Die nächste Generation des KI-Lernens dreht sich nicht um bessere Chatbots, sondern um bessere Entscheidungen

Wenn ein Student einer Business School eine Fallstudie in ChatGPT einfügt und innerhalb von fünfzehn Sekunden eine kompetente Analyse erhält, geht etwas Reales verloren. Nicht das Ergebnis. Das Ergebnis sieht genauso aus wie etwas, das der Student nach zwei Stunden Arbeit hätte schreiben können. Verloren geht das Denken, das diese zwei Stunden hervorgebracht hätten: der Umgang mit Mehrdeutigkeit, das Abwägen unvollständiger Informationen, das Urteilsvermögen, das entsteht, wenn man eine Entscheidung trifft und mit den Folgen lebt.

Bei LiveCase betrachten wir den Bericht der Ivey Business School „From Chalkboard to Chatbot“ (August 2026) als einen zeitgemäßen und ernsthaften Versuch, Lehrenden eine Sprache für dieses Problem an die Hand zu geben. Der Bericht untersucht 14 KI-gestützte Lernwerkzeuge, doch sein wertvollster Beitrag ist nicht die Liste. Es ist der Gestaltungsmaßstab, der ihr zugrunde liegt: Bildungs-KI sollte das Denken, Üben und Urteilsvermögen schützen, das Studierende sonst möglicherweise an externe Systeme auslagern würden. Dadurch verschiebt sich die Diskussion von besseren Chatbots hin zu besseren Entscheidungen über das Lernen.

Der Bericht stellt eine bessere Frage

Nicht: „Welches Modell ist am intelligentesten?“

Die meisten Gespräche über KI im Bildungswesen beginnen mit der falschen Frage. Lehrende fragen, welches Werkzeug Betrug am besten erkennt. Verwaltungen fragen, welche Anbindung an ein Lernmanagementsystem den Lehrenden am meisten Zeit erspart. Anbieter konkurrieren darum, welches Modell bei Vergleichstests die besten Ergebnisse erzielt. Der von Julian Birkinshaw und Mazi Raz verfasste Ivey-Bericht setzt ganz woanders an. Er fragt, welchen Teil des Lernprozesses ein Werkzeug schützen soll.

Diese Verschiebung ist wichtig. Der Bericht bewertet Werkzeuge nicht nach ihrer technischen Raffinesse, sondern nach ihrer pädagogischen Absicht: Bewahrt ein Werkzeug die produktive Reibung, die Lernen dauerhaft verankert, oder beseitigt es diese Reibung? (PDF S. 4–5, 9). Das ist kein technischer Maßstab, sondern ein pädagogischer. Außerdem ergänzt er die Argumente, die wir in früheren Beiträgen zu entscheidungsbasierten Prüfungen und zum Weg über die KI-Erkennung hinaus hin zu echtem Engagement vorgebracht haben. Der Bericht liefert den pädagogischen Rahmen, der diesen praktischen Argumenten bisher fehlte.

„Welchen Teil des Lernens schützt das Design?“

Der Bericht betrachtet jedes Werkzeug durch eine einzige Linse: An welcher Stelle des Lernprozesses greift es ein (Vorbereitung, Unterricht, Vertiefung, Bewertung), und was soll es fördern (konzeptuelles Wissen, Fähigkeiten oder Urteilsvermögen)? Ein Werkzeug, das Antworten zurückhält, um zum Nachdenken zu zwingen, wird anders beurteilt als eines, das sofort Erklärungen liefert, selbst wenn beide dasselbe zugrunde liegende Modell verwenden.

Diese analytische Klarheit hilft Lehrenden, den Hype zu überwinden. Statt zu fragen: „Ist diese KI gut oder schlecht?“, bietet der Bericht ihnen eine präzisere Frage: „Was fordert dieses Design von den Studierenden, das sie sonst nicht tun müssten, und wovor schützt es sie, indem es ihnen das Auslagern von Arbeit ermöglicht?“

Produktive Reibung ist die zentrale Gestaltungsherausforderung

Warum Anstrengung, Übung und Konsequenzen wichtig sind

Dauerhaftes Lernen ist nicht bequem. Es verlangt von Studierenden, sich mit ungewohnten Konzepten auseinanderzusetzen, Fähigkeiten wiederholt zu üben und unter Mehrdeutigkeit Urteilsvermögen zu beweisen. Diese Aktivitäten erzeugen das, was Lernwissenschaftler als produktive Reibung bezeichnen: die Lücke zwischen den Anforderungen einer Aufgabe und dem, was ein Student derzeit leisten kann. In dieser Lücke findet Entwicklung statt.

Der Ivey-Bericht spricht diesen Punkt direkt an. Er warnt davor, dass generative KI produktive Reibung zur Option gemacht hat, indem sie es Studierenden ermöglicht, Anstrengung auszulagern. Das unmittelbare Ergebnis mag besser sein (etwa ein gut geschriebener Bericht), doch die Denkarbeit, die dauerhaftes Lernen ermöglicht hätte, geht verloren. Der Bericht verweist auf Forschung, die dies als „metakognitive Faulheit“ beschreibt (PDF S. 2–3).

Mehr über Lernen durch produktive Reibung erfahren Sie in Produktive Reibung: Die Lernanstrengung, die KI nicht beseitigen sollte.

Wie unterrichtet man mit KI-Chatbots? behandelt immersives KI-gestütztes Lernen ausführlicher.

Wie KI die standardmäßige Reibung zur freiwilligen Entscheidung macht

Vor der generativen KI gehörte Reibung zum Normalfall. Ein Student, der den Fall nicht gelesen hatte, konnte keinen vorgetäuschten Diskussionsbeitrag leisten. Wer das Analysemodell nicht geübt hatte, konnte keine passable Analyse erstellen. KI verändert diese Gleichung. Sie macht ein überzeugendes Ergebnis für jeden verfügbar, der eine passende Eingabe formuliert.

Die Erkenntnis des Berichts lautet, dass dies nicht grundsätzlich schlecht ist. Entscheidend ist, ob die beseitigte Reibung produktiv oder lediglich verwaltungstechnisch war. Einen langen Text zusammenzufassen ist Fleißarbeit. In einem unübersichtlichen Szenario zu entscheiden, welche Informationen wichtig sind, ist Lernen. Gute KI-Werkzeuge beseitigen dem Bericht zufolge die erste Art von Reibung und bewahren oder schaffen die zweite.

Was die wirkungsvollsten Gestaltungsansätze gemeinsam haben

Das Ivey-Team fand wiederkehrende Muster in den sieben öffentlichen Werkzeugen und sieben Pilotprojekten, die es untersuchte. Besonders wertvolle Werkzeuge folgen fünf Gestaltungsprinzipien:

Zurückhalten statt vorgeben. Die wirkungsvollsten Werkzeuge beantworten Fragen von Studierenden nicht sofort. Sie verlangen, dass Studierende nachdenken, recherchieren und bessere Fragen stellen, bevor sie Informationen erhalten. Das entspricht dem besten sokratischen Unterricht.

Gegenargumente statt Zustimmung. Werkzeuge, die gegensätzliche Standpunkte, strategische Dilemmata oder Konflikte zwischen Interessengruppen einführen, zwingen Studierende dazu, Zielkonflikte zu bewältigen. Zustimmung ist bequem. Gegenargumente vermitteln etwas.

Informationssuche statt sofortigem Kontext. Werkzeuge, die nur unvollständige Informationen bereitstellen und von Studierenden verlangen, den weiteren Informationsbedarf zu bestimmen, stärken Recherchefähigkeiten und Urteilsvermögen. Werkzeuge, die sofort den vollständigen Kontext liefern, fördern weder das eine noch das andere.

Wiederholtes Üben und Rückmeldung statt einmaliger Leistung. Die pädagogisch wertvollsten Werkzeuge ermöglichen wiederholte Übungen mit strukturierter Rückmeldung. Eine einzelne Falldiskussion ist wertvoll. Dieselbe Situation mit anderen Entscheidungen erneut durchspielen und die Folgen sehen zu können, ist ein grundlegender Wandel.

Nachweise zum Prozess statt nur zum Endergebnis. Werkzeuge, die erfassen, wie Studierende zu ihren Entscheidungen gelangt sind, wie sie Informationen gesucht, ihre Antworten überarbeitet und ihre Zeit eingeteilt haben, bieten Lehrenden etwas, das die endgültige Antwort niemals geben kann: Einblick in den Denkprozess selbst.

Der Bericht merkt an, dass diese Prinzipien unmittelbar zwei pädagogischen Rollen für KI entsprechen: als Verkehrsregler, der Lernaktivitäten in eine Reihenfolge bringt, und als Sparringspartner, der das Denken der Studierenden herausfordert (PDF S. 5). Beide Rollen setzen voraus, dass die Studierenden und nicht die KI die aktiven Akteure bleiben.

Wir haben bereits über den Unterschied zwischen Chatbots und Simulationen sowie darüber geschrieben, wie KI-Chatbots das Lernen mit Fallstudien lebendig machen. Der Rahmen des Berichts bietet uns bessere Begriffe dafür, warum dieser Unterschied wichtig ist: Der eine Ansatz behandelt KI als Antwortgeber, der andere als Entscheidungsumgebung. Das ist der Unterschied zwischen einer Abkürzung und einer Lernstütze.

Warum „bessere Entscheidungen“ eine nützlichere Kategorie ist als „bessere Chatbots“

Von der Inhaltserstellung zu Entscheidungsumgebungen

Die im Bericht vorgestellten Werkzeuge sind nicht alle gleich gestaltet. Einige fungieren als dialogische Lernbegleiter, die Fragen von Studierenden beantworten. Andere dienen als Entscheidungsumgebungen, in denen Studierende eine Wahl treffen, Konsequenzen erfahren und ihre Entscheidungen überarbeiten müssen. Der Bericht stuft keine Kategorie grundsätzlich höher ein, sondern bewertet die pädagogische Eignung der jeweiligen Werkzeuge. Seine Ergebnisse deuten jedoch klar auf ein Muster hin: Werkzeuge, die KI als Interessengruppe, Coach oder Prüfer einsetzen, verlangen durchweg mehr geistige Beteiligung als Werkzeuge, die KI als Antwortgeber behandeln.

Von KI als Stellvertreterin zu KI als Interessengruppe, Coach oder Prüfer

Wenn KI die Rolle einer Interessengruppe übernimmt, müssen Studierende sie hinterfragen, überzeugen und ihre Interessen berücksichtigen. In der Rolle eines Coaches fordert sie die Argumentation der Studierenden heraus, anstatt Schlussfolgerungen vorzugeben. In der Rolle eines Prüfers bewertet sie die Qualität der Entscheidungen der Studierenden und nicht den sprachlichen Feinschliff ihrer Texte.

Die überzeugendsten Werkzeugdesigns im Bericht neigen zu genau diesen Rollen. Sie lassen sich mit allgemeinen Chatbots auch nicht ohne Weiteres nachbilden. Eine Verhandlungssimulation kann nicht einfach in ChatGPT eingefügt werden, um dieselbe Erfahrung zu erhalten. Der Aufbau des Szenarios, die verzweigten Konsequenzen und die Einblicke für Lehrende sind im Design verankert, nicht in der Eingabeaufforderung.

An dieser Stelle ist anzumerken, dass der Bericht Prüfungen ausdrücklich als wichtig bezeichnet, zugleich aber festhält, dass sie nicht im Mittelpunkt stehen (PDF S. 9, Anmerkung 10). Unsere Interpretation überträgt die Prinzipien des Berichts auf den Bereich der Leistungsbewertung. Dort sehen wir die größte Übereinstimmung mit szenariobasierten, entscheidungsorientierten Bewertungsformen.

Was LiveCase zu dieser Diskussion beitragen kann

Szenarien rund um KI-Interaktionen

Die Ergebnisse des Berichts stimmen eng mit den Gestaltungsprinzipien überein, die wir in LiveCase-Szenarien umgesetzt haben. Jedes Szenario versetzt Studierende in eine sich entwickelnde Situation, in der sie mit KI-gesteuerten Figuren interagieren, unvollständige Informationen sammeln und Entscheidungen treffen, die sichtbare Folgen haben. Die KI beantwortet ihre Fragen nicht. Sie übernimmt die Rolle eines skeptischen Vorstandsmitglieds, eines besorgten Kunden oder eines verschlossenen Informanten. Die im Bericht beschriebene Rolle als Sparringspartner, umgesetzt im Maßstab eines ganzen Kurses.

Entscheidungspunkte, Konsequenzen und Nachbesprechung

Jedes LiveCase-Szenario ist um einzelne Entscheidungspunkte mit jeweils verzweigten Ergebnissen aufgebaut. Studierende erleben die Folgen ihrer Entscheidungen und sehen, wie sich alternative Wege entwickelt hätten. In der Nachbesprechung wird nicht nur deutlich, was die Studierenden entschieden haben, sondern auch warum und wann. Dadurch entstehen die Prozessnachweise, die der Bericht als entscheidendes Gestaltungsmuster hervorhebt.

Einblicke für Lehrende und Gestaltung der Leistungsbewertung

Der Bericht betont, dass Lehrende nachvollziehen müssen, wie Studierende denken, und nicht nur sehen dürfen, was sie hervorbringen. LiveCase ermöglicht das durch Analysen, die das Suchverhalten nach Informationen, den Zeitpunkt von Entscheidungen, Überarbeitungsmuster und die von Studierenden zusammen mit ihren Entscheidungen eingereichten Begründungen erfassen. Diese Datenspuren geben Lehrenden Einblick in den Lernprozess, den ein abschließender Aufsatz, insbesondere wenn er möglicherweise mit KI erstellt wurde, nicht bieten kann.

Forschungsfragen, die LiveCase Institutionen bei der Untersuchung unterstützen sollte

Keine Plattform sollte behaupten, endgültige Antworten darauf zu haben, was in jedem Kontext funktioniert. Der Bericht fordert „gemeinsam vorab vereinbarte Messgrößen, anhand derer Werkzeuge sinnvoll verglichen werden können“ und eine systematische Aufzeichnung dessen, was mit wem ausprobiert wurde und welche Ergebnisse es gab. Wir nehmen das ernst. Zu den Forschungsfragen, die wir Institutionen bei der Untersuchung unterstützen möchten, gehören: Sagen szenariobasierte Prüfungen die reale Entscheidungsfähigkeit besser voraus als herkömmliche Prüfungen? Unter welchen Bedingungen ist KI-Coaching für unterschiedliche Studierendengruppen am wirksamsten? Und wie viel produktive Reibung ist optimal? Können wir den Punkt messen, an dem eine Herausforderung entmutigend wird?

Das sind empirische Fragen, keine Marketingversprechen. Gemeinsam mit unseren Partnerinstitutionen führen wir Experimente durch und veröffentlichen die Ergebnisse. Wir freuen uns über jede Business School, die sich an dieser Arbeit beteiligen möchte.

Drei praktische Fragen für Lehrende

Der Bericht bietet Lehrenden einen konkreten Ausgangspunkt. Bei jeder Kursaktivität, in die KI eingreifen könnte, sollten sie sich drei Fragen stellen:

Was wird abgekürzt?

Bestimmen Sie genau, bei welcher Lernaktivität Studierende möglicherweise Anstrengung an KI auslagern. Geht es um die Lektüre? Die Analyse? Das Üben? Beschreiben Sie genau, worin die Abkürzung besteht und welchen Lernprozess sie umgeht.

Welche Reibung stellen wir wieder her oder schaffen wir neu?

Entscheiden Sie, ob Ihr Eingriff produktive Reibung wiederherstellt, die durch KI beseitigt wurde (zum Beispiel einen Prüfungsteil ohne Unterlagen oder eine Diskussion ohne Geräte), oder neue Formen produktiver Reibung schafft, die es zuvor nicht gab (etwa eine interaktive Simulation, in der Studierende herausfinden müssen, welche Informationen sie benötigen). Beide Ansätze sind gültig. Der Fehler besteht darin, weder das eine noch das andere zu tun.

Welche Belege würden Lernen über die Zufriedenheit hinaus zeigen?

Der Bericht warnt davor, dass die Einführung eines Werkzeugs und die Zufriedenheit der Studierenden schwache Indikatoren sind. Ein Werkzeug, das Studierenden gefällt, kann ihnen Abkürzungen ermöglichen. Aussagekräftiger ist, ob sich Studierende mit der Reibung auseinandersetzen oder Umwege finden, um sie zu vermeiden. Mit den Datenspuren moderner Werkzeuge lässt sich das direkt erkennen. Nutzen Sie diese Möglichkeit.

---

Lesen Sie den vollständigen LiveCase-Leitfaden zu KI-resistenter Leistungsbewertung oder nehmen Sie an einem Gesprächskreis für Lehrende teil, in dem es um die Messung authentischen Lernens in einer KI-gestützten Welt geht, auf livecase.com.

Häufig gestellte Fragen

Was ist der Ivey-Bericht „From Chalkboard to Chatbot“?

Es handelt sich um ein im August 2026 veröffentlichtes Weißbuch der Ivey-Business-School-Professoren Julian Birkinshaw und Mazi Raz, das 14 KI-gestützte Lernwerkzeuge für Business Schools untersucht. Der Bericht bewertet Werkzeuge nach ihrer pädagogischen Absicht statt nach ihrer technischen Raffinesse und argumentiert, dass KI produktive Reibung beim Lernen bewahren sollte.

Welche KI-Lernwerkzeuge hat der Bericht untersucht?

Der Bericht untersuchte sieben öffentlich verfügbare Bildungswerkzeuge und sieben von Lehrenden und Mitarbeitenden der Ivey Business School entwickelte Pilotprojekte. Sie reichen von dialogischen Lernbegleitern und KI-Coachingsystemen bis hin zu Simulationen und interaktiven Fallstudien.

Was bedeutet produktive Reibung im Bildungswesen?

Produktive Reibung ist die Lücke zwischen den Anforderungen einer Lernaufgabe und dem, was ein Student derzeit leisten kann. Dazu gehören die Anstrengung, das Üben und das Urteilsvermögen, die dauerhaftes Lernen ermöglichen. Wenn KI diese Reibung vollständig beseitigt, gewinnen Studierende an Effizienz, verlieren aber die Möglichkeit, sich weiterzuentwickeln.

Warum bevorzugt der Bericht spezialisierte Lernwerkzeuge?

Der Bericht stellte fest, dass Werkzeuge, die den gesamten Lernprozess abdecken sollen, selten jeden einzelnen Teil gut umsetzen. Am nützlichsten sind Werkzeuge, die auf eine klar definierte Lernaktivität mit einem konkreten pädagogischen Zweck ausgerichtet sind.

Wird KI den Unterricht im Hörsaal ersetzen?

Der Bericht kommt zu dem Schluss, dass KI-Werkzeuge den Präsenzunterricht nicht verdrängen werden. Keines der untersuchten Werkzeuge konnte eine gut geleitete Diskussion nachbilden, in der Studierende ihre Argumentation darlegen, auf Widerspruch reagieren und in Echtzeit voneinander lernen müssen. Die Fallstudienmethode könnte dadurch sogar wichtiger werden.

Was können Entwickler von Simulationen aus dem Bericht lernen?

Der Bericht nennt fünf Gestaltungsansätze, die besonders wertvolle Werkzeuge gemeinsam haben: Antworten zurückhalten statt vorgeben, Gegenargumente einführen, die Suche nach Informationen verlangen, wiederholtes Üben mit Rückmeldung ermöglichen und den Denkprozess der Studierenden sichtbar machen, statt nur das Endergebnis zu zeigen.

---

Möchten Sie darüber sprechen? Buchen Sie ein kostenloses 15-minütiges Kennenlerngespräch