Nachhilfe war gestern. Wir müssen lernen, mit KI Meisterschaft aufzubauen.

Ein Artikel über Nachhilfe hat mich auf eine Frage gebracht, die weit über Schule hinausgeht.

Wenn immer mehr Kinder und Jugendliche zusätzliche Unterstützung brauchen, könnte man daraus zunächst eine einfache Schlussfolgerung ziehen: Nachhilfe ist ein Zukunftsmarkt.

Ich glaube inzwischen, dass diese Schlussfolgerung zu kurz greift.

Der eigentliche Zukunftsmarkt ist nicht Nachhilfe. Der Zukunftsmarkt ist die Fähigkeit, selbstständig zu lernen – gemeinsam mit künstlicher Intelligenz.

Und genau darin könnte eine der wichtigsten Fähigkeiten der kommenden Jahre liegen.

Klassische Nachhilfe beginnt meistens dort, wo etwas bereits nicht funktioniert hat.

Ein Schüler versteht Mathematik nicht. Eine Schularbeit steht bevor. Der Stoff muss aufgeholt werden.

Dann kommt ein Nachhilfelehrer und versucht, die Lücke zu schließen.

Das kann sinnvoll sein. Aber es bleibt meistens eine Reparaturleistung.

Der Gegenstand steht im Mittelpunkt: Mathematik. Englisch. Physik. Rechnungswesen.

Die entscheidende Frage lautet: Wie schaffen wir es, dass der Schüler diesen Stoff versteht?

Mit leistungsfähiger künstlicher Intelligenz entsteht eine zweite Frage:

Warum bringen wir ihm nicht gleichzeitig bei, wie er sich Wissen künftig selbst erarbeiten kann?

Genau hier beginnt für mich die Verbindung zwischen Nachhilfe, Co-Intelligenz und Meisterschaft.

Benjamin Bloom beschrieb 1984 sein berühmtes „2-Sigma-Problem“. Seine Arbeiten zeigten, wie leistungsfähig individuelle Betreuung sein kann. Schüler, die individuell unterrichtet und mit Mastery-Learning-Ansätzen begleitet wurden, erzielten unter bestimmten Versuchsbedingungen erheblich bessere Ergebnisse als Schüler im klassischen Gruppenunterricht.

Das Problem daran war nie unbedingt die pädagogische Idee. Das Problem war die Skalierung.

Wir können nicht jedem Menschen einen hochqualifizierten persönlichen Tutor zur Seite stellen, der jederzeit verfügbar ist, den Wissensstand kennt, Fragen beantwortet, Aufgaben anpasst und geduldig immer wieder neue Erklärungen versucht.

Zumindest konnten wir das bisher nicht.

Generative KI verändert genau diese Ausgangslage.

Neuere Untersuchungen liefern erste Hinweise darauf, dass KI-gestützte Lernsysteme relevante Lernerfolge ermöglichen können. In einer randomisierten Studie mit 274 Teilnehmern erzeugten von ChatGPT erstellte Hilfestellungen bei mathematischen Aufgaben Lernzuwächse, die mit von menschlichen Tutoren erstellten Hilfestellungen vergleichbar waren.

Eine weitere randomisierte Studie berichtete 2025, dass Studierende mit einem speziell didaktisch gestalteten KI-Tutor in der untersuchten Lernsituation mehr lernten und dafür weniger Zeit benötigten als Teilnehmer einer Active-Learning-Lehrveranstaltung.

Das sind bemerkenswerte Ergebnisse. Aber daraus die Schlussfolgerung zu ziehen, dass wir künftig einfach jeden Schüler vor ChatGPT setzen sollten, wäre genau der falsche Schluss.

Eine KI kann mir eine Gleichung lösen. Sie kann mir einen Gesetzestext erklären. Sie kann eine Zusammenfassung schreiben. Sie kann mir eine mathematische Ableitung vormachen.

Und genau darin liegt gleichzeitig ihre größte Stärke und ihre größte Gefahr.

Denn wenn ich jedes Problem sofort an die Maschine weiterreiche, werde ich möglicherweise effizienter. Aber nicht unbedingt besser.

Darüber haben wir bereits in „Wenn KI zum ständigen Teammitglied wird“ geschrieben: Co-Intelligenz bedeutet nicht, menschliches Denken zu ersetzen. Es bedeutet, eine Form der Zusammenarbeit zu entwickeln, bei der die eigene Urteilsfähigkeit mitwächst.

Deshalb reicht es nicht, Kindern oder Erwachsenen zu zeigen, wie man KI verwendet.

Wir müssen ihnen beibringen, wie man mit KI lernt.

Das ist ein vollkommen anderes Curriculum.

Wir experimentieren seit einiger Zeit genau mit dieser Form der Zusammenarbeit.

Ich stelle der KI nicht einfach Fragen und nehme anschließend die Antwort entgegen. Wir diskutieren. Ich formuliere eine Hypothese. Die KI widerspricht. Wir suchen Quellen. Ich erkläre meine Position erneut. Wir zerlegen das Problem.

Manchmal ändere ich meine Meinung. Manchmal ändere ich sie nicht.

Aber entscheidend ist: Ich muss selbst denken.

Genau diese Arbeitsweise haben wir bereits in „Mit KI arbeiten lernen: Warum Co-Intelligence wichtiger ist als Prompting“ beschrieben.

Prompting ist dabei nur die Oberfläche. Die eigentliche Fähigkeit besteht darin, mit einem künstlichen Denkpartner produktiv zusammenarbeiten zu können.

Das bedeutet: Fragen stellen. Argumentieren. Zweifeln. Erklären. Gegenargumente prüfen. Quellen bewerten. Wissen anwenden. Und am Ende selbst entscheiden.

Stellen wir uns einen Jugendlichen vor, der wegen Mathematik zu uns kommt.

Natürlich muss er Mathematik lernen. Wenn wir den Gegenstand nicht beherrschen, haben wir das Ziel verfehlt.

Aber Mathematik wäre gleichzeitig das Trainingsfeld für eine viel größere Fähigkeit.

Der Lernende könnte zunächst selbst versuchen, eine Aufgabe zu lösen. Danach erklärt er der KI seinen Lösungsweg. Die KI hinterfragt ihn. Sie zeigt einen möglichen Fehler. Der Schüler muss erklären, warum er glaubt, dass seine Lösung trotzdem stimmt – oder erkennen, warum sie falsch ist.

Danach erhält er eine ähnliche Aufgabe.

Und irgendwann verschwindet die KI.

Der Schüler muss alleine lösen. Denn spätestens hier zeigt sich, ob tatsächlich gelernt wurde.

Co-Intelligenz darf deshalb niemals bedeuten, dass die KI die Prüfung übernimmt.

Im Gegenteil. Je mächtiger die KI wird, desto wichtiger wird die Prüfung dessen, was der Mensch selbst kann.

Damit entsteht aus meiner Sicht ein entscheidender Punkt für jedes zukünftige Lernsystem.

Was kann ein Mensch ohne KI? Kann er erklären? Kann er rechnen? Kann er argumentieren? Kann er Wissen übertragen? Kann er ein Problem selbstständig lösen?

Diese Ebene darf nicht verschwinden.

Eine Gesellschaft, in der Menschen nur noch dann kompetent erscheinen, wenn ihre KI neben ihnen sitzt, hätte keine Meisterschaft erzeugt. Sie hätte Abhängigkeit erzeugt.

Danach kommt die zweite Ebene.

Wie viel besser kann derselbe Mensch mit KI arbeiten? Kann er schlechte Antworten erkennen? Kann er Annahmen hinterfragen? Kann er aus mehreren Vorschlägen auswählen? Kann er die KI gezielt einsetzen? Kann er Quellen überprüfen? Kann er eine Diskussion führen, statt nur Antworten abzuholen? Kann er Verantwortung für das Ergebnis übernehmen?

Das ist eine neue Kompetenz. Und sie wird wahrscheinlich genauso trainiert werden müssen wie Schreiben, Rechnen oder Präsentieren.

Unsere derzeitige Hypothese lautet deshalb:

Wir brauchen kein KI-Curriculum, das hauptsächlich Tools erklärt. Wir brauchen ein Curriculum, das Menschen darin trainiert, mit KI Meisterschaft aufzubauen.

Der Gegenstand kann Mathematik sein. Oder Steuerrecht. Oder Betriebswirtschaft. Oder Geschichte. Oder Programmieren.

Die Lernschleife bleibt weitgehend gleich:

Verstehen → selbst versuchen → diskutieren → erklären → anwenden → prüfen → reflektieren.

Die KI begleitet diesen Prozess. Sie ersetzt ihn nicht.

Genau hier lässt sich auch unser bestehendes Prinzip weiterentwickeln: Learn. Apply. Prove It.

Zuerst lernen. Dann anwenden. Dann beweisen, dass man es tatsächlich kann.

KI kann jede dieser Phasen unterstützen. Aber der Beweis bleibt beim Menschen.

Hier liegt ein Punkt, den wir leicht unterschätzen könnten.

Ein perfekter KI-Tutor hilft wenig, wenn niemand mit ihm arbeitet.

Mastery Learning verlangt Zeit und Wiederholung. Eine Meta-Analyse von 108 kontrollierten Untersuchungen zu Mastery-Learning-Programmen fand insgesamt positive Auswirkungen auf Prüfungsleistungen und teilweise stärkere Effekte bei schwächeren Lernenden. Gleichzeitig zeigte sie aber auch, dass selbstgesteuerte Programme höhere Anforderungen an die Lernzeit stellen können.

Genau deshalb ist unser zweiter Forschungsgegenstand mindestens so wichtig wie die KI selbst:

Wie bringen wir Menschen dazu, kontinuierlich mit ihrem Wissen zu arbeiten?

Nicht einmal pro Woche. Nicht nur vor einer Prüfung. Sondern regelmäßig. Vielleicht täglich.

Lesen. Diskutieren. Eine Frage stellen. Eine Position vertreten. Etwas erklären. Eine Aufgabe lösen. Eine Erkenntnis dokumentieren.

Das klingt unspektakulär. Ist es auch. Aber genau daraus entsteht Meisterschaft.

Vielleicht ist deshalb selbst das Wort „Tutor“ irgendwann zu eng.

Denn ein guter KI-Partner erklärt mir nicht nur Dinge. Er fordert mich heraus.

Und irgendwann: Jetzt erkläre es mir ohne Hilfe.

Damit verändert sich die Rolle der KI. Von der Antwortmaschine zum Sparringspartner. Von der Suchmaschine zum Tutor. Vom Tutor zum Kritiker. Und möglicherweise irgendwann zu einem permanenten Trainingspartner für unsere geistige Entwicklung.

KI kann beobachten. Sie kann analysieren. Sie kann widersprechen. Sie kann Informationen liefern. Sie kann Vorschläge machen.

Aber der Mensch muss irgendwann sagen:

Das ist meine Antwort. Das ist meine Entscheidung. Dafür übernehme ich Verantwortung.

Deshalb darf das Ziel eines solchen Systems niemals maximale KI-Nutzung sein.

Das Ziel muss maximaler menschlicher Kompetenzzuwachs sein.

Nachhilfe ist wahrscheinlich tatsächlich ein attraktiver Markt. Aber aus Sicht unserer Arbeit ist sie viel interessanter als Versuchsfeld.

Ein Schüler kommt mit einem konkreten Problem. Es gibt einen klaren Wissensbereich. Es gibt messbare Leistungen. Es gibt Prüfungen. Und es gibt einen unmittelbaren Grund, regelmäßig zu lernen.

Damit könnten wir erstmals praktisch testen, ob unser Modell funktioniert.

Nicht: Wie gut können wir Mathematik erklären?

Sondern: Können wir einem jungen Menschen beibringen, sich Mathematik mithilfe von Co-Intelligenz zunehmend selbstständig zu erschließen – und dabei sein eigenes Wissen nachweisbar zu verbessern?

Wenn das funktioniert, bleibt es nicht bei Mathematik.

Dann funktioniert das Prinzip möglicherweise beim Studium. In der Berufsausbildung. Bei Führungskräften. Bei Unternehmern. Bei Experten. Und beim lebenslangen Lernen.

Bisher haben wir Menschen Wissen vermittelt.

In Zukunft müssen wir ihnen zusätzlich beibringen, mit einer Intelligenz zu arbeiten, die jederzeit verfügbar ist und in vielen Wissensgebieten mehr Informationen kennt als sie selbst.

Die entscheidende Fähigkeit wird deshalb nicht darin bestehen, die Maschine möglichst schnell nach einer Antwort zu fragen.

Sondern darin, gemeinsam mit ihr die eigene Kompetenz immer weiter auszubauen.

Nicht: Die KI kann es für mich.

Sondern: Mit der KI werde ich selbst besser.

Und genau daran sollten wir unsere Lernsysteme messen.

Bloom, Benjamin S. (1984): The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher, 13(6), 4–16. DOI

Kulik, Chen-Lin C.; Kulik, James A.; Bangert-Drowns, Robert L. (1990): Effectiveness of Mastery Learning Programs: A Meta-Analysis. Review of Educational Research, 60(2), 265–299. DOI

Pardos, Zachary A.; Bhandari, Shreya (2024): ChatGPT-generated help produces learning gains equivalent to human tutor-authored help on mathematics skills. PLOS ONE. DOI

Kestin et al. (2025): AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports. DOI

Die Presse (2026): Nachhilfe-Business: Ein Geschäftszweig mit allerbesten … Ausgangspunkt für die Überlegungen dieses Beitrags.

Dieser Beitrag ist Teil unseres laufenden Experiments rund um Meisterschaft und Co-Intelligenz. Der Text wurde im Dialog mit künstlicher Intelligenz entwickelt, kritisch überarbeitet und zur besseren Lesbarkeit redaktionell unterstützt. Auswahl der Thesen, Bewertung der Quellen und inhaltliche Verantwortung liegen beim Autor.