Dritter Tag des Sommercampus an der Leuphana, Session über nachhaltige Geschäftsmodelle mit KI. Nach einem dichten Input saßen wir zu fünft in einer Kleingruppe: Menschen aus dem Nachhaltigkeitsmanagement, Leute aus der Wirtschaft — und ich, der Lehrer, in dieser Runde erkennbar der Exot.
Die Aufgabe: vier Mobilitätsanbieter — cambio, MOIA, MILES, BlaBlaCar — nach Wertversprechen, Art des Angebots und Nachhaltigkeitsversprechen analysieren und beurteilen, ob sie es tatsächlich einlösen. KI-Unterstützung ausdrücklich erlaubt. Zeit: fünfzehn, vielleicht zwanzig Minuten.
Ich habe in dieser knappen halben Stunde mehr über KI im Unterricht gelernt als in den zwei Jahren davor. Allerdings nicht, weil es gut lief.
Was in der Gruppe tatsächlich passierte
Zuerst mussten wir überhaupt verstehen, womit wir es zu tun hatten. Stationsgebundenes Carsharing, Free Floating, Ridepooling, eine reine Vermittlungsplattform — das sind vier verschiedene Geschäftsmodelle, und der Unterschied ist genau der Punkt, an dem die Nachhaltigkeitsfrage hängt. Dieses Verstehen hat den Großteil der Zeit gekostet.
Dabei war es chaotisch, und das lag nicht an den Beteiligten. Die Rollen waren nicht geklärt — niemand hatte gesagt, wer zusammenfasst, wer prüft, wer auf die Zeit schaut. Und die Wissensvoraussetzungen gingen weit auseinander: Was für die Leute aus dem Nachhaltigkeitsmanagement selbstverständlich war, musste ich mir gerade erst erschließen — und umgekehrt.
Und parallel dazu lief die KI mit. Jede Person am Tisch konnte in Sekunden eine gegliederte, plausible Antwort erzeugen: mit Zwischenüberschriften, mit einer angemessenen Zahl von Bulletpoints, souverän formuliert. Diese Antworten waren schneller da als unsere Verständigung darüber, was wir überhaupt beurteilen wollten.
Genau da entsteht das Problem. Eine Diskussion darüber, was wir meinen, hätten wir führen können. Eine Diskussion darüber, welcher von mehreren gleich souverän formulierten Texten jetzt gilt, konnten wir nicht führen — dafür fehlte die Grundlage. Wer sagt, dass seine Version stimmt, sagt der Sache nach: Mein Modell hat besser geantwortet als deins. Das ist kein Argument, das man im Raum prüfen kann.
Was dann passiert, hat eine bestimmte Form: Man liest sich gegenseitig Bulletpoints vor. Und Bulletpoints sind das am wenigsten diskutierbare Textformat, das es gibt — verdichtet, kontextlos, ohne die Begründung, aus der sie stammen. „Hohe Flottenauslastung.“ Ja, und? Was folgt daraus für unsere Frage? Man kann so einen Satz weder prüfen noch bestreiten. Man kann ihn nur zur Kenntnis nehmen, und dann liest die nächste Person ihren vor.
Zusammenlegen lassen sich die Ergebnisse auch nicht. Zwei KI-Antworten auf dieselbe Frage sind nicht zwei Beiträge, die man addiert — es sind zwei fertige Gebäude mit unterschiedlichem Grundriss. Wer versucht, sie übereinanderzulegen, landet in der Schnittmenge, und die besteht aus Allgemeinplätzen.
Und dann bleibt jeder an seinem eigenen Ergebnis hängen. Nicht aus Eitelkeit, sondern weil es das Einzige ist, was man in dieser Lage überblickt: Den eigenen Text hat man gelesen, die anderen vier nicht. Der Blick für die Gruppe geht verloren. Jede Person verteidigt ihr Fenster, weil sie nur durch dieses eine sieht.
Im schlechtesten Fall steht die Gruppe still. Und weil die Uhr läuft, entsteht daraus Druck, aus dem Druck Frust — und am Ende nimmt man das, was am selbstbewusstesten formuliert war, oder das, was die durchsetzungsstärkste Person hatte. Beides ist kein Ergebnis, das hinterher irgendjemand trägt.
Dahinter steckt etwas Allgemeineres. Bevor man beurteilen kann, ob ein Nachhaltigkeitsversprechen eingelöst wird, muss man festlegen, woran man das misst — an der Flotteneffizienz, am Antrieb, am Rebound-Risiko. Diese Festlegung ist die eigentliche Denkarbeit. Ein Sprachmodell trifft sie mit, markiert sie aber nicht als Entscheidung; sie kommt eingebettet in einen Text, der wie eine Auskunft aussieht.
Weiter kamen wir erst, als wir die Kriterien selbst benannten. Um das Ergebnis geht es hier ohnehin nicht — bemerkenswert war der Weg dorthin. Der schwierige Teil der Aufgabe war nie die Beschaffung von Material, die dauerte Sekunden. Der schwierige Teil war der Transfer: aus einem fertigen Output unter Zeitdruck abzuleiten, was für diese Aufgabe relevant ist, was man verwerfen muss und welche Folgerung eine Gruppe gemeinsam tragen kann.
Der Perspektivwechsel
Ich saß dort als Lernender, nicht als Fortbildner. Und irgendwann während dieser Aushandlung habe ich gedacht: Das ist exakt die Situation, in die ich meine Schülerinnen und Schüler jede Woche schicke.
Wir waren fünf Erwachsene mit Berufserfahrung, in einem sorgfältig vorbereiteten Format, mit ausdrücklicher Erlaubnis, alle Werkzeuge zu nutzen — und wir haben den Transfer in zwanzig Minuten nicht sauber hinbekommen. Wenn es uns so geht: Wie muss es dann Vierzehnjährigen gehen? Komplexe Aufgabe, Gruppe, KI erlaubt oder verboten — was praktisch auf dasselbe hinausläuft, weil die Geräte in der Tasche sind. Und niemand hat ihnen gesagt, wie man sich über mehrere gleich gut aussehende Antworten einigt.
Gruppen- und Teamarbeit wird unter KI-Vorzeichen nicht einfacher. Sie wird komplexer.
Das ist die Erkenntnis, die für mich die Richtung geändert hat. Das Werkzeug beseitigt den Engpass, der früher den Takt vorgab — das Beschaffen und Formulieren. Übrig bleibt genau der Teil, der schon immer der schwierigste war: gewichten, aushandeln, verantworten. Und der bekommt jetzt das volle Gewicht der Aufgabe ab, ohne dass irgendjemand dafür mehr Zeit bekommen hätte.
Mir geht es in meiner Arbeit um menschliche Handlungsfähigkeit. Wenn das ernst gemeint ist, kann ich bei der Frage, welches Werkzeug was kann, nicht stehen bleiben. Dann muss ich eine Ebene tiefer — zu den Sozialformen des Unterrichts. Seitdem betrachte ich das Feld Schule, Unterricht und KI konsequent methodisch: Was macht ein Sprachmodell mit Einzelarbeit, mit Partnerarbeit, mit Gruppenarbeit, mit dem Plenum? Und mit welchem Ablauf lässt sich jede dieser Formen so steuern, dass am Ende nicht nur ein Dokument steht, sondern Flow, Beteiligung und ein Ergebnis, das die Gruppe wirklich trägt?
Was die Forschung dazu weiß
Die Erfahrung ist gut belegt, und sie hat einen Namen: Homogenisierung. Eine kontrollierte Nutzerstudie fand, dass Menschen mit ChatGPT zwar detailliertere Ideen produzieren, sich dabei aber untereinander weniger unterscheiden als mit einem anderen Kreativitätswerkzeug. Die semantische Vielfalt zwischen den Beiträgen sinkt. Eine Analyse von 2.200 Bewerbungsessays bestätigte denselben Effekt auf individueller wie auf kollektiver Ebene.
Dieselbe Studie fand noch etwas, das mir seitdem nicht mehr aus dem Kopf geht: Die Teilnehmenden fühlten sich für KI-gestützte Ideen weniger persönlich verantwortlich. In einer Gruppe, die etwas aushandeln soll, ist das keine Nebenwirkung, sondern das Ende der Verhandlung. Man streitet nicht für einen Text, den man nicht als seinen empfindet.
Ein siebentägiges Feldexperiment zeigt die Verlaufsform: Der kreative Leistungsgewinn durch ChatGPT verschwand, sobald das Werkzeug nicht mehr verfügbar war — die Homogenisierung der Denkmuster blieb. Und bei visuellen Ideenfindungsaufgaben führte KI-generierte Inspiration zu stärkerer Fixierung auf das erste gezeigte Beispiel, bei geringerer Ideenzahl, Vielfalt und Originalität als bei klassischer Bildrecherche. Das erste Ergebnis bindet. Wer es zuerst hat, hat den Raum.
Dazu kommt ein Befund, der die Rollenverteilung in der Gruppe erklärt: Sprachmodelle erzielen in standardisierten Kreativitätstests hohe Originalitätswerte, zeigen aber eine eingeschränkte Fähigkeit, originelle von konventionellen Ideen zu unterscheiden — hohe Leistung bei begrenzter Urteilskraft. Das Modell kann Vorschläge machen. Auswählen kann es nicht. Genau das ist die Aufgabe, die in unserer Kleingruppe niemand übernommen hatte, weil alle mit Produzieren beschäftigt waren.
Und in der Schule?
Für den Unterricht gibt es die vielleicht unangenehmste Studie der letzten Jahre. Ein Team um Hamsa Bastani hat rund 1.000 Jugendliche an einer türkischen Oberschule Mathematik üben lassen: eine Gruppe konventionell, eine mit freiem Zugang zu GPT-4, eine mit einer eigens gebauten Tutor-Variante, die Lösungswege zurückhielt und stattdessen Hinweise gab.
Während der Übungsphase sah es erwartbar aus: Die Gruppe mit freiem KI-Zugang löste die Übungsaufgaben deutlich besser. Dann kam die Prüfung — ohne KI. Und genau diese Gruppe schnitt rund 17 Prozent schlechter ab als die Kontrollgruppe. Nicht schlechter als während des Übens: schlechter als die Jugendlichen, die nie ein Modell benutzt hatten.
Die dritte Gruppe — dieselbe Technik, aber mit eingebauten Leitplanken — zeigte diesen Schaden nicht. Das ist der eigentliche Befund. Er lautet nicht „KI schadet". Er lautet: Es kommt ausschließlich darauf an, wie stark das Modell daran gehindert wird, die Aufgabe zu übernehmen.
Der Mechanismus dahinter ist gut bekannt. Lernen braucht Widerstand — was in der Lernpsychologie wünschenswerte Erschwernisse heißt, beschreibt genau das Unbehagen, das entsteht, wenn man eine Aufgabe nicht sofort lösen kann. Ein Sprachmodell ist ein außerordentlich wirksames Gerät zur Beseitigung von Widerstand, und Mühelosigkeit fühlt sich exakt so an wie Kompetenz. Die Jugendlichen in der Studie hielten sich nicht für schlechter. Sie hatten während des Übens jeden Grund, sich für besser zu halten.
Gemeinsam ist nicht automatisch besser
Diese Fehlkalibrierung ist kein Schülerproblem. Eine Meta-Analyse in Nature Human Behaviour hat 106 experimentelle Studien zur Zusammenarbeit von Mensch und KI ausgewertet. Ergebnis über alle Studien hinweg: Die Kombination war im Mittel schlechter als der jeweils bessere der beiden allein.
Bemerkenswert ist die Struktur dahinter. Gewinne entstanden vor allem dort, wo der Mensch dem Modell ohnehin überlegen war; Verluste dort, wo der Mensch dem Modell folgte, obwohl er es besser gewusst hätte. Der Unterschied zwischen Nutzen und Schaden liegt also nicht in der Technik, sondern in einer Einschätzung: Wer kann diese Aufgabe besser — ich oder die Maschine?
Zahlen brauchen einen Maßstab
An dieser Stelle eine Zwischenbemerkung, die mir wichtig ist, weil sie in Fortbildungen fast immer fehlt. Eine Effektstärke ohne Maßstab ist keine Information. Für Korrelationen — das Maß r, das den Zusammenhang zweier Merkmale zwischen −1 und +1 angibt — schlagen Funder und Ozer (2019) einen Maßstab vor, der aus der Praxis kommt statt aus dem Labor:
Ich habe diesen Maßstab in meinen eigenen Materialien stehen, und das führt an dieser Stelle zu einer unbequemen Selbstanwendung. Die Meta-Analyse über 25 Studien zur Wirkung von Design Thinking auf studentisches Lernen berichtet r = 0,436. Nach dem Maßstab, den ich selbst verwende, liegt dieser Wert im Bereich, in dem man von einer Überschätzung ausgehen sollte — nicht weil die Studie schlecht wäre, sondern weil Effekte dieser Größe in der Bildungsforschung fast immer schrumpfen, sobald Publikationsbias und Präregistrierung berücksichtigt werden. Bei Kreativitätstrainings etwa fällt der Effekt nach Korrektur für Publikationsbias von 0,53 auf 0,29.
Ich sage das über eine Methode, mit der ich selbst arbeite und die ich für gut halte. Genau das ist der Punkt: Ein Maßstab, den man nur auf die anderen anwendet, ist kein Maßstab.
Was Design Thinking trägt — und was daran Ritual ist
Dieselbe Meta-Analyse sagt nämlich noch etwas Genaueres, und das ist für die Praxis brauchbarer als der Gesamtwert. Die Effekte waren stärker bei kleineren Gruppen (bis sieben Personen), bei multidisziplinärer Zusammensetzung und bei längerer Projektdauer (ab drei Monaten). Kurzzeitinterventionen unter drei Monaten zeigten deutlich schwächere Effekte.
Auf Deutsch: Der eintägige Design-Thinking-Workshop, der als Format so beliebt ist, ist genau die Variante, für die die Evidenz am dünnsten ist. Ein kritisches Literaturreview über 68 Studien benennt den Grund, den man in Kollegien wiedererkennt: Design Thinking wird häufig auf ein Phasenschema reduziert — Post-its, Empathy Map, fertig — ohne echte Nutzerforschung, ohne kritische Reflexion, ohne mehrfache Iteration. Was bleibt, ist Scheinpartizipation und ein Methodenfetisch, bei dem der Prozess wichtiger wird als das gelöste Problem.
Für kollektive Kreativität ist die Forschungslage übrigens erfreulich unromantisch: Gute Ideen entstehen in Gruppen nicht durch Anhäufung individueller Beiträge, sondern durch iterative Kombination, Kritik und Weiterentwicklung. Die Voraussetzungen dafür sind psychologische Sicherheit, klare Rollen und moderierte Konfliktfähigkeit. Alle drei sind Gestaltungsfragen — und alle drei werden durch ein Werkzeug, mit dem jeder in Sekunden ein fertiges Ergebnis erzeugt, eher untergraben als gestützt.
Was daraus folgt: Settings statt Appelle
Die Konsequenz, die ich aus dem Leuphana-Nachmittag gezogen habe, ist keine Haltungsfrage und kein Verbot. Sie ist gestalterisch. Wenn eine Gruppe mit KI arbeitet, entscheidet der Ablauf darüber, ob am Ende Lernen steht oder nur ein Dokument. Vier Regeln haben sich bei mir seitdem als tragfähig erwiesen.
1. Kriterien vor Output
Die Gruppe legt fest, woran sie ein gutes Ergebnis erkennt, bevor das erste Gerät aufgeht. Fünf Minuten, schriftlich, drei Kriterien. Das klingt banal und ist der einzige Schritt, der in unserer Kleingruppe gefehlt hat. Wer die Kriterien hat, kann vier KI-Antworten vergleichen; wer sie nicht hat, kann nur Textqualität vergleichen — und die ist bei allen vier gleich hoch.
2. Das Modell darf helfen, aber nicht lösen
Die Tutor-Gruppe in der Bastani-Studie unterschied sich nicht durch bessere Technik, sondern durch eine Regel: Lösungswege wurden zurückgehalten. Im Unterricht heißt das, den Auftrag anders zu formulieren — nicht „lass dir das erklären", sondern „lass dir drei Rückfragen stellen und beantworte sie schriftlich". Kleiner Unterschied im Aufwand, großer in der Wirkung.
3. Rollen statt Gleichzeitigkeit
Wenn alle gleichzeitig produzieren, verhandelt niemand. Deshalb: Eine Person prompted, eine protokolliert, was die Antwort stillschweigend voraussetzt, eine ist ausdrücklich Prüferin und darf nichts beitragen außer Einwänden. Die Rollen rotieren. Das ist die Übersetzung von „moderierte Konfliktfähigkeit" in einen Ablauf, den man ansagen kann.
4. Keine KI-Übung ohne Auflösung
Eine Übung, die mit dem KI-Ergebnis endet, hinterlässt die Illusion. Erst der Vergleich mit der eigenen vorherigen Einschätzung macht sichtbar, was die Maschine beigetragen hat und was nicht. Das kostet fünf Minuten am Ende jeder Sequenz — und ist die härteste Regel, die ich habe, weil genau diese fünf Minuten aus Zeitgründen als Erstes gestrichen werden.
Dazu die einfachste Messung, die ich kenne: Vor einer Aufgabe schätzt jede Person ein, ob sie selbst oder das Modell besser abschneiden wird. Danach wird verglichen. Der Anteil der richtigen Selbsteinschätzungen lässt sich über ein Schuljahr verfolgen und sagt mehr über KI-Kompetenz aus als jede Toolkenntnis. Ein einfaches, transparentes Eigenmaß — kein validiertes Testinstrument.
Was das nicht heißt
Es ist kein Argument für ein Verbot. Die Bastani-Studie zeigt in derselben Anlage, dass der Schaden verschwindet, sobald die Nutzung gestaltet ist. Das ist eine gute Nachricht, denn Gestaltung ist genau das, was Schule kann.
Es ist aber ein Argument gegen die häufigste Form von KI-Fortbildung. Wer Lehrkräften zeigt, welche Werkzeuge es gibt und wie man gute Prompts schreibt, hat die entscheidende Frage nicht berührt. Sie lautet nicht „wie bediene ich das?", sondern: Wann sollte ich einer Maschine folgen — und wann nicht? Und im Gruppenkontext kommt eine zweite dazu, die mich seit Lüneburg mehr beschäftigt als die erste: Wie einigt man sich, wenn jeder ein Ergebnis hat?
An beiden Fragen arbeite ich seit zwei Jahren. Das Ergebnis ist ein Methodenkompendium mit 52 Abläufen, 101 nachprüfbaren Quellen und einem Messverfahren für die oben beschriebene Einschätzung. Es liegt offen und kostenlos im Netz, ohne Anmeldung: Human Agency Circle. Wer wissen will, was dahintersteht, findet die Übersicht unter creative-mind-lab.de/angebote/human-agency-circle.
Quellen
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö. & Mariman, R. (2024): Generative AI Can Harm Learning. Arbeitspapier. SSRN 4895486
- Vaccaro, M., Almaatouq, A. & Malone, T. (2024): When combinations of humans and AI are useful: a systematic review and meta-analysis. Nature Human Behaviour 8, 2293–2303. doi.org/10.1038/s41562-024-02024-1
- Anderson, B. R. et al. (2024): Homogenization Effects of Large Language Models on Human Creative Ideation. arXiv:2402.01536
- When ChatGPT is gone: Creativity reverts and homogeneity persists. arXiv:2401.06816
- The Effects of Generative AI on Design Fixation and Divergent Thinking. arXiv:2403.11164
- The paradox of creativity in generative AI: high performance, limited critical judgment. PMC12369561
- Funder, D. C. & Ozer, D. J. (2019): Evaluating Effect Size in Psychological Research: Sense and Nonsense. Advances in Methods and Practices in Psychological Science 2(2). doi.org/10.1177/2515245919847202
- A meta-analysis of the effects of design thinking on student learning. Humanities and Social Sciences Communications (2024). doi.org/10.1057/s41599-024-03237-5
- Design Thinking in Education: A Critical Review of Literature. CPUT Digital Knowledge
- Kraft, M. A. (2020): Interpreting Effect Sizes of Education Interventions. Educational Researcher 49(4) — Grundlage des bildungsspezifischen Maßstabs.