Die KI-Kompetenzfalle

Wie sich ändern muss, was wir lehren, wenn die KI das Ausführen übernimmt

„Wie war es am See?“, frage ich. „Toll”, sagt meine Tochter und schaut aus dem Fenster. Sie ist dreizehn, und ein Gespräch mit ihr zu führen ist ungleich schwerer, als ein Gespräch mit einer Maschine zu führen. Die Maschine antwortet immer. Sie macht keine Mühe. Und genau das, werde ich an diesem heißen Wochenende lernen, ist das Gefährlichste an ihr.

Zurück im kühlen Haus lege ich mich aufs rote Sofa, mein Kopf fühlt sich leer an. Draußen sind es siebenunddreißig Grad, hier drinnen halte ich es nur aus, weil die Klimaanlage läuft. Das schlechte Gewissen wegen des Stroms dämpft die Photovoltaik auf dem Dach, der Strom kommt von oben. Ich weiß, wie gut ich es habe. Und wenn ich ehrlich bin, ist der kühle Raum nicht einmal mein größtes Privileg.

Das Größte ist, dass ich gestalten darf, gerade jetzt, an einem Curriculum. Nur lässt mich genau das nicht los, auch nicht an einem freien Nachmittag. Wenn mein Kopf zu wenig zu tun hat, fängt er an, sich selbst zu beschäftigen, und schiebt die eine Frage nach vorne, die mir seit Wochen nicht aus dem Kopf geht. Ich öffne den Chat und fange an, mit Claude zu denken.

Wir schreiben gerade ein neues Curriculum für den Masterstudiengang E-Learning und Wissensmanagement, den ich an der Hochschule Burgenland leite. Es soll Menschen ausbilden, die in fünf Jahren noch gebraucht werden, und zwar nicht trotz, sondern wegen der KI. Also muss ich wissen, welche Kompetenzen durch die KI entwertet werden, welche an Wert gewinnen und welche ganz neu entstehen. Vor einem Jahr wäre das Kaffeesudlesen gewesen. Heute ist es ein bisschen klarer, und trotzdem eine Zumutung. Denn ich soll absehen, wohin sich die Welt bewegt, während sie sich schneller dreht, als ich lesen kann.

Was in den nächsten Stunden passiert, ist nicht, dass Claude mir die Antwort liefert. Claude liefert mir etwas, das klug aussieht. Ob es auch stimmt, muss ich selbst herausfinden. Die Maschine macht keine Mühe, das schon, aber nur, solange ich mich mit guten Ergebnissen zufrieden gebe. Will ich mehr, fängt die Arbeit erst an.

Das zeigt sich schon bei meiner ersten Frage. Ich frage breit, in welchen Branchen die Einsteigerjobs durch KI wegfallen, wie wir dort die Ausbildung ändern müssen und ob es dafür historische Vergleiche gibt. Claude fragt zurück, ob es um den deutschsprachigen Raum gehen soll oder international, um die Hochschule oder um alle Bildungsformen. Ich grenze nicht ein. Ich tippe zurück, alles, und je nach Beruf wird das anders sein. Eine Antwort über alle Berufe hinweg hätte glatt geklungen und wäre wertlos gewesen. Denn sobald man die Berufe zusammenwirft, verschwindet die Wahrheit im Durchschnitt.

Die unterste Sprosse bricht weg

Was Claude mir liefert, holt es aus meiner eigenen Wissensbasis, in der ich seit Monaten meine Gedanken und Rechercheergebnisse sammle. Eine Untersuchung der Ökonomen Massenkoff und McCrory von Anthropic hat großflächig gemessen, wie sich KI auf den Arbeitsmarkt auswirkt. Seit Ende 2022 werden 22- bis 25-Jährige in KI-exponierten Berufen um rund vierzehn Prozent seltener neu eingestellt.

Vierzehn Prozent, das klingt nach einer Zahl für eine Statistik. Aber dahinter steckt etwas, das mich nicht loslässt. Denn was da wegfällt, ist die unterste Sprosse der Karriereleiter. Der erste Job, in dem man die kleinen, mühsamen Dinge macht. Protokolle, Recherchen, Korrekturen, Präsentationen, tausend Wiederholungen. Langweilig, oft unterschätzt, und doch der Ort, an dem aus Wissen Können wird. Diese Stellen besetzen die Unternehmen immer seltener nach. Wer heute in einem KI-exponierten Beruf anfangen will, findet die Sprosse oft nicht mehr, auf der die Generation vor ihm nach oben geklettert ist.

Und hier trifft es mich, mitten in der Arbeit am Curriculum. Denn mit der Sprosse fällt nicht nur ein Job weg, sondern das Übungsfeld. Die ersten Jahre im Beruf waren immer auch die Jahre, in denen man durch Tun gelernt hat, was keine Vorlesung vermittelt. Wenn dieses Übungsfeld verschwindet, müssten wir in der Ausbildung ersetzen, was früher der Berufsalltag von selbst erledigt hat. Und es wird noch verzwickter. Von diesem mühsam erworbenen Können brauchen wir mit KI manches gar nicht mehr, anderes dafür umso dringender, und einiges, das es früher nie gab. Wir sollen also ein Können aufbauen, dessen Ort verschwindet, und zugleich entscheiden, welcher Teil davon morgen überhaupt noch zählt.

Das ist alles schon einmal passiert, und doch ist es anders

Ich frage Claude nach historischen Vergleichen, und er liefert den Geldautomaten. Eine beruhigende Geschichte, auf den ersten Blick. Als die ersten Automaten Bargeld auszahlten, fürchtete man das Ende der Bankangestellten. Das Gegenteil trat ein. Weil der Automat einen Teil der Schalterarbeit übernahm, kam eine Filiale mit weniger Personal aus und kostete die Bank weniger. Also eröffneten die Banken mehr Filialen, und am Ende arbeiteten mehr Menschen in den Banken als zuvor. Sie standen nicht mehr an der Kasse, sie berieten. Die Arbeit war nicht weg, sie war eine andere geworden.

Eine beruhigende Geschichte, dachte ich, bis ich Claude darauf hinwies, dass es heute doch weniger Bankangestellte in weniger Filialen gibt. Stimmt, sagte Claude, aber das kam später und es kam nicht vom Automaten. Es kam vom Smartphone. Als die Menschen ihre Bankgeschäfte selbst am Handy erledigten, brauchte es immer weniger Schalter und immer weniger Filialen. Am Ende ließ nicht der Bankautomat den Beruf schrumpfen, sondern das iPhone. Erst kam die Entlastung, lange und unauffällig, und erst danach der Ersatz.

Trotzdem trifft auch diese Geschichte meinen Fall nicht ganz. Bei den KI-exponierten Berufen verschwindet nicht der Beruf, er verändert sich von innen. Das Ausführen, das früher den größten Teil der Arbeit ausmachte, übernimmt zunehmend die KI. Beim Menschen bleiben die beiden Ränder. Am Anfang die Richtung vorgeben, am Ende die Ausführung kontrollieren, dazwischen die Maschine orchestrieren. Das aber war früher die Arbeit der erfahrenen Mitarbeitenden, und sie war es deshalb, weil sie Fachwissen verlangt. Man muss das Gebiet beherrschen, um die richtige Richtung vorzugeben, und man muss es beherrschen, um zu erkennen, ob die Ausführung stimmig ist. Die Anfänger haben genau das gemacht, was jetzt die KI macht, das Ausführen in der Mitte. Sie braucht man nicht mehr. Nur hat man sich genau dort früher das Fachwissen erarbeitet, das man an den Rändern braucht. Es ist nicht der Wegfall von Arbeitsplätzen, der mir mehr Sorgen macht, sondern der Wegfall von Lernorten.

Die Schwelle bleibt, der Weg verschwindet

Dieser Wegfall trifft einen wunden Punkt, mit dem ich mich seit Längerem beschäftige. Beim Arbeiten mit KI kommt es auf das Fachwissen an, und mehr noch auf das Erfahrungswissen, das man nur im Tun aufbaut. Dafür habe ich einen Begriff geprägt, die KI-Fachkompetenzschwelle. Wer ein Gebiet beherrscht, kann die KI nutzen und ihren Output beurteilen. Wer es nicht beherrscht, erkennt nicht, wo der Output danebenliegt, denn er sieht immer professionell aus, auch wenn er falsch ist. Unter der Schwelle rettet die KI dich nicht, sie führt dich in die Irre, und du merkst es nicht.

Die Schwelle beschreibt einen Zustand. Sie sagt mir, wo ein Mensch gerade steht, darüber oder darunter. Was sie nicht erklärt, ist, wie jemand überhaupt hinaufkommt, und was passiert, wenn dieser Weg verschwindet. Über die Schwelle kommt man nur durch Tun, durch die mühsamen Stunden, in denen man etwas selbst gemacht hat, was die KI heute übernimmt. Nimmt die KI einem dieses Tun ab, bleibt die Schwelle gleich hoch, aber der Weg hinauf ist weg. Und tückisch wird es dadurch, dass man unten bleibt, ohne es zu merken. Der Output der KI sieht so gut aus wie der eines Profis, also fühlt man sich kompetent, ohne es zu sein. Die Schwelle sagt, dass es gefährlich ist, unter ihr zu stehen. Das Neue ist, dass die KI einen genau dort festhält und einem zugleich einredet, man sei längst darüber. Diese Dynamik, in der die KI die Übungsfelder wegnimmt und die Täuschung gleich mitliefert, nenne ich die KI-Kompetenzfalle.

Bis der Text in mir klingt

Wie diese Falle von innen aussieht, habe ich beim Schreiben genau dieses Textes erlebt. Ich bin getrieben von einem Text, bis er fertig ist. Ich wache in der Früh mit Ideen auf, die ich rasch aufschreiben muss, und ich feile so lange, bis der Text in mir Resonanz erzeugt. Er muss in mir gut klingen, wenn ich ihn lese. Erst wenn ich diesen Klang spüre, bin ich zufrieden, zumindest für eine Zeit lang. Bis dahin braucht es viele Überarbeitungen.

Ich arbeite mit Claude nicht so, dass ich eine Frage stelle und das Ergebnis übernehme. Ich stelle zuerst Material zur Verfügung und lasse daraus einen ersten Entwurf entstehen. Den lasse ich dann nach meinen Anweisungen immer weiter verbessern, Entwurf um Entwurf, und ich bringe an jeder Stelle eigene Ideen ein. Erst wenn ich mit einem Entwurf zufrieden bin, hier war es der fünfte, gehe ich ihn Absatz für Absatz durch. Und ein einzelner Absatz wird dabei nicht einmal, überarbeitet, sondern oft sieben Mal, während ich mich die ganze Zeit nur beschwere. Der Halbsatz zerstört den Lesefluss. Der rote Faden ist nicht schlüssig. Der Übergang vom Absatz davor ist holprig. Und hier noch eine neue Idee. Claude setzt das alles um, macht Vorschläge, manche davon richtig gut, und bleibt geduldig, auch wenn ich mit dem Ergebnis wieder nicht zufrieden bin.

Dabei kommt fast jedes Mal etwas zurück, das gut aussieht, aber trotzdem nicht trägt. Die meisten Absätze hatten in der ersten Version keinen roten Faden. Sie klangen rund, die einzelnen Sätze stimmten, aber der Gedanke lief nicht von einem zum nächsten, oder er lief im Kreis, oder er sprang. Dazu kamen kleinere Unstimmigkeiten. Ein Bild für den Einstieg klang stimmig und war sachlich falsch. Eine Quelle wurde mir als Beleg vorgeschlagen, die mit meiner Aussage nichts zu tun hatte. Einzeln sah alles plausibel aus. Zusammen ergab es noch keinen schlüssigen Text.

Gemerkt habe ich das jedes Mal, und jedes Mal habe ich es zurechtgerückt. Das bilde ich mir zumindest ein. Nicht, weil ich klüger bin als die Maschine, sondern weil ich viel gelesen habe und weiß, wie meine Texte klingen sollen, und weil ich das Fachthema beherrsche. Ich stehe über der KI-Fachkompetenzschwelle. Wer das nicht tut, hört den fehlenden roten Faden nicht, sieht das schöne, falsche Bild nicht, prüft die Quelle nicht. Er nimmt den glatten Output und veröffentlicht ihn. Das ist die Falle in der Praxis. Der Output sieht jedes Mal aus wie Kompetenz. Nur das eigene Urteil entscheidet, ob er es auch ist.

Der Ausweg ist unbequem

Naheliegend wäre eine einfache Lösung. Wenn die KI die Arbeit übernimmt, mit der die Jobeinsteiger früher angefangen haben, die Quizfragen schreiben, das Storyboard bauen, den Erklärtext formulieren, dann fangen wir in der Ausbildung eben dort an, wo diese Arbeit aufhört. Nicht mehr beim Ausführen, sondern gleich beim Urteil. Genau das habe ich Claude vorgeschlagen.

Claude widersprach. Kannst du beurteilen lernen, ohne je selbst produziert zu haben? Wer KI-Code prüfen soll, muss selbst genug Code geschrieben haben, um zu wissen, wie guter Code aussieht. Wer einen Kurs beurteilen soll, muss selbst genug Kurse gebaut haben, um zu spüren, wo die Didaktik kippt. Sonst beaufsichtigt man etwas, das man nie beherrscht hat, und das ist keine Aufsicht, sondern eine Illusion.

Da saß ich und musste zustimmen. Eine Abkürzung über die Schwelle gibt es nicht. Also habe ich die Frage anders gestellt, und das ist die Frage, um die mein Curriculum gerade kreist. Welche Kompetenzen bleiben, welche verschieben sich, welche kommen neu dazu?

Bleiben wird das Basiswissen. Nicht in voller Breite und nicht als Selbstzweck, aber tief genug, dass man über der KI-Kompetenzschwelle steht. Das Fachwissen ist nicht mehr das Ziel, es ist der Boden, der das Erreichen des Ziels erst möglich macht. Ohne diesen Boden kann ich nicht beurteilen, und das Beurteilen ist genau die Kompetenz, die wichtiger wird.

Und genau dorthin verschiebt sich das Gewicht, weg vom eigenen Umsetzen, hin zum Richtung vorgeben und Beurteilen. Früher hieß ein Lernziel, die Studierenden setzen ein Storyboard mit einem Autorentool um. Das ist die Stufe Anwenden. Künftig heißt es, die Studierenden geben die Richtung vor, lassen die KI die Umsetzung erzeugen und evaluieren deren Qualität anhand fachlicher Kriterien. Das ist die Stufe Evaluieren, und sie liegt in der revidierten Taxonomie von Anderson und Krathwohl zwei Stufen höher als das Anwenden und über dem Analysieren. Das eigene Umsetzen verschwindet nicht, aber es wird von der Hauptsache zur Voraussetzung.

Bleiben und Verschieben betreffen das, was es schon gibt. Es kommt aber auch etwas hinzu, das es vorher gar nicht gab. Neu dazu kommt das Orchestrieren, nicht mehr eine KI bedienen, sondern mehrere zugleich führen, jede für das, was sie am besten kann, und die einzelnen Ergebnisse zu etwas zusammenfügen, das stimmt. Und neu dazu kommt das Selbst-Bauen. Mit KI kann ich heute Lösungen entwickeln, für die ich früher einen Softwareentwickler gebraucht hätte. Meine Studierenden haben im Sommersemester eigene Lernspiele gebaut, die meisten hatten vorher nie programmiert. In meinem Feld, im E-Learning und Wissensmanagement, das ich überblicke, wird das mehr werden. Nicht mehr nur Inhalte in fertige Werkzeuge gießen, sondern die Werkzeuge selbst entwerfen.

Gerade dieses Selbst-Bauen führt bei mir zu einer ketzerischen Frage. Steht das Erschaffen wirklich noch immer oben in der Bloom´schen Lernzieltaxonomie, wenn die KI es übernimmt? Wenn ich mir einen Text generieren lasse, dann erschaffe ich nichts. Ich gebe einen Auftrag, die Maschine bringt das Produkt hervor, und ich habe nichts gelernt. Das Produkt sieht aus wie eine Leistung der obersten Stufe, aber die Stufe, auf der ich selbst stehe, ist eine ganz niedrige. Wenn meine Studierenden dagegen ein Lernspiel vibe-coden, müssen sie zu all den Gedanken kommen, die gedacht werden müssen, um das Spiel zu konzipieren. Die Spiellogik, die didaktische Struktur, die Bewertung jedes Zwischenstands. Da steckt das Analysieren, das Evaluieren und das Erschaffen drin, auch wenn die KI die einzelnen Zeilen tippt. Nicht das Werkzeug entscheidet über die Stufe, sondern wie viel eigenes Denken die Aufgabe verlangt. Und genau das verschleiert der glatte Output. Er sieht bei der hohen und bei der niedrigen Stufe gleich aus.

Daraus folgt, was Ausbildung jetzt leisten muss, und das gilt weit über meinen Studiengang hinaus, für jede Lehre, jeden Lehrgang, jede Schule, jede Ausbildung in einem Feld, das die KI berührt. Die Lernenden müssen die KI als Werkzeug kennenlernen und zugleich verstehen, wie diese Systeme funktionieren, wo sie zuverlässig sind und wo sie in die Irre führen, und warum es unterhalb der KI-Fachkompetenznschwelle gefährlich wird. Wann das seinen Platz hat, hängt davon ab, wie viel Basiswissen die Lernenden schon mitbringen. Es gibt zwei Wege. Wo das Basiswissen fehlt, kommt es zuerst, und die KI setzt erst darauf auf, denn ihren Output beurteilen kann nur, wer das Fach schon versteht. Wo es bereits vorhanden ist, kann die KI von Beginn an darauf aufbauen. In beiden Fällen gilt dasselbe Prinzip. Die KI gehört nicht als abgetrenntes Dauerthema irgendwohin, sondern dort eingewoben, wo das Fachwissen wächst, an dem sich ihr Output überhaupt messen lässt.

Und weil ein fertiges Produkt heute nichts mehr darüber sagt, ob jemand etwas gelernt hat, weil derselbe Text in vier Minuten unbedacht aus der Maschine fallen oder in vielen Stunden gemeinsam mit ihr durchdacht werden kann, muss ich anders prüfen. Beide Wege führen zum selben glatten Ergebnis, und nur einer hinterlässt Verstehen. Die schriftliche Hausarbeit, zu Hause erstellt, kann das nicht mehr auseinanderhalten, weil bei ihr niemand sagen kann, wie viel der Mensch getan hat und wie viel die Maschine. Sichtbar wird das Lernen erst wieder, wenn ich die Aufgabe an einen klaren Rand ziehe. An den einen, wo keine KI mitschreibt, also die Arbeit in der Stunde, in Präsenz, vor meinen Augen, das mündliche Verteidigen, das Reagieren auf Rückfragen. Oder an den anderen, wo die KI ausdrücklich Teil der Aufgabe ist und das Steuern, Prüfen und Verantworten ihres Outputs selbst die Leistung wird. Beides macht Lernen wieder sichtbar. Die schriftliche Hausarbeit dazwischen, mit unsichtbarer KI im Verborgenen, zeigt gar nichts mehr.

Am stärksten aber schützt eine Aufgabe, in der KI massiv im Spiel ist und es trotzdem ernst wird: Das echte Praxisprojekt mit einem echten Auftraggeber. Eine KI kann den Auftraggeber simulieren, ein realistisches Szenario bauen, eine Übung spielen. Was sie nicht kann, ist das verlorene Vertrauen, wenn man schlampig arbeitet. Genau diese letzte Etappe, in der das eigene Tun reale Folgen hat, kann keine Simulation nachbauen.

Wie das im Kleinen aussieht, habe ich beim Schreiben dieses Textes erlebt. Irgendwann habe ich Claude unterbrochen und gesagt, er soll keine neue Definition erfinden, sondern auf meiner bereits veröffentlichten KI-Fachkompetenzschwelle aufsetzen. Claude hat daraufhin in meinem eigenen Wissensspeicher nachgelesen und darauf weitergebaut. Ich konnte die Maschine nur deshalb auf den richtigen Weg bringen, weil ich mein Feld tief genug kenne, um zu wissen, wo sie hin muss. Genau das ist die Kompetenz, um die es alles kreist. Nicht die KI bedienen. Sie führen.

René hat die Sonne mitgebracht

Es klingt bis hierhin nach Bedrohung, und sie ist real. Aber ich habe an diesem Wochenende auch die andere Seite gesehen, und sie ist der Grund, warum ich in der Früh weiterschreibe.

Am vierzehnten Februar 2024 saß mir im Aufnahmegespräch ein Mann gegenüber, dem ich sagte, dass zwei sehr arbeitsreiche Jahre vor ihm lägen. René Foidl kommt aus der Sprachwissenschaft und wollte in meinen Masterstudiengang E-Learning und Wissensmanagement. Vor wenigen Tagen hat er sein Studium abgeschlossen und auf LinkedIn aufgeschrieben, was diese zwei Jahre für ihn waren. Ich darf ihn zitieren, er hat es selbst öffentlich geteilt.

René beschreibt seine Studienzeit als eine Reise von der Mediendidaktik über das Urheberrecht, das Projektmanagement, digitale Kollaborationslandschaften, absichtlich schlecht gestaltete PowerPoint-Präsentationen, Simulationen, Wissens-Schafe und Wissens-Gärten bis hin zur Konzeption und Entwicklung von E-Learning-Kursen und, in seinen Worten, ganz viel GenKI. Seine Masterarbeit, schreibt er, habe sein Technik-Nerd-Herz und sein Linguistik-Nerd-Herz auf eine romantische Reise geschickt. Sein Leitsatz auf LinkedIn lautet: Wo Sprachwissenschaft auf Künstliche Intelligenz trifft.

Genau das ist der Mensch, dem die KI den Job nicht wegnimmt, sondern neue Möglichkeiten eröffnet. René hat Tiefe und KI verbunden und dadurch sind seine Kompetenzen wertvoller geworden, nicht ersetzbarer. Er kann etwas, das die Maschine braucht, nämlich beurteilen, was sie produziert. In die Falle ist er nicht getappt, weil er ein Fundament mitbrachte, auf dem die KI überhaupt erst trägt. Aus der Sprachwissenschaft kam die Tiefe, im Studium kam die KI dazu. Er hat von Anfang an viel mit ihr gearbeitet, aber er hat sie aus diesem Fundament heraus geführt, statt sich von ihr führen zu lassen. Darum sieht er, wann ihr Output didaktisch trägt und wann er nur gut aussieht.

Ich erinnere mich an René, aber nicht zuerst über das, was auf seinem Profil steht. Er hatte funkelnde, oft verblüffende Einfälle, hat unermüdlich ausprobiert, sein Lernspiel war ein kleines Stück Erfindungsreichtum. Und er hat die Sonne in die Lehrveranstaltungen gebracht, auch wenn draußen schlechtes Wetter war. Der Satz aus seinem Beitrag, der mir am meisten bleibt, ist der, dass er das Gefühl hatte, seine Schwerpunkte gezielt dort setzen zu dürfen, wo er wollte. Diesen Gestaltungsspielraum, den ich am Anfang mein größtes Privileg genannt habe, hat er als Studierender erlebt. Genau das kann ein Curriculum geben, wenn es richtig gebaut ist. René beendet seinen Beitrag mit einem Zitat der Musikerin Fever Ray: I’m not done. Ich auch nicht.

Zurück ins kühle Haus

Die Klimaanlage surrt. Das Curriculum ist immer noch nicht fertig. Aber die Frage, die mich aufs rote Sofa getrieben hat, hat sich geklärt, während ich sie mit einer Maschine besprochen habe, die weder heiß noch kalt ist.

Ich sitze hier im Kühlen, geschützt, während draußen die Hitze flirrt. Und genau das ist das Bild, das mir bleibt. Kompetenz ist dieses kühle Haus. Wer über der Schwelle steht, sitzt geschützt, kann die KI nutzen und beurteilen und wird wertvoller dadurch. Wer darunter bleibt, steht in der Hitze und merkt nicht einmal, dass ihn die Maschine in die Irre führt, weil ihre Vorschläge so freundlich und so glatt aussehen. So freundlich wie die Antworten, die leichter zu bekommen sind als ein Gespräch mit einer Dreizehnjährigen, die aus dem Fenster schaut.

Dieser Text ist selbst der Beweis für das, worüber er spricht. Eine Maschine hat enorm viel beigetragen, ganze Recherchen, einen kompletten Essay, der im Papierkorb landete. Aber an jeder Weggabelung war es mein Urteil, das die Richtung bestimmt hat. Ich habe differenziert, korrigiert, verworfen, auf mein eigenes Wissen verwiesen, eine falsche Metapher kassiert, eine untergeschobene Quelle entfernt. Ohne einen Menschen über der Schwelle wäre ein glatter, plausibler, am Kern vorbeigehender Text entstanden. Mit einem Menschen über der Schwelle wurde etwas daraus, das vorher keiner von uns beiden allein hätte denken können.

Das ist die Aufgabe, vor der wir alle stehen: Die Bildung zu gestalten. Die KI-Kompetenzfalle steht vor jeder Tür. Bilden wir Menschen aus, die selbst genug können, um die Maschine zu führen? Oder eine Generation, die alles produzieren kann, außer zu beurteilen, ob es stimmt?

Ich weiß, auf welcher Seite mein Curriculum stehen soll. Jetzt muss ich es nur noch fertig schreiben, und zum Glück bin ich dabei nicht allein. Ein tolles Team baut mit. Bei siebenunddreißig Grad im Kühlen.

Meine LinkedIn Beiträge

Die folgenden LinkedIn-Beiträge habe ich seit dem letzten Newsletter veröffentlicht und sind auch ohne LinkedIn-Mitgliedschaft frei zugänglich.

Warum KI-Detektoren scheitern
750 von 10.000 Menschen, die ihren Text selbst geschrieben haben, werden zu Unrecht der KI-Nutzung beschuldigt. Schuld ist nicht schlechte Software, sondern Mathematik. Nathan Garland rechnet vor, warum kein Detektor je zuverlässig zwischen Mensch und Maschine trennen kann.

Wenn sich plötzlich alle Reflexionsabgaben gleich lesen
Wenn alle Abgaben gleich klingen, liegt es vielleicht nicht an den Studierenden, sondern an der Aufgabe. Aus dieser Frage ist mein Pol-Modell entstanden, das ich mit Michael Prodinger in Folge 3 von Zimmer 148 bespreche.

Bestätigung über den Erwerb KI-bezogener Kompetenzen
Wie weist man KI-Kompetenz nach, wenn das Abschlusszeugnis das nicht mehr leistet? Meine Studierenden haben dazu ein Dokument erstellt, das drei Stufen sichtbar macht, das Anwenden, das didaktische Vermitteln und das kritische Einordnen.

Mein neues Padlet mit Lernspielen
In meinem neuen Padlet zeigen Anleitungen, wie Lernende mit KI selbst Lernspiele entwickeln. Sechs fertige Spiele zum wissenschaftlichen Arbeiten zeigen, wie die Ergebnisse aussehen, alle offen lizenziert und in Moodle importierbar.

Warum sollte ich Lernspiele für meine Studierenden bauen?
Warum sollte ich Lernspiele für meine Studierenden bauen, wenn die Studierenden sie selbst bauen können? Wie diese Aufgabe funktioniert und warum sie KI-sicher ist, bespreche ich in Folge 2 von Zimmer 148.