KI-Lernbegleiter Infografik

Was müsste ein KI-Lernbegleiter eigentlich leisten?

Infografik-Überblick: Was müsste ein KI-Lernbegleiter eigentlich leisten? Neun Stationen: 1 Expertise zählt, 2 Lernen braucht Reibung, 3 Selbstregulation, 4 Lernökologie, 5 Spiegel statt Metrik, 6 Vier Formen von Reibung, 7 Epistemische Verlustbilanz, 8 Menschenbild, 9 Knowledge Delta. Ziel: bessere Fragen, begründete Urteile, weniger Abhängigkeit von der KI.
Infografik in voller Größe öffnen ↗

Eine KI, die beim Lernen unterstützt, ohne jene Prozesse abzunehmen, durch die Verstehen, Urteilskraft und Selbstständigkeit entstehen. Neun Stationen mit Befunden aus Lernforschung, Bildungsphilosophie und KI-Studien.

Eigene Denkleistung / Reibung KI-Unterstützung Menschen: Peers, Lehrkräfte, Ausbilder
1
Ausgangsbefund

KI macht Expertise nicht überflüssig, sondern wertvoller

Wer mehr Domänenwissen mitbringt, steuert KI besser, beurteilt Ergebnisse treffender und erkennt Fehler leichter. Fehlendes Fachwissen wird durch gute Antworten nicht kompensiert, sondern nur verdeckt.

KI als Scaffolding

Gerüst, das wieder abgebaut wird

Unterstützt den Aufbau von Fachwissen („Domain Mastery“). Der Mensch behält die kognitive Kontrolle: autonomes Offloading.

KI als Krücke

Denken wird delegiert

Kurzfristige „Tool Mastery“ ohne nachhaltiges Verstehen: abhängiges Offloading. Ergebnisse können nicht mehr selbst geprüft werden.

Ein Lernbegleiter darf fehlendes Wissen nicht dauerhaft durch gute Antworten kaschieren.

Anthropic (2026) · Liu, Fan & Pan (2026) · Zhu et al. (2026)
2
Lernen braucht Reibung

Erst selbst denken, dann Unterstützung

Lernen profitiert, wenn Menschen zunächst selbst erinnern, ausprobieren, scheitern und Hypothesen bilden. Ein guter Lernbegleiter übernimmt nicht reflexartig die erste relevante Denkleistung.

Eigener Versuch Irritation Hinweis Neuer Versuch Erklärung Transfer
Triviale Reibung · darf weg
Formatierunglangwierige InformationssucheRoutineaufwand
Lernrelevante Reibung · bleibt
Abrufen (Retrieval)Verteiltes Üben (Spacing)VariationProduktives Scheitern
Bjork & Bjork: Desirable Difficulties · Kapur: Productive Failure
3
Selbstregulation vor Personalisierung

Die beste Personalisierung macht sich überflüssig

Selbstreguliertes Lernen hängt mit Lernleistung, Engagement und Motivation zusammen. Eine personalisierte Lernumgebung mit Zielplanung, adaptiven Wochenzielen und Dashboard verbesserte Lernprozesse jedoch nicht generell: Zu starke Vorgaben, negatives Feedback und permanente Anpassung können Autonomie verringern und Abhängigkeit erzeugen.

Die KI plant für mich.
Die KI plant mit mir.
Die KI fragt nach meinem Plan.
Ich plane selbst.
Selbstregulation umfasst
ZielsetzungPlanungSelbstbeobachtungSelbstbewertungZeitmanagementHilfesuchePeer Learning
Hemmler & Ifenthaler (2024), Meta-Analyse über 58 Studien · Fromm, Ifenthaler & Rasch (2026): „Personalization is no miracle cure“
4
Lernökologie

Selbstständig lernen heißt nicht, ohne Menschen zu lernen

Ein guter Lernbegleiter erkennt, wann er selbst nicht die beste Form der Unterstützung ist. Die passende Ressource zu wählen, ist selbst eine Lernleistung.

Eigenes Denken„Denk noch einmal selbst darüber nach.“
KI-Unterstützung„Ich gebe dir einen Hinweis …“
Menschliche Beziehung„Sprich darüber mit Mitschüler:innen, einer Lehrkraft oder jemandem mit Praxiserfahrung.“
Hemmler & Ifenthaler (2024): Help Seeking und Peer Learning als SRL-Strategien
5
Bildung ist keine Optimierungsschleife

Mirror, not metric

Im „Human-in-the-Loop“-Modell steht die Maschine im Zentrum: Lernende werden zu Datenquellen, Lehrkräfte zu Dashboard-Nutzern. Lernen enthält aber Beziehung, Überraschung, Umwege, eigene Ziele und Irritation.

MetrikDu liegst bei Kompetenzniveau 0,63, deshalb folgt jetzt Übung 7.
SpiegelMir fällt auf, dass derselbe Denkfehler mehrfach auftaucht. Möchtest du dir das genauer ansehen?
Daniela Hau: Beyond the loop (UNESCO Ideas Lab, 2025)
6
Über das Fach hinaus

Vier Formen von Reibung

Die Wirklichkeit kennt keine Fakultäten. Tiefe ohne Verbindung erzeugt Tunnel, Verbindung ohne Tiefe erzeugt Beliebigkeit. Ein Lernbegleiter fördert beides.

Kognitiv

Kann ich das Problem lösen?

Epistemisch

Betrachte ich überhaupt das richtige Problem?

Welche Annahme behandeln wir gerade als selbstverständlich?

Perspektivisch

Was sieht eine andere Wissensordnung, das meine nicht sieht?

Etwa Technik, Recht, Ökonomie, Ethik am selben Arbeitsauftrag.

Persuasive Transparenz

Die KI darf lenken, fragen, zweifeln lassen.

Ziel, Grund und Richtung bleiben nachvollziehbar. Das abschließende Urteil gehört dem Lernenden.

National Academies (2005) · Julie Thompson Klein (2021)
7
Fortschritt braucht eine zweite Bilanz

Die epistemische Verlustbilanz

Was wir durch KI gewinnen, lässt sich präzise messen: Geschwindigkeit, Information, Output. Was dabei entfällt, kaum. Fünf Prüffragen vor jeder Automatisierung im Unterricht:

#PrüffrageBilanz
1Was gewinnen wir durch die Automatisierung?Gewinn
2Was tun wir anschließend nicht mehr selbst?Verlust?
3Welche Erfahrung entfällt dadurch?Verlust?
4Welche Fähigkeit entstand bisher aus genau dieser Erfahrung?Verlust?
5Brauchen wir diese Fähigkeit weiterhin?Entscheidung
Beispiel · GewinnKI-Zusammenfassung von Fachtextenschneller Überblick, Zeitersparnis
Beispiel · VerlustLernziel: widersprüchliche Quellen abwägenDer eingesparte Prozess war der eigentliche Lernprozess.
Reckwitz: Verlust · Rosa: Unverfügbarkeit · Sandel: Vom Ende des Gemeinwohls · Zacharias u. a.: Post-Growth
8
Menschenbild

Der Mensch darf nicht zur schlechteren KI erzogen werden

Wer Bildung an Verarbeitungstempo, fehlerfreier Formulierung und Output-Menge misst, macht genau die Eigenschaften zum Maßstab, in denen Maschinen immer stärker werden. Stärker kultivieren:

UrteilskraftSelbstbefragungPerspektivwechselUmgang mit AmbiguitätVerantwortungMeinung revidieren angesichts besserer Gründe
  • Warum hältst du es für richtig?
  • Unter welchen Bedingungen gilt deine Aussage nicht?
  • Was könnte dich dazu bringen, dein Urteil zu ändern?
Rüdiger Safranski: Die Vierte Kränkung
9
Warum sollten Lernende den Umweg wollen?

Vom Fortschrittsbalken zum Knowledge Delta

Jede:r kann den anspruchsvollen Begleiter schließen und einen normalen Chatbot öffnen. Der Umweg muss sich lohnen, nicht durch Gamification, sondern durch erfahrbaren Erkenntnisfortschritt.

Vorher

„Du hast X angenommen.“

Nachher

„Jetzt kannst du erklären, warum X nur unter Bedingung Y gilt.“

Lernende wählen die Reibung selbst
ChallengeFragen statt Antworten
CoachingHinweise, gestuft
Gemeinsam explorierenDenkpartner
Direkte InformationAntwort sofort
→
Für Ihren Unterricht und die Lernortkooperation

Lernkultur entsteht durch die Fragen, die wir stellen

Habitus entsteht nicht durch Software, sondern dadurch, welche Lernhandlungen in Schule und Betrieb immer wieder erwartet und anerkannt werden. Fragen für Lehrkräfte, Ausbilder:innen und Mentor:innen:

  • Was war deine erste Hypothese?
  • Wo hast du dich geirrt?
  • Welche KI-Antwort hast du verworfen?
  • Wo endet dein Wissen?
Das eigentliche Ziel · wenn Lernende von sich aus schreiben: Gib mir noch nicht die Lösung. Hilf mir zunächst, meinen eigenen Ansatz zu prüfen.

Die beste Bildungs-KI beantwortet nicht möglichst viele Fragen. Sie hilft Menschen, bessere Fragen zu stellen, bessere Urteile zu bilden und immer weniger von ihr abhängig zu sein.

§
Quellen

Worauf die Stationen beruhen

  • Lernforschung & KI-Studien
  • Anthropic (2026)Agentic coding and persistent returns to expertiseMehr Domänenexpertise, mehr Erfolg mit KI.
  • Liu, Fan & Pan (2026)Tool, tutor, or crutch?Scaffolding vs. kognitives Offloading; Tool vs. Domain Mastery.
  • Zhu, Li, Dong, Chang & Fan (2026)Not all cognitive offloading is equalAbhängiges vs. autonomes Offloading.
  • Bjork & BjorkDesirable DifficultiesRetrieval, Spacing, Variation fördern langfristiges Lernen.
  • Manu KapurProductive FailureErst eigene Lösungssuche, dann Erklärung.
  • Hemmler & Ifenthaler (2024)Self-regulated learning strategies in continuing educationMeta-Analyse, 58 Studien.
  • Fromm, Ifenthaler & Rasch (2026)Personalization is no miracle cureÜbersteuerung kann Autonomie mindern.
  • Daniela Hau (2025)Beyond the loop: Reclaiming pedagogy in an AI ageUNESCO Ideas Lab; „mirror, not metric“.
  • Interdisziplinarität
  • National Academies (2005)Facilitating Interdisciplinary ResearchIntegration ohne Verlust disziplinärer Tiefe.
  • Julie Thompson Klein (2021)Beyond InterdisciplinarityKapitel „Learning“: Lernen über Wissensgrenzen.
  • Gesellschaft & Menschenbild
  • Michael J. SandelVom Ende des GemeinwohlsIndividualisierte, moralisch aufgeladene Leistung.
  • Hartmut RosaUnverfügbarkeitVerfügbarkeit der Welt vs. gelingende Weltbeziehung.
  • Andreas ReckwitzVerlust. Ein Grundproblem der ModerneVerlustparadoxie des Fortschritts.
  • Rüdiger SafranskiDie Vierte KränkungMenschlicher Geist im Schatten der KI.
  • Ulrike Zacharias u. a.Sustainable Futures with Predictive Intelligence for Organizations in a Post-Growth EconomyFortschritt ist nicht gleich „Mehr“.
Waldemar Sobieroj · OVM KasselInfografik zum Essay „Was müsste ein KI-Lernbegleiter eigentlich leisten?“

What should an AI learning companion actually do?

Infographic overview: What should an AI learning companion actually do? Nine stations: 1 Expertise matters, 2 Learning needs friction, 3 Self-regulation, 4 Learning ecology, 5 Mirror, not metric, 6 Four kinds of friction, 7 Epistemic loss account, 8 Image of the human, 9 Knowledge delta. Goal: better questions, well-founded judgements, less dependence on AI.
Open infographic at full size ↗

An AI that supports learning without taking over the very processes through which understanding, judgement and independence develop. Nine stations drawing on learning science, philosophy of education and recent AI studies.

Learner's own thinking / friction AI support People: peers, teachers, trainers
1
Starting point

AI doesn't make expertise obsolete. It makes it more valuable

People with more domain knowledge steer AI better, judge its output more accurately and spot errors more easily. Good answers don't compensate for missing expertise; they only hide the gap.

AI as scaffolding

Support that is taken down again

Builds lasting domain mastery. The learner stays in cognitive control: autonomous offloading.

AI as a crutch

Thinking gets delegated

Short-term tool mastery without lasting understanding: dependent offloading. Learners can no longer check the results themselves.

A learning companion must not permanently mask missing knowledge with good answers.

Anthropic (2026) · Liu, Fan & Pan (2026) · Zhu et al. (2026)
2
Learning needs friction

Think first, then get support

Learning benefits when people first recall, try, fail and form hypotheses themselves. A good learning companion does not reflexively take over the first meaningful piece of thinking.

Own attempt Confusion Hint New attempt Explanation Transfer
Trivial friction · remove it
FormattingTedious information searchRoutine effort
Productive friction · keep it
RetrievalSpacingVariationProductive failure
Bjork & Bjork: Desirable Difficulties · Kapur: Productive Failure
3
Self-regulation over personalisation

The best personalisation makes itself redundant

Self-regulated learning is associated with performance, engagement and motivation. Yet a personalised learning environment with goal planning, adaptive weekly goals and a dashboard did not generally improve learning processes: too much guidance, negative feedback and constant adaptation can reduce autonomy and create dependence.

The AI plans for me.
The AI plans with me.
The AI asks about my plan.
I plan myself.
Self-regulation includes
Goal settingPlanningSelf-monitoringSelf-evaluationTime managementHelp seekingPeer learning
Hemmler & Ifenthaler (2024), meta-analysis of 58 studies · Fromm, Ifenthaler & Rasch (2026): "Personalization is no miracle cure"
4
A learning ecology

Learning independently doesn't mean learning alone

A good learning companion recognises when it is not the best form of support. Choosing the right resource is itself a learning achievement.

Own thinking"Think about it once more yourself."
AI support"Here's a hint …"
Human relationship"Talk it through with a classmate, a teacher or someone with hands-on experience."
Hemmler & Ifenthaler (2024): help seeking and peer learning as SRL strategies
5
Education is not an optimisation loop

Mirror, not metric

In a human-in-the-loop model the machine sits at the centre: learners become data sources and teachers become dashboard users. But learning involves relationships, surprise, detours, personal goals and productive confusion.

MetricYou're at competence level 0.63, so exercise 7 comes next.
MirrorI notice the same reasoning error keeps coming up. Would you like to take a closer look?
Daniela Hau: Beyond the loop (UNESCO Ideas Lab, 2025)
6
Beyond the single subject

Four kinds of friction

Reality doesn't come sorted into faculties. Depth without connection creates tunnel vision; connection without depth creates arbitrariness. A learning companion fosters both.

Cognitive

Can I solve the problem?

Epistemic

Am I even looking at the right problem?

Which assumption are we treating as self-evident?

Perspectival

What does another field see that mine misses?

For example technology, law, economics and ethics applied to the same work task.

Persuasive transparency

The AI may direct attention, ask questions and provoke doubt.

Its aim, reasons and direction stay traceable. The final judgement belongs to the learner.

National Academies (2005) · Julie Thompson Klein (2021)
7
Progress needs a second balance sheet

The epistemic loss account

What AI adds can be measured precisely: speed, information, output. What it removes, hardly at all. Five questions to ask before automating anything in class:

#QuestionBalance
1What do we gain from the automation?Gain
2What do we no longer do ourselves afterwards?Loss?
3Which experience disappears as a result?Loss?
4Which ability may have grown out of exactly that experience?Loss?
5Do we still need that ability?Decision
Example · gainAI summary of technical textsquick overview, time saved
Example · lossLearning goal: weighing contradictory sourcesThe process that was saved was the actual learning process.
Reckwitz: Loss · Rosa: Uncontrollability · Sandel: The Tyranny of Merit · Zacharias et al.: post-growth
8
Image of the human being

Don't educate people to be inferior AIs

If education is judged by processing speed, error-free wording and volume of output, we measure people by exactly the qualities in which machines keep getting stronger. Cultivate these instead:

JudgementSelf-questioningChanging perspectiveDealing with ambiguityResponsibilityRevising views in light of better reasons
  • Why do you think it's right?
  • Under what conditions would your statement not hold?
  • What could make you change your judgement?
Rüdiger Safranski: Die Vierte Kränkung (The Fourth Insult)
9
Why would learners want the detour?

From progress bar to knowledge delta

Anyone can close the demanding companion and open a regular chatbot. The detour has to pay off, not through gamification but through progress in understanding that learners can feel.

Before

"You assumed X."

After

"Now you can explain why X only holds under condition Y."

Learners choose their level of friction
Challengequestions instead of answers
Coachinggraded hints
Explore togetherthinking partner
Direct informationanswer straight away
→
For your classroom and school–company cooperation

Learning culture grows from the questions we ask

Habits don't come from software. They come from the learning practices that school and workplace keep expecting and recognising. Questions for teachers, trainers and mentors:

  • What was your first hypothesis?
  • Where were you wrong?
  • Which AI answer did you reject?
  • Where does your knowledge end?
The real goal · when learners write this on their own: Don't give me the solution yet. First help me check my own approach.

The best educational AI doesn't answer as many questions as possible. It helps people ask better questions, form better judgements and depend on it less and less.

§
Sources

What the stations are based on

  • Learning science & AI studies
  • Anthropic (2026)Agentic coding and persistent returns to expertiseMore domain expertise, more success with AI.
  • Liu, Fan & Pan (2026)Tool, tutor, or crutch?Scaffolding vs. cognitive offloading; tool vs. domain mastery.
  • Zhu, Li, Dong, Chang & Fan (2026)Not all cognitive offloading is equalDependent vs. autonomous offloading.
  • Bjork & BjorkDesirable DifficultiesRetrieval, spacing and variation support long-term learning.
  • Manu KapurProductive FailureSearch for solutions first, explanation afterwards.
  • Hemmler & Ifenthaler (2024)Self-regulated learning strategies in continuing educationMeta-analysis, 58 studies.
  • Fromm, Ifenthaler & Rasch (2026)Personalization is no miracle cureOver-steering can reduce autonomy.
  • Daniela Hau (2025)Beyond the loop: Reclaiming pedagogy in an AI ageUNESCO Ideas Lab; "mirror, not metric".
  • Interdisciplinarity
  • National Academies (2005)Facilitating Interdisciplinary ResearchIntegration without losing disciplinary depth.
  • Julie Thompson Klein (2021)Beyond InterdisciplinarityChapter "Learning": learning across knowledge boundaries.
  • Society & image of the human being
  • Michael J. SandelThe Tyranny of MeritIndividualised, moralised achievement.
  • Hartmut RosaThe Uncontrollability of the WorldAvailability of the world vs. resonant relationship to it.
  • Andreas ReckwitzVerlust. Ein Grundproblem der ModerneThe loss paradox of progress.
  • Rüdiger SafranskiDie Vierte KränkungThe human mind in the shadow of AI.
  • Ulrike Zacharias et al.Sustainable Futures with Predictive Intelligence for Organizations in a Post-Growth EconomyProgress is not the same as "more".