KI zur Individualisierung und Beschleunigung von Lernprozessen
Generative KI verändert nicht nur die Art und Weise, wie Studierende Aufgaben bearbeiten, sondern auch die Möglichkeiten, Lernprozesse zu gestalten. Sie kann beispielsweise dabei unterstützen, Lernangebote stärker an unterschiedliche Lernstände, Vorkenntnisse und Bedürfnisse anzupassen. Gleichzeitig können KI-Tools bestimmte Arbeitsschritte beschleunigen und dadurch Freiräume für Analyse, Diskussion und Reflexion schaffen.
In einem vorangegangenen Beitrag wurden bereits drei prämierte Lehrveranstaltungen vorgestellt, in denen generative KI als Sparringspartner, kritisches Gegenüber und Werkzeug zur Förderung kritischer Denkprozesse eingesetzt wird. Die beiden folgenden Konzepte aus der Innovativen Lehre 2026 setzen an zwei anderen Potenzialen an: Individualisierung und Prozessbeschleunigung.
Unterschiedliche Wege zum Ziel
Die Möglichkeit zur Individualisierung ist besonders für heterogene Lerngruppen interessant. Studierende bringen unterschiedliche Vorkenntnisse, Erfahrungen und Lerngeschwindigkeiten mit, bearbeiten aber häufig dieselben Aufgaben. Generative KI kann hier zusätzliche Differenzierung ermöglichen, indem Aufgaben in unterschiedlichen Schwierigkeitsstufen erstellt, mit verschiedenen Hinweisen ergänzt oder an bestimmte Vorkenntnisse angepasst werden. Samat et al. (2026) konnten z.B. zeigen, dass KI-gestützte adaptive Curriculumentwicklung sowohl die Leistung als auch das Engagement der Studierenden fördern kann. Damit entsteht die Möglichkeit, den Studierenden individuelle Lernwege und Unterstützungsmöglichkeiten auf dem Weg zu einem gemeinsamen Lernziel anzubieten.
Zeit gewinnen, ohne Lernprozesse abzukürzen
Auch für die Beschleunigung von Lern- und Arbeitsprozessen eröffnet generative KI neue Möglichkeiten. Sie kann etwa beim Strukturieren von Informationen, der Entwicklung erster Ideen oder der Überarbeitung von Entwürfen unterstützen. Die gewonnene Zeit kann anschließend für Analyse, Bewertung, Diskussion und Reflexion genutzt werden. Studien zeigen, dass generative KI bei bestimmten Aufgaben sowohl Zeitersparnisse als auch Qualitätsgewinne ermöglichen kann (Dell’Acqua et al., 2026; Connell Pensky et al., 2025).
Gleichzeitig ist Beschleunigung aus didaktischer Sicht nicht immer wünschenswert: Lernen braucht auch Phasen kognitiver Anstrengung, in denen Studierende selbst nach Lösungen suchen, Zusammenhänge herstellen oder ihre Überlegungen überarbeiten. Solche „desirable difficulties“ (Bjork & Bjork 2011) sind gerade für nachhaltiges Lernen wichtig. Hinzu kommt, dass KI-Unterstützung nicht für jede Aufgabe und für alle Studierenden gleich gut funktioniert. Während KI bei manchen Aufgaben unterstützt, kann sie bei anderen zu schlechteren Ergebnissen führen. Und nicht nur das: auch das Vorwissen der Studierenden, wie auch die Fachkompetenz und die Kompetenz im Umgang mit KI spielen eine Rolle. So zeigen Studien Unterschiede darin, wie leistungsstärkere und leistungsschwächere Lernende mit KI interagieren. Bergenholtz et al. (2026) fanden beispielsweise in einer zeitkritischen, schlecht strukturierten Prüfungsaufgabe gegenläufige Effekte: Leistungsschwächere Studierende verbesserten sich mit KI-Unterstützung, während leistungsstärkere schlechter abschnitten.
Für die Lehre ist daher entscheidend, nicht einfach möglichst viele Arbeitsschritte zu beschleunigen, sondern gezielt jene auszuwählen, bei denen KI-Unterstützung Raum für weitergehende Lernaktivitäten schafft. Welche Schritte Studierende weiterhin selbst durchführen sollten, hängt wesentlich von den Learning Outcomes ab.
Die beiden Beispiele aus der Innovativen Lehre 2026 zeigen, wie generative KI didaktisch sinnvoll eingesetzt werden kann.
Individualisierte Lernpfade mit KI
In der Lehrveranstaltung Sustainable Finance and Reporting von Karl Weinmayer, Christian Rammel und Daniel Schmelz arbeiten Studierende bereits vor der Präsenzphase mit einem KI-gestützten Lernsystem. Ausgangspunkt ist ein kurzes Simulationsspiel, in dem die Studierenden Entscheidungen innerhalb eines Unternehmensszenarios treffen. Daraus leitet das System den individuellen Wissensstand ab und stellt passende Lerneinheiten zusammen. Kurze Verständnischecks ermöglichen es, die Inhalte laufend an den jeweiligen Lernfortschritt anzupassen. Auf diese Weise werden bestehende Wissenslücken gezielt geschlossen und unterschiedliche Vorkenntnisse angeglichen, sodass eine gemeinsame Wissensbasis für die anschließende Präsenzphase geschaffen werden kann.
Übertragbar sind in diesem Beispiel vor allem die Möglichkeiten, KI zur Erstellung differenzierter Lerninhalte einzusetzen. Inhalte, Aufgabenstellungen und Übungen können mit Unterstützung von KI für unterschiedliche Vorkenntnisse und Schwierigkeitsgrade angepasst werden. So lassen sich beispielsweise zu einem gemeinsamen Thema grundlegende Aufgaben zur Festigung von Basiswissen sowie anspruchsvollere Aufgaben zur Vertiefung erstellen. Gerade bei heterogenen Lerngruppen ermöglicht dies, unterschiedliche Ausgangslagen zu berücksichtigen und Studierenden passende Lernangebote bereitzustellen.
Prozessbeschleunigung mit KI
Im Kurs E&I Zone: AI Bootcamp for Entrepreneurs von Peter Keinz, Daniel Cronin, Andreas Lederer und Thomas Plank wird generative KI eingesetzt, um komplexe Analyse- und Entwicklungsprozesse innerhalb kurzer Zeit möglichst effizient zu bearbeiten. Die Studierenden nutzen KI unter anderem zur Strukturierung von Problemstellungen, zur Entwicklung erster Entwürfe, zur Verdichtung von Informationen und zur Erzeugung unterschiedlicher Lösungsvarianten. Dadurch lassen sich einzelne Arbeitsschritte, die üblicherweise nacheinander erfolgen, schneller durchlaufen. KI-generierte Gliederungen, Analyseansätze oder Konzeptskizzen bilden dabei jedoch nicht das Endergebnis. Sie werden miteinander verglichen, kritisch geprüft, weiterentwickelt und schließlich in eine eigenständige, fachlich begründete Lösung überführt.
In anderen Lehrveranstaltungen kann dieser Ansatz aufgegriffen werden, indem Lehrende komplexe Arbeitsprozesse gemeinsam mit den Studierenden in einzelne Schritte unterteilen und untersuchen, in welchen Phasen KI sinnvoll unterstützen kann und wo menschliche Beurteilung unverzichtbar bleibt. Dabei lohnt es sich auch zu fragen, welche Arbeitsschritte bewusst nicht beschleunigt werden sollten, weil gerade das Ausprobieren oder Überarbeiten Teil des Lernprozesses sind. Die Auswahl geeigneter Ansätze, ihre fachliche Validierung und die Verantwortung für das Ergebnis verbleiben jedoch bei den Studierenden. Auf diese Weise wird nicht nur effizienteres Arbeiten gefördert, sondern auch ein reflektiertes Verständnis dafür entwickelt, wann Geschwindigkeit einen Mehrwert bietet und wann sie zulasten von Qualität und Lernen gehen kann.
Ob generative KI Lernangebote tatsächlich verbessert, hängt also wesentlich von ihrer didaktischen Einbettung ab. Für Lehrende stellt sich damit die Frage, an welchen Stellen Individualisierung einen Mehrwert schafft und welche Prozesse sinnvoll beschleunigt werden können.
In der Teaching & Learning Academy finden Sie weitere Anregungen für einen erfolgreichen Einsatz von KI in der Lehre.
Quellenverzeichnis:
-
Bergenholtz, C., Vuculescu, O., Günzel-Jensen, F., & Frederiksen, L. (2026). Leveling Up or Leveling Down? The Impact of Generative AI on Student Performance in Business Schools. Academy of Management Learning & Education, 25(2), 155–186. https://doi.org/10.5465/amle.2025.0029
- Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher, R. W. Pew, L. M. Hough, & J. R. Pomerantz (Eds.), Psychology and the real world: Essays illustrating fundamental contributions to society (pp. 56–64). Worth Publishers.
- Connell Pensky, A. E., Usdan, J. H., & Chang, H. (2025). Generative AI’s Impact on Graduate Student Professional Writing Productivity and Quality. International Journal of Artificial Intelligence in Education, 35(6), 4057–4082. https://doi.org/10.1007/s40593-025-00528-z.
- Dell’Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science (Providence, R.I.), 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838.
- Samat, C., Kwangmuang, P., Vongtathum, P., Kanjug, I., Wannasen, T., Duangngern, P., Gessala, N., Sarakan, P., Pitakaso, R., & Wu, T. T. (2026). Generative AI for adaptive curriculum design enhances student performance and engagement in technology enhanced learning environments. Discover Artificial Intelligence, 6(1), 555. https://doi.org/10.1007/s44163-026-01264-6.