Unter welchen Bedingungen verbessert oder beeinträchtigt generative KI das Lernen und den Transfer von Jugendlichen?

Quellenstand

Die belastbarste Kurzantwort lautet nicht «ja» oder «nein», sondern: Es kommt darauf an, was als Lernen gemessen wird und welche Rolle die KI übernimmt. Metaanalysen finden im Durchschnitt positive Effekte. Hinter diesem Mittelwert stehen jedoch sehr unterschiedliche Fächer, Altersgruppen, Vergleichsbedingungen, Interventionsdauern und Messzeitpunkte. Ein gepoolter Effekt ist deshalb keine Erfolgsprognose für eine konkrete Lektion.

Wu et al. berichten für 35 experimentelle oder quasi-experimentelle Studien mit 4’193 Teilnehmenden einen mittleren Effekt von g = 0,670. Deng et al. kommen in einer grösseren Studiensynthese auf einen ähnlich positiven Mittelwert. Beide Resultate sind aber stark heterogen. Zudem liessen viele der von Deng et al. ausgewerteten Prüfungen ChatGPT weiterhin zu. Damit wird teilweise Leistung mit Werkzeug gemessen, nicht selbstständige Kompetenz nach dem Werkzeuggebrauch.

Fünf verschiedene Ergebnisdimensionen

Das Wort «Lernen» verschleiert wichtige Unterschiede. Dieses Dossier trennt deshalb fünf Ergebnisdimensionen:

Für Unterrichtsentscheidungen ist diese Trennung zentral: Eine bessere Lösung im Chatfenster kann nützlich sein, belegt aber allein weder Retention noch Nahtransfer oder Ferntransfer. Die Evidenz zu den späteren, anspruchsvolleren Stufen ist deutlich dünner als jene zur assistierten Aufgabenleistung.

Leistung und Transfer

Die direkteste Warnung vor einer Verwechslung von Assistenz und Lernen stammt aus einem preregistrierten Feldexperiment im Mathematikunterricht. Bastani et al. randomisierten rund 50 Klassen der Stufen 9 bis 11 in einer türkischen Schule. Freier GPT-Zugang erhöhte die Leistung während vier Übungseinheiten, verschlechterte aber die spätere Prüfungsleistung ohne KI gegenüber der Kontrollbedingung. Ein speziell gebauter Tutor mit Leitplanken steigerte die Übungsleistung ebenfalls und begrenzte diesen späteren Schaden.

Das Ergebnis ist kausal stark, aber eng begrenzt: ein Fach, eine Schule, vier Sitzungen und ein bestimmtes Tutorsystem. Es zeigt, dass freie Antwortnutzung unter bestimmten Bedingungen selbstständige Leistung schwächen kann; es zeigt nicht, wie häufig dies in allen Fächern geschieht.

Eine zweite schulnahe Studie zeigt ein relevantes Befundmuster. Kreijkes et al. verglichen bei 14- bis 15-Jährigen LLM-Nutzung allein mit Notizen allein sowie einer Kombination aus Notizen und LLM. Nach drei Tagen schnitten die beiden Bedingungen mit Notizen bei Verständnis und Erinnerung besser ab als die reine LLM-Nutzung. Weil eine reine Lesebedingung fehlte, lässt sich daraus kein genereller Schaden gegenüber Lernen ohne KI ableiten. Das Muster ist mit einem Vorteil durch explizite aktive Verarbeitung in Form von Notizen vereinbar; wie die Jugendlichen in der LLM-Bedingung tatsächlich dachten und arbeiteten, lässt sich aus dem Versuchsdesign nicht bestimmen.

Was die Transferstufen derzeit hergeben

Die Evidenz ist entlang dieser Stufen ungleich verteilt. Assistierte Aufgabenleistung wird häufig erhoben und fällt unter unterschiedlichen Designs oft positiv aus. Unmittelbare selbstständige Leistung wird seltener geprüft; dort kommen positive, neutrale und negative Befunde vor. Retention wird vereinzelt direkt gemessen, etwa nach drei Tagen, aber kaum über Monate. Nahtransfer wird in einzelnen Mathematik- und Fachtests angenähert, jedoch nicht einheitlich operationalisiert. Ferntransfer ist im gegenwärtigen Korpus kaum direkt und langfristig untersucht.

Der praktische Prüfstein lautet deshalb nicht «War das KI-Produkt gut?», sondern «Welche neue Aufgabe kann die lernende Person später ohne diese Hilfe bewältigen und begründen?»

Strukturiertes Tutoring

«KI genutzt» ist keine hinreichende Interventionsbeschreibung. Zwischen einer offenen Chatoberfläche und einem didaktisch konstruierten Tutor liegen relevante Unterschiede: Aufgaben werden sequenziert, Hinweise werden gestuft, fertige Lösungen werden begrenzt, Rückmeldungen beziehen sich auf Denkwege und eine Lehrperson beobachtet, wann eingegriffen werden muss.

Mehrere Befundlinien stützen eine vorsichtig positive Einordnung. Im randomisierten Crossover-Versuch von Kestin et al. erzielte ein fachlich und didaktisch konstruierter KI-Tutor in zwei Physiklektionen einen höheren unmittelbaren Posttest-Zuwachs als eine aktive Präsenzlektion. Die 194 Teilnehmenden waren allerdings Harvard-Studierende; Retention und Ferntransfer wurden nicht gemessen. Ein sechswöchiges, lehrpersonengeführtes Nachmittagsprogramm in neun nigerianischen Sekundarschulen verbesserte einen Endtest und reguläre Prüfungsleistungen. Dieses Treatment bündelte KI, zusätzliche Lernzeit, Lehrpersonenbegleitung und digitale Kompetenzen; der KI-Anteil kann nicht isoliert werden.

Der K-12-Review von Létourneau et al. findet mehrheitlich positive, aber vergleichsabhängige Wirkungen intelligenter Tutorsysteme. Die meisten Systeme waren klassische ITS und keine heutigen generativen Allzweckmodelle; nur eine Studie berichtete ein Follow-up nach drei Monaten. Aus der Studie von Bastani et al. kommt eine zusätzliche Designlehre: Der eingeschränkte Tutor war lernseitig günstiger als freier GPT-Zugang. Das ist ein Vergleich zweier konkreter Designs, kein Beleg für jeden «Tutor-Modus» eines Produkts.

Nullbefunde gehören zur Schlussfolgerung

Fütterer et al. randomisierten 371 deutsche Schülerinnen und Schüler der Klassen 7 bis 9 auf zwei strukturierte GenAI-Scaffolds oder Standard-ChatGPT. Einer der Scaffolds verbesserte den wahrgenommenen Nutzen gegenüber dem anderen Scaffold. Gegenüber Standard-ChatGPT ergaben sich jedoch keine signifikanten Vorteile für Anstrengung, Fachwissen oder elaborierende Strategien. Rund 35 Prozent Ausfall und die kurze Intervention begrenzen die Präzision, dennoch ist das Resultat wichtig: Struktur klingt didaktisch plausibel, wirkt aber nicht automatisch.

Grenzen der Evidenz

Die Forschung ist inzwischen substanziell genug, um grobe Designfehler zu erkennen. Sie ist noch nicht stabil genug, um eine allgemeine Wirkungszahl für «generative KI im Unterricht» anzugeben.

Warum die Mittelwerte nicht das letzte Wort sind

Die beiden Metaanalysen von Wu et al. und Deng et al. berichten sehr hohe Heterogenität. Lawson et al. prüften zusätzlich, ob die Vergleichsbedingungen früherer Synthesen hinsichtlich Unterrichtsmethode, Übungsumfang und Zeit tatsächlich vergleichbar waren. Je nachdem, wie fehlende Angaben behandelt wurden, erfüllten nur 6,52 bis 9,52 Prozent oder 63,04 bis 68,25 Prozent der Vergleiche alle drei Kontrollen. Diese Spannweite belegt vor allem ein Berichts- und Vergleichbarkeitsproblem; sie beweist nicht, dass jede unvollständig dokumentierte Studie konfundiert ist, und liefert keinen korrigierten Gesamteffekt.

Offene Fragen mit hoher Praxisrelevanz

Für Schulen bleiben mehrere Fragen entscheidend offen. Wie stabil sind Effekte nach einem Semester oder Schuljahr? Welche Formen von Nahtransfer und Ferntransfer gelingen ohne erneuten KI-Zugriff? Welche Lernenden profitieren, welche verlieren wegen schwächerem Vorwissen oder geringerer Selbstregulation? Welche Tutor-Designs wirken ausserhalb von Mathematik, Physik, Sprache und kurzen Interventionen? Und wie stark verändern unterschiedliche Modelle und rasche Produktupdates die Replizierbarkeit?

Ebenso wichtig ist die Frage nach dem Setting. Manche positiven Befunde entstehen in zusätzlichen, intensiv begleiteten Programmen. Das ist pädagogisch wertvoll, aber nicht automatisch identisch mit Wirkung im normalen Stundenplan. Wer solche Ergebnisse auf Regelunterricht überträgt, muss Lernzeit, Betreuung, Aufgabenqualität und Infrastruktur mitdenken.

Der breite K-12-Review von Marzano kartiert Anwendungen und Forschungslücken, kann wegen fehlender formaler Verzerrungsbewertung und methodischer Inkonsistenzen aber keine kausale Wirkung belegen. Solche Quellen dienen in diesem Dossier der Lückenkarte, nicht der Effektbestimmung.

Konsequenzen für die Schweizer Praxis

Im kuratierten Evidenzkorpus mit Suchstand 24. August 2026 wurde keine direkte Langzeitstudie aus Schweizer Sekundarschulen identifiziert, die Retention sowie selbstständigen Nah- oder Ferntransfer über Fächer und Lernendengruppen hinweg prüft. Das ist eine datierte Lücke dieses nicht erschöpfenden Korpus — kein Beweis, dass weltweit oder ausserhalb der durchsuchten Kanäle keine relevante Arbeit existiert.

Schulen sollten die internationale Evidenz deshalb als Design- und Prüfrahmen nutzen, nicht als Garantie. Für eine Einführung ist die Marke des Tools weniger wichtig als die didaktische Rolle. Zuerst muss klar sein, welche Fähigkeit nach der KI-Phase selbstständig verfügbar sein soll. Danach wird bestimmt, ob die KI Antworten, Hinweise, Feedback, Gegenargumente oder Diagnosefragen liefert. Entscheidend ist, welche kognitive Kernhandlung bei der lernenden Person bleibt. Erst dann wird geplant, wann und mit welcher neuen Aufgabe die Leistung ohne KI geprüft wird und welche Prozessdaten zeigen, ob das Design für unterschiedliche Lernende funktioniert.

Diese Empfehlung ist als didaktische Ableitung gekennzeichnet. Sie verbindet direkte Befunde zu späterer Leistung und Retention mit K-12-Evidenz zur Rolle der Lehrperson. Sie ist kein Nachweis dafür, dass jedes Scaffold wirkt. Der randomisierte Nullbefund von Fütterer et al. bleibt bewusst als Gegen- beziehungsweise Nullbefund sichtbar.

Ein minimaler Transfer-Check

Für eine unterrichtsnahe Erprobung genügt ein kleines, vorab festgelegtes Prüfdesign. Vor der KI-Phase steht eine kurze Ausgangsaufgabe oder Vorwissensdiagnose. Während der KI-Phase werden Rolle der KI und verlangte Eigenleistung sichtbar gemacht. Direkt danach folgt eine neue, strukturell ähnliche Aufgabe ohne KI als erster Nahtransfer-Check. Nach einigen Tagen wird eine weitere Aufgabe ohne Zugriff gestellt, um Retention von kurzfristiger Reproduktion zu trennen. Eine deutlich veränderte Anwendung kann ergänzend als explorativer Ferntransfer-Check dienen; sie sollte aber nicht mit Nahtransfer vermischt werden.

Für Schulleitungen folgt daraus ein nüchterner Pilotierungsstandard: kleine Kohorten, klare Einsatzbedingungen, vorab definierte Outcomes, dokumentierte Abweichungen und ein Abbruchkriterium. Ein positives Produktfeedback ist ergänzend wertvoll, ersetzt aber keine Lernmessung.

Methode und Aktualisierung

Dieses Dossier basiert auf dem eingefrorenen Recherchepaket pilot-2026-08-24. Berücksichtigt wurden peer-reviewte Metaanalysen und Reviews, randomisierte oder quasi-experimentelle Primärstudien, schulbezogene Reviews sowie institutionelle Synthesen. Bevorzugt wurden Originalpublikationen und offizielle Verlags- oder Institutionsseiten. Preprints, zurückgezogene Arbeiten und reine Meinungsbeiträge tragen keine zentralen Aussagen.

Redaktionelle Regeln

Die redaktionelle Linie ist vorsichtig. Effektangaben werden nur zusammen mit Outcome, Vergleich und Grenzen genannt. Assistierte Leistung wird nicht als Transfer bezeichnet. Hochschulbefunde werden ausdrücklich als indirekt für Sek I/II markiert. Institutionelle Berichte ordnen ein, ersetzen aber keine kausale Primärstudie. Empfehlungen tragen eine sichtbare Basis: direkte Evidenz, didaktische Ableitung oder Vorsorge. Aussagen zu fehlender Evidenz beziehen sich auf den datierten, kuratierten Evidenzsatz.

Die Erstfassung ist redaktionell geprüft, nicht extern fachbegutachtet. Die nächste planmässige Prüfung ist am 24. November 2026. Frühere Aktualisierung ist nötig, wenn eine zentrale Studie korrigiert oder zurückgezogen wird, eine belastbare Schweizer Langzeitstudie erscheint oder neue Synthesen die Einordnung von Transfer und Tutoring wesentlich verändern.