KI nutzen, ohne den Verstand zu verlieren

Viele Menschen, die in den letzten zwei Jahren KI genutzt haben, haben angefangen, dieselbe unangenehme Sache zu bemerken. Was sie früher allein konnten, können sie jetzt nicht mehr allein. Sie setzen sich hin, um eine E-Mail zu schreiben, ein Memo zu entwerfen, oder eine Aufgabe zu bearbeiten, die früher Routine war, und kommen ohne ChatGPT oder Claude nicht in Gang. Wenn sie versuchen, sich allein durchzukämpfen, fühlt sich der Aufwand unverhältnismäßig zu dem an, was die Aufgabe eigentlich erfordern sollte. Wenn sie aufgeben und das Tool nutzen, fühlt es sich nicht wie Aufgeben an. Es fühlt sich vernünftig an. Es fühlt sich an wie die naheliegende Wahl angesichts dessen, wie viel schwerer die unassistierte Version geworden ist.

Wenn du das gespürt hast, bildest du es dir nicht ein. Es passiert tatsächlich etwas, und seit April 2026 haben wir kausale Belege dafür, was es ist. Ein Team von Forschenden an Carnegie Mellon, Oxford, MIT und UCLA hat die erste groß angelegte randomisierte Studie zu genau dieser Frage durchgeführt, und der Befund ist unangenehm. Zehn bis fünfzehn Minuten KI-unterstützte Problemlösung reichen aus, um messbar zu schaden, wie gut du Probleme allein löst. Nicht nur deine Leistung. Deine Bereitschaft, es weiter zu versuchen.

Die gute Nachricht, die die meiste Berichterstattung über diese Studie verschüttet hat, ist, dass der Schaden nicht durch KI selbst verursacht wird. Er wird durch eine bestimmte Art der KI-Nutzung verursacht. Andere Studien, darunter eine saubere randomisierte Studie an der Wharton School, haben bereits gezeigt, dass anders genutzte KI den gegenteiligen Effekt erzeugt: Studierende lernen schneller, behalten mehr, und verlieren nichts, wenn die KI entfernt wird. Es folgt die Forschung hinter beidem, warum es passiert, und wie man KI nutzt, damit sie tatsächlich beim Denken hilft.

Drei große Studien, mit unterschiedlichen Methoden an unterschiedlichen Populationen durchgeführt, laufen alle auf denselben Befund hinaus. Wenn du KI das Denken für dich übernehmen lässt, passieren zwei Dinge. Du wirst schlechter in der Aufgabe, wenn die KI entfernt wird. Und du hörst auf, es zu versuchen.

Die Liu-Studie (April 2026): der neue kausale Beleg

Teilnehmende bekamen Bruchrechenaufgaben oder SAT-Leseverständnis-Passagen. Die eine Hälfte hatte Zugang zu einem auf GPT-5 basierenden Chatbot, der mit den Antworten vorbeladen war. Die andere Hälfte arbeitete allein. Beide Gruppen wurden unabhängig von ihrer Leistung gleich bezahlt, und beide konnten jede Aufgabe überspringen, die sie wollten.

Der Chatbot war für den ersten Teil der Aufgaben verfügbar. Dann, ohne Vorwarnung, wurde er entfernt. Die letzten drei Aufgaben mussten allein gelöst werden. Das ist der entscheidende Teil. Die Forschenden maßen nicht, wie gut Menschen mit KI abschneiden. Das wussten sie bereits — KI hilft im Moment. Sie wollten wissen, was mit deinem unassistierten Denken passiert, nachdem du auch nur kurz KI genutzt hast.

Die Zahlen, in Reihenfolge ihrer Bedeutung:

• Nachdem die KI entfernt wurde, übersprang die KI-Gruppe 20 % der verbleibenden Aufgaben komplett. Die Kontrollgruppe übersprang 11 %. Die KI-Nutzenden gaben fast doppelt so oft einfach auf.
• Die KI-Gruppe löste insgesamt 57 % der Testaufgaben. Die Kontrollgruppe löste 73 %.
• Im Leseverständnis-Experiment war die Lücke schärfer. Die KI-Gruppe übersprang Aufgaben achtmal häufiger als die Kontrollgruppe.
• All das zeigte sich nach nur 10 bis 15 Minuten KI-Nutzung.

Die Überspringrate ist wichtiger, als sie zunächst wirkt. Den Teilnehmenden wurde wiederholt gesagt, dass es keine Strafe für falsche Antworten gibt und ihre Bezahlung nicht davon abhängt, Fragen richtig zu beantworten. Sich für „Überspringen“ statt für einen Lösungsversuch zu entscheiden, war ein klares Signal für eine Sache: Die teilnehmende Person hatte entschieden, dass die Aufgabe die Mühe nicht wert war. Die Überspringrate ist das experimentelle Maß für Aufgeben. Und nach 10 Minuten mit KI gaben die Teilnehmenden, die sie genutzt hatten, etwa doppelt so oft auf wie die, die sie nie gesehen hatten.

Die Forschenden verglichen das mit dem Frosch-im-kochenden-Wasser-Effekt. Jeder einzelne Moment, in dem du die KI für dich denken lässt, fühlt sich schwerelos an. Der kumulative Effekt ist es nicht.

Zwei Dinge machen diese Studie zu einem Wendepunkt. Erstens ist sie kausal. Bisher stammten die meisten Bedenken zu KI und Kognition aus Umfragen, Interviews oder Korrelationsstudien. Menschen, die mehr KI nutzten, berichteten von einem diffuseren Gefühl. Das ist ein Hinweis, aber kein Beweis. Die Liu-Studie ist die erste große randomisierte Studie, die den kausalen Beleg wirklich voranbringt. Zweitens ist der Zeitrahmen schnell. Zehn Minuten. Keine Monate. Die Verschiebung setzt fast sofort ein.

Die Kosmyna-Studie (Juni 2025): dein Gehirn auf ChatGPT

Ein Team am MIT Media Lab, geleitet von Nataliya Kosmyna, bat 54 Studierende von fünf Universitäten im Raum Boston, SAT-artige Aufsätze zu schreiben. Drei Gruppen: eine nutzte ChatGPT, eine nutzte eine Suchmaschine, eine nutzte nichts. Jede Gruppe schrieb über vier Monate hinweg drei Aufsätze, mit einer vierten Crossover-Sitzung für einige Teilnehmende. Die ganze Zeit über trugen die Teilnehmenden 32-Kanal-EEG-Headsets, mit denen die Forschenden die elektrische Aktivität über die Kopfhaut hinweg überwachten.

Die Gehirnkonnektivität der ChatGPT-Gruppe war über mehrere Frequenzbänder hinweg signifikant niedriger als die der Nur-Gehirn-Gruppe. Die größten Lücken lagen in Netzwerken, die mit Aufmerksamkeit und Arbeitsgedächtnis verknüpft sind. Die Gehirnkonnektivität skalierte systematisch mit dem Umfang externer Unterstützung nach unten: Die Nur-Gehirn-Gruppe zeigte die stärksten, am weitesten reichenden neuronalen Netzwerke. Die Suchmaschinen-Gruppe zeigte mittleres Engagement. Die ChatGPT-Gruppe zeigte die schwächste Kopplung. Nachdem sie ihre Aufsätze geschrieben hatten, konnten die meisten ChatGPT-Nutzenden wenige Momente später nicht genau aus ihrem eigenen Werk zitieren. Sie hatten es getippt und gelesen. Aber sie konnten sich nicht daran erinnern.

Beim dritten Aufsatz hatten sich viele der ChatGPT-Nutzenden bereits komplett vom Schreibprozess verabschiedet. Sie kopierten die Ausgabe der KI mit kleinen Anpassungen. Die Forschenden gaben diesem Muster einen Namen, der seither viral gegangen ist: kognitive Schulden.

Die vierte Sitzung ist der Teil, der beunruhigen sollte. Teilnehmende, die ChatGPT für die Sitzungen 1 bis 3 genutzt hatten, wurden gebeten, ihren vierten Aufsatz ohne es zu schreiben. Selbst mit entfernter KI war ihre neuronale Konnektivität immer noch schwächer als die der Menschen, die es nie genutzt hatten. Das Muster, so kurz die Exposition auch gewesen war, hatte sich festgesetzt.

Ein Vorbehalt, den die Schlagzeilen unter den Tisch fallen ließen: Das ist ein Preprint, noch nicht peer-reviewed. Die Stichprobe ist klein. Es ist eine einzige Aufgabe. Sogar Kosmyna widersprach dem „ChatGPT verrottet dein Gehirn“-Framing, das den Pressezyklus dominierte. Was die Studie zeigte, ist bescheidener und beunruhigender zugleich. Wenn du eine KI bittest, für dich zu schreiben, werden die Gehirnregionen, die normalerweise diese Arbeit übernehmen würden, still. Und sie springen nicht sofort wieder an, wenn die KI entfernt wird.

Die Bastani-Studie (Wharton, PNAS 2025): der Krücken-Effekt im echten Klassenzimmer

Ein Team an der Wharton School führte ein Feldexperiment mit fast 1.000 türkischen Oberstufenschülern in etwa 50 Klassen durch. Die Schüler nahmen an einer regulären Matheeinheit teil und wechselten dann in eine Übungsphase. Eine Gruppe hatte nur ihre Notizen. Die andere hatte Zugang zu einer eigens gebauten ChatGPT-Oberfläche auf Basis von GPT-4. Am nächsten Tag legten beide Gruppen eine Prüfung ohne jede KI ab.

Während der Übung schnitt die ChatGPT-Gruppe spektakulär besser ab und löste 48 % mehr Aufgaben korrekt. Bei der Prüfung am nächsten Tag kehrte sich das um: Die ChatGPT-Gruppe schnitt 17 % schlechter ab als die Gruppe, die nur ihre Notizen hatte. Der Mechanismus war derselbe Krücken-Effekt, den die Liu-Studie später dokumentieren sollte. Die Schüler nutzten ChatGPT als Krücke. Sie tippten überwiegend Dinge wie „Was ist die Antwort?“, statt sich Schritt für Schritt durch das Problem zu arbeiten.

Was den Befund schwerer zu ignorieren machte, war das, was die Schüler danach berichteten. Bei der Befragung nahm die ChatGPT-Gruppe nicht wahr, schlechter abgeschnitten oder weniger gelernt zu haben als alle anderen. Sie hatten die Stunde selbstbewusst verlassen und gingen unvorbereitet in die Prüfung am nächsten Tag.

Das Bastani-Team testete auch eine dritte Gruppe, mit einer anders gestalteten KI-Oberfläche. Darauf kommen wir zurück.

Die drei zusammengeführt

Eine randomisierte Studie mit 1.222 Personen im Jahr 2026. Eine Neurowissenschaftsstudie mit Gehirnscans über vier Monate. Ein Feldexperiment mit 1.000 Schülern in einem echten Klassenzimmer. Unterschiedliche Methoden, unterschiedliche Populationen, unterschiedliche Bereiche. Das Signal in allen dreien ist dasselbe.

Wenn KI dein Denken für dich übernimmt, sinkt deine unassistierte Leistung. Wichtiger noch: Deine Bereitschaft, dich mit Schwierigkeit auseinanderzusetzen, sinkt mit ihr. Der Rückgang der Bereitschaft ist der Teil, der sich aufsummiert, denn er bestimmt, ob du die Fähigkeit überhaupt jemals aufbaust. Die Liu-Studie bringt das präziser auf den Punkt, als wir es könnten:

„Menschen werden nicht nur schlechter in Aufgaben, sie hören auch auf, es zu versuchen.“

Diese zweite Hälfte ist der Teil, der dich beunruhigen sollte. Leistung ist wiederherstellbar. Die Entscheidung, es nicht mehr zu versuchen, ist der tiefere Schaden.

Warum passiert das? Die Liu-Studie schlägt zwei Mechanismen vor, beide in älterer Kognitionsforschung verwurzelt. Sie zu kennen hilft dir, das Muster im eigenen Verhalten zu erkennen.

Mechanismus 1: Hedonische Adaptation

Hedonische Adaptation ist die Psychologie der Gewöhnung. Das erste Wochenende in einer neuen Wohnung fühlt sich luxuriös an. Sechs Monate später fühlt es sich gewöhnlich an. Der erste Lauf nach Monaten auf der Couch fühlt sich brutal an. Einen Monat in eine Gewohnheit hinein ist dieselbe Distanz angenehm.

Derselbe Mechanismus gilt für kognitive Anstrengung. Wenn KI ein Problem in 10 Sekunden löst, registriert dein Gehirn still einen neuen Referenzpunkt: So lange sollte das dauern. Wenn du dich das nächste Mal hinsetzt, um dieselbe Art von Problem selbst zu lösen, fühlen sich die 10 Minuten Aufwand, die es tatsächlich erfordert, unverhältnismäßig an. Schlimmer als unverhältnismäßig. Schmerzhaft.

Das ist keine Schwäche. So kalibriert sich das Gehirn. Das Problem ist, dass die Kalibrierung in die falsche Richtung läuft. Jede KI-unterstützte Wiederholung verschiebt deine Toleranz für Aufwand nach unten. Jede Verschiebung nach unten macht die nächste KI-Unterstützung attraktiver. Die Liu-Studie nennt das selbstverstärkend, und die Mathematik der Forschenden legt nahe, dass sie recht haben.

Mechanismus 2: Verlust der metakognitiven Kalibrierung

Der zweite Mechanismus ist subtiler und wohl schädlicher. Metakognition ist der Fachbegriff für das Nachdenken über das eigene Denken. Wenn du an einem schwierigen Problem sitzt, scheiterst, es erneut versuchst, anders scheiterst, und es schließlich knackst, lernst du nicht nur das Problem. Du lernst, was du kannst. Du kartierst die Grenze deiner eigenen Fähigkeit.

Wenn die KI dir die Antwort in die Hand drückt, überspringst du diese Kartierung. Du findest nie heraus, wie nah du dran warst. Du spürst nie das Klicken des richtigen Ansatzes. Du lernst nie, dass du das tatsächlich kannst.

Über Monate und Jahre hinweg höhlt dich das auf eine Weise aus, die von innen schwer zu erkennen ist. Du bekommst weiterhin Antworten. Du verlierst nur das Gespür dafür, was du selbst produzieren kannst. Durchhaltevermögen, Selbstregulation und die Fähigkeit, sich durch Schwierigkeiten zu kämpfen, gehören zu den stärksten Prädiktoren für langfristigen akademischen Erfolg. Alle beruhen auf der Selbsterkenntnis, die du nur bekommst, wenn du schwierige Dinge allein tust. Wenn die Selbsterkenntnis erodiert, erodiert das Durchhaltevermögen mit ihr.

Diese beiden Mechanismen verstärken sich gegenseitig. Der Aufwand fühlt sich schlimmer an als früher. Das Vertrauen, dass sich der Aufwand auszahlen würde, ist still dünner geworden. Das ist die Kombination hinter dem Liu-Befund: Menschen in der KI-Bedingung scheitern nicht an der Aufgabe. Die meisten von ihnen fangen nie an.

Zwei der Studien, die wir gerade durchgegangen sind, haben eine zweite Geschichte in sich vergraben. Kaum eine Berichterstattung über eine der beiden Studien hat sie ans Licht gebracht. Sie verändert das praktische Bild komplett.

Die Liu-Daten, neu geschnitten

Im zweiten Liu-Experiment fragten die Forschenden die Teilnehmenden der KI-Bedingung, wie sie den Chatbot während der Aufgabe tatsächlich genutzt hatten. Die Antworten teilten die Gruppe in drei klare Cluster.

• 61 % nutzten die KI hauptsächlich, um direkt Antworten zu bekommen. Sie fügten das Problem ein. Sie schrieben die Antwort ab. Das war die größte Gruppe.
• 27 % nutzten die KI für Hinweise und Klärungen. Sie fragten nach dem ersten Schritt. Sie baten den Chatbot, ein Konzept zu erklären, bei dem sie sich unsicher waren. Sie behielten den eigenen Kopf im Spiel.
• 12 % entschieden sich, die KI überhaupt nicht zu nutzen, obwohl sie Zugang hatten.

Als die Forschenden diese drei Gruppen bei den unassistierten Testaufgaben mit ihren eigenen Vortest-Werten verglichen, war das Muster schärfer als alles in den zusammenfassenden Statistiken.

Die Direkt-Antwort-Gruppe, die 61 %, trug den vollen Schaden. Ihre Lösungsrate im Test sank um 10 Prozentpunkte relativ zu ihrem eigenen Vortest. Ihre Überspringrate stieg um 11 Punkte, fast doppelt so viel wie der 6-Punkte-Anstieg der Kontrollgruppe. Als die KI entfernt wurde, schnitt diese Gruppe messbar schlechter ab und übersprang messbar mehr als beim Einstieg.

Die Hinweis-Sucher, die 27 %, blieben nicht nur gleich. Ihre Lösungsrate verbesserte sich um 5 Prozentpunkte relativ zu ihrem eigenen Vortest. Ihre Überspringrate stieg nur um 4 Punkte, was tatsächlich weniger war als der Anstieg der Kontrollgruppe. Sie hatten KI während der Lernphase genutzt. Als die KI entfernt wurde, schnitten sie besser ab als zu Beginn. In dieser Gruppe zeigen die Daten keinen Schaden. Sie zeigen Verbesserung.

Die 12 %, die freiwillig auf KI verzichteten, obwohl sie verfügbar war, schnitten von allen am besten ab. Ihre Lösungsrate verbesserte sich um 11 Prozentpunkte relativ zu ihrem eigenen Vortest, die größte Verbesserung jeder Gruppe in der Studie, einschließlich der Kontrollgruppen, die nie KI-Zugang hatten. Die Entscheidung, das eigene Gehirn einzusetzen, wenn die einfache Option direkt verfügbar war, erwies sich als der stärkste Prädiktor für Verbesserung.

Das ist der Teil, den die Schlagzeilen verpassen. Innerhalb einer einzigen Bedingung eines einzigen Experiments, mit denselben Studierenden und demselben Tool, entstanden drei völlig unterschiedliche Ergebnisse. Was die drei Gruppen unterschied, war nicht, ob KI verfügbar war. Sie alle hatten sie. Was sie unterschied, war, wie jede Gruppe sich entschied, sie zu nutzen.

Die Bastani-Gruppe, über die wir noch nicht gesprochen haben

Das Bastani-Team führte auch einen dritten Arm ihrer Studie durch. Dieselben 1.000 türkischen Oberstufenschüler. Dieselben Matheaufgaben. Dieselbe Stunde, dieselbe Prüfung. Das Einzige, was sich änderte, war die Gestaltung des KI-Tools, zu dem die Schüler während der Übung Zugang hatten.

Der dritte Arm nutzte eine eigens gebaute GPT-4-Oberfläche, die die Forschenden GPT Tutor nannten. Sie wurde über ihren System-Prompt angewiesen, einem Schüler nie die direkte Antwort zu geben. Stattdessen gab sie abgestufte Hinweise, wies die Schüler auf den nächsten Schritt hin, korrigierte Denkfehler, und enthüllte nur Teile der Lösung, während die Schüler sich durch das Problem arbeiteten. Lehrkräfte hatten die korrekten Lösungen und häufige Schülerfehler im Voraus bereitgestellt, sodass der Tutor selbst keine sachlichen Fehler machte.

Während der Übung schnitt die GPT-Tutor-Gruppe 127 % besser ab als die Kontrollgruppe ohne KI. Das ist kein Tippfehler. Sie mehr als verdoppelten ihre Übungsleistung.

Dann wurde die KI entfernt. Bei der unassistierten Prüfung schnitt die GPT-Tutor-Gruppe auf demselben Niveau ab wie die Kontrollgruppe ohne KI. Die 17-Prozent-Krücken-Strafe, die die Standard-ChatGPT-Gruppe auffraß, war vollständig eliminiert. Die Schüler hatten mit einem Tool geübt, das ihr Lernen gerüst-artig unterstützte, und die Übung hielt.

Die Gesprächsdaten erzählen den Rest der Geschichte. Schüler im Standard-ChatGPT-Arm schickten durchschnittlich etwa 2 Nachrichten pro Aufgabe. Schüler im GPT-Tutor-Arm schickten etwa 5, und der Anteil substanzieller (nicht oberflächlicher) Gespräche war etwa doppelt so hoch. Die ChatGPT-Schüler baten um Antworten. Die GPT-Tutor-Schüler arbeiteten. Das Design des Tools veränderte, wie die Schüler es nutzten. Die veränderte Nutzung veränderte das Ergebnis.

Was das bedeutet

Die Neurahmung ist einfach. Sowohl in den Liu-Daten als auch in den Bastani-Daten gibt es eine Version der KI-Nutzung, die dem Lernen schadet, und eine, die ihm hilft. Die beiden Versionen können von außen fast identisch aussehen. Der Unterschied ist, ob die KI dir Antworten in die Hand drückt oder dir Fragen zurückgibt.

Der Schaden in diesen Studien folgt nicht der Exposition gegenüber KI. Er folgt einer bestimmten Art der KI-Nutzung. Die Hinweis-Sucher in Lius Experiment verbesserten ihre Werte. Die GPT-Tutor-Schüler in Bastanis Experiment verdoppelten ihre Übungsleistung, ohne dafür beim Behalten zu bezahlen. Das Muster ist konsistent. Als Tutor genutzte KI baut Fähigkeit auf. Als Antwortautomat genutzte KI zerstört sie.

Der Bastani-Befund fügt noch etwas hinzu, das für unser weiteres Vorgehen wichtig ist. Die Hinweis-Sucher in Lius Studie fanden das richtige Verhalten selbst heraus, aber sie waren eine Minderheit. Die meisten Menschen nehmen die Antwort, wenn sie einem Tool gegenüberstehen, das ihnen die Antwort geben wird. Die Bastani-Studie zeigt, dass das nicht nur ein individuelles Willenskraft-Problem ist. Es lässt sich in das Tool selbst hineinkonstruieren. Gestalte die KI so, dass sie sich weigert, Antworten herauszugeben, und stattdessen Fragen zurückgibt, und die meisten Studierenden werden sie am Ende auf die bessere Weise nutzen.

Wenn du nur eine Sache aus diesem ganzen Text mitnimmst, nimm diese:

Die Frage ist nicht, ob du KI nutzt. Die Frage ist, ob du bei deinem eigenen Denken präsent bleibst, während du es tust.

Fast alles andere, was zu tun ist, folgt aus dieser Unterscheidung.

Die Forschung deutet auf eine recht spezifische Form gesunder KI-Nutzung hin. Es geht um die vier Muster, die die 27 % von Lius Teilnehmenden, die sich verbesserten, von den 61 % trennten, die schlechter wurden. Wir können sie konkret beschreiben.

Formuliere, bevor du prüfst.

Bevor du die KI fragst, ob deine Antwort richtig ist, schreib auf, was du denkst und warum. Es laut zu sagen ist noch besser. Das eigene Denken in Worte zu fassen ist der Großteil der kognitiven Arbeit. Die Prüfung gegen eine Autorität ist ein nützlicher Abschluss. Wenn du die Formulierung überspringst, ist die Prüfung hohl.

Frag nach dem ersten Schritt, nicht der finalen Antwort.

Wenn du auf ein Problem stößt, das du nicht lösen kannst, ist der Instinkt, es einzufügen und zu fragen „Was ist die Antwort?“. Ein nützlicherer Prompt ist „Ich stecke fest. Gib mir das Erste, was ich versuchen sollte.“ Das hält die kognitive Arbeit auf deiner Seite des Tisches. Es führt auch tendenziell zu besseren Ergebnissen, weil du die Lösung selbst aufbaust, und genau dann findet Lernen statt.

Lass die KI dir Fragen zurückstellen.

Die Liu-Studie und die Bastani-Studie kommen zum selben Punkt: Die Richtung des Fragens ist entscheidend. Wenn du der KI Fragen stellst, extrahierst du Informationen. Wenn die KI dir Fragen stellt, leistest du das Denken. Der zweite Modus ist der, der Fähigkeit aufbaut.

Du kannst danach fragen. „Prüfe mich zum Stoff, bevor du ihn erklärst.“ „Frag mich, was ich für die Antwort halte, und sag mir dann, ob ich richtigliege.“ Manche Tools bauen das ein. Die meisten nicht.

Behandle die KI wie einen Tutor, nicht wie eine Suchmaschine.

Eine Suchmaschine liefert Antworten. Ein Tutor liefert bessere Fragen. Wenn sich deine Interaktionen mit einer KI wie eine lange Liste von „Was ist X“ und „Erkläre Y“ anfühlen, nutzt du sie wie eine Suchmaschine. Wenn sie sich wie ein Hin und Her anfühlen, bei dem du mehr redest als die KI, nutzt du sie wie einen Tutor. Lius Befunde zeigen, dass nur einer dieser beiden Modi dir wirklich hilft.

Das ehrliche Problem mit diesen vier Mustern ist, dass sie allein schwer durchzuhalten sind. Standard-Tools sind gegen dich gestaltet. ChatGPT, Claude, Gemini und Copilot sind darauf optimiert, dir sofort und reibungslos zu geben, was du willst. Jede Produktentscheidung in diesen Tools zielt auf „schneller antworten, vollständiger antworten, weniger ablehnen“. Das ist großartig für Produktivität. Es ist schlecht für Lernen. Die Liu-Studie sagt das explizit:

„KI-Systeme sind grundsätzlich kurzfristige Kollaborateure … außerordentlich hilfreich im Moment, aber gleichgültig gegenüber dem, was diese Hilfe der Person, die sie erhält, über die Zeit antut.“

Das ist das zentrale architektonische Problem, einen allgemeinen Chatbot als Lern-Tool zu nutzen. Du kämpfst gegen das Tool. Manche Studierende können das konsequent durchhalten. Die meisten nicht, weil der Weg des geringsten Widerstands ist, nach der Antwort zu fragen und weiterzumachen. Die 61 % in der Liu-Studie waren keine weniger intelligenten oder faulen Studierenden. Sie waren normale Menschen, die ein Tool genau so nutzten, wie es gestaltet war.

Hier hört die meiste Berichterstattung über diese Forschung auf. „Nutze KI besser.“ „Frag einfach nach Hinweisen.“ Das ist im Prinzip solider Rat. In der Praxis heißt einen Studierenden zu bitten, bei jeder einzelnen Nutzung gegen das eigene Tool anzukämpfen, ihn zu bitten, sich auf Willenskraft zu verlassen, die niemand hat. Die sauberere Antwort ist, ein Tool zu nutzen, dessen Design auf deiner Seite steht.

Fast jedes KI-Lern-Tool auf dem Markt heute ist ein Content-Generator. Du lädst deine Folien oder Notizen hoch. Das Tool spuckt Karteikarten, Quizze, Zusammenfassungen oder Podcasts aus. Du konsumierst diese Ausgaben.

Das ist dieselbe Falle, nur in Schulfarben gekleidet. Das Denken wurde für dich erledigt. Du überfliegst eine generierte Zusammenfassung statt das Kapitel zu lesen. Du blätterst durch generierte Karteikarten statt eigene Abrufhinweise zu produzieren. Du lässt dich von einem KI-Podcast in den Schlaf wiegen statt mit einer Idee zu ringen. Das kognitive Auslagern läuft voll. Du fühlst dich produktiv. Du lernst nicht viel.

Ein paar Tools haben das erkannt und anders gebaut. Sie leihen sich von einem 40 Jahre alten Befund aus der Bildungsforschung, den fast jeder in der Tech-Branche vergessen hat: Benjamin Blooms 2-Sigma-Problem.

1984 veröffentlichte Bloom eine Studie, die zeigte, dass Studierende mit persönlichem Eins-zu-eins-Mastery-Tutoring 98 % ihrer Mitschüler in konventionellen Klassenzimmer-Settings übertrafen. Zwei Standardabweichungen Verbesserung. Das Ergebnis wurde wiederholt repliziert. Es ist einer der konsistentesten Befunde im gesamten Bildungsforschungsfeld. Bloom nannte es ein Problem, weil Tutoring auf diesem Niveau wirtschaftlich unmöglich in der Breite zu liefern ist. Eine Lehrkraft pro 30 Studierende ist schon schwer genug. Ein persönlicher Tutor pro Studierendem ist Fantasie.

Bis jetzt. Der Grund, warum Menschen begeistert von KI in der Bildung sind, wenn sie sorgfältig darüber nachdenken, ist, dass sie die erste Technologie ist, die plausibel jedem Studierenden auf der Welt Mastery-Tutoring liefern könnte. Nicht indem sie Lehrkräfte ersetzt. Indem sie jedem Studierenden zum ersten Mal Zugang zu der Art von geduldigem, adaptivem, Eins-zu-eins-Unterricht gibt, für den die Wohlhabenden immer bezahlt haben.

Der Haken ist, dass das nur funktioniert, wenn sich die KI wie Blooms Tutor verhält. Geduldig. Nachfragend. Langsam mit Antworten und schnell mit Fragen. Beobachtend, was die Studierenden wissen und was sie nur zu wissen glauben. Zu Schwachstellen zurückkehrend, bis sie solide sind.

Das ist nicht, was ChatGPT ist. Das ist nicht, was NotebookLM oder Quizlet ist. Das ist, was ein richtig gestalteter KI-Tutor ist. Die Bastani-Studie testete genau das, und das Ergebnis war eine um 127 % verbesserte Übungsleistung, die das Entfernen der KI überlebte.

Das ist, was wir mit Akono zu bauen versucht haben. Es ist ein privater Eins-zu-eins-Tutor, der Sitzungen anhand deiner eigenen Kursmaterialien durchführt, mehr Fragen stellt als er beantwortet, und um ein einziges Prinzip herum gestaltet ist: Ein Lern-Tool sollte dein Gehirn aufbauen, nicht ersetzen. Wenn du es an einem Kurs ausprobieren willst, den du tatsächlich belegst, ist die erste Sitzung kostenlos.

Zurück zu dem, womit wir angefangen haben. Das Problem, das du früher allein lösen konntest, kannst du jetzt in 15 Minuten erledigen, indem du ChatGPT nach den Antworten fragst. Oder du kannst es in zwei Stunden erledigen, indem du dich mit einem Tool, das dich lehren soll, hindurcharbeitest. Die erste Option spart heute Abend Zeit. Die zweite Option erspart dir das nächste Mal, wenn du das allein tun musst.

Die Forschung sagt dir nicht, KI nicht mehr zu nutzen. Die Forschung sagt dir, dass die KI, die du nutzt, das Gehirn formt, das du in fünf Jahren haben wirst. Das ist real. Es ist keine Metapher. Die Liu-Studie zeigt, dass der Effekt in 10 Minuten entsteht. Die Kosmyna-Studie zeigt, dass er sich auf neuronaler Ebene nachverfolgen lässt. Die Bastani-Studie zeigt, dass ein anderes Tool-Design das genaue Gegenteil erzeugt.

Du hast bei jeder Lernsitzung eine Wahl. Sie besteht nicht zwischen KI nutzen und KI nicht nutzen. Dieses Schiff ist abgefahren. Die Wahl besteht zwischen einer KI, die das Denken für dich übernimmt, und einer KI, die dir hilft, selbst zu denken. Beide sind verfügbar. Sie sind nicht dasselbe.

Wir lassen dich mit dem Satz aus der Liu-Studie zurück, der unserer Meinung nach die ganze Frage am besten einfängt:

„Wir hoffen, dass unsere Arbeit das Feld dazu inspiriert, nicht nur zu optimieren, was Menschen mit KI tun können, sondern auch, was sie ohne sie tun können.“

Das ist der Test. Wenn die KI weg ist, was bleibt von dir übrig?

• Liu, G., Christian, B., Dumbalska, T., Bakker, M. A., & Dubey, R. (2026). AI Assistance Reduces Persistence and Hurts Independent Performance. [Preprint] arXiv:2604.04721.
• Kosmyna, N., Eugene H., Ye Y., Jessica S., Xian-Hao L., Ashly B., Iris B., Pattie M. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab. [Preprint] arXiv:2506.08872
• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26). https://doi.org/10.1073/pnas.2422633122
• Bloom, B. S. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One to One Tutoring. Educational Researcher, 13(6), 4–16. https://doi.org/10.2307/1175554