Drei Praxisprojekte, eine Frage: Wie lernen wir mit KI?

Wir reden oft darüber, was künstliche Intelligenz bereits kann. Viel seltener fragen wir, ob wir durch die Zusammenarbeit mit ihr selbst besser werden. Genau das wollen wir herausfinden – nicht in einer abstrakten Diskussion, sondern mit drei konkreten Experimenten.

Unser Ausgangspunkt ist ein einfaches Prinzip: Meisterschaft lässt sich nicht delegieren. Eine KI kann Bewegungsdaten einordnen, Energiedaten analysieren oder eine Entscheidung hinterfragen. Üben, beurteilen und Verantwortung übernehmen muss der Mensch weiterhin selbst.

Deshalb bauen wir ein kleines KI-Dōjō. Kein weiteres Tool, das Antworten produziert, sondern eine Umgebung, in der wir Fähigkeiten erwerben, anwenden und überprüfen. Und wir werden unsere Fortschritte, Irrtümer und Änderungen hier dokumentieren.

Wir wollen nicht nur zeigen, ob eine Anwendung funktioniert. Wir wollen untersuchen, ob eine gemeinsame Lernmethodik in sehr unterschiedlichen Situationen trägt. Dafür wählen wir drei Felder mit unterschiedlichen Anforderungen: Gleichgewicht und Koordination, ein intelligentes Haus als reales Technik- und Energiesystem sowie strategisches Entscheiden im Wargame.

Im ersten Feld üben wir eine körperliche Fähigkeit und beobachten den Lernfortschritt. Im zweiten lernen wir, ein komplexes technisches System zu verstehen und mit KI schrittweise zu optimieren. Im dritten trainieren wir Urteilsvermögen unter Unsicherheit. Je unterschiedlicher die Aufgaben, desto aussagekräftiger ist die Frage, was unsere Methode tatsächlich leisten kann. Drei Beispiele beweisen allerdings noch keine allgemeine Übertragbarkeit; sie helfen uns, Grenzen und Verbesserungsmöglichkeiten sichtbar zu machen.

Wir starten mit einem herkömmlichen Balanceboard. Ein kleiner Bewegungssensor – als Kandidat prüfen wir den Xsens DOT – erfasst die Neigung des Boards. Eine eigene Software soll daraus Kurven, Vergleiche und einfache Trainingsaufgaben machen.

Das Ziel ist nicht, möglichst spektakulär zu balancieren. Wir wollen beobachten, wie wir lernen: Wie verändert sich die Stabilität? Welche selbst gewählten Übungsstrategien helfen? Bleibt eine Verbesserung nach einer Pause erhalten? Funktioniert sie auch bei einer veränderten Aufgabe – etwa beim gleichzeitigen Lösen einer Denkaufgabe?

Die KI soll dabei kein permanenter Kommandogeber sein. Sie könnte beispielsweise zeigen, dass eine Bewegung ruhiger geworden ist, und fragen, was wir dabei bewusst verändert haben. Der Übende entscheidet selbst, welchen nächsten Versuch er macht.

Was wir veröffentlichen wollen: unseren Sensoraufbau, erste Messungen, das selbst entwickelte Dashboard, Trainingsprotokolle sowie Erfolge und Sackgassen. Die Hardware und die Software sind noch in Planung – wir berichten nicht über ein angeblich bereits abgeschlossenes Experiment.

Das zweite Projekt beginnt nicht auf einem Übungsgerät, sondern zu Hause. Wir wollen unser bestehendes Haus schrittweise in ein offenes, nachvollziehbares Smart Home verwandeln – mit Home Assistant als zentraler Plattform. Nicht, weil ein Haus möglichst viele Apps braucht, sondern weil wir lernen wollen, wie ein reales Energiesystem funktioniert und wie KI beim Verstehen, Entscheiden und Optimieren helfen kann.

Die Ausgangslage ist bewusst alltäglich: eine bestehende Gasheizung mit getrennten Heizkreisen für Fußbodenheizung und Heizkörper, unterschiedliche Raumtemperaturen, Stromverbrauch, künftig möglicherweise eine Wärmepumpe und die Einbindung eines Elektroautos. Bevor wir irgendetwas automatisieren, wollen wir messen. Raumtemperatur und Luftfeuchtigkeit, Außentemperatur, Stromflüsse sowie – soweit technisch und sicher möglich – Vorlauf- und Rücklauftemperaturen liefern eine Grundlage, über die wir mit der KI diskutieren können.

Unsere geplante Ausstattung umfasst einen kleinen Rechner mit Home Assistant, Strommessung, Raumklimasensoren und eine eigene Wetterstation. Dazu kommen die Prüfung der bestehenden Heizungsregelung und die spätere Einbindung der Wallbox. Die Komponenten werden vor dem Kauf noch einmal auf Kompatibilität, lokale Schnittstellen und Zukunftstauglichkeit geprüft. An sicherheitsrelevanten Heizungs- oder Elektroinstallationen arbeiten ausschließlich befugte Fachkräfte.

Der eigentliche Versuch lautet: Können wir mit einem offenen Datenmodell, guten Visualisierungen und KI bessere Entscheidungen treffen – etwa über Heizzeiten, die Heizkurve, den Einsatz von Strom oder die Wirtschaftlichkeit einer Modernisierung? Wir wollen nicht bloß automatisieren, sondern die Ursachen verstehen. Ob daraus tatsächlich Energieeinsparungen entstehen, werden wir anhand einer dokumentierten Ausgangsbasis, vergleichbarer Bedingungen und nachvollziehbarer Messungen prüfen müssen.

Was wir veröffentlichen wollen: den technischen Aufbau, die Auswahl und Integration der Komponenten, selbst entwickelte Dashboards, Auswertungen, Fehlversuche und konkrete Entscheidungen. Dieses Projekt ist unser Testfeld für KI als analytischen Sparringspartner in einem realen, vernetzten System – nicht als unkontrollierte Haussteuerung.

Im dritten Versuchsfeld lassen wir die Bewegungssensoren weg. Statt körperlicher Koordination geht es um kognitive Leistung: eine Lage erfassen, Annahmen formulieren, Handlungsoptionen vergleichen und Entscheidungen unter Unsicherheit begründen.

Wir wollen dafür ein offenes, didaktisch begrenztes Wargame mit fiktiven Lagen entwickeln. Die KI spielt nicht den allwissenden General. Sie fragt nach Annahmen, weist auf Widersprüche hin, nimmt Gegenpositionen ein und hilft bei der Nachbesprechung. Die Entscheidung bleibt beim Teilnehmer.

Bei diesem Projekt ist die Messung schwieriger. Einen Schwankungswinkel können wir direkt erfassen; die Qualität einer Entscheidung benötigt dagegen ein vorher definiertes Bewertungsraster. Wir müssen also transparent unterscheiden zwischen Entscheidungsprozess, Begründungsqualität, Ergebnis und Zufall.

Was wir veröffentlichen wollen: das didaktische Regelwerk, anonymisierte fiktive Spielsituationen, Bewertungsfragen und Erkenntnisse aus den Reflexionsgesprächen – keine internen Lageinformationen oder dienstlichen Planungsunterlagen.

Alle drei Projekte folgen derselben Lernschleife. Learn: Wir definieren die Fähigkeit und verstehen die Grundlagen. Apply: Wir setzen das Wissen praktisch ein, messen oder dokumentieren Ergebnisse und reflektieren sie. Prove It: Wir prüfen, ob wir die Aufgabe zunehmend selbstständig beherrschen und ob unsere Lösungen tatsächlich funktionieren.

Uns interessiert insbesondere der Unterschied zwischen sofort guter Leistung und nachhaltigem Lernen. Wer mit ständigem Feedback besser wird, hat die Fähigkeit möglicherweise noch nicht unabhängig davon erworben. Darum gehören beim Balanceboard und Wargame Tests ohne KI-Unterstützung dazu; beim Hausprojekt zählen nachvollziehbare Entscheidungen und belastbare Messungen statt bloßer Automatisierungsversprechen.

David Kolbs Modell des erfahrungsbasierten Lernens beschreibt, wie Erfahrung, Reflexion, begriffliche Einordnung und erneutes Ausprobieren miteinander verbunden werden [1]. Das 4C/ID-Modell von van Merriënboer und Kirschner zeigt zudem, warum komplexe Fertigkeiten an authentischen Gesamtaufgaben mit passender Unterstützung erlernt werden sollten [2]. Beides sind Grundlagen für unseren Entwurf – noch kein Wirksamkeitsnachweis unserer konkreten KI-Anwendung.

Für das Balanceboard ist auch die Forschung zu selbstgesteuertem Feedback beim motorischen Lernen relevant. Eine Meta-Analyse von Wang und Kollegen aus dem Jahr 2025 wertete 29 Studien mit insgesamt 1.147 Teilnehmenden aus; sie beschreibt gemischte Befunde und Unterschiede zwischen Lernen, Behalten und Transfer [3]. Eine weitere systematische Übersicht weist auf methodische Einschränkungen der untersuchten Studien hin [4]. Wir sollten deshalb nicht einfach voraussetzen, dass mehr KI-Feedback automatisch besseres Lernen bedeutet.

Unsere projektübergreifende Arbeitshypothese lautet: KI kann selbstgesteuertes Lernen und Problemlösen unterstützen, wenn sie Beobachtung, Reflexion und bewusste Entscheidungen stärkt, statt diese zu ersetzen. Ob das stimmt, müssen unsere Versuche erst zeigen.

Wir werden in allen drei Projekten Ausgangslagen und Entwicklungsschritte dokumentieren. Beim Balanceboard und Wargame prüfen wir Lernfortschritte und nach Möglichkeit den Zusatznutzen von KI-Reflexion; im Hausprojekt erfassen wir technische Kennzahlen, Maßnahmen, Kosten und ihre Wirkungen. Für eine wissenschaftliche Untersuchung benötigen wir darüber hinaus ein geeignetes Studiendesign, ausreichend Teilnehmende, nachvollziehbare Bewertungskriterien sowie Datenschutz und Einwilligung. Einzelne Selbstversuche liefern wertvolle Entwicklungsdaten, aber keine allgemeingültigen Kausalnachweise.

Unsere Webseite wird deshalb zugleich ein öffentliches Entwicklungstagebuch. Wir berichten über das, was funktioniert – und ausdrücklich auch über das, was nicht funktioniert. Wir verändern Hypothesen, bauen Prototypen um und dokumentieren, welche Annahmen wir aufgeben mussten.

Ein Mensch, der auf einem Balanceboard nur stabil steht, solange eine App jeden Fehler kommentiert, hat noch nicht unbedingt Gleichgewicht gelernt. Wer seine Heizung nur über eine KI-Oberfläche bedienen kann, ohne die Zusammenhänge zu verstehen, hat noch keine technische Kompetenz erworben. Und wer bei jeder Entscheidung die KI fragt, hat sein Urteilsvermögen nicht zwangsläufig verbessert.

Genau deshalb haben wir drei Projekte gewählt. Wir wollen nicht beweisen, dass KI die bessere Lehrerin ist. Wir wollen herausfinden, wie Menschen mit KI selbst bessere Lernende werden können.

Das ist der Beginn unserer Versuchsreihe. Die nächsten Beiträge werden zeigen, wie wir Sensoren und Software auswählen, unsere Übungs- und Technikaufgaben gestalten, messen und welche Ergebnisse wir tatsächlich erzielen.

Learn. Apply. Prove It. – EARN IT.