es übersetzt Anforderungen in Schritte und Schritte in wiederholbare Gewohnheiten. Es erzeugt Feedback, das Spuren hinterlässt, nicht nur eine fertige Antwort, sondern einen Grund, ein Muster, einen nächsten Move, den man wiederholen kann. Es kann so konfiguriert sein, dass es Reflexion und Transfer anstößt: Was hast du getan, warum, und wie würdest du es unter Druck wieder tun? Und es sollte nicht über Demütigung, Strafe oder Statusspiele regieren. Es sollte Würde bewahren und trotzdem präzise bleiben.

Das ist kein Versprechen, dass Lernen passiert. Es ist ein Versprechen, dass die Umgebung nicht so gebaut ist, dass Lernen still umgangen werden kann. Und genau das passt zur OECD-Warnung vor dem Auslagern des Denkens bei gleichzeitiger Verwechslung von Performance und Kompetenz. Der Punkt ist nicht „nie Tools nutzen“. Der Punkt ist: Pädagogik zählt, Design zählt, Evaluation zählt.

Darum verkaufe ich keine Gewissheit, und Sybille auch nicht. Keine Garantie. Nicht einmal die Romantik eines Labels. Ich baue und moderiere eine spezialisierte Lernumgebung. Ich stärke Reflexion und Ownership. Ich lade zur Prüfung ein, vereinfache und standardisiere Evaluation. Und ich wähle eine Tool-Philosophie, die polierten Output nicht mit echter Fähigkeit verwechselt, weil am Ende die Schülerin oder der Schüler die Prüfung schreiben, das Denken vertreten und die Kompetenz ins Leben mitnehmen muss.

---

Acknowledgement (SPIEGEL framing)
Ein SPIEGEL-Interview (mir von einer Freundin als Foto geschickt) hat die Stimmung treffend eingefangen: Wir reden über KI in Bildung entweder „Viel zu euphorisch oder viel zu kritisch“ (SPIEGEL Magazin, Feb. 2026). Mich interessiert keiner dieser Pole. Mich interessieren Lern-Design, student ownership und Evaluation.

Footnote / descriptor
Sybille is a teacher-built, exam-aligned AI-assisted tutoring system.
Teacher-built, exam-aligned tutoring, purpose-built for structured feedback, safe boundaries, and student ownership.

References
OECD (2026). OECD Digital Education Outlook 2026: The State of Digital Education. OECD.
Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A meta-analytic review. Review of Educational Research, 86(1), 42–78. (Accessible summary/record.)
VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221. (Author-hosted PDF.)
TrainingTree article (German)
SPIEGEL Magazin (June 2026). “Viel zu euphorisch oder viel zu kritisch.” Interview with Prof. Dr. Ute Schmid. (Source available as a photograph provided to the author, no public link included.)