Die Debatte über KI in der Bildung dreht sich meist um Tools. ChatGPT im Unterricht, automatisierte Korrekturen, KI-Lernplattformen. Das sind legitime Fragen – aber sie greifen zu kurz. Was wirklich gebraucht würde, ist eine Grundsatzdebatte: Unter welchen Bedingungen lernen Menschen tatsächlich? Und was bedeutet das für den KI-gestützten Unterricht?

John Hattie hat diese Frage fünfzig Jahre lang untersucht. Seine Antworten sind unbequemer als die aktuelle Technologiedebatte vermuten lässt – und wichtiger, als sie im Hype gehört werden.

Was Hattie nach fünfzig Jahren Wirkungsforschung herausfand

Hatties Metastudie Visible Learning hat über 1.200 Einzelstudien ausgewertet, die Bildungsinterventionen für mehr als 250 Millionen Schülerinnen und Schüler erfassen. Seine Kernbotschaft ist ernüchternd: Fast alles, was in Schulen passiert, zeigt irgendeinen positiven Effekt. Die entscheidende Frage ist nicht, ob etwas wirkt – sondern wie stark.

Hattie misst Wirkung in Effektstärken. Der Schwellenwert für bildungsrelevante Wirksamkeit liegt bei d = 0,40. Was darunter bleibt, entspricht ungefähr dem, was allein durch Reifung und Zeit entsteht.

Die stärksten Faktoren liegen nicht im Curriculum oder in der Methodik. Sie liegen in Feedback (d = 0,79), in formativem Assessment (d = 0,48) und im Vorwissen, das Lernende mitbringen. Metakognition – die Fähigkeit, das eigene Denken zu beobachten und zu steuern – erklärt einen Großteil des Lernfortschritts über alle anderen Variablen hinaus.

Das ist kein neuer Befund. Es ist ein jahrzehntealter Befund, der im aktuellen Diskurs über KI in der Bildung auffällig selten zitiert wird.

Quelle: Hattie, J. (2009). Visible Learning: A Synthesis of Over 800 Meta-Analyses Relating to Achievement. Routledge.

Wie KI in der Bildung das Feedback-Problem grundlegend verändert

Feedback ist der stärkste Einzelhebel im Lernprozess – und gleichzeitig das, was im Schulalltag am häufigsten scheitert. Nicht weil Lehrende es nicht wollen, sondern weil es strukturell kaum möglich ist: 28 Schülerinnen und Schüler, 45 Minuten, eine Lehrperson.

Hier verändert KI in der Bildung die Ausgangslage strukturell. KI-Systeme können sofortige Rückmeldung auf Fehler geben, bevor ein Irrtum sich festigt. Sie passen individuelle Lernpfade in Echtzeit an. Und sie skalieren formatives Assessment auf eine Breite, die im klassischen Unterricht auf Stichproben beschränkt bleibt.

Das entspricht exakt dem, was Hattie als wirksam identifiziert hat: Feedback, das spezifisch, zeitnah und auf den nächsten konkreten Lernschritt ausgerichtet ist. KI kann diesen Mechanismus technisch erfüllen – in einem Umfang, den kein einzelner Mensch leisten kann.

Was KI in der Bildung nicht kann – die Metakognitions-Lücke

Hier beginnt die eigentliche pädagogische Herausforderung.

Hattie zeigt, dass Metakognition – also die Fähigkeit, das eigene Lernen zu beobachten, zu planen und aus Fehlern zu rekonstruieren – zu den stärksten Prädiktoren für Lernerfolg zählt. Wer weiß, wie er lernt, lernt besser als jemand, der einfach lernt.

KI-Systeme liefern Feedback. Aber sie können Metakognition nicht stellvertretend aufbauen. Das Gegenteil droht: Wenn ein System permanent und sofort korrigiert, entfällt die produktive Anstrengung, die Fehler erst zum Lernmoment macht. Kognitive Irritation – das kurze Stocken, das Nachdenken, die Umstrukturierung – ist keine Fehlfunktion des Lernprozesses. Sie ist sein Kern.

Es gibt Hinweise, dass übermäßig vereinfachtes Feedback die Illusion von Lernfortschritt erzeugt, ohne echte Verarbeitungstiefe zu produzieren. Lernende kommen durch, ohne wirklich durchzudenken. Das ist kein KI-Problem. Es ist ein Designproblem: wie wir KI in der Bildung einsetzen.

Quelle: Hattie, J. & Donoghue, G.M. (2016). Learning strategies: a synthesis and conceptual model. npj Science of Learning, 1, 16013.

Ein neues Wirkungsmodell: Was KI übernimmt – und was bleibt

Was Hatties Forschung nahelegt, ist eine klare Neuaufteilung pädagogischer Aufgaben.

KI übernimmt

• Drill und Wiederholung: Automatisierung von Basisfertigkeiten
• Formatives Feedback im Echtzeitmodus
• Diagnostik von Vorwissen und Lernstand
• Differenzierung von Aufgabenniveaus

Lehrende konzentrieren sich auf

• Metakognitives Coaching: Lernstrategien entwickeln, Reflexion anleiten
• Beziehung und Motivation – das, was kein Algorithmus replizieren kann
• Tiefe Diskussion und Argumentation: kognitive Prozesse höherer Ordnung
• Interpretation von KI-Diagnostik und pädagogische Entscheidung

Das ist kein Abgesang auf Lehrende. Es ist eine Aufwertung. Wer von KI-Routinen entlastet wird, hat Kapazität für das, was wirklich Wirkung hat: den Aufbau von Selbstregulation und Denktiefe.

Quelle: OECD (2023). PISA 2022 Results (Volume I): The State of Learning and Equity in Education. OECD Publishing, Paris.

Was das für Entscheidende in Bildung und Politik bedeutet

KI in der Bildung ist keine technologische Frage. Sie ist eine pädagogische.

Die Gefahr liegt nicht darin, dass KI zu viel übernimmt. Die Gefahr liegt darin, dass KI eingesetzt wird, ohne zu klären, was Lernen eigentlich ist. Wer Feedback-Automatisierung einführt, ohne gleichzeitig metakognitive Förderung auszubauen, optimiert den falschen Hebel. Besser messbar ist nicht dasselbe wie wirksamer.

Hattie hat das vor Jahrzehnten aufgezeigt – ohne KI. Was er beschrieben hat, gilt jetzt mit doppelter Dringlichkeit: Feedback ist stark. Metakognition ist stärker. Und die Fähigkeit, das eigene Lernen zu steuern, ist genau das, was in einer Welt mit KI-Assistenz am meisten zählt.

Professionell lehrende nutzen KI als Hebel – nicht als Ersatz für das, was nur Menschen können.

---

Weiterführende Artikel:
→ KI in der Pädagogik: Wenn Denkprozesse plötzlich sichtbar werden
→ Wirksamkeit im Unterricht: Was Hattie zeigte – und was KI jetzt sichtbar macht
→ KI in der Wissensarbeit: Warum KI unser Denken verändert

Weitere Artikel zum Thema

KI in Kommunen

Von der Bürger-App direkt aufs Fax

⏱ 8 Min.