Ob KI beim Lernen hilft, zeigt die nächste Aufgabe ohne KI

Eine starke KI-Antwort kann beeindrucken. Sie kann aber nicht zeigen, was eine lernende Person selbst verstanden hat. Dafür braucht es einen Moment, in dem die Unterstützung verschwindet und Wissen eigenständig angewendet werden muss. Genau deshalb ist ein neuer RCT-Preprint von Zara Contractor und Germán Reyes interessant: Er misst nicht nur, was Studierende mit erlaubter KI produzieren, sondern auch, was sie danach in laut Protokoll hilfsmittelfreien Tests wissen und in einer späteren Sitzung ohne KI schreiben können.

Der Befund fällt positiver aus, als es eine pauschale Offloading-Erzählung erwarten liesse. Er ist zugleich viel enger, als die Schlagzeile «KI verbessert Lernen» vermuten lässt.

Das Experiment

An Sitzung 1 der Studie nahmen 211 Undergraduate-Studierende des Middlebury College teil. Sie wurden per Zufall einer Bedingung zugeteilt, in der generative KI erlaubt oder verboten war. Während einer 35-minütigen Lernphase beschäftigten sie sich mit einem von drei fachfremden Themen: Blockchain, CO₂-Abscheidung oder CRISPR. Sie sollten recherchieren und einen Analyseessay von ungefähr 500 Wörtern verfassen.

Beide Gruppen durften traditionelle Quellen verwenden. Der KI-Gruppe stand zusätzlich beliebige GenAI offen; bereitgestellt war ein eingeloggter GPT-4o-Account. Untersucht wurde also die Erlaubnis von Standard-GenAI in einer kurzen, beaufsichtigten Hochschulaufgabe – nicht ein bestimmtes schulisches Lernprogramm.

Original-Preprint im Volltext · PDF

Der entscheidende Messpunkt

Direkt nach der Lernphase folgte laut Protokoll ein beaufsichtigter Wissenstest ohne KI und weitere Ressourcen. Die Gruppe mit erlaubtem KI-Zugang erzielte im Mittel 6,7 Prozentpunkte mehr. Der ITT-Effekt entsprach 0,27 Standardabweichungen; der berichtete p-Wert lag bei 0,034.

«Hilfsmittelfrei» bezeichnet hier die vorgesehene Testbedingung, nicht lückenlose Regelbefolgung: Im Test von Sitzung 1 traten unter erlaubtem KI-Zugang häufiger Regelverletzungen auf. Das schränkt die Lesart des Soforttests ein und macht Integrität zu einem eigenen Gestaltungsproblem.

204 der ursprünglich 211 Teilnehmenden kehrten durchschnittlich 6,99 Tage später zu Sitzung 2 zurück. Dort waren KI und andere Ressourcen für beide Gruppen verboten. Im Wissenstest betrug der Gruppenunterschied 5,1 Prozentpunkte bei einem p-Wert von 0,027. Zusätzlich verfassten die Rückkehrenden einen Essay ohne KI, den menschliche und KI-Rater bewerteten.

Diese Messfolge ist die eigentliche Stärke des Designs. Sie trennt die Qualität eines KI-gestützten Zwischenprodukts von einer späteren Eigenleistung. Rund eine Woche ist mehr als ein unmittelbarer Abgabetest. Es ist aber kein Semester, kein Langzeitnachweis und kein Beleg für Transfer in andere Themen oder Situationen.

Nutzung ist nicht Wirkung

Die Forschenden klassifizierten die Chatprotokolle explorativ und nachträglich. Sie unterschieden zwischen «augmentation» – etwa KI zum Erklären und Bearbeiten von Konzepten – und «automation», bei der KI die Arbeit formuliert. Diese Post-hoc-Gruppen waren nicht randomisiert.

Die deskriptiven Muster sprechen zwar für günstigere verzögerte Ergebnisse bei erklärender beziehungsweise unterstützender Nutzung. Die Punktschätzer waren jedoch unpräzise: Für Augmentation gegenüber der Kontrollgruppe berichten die Autor:innen beim verzögerten Test p=0,061 und beim Essay p=0,216. Ein statistisch gesicherter direkter Vorteil von Augmentation gegenüber Automation wurde nicht ausgewiesen.

Das klingt didaktisch plausibel, ist aber kein Experiment im Experiment. Vielleicht nutzen Personen mit anderem Vorwissen, anderer Motivation oder anderen Strategien die KI anders. Aus den beobachteten Mustern folgt deshalb nicht: «Erklären lassen verursacht bessere Ergebnisse.»

Die vorsichtige Konsequenz lautet: Das Tool-Label allein ist zu grob. Für Lernen ist relevant, welche Denkhandlung unterstützt und welche an die KI abgegeben wird. Das ist eine prüfbare Gestaltungsfrage, keine durch diese Post-hoc-Analyse bewiesene Wirkregel.

Ein Unterrichtsmodell mit KI-freiem Gegenstück

Für die Sek I lässt sich daraus kein fertiges Wirkversprechen ableiten. Wohl aber eine überprüfbare Gestaltungsregel: Jede begrenzte KI-Phase erhält im selben Auftrag ein KI-freies Gegenstück.

Ein Beispiel aus Natur und Technik zum Thema CO₂-Abscheidung:

1. Eigenstart, 7 Minuten: Die Lernenden lesen zwei geprüfte Materialien. Sie notieren eine Chance, eine Grenze und eine offene Frage.
2. Enge KI-Phase, 10 Minuten: Mit einem schulisch freigegebenen Tool fragen sie nach dem Unterschied zwischen Abscheidung an Punktquellen und Direct Air Capture. Eine zweite Frage darf eine unklare eigene Aussage betreffen. Die KI-Antwort bleibt eine markierte Notiz, kein Abgabetext.
3. Quellenprüfung, 12 Minuten: Die Gruppen ordnen zwei KI-Aussagen einer Textstelle zu. Nicht gedeckte Aussagen werden sichtbar markiert.
4. Neue Anwendung ohne KI, 12 Minuten: Jede Person beantwortet: «Eine Gemeinde will CO₂-Abscheidung statt Emissionssenkung finanzieren. Welche zwei Fragen müssen vor dem Entscheid beantwortet werden?»
5. Reflexion, 5 Minuten: Die Lernenden trennen: Was hat die KI erklärt? Was musste ich selbst beurteilen?

Dieses Modell ist eine didaktische Ableitung, keine Replikation der Studie. Bewertet werden Begründung und Quellenbezug in der eigenen Anwendung, nicht die sprachliche Glätte des KI-Zwischenprodukts.

Was der Befund nicht zeigt

Der Preprint ist nicht peer-reviewed. Die Stichprobe stammt von einer einzelnen Hochschule. 211 Personen nahmen an Sitzung 1 teil; der verzögerte Befund beruht auf 204 Rückkehrenden. Die Intervention dauerte kurz, und der zweite Messpunkt lag nur ungefähr eine Woche später. Daraus folgt keine direkte Aussage über Schweizer Sek I, jüngere Lernende, langfristiges Behalten oder andere Fächer.

Auch Datenschutz, lokale Toolfreigaben, Klassenführung und Prüfungsregeln wurden nicht beantwortet. Die im Test von Sitzung 1 unter erlaubtem KI-Zugang häufigeren Regelverletzungen zeigen zudem: Eine als hilfsmittelfrei geplante Messung garantiert noch keine regelkonforme Durchführung. Bei Minderjährigen gehen schulische Freigaben und Datensparsamkeit vor.

Trotz dieser Grenzen ist der Befund nützlich. Er korrigiert zwei bequeme Verkürzungen zugleich: Eine gute KI-Abgabe beweist noch kein Lernen. Aber erlaubter KI-Zugang verhindert in einem passenden Design auch nicht automatisch eigenes Lernen. Die faire Prüfung kommt danach: ohne KI erklären, entscheiden oder auf einen neuen Fall anwenden.

Mehr didaktische Einordnungen auf digitalespausenbrot.ch und im Blog.

Quellen

• Contractor, Z. & Reyes, G. (2026). Experimental Evidence on the Learning Impact of Generative AI. arXiv:2607.08849v1. Preprint, nicht peer-reviewed.
• PDF zum Preprint
• DOI: 10.48550/arXiv.2607.08849

Grenzen

• Einzelner, nicht peer-reviewter Preprint ohne im Research Brief verifizierte unabhängige Replikation.
• 211 Undergraduate-Studierende in Sitzung 1 an einer Institution; 204 kehrten zu Sitzung 2 zurück. Keine direkte Übertragbarkeit auf Schweizer Sek I, jüngere Lernende oder anders zusammengesetzte Klassen.
• 35-minütige Intervention und ein verzögerter Messpunkt nach durchschnittlich 6,99 Tagen; kein Langzeit- oder allgemeiner Transfernachweis.
• Der Soforttest war laut Protokoll hilfsmittelfrei; unter erlaubtem KI-Zugang traten darin häufiger Regelverletzungen auf.
• Erlaubter Zugriff auf Standard-GenAI in einer beaufsichtigten Aufgabe; keine Evidenz für beliebige private oder unbeaufsichtigte Nutzung und kein schulisches Produktsiegel.
• Die explorative Post-hoc-Einteilung in erklärende und textgenerierende Nutzung war nicht randomisiert; verzögerte Punktschätzer waren unpräzise, und ein statistisch gesicherter direkter Augmentation-vs.-Automation-Vorteil wurde nicht ausgewiesen.
• Datenschutz, lokale schulische Freigaben, Klassenführung und Prüfungsordnungen wurden nicht untersucht.
• Das Unterrichtsmodell ist eine didaktische Ableitung und keine Replikation des College-Experiments.