Produktive Reibung: Der Lernkampf, den KI nicht beseitigen sollte

Ein Professor gibt eine Fallstudie auf. Eine Studentin öffnet ChatGPT, fügt die Aufgabenstellung ein und hat 15 Sekunden später eine flüssig formulierte Analyse. Sie reicht sie ein, bekommt eine Zwei plus und macht weiter. Die Antwort ist richtig. Doch gelernt hat sie dabei nichts.

Das ist das Paradox, mit dem generative KI Lehrkräfte konfrontiert. Es geht nicht darum, KI zu entlarven, sondern darum, die kognitive Anstrengung zu bewahren, die Lernen dauerhaft verankert. Das Konzept, das diese Herausforderung beschreibt, ist produktive Reibung: die bestimmte Art von Anstrengung, die Lernen statt Frustration hervorbringt.

Was produktive Reibung bedeutet

Der Bericht der Ivey Business School From Chalkboard to Chatbot definiert hochwertiges Lernen als einen Prozess mit drei verschiedenen Formen kognitiver Arbeit: sich zum Verständnis mit Konzepten auseinandersetzen, Fähigkeiten durch Wiederholung und Korrektur einüben sowie unter Mehrdeutigkeit Entscheidungen treffen (S. 2–3). Jede davon erfordert Anstrengung, aber jeweils eine andere, die auf ein anderes Ergebnis abzielt.

Produktive Reibung entsteht im Zusammenspiel von Widerstand und Engagement. Diese Einschränkung ist wichtig, und Anmerkung 9 des Berichts bringt sie ausdrücklich auf den Punkt: Widerstand ohne Engagement ist schlicht Schwierigkeit; Engagement ohne Widerstand ist bloße Beschäftigung (S. 9). Ein verwirrendes Lehrbuch ohne Hilfestellungen erzeugt Widerstand, aber kein Lernen. Ein gut gestalteter Multiple-Choice-Test sorgt für Engagement, aber nicht für eine dauerhaft wirksame Herausforderung. Produktive Reibung liegt dazwischen: eine für Lernende bewältigbare Anstrengung, die gezielt auf die kognitive Arbeit ausgerichtet ist, die das Lernziel erfordert.

Das bedeutet nicht einfach: „Mach es schwieriger.“ Den Nettobarwert berechnen zu lernen, erfordert Übung im Rechnen, nicht die Lektüre eines anspruchsvolleren Lehrbuchs. Verträge auszuhandeln lernt man, indem man Entscheidungen über Zielkonflikte trifft und begründet, nicht indem man eine längere Liste von Verhandlungstaktiken auswendig lernt. Die Art der Reibung richtet sich nach dem Lernziel.

Wie generative KI die Lernaufgabe verändert

Vor generativer KI war kognitive Anstrengung bei den meisten akademischen Arbeiten selbstverständlich. Man konnte keinen Aufsatz schreiben, ohne die Argumentation zu durchdenken, denn es gab kein Werkzeug, das dies für einen erledigte. KI verändert diese strukturelle Realität. Wie es im Bericht von Ivey heißt, wird Reibung von einer selbstverständlichen Bedingung zu einer freiwilligen Entscheidung (S. 3). Lernende entscheiden nun, ob sie selbst nachdenken oder die Arbeit delegieren.

Diese Entscheidung erzeugt ein Spannungsverhältnis zwischen kurzfristiger Leistung und dauerhaftem Lernen. Die Forschung zu wünschenswerten Erschwernissen (Bjork & Bjork, 2011) zeigt, dass Bedingungen, die das Lernen im Moment erschweren, wie Abrufübungen, zeitliche Abstände und verschachteltes Üben, die langfristige Behaltensleistung verbessern. KI beseitigt diese Bedingungen, indem sie Lernenden die Antwort liefert, bevor sie überhaupt versuchen, Wissen abzurufen. Die Studentin erbringt gute Leistungen bei der Aufgabe, hat aber kein mentales Modell aufgebaut, das sie in einer Situation ohne KI benötigen würde.

Was manche Beobachter als metakognitive Bequemlichkeit bezeichnen, ist kein Charakterfehler. Es ist eine rationale Reaktion auf die verfügbaren Werkzeuge. Wenn Lernende in wenigen Sekunden eine flüssig formulierte Antwort erhalten können, sinkt der Anreiz, das eigene Verständnis zu überprüfen, Wissenslücken zu erkennen und schwache Bereiche zu üben. Die im Ivey-Bericht angeführten Belege deuten auf eine geringere Ausdauer hin, wenn KI verfügbar ist (S. 3; Quellenangaben auf S. 9). Metakognitive Bequemlichkeit beschreibt jedoch ein Verhaltensmuster unter bestimmten Bedingungen, keine Diagnose einzelner Studierender. Ändert man die Bedingungen und die Prüfungsform, ändert sich auch das Verhalten.

Vier Arten von Anstrengung, die es zu bewahren gilt

Nicht jede kognitive Anstrengung ist gleich. Vier Arten, die jeweils mit einem eigenen Lernziel verbunden sind, verdienen in einer von KI geprägten Umgebung gezielten Schutz.

Ein Konzept abrufen und erklären. Ein Konzept verstanden zu haben bedeutet, es aus dem Gedächtnis abrufen und in eigenen Worten erklären zu können. Wenn KI das Abrufen und Zusammenfassen für Lernende übernimmt, findet der Speicher- und Abrufprozess, der das Langzeitgedächtnis stärkt, nie statt. Schützen lässt sich dieser Prozess durch Aufgaben, die den Abruf ohne Hilfsmittel verlangen: kurze Übungen ohne Unterlagen, Gespräche ohne Geräte oder zeitlich begrenzte Erklärungen, bevor Werkzeuge verwendet werden dürfen.

Entscheiden, welche Informationen benötigt werden. Im Berufsleben besteht der schwierigste Schritt oft darin, herauszufinden, welche Frage gestellt und welche Daten gesammelt werden müssen. Viele Aufgaben umgehen diesen Schritt, indem sie von Anfang an sämtliches relevantes Material bereitstellen. Bewahren lässt er sich, indem Informationen schrittweise freigegeben werden: Geben Sie Lernenden nur einen Teil der Daten, lassen Sie sie fehlende Informationen bestimmen und stellen Sie weitere Details erst dann bereit, wenn sie diese mit einer Begründung anfordern.

Eine schwierige Fähigkeit einüben. Fähigkeiten verbessern sich durch wiederholtes, anspruchsvolles Üben mit korrigierendem Feedback. KI kann direkt zum ausgefeilten Ergebnis springen. Bei Lernzielen, die auf Fähigkeiten ausgerichtet sind, müssen Prüfungen den Prozess erfassen: den Entwurf, den Versuch und die Überarbeitung, nicht nur das fertige Produkt.

Unter Mehrdeutigkeit urteilen und die eigene Entscheidung begründen. Dies ist die folgenreichste Art der Anstrengung. Sie bedeutet, mit unvollständigen Informationen umzugehen, widersprüchliche Perspektiven abzuwägen, sich auf eine Entscheidung festzulegen und die Gründe dafür darzulegen. KI kann ein plausibles Urteil formulieren, aber Lernende haben sich dann nicht selbst mit den Zielkonflikten auseinandergesetzt. Bewahren lässt sich diese Anstrengung mit Szenarien, die eine Entscheidung verlangen, bevor die Folgen offengelegt werden, gefolgt von Reflexion und Überarbeitung.

Reibung wiederherstellen oder neue Reibung schaffen?

Wenn eine Prüfung ihre produktive Reibung verloren hat, stehen Lehrkräften zwei Instrumentarien zur Verfügung.

Reibung wiederherstellen, indem die Möglichkeit entfällt, die Arbeit auszulagern. Phasen ohne Unterlagen oder Geräte sowie zurückgehaltene Antworten zwingen Lernende dazu, Wissen abzurufen und selbst nachzudenken, statt KI zu verwenden. Diese unkomplizierten Maßnahmen ohne technische Hilfsmittel eignen sich, wenn das Lernziel im Abrufen oder Einüben besteht.

Neue Reibung schaffen, indem Ebenen hinzugefügt werden, die KI nicht ohne Weiteres einebnen kann. Dazu gehören Gegenargumente, auf die Lernende eingehen müssen, Informationen, die erst nach einer ersten Entscheidung schrittweise freigegeben werden, Folgen, die sich aus Entscheidungen ergeben, sowie Überarbeitungsrunden, in denen Lernende ihre eigene Arbeit verbessern müssen. So entsteht eine strukturelle Umgebung, in der Anstrengung notwendig und nicht freiwillig ist.

Beide Ansätze lassen sich miteinander verbinden. Ein Kurs kann sowohl Wissensüberprüfungen ohne Unterlagen als auch eine mehrstufige Simulation umfassen, bei der KI willkommen ist, solange das Werkzeug nicht die nötige Urteilsentscheidung ersetzt. Welche Form gewählt wird, hängt vom Lernziel ab, nicht von der persönlichen Haltung der Lehrkraft zu KI.

Eine Reibungsprüfung für jede Aufgabe

Gehen Sie vor dem Entwerfen oder Überarbeiten einer Aufgabe vier Fragen durch. Sie bilden eine wiederverwendbare Prüfliste für verschiedene Fachbereiche und Formate.

Was sollte leichter werden? Verwaltungsaufwand, Formatierung, Literaturverwaltung, einfache Zusammenfassungen und das Nachschlagen von Daten sind nicht produktiv. KI kann diese Aufgaben erleichtern und so kognitive Kapazität für anspruchsvollere Arbeit freisetzen. Benennen Sie die Bestandteile, die tatsächlich keine Anstrengung erfordern müssen.

Was muss anstrengend bleiben? Bestimmen Sie, welche konkrete kognitive Arbeit das Lernziel erfordert. Besteht das Ziel darin, eine Bilanz zu analysieren, ist die Berechnung wichtig. Sollen Lernende auf Grundlage der Analyse eine Handlungsempfehlung aussprechen, sind die Begründung und die Abwägung von Zielkonflikten entscheidend. Bewahren Sie die Anstrengung bei diesen Aspekten.

Welche Belege zeigen, dass die lernende Person die Arbeit selbst geleistet hat? Prozessbelege wie Entwürfe, Anmerkungen, Entscheidungsprotokolle, aufgezeichnete Erläuterungen beim Denken und der Überarbeitungsverlauf verraten mehr als ein ausgefeiltes Endprodukt. Gestalten Sie die Aufgabe so, dass solche Belege ganz natürlich im Arbeitsprozess entstehen.

Wie kann Feedback den nächsten Versuch verbessern? Produktive Reibung ist keine einmalige Begegnung, sondern ein Kreislauf aus Anstrengung, Feedback und Überarbeitung. Die besten Aufgaben bauen Wiederholungen strukturell ein, sodass der zweite Versuch auf den Erkenntnissen aus dem ersten aufbaut.

Wie strukturierte Simulationen Anstrengung zielgerichtet machen

Strukturierte Simulationen veranschaulichen, wie produktive Reibung in der Praxis aussieht. Eine gut konzipierte Simulation konfrontiert Lernende mit unvollständigen Informationen, führt Beteiligte mit widersprüchlichen Zielen ein, schafft Entscheidungspunkte mit Zielkonflikten, knüpft Folgen an Entscheidungen und integriert Nachbesprechungen und Feedbackschleifen.

Auf der LiveCase-Plattform durchlaufen Lernende sich entwickelnde Szenarien über eine Chat-Oberfläche. Sie treffen Entscheidungen auf Grundlage unvollständiger Informationen und erleben deren Folgen. Die Reibung ist beabsichtigt: Lernende müssen entscheiden, welche Frage sie als Nächstes stellen, welcher beteiligten Person sie vertrauen und welchen Zielkonflikt sie akzeptieren. Die Anstrengung entspricht dem Lernziel, nämlich unter Mehrdeutigkeit zu urteilen, und nicht einer willkürlichen Schwierigkeit.

Doch nicht jede Simulation erzeugt automatisch produktive Reibung. Eine Simulation, die Entscheidungen auf offensichtliche Wege reduziert oder oberflächliche Antworten belohnt, sorgt für Beschäftigung statt für eine echte Herausforderung. Die Qualität hängt von den Lernzielen und den gestalterischen Entscheidungen ab, mit denen diese umgesetzt werden. Es gilt weiterhin: Widerstand ohne Engagement ist schlicht Schwierigkeit.

Wenn Sie genauer erfahren möchten, wie KI die kognitive Verantwortung für Aufgaben verändert, lesen Sie Kognitive Eigenverantwortung wiederherstellen. Und für einen umfassenderen Blick auf den Wandel von passiven Inhalten zu aktivem Lernen bietet Was bedeutet erfahrungsbasiertes Lernen eigentlich? einen grundlegenden Bezugsrahmen.

Laden Sie die einseitige Reibungsprüfung für produktives Lernen herunter. Wenden Sie sie auf eine aktuelle Aufgabe an und prüfen Sie, wo die Reibung neu gestaltet werden muss. Entdecken Sie anschließend, wie Sie mit dem kostenlosen LiveCase AI Authoring Studio strukturierte Simulationen erstellen können, die die richtige Art kognitiver Anstrengung bewahren, ganz ohne Programmieraufwand.

Weiterführende Lektüre zu interaktiven und immersiven Lernerfahrungen mit KI: Drei Gestaltungsänderungen, die Schummeln mit KI irrelevant machen, indem sie das Lernerlebnis verändern statt es zu überwachen.

Häufig gestellte Fragen

Was bedeutet produktive Reibung beim Lernen?

Produktive Reibung ist die bestimmte Art kognitiver Anstrengung, die Lernen hervorbringt: sich mit Konzepten auseinanderzusetzen, Fähigkeiten mit korrigierendem Feedback zu üben und unter Mehrdeutigkeit Entscheidungen zu treffen. Sie erfordert sowohl Widerstand als auch Engagement und hängt vom jeweiligen Lernziel ab.

Ist produktive Reibung dasselbe wie eine wünschenswerte Erschwernis?

Produktive Reibung ist ein umfassenderes Konzept, zu dem auch wünschenswerte Erschwernisse gehören, die laut Forschung die langfristige Behaltensleistung verbessern. Eine wünschenswerte Erschwernis ist ein Wirkmechanismus innerhalb produktiver Reibung. Jede wünschenswerte Erschwernis erzeugt produktive Reibung, aber nicht jede produktive Reibung ist eine wünschenswerte Erschwernis.

Was ist metakognitive Bequemlichkeit?

Metakognitive Bequemlichkeit beschreibt, dass Selbstkontrolle und Ausdauer nachlassen, wenn KI schnell flüssig formulierte Antworten liefert. Es handelt sich um ein Verhaltensmuster unter bestimmten Bedingungen, nicht um eine Diagnose einzelner Studierender. Ändert man die Prüfungsbedingungen, ändert sich auch das Verhalten.

Wie kann KI das Lernen unterstützen, ohne das Denken zu übernehmen?

Am hilfreichsten ist KI, wenn sie erklärt statt löst, Informationen strukturiert statt sie abzurufen oder Möglichkeiten aufzeigt, die Lernende selbst bewerten müssen. Der entscheidende Gestaltungsgrundsatz lautet: KI sollte den Verwaltungsaufwand verringern, aber niemals den Abruf, das Einüben oder das Urteilen ersetzen, das für das Lernziel erforderlich ist.

Können Simulationen produktive Herausforderungen schaffen?

Ja, wenn sie auf passende Lernziele ausgerichtet sind. Eine Simulation, in der Lernende unvollständige Informationen abwägen, Zielkonflikte lösen und die Folgen ihrer Entscheidungen erleben müssen, kann produktive Reibung erzeugen. Eine Simulation, die Entscheidungen auf offensichtliche Wege reduziert oder oberflächliche Antworten belohnt, sorgt für Beschäftigung statt für eine echte Herausforderung.

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