AIEd-WissensbasisAIEd KB
Auf dieser Seite

Diese Seite wurde maschinell ins Deutsche übersetzt; die Artikelseiten sind weiterhin auf Englisch verfasst. Diese Seite auf Englisch lesen

Konzepte

Agentische KI

Erstellt 2026-08-01 · Aktualisiert 2026-10-10

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Agentische KI in der Bildung — KI-Systeme, die mehrstufige Arbeitsabläufe autonom planen, ausführen und anpassen, um Lernziele zu erreichen, und dabei über die einfache Frage-Antwort-Runde hinausgehen, um als dauerhafte, zielgerichtete Mitgestalter zu wirken: KI-Tutoren, die über längere Interaktionen hinweg begleiten, Multi-Agenten-Systeme, die Instruktionsdesigns orchestrieren, und Agenten, die das Lernen mitregulieren. Dieser Paradigmenwechsel von einem auf Prompts reagierenden Werkzeug zu einem aktiven Mitgestalter birgt sowohl Chancen als auch Risiken: Agentische KI kann das Lernen personalisieren und vertiefen, gefährdet aber auch Handlungsfähigkeit der Lernenden, kognitive Anstrengung und Kontrolle. Das Scoping-Review, das werkzeuginvariante Framework und die Artikel zu pädagogischen Best Practices der Wissensbasis untersuchen diese Spannung.

Fragen zum Nachdenken

  • Agentische KI beantwortet nicht nur Fragen — sie plant, führt aus und passt mehrstufige Arbeitsabläufe auf ein Ziel hin an und agiert als dauerhafter Mitgestalter. Wie unterscheidet sich das Lernen mit einem proaktiven Agenten vom Lernen mit einem Werkzeug, das man selbst anstoßen muss?
  • Das Feld zieht eine Grenze zwischen „konversationeller“ und „agentischer“ KI (ein System gilt nur dann als agentisch, wenn es mehrere Kriterien erfüllt, etwa Planung, Gedächtnis, Autonomie und zielgerichtetes Handeln). Wo liegt diese Grenze in der Praxis — und verbirgt es mehr, als es offenbart, wenn man jeden Chatbot „agentisch“ nennt?
  • Je mehr ein Agent automatisiert, desto weniger kognitive Arbeit leistet der Lernende. Wo liegt die Grenze zwischen einer KI, die Ihr Lernen begleitet, und einer, die Ihr Lernen für Sie erledigt?
  • Ein Scoping-Review fand, dass nur 29 % der Studien zu agentischer KI ihre Systeme in Bildungstheorie verankerten. Wenn die meisten Systeme nicht theoriebasiert sind, was sollte Sie bei der Bewertung eines „intelligenten“ Tutor-Agenten skeptisch stimmen?
  • Multi-Agenten-Systeme orchestrieren spezialisierte Agenten mit unterschiedlichen Rollen. Wenn mehrere Agenten in einem Kurs zusammenarbeiten — wer ist dann verantwortlich, und wo sollte ein Mensch eingreifen?
  • Die zentrale Spannung des Feldes ist Personalisierung gegenüber Handlungsfähigkeit und kognitiver Anstrengung der Lernenden. Wenn ein Tutor so gut darin wird, sich anzupassen, dass Sie sich nie anstrengen müssen — was lernen Sie dann eigentlich?
  • Wo auf dem Spektrum von Copilot bis Autopilot sollte eine bestimmte Aufgabe liegen — und dient es dem Lernen jemals, eine Aufgabe von „Agent schlägt vor, Lernender entscheidet“ zu „Agent übernimmt“ zu verschieben, oder nur der Effizienz?
  • Hybride Agenten, die in etablierter Designtheorie verankert waren, übertrafen reines Prompting. Warum könnte ein theoretisch fundiertes System rohes Prompt-Engineering schlagen — und was sagt das darüber, wie die „Intelligenz“ eines Agenten gemessen wird?

Einführung

Agentische KI bezeichnet Systeme der künstlichen Intelligenz, die mehrstufige Arbeitsabläufe autonom planen, ausführen und anpassen können, um Lernziele zu erreichen — sie gehen über die Beantwortung einzelner Fragen hinaus und wirken in Bildungskontexten als dauerhafte, zielgerichtete Mitgestalter. In der Bildung zeigt sich agentische KI als KI-Tutoren, die das Lernen über längere Interaktionen begleiten, als Multi-Agenten-Systeme, die komplexe Instruktionsdesigns orchestrieren, und als autonome Agenten, die ihre pädagogischen Strategien an die Bedürfnisse der Lernenden anpassen. Dieses neue Paradigma verschiebt die KI von einem Werkzeug, das auf Prompts reagiert, hin zu einem Mitgestalter, der Lernprozesse aktiv führt, anpasst und mitreguliert.

Agentische KI definieren und klassifizieren

Kostopoulos et al. (2025) liefern eine operationale Definition, die dem Feld sonst fehlt. Sie schlagen eine Checkliste mit sechs Kriterien vor — ein System zählt als agentisch, wenn es mindestens vier davon erfüllt: Autonomie (Handeln unabhängig von kontinuierlichem menschlichen Eingreifen), Schlussfolgern/Planen, Gedächtnis/Kontextbewusstsein, zielgerichtetes Handeln auf Lernergebnisse hin, Anpassungsfähigkeit sowie dynamische Zusammenarbeit/Initiative. Die Schwelle von ≥4 schließt bewusst reaktive Chatbots aus (ein statischer FAQ-Bot ohne Planung oder Persistenz qualifiziert sich nicht) und lässt gleichzeitig vielfältige Architekturen zu. Sie ordnen den Raum außerdem entlang dreier Achsen: pädagogische Rolle (Tutor, Lerncoach/Mentor, Begleiter, Assistenz der Lehrkraft, Curriculum-Planer), Autonomiestufe (reaktiv → adaptiv → proaktiv → kollaborativ) und Verkörperlichung (textbasiert, Avatar/grafisch, verkörpert/robotisch). Diese Taxonomie — insbesondere das Autonomiespektrum und der Ausschluss reaktiver Werkzeuge durch die Checkliste — gibt Forschenden und Gestaltenden ein gemeinsames Vokabular, um agentische Systeme zu klassifizieren und genuin agentische von bloß konversationeller KI zu unterscheiden.

Ein durchgerechnetes Unterscheidungsbeispiel macht die Grenze konkret. Ein statischer FAQ-Chatbot, der nur eine feste Menge von Fragen beantworten kann, erfüllt null Kriterien (keine Planung, keine Persistenz, keine Initiative) und ist offenkundig nicht agentisch. Ein konversationeller Tutor, der sich an die aktuelle Sitzung erinnert, aber nie unaufgefordert handelt, kein sitzungsübergreifendes Lernendenmodell führt und keine Teilziele setzen kann, erfüllt vielleicht nur eines oder zwei (Gedächtnis, etwas Schlussfolgern) — konversationell, nicht agentisch. Dagegen erfüllt ein Tutor, der mehrstufige Unterrichtseinheiten plant, den Lernfortschritt in einem dauerhaften Profil speichert, proaktiv einen Hinweis auslöst, wenn ein Lernender stockt, und den nächsten Schritt anhand dieses Profils neu plant, die Kriterien Planung, Gedächtnis, Autonomie und zielgerichtete Interaktion — mindestens vier Kriterien, also qualifiziert er sich als agentisch. Der Wert dieses Tests ist keine Spitzfindigkeit: jede LLM-Chat-Oberfläche als „agentisch“ zu bezeichnen, verwischt genau die Designfrage — was das System von sich aus initiiert und was der Lernende initiieren muss —, die darüber entscheidet, ob es Lernen begleitet oder ersetzt.

Begrenzte Handlungsfähigkeit als pädagogische Designhaltung. Das AGAI-HE-Framework von Ilieva et al. (2026) akzeptiert die Fähigkeitsliste, die Definitionen wie die Sechs-Kriterien-Checkliste beschreiben, und beschränkt sie dann bewusst: Ziele, Rollen, Datenquellen, Werkzeuge, Kontrollpunkte, Abbruchbedingungen und letzte Entscheidungen werden von Lehrenden festgelegt oder freigegeben, und jede agentische Funktion muss auf eine Lernanforderung, einen Prüfzweck oder eine Governance-Kontrolle zurückführbar sein. Das Framework zieht außerdem eine Grenze zwischen agentischer Orchestrierung und fortgeschrittenem Prompting — ein agentischer Arbeitsablauf bewahrt den Aufgabenstatus, verteilt Funktionen, prüft Abschlussbedingungen, kehrt zu früheren Stufen zurück, wenn die Evidenz nicht ausreicht, und protokolliert wesentliche Entscheidungen. Bemerkenswert ist, dass die explorative Wahrnehmungsstudie mit 130 Studierenden der Hochschulbildung keinen signifikanten Unterschied zwischen agentengestütztem und chatbotgestütztem Lernen fand, was die Autoren als Beleg dafür lesen, dass agentische Fähigkeit allein noch keinen wahrgenommenen pädagogischen Vorteil erzeugt (menschliche Aufsicht).

Das Feld: rasche Expansion und heutige Gestalt

Das Scoping-Review der Wissensbasis — die bislang umfassendste Synthese des Feldes, die 474 Studien (2020–2026) kartiert — dokumentiert ein Feld, das seit 2025 explosionsartig gewachsen ist, dessen Literatur aber weiterhin von Konferenzbeiträgen dominiert wird, die sich auf Hochschulbildung, MINT-Fächer und textbasierte Tutor-Szenarien konzentrieren. Das Review analysiert Publikationsmerkmale, Studiendesigns, Agentenrollen, KI-Modelle und -Architekturen, sechs Dimensionen agentischer Fähigkeit sowie das Ausmaß der Integration von Bildungstheorie und liefert damit eine Landkarte der Forschungsfronten und Lücken des Feldes. Bemerkenswert ist, dass nur 29 % der begutachteten Studien (138 von 474) ihre Systeme explizit in Bildungstheorie verankerten, was eine disziplinäre Spaltung zwischen technisch und pädagogisch orientierter Arbeit offenlegt.

Eine rollenbasierte Karte des Feldes

Während das Scoping-Review mit 474 Studien und Kostopoulos et al.s konzeptionelle Übersicht Forschungsbreite und Fähigkeiten kartieren, ordnet Baradziej (2026) agentische KI nach der Rolle, die sie spielt — eine institutionelle Rahmung, um zu entscheiden, wo diese Systeme eingesetzt und gesteuert werden sollen. Über 48 Studien der Hochschulbildung hinweg treten sechs Rollen in der Reihenfolge ihrer Evidenzstärke hervor: personalisiertes Lernen und adaptives Tutoring (18/48), Automatisiertes Assessment und Feedback (12), Assistenz und Erweiterung der Lehre (11), administrative und studierendenbezogene Unterstützung (8), Curriculum-Design und Ausrichtung auf den Arbeitsmarkt (5) sowie Forschungsunterstützung und akademische Betriebsabläufe (4). Die Rollenperspektive rückt eine Designentscheidung in den Vordergrund, die in jedem Einsatz wiederkehrt: wie viel Kontrolle der Mensch im jeweiligen Moment behält (eine „Copilot“-Beziehung) gegenüber wie viel der Agent besitzt (eine „Autopilot“-Beziehung) — die Autonomieachse, die darüber entscheidet, ob ein Agent Lernen begleitet oder ersetzt.

Design und Evaluation agentischer Systeme

Forschung in der Wissensbasis erstreckt sich über Design und Evaluation:

  • Hybride, theorieverankerte Agenten übertreffen reines Prompting: ISD-Agent-Bench, ein Benchmark mit 25.795 Instruktionsdesign-Szenarien, findet, dass der leistungsstärkste Ansatz klassische ISD-Frameworks (ADDIE, Dick & Carey, Rapid Prototyping) mit modernem ReAct-artigem Schlussfolgern integriert — hybrid (Theorie + Technik) > reine Theorie > nur Technik. Große Sprachmodelle (LLMs)-Agenten in etablierter Theorie des Bildungsdesigns zu verankern, verschafft einen strukturellen Vorteil, den rohes Prompting nicht replizieren kann.
  • Assessment-Frameworks für agentische Werkzeuge: Das werkzeuginvariante Framework schlägt vor, das Lehren und Bewerten rechnerischer Methoden so zu gestalten, dass es nicht von einem bestimmten KI-Werkzeug abhängt, und betont dabei Grundlagen des Informatisches Denken, Authentisches Assessment durch mündliche Verteidigung sowie Verifikation — relevant für Bedenken zu Überabhängigkeit.
  • Eine Meldeskala für Berichtswesen und Steuerung: das Autonomy–Oversight–Evidence-Framework (AOE). Dey (2026) argumentiert, der Begriff agentische KI werde so uneinheitlich verwendet, dass Evidenz und Aufsicht über Studien hinweg nicht vergleichbar seien — Systeme, die planen, sich erinnern, Werkzeuge nutzen oder mehrere Agenten koordinieren, würden mit statischen GenAI-Oberflächen und konventionellen pädagogischen Agenten in einen Topf geworfen. Sein kritisches integratives Review von fünfzehn begutachteten Reviews findet die Evidenz am stärksten für Ergebnisse auf Artefaktebene (Feedback-Genauigkeit, Reduktion von Halluzinationen) und am schwächsten für dauerhaftes Lernen, Gerechtigkeit, Arbeitsbelastung oder institutionelle Ergebnisse, wobei authentische Einsätze typischerweise kurz, an einem einzigen Standort und schwach an Aufsicht gebunden sind. Die Lösung ist ein konkretes Berichtstrio — Autonomiestufe A0–A4 (reaktive Generierung → begrenzte Orchestrierung → delegierte Aufgabenautonomie → Arbeitsablaufautonomie → folgenreiche Autonomie über Benotung/Zulassung/Progression), Aufsichtsstufe O0–O4 (unspezifiziert → retrospektive Prüfung → Freigabe vor Nutzung → Kontrolle an Kontrollpunkten → kontinuierliche begrenzte Überwachung*) und Evidenzreifestufe M0–M5 (Konzept → Prototyp/Benchmark → Teilnehmendenevaluation → authentischer Einsatz → erweitert/mehrere Standorte → repliziert/institutionelle Skalierung) — sowie eine Verhältnismäßigkeitsregel: zulässige Autonomie sollte weder die Evidenzreife noch die Stärke der Aufsicht überholen (z. B. verlangt ein folgenreiches A4-System Evidenz der Stufe M4–M5, rechtliche Validierung und O4 mit menschlicher Letztentscheidung). Die Angabe A2–O3–M3 verwandelt vage Behauptungen über „agentische Einsätze“ in vergleichbare, überprüfbare Spezifikationen und gibt Institutionen eine Grammatik für gestufte Einführung, Protokollierung und Rücknahme — das evidentielle Komplement zum oben genannten Copilot-zu-Autopilot-Spektrum.
  • Adversariales Robustheitstesten: Multi-Agenten-Stresstests koordinieren Verhörer-, Ziel- und Richter-Agenten, um Fehlermodi sichtbar zu machen, die für das Testen mit einer einzelnen Strategie unsichtbar bleiben, und senken die Robustheitswerte um 0,17–0,20 Punkte — kritisch für Konsistenz der Persona und sicheren Einsatz mit Lernenden.
  • Domänenanwendungen: Agentische Systeme treten in vielen Domänen auf, darunter adaptive Lernagenten, pädagogische LLM-Agenten, begleitetes LLM-Scaffolding, gamifizierte Lernagenten für Cybersicherheit und Agenten für klinische Simulation.
  • Web-Agenten als Evaluatoren von Lernerfahrungen: Ein einzelner autonomer „beschreibender“ Web-Agent, der eine Online-Unterrichtsstunde wie ein Lernender navigiert — Wang, Mitchell & Piech (2025) — erzeugt eine Beschreibung, die reichhaltig genug ist, um Studienabbrüche vorherzusagen und der gestaltenden Person noch vor dem Einsatz echter Lernender verwertbares Feedback zu geben; er übertrifft eine vollständig simulierte Kohorte und jede Baseline in einem globalen CS1-Kurs. Das positioniert agentische Evaluation (ein Agent als Ersatz für einen Kritiker einer Lernerfahrung) als eigenständige, kostengünstige Nutzung agentischer KI neben Agenten, die lehren oder gestalten.

Multi-Agenten-Systeme

Ein wachsender, eigener Strang agentischer KI betrifft Multi-Agenten-Systeme, die mehrere spezialisierte Agenten mit unterschiedlichen Rollen orchestrieren. Die Wissensbasis dokumentiert mehrere Architekturen: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation paart einen Generierungs- mit einem Validierungsagenten für die Fragenerstellung mit menschlicher Aufsicht; adversariales Testen koordiniert Verhörer-/Ziel-/Richter-Agenten; Multi-Agenten-Klassenräume (z. B. MAIC mit Archetypen für Lehrkraft, Tutor und Kommilitone) schaffen vielfältige Peer-Lern-Dynamiken; und soziales Lernen mit mehreren Agenten erkundet, wie interagierende Agenten Lernen prägen. Multi-Agenten-Design wirft eigene Fragen zur menschlichen Aufsicht auf (welcher Agent ist verantwortlich, und wo greift ein Mensch ein?), zu Koordinationskosten und dazu, wie Rollendifferenzierung Scaffolding (Gerüstbildung) unterstützt oder erschwert.

Zwei Systeme aus dem Jahr 2026 schärfen, was Rollenspezialisierung einbringt — und wo sie aufhört, sich zu rentieren. MeduAI-SP (Yang et al., 2026) verteilt die Anleitung klinischer Interviews auf vier LLM-Agenten — einen Patientenagenten, einen sokratischen Tutor-Agenten, einen Bewerter auf Zugebene und einen Abschlussbewerter —, von denen jeder eine eigene instruktionale Funktion trägt. Die Architektur verschweigt Antworten absichtlich: Dem Tutor war es untersagt, die Diagnose oder Fallantworten offenzulegen, und die OSCE-Werte des Abschlussbewerters blieben während der laufenden Begegnung verborgen. Nicht die rohe Modellfähigkeit, sondern die Rollenspezialisierung ist es, der der Versuch das verbesserte Beratungsverhalten zuschreibt (71,8 % gegenüber 55,6 % in der Abschlussprüfung), und bietet damit eine konkrete Vorlage für pädagogisch ausgerichtetes Multi-Agenten-Design. Eine zweite Studie verweist auf die Grenzen dieses Musters: In einem Ethik-Diskussionssystem mit 45 Studierenden in 15 Gruppen (Seo et al., 2026) erzeugten drei LLM-Personas, die Fürsorge-, deontologische und pragmatische Ethik verkörperten, untereinander keine signifikanten Unterschiede, und alle wurden bei Beitrag, Vielfalt und Einfluss niedriger bewertet als menschliche Peers (alle Kruskal-Wallis p < .001). Die Autoren führen die Lücke auf sykophantisches Einverständnis zurück — die Agenten akzeptierten nahezu jeden Beitrag, sofern er nicht gänzlich falsch war — sowie auf fehlende sichtbare Begründung, und argumentieren, aufgabenfokussiertes Agentendesign müsse Prozesstransparenz mit Sicherheitsvorkehrungen paaren (Rahmung als fehlbare Peers, eine eigene Questioning-Phase), um Überabhängigkeit zu vermeiden.

Einen Schritt über die Orchestrierung weniger spezialisierter Agenten hinaus geht das vollständige agentische Multi-Agenten-Ökosystem, das Sudarshan et al. (2026) vorschlagen: eine institutsweite Plattform, die Lern-, Lehr- und Verwaltungsagenten durch funktionsübergreifende Feedback-Schleifen und verteilte Intelligenz koordiniert. Ihr charakteristischer Zug ist, Inklusion als architektonisches Anliegen erster Klasse zu behandeln — Barrierefreiheit, kognitive Unterstützung und Wohlbefinden-Agenten so zu koordinieren, dass Lernende mit sonderpädagogischem Förderbedarf in Echtzeit über kognitive, sensorische und emotionale Dimensionen hinweg unterstützt werden, statt von einem isolierten Assistenzwerkzeug bedient zu werden. Die Arbeit verortet dies in einer Mensch-KI-Koevolution-Schleife (menschliches Verhalten und menschliche Entscheidungen prägen die KI-Anpassung, die ihrerseits die menschliche Fähigkeit erweitert), die den Menschen im Loop behält.

  • Teilnehmendenspezifische LLM-Agenten für kollaboratives Problemlösen. Fang (2026) feintunt individuelle LLM-Agenten an echten Dialogdaten von Teilnehmenden, um jeden Teilnehmenden in Simulationen kollaborativen Problemlösens zu repräsentieren, mit probabilistischer Auswahl von Sprecher und thematischem Code sowie Gedächtnis aus gleitendem Fenster plus Zusammenfassung. Validiert mit Epistemic Network Analysis sind die simulierten Dialoge statistisch nicht von echten zu unterscheiden (ENA-Distanz 0,17, Permutation p = 0,65) — ein Beleg dafür, dass agentische KI authentischen kollaborativen Diskurs reproduzieren kann.
  • Sozial intelligentes Multi-Agenten-Tutoring. Prototypen sozial intelligenten Multi-Agenten-Tutorings wie ASTRA untersuchen, wie Lernende sich in Dyaden mit KI koordinieren, und nutzen differenzierte Tutor- und Facilitator-Agenten, um Koordination und ausgewogene Beteiligung anzuregen. Die spurbasierte Evaluation des Frameworks ermöglicht reproduzierbare Analysen von Interaktion, Beteiligungsbalance und Verifikation in der Einführungsprogrammierung.

Die zentrale Spannung: Automatisierung versus Lernen

Die Arbeit zu pädagogischen Best Practices formuliert die bestimmende Spannung des Feldes: Während Bildungs-KI von passiven Chatbots zu proaktiven Agenten übergeht, die Ziele initiieren und verfolgen, verbessert sich die Personalisierung, aber Handlungsfähigkeit der Lernenden (Handlungsfähigkeit der Lernenden) und kognitive Anstrengung sind in Gefahr. Je mehr ein Agent automatisiert, desto weniger kognitive Arbeit leistet der Lernende. Die Designantwort — absichtliche Friktion, dynamisches Scaffolding (Gerüstbildung), Human-in-the-Loop-KI-Aufsicht und überlegte KI-Nutzung — wirkt als prinzipientreues Leitplankensystem. Das verbindet sich mit Wünschenswerte Schwierigkeiten, Soziokulturelles Lernen und dem Risiko von Überabhängigkeit sowie mit dem übergreifenden Thema, Handlungsfähigkeit der Lernenden in KI-vermitteltem Lernen zu bewahren.

Eine empirische Prüfung kommt aus einem Praxisbericht über Spec-Driven Development in einem Software-PBL-Kurs (Tanaka et al. 2026): Studierende, die über Entwicklungsphasen hinweg KI-Agenten nutzten, erzeugten mehr Code, zeigten aber Einbrüche im Codeverständnis, die sich erst nach Einzelinterviews mit der Lehrkraft erholten — konkrete Feldevidenz für die Spannung zwischen Automatisierung und Lernen und für Human-in-the-Loop-KI-Monitoring als Gegenmaßnahme.

Die Übersichtsliteratur verwandelt diese Prinzipien in messbare Design-Leitplanken statt vager Absichten. Zum Scaffolding empfehlen Kostopoulos et al. (2025) Fading-Protokolle — die Häufigkeit von Hinweisen nach jedem erfolgreichen Versuch schrittweise reduzieren — und die Ausrichtung auf ein Hilfesuche-Verhältnis (KI-initiierte Hinweise ÷ gesamte Studierendenaktionen) unter 0,3, damit nicht der Agent den Großteil der Interaktion treibt. Damit verbinden sie reflexive Kontrollpunkte (z. B. den Lernenden bitten, seine Überlegungen zu erklären, bevor der Agent den nächsten Hinweis gibt) und adaptive Fading-Kurven, deren Eingriffswahrscheinlichkeit mit steigender Kompetenz sinkt. Zur Transparenz sollten Agenten eine Begründung „Warum dieser Vorschlag?“ offenlegen und zeitgestempelte Entscheidungsprotokolle (Begründung des Agenten, Datenquellen, Entscheidungen) zur instruktionalen Prüfung verfügbar halten. Zur Fairness raten sie vor dem Einsatz zu Tests auf unterschiedliche Auswirkungen über mindestens drei demografische Gruppen (z. B. Geschlecht, Sprache, Geografie) und zur Einbeziehung vielfältiger Lehrender ins Design. Diese Kennzahlen geben einer Lehrkraft oder gestaltenden Person einen Prüfhebel: Statt zu fragen „Ist der Agent zu hilfreich?“, messen Sie, ob Hinweise ausblenden, ob der Lernende initiiert und ob die Überlegungen des Agenten einsehbar sind.

Ein komplementäres Vokabular für die Autonomiefrage stammt aus der Luftfahrt-Analogie, die Baradziejs (2026) Synthese aufgreift: wie weit ein Einsatz auf dem Copilot-zu-Autopilot-Spektrum liegt — von einem Agenten, der einen Menschen unterstützt, der die Kontrolle im jeweiligen Moment behält, bis zu einem, der die gesamte Aufgabe besitzt, während der Mensch nur überwacht. Dasselbe zugrundeliegende System kann auf jedes Ende hin konfiguriert werden, und die Wahl ist pädagogisch, bevor sie technisch ist. Copilot-artige Konfigurationen (Agent schlägt vor, Lernender entscheidet, Mensch behält das letzte Wort) neigen dazu, Handlungsfähigkeit der Lernenden zu bewahren und die anstrengungsvollen Prozesse zu unterstützen, die Lernen aufbauen; Autopilot-artige Konfigurationen maximieren Aufgabenerledigung und Effizienz, verlagern die kognitive Last aber vom Lernenden weg. Eine Position auf diesem Spektrum zu wählen — pro Aufgabe, nicht einmal global — ist ein konkreter Weg, das Prinzip der „absichtlichen Friktion“ des Feldes zu operationalisieren.

Positive Implikationen von KI-Agenten für die Bildung

Gut gestaltet bietet agentische KI erhebliche Vorteile:

  • Tiefere, stärker adaptive Personalisierung. Dauerhafte Agenten können ein Lerngespräch über viele Züge hinweg aufrechterhalten, verfolgen, was ein Lernender weiß, die Schwierigkeit anpassen und mehrstufiges Scaffolding (Gerüstbildung) sequenzieren — über die einmaligen Antworten früherer Chatbots hinaus. Das unterstützt adaptives und personalisiertes Lernen in großem Maßstab. In Baradziejs (2026) Synthese berichtet die stärkste Evidenz für diese Rolle akademische Zuwächse von 15–25 % und Steigerungen des Engagements um bis zu +40 %, mit besonderem Potenzial für Lernende, die von Einheitsunterricht historisch schlecht bedient wurden (Studierende der ersten Generation, Lernende mit Lernunterschieden, Zweitsprachlernende).
  • Entlastung von Routinearbeit in der Lehre. Agenten können Unterricht planen, Fragen erzeugen und validieren, Feedback entwerfen und spezialisierte Sub-Agenten orchestrieren (z. B. Generator + Validator für die Fragenerstellung) und damit Lehrende für höherwertige Interaktion freimachen. Das ist das Versprechen von Multi-Agenten-Arbeitsabläufen für Lehrende. Insbesondere Assessment-Agenten berichten 90–95 % Übereinstimmung mit menschlichen Korrektoren und 50–70 % weniger Zeitaufwand für die Korrektur, wobei dieselbe Evidenz Bias und den metakognitiven Preis sofortigen, unreflektierten Feedbacks markiert.
  • Reichhaltige, vielfältige Interaktion. Multi-Agenten-Klassenräume und simulierte Peers schaffen vielfältige Interaktionsdynamiken (Peer-ähnlicher Diskurs, konstruktiver Widerspruch, Rollenspiel), die Einzelagenten-Systeme nicht bieten, und unterstützen Kollaboratives Lernen, sokratisches Nachfragen und Simulation.
  • Produktive Friktion. Agenten, die zum Hinterfragen statt zum Zustimmen gestaltet sind, können Lernende zu tieferem Überdenken drängen. Forschung zu adversarialen Designagenten zeigt, dass konstruktiv-konflikthafte Agenten signifikant mehr Designiterationen, breitere Erkundung und höher bewertete Enddesigns anregten (N=48) — eine Form der wünschenswerten Schwierigkeit.
  • Skalierbare Übung und Simulation. Agentenbasierte Simulationen (simulierte Studierende, klinische Szenarien) lassen Lernende in risikolosen Umgebungen üben, bevor sie in der realen Welt anwenden, wie bei klinischer Simulation und simulierten Lernenden.
  • Evidenzbasiertes Scaffolding. Gut fundierte Agenten können Lerntheorie und bekannte Pädagogik in ihren Interaktionen anwenden, und Benchmarks zeigen, dass theorieverankerte Agenten rohes Prompting übertreffen.

Eine schmalere, von Lehrenden selbst gebaute Klasse von Agenten bekommt ein eigenes Argument in El Khoury und Mas Dritte-Raum-Vorschlag: von Lehrenden für einen bestimmten pädagogischen Zweck gestaltete Custom GPTs, Gems und Copilot-Studio-Agenten, die ausdrücklich keine autonomen Systeme sind. Ihr beanspruchter Wert liegt als Übungsraum mit niedrigen Einsätzen — ein Simulator für mündliche Prüfungen, eine Simulation klinischer Kommunikation, ein Avatar für ESL-Aussprache —, in dem Studierende vor dem Urteil üben, während die bewertende Rolle der Lehrkraft intakt bleibt und der Agent außerhalb der sozialen Hierarchien steht, die Studierende mit Peers und Lehrenden navigieren. Zwei Grenzen sind erwähnenswert: Die Autoren schließen agentenbasiertes Benoten durch Design aus dem Rahmen aus, und sie argumentieren, Assessment müsse relational bleiben — die Rolle der Lehrkraft lasse sich nicht durch eine Maschine ersetzen, wohl aber durch sorgfältiges Design erweitern und nachhaltiger machen.

Negative Implikationen und Risiken von KI-Agenten für die Bildung

Dieselbe Autonomie, die diese Vorteile ermöglicht, schafft auch erhebliche Risiken:

  • Erosion von Handlungsfähigkeit und kognitiver Anstrengung der Lernenden. Je mehr ein Agent automatisiert, desto weniger kognitive Arbeit leistet der Lernende. Proaktive Agenten, die Aufgaben initiieren, planen und abschließen, können Lernende als passive Konsumenten zurücklassen und die anstrengungsvollen Prozesse aushöhlen — Entwerfen, Erinnern, Überarbeiten —, die dauerhaftes Lernen aufbauen. Das ist die zentrale Sorge um Überabhängigkeit und Handlungsfähigkeit der Lernenden. Der Effekt ist messbar: In Baradziejs (2026) Synthese schnitten passive Lernende in Umgebungen mit agentischem Tutoring um 8,7 % schlechter ab als Aktives Lernen-Studierende — ein Beleg, dass der Schaden stärker vom Einsatzdesign (den Agenten die kognitive Arbeit machen lassen) folgt als von der Technologie selbst.
  • Überautomatisierung des Lernprozesses. Wenn ein Agent Aufgabenerledigung statt Lernen optimiert, kann er „Antworten“ produzieren, die Verständnis umgehen — genau das Risiko, vor dem das werkzeuginvariante Framework warnt, wo das Artefakt den Lernenden nicht mehr zertifiziert.
  • Reduziertes metakognitives und selbstreguliertes Engagement. Wenn Agenten Planung und Monitoring übernehmen, entwickeln Lernende möglicherweise nicht die Metakognition und Selbstregulation, die die Bildung aufbauen will. Agenten müssen so gestaltet sein, dass sie diese Prozesse hervorlocken, nicht ersetzen.
  • Fehlplatziertes Vertrauen und Verifikationslücken. Autonome Agenten können plausible, aber unvalidierte Ergebnisse erzeugen; Lernende und Lehrende können sie zu sehr vertrauen. Der Bedarf an robuster Verifikation und KI-Kompetenz wächst, je mehr Autonomie Agenten übernehmen.
  • Intransparenz, Koordination und Verantwortlichkeit. Multi-Agenten-Systeme erschweren menschliche Aufsicht: Welcher Agent ist für einen Fehler verantwortlich, und wo greift ein Mensch ein? Koordinationsfehler, Persona-Drift und emergentes Verhalten können Zuverlässigkeit und Pädagogische Sicherheit untergraben.
  • Bias und Gerechtigkeit. Agenten, die auf Daten trainiert wurden, welche Bias kodieren, können ihn in großem Maßstab reproduzieren, und ungleicher Zugang zu leistungsfähigen agentischen Systemen kann Bildungsungerechtigkeit vergrößern. Bias wirkt auf mehreren Ebenen — Trainingsdaten, Architektur, Evaluationskriterien und Testpopulationen — und braucht daher institutionelle Gegenmaßnahmen (Bias-Audits, vielfältige Datensätze, transparente Dokumentation, Einbeziehung von Stakeholdern), nicht einmalige Prüfungen. Eine subtilere, kulturspezifische Form ist epistemische Hegemonie: Weil die meisten agentischen Systeme auf englischsprachigen, westlich produzierten Daten trainiert sind, betten sie bestimmte Annahmen über Wissen, Argumentation und akademischen Register ein. Synthesevidenz dokumentiert, dass Werkzeuge für den Sprachunterricht nicht-westliche rhetorische Traditionen marginalisieren und sprachliche Merkmale nicht-englischer akademischer Kulturen bestrafen, und Globaler Süden-Analysen zeigen, dass agentische Pädagogiken Ungerechtigkeit reproduzieren, wenn sie epistemologische Vielfalt und Infrastrukturbeschränkungen ignorieren.
  • Integrität des Assessments und Verfall von Fähigkeiten. Wenn Agenten auf Abruf Arbeit erzeugen können, wird die Bewertung echten Lernens schwerer, und Überabhängigkeit kann grundlegende Fähigkeiten erodieren lassen — das „Comprehension Debt“- und Zertifizierungsproblem, das das Feld markiert.
  • Ghost Students und die Verifikationslücke. Bozkurt, Crompton & Fell Kurban (2026) beschreiben den „Ghost Student“ — einen digitalen Stellvertreter, der durch die Kopplung von LLMs (der „Geist“) mit agentischen KI-Browsern (der „Körper“) entsteht, der Lernmanagementsysteme navigieren, mit Inhalten interagieren und Assessments mit menschenähnlicher Imitation absolvieren kann, wodurch die tatsächliche Anwesenheit des Lernenden optional wird. Das erzeugt eine Verifikationslücke, die traditionelle Werkzeuge zur Beaufsichtigung und Erkennung strukturell nicht schließen können, und es häuft kognitive Schulden bei dem umgangenen Lernenden an. Während sich KI von generativ zu agentisch verschiebt, wächst diese Bedrohung für Integrität und Verifikation — ein agentisches-spezifisches Risiko über jenen der einrundigen GenAI.

KI-Agenten und akademische Integrität

Agentische KI birgt eigene Bedrohungen der Integrität, die über die Fälle einrundiger GenAI hinausgehen, mit denen das Feld bereits ringt. Weil Agenten über lange Zeithorizonte autonom handeln — und weil „Ghost Students“ (LLM-„Geister“, gekoppelt mit agentischen Browser-„Körpern“) Lernmanagementsysteme navigieren, mit Inhalten interagieren und Assessments mit menschenähnlicher Imitation absolvieren können —, machen sie die echte Anwesenheit des Lernenden optional und erzeugen eine Verifikationslücke, die Beaufsichtigung und Erkennung nicht schließen können. Daraus folgen mehrere Implikationen für die Integrität:

  • Das Artefakt zertifiziert den Lernenden nicht mehr. Wenn ein Agent eine vollständige Abgabe erzeugen, planen und ausführen kann, spiegelt die Qualität des Produkts die Fähigkeit des Agenten wider, nicht die des Lernenden. Das ist das werkzeuginvariante Zertifizierungsproblem in seiner extremen Form — traditionelles „reichen Sie die Arbeit ein“-Assessment verliert seinen Beweiswert.
  • Verifikation, nicht Erkennung, ist die einzige tragfähige Antwort. Erkennungsbasierte Überwachung kann mit autonomen Agenten strukturell nicht mithalten. Die Integritätsfrage verschiebt sich von „Können wir KI-Agenten fangen?“ zu „Können wir verifizieren, was der Lernende tatsächlich kann?“ — das begünstigt prozessbasiertes, interaktives und Human-in-the-Loop-KI-Verifikation.
  • Das Absolvieren bewerteter Studienleistung durch Agenten ist inzwischen nachgewiesen, und es ist ein Validitätsversagen, nicht nur eines der Integrität. Hadjisolomou & El-Haddad (2026) dokumentierten, wie Agenten (Claude for Chrome, Perplexity Comet, Claude Opus) sich in einen laufenden LMS-Kurs für das Grundstudium einloggten und echte bewertete Arbeit aus einer einzigen Anweisung erledigten — ein Quiz mit 10 Fragen, in unter 5 Minuten mit 10/10 bewertet, und ein Diskussionsforumbeitrag, in dem der Agent nach Auswertung der Beiträge von Peers eine glaubwürdige persönliche Lebensgeschichte erfand. Unter Anwendung von Kanes argumentbasiertem Validitätsframework setzen sie eine „Annahme menschlicher Produktion“ an die Basis der Schlussfolgerung zur Benotung: Agentenabschluss entzieht ihr die Grundlage, sodass jede unbeaufsichtigte asynchrone Bewertung — einschließlich ehrlich erreichter — ihre interpretative Stütze verliert, weil die Autorschaft nicht verifizierbar ist. Das Problem als Validität statt als Integrität zu rahmen, ist bedeutsam, weil eine Institution Fehlverhalten ahnden und trotzdem keine Grundlage für die von ihr berichteten Bewertungen haben kann, und weil dieselben Artefakte Programm-Review- und Akkreditierungs-Evidenzketten speisen. Ihre Abhilfe, im Einklang mit dem „Verifikation vor Erkennung“ dieser Seite, ist die Neugestaltung des Assessments für verifizierte menschliche Anwesenheit (Anwesenheit vor Produkt, Integration statt Isolation, Authentizität vor Beliebtheit, Übung mit niedrigen Einsätzen / Anwesenheit mit hohen Einsätzen) mit einem gerechtigkeitsbewahrenden Menü von Optionen für verifizierte Momente.
  • Verantwortlichkeit wird verwischt. In Multi-Agenten-Systemen ist unklar, wer verantwortlich ist, wenn ein autonomer Agent problematische Ergebnisse erzeugt — der Lernende, das System oder die Institution. Das verwischt die Zuschreibung, die Prozesse der akademischen Integrität voraussetzen.
  • Kognitive Schulden häufen sich unbemerkt an. Ghost Students lassen Lernende die anstrengungsvollen Prozesse umgehen, die Verständnis aufbauen, und häufen kognitive Schulden an, die erst sichtbar werden, wenn unabhängige Leistung gefordert ist. Integrität ist daher an echtes Lernen gebunden, nicht nur an Regelbefolgung.
  • Es vergrößert Gerechtigkeitslücken. Lernende mit Zugang zu leistungsfähigeren agentischen Systemen verschaffen sich einen überproportionalen Vorteil, und automatisierte Unterstützung kann die Hilfe für jene erodieren lassen, die sie am meisten brauchen — eine Gerechtigkeit-Dimension der Integrität.

Das verbindet die Diskussion um agentische KI mit der Abdeckung von Akademische Integrität in der Wissensbasis, welche die Antwort als Neugestaltung des Assessments und KI-Kompetenz statt als Erkennung allein rahmt.

Produktive Friktion und soziale Interaktion

Nicht jedes agentische Verhalten muss glatte Assistenz sein. Forschung zu adversarialen Designagenten zeigt, dass Agenten, die konstruktiven Konflikt verkörpern, signifikant mehr Designiterationen, breitere Erkundung von Alternativen und höher bewertete Enddesigns unter angehenden Interaktionsdesignern anregten (N=48) — eine Dynamik produktiver Friktion, bei der der Konfliktagent frustrierend, aber letztlich hilfreich war. Das verbindet sich mit sokratischem Nachfragen und Design-Thinking und veranschaulicht, wie agentische KI tiefes Überdenken statt passive Akzeptanz unterstützen kann.

Eine Studie dazu, wie agentische KI Lernziele über psychologische statt technologische Pfade erreicht, liefert den fehlenden Messwinkel. Pramod und Patil (2026) befragten 398 Wirtschaftsstudierende in Indien und modellierten Autonomie, Kompetenz und Verbundenheit neben Interaktivität, Informationsweitergabe und wahrgenommener sozialer Präsenz; Autonomie war der stärkste motivationale Treiber (β = 0,504) und Interaktivität der stärkste soziale (0,468), wobei Motivation und soziale Präsenz Engagement mit nahezu gleicher Stärke speisten (0,533 und 0,493), bevor Engagement die wahrgenommene Lernleistung vorhersagte (0,671). Die Designlektion ist, dass der soziale Weg nicht automatisch entsteht: Ein Konstrukt der kollaborativen Umgebung bewegte die wahrgenommene soziale Präsenz weniger als schlichte Reaktionsfähigkeit und Informationsweitergabe; einen Agenten also als Chat-Oberfläche statt als Teilnehmenden zu behandeln, lässt den größten Teil dieses Pfads ungenutzt.

Implikationen für Lehrende und Instruktionsdesigner

Für Lehrende, Fakultäten und Instruktionsdesigner verändert agentische KI sowohl, was möglich ist, als auch, was bewacht werden muss:

  • Aufwand auf höherwertige Arbeit umverteilen. Agenten können Unterrichtsplanung, Fragenerzeugung und -validierung, Feedback-Triage und Ressourcenabruf übernehmen. Lehrende sollten diese als automatisierbare Gerüste behandeln, die Zeit freimachen für das, was Agenten nicht können: relationales Lehren, kontextuelles Urteilen und die Gestaltung von Lernerfahrungen. Multi-Agenten-Arbeitsabläufe für Lehrende (AI-TPACK) sind ein vielversprechendes Modell.
  • Die kognitive Arbeit des Lernenden in den Vordergrund stellen. Die zentrale Designfrage ist nicht „Was kann der Agent?“, sondern „Was muss der Lernende tun?“ Instruktionsdesigner sollten agentische Systeme so konfigurieren, dass sie Planung, Monitoring und Anstrengung des Lernenden begleiten statt ersetzen — mit dynamischem Scaffolding (Gerüstbildung) und absichtlicher Friktion, um Handlungsfähigkeit der Lernenden zu schützen und Überabhängigkeit zu vermeiden.
  • Auf Verifikation und Prozess gestalten, nicht nur auf Output. Wenn Agenten auf Abruf Arbeit erzeugen können, zertifiziert das Artefakt Lernen nicht mehr. Lehrende sollten agentische Werkzeuge mit prozessbasiertem Assessment paaren (mündliche Verteidigung, werkzeuginvariante Aufgaben, Verifikationsprüfungen), damit Verständnis — nicht nur Produktion — gemessen wird.
  • Agenten kuratieren und in Pädagogik verankern. Benchmark-Evidenz zeigt, dass theorieverankerte Agenten rohes Prompting übertreffen. Designer sollten Agentenverhalten in etablierten Instruktionsframeworks verankern (z. B. Gradual Release, sokratisches Nachfragen, Lerntheorie), statt auf generisches Tool-Chaining zurückzufallen.
  • Menschliche Aufsicht und Urteil behalten. Multi-Agenten- und autonome Systeme machen Human-in-the-Loop-KI-Design unverzichtbar: entscheiden Sie, wo ein Mensch eingreift, wer verantwortlich ist und wie Fehler aufgefangen werden. Adversariales Testen hilft, Fehlermodi vor dem Einsatz sichtbar zu machen.
  • KI-Kompetenz der Lehrenden aufbauen. Lehrende und Designer brauchen zutreffende mentale Modelle agentischer KI, um diese Systeme zu konfigurieren, zu überwachen und zu kritisieren — und um verantwortungsvolle Nutzung für Lernende vorzuleben. Das verknüpft sich mit KI-Kompetenz von Lehrkräften und Fakultätsentwicklung.
  • Auf Gerechtigkeit achten. Agentische Werkzeuge riskieren, Lücken zu vergrößern, wenn der Zugang ungleich ist oder wenn Automatisierung die Unterstützung für die Lernenden erodiert, die sie am meisten brauchen; gestalten Sie mit Gerechtigkeit im Blick.
  • Institutionelles Gerüst vor der Skalierung aufstellen. Die Einsatzfrage ist nicht nur Design-, sondern Institutionsebene. Baradziejs (2026) Synthese verdichtet die Governance-Evidenz auf drei Säulen: KI-Kompetenz bei Studierenden und Personal entwickeln; ethische Infrastruktur (Datenschutzrichtlinien, Frameworks für algorithmische Rechenschaftspflicht und akademische Integrität) vor dem großen Einsatz aufbauen; und kompetenzbasiertes Training für Lehrende liefern, das über Werkzeugvertrautheit hinaus zu pädagogischen Frameworks geht, die menschliche Handlungsfähigkeit bewahren. Da in manchen nationalen Kontexten nur ~6,5 % der Fakultäten direkte KI-Nutzung berichten, ist die Trainingslücke eine bindende Einschränkung verantwortungsvoller Einführung.

Techniken zur Sicherung akademischer Integrität bei agentischer KI

Weil autonome Agenten Erkennung zunichtemachen, sollten sich Lehrende auf Techniken konzentrieren, die Lernen verifizieren und ehrliche Arbeit sichtbar machen, statt auf Überwachung:

  • Verifikation gegenüber Erkennung bevorzugen. „Reichen Sie die Arbeit ein“ ersetzen oder ergänzen durch Interaktionen, die den Lernenden verpflichten, Verständnis zu zeigen, das er nicht auslagern kann: mündliche Verteidigungen, werkzeuginvariante Aufgaben, live Problemlösen und prozessbasiertes Assessment. Das Ziel ist festzustellen, was der Lernende unabhängig kann, nicht einen Agenten zu fangen.
  • Interaktives und gestuftes Assessment nutzen. Gestufte Abgaben verlangen (Entwürfe, Überarbeitungen, Reflexionen) und nachfolgende konversationelle Prüfungen, die erkunden, ob Studierende ihre eingereichte Arbeit verstehen — die Ansätze des „AI Viva“ und der kognitiven Verwaltung. Ghost Students können eine Live-Befragung, die sie nicht selbst geführt haben, nicht aufrechterhalten.
  • Klare, zweckgebundene Erwartungen setzen. Integritätserwartungen im Zweck des Kurses verankern — welche KI-Nutzung erlaubt ist, wann und warum — statt in abstrakten Regeln. Richtlinien-Klarheit, die auf Pädagogik ausgerichtet ist, reduziert die Ambiguität, die Studierende ausnutzen, und die Fehlurteile, die die Integritätsforschung dokumentiert.
  • KI-Nutzung sichtbar und deklariert machen. Strukturierte, aufgabenspezifische KI-Nutzungserklärungen (die Nutzung kognitiven Stufen zuordnen) erzwingen Reflexion und normalisieren ehrliche Offenlegung und verschieben die Kultur von Verbergung zu Transparenz.
  • KI-Kompetenz als Integritätserziehung aufbauen. Studierenden lehren, Agenten verantwortungsvoll zu nutzen und Ergebnisse kritisch zu beurteilen, und Integrität als echtes Lernen statt als Regelbefolgung rahmen. Das schließt KI-Kompetenz ein, das Verständnis dafür, was Agenten können und nicht können, und den Lernpreis des Umgehens von Anstrengung.
  • Menschen im Loop behalten. Menschliche Aufsicht über Assessment-Entscheidungen behalten, Abgaben mit hohen Einsätzen interaktiv verifizieren und agentische Werkzeuge so gestalten, dass eine Lehrkraft immer eingreifen kann.
  • Die Verifikationslücke mit Interaktion schließen. Für vollständig Online- oder asynchrone Kontexte beaufsichtigte oder interaktive Komponenten nutzen, die Live-Anwesenheit verlangen und die Ghost-Student-Bedrohung direkt adressieren, statt anzunehmen, Erkennung werde sie schon fangen.

Ein ausgewogenes Fazit

Agentische KI ist weder Allheilmittel noch unvermeidlicher Schaden: Ihr Wert hängt vom Design ab. Genutzt, um Handlungsfähigkeit der Lernenden zu begleiten, in Pädagogik verankert und mit Menschen im Loop, können Agenten Lernen personalisieren und vertiefen; genutzt, um Automatisierung und Aufgabenerledigung zu maximieren, können sie genau die Anstrengung erodieren, die Lernen erzeugt. Das wiederkehrende Designprinzip ist Absicht — explizit zu entscheiden, was der Agent tut und was er dem Lernenden bewusst überlässt.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Verknüpfte Ressourcen

  • DeepTutor
    Die Open-Source-Veröffentlichung des agentischen Tutor-Frameworks DeepTutor: ein Arbeitsbereich für Tutoring, Fragenerzeugung, Meisterschaftsübungen, Forschung und Visualisierung, mit einsehbarem Gedächtnis der Lernenden.

Metadaten

FachgebietStem Education
NiveauHigher Ed, K 12
ZielgruppeLearners
Lernen und UnterrichtScaffolding (Gerüstbildung)
Technologien und VerfahrenGenerative KI, Human-in-the-Loop-KI, Intelligentes Tutoring, Große Sprachmodelle (LLMs)
Grundlagen von KI in der BildungHandlungsfähigkeit der Lernenden, Agentische KI, KI-Kompetenz, Kognitive Auslagerung
SourceHistoryEditChat

Diese Seite einbetten

Kopieren Sie den Code unten, um diese Seite in ein Lernmanagementsystem oder eine andere Website einzubetten. Die eingebettete Version zeigt nur den Seiteninhalt — Kopfzeile, Navigation und Fußzeile der Website werden ausgeblendet.