Warum Bildung über Anwendungskompetenzen hinausgehen muss!

Der Diskurs um Künstliche Intelligenz in der Bildung begleitet spätestens seit der Veröffentlichung von ChatGPT Unterrichtspraxis, Wissenschaft und Bildungspolitik. Damit werden sowohl große Erwartungen und Heilsversprechen (etwa Individualisierung und Entlastung) als auch Ängste und Untergangsszenarien (etwa Substituierung und der Verfall von Basiskompetenzen) verbunden – häufig verkürzt auf den Einsatz von Chatbots wie ChatGPT und Co. In diesem Artikel wollen wir diesen Diskurs fundieren und herausarbeiten, dass die Veränderungen für unsere Gesellschaft wie Bildung deutlich über den Einsatz von solchen Werkzeugen hinausgehen. Dazu werden wir uns zunächst damit auseinandersetzen, was “Künstliche Intelligenz” eigentlich ist und welche Auswirkungen die technologischen Innovationen der letzten Jahre auf unsere Gesellschaft haben, um darauf aufbauend Anforderungen an Allgemeinbildung abzuleiten.

Dies ist das Manuskript des in der Ausgabe Lehren und Lernen in Zeiten Künstlicher Intelligenz der Zeitschrift bildung+ Schule postdigital (Vol. 1, No. 2, S. 6-11) erschienenen Beitrags Künstliche Intelligenz ist kein Werkzeug

Künstliche Intelligenz – eine Annäherung

Selbst für Expert:innen ist es nicht einfach zu definieren, was KI ist. Einen breit genutzten Vorschlag formulierte Elaine Rich bereits 1983: “KI ist die Wissenschaft, die der Frage nachgeht, wie man Computer dazu bringen kann, Dinge zu tun, die Menschen im Moment noch besser können.” Aus diesem Definitionsansatz lassen sich drei wesentliche Feststellungen ableiten:

KI ist die Wissenschaft,…

(1) Erstens handelt es sich bei “Künstlicher Intelligenz” um ein Forschungsgebiet innerhalb der Informatik und verwandten Feldern wie der Mathematik – und nicht etwa um eine Bezeichnung für einen konkreten Chatbot oder ein digitales Werkzeug. Wenn Computer Verfahren dieses Forschungsgebiets nutzen, sprechen wir in der Informatik häufig von KI-Systemen, KI-Anwendungen, o.ä. – und eben nicht von “einer Künstlichen Intelligenz” oder gar “Künstlichen Intelligenzen”. In der informatischen Bildung ist uns diese Unterscheidung wichtig, um auch auf Ebene der (Fach-)Sprache einer Anthropomorphisierung vorzubeugen (Waite et al., 2024): Jedes (KI-)System ist stets von Menschen zu einem bestimmten Zweck gestaltet worden, den es mal mehr, mal weniger gut erfüllt – und auf den es begrenzt ist. Die kritische Reflexion menschlicher Ziele und Interessen hinter den entsprechenden Systemen sowie ihrer Limitationen ist essentiell für einen mündigen Umgang (GI, 2025). Solche Systeme sind weiterhin modular aufgebaut und nutzen nur für bestimmte Probleme Verfahren der KI, neben zahlreichen anderen Ansätzen der Informatik.

…die der Frage nachgeht, wie man Computer dazu bringen kann, Dinge zu tun, die Menschen […] besser können.

(2) Zweitens geht es in diesem Forschungsgebiet weniger um künstliche Intelligenz (also Intelligenz, die künstlich ist), sondern vielmehr darum, menschliche Fähigkeiten durch entsprechende Verfahren nachzubilden, etwa Sprache zu verstehen, Bilder zu erkennen, Feedback zu geben oder allgemein Probleme zu lösen. Ziel ist es, dass Computer vergleichbare (oder gar bessere) Ergebnisse als wir Menschen auf Basis unserer Intelligenz erzeugen. Obwohl bestimmte Verfahren wie künstliche neuronale Netze suggerieren, dass KI-Systeme sich an menschlichen Prozessen orientieren, dienen Biologie und Psychologie lediglich vereinzelt und als sehr allgemeine Inspiration und haben keine direkten Bezüge zur Umsetzung in einem Computer. Computer sind nicht intelligent, sie können nicht denken, sie simulieren lediglich durch ihre Ausgaben, sich intelligent verhalten zu können – oftmals auf beeindruckende Weise, die uns solchen Systemen gar weitere menschliche Eigenschaften wie Verständnis und Einfühlungsvermögen zuschreiben lassen. Dazu kommen im Feld der KI insbesondere stochastische und heuristische Ansätze zum Einsatz, mit denen sich bestimmte Probleme besser als durch andere Ansätze der Informatik lösen lassen (siehe z.B: Seegerer et al., 2020). Allerdings besteht in Konsequenz zumeist kein Anspruch auf Korrektheit oder Vollständigkeit und zumindest für viele dieser Ansätze häufig keine Möglichkeit, Ausgaben transparent nachzuvollziehen.

… die Menschen im Moment noch besser können.

(3) Drittens geht aus obigem Definitionsansatz hervor, dass sich durchaus ändert, was unter Künstlicher Intelligenz verstanden wird. Dies zeigt sich auch in der bewegten Geschichte der KI. Im Unterschied zu den KI-Systemen, denen wir im Alltag begegnen, besitzt das Forschungsgebiet eine sehr lange Tradition. Als Ursprung gilt gemeinhin das Dartmouth Summer Research Project on Artificial Intelligence im Jahr 1956, in dem auch der englische Begriff (und in Folge seine bis heute umstrittene deutsche Übersetzung als Künstliche Intelligenz, s.o.) geprägt wurde. Viele der heutigen Verfahren bauen auf Ideen und Konzepten auf, die bereits in den 50er und 60er Jahren entwickelt wurden. Neben einem kurzen “KI-Sommer” im Bereich sog. wissensbasierter Ansätze wie Expertensystemen in den 80er Jahren konnten lange Zeit nur sehr ausgewählte praktische Anwendungen realisiert werden (“KI-Winter”). Dies änderte sich spätestens mit Beginn der 2010er Jahre (also lange vor dem Hype um generative KI) durch zwei entscheidende Entwicklungen. Einerseits steht inzwischen die nötige Rechenpower für viele der rechenintensiven KI-Verfahren zur Verfügung. Zum Vergleich: Während der Landecomputer der Apollo-Mission der ersten Mondlandung ungefähr so leistungsstark wie die erste Nintendo-Konsole von 1983 war, haben schon moderne Haushaltscomputer die mehr als 200.000-fache Rechenleistung. Die zweite ausschlaggebende Entwicklung ist die digitale Transformation und die daraus resultierende Verfügbarkeit gigantischer Datenmengen. Die Erfolge der KI der letzten 15 Jahre beruhen insbesondere auf datenbasierten Ansätzen (maschinelles Lernen), die umfangreiche Daten als Voraussetzung haben. Immer dann, wenn wir einen Social-Media-Beitrag verfassen oder liken, ein Video auf Youtube abspielen, ein Captcha beantworten, etwas online kaufen oder unsere IoT-Waschmaschine nutzen, generieren wir solche Daten, die den aktuellen KI-Sommer vorantreiben und auch die jüngsten Entwicklungen im Bereich generativer KI erst ermöglichen. Über diese lange Geschichte haben sich die “Dinge”, mit denen sich die KI auseinandersetzt, deutlich entwickelt. So würden wir einen Heizungsthermostat (vgl. McCarthy, 1979), Routenplanung oder Schachcomputer (DeepBlue vs. Kasparov 1997) heute nicht mehr unbedingt als KI-System bezeichnen, sind Computer schließlich schon längst in der Lage, diese “Dinge” besser zu tun. Dieses Phänomen wird auch als AI effect bezeichnet und von Rodney Brooks wie folgt zusammengefasst: “Every time we figure out a piece of it, it stops being magical; we say, ‘Oh, that’s just a computation’”¹. Vergleichsgröße sind hierbei immer menschliche Fähigkeiten, etwa von Expert:innen (im Schachspielen, Kommunizieren oder Verfassen von Texten). Analog sorgt es häufig für Ungläubigkeit, dass zahlreiche der prädiktiven oder analytischen KI-Verfahren in aktuellen KI-Systemen, etwa Clustering-Algorithmen oder Lineare Regression, tatsächlich der Künstlichen Intelligenz / dem maschinellen Lernens zugerechnet werden – ist es doch “nur Stochastik” (s.o.). Und wer weiß: Vielleicht werden wir in einigen Jahren, wenn unsere Begeisterung der Möglichkeiten so langsam der Gewohnheit der Nutzung weicht, auch Chatbots wie ChatGPT, Gemini und Co. nicht mehr als KI-System bezeichnen, schließlich sind auch auch diese generativen KI-Systeme “just computation” und keine Magie oder Intelligenz?²

Zusammenfassend bleibt festzuhalten: ChatGPT und Co. sind keine “Künstliche Intelligenz”, sondern Anwendungen oder Systeme, die verschiedene Verfahren aus dem durchaus traditionsreichen Forschungsgebiet der Künstlichen Intelligenz nutzen, um intelligentes Verhalten (im Sinne eines Vergleichs mit menschlichen Fähigkeiten) zu simulieren. Solche Anwendungen und Systeme mit Einfluss auf unsere Lebenswelt sind dabei aber lange nicht auf Ansätze der generativen KI beschränkt, sondern zahlreiche weitere Verfahren und Ansätze der KI (die wir gemeinhin ggf. als “gar nicht intelligent genug für KI” einordnen würden) prägen unser Leben in vielfältiger Hinsicht.

Von technologischer Innovation zu gesellschaftlicher Veränderung

Durch die rasante technologische Entwicklung der letzten Jahre ergeben sich mehr und mehr Anwendungsfälle, in denen KI-Systeme in unserer Lebenswelt tatsächlich “Dinge” besser, zumindest ähnlich gut oder, ökonomisch betrachtet, ausreichend wenig schlechter als Menschen “tun” können. Dies bedeutet weitreichende Veränderungen für unsere Gesellschaft und Kultur, da damit zunehmend Aufgaben automatisiert werden können. Die Entwicklungen der KI verschärfen damit einen Trend der digitalen Transformation, der bereits in den vergangenen Jahrzehnten zahlreiche Lebens- und Arbeitsbereiche erfasst hat. Schon 1982 beschreibt Klaus Haefner ein grundlegendes Prinzip unserer Welt: Alles, was ökonomisch betrachtet automatisierbar ist, wird automatisiert werden (Automatisierung des Automatisierbaren; Döbeli Honegger, 2016). Neu ist nun, dass diese Entwicklung auch zahlreiche Aufgaben und Felder betrifft, von denen wir noch vor ein paar Jahren überzeugt waren, dass eine mögliche Automatisierung noch in ferner Zukunft liege – etwa der Umgang mit Sprache durch Large Language Models (LLMs). Die entsprechenden Auswirkungen betreffen etwa in unserer Arbeitswelt nun (im Gegensatz zu vergangenen Entwicklungen) verstärkt auch Hochqualifizierte (IAB, 2024). Neben der Arbeitswelt sind vielfältige weitere Bereiche unseres Zusammenlebens betroffen: Wie recherchieren wir Informationen? Wie wird uns vorgeschlagen, welcher Social-Media-Beitrag, welche Playlist oder welcher Film uns gefallen könnte – und welche Auswirkungen hat das auf die entsprechende Industrie? Wie werden wissenschaftliche Erkenntnisse gewonnen? Welche regulatorischen Rahmenbedingungen sollten gelten, wenn KI-Systeme Entscheidungen über unser Leben treffen, etwa bei Bewerbungsprozessen oder der Kreditvergabe? Und natürlich auch: Wie und was lehren und lernen wir? Hierbei geht es lange nicht nur um die Nutzung von digitalen Werkzeugen und Systemen in unserem Alltag, sondern eine wesentlich grundlegende Veränderung unseres Zusammenlebens.

Wie bei zahlreichen weiteren Innovationen vor der KI, sei es das Internet, Suchmaschinen oder das iPhone, sind technologische Entwicklungen (inkl. entsprechender Systeme und Werkzeuge) also zwar notwendige Grundlage, die eigentliche Transformation ist aber keine technologische, sondern eine weitreichende gesellschaftliche und kulturelle. Dabei bestehen zahlreiche Interdependenzen zwischen technologischem Fortschritt und gesellschaftlich-kulturellen Veränderungen.

Bildung und Künstliche Intelligenz: Mehr als Anwenderschulung für ChatGPT und Co.

Auch für Bildung verschärfen die Entwicklungen im Gebiet der Künstlichen Intelligenz digitalisierungsbedingte Veränderungen. So stellt sich die Frage, welche Kompetenzen jede und jeder benötigt, um in einer (nun nicht mehr “nur”) digitalen (sondern “auch”) zunehmend durch KI-Systeme geprägten Welt für ihr weiteres Leben als mündige Bürger:innen vorbereitet zu werden.

Vergleichbar zu vergangenen Innovationen lässt sich erneut an vielen Stellen ein Trend hin zu “Anwendungskompetenzen” feststellen. So wie Schüler:innen und Lehrkräfte in der Vergangenheit etwa für den Umgang mit der Microsoft Word Version 2003, den Umgang mit dem Overheadprojektor oder die Bedienung einer konkreten IPad-App geschult wurden, gelten “Prompting-Skills” nun häufig als Antwort auf die KI-bedingten Veränderungen unserer Welt. Dabei zeigen die Erfahrungen der letzten Jahrzehnte deutlich: Ein Lernen, das sich primär auf den Umgang mit spezifischen Anwendungen und Produkt- (Hartmann et al., 2006) oder gar Versionswissen (Döbeli Honegger, 2023) konzentriert, erweist sich als wenig nachhaltig und rasch überholt – und damit nicht allgemeinbildend im Sinne der Aufgabe von Schule und Bildung: Anwendungen und digitale Werkzeuge verändern sich mit solch hoher Geschwindigkeit, dass ein solcher rein anwendungsorientierter Ansatz Schüler:innen eben nicht auf die nächsten 20, 30 oder 40 Jahre ihres Lebens vorbereitet – eindrucksvoll demonstriert durch obige Beispiele und nicht zuletzt die aktuelle Entwicklungen im Bereich LLMs, wodurch viele “Prompting-Leitfäden” einer Halbwertszeit von tlw. wenigen Monaten haben. Mit der Dagstuhl-Erklärung (GI, 2016) betonen Informatikdidaktik und Medienpädagogik, dass erst ein holistischer Blick, der sowohl technologische („Wie funktioniert das?“), gesellschaftlich-kulturelle („Wie wirkt das?“) und anwendungsorientierte Perspektive („Wie nutze ich das?“) vereint, dem Anspruch an Bildung bzgl. einer Mündigkeit für das Leben in der digitalen Welt genügen kann. Für die Entwicklungen der Künstlichen Intelligenz ist daher etwa die die Vermittlung der zugrunde liegenden informatischer Konzepte wesentlich³, die auch für das dynamischen Gebiet der KI Schüler:innen wie Lehrkräften nachhaltig das Erschließen von Phänomenen in ihrem zukünftigen Lebens- und Arbeitswelt ermöglicht (Michaeli et al., 2023; Touretzky et al, 2023) – und über ein reines Verstehen und eine reflektierte Nutzung hinaus zum aktiven Mitgestalten unserer Welt befähigt.

Weiterhin verkennt die reduzierte Sicht auf reine Anwendung von Systemen und Werkzeugen die im letzten Abschnitt beschriebene, wesentlich grundlegendere Transformation unserer Gesellschaft, die weit über die Nutzung von konkreten Anwendungen und Werkzeugen hinausgeht. Gesellschaft, Kultur, aber auch Wissenschaft verändern sich und beeinflussen (fachliche) Bildung. Für alle Schulfächer bedingen digitalisierungsbezogene Entwicklungen etwa Veränderungen in den Inhalten, Methoden und Werkzeugen der jeweils zugrunde liegenden Bezugswissenschaften (Seegerer, 2021) – nicht nur in den Naturwissenschaften, sondern explizit auch in den Geistes- und Gesellschaftswissenschaften, vlg. etwa die Digital Humanities. Simulationen und Datenanalysen werden (neben Theorie und Experiment) als drittes bzw. viertes Standbein von Wissenschaften bezeichnet. Diese Veränderungen müssen in den jeweiligen Schulfächern aufgegriffen und Lehrkräfte entsprechend qualifiziert werden. Dafür bedarf es jeweils einer fachspezifischen Perspektive, die deutlich über allgemeine fachunabhängige Anwendungskompetenzen hinaus geht (GFD; 2018). Genauso bedarf es etwa einer Aushandlung von notwendigen Basiskompetenzen (Reinmann, im Druck) und Kompetenzen, die aufgrund des zunehmenden Automatisierungspotenzials (s.o.) möglicherweise an Bedeutung für die Allgemeinbildung verlieren oder gewinnen.

Zusammenfassend ist also festzustellen: Künstliche Intelligenz ist kein Werkzeug – auch wenn entsprechende Verfahren in vielen Werkzeugen, Anwendungen und Systemen mit umfangreichem Einfluss auf unsere Lebens- und Arbeitswelt sowie Bildung auf teilweise beeindruckende Weise genutzt werden. Insbesondere ist aber der Einfluss der digitalen Transformation (inklusive der Entwicklungen im Bereich der KI, die diese Transformation verschärfen und beschleunigen) auf unsere Gesellschaft und Kultur viel umfangreicher und grundlegender, als nur eine Veränderung der Anwendungen, die wir nutzen. Die Antwort von Bildung darf daher keine reine “Anwenderschulung” sein, sondern muss insbesondere auch technologische Grundlagen und gesellschaftliche-kulturelle Auswirkungen in den Blick nehmen, um diesen Veränderungen gerecht zu werden. Schließlich ist es das Ziel von Bildung, Lernende zu befähigen, die KI-bedingten Veränderungen nicht nur zu verstehen und kritisch zu reflektieren, sondern sie aktiv mitzugestalten.

Literatur

Döbeli Honegger, B. (2023). ChatGPT–der iPhone-Moment des maschinellen Lernens. info, 7(23), 1.

Döbeli Honegger, B. (2016). Mehr als 0 und 1. Schule in einer digitalisierten Welt. Bern: hep. mehrals0und1.ch

GFD. (2018). Fachliche Bildung in der digitalen Welt – Positionspapier der Gesellschaft für Fachdidaktik. https://www.fachdidaktik.org/wordpress/wp-content/uploads/2018/07/GFD-Positionspapier-Fachliche-Bildung-in-der-digitalen-Welt-2018-FINAL-HP-Version.pdf

GI (2016). Dagstuhl-Erklärung: Bildung in der digital vernetzten Welt. Gesellschaft für Informatik e.V. (GI). https://dagstuhl.gi.de/dagstuhl-erklaerung

GI (2025). Bildungsstandards Informatik für die Sekundarstufe I – Empfehlungen der Gesellschaft für Informatik e. V. (GI), 2025, doi: 10.18420/rec2025_052

Hartmann, W., Näf, M., & Reichert, R. (2006). Informatikunterricht planen und durchführen. Berlin, Heidelberg: Springer Berlin Heidelberg.

KMK (2021). Lehren und Lernen in der digitalen Welt. Ergänzung zur Strategie der Kultusministerkonferenz »Bildung in der digitalen Welt«: Beschluss der Kultusministerkonferenz vom 09.12.2021. https://www.kmk.org/fileadmin/veroeffentlichungen_beschluesse/2021/2021_12_09-Lehren-und-Lernen-Digi.pdf

IAB: Institut für Arbeitsmarkt und Berufsforschung der Bundesagentur für Arbeit (2024). IABKurzbericht Nr. 5 – Aktuelle Analysen aus dem Institut für Arbeitsmarkt- und Berufsforschung. https://doku.iab.de/kurzber/2024/kb2024-05.pdf

McCarthy, J. (1979). Ascribing Mental Qualities to Machines (No. STANCS79725).

Michaeli, T., Romeike, R., Seegerer, S. (2023). What students can learn about artificial intelligence—recommendations for K‑12 computing education. In: IFIP World Conference on Computers in Education. Springer Nature, Cham, S 196–208

Reinmann, G. (Preprint). Generative KI in Studium und Lehre: Die Bedeutung fachlichen Wissen für kritisches Denken. https://gabi-reinmann.de/wp-content/uploads/2025/07/Preprint-Wissen-kritisches_Denken-KI.pdf

Seegerer, S. (2021). Informatik für alle–Beitrag und exemplarische Ausgestaltung informatischer Bildung als Grundlage für Bildung in der digitalen Transformation (Doctoral dissertation).

Seegerer, S., Michaeli, T., & Romeike, R. (2020). So lernen Maschinen! LOG IN - Informatische Bildung und Computer in der Schule (pp. 27-31), 40 (193/194). https://computingeducation.de/proj-ml-uebersicht/

SWK (2022). Digitalisierung im Bildungssystem: Handlungsempfehlungen von der Kita bis zur Hochschule. Gutachten der Ständigen Wissenschaftlichen Kommission der Kultusministerkonferenz (SWK). https://www.swk-bildung.org/content/uploads/2024/02/SWK-2022-Gutachten_Digitalisierung.pdf

Touretzky, D., Gardner-McCune, C., Seehorn, D. (2023) Machine learning and the five big ideas in AI. Int J Artif Intell Educ 33(2):233–266

Waite, J., Garside, B., Whyte, R., Kirby, D., & Sentance, S. (2024). Experience AI: Introducing AI/ML to Grade 6–8 students in the UK. In Proceedings of the 2024 17th International Conference on Informatics in Schools (ISSEP’24), Budapest, Hungary (pp. 28-30).