Mythen und Fakten zum Lernen mit KI

Beim CLC Lunch&Learn im Juli war Dr. Yvonne Konstanze Behnke die Impulsgeberin. Sie nahm gängige Aussagen zum Thema Lernen und KI unter die Lupe, darunter das AI-Bloom-Framework, KI als Booster für selbstgesteuertes Lernen und Vibe Learning.

Macht KI uns dumm?

Am MIT Media Lab wurde mit 54 Studierende aus dem Großraum Boston in Massachusetts, USA, ein interessantes Experiment durchgeführt [1]. Es wurden drei Gruppen gebildet, bei denen die Teilnehmenden eine offene Streitfrage strukturieren, eine Position entwickeln und diese in einem kurzen Essay begründen sollten. Die drei Gruppen hatten verschiedene Rahmenbedingungen:

• LLM-Gruppe: Nutzung von ChatGPT als einzige Informationsquelle; keine weiteren Webseiten oder Anwendungen zur Recherche
• Search-Engine-Gruppe: Nutzung von Suchmaschinen und Webseiten, aber kein ChatGPT oder anderes LLM
• Brain-only-Gruppe: keine Suchmaschine und keine KI; ausschließlich eigenes Wissen und eigene Überlegungen

Die Teilnehmenden absolvierten zunächst drei Sitzungen unter derselben Bedingung. Eine vierte, freiwillige Sitzung diente als Wechselbedingung:

• Brain-only → LLM
• LLM → Brain-only

Mit dabei waren nur noch 18 Personen, die ein Thema bearbeiteten, mit dem sie sich bereits in einer früheren Sitzung befasst hatten. Dadurch sollten Erinnerungs- und Übertragungseffekte untersucht werden. Die Search-Engine-Gruppe nahm an diesem Wechsel nicht teil.

Und jetzt wird es spannend. Die elektrische Aktivität des Gehirns der Teilnehmenden wurden mit einem Elektroenzephalogramm (EEG) gemessen. Die Teilnehmenden der Gruppe Brain-only → LLM zeigten in Sitzung 4 einen deutlichen Anstieg der neuronalen Vernetzung in allen untersuchten Frequenzbändern. Die Vernetzung war höher als in den drei regulären Sitzungen der ursprünglichen LLM-Gruppe. Das umgekehrte Bild zeigte sich bei Personen, die zunächst dreimal mit einem LLM gearbeitet hatten und nun ohne Hilfsmittel schreiben mussten. Ihre neuronale Vernetzung lag zwar über dem Niveau einer erstmaligen Brain-only-Aufgabe, erreichte jedoch nicht die Werte der geübten Brain-only-Gruppe aus den Sitzungen 2 und 3.

Die auffälligsten Verhaltensunterschiede zeigten sich bei der Frage, ob die Personen ihren eigenen Essay zitieren konnten:

• In der LLM-to-Brain-Gruppe konnten 78 Prozent überhaupt nichts zitieren.
• Nur 11 Prozent produzierten ein korrektes Zitat.
• In der Brain-to-LLM-Gruppe waren die Werte nahezu umgekehrt: Nur 11 Prozent konnten nichts zitieren, 78 Prozent zitierten korrekt.

Die Ergebnisse der Studie gingen viral: „Um die Denkfähigkeit von KI-Usern ist es langfristig nicht gut bestellt.“ „Wer KI nutzt, verliert die Fähigkeit, selber zu denken.“ „Studie beweist: KI macht dumm.“ Oder dann vielleicht mit einem wissenschaftlichen Anstrich: „MIT-Studie zeigt „kognitive Schulden“ durch ChatGPT.“

Yvonne empfiehlt dazu, genau hinzuschauen. Denn so entsteht ein Mythos: Ein vorsichtiger Befund wird verkürzt, zugespitzt und schließlich als allgemeingültige Wahrheit verbreitet. Die Studie arbeitete mit lediglich 54 Teilnehmenden, die auf drei Gruppen verteilt wurden. In einer späteren Untersuchungsphase waren nur noch 18 Personen beteiligt. Hinzu kam, dass es sich zum Zeitpunkt der öffentlichen Debatte um eine vorab veröffentlichte und noch nicht peer-reviewte Studie handelte. Solche Rahmenbedingungen und zugespitzte Social-Media Claims machen die Ergebnisse nicht wertlos, begrenzen aber ihre Aussagekraft erheblich.

Wenn KI mehr produziert, als Lernen verträgt: KI-Slob in der Lerngestaltung

Generative KI kann in wenigen Minuten erzeugen, wofür früher Stunden nötig waren: Präsentationen, Quizfragen, Grafiken, Lerntexte oder ganze Kurse. Doch Geschwindigkeit ist kein Qualitätsmerkmal. Wo Inhalte beinahe kostenlos entstehen, wächst leicht ein neuer Überfluss: KI-Slob – große Mengen professionell wirkenden Materials, das bei näherem Hinsehen redundant, fehlerhaft oder didaktisch belanglos ist.

Für Learning Professionals verschiebt sich damit die Arbeit. Nicht mehr das Produzieren ist zwangsläufig der Engpass, sondern das Prüfen, Reduzieren und Verdichten. Aus dem aufgeblähten „Hefekuchen“ maschineller Inhalte muss wieder ein brauchbares Konzentrat werden. Das kann ebenso aufwendig sein wie die ursprüngliche Erstellung.

Die Diskussion beim CLC Lunch&Learn machte deutlich: Fachwissen durch KI nicht an Bedeutung. Es wird zur Voraussetzung für Qualität. Nur wer ein Thema beherrscht, erkennt fehlerhafte Darstellungen, schlechte Prüfungsfragen oder problematische Empfehlungen. KI kann Varianten liefern, Strukturen vorschlagen und Routinen beschleunigen. Die Verantwortung für Relevanz und Richtigkeit bleibt jedoch beim Menschen.

Das AI-BLOOM-Framework: Neue Grafik, alte Missverständnisse

Kaum ist ein neues KI-Framework veröffentlicht, beginnt seine Karriere als Schaubild. Begriffe wie adaptives Lernen, personalisierte Lernpfade oder AI-Coaching erzeugen den Eindruck, Lernen lasse sich technisch neu ordnen.

Das AI-Bloom-Framework ist dafür ein gutes Beispiel [2]. Es verbindet KI mit der bekannten Bloom-Taxonomie und übernimmt dabei auch deren verbreitete Fehlinterpretationen. Bloom verstand die kognitiven Prozesse nicht als starre Rangordnung, in der Erinnern automatisch als „niedrig“ und Erschaffen als „hochwertig“ eingestuft wird. So wird aus einem flexiblen Ordnungssystem erneut eine Pyramide, in der Erinnern als niedrige und Erschaffen als höchste Form des Lernens erscheint. Dabei sind Erinnern, Verstehen, Anwenden oder Erschaffen je nach Lernziel unterschiedlich wichtig und bauen nicht immer linear aufeinander auf. Zusätzlich tauchen visuelle, auditive und andere „Lerntypen” auf, obwohl die Existenz fester Lerntypen seit Langem als widerlegt gilt.

Auch Carl Hendrick [3] kritisiert das BLOOM-AI-Framework. Seiner Meinung nach missversteht es die Bloom-Taxonomie als starre Hierarchie, integriert widerlegte Lerntypen und delegiert grundlegendes Fachwissen zu leicht an KI. Er sieht das eigentliche Potenzial von KI nicht im Ersetzen kognitiver Arbeit, sondern darin, menschliches Lernen durch gezieltes Feedback, Übungsvariation und adaptive Unterstützung zu ergänzen, ohne die notwendige geistige Anstrengung zu beseitigen.

KI als Booster für selbstgesteuertes Lernen und Lernbegleitung

Selbstgesteuertes Lernen klingt nach Freiheit: ein Ziel wählen, den eigenen Weg bestimmen, bei Bedarf die KI fragen. Doch ein Chatbot macht aus Lernenden noch keine souveränen Selbstlerner. Wer Orientierung, Vorwissen und geeignete Strategien vermissen lässt, nutzt ihn leicht als Antwortmaschine – und verwechselt produzierten Output mit eigenem Lernen.

Gerade deshalb gewinnt Lernbegleitung an Bedeutung. Lernbegleitung soll helfen, Bias zu erkennen, Fakten zu prüfen und über den eigenen Lernprozess nachzudenken. Neben Feedback braucht es Feedforward: Was ist der sinnvolle nächste Schritt? Dazu gehören Fragen wie: Was habe ich verstanden? Wo bin ich falsch abgebogen? Wie überprüfe ich die Antwort der KI?

Selbststeuerung entsteht nicht durch den Rückzug der Lehrenden. Es braucht Zeit, Übung, Feedback und Feedforward. KI kann diesen Prozess unterstützen. Sie ersetzt jedoch weder metakognitive Fähigkeiten noch die sozialen und institutionellen Bedingungen, unter denen Menschen lernen können. Jeniffer Knellsen drückt das so aus [4]: „Wir müssen Lernenden nicht nur beibringen, wie man KI bedient, sondern vor allem, wie sie das eigene Denken überwachen.“

Vibe-Learning: Lernen im Flow – oder am Denken vorbei?

Vibe Learning [5] bezeichnet einen aktuell häufig diskutierten KI-gestützten Lernansatz, der vom Gedanken des „Vibe Coding“ inspiriert ist: Man nähert sich einem Thema explorativ, formuliert Prompts, folgt der eigenen Neugier und lässt sich von der KI beim Recherchieren, Strukturieren und Ausprobieren unterstützen. Das Lernen soll sich weniger wie ein linearer Kurs anfühlen, sondern mehr wie ein offener Dialog mit einem KI-Begleiter.

Das V.I.B.E.-Framework umfasst vier Elemente:

• Vision: ein möglichst klares Lernziel formulieren
• Intuition: der eigenen Neugier und produktiven Abschweifungen folgen
• Bricolage: Informationsstücke aus verschiedenen Quellen zu einem Wissensgefüge zusammensetzen
• Exploration: Ideen in einer risikoarmen „Sandbox“ ausprobieren

Problematisch wird das Konzept dort, wo Leichtigkeit mit Wirksamkeit verwechselt wird. Ohne Vorwissen lassen sich Quellen, Halluzinationen und fachliche Fehler kaum beurteilen. Wer sich von Prompt zu Prompt treiben lässt, verliert leicht den roten Faden. Und wer sich die gedankliche Arbeit vollständig abnehmen lässt, erhält möglicherweise Antworten, ohne tragfähiges Verständnis aufzubauen.

Lernen ist oft mühsam und erfordert Auseinandersetzung. Produktive Reibung, begründetes Urteilen und das eigenständige Erklären sind unverzichtbar. Vibe-Learning kann deshalb eine Tür öffnen. Es ersetzt jedoch weder Didaktik noch Fachwissen, und erst recht nicht das eigene Denken.

Vibe Learning ist daher eher ein Denkrahmen für neugieriges Lernen mit KI als eine wissenschaftlich etablierte Lerntheorie. Entscheidend ist der anschließende Test: Kann die lernende Person das Thema ohne KI erklären, anwenden und kritisch beurteilen? Dann hat die KI das Denken unterstützt – nicht ersetzt.

Nachgedacht, hinterfragt, weitergedacht: Themen aus der Diskussion

KI-Slob und die Qualität von Lernmaterialien
Mehrere Beiträge thematisierten massenhaft erzeugte Kurse, Grafiken, Quizfragen und Dokumente, die professionell wirken, aber Redundanzen, fachliche Fehler oder schwache Aufgaben enthalten. Dadurch verschiebt sich die Arbeit von der Produktion hin zum Prüfen, Reduzieren und Verdichten.

Produktion statt Analyse und Transformation
Kritisch betrachtet wurde, dass KI im Learning & Development bislang vor allem zur schnellen Produktion von Materialien eingesetzt wird. Analytische Anwendungen, etwa die Auswertung von Stakeholder-Interviews oder die gezielte Verbesserung von Lernangeboten, spielten in der Praxis eine geringere Rolle.

Aufgaben- und Prüfungsdesign im KI-Zeitalter
KI offenbart nicht nur, wie Lernende agieren, sondern auch, wie gut Aufgaben und Prüfungen gestaltet sind. Die zentrale Frage beim Einsatz von KI lautet daher: Fördert sie eine eigenständige kognitive Auseinandersetzung oder belohnen sie lediglich die Produktion plausibler Antworten?

Bedeutung von Fachwissen und Qualitätssicherung
Fachwissen wurde nicht als durch KI entwertet, sondern als wichtiger denn je beschrieben. Erst Expertise ermöglicht es, falsche Darstellungen, ungeeignete Empfehlungen und fehlerhafte Bilder zu erkennen und zu korrigieren.

KI als assistives Werkzeug und digitale Teilhabe
Am Beispiel von Legasthenie wurde diskutiert, wie KI beim Schreiben und Formulieren unterstützen kann. Gleichzeitig wurde darauf hingewiesen, dass Menschen mit geringer digitaler Erfahrung niedrigschwellige Angebote, technische Anleitung und Unterstützung bei Datenschutzfragen benötigen, damit KI bestehende Benachteiligungen nicht verstärkt.

Vibe-Learning, Quellenkritik und produktive Anstrengung
Beim Vibe-Learning wurden die Risiken offener, intuitiver Lernpfade diskutiert: fehlende Unterscheidung zwischen wissenschaftlichen und werblichen Quellen, thematische Abschweifungen, endlose Chatverläufe und die begrenzte Bewertungsfähigkeit ohne Vorwissen. Lernen brauche nicht ständig Mühe, wohl aber kognitive Auseinandersetzung und gelegentlich eine „harte Nuss“.

Bewusste Reibung und langsames Denken
Ein weiterer Diskussionsstrang fragte, wo Effizienz gerade nicht das Ziel sein sollte: Wo möchte man selbst nachdenken, Zusammenhänge erarbeiten und bewusst „zu Fuß gehen“? KI wurde als Werkzeug im Methodenkoffer verstanden, nicht als Ersatz für das Verständnis des Grundproblems.

Selbststeuerung als institutionelle und gesellschaftliche Aufgabe
Die Verantwortung dürfe nicht allein auf das Individuum übertragen werden. Schulen, Hochschulen, Erwachsenenbildung und Unternehmen müssten Lernzeit, Zugänge, Unterstützung und geeignete Rahmenbedingungen schaffen.

Individuelle Lernpfade versus gemeinsames organisationales Verständnis
Für Corporate Learning wurde gefragt, wie weit Lernen individualisiert werden kann, wenn Beschäftigte zugleich gemeinsame Standards, Begriffe und Handlungsweisen entwickeln sollen. Vollständig freie Exploration wurde deshalb als unzureichend für manche organisationale Lernziele betrachtet.

Weltbilder und implizite Steuerung durch KI
Besonders bei Selbstcoaching und Reflexion wurde darauf hingewiesen, dass Sprachmodelle eigene Framings, Sicherheitslogiken und Gesprächsmuster mitbringen. Diese Steuerung bleibt häufig unsichtbar und kann Bestätigungsschleifen oder eine „Bubble-Illusion“ erzeugen.

Denken lernen und eigene Qualitätsmaßstäbe entwickeln: Gute KI-Nutzung setzt voraus, dass Menschen wissen, was sie erreichen wollen und woran sie guten Output erkennen. Als grundlegende Bildungsaufgabe wurde deshalb formuliert, Denken zu lernen und sich selbst besser kennenzulernen.

Literatur

[1] Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task. arXiv, 2506.08872.

[2] Behnke, Yvonne Konstanze (2025): Lernmythos 80: BLOOM-AI-Framework. Erst erinnern, dann verstehen – dann KI fragen? LinkedIn-Beitrag. Verfügbar unter: https://www.linkedin.com/posts/yvonne-behnke_lernmythos-80-bloom-ai-framework-erst-activity-7340245502736662528-DVVo/ (abgerufen am 19.07.2026).

[3] Hendrick, Carl (2025): The “BLOOM-AI” Framework Represents Everything We’re Getting Wrong About AI and Learning. In: The Learning Dispatch, Substack, 30. Mai 2025, abgerufen am 19. Juli 2026.

[4] Knellesen, Jennifer (2026): Warum Prompting eine Frage der Metakognition ist. LinkedIn-Beitrag. Verfügbar unter: https://www.linkedin.com/feed/update/urn:li:activity:7479973549080887296/ (abgerufen am 19. Juli 2026).

[5] Svekis, Laurence (2025): Vibe Learning Framework: How to Learn Using AI. In: Coding Help Tips Resources Tutorials. Verfügbar unter: https://basescripts.com/vibe-learning-framework-how-to-learn-using-ai (abgerufen am 19. Juli 2026).

Weiterführende Ressourcen

• Präsentation von Yvonne Konstanze Behnke
• Lernmythen aufgedeckt mit Dr. Yvonne Konstanze Behnke (YouTube-Video)
• Behnke, Y. K. (2025). Lernmythen aufgedeckt: Wie wissenschaftliche Evidenz effektives Lernen und Praxistransfer im Unternehmen fördert. Haufe.
• Behnke, Y. K. (2026). Neue Lernmythen aufgedeckt: Wirksames Lernen braucht Fakten statt Buzzwords. Haufe.

Hinweise zum Einsatz von KI bei der Erstellung dieses Beitrags

Dieser Beitrag wurde unter ko-kreativer Nutzung generativer KI-Systeme erstellt. Zum Einsatz kamen ChatGPT (OpenAI) sowie Gemini (Google) in ihren jeweils aktuellen Modellgenerationen. Für die Videotranskription wurde TurboScribe genutzt, zur Paraphrasierung und Überprüfung DeepL.

Die inhaltliche Konzeption, Auswahl, Bewertung und redaktionelle Verantwortung des Beitrags liegen beim Autor.

Stand der KI-Unterstützung: 19.07.2026.