Künstliche Intelligenz eröffnet erstmals die Möglichkeit, jeder Schülerin und jedem Schüler einen persönlichen Lernbegleiter zur Seite zu stellen. Richtig eingesetzt, macht sie junge Menschen selbstständiger, kritischer und erfolgreicher – weil sie das Denken fördert, statt es zu ersetzen.
Die grosse Chance: Ein Lernbegleiter für alle
Stellen wir uns eine gewöhnliche Gymnasialklasse vor. Fünfundzwanzig Jugendliche arbeiten am selben mathematischen Thema. Die Lehrperson erklärt einen neuen Lösungsweg, entwickelt ein Beispiel an der Wandtafel und verteilt Übungsaufgaben.
Einige verstehen sofort. Andere brauchen ein zusätzliches Beispiel. Wieder andere haben schon bei den Grundlagen Mühe, möchten aber nicht vor der ganzen Klasse nachfragen. Und einige wären längst bereit für anspruchsvollere Aufgaben.
Jede erfahrene Lehrperson kennt dieses Dilemma. Selbst mit grossem Engagement und ausgezeichneter Didaktik lässt es sich im Klassenunterricht kaum vollständig lösen.
Genau hier liegt eine der faszinierendsten Möglichkeiten der künstlichen Intelligenz. Erstmals rückt ein persönlicher Lernbegleiter in greifbare Nähe, der sich dem Wissen, dem Tempo und den Schwierigkeiten jedes Einzelnen anpasst. Er wird nicht ungeduldig, wenn dieselbe Frage zum dritten Mal kommt. Er bietet zusätzliche Beispiele an, vereinfacht schwierige Gedankengänge oder fordert Begabte mit anspruchsvolleren Fragen heraus. Und er ist auch dann da, wenn Jugendliche abends allein vor ihren Hausaufgaben sitzen.
Individuelle Förderung hängt damit nicht mehr allein von der verfügbaren Zeit einer Lehrperson ab. Die entscheidende Frage lautet allerdings: Wie setzen wir KI so ein, dass junge Menschen nicht weniger, sondern mehr selbst denken?
Was echtes Lernen bedeutet
Lernen ist mehr als das Sammeln richtiger Antworten. Wer eine vollständig gelöste Aufgabe vor sich sieht, kann eine ähnliche Aufgabe noch lange nicht selbst lösen.
Nehmen wir eine Schülerin, die eine schwierige Mathematikaufgabe fotografiert und einer KI übergibt. Sekunden später erscheint eine saubere, schrittweise Lösung. Sie liest sie, findet sie einleuchtend und denkt: «Jetzt habe ich es verstanden.» Am nächsten Tag steht in der Prüfung eine leicht veränderte Aufgabe – und plötzlich weiss sie nicht weiter.
Sie hat nachvollzogen, was jemand anderes gedacht hat, ohne die entscheidenden Schritte selbst zu gehen. Dieses Problem ist übrigens keineswegs erst mit der KI entstanden.
Aus meiner langjährigen Erfahrung als Gymnasiallehrer weiss ich, wie trügerisch selbst eine hervorragend vorbereitete Erklärung sein kann. Man entwickelt einen Sachverhalt sorgfältig an der Wandtafel, baut jeden Schritt logisch auf und hat schliesslich das Gefühl, die Klasse müsse es jetzt verstanden haben. Doch wer aufmerksam in die Gesichter blickt, sieht manchmal etwas anderes: Einige folgen begeistert. Andere schauen konzentriert – haben den entscheidenden Gedanken aber längst verloren.
Diese Erfahrung hat mich über viele Jahre beschäftigt. Sie ist kein Versagen der Lehrperson, sondern Ausdruck einer einfachen Tatsache: Lernen ist ein individueller geistiger Prozess. Niemand kann einem anderen das Verstehen einfach übergeben.
Genau hier liegt die Stärke eines dialogischen KI-Tutors. Er kann dort nachfragen, wo das Verständnis eines Einzelnen abbricht, eine andere Darstellung wählen oder zuerst fehlende Grundlagen aufarbeiten.
Eine Methode ist dann wirklich gelernt, wenn jemand
• ihre Grundidee erklären,
• sie selbstständig anwenden,
• typische Fehler erkennen und
• sie auf neue Problemstellungen übertragen kann.
Das Problem liegt deshalb nie in der Technologie selbst, sondern in ihrer Verwendung. Ein Taschenrechner ist ein hervorragendes Werkzeug – er ersetzt aber nicht das Verständnis dafür, warum eine Rechnung sinnvoll ist. Ebenso liegt die grösste pädagogische Stärke der KI nicht darin, Denken überflüssig zu machen, sondern es gezielter zu fördern.
Woran man echtes Verständnis erkennt: Nicht daran, dass uns eine fremde Lösung einleuchtet – sondern daran, dass wir den entscheidenden Gedanken selbst entwickeln, begründen und übertragen können.
Sokrates und Pólya: Zwei Vordenker für den KI-Tutor von heute
Die Antwort auf die Frage, wie KI das Denken fördern kann, führt überraschenderweise zu zwei grossen Persönlichkeiten: dem griechischen Philosophen Sokrates und dem Mathematiker George Pólya, der von 1914 bis 1940 an der ETH Zürich lehrte. Ihre Ideen sind keineswegs überholt – moderne KI kann sie erstmals in grosser Breite umsetzen.
Sokrates: Denken lernen durch gute Fragen
Sokrates gab seinen Gesprächspartnern keine fertigen Antworten. Er stellte Fragen, prüfte Annahmen und regte dazu an, eigene Überlegungen kritisch zu hinterfragen. Ein sokratischer KI-Tutor interessiert sich deshalb nicht nur für das Resultat, sondern dafür, wie jemand denkt.
Nehmen wir die Gleichung x² − 5x + 6 = 0. Eine gewöhnliche KI liefert sofort die Lösung x = 2 und x = 3 – richtig, aber ohne eigene Denkleistung. Ein sokratischer Tutor führt stattdessen ein Gespräch:
KI-Tutor: «Welche Möglichkeiten kennst du, eine quadratische Gleichung zu lösen?»
Schüler: «Mit der Lösungsformel. Vielleicht kann man sie auch faktorisieren.»
KI-Tutor: «Sehr gut. Woran erkennst du, ob eine Faktorisierung möglich ist?»
Schüler: «Ich brauche zwei Zahlen, deren Produkt 6 ergibt.»
KI-Tutor: «Richtig. Welche Bedingung müssen sie zusätzlich erfüllen?»
Schüler: «Ihre Summe muss −5 ergeben. Also −2 und −3!»
Die KI hat dem Schüler den Denkprozess nicht abgenommen – sie hat ihn so begleitet, dass er den nächsten Schritt selbst erkennt. Macht er einen Fehler, sucht ein guter Tutor nach dessen Ursache: Vorzeichen verwechselt? Distributivgesetz unsicher? Je nachdem genügt ein kleiner Hinweis, oder es braucht ein einfacheres Beispiel. Dabei gilt: Gute Didaktik ist keine endlose Folge von Gegenfragen, sondern das richtige Mass an Unterstützung.
Pólya: Unbekannte Probleme systematisch lösen
In seinem berühmten Werk How to Solve It (1945) beschrieb Pólya vier Phasen des Problemlösens: das Problem verstehen, einen Plan entwickeln, den Plan ausführen und zurückblicken. Viele Lernende beginnen sofort zu rechnen. Pólya fragt zuerst: Was ist gegeben? Was ist gesucht? Kenne ich eine ähnliche Aufgabe? Hilft eine Skizze?
Ein Beispiel: Ein rechteckiger Garten soll mit 40 Metern Zaun eingezäunt werden – welche Seitenlängen ergeben die grösste Fläche? Statt die Antwort «Quadrat mit 10 Metern» zu liefern, lässt der Tutor den Lernenden die Fläche als Funktion einer Seitenlänge aufstellen, A(x) = x(20 − x), und das Maximum selbst finden. Besonders wertvoll ist danach das Zurückblicken: Warum ist gerade das Quadrat optimal? Gilt das auch für andere Zaunlängen? Was ändert sich, wenn eine Hauswand eine Seite bildet?
Die ideale Verbindung: Sokrates fördert durch gezielte Fragen das eigenständige Denken. Pólya gibt diesem Denken eine Struktur. Ein gut gestalteter KI-Tutor verbindet beides zu einem individuellen Lerndialog.
Vier Lernwege – ein gemeinsames Ziel
Die vielleicht spannendste Möglichkeit der KI: Nicht alle müssen denselben Lernweg gehen. Nehmen wir Anna und Lukas, die beide die Gartenaufgabe bearbeiten. Anna findet die Lösung rasch, kann aber noch nicht begründen, warum die Fläche tatsächlich maximal ist. Lukas hat dagegen schon Mühe, die Umfangsbedingung aufzustellen.
Ein erfahrener Lehrer würde die beiden unterschiedlich unterstützen – und genau das tut auch ein personalisierter KI-Tutor. Anna erhält die Frage: «Wie beweist du, dass dein Wert das globale Maximum ist?» Lukas bekommt einen konkreten Einstieg: «Wenn eine Seite 6 Meter lang ist, wie lang muss die andere sein?» Erst wenn er den Zusammenhang an mehreren Beispielen erkannt hat, entsteht daraus die allgemeine Gleichung.
Die Grafik zeigt das Prinzip: Vier Lernende starten auf unterschiedlichem Niveau und brauchen unterschiedlich viel Übung. Der eine erfasst die Strategie rasch, die andere braucht zusätzliche Beispiele, ein Dritter benötigt anfangs mehr Zeit für die Grundprinzipien – und die Vierte kämpft zunächst, macht dann aber einen besonders grossen Fortschritt. Alle erreichen dasselbe Lernziel. Der KI-Tutor passt die Unterstützung so lange an, bis es geschafft ist.
Aus vielen Übungsdialogen gewinnt ein KI-Tutor schrittweise ein differenziertes Bild: Wie sicher sind Begriffe und Verfahren? Wie viele Hinweise werden benötigt? Reagiert jemand besser auf konkrete Beispiele, Grafiken oder abstrakte Erklärungen? Wichtig dabei: Solche Muster beschreiben keine Intelligenz und keine feste Eigenschaft. Wer heute viele anschauliche Beispiele braucht, kann morgen komplexe Zusammenhänge abstrakt erfassen.
Individualisierung bedeutet nicht Vereinfachung. Ein personalisierter KI-Tutor teilt niemanden in feste Leistungskategorien ein. Er hilft allen, die eigenen Möglichkeiten auszuschöpfen und zunehmend anspruchsvollere Aufgaben selbstständig zu meistern.
Was die Forschung zeigt
Die Wissenschaft liefert eine klare und ermutigende Botschaft: Über den Lernerfolg entscheidet nicht die blosse Verfügbarkeit von KI, sondern ihre pädagogische Gestaltung.
Besonders aufschlussreich ist eine 2025 in den Proceedings of the National Academy of Sciences veröffentlichte Studie. Ein Team um Hamsa Bastani begleitete fast 1’000 Jugendliche der 9. bis 11. Klasse beim Mathematiklernen. Eine Gruppe nutzte einen frei verwendbaren KI-Assistenten, eine zweite einen speziell gestalteten KI-Tutor, der Hinweise statt fertiger Lösungen gab, und eine dritte arbeitete ohne KI.
• Beim Üben erzielten beide KI-Gruppen deutlich bessere Leistungen.
• In der anschliessenden Prüfung ohne KI schnitt die Gruppe mit dem frei verwendbaren Assistenten jedoch rund 17 Prozent schlechter ab als die Gruppe ohne KI.
• Mit dem speziell gestalteten Lerntutor liessen sich diese negativen Effekte weitgehend vermeiden. Ein statistisch gesicherter Vorsprung gegenüber der Gruppe ohne KI zeigte sich allerdings noch nicht – genau hier liegt das Potenzial für noch besser gestaltete Lernbegleiter.
Die Lehre daraus: KI ohne pädagogische Leitplanken kann zur geistigen Krücke werden – gut gestaltete KI dagegen nicht.
Eine Studie von Bor-Chen Kuo und Kollegen (Computers & Education, 2026) verbindet ausdrücklich den sokratischen Dialog mit Pólyas Problemlösestrategie. Ihre Ergebnisse deuten darauf hin, dass sorgfältig strukturierte KI-Unterstützung mathematisches Lernen fördern kann – besonders bei Lernenden mit schwächeren Leistungen. Und eine Untersuchung von Hoda Fakour und Moslem Imani (Frontiers in Education, 2025) unterstreicht das Potenzial, KI und persönliche pädagogische Betreuung zu verbinden, gerade beim kritischen Denken.
Die Forschung ist jung, und Langzeitwirkungen müssen weiter untersucht werden. Doch die Richtung ist klar: KI besitzt ein grosses Bildungspotenzial, wenn sie das selbstständige Denken ins Zentrum stellt.
Der eigentliche Massstab: Der Erfolg eines KI-Tutors zeigt sich nicht daran, wie viele Aufgaben jemand mit ihm löst – sondern daran, wie viel er oder sie später ohne ihn leisten kann.
Kritisches Denken: Auch der KI darf man widersprechen
KI-gestütztes Lernen reicht weit über die Mathematik hinaus. Moderne KI-Systeme formulieren überzeugend – auch dann, wenn ihre Aussagen gelegentlich falsch oder unvollständig sind. Junge Menschen sollten deshalb nicht nur lernen, KI-Antworten zu verstehen, sondern sie auch zu hinterfragen:
• «Warum ist das richtig?»
• «Welche Voraussetzung hast du verwendet?»
• «Gibt es ein Gegenbeispiel?»
• «Ich glaube, dein dritter Schritt ist falsch. Überprüfe ihn.»
Solche Fragen sind kein Misstrauen, sondern Ausdruck einer wissenschaftlichen Haltung. Ein guter KI-Tutor fördert sie gezielt, etwa indem er einen fehlerhaften Beweis prüfen oder zwei Lösungswege vergleichen lässt. Besonders wertvoll ist die Umkehrung der Rollen: Nicht die KI kontrolliert den Lernenden, sondern der Lernende überprüft die KI. Wer das beherrscht, lernt, Autoritäten zu hinterfragen und eigene, begründete Urteile zu fällen – eine Fähigkeit fürs ganze Leben.
Die neue Rolle der Lehrperson
KI macht Lehrpersonen nicht überflüssig – sie verschafft ihnen mehr Raum für das, was guten Unterricht ausmacht. Eine Lehrperson motiviert, erkennt Unsicherheiten, schafft Vertrauen und weckt Begeisterung für ein Fach. Das kann keine Maschine ersetzen.
Denkbar ist ein Unterricht, in dem die Lehrperson in zwanzig Minuten die Kernideen eines neuen Themas vermittelt. Danach arbeiten die Lernenden an unterschiedlich anspruchsvollen Aufgaben mit individuell angepasster KI-Unterstützung. Die Lehrperson beobachtet, führt Einzelgespräche, greift bei grundlegenden Missverständnissen ein und stellt besonders herausfordernde Fragen. Zum Schluss wird gemeinsam besprochen, was gelernt wurde und welche Fragen offen sind.
Damit das gelingt, braucht es klare Qualitätsstandards, einen verantwortungsvollen Umgang mit Lerndaten und gut vorbereitete Lehrpersonen. Sokratische Gesprächsführung, adaptive Lernprompts und die Beurteilung KI-gestützter Lernprozesse gehören deshalb schon heute in jede zeitgemässe Lehrerausbildung.
Wenn ich heutige Mathematiklehrpersonen um etwas beneide, dann um diese Möglichkeiten. Während meiner eigenen Unterrichtstätigkeit hätte ich mir oft gewünscht, jedem Schüler genau jene zusätzliche Erklärung, jene passende Übung oder jene persönliche Rückfrage anbieten zu können, die er gerade braucht. Doch die Zeit war begrenzt. Welch ein Privileg, künftig weniger Zeit für wiederholte Standarderklärungen aufzuwenden – und mehr für das Denken, die Schwierigkeiten und die Fortschritte der Schülerinnen und Schüler.
Fazit: Eine gute Lern-KI macht sich allmählich überflüssig
Das Ideal eines KI-Lerntutors ist nicht ein System, das jede Frage sofort beantwortet oder jede Anstrengung abnimmt. Es ist ein Begleiter, der zuerst herausfindet, wo jemand steht, passende Aufgaben auswählt, Verständnisfragen stellt – und seine Unterstützung mit wachsender Sicherheit schrittweise zurücknimmt.
Was gestern drei Hinweise brauchte, gelingt heute mit einem. Einige Tage später klappt es ganz selbstständig. Und schliesslich erkennt der Lernende die zugrunde liegende Idee sogar in einer neuen, schwierigeren Aufgabe. Genau darin liegt der eigentliche Fortschritt: Wer so lernt, gewinnt nicht nur Wissen, sondern auch Selbstvertrauen und die Fähigkeit, sein eigenes Denken zu beobachten und Fehler als wertvolle Information zu nutzen.
Die heutige Generation wächst in einer Zeit auf, in der leistungsfähige Lernbegleiter fast jederzeit verfügbar sind. Wer KI nur als bequeme Antwortmaschine nutzt, verschenkt einen grossen Teil ihres Potenzials. Wer sie als anspruchsvollen Gesprächspartner, geduldigen Fragesteller und individuellen Trainer einsetzt, entdeckt neue Wege des Lernens – neugierig, herausfordernd und mit echten Erfolgserlebnissen.
Eine wirklich gute Lern-KI macht niemanden von sich abhängig. Sie hilft, Schritt für Schritt unabhängiger, selbstständiger und kritischer zu denken.
Das ist nicht das Ende des eigenständigen Lernens – sondern der Beginn einer neuen, faszinierenden Lernkultur.
Ausblick: Vom guten Prompt zum guten Tutor
Wie aber wird aus einem gewöhnlichen KI-Chat ein Lernbegleiter, der Fragen stellt statt Lösungen liefert, den Wissensstand erkennt und seine Hilfe schrittweise zurücknimmt? Die Antwort liegt zu einem grossen Teil im richtigen Prompt. Im nächsten Beitrag zeige ich an konkreten Beispielen, wie Lehrpersonen, Eltern und Lernende aus guten Prompts nützliche KI-Tutoren machen.
Quellen und weiterführende Literatur
• Bastani, H., et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26).
• Kuo, B.-C., Bai, Z.-E., & Lin, C.-H. (2026). Developing an AI learning companion for mathematics problem solving in elementary schools. Computers & Education, 240.
• Fakour, H., & Imani, M. (2025). Socratic wisdom in the age of AI: A comparative study of ChatGPT and human tutors in enhancing critical thinking skills. Frontiers in Education, 10.
• Pólya, G. (1945). How to Solve It: A New Aspect of Mathematical Method. Princeton University Press.
