Wie können KI-Agenten Studierende und Lehrende unterstützen?

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

KI-Agenten können über das Beantworten einzelner Fragen hinausgehen, indem sie planen, Werkzeuge nutzen, relevanten Kontext behalten, Teilaufgaben koordinieren und Unterstützung über eine Folge von Interaktionen anpassen. Für Studierende gehören adaptive Tutorings, Studienplanung, formatives Feedback, angeleitetes Problemlösen, Übungsgenerierung, Simulation, Empfehlungen zu Voraussetzungen und reflektierendes oder metakognitives Prompting zu den plausiblen Rollen. Für Lehrende können Agenten bei Materialentwicklung, Fragengenerierung und -validierung, Feedback-Triage, Kurs-Analytics, Instruktionsdesign-Workflows, Ressourcenabruf und der Orchestrierung spezialisierter Agenten helfen.

Wiederkehrende agentische Fähigkeiten

Der Artikel Agentische Workflows in der Bildung beschreibt vier wiederkehrende agentische Fähigkeiten: Reflexion, Planung, Werkzeugnutzung und Multi-Agent-Kollaboration. Jede erweitert die Möglichkeiten, führt aber auch Interpretierbarkeits-, Koordinations-, Vertrauens-, Latenz- und Aufsichtsherausforderungen ein.

Was KI-Agenten gut können (positive Implikationen)

• Anhaltende, adaptive Unterstützung. Anders als Single-Turn-Chatbots können Agenten ein Lerngespräch über viele Turns aufrechterhalten – sich erinnern, was eine lernende Person weiß, Schwierigkeit anpassen und mehrstufiges Scaffolding sequenzieren. Das unterstützt adaptives und personalisiertes Lernen im Maßstab.
• Entlastung der Lehrenden. Agenten können Materialien entwerfen, Fragen generieren und validieren (etwa ein Generator-Validator-Paar), Feedback triagieren und spezialisierte Sub-Agenten orchestrieren, wodurch Lehrende für höherwertige Interaktion frei werden.
• Reiche Interaktion und produktive Reibung. Multi-Agent-Klassenzimmer und simulierte Peers erzeugen vielfältige Dynamiken – peer-artigen Diskurs, konstruktive Uneinigkeit, Rollenspiel –, die kollaboratives Lernen und sokratisches Fragen unterstützen. Agenten, die hinterfragen statt zustimmen, können Lernende zu tieferem Überdenken drängen (konstruktiv-konfliktorische Agenten verbesserten in der Forschung Design-Ergebnisse).
• Risikoarme Übung und Simulation. Agentenbasierte Simulationen (simulierte Studierende, klinische Szenarien) lassen Lernende in sicheren, wiederholbaren Umgebungen üben, bevor sie in der Praxis anwenden.

Zentrale Risiken und Vorbehalte (negative Implikationen)

• Überautomatisierung kann Lernen aushöhlen. Je mehr ein Agent automatisiert, desto weniger kognitive Arbeit leistet die lernende Person. Proaktive Agenten können Studierende als passive Konsumierende zurücklassen, die anstrengungsvollen Prozesse schwächen, die dauerhaftes Lernen aufbauen, und das Risiko von Überabhängigkeit erhöhen.
• Reduziertes metakognitives Engagement. Wenn Agenten Planung und Monitoring übernehmen, entwickeln Lernende möglicherweise die Metakognition und Selbstregulation nicht, die Bildung aufbauen soll. Agenten sollten diese Prozesse hervorlocken, nicht ersetzen.
• Fehlplatziertes Vertrauen und Verifikationslücken. Autonome Agenten können plausible, aber unvalidierte Ausgaben erzeugen; Lernende und Lehrende können sie übervertrauen. Robuste Verifikation und KI-Kompetenz werden wichtiger, je mehr Autonomie Agenten gewinnen.
• Intransparenz und Rechenschaftspflicht. Multi-Agent-Systeme erschweren menschliche Aufsicht – welcher Agent ist für einen Fehler verantwortlich, und wo greift ein Mensch ein? Koordinationsfehler und Persona-Drift können Verlässlichkeit und pädagogische Sicherheit untergraben.
• Gerechtigkeit und Bias. Agenten können Bias aus Trainingsdaten im Maßstab reproduzieren, und ungleicher Zugang zu leistungsfähigen agentischen Systemen kann Ungleichheit vergrößern.

Was die Belege bislang zeigen

Konkrete Ergebnisse – und Vorbehalte – häufen sich. Tutor CoPilot – die erste randomisierte kontrollierte Studie eines Mensch-KI-Systems im Live-Tutoring – gab Novizen-Tutorinnen und -Tutoren Echtzeit-Anleitung auf Expertenniveau, gewonnen aus der Argumentation erfahrener Tutorinnen und Tutoren: über 900 Tutoren und ~1.800 Studierende hinweg beherrschten Studierende von Tutoren mit Zugang Themen mit 4 Prozentpunkten höherer Wahrscheinlichkeit, steigend auf 9 Prozentpunkte bei den am niedrigsten bewerteten Tutoren, deren Studierende zu denen höherbewerteter Tutoren in der Kontrollgruppe aufschlossen. Es kostete etwa $20 pro Tutor jährlich, und die Analyse von 550.000+ Tutoring-Nachrichten zeigte, dass Tutoren sich dahin verlagerten, leitende Fragen zu stellen, statt Antworten zu verraten – ein klarer Fall von KI, die die Lehrperson erweitert statt ersetzt.

Aber „agentisch" ist nicht automatisch besser. Eine Studie mit 130 Studierenden in einem E-Commerce-Kurs fand sowohl GenAI-Chatbots als auch GAI-Agenten höher bewertet als traditionelles E-Learning bei Lernunterstützung und Personalisierung – doch kein statistisch signifikanter Unterschied zwischen Chatbot- und Agentenbedingung, sodass zusätzliche Autonomie sich nicht in zusätzlichen Lernwert übersetzte. Das vorgeschlagene Agentic-GAI-Supported-Learning-Framework behandelt Agenten deshalb als begrenzte, menschlich überwachte Lernpartner, mit Zielen, Kontrollpunkten und abschließenden Entscheidungen, die Menschen vorbehalten bleiben.

Zwei weitere Vorbehalte sind bedeutsam. Erstens Wash-out: randomisierte Studien zeigen, dass selbst kurze KI-Unterstützung spätere unbegleitete Leistung senken kann, und das Intervall nach dem Entzug – benannt cognitive washout – ist fast vollständig ungemessen, sodass die Dauerhaftigkeit agentenunterstützter Lernzuwächse unbekannt ist. Zweitens Evaluation: der Einsatz von acht KI-Lehragenten über ein medizinisches Curriculum hinweg ordneten plattformgenerierte Werte Agenten anders als eine unabhängige Expertenrubrik (der von der Plattform drittplatzierte Agent rangierte bei Unterrichtsqualität zuletzt), weil Plattformwerte Studierendenleistung indexieren statt die Unterrichtsqualität des Agenten. Der KI-Governance-Review Beyond the Agent Label fügt eine Verhältnismäßigkeitsregel hinzu – Autonomie sollte nicht die Reife der Belege oder die Stärke rechenschaftspflichtiger menschlicher Kontrolle übersteigen – und hält fest, dass die Belege für Artefakt-Ergebnisse am stärksten und für dauerhaftes Lernen und Gerechtigkeit am schwächsten sind. Für den Aufbau siehe Was sind Best Practices für die Entwicklung eines wirksamen KI-Tutors?; für die Bewertung, ob er funktioniert, siehe Welche Maße und Forschungsmethoden kann eine Lehrkraft nutzen, um KI-bezogene Interventionen zu evaluieren?.

Stand der Belege

Die Belegbasis ist noch im Entstehen. Die Synthese Agentic AI in der Bildung der Wissensbasis stützt sich auf einen Scoping Review von 474 Studien, hält aber erhebliche Konzentration in Hochschulbildung, STEM, kurzfristigen Designs und textbasiertem Tutoring fest; nur eine Minderheit der begutachteten Arbeit gründete ihre Systeme explizit in Bildungstheorie, und belastbare langfristige Validierung im Unterricht bleibt begrenzt.

Die zentrale Designwarnung ist deshalb, größere Autonomie nicht mit besserem Lernen gleichzusetzen. Agentic AI und pädagogische Best Practice empfiehlt intentionale Reibung, dynamisches Scaffolding und menschliche Aufsicht, damit Agenteninitiative nicht die eigene Planung, Überwachung, Urteil und Anstrengung der lernenden Person entfernt. Siehe auch Intelligent Tutoring und Human-in-the-Loop KI.