Ein Fest zum Ausprobieren

Der Dekan begann mit einem Geständnis: Vieles von dem, was an diesem Jubiläum digital zu erleben war – das WM-Tippspiel, die Website mit der Mechanik ihres Pixel für Pixel wachsenden Logos, die Plakate, viele der Mitmach-Stationen –, sei mit KI-Werkzeugen entstanden, oft jenseits dessen, was er selbst aus dem Stand programmieren könnte. Wenn schon ein einzelner Professor mit KI Dinge weit jenseits des eigenen Könnens baue, wozu dann überhaupt noch studieren?

Diese Erfahrung sollten auch die Erstsemester machen. Die Projekt-Werkstatt weiter oben war genau dieses Experiment: Projektgruppen aus der Einführungsvorlesung bekamen KI-Werkzeuge finanziert, dazu die Ansage, so weit zu kommen wie möglich. Das Ergebnis fiel gemischt aus. Auf die Frage, wo sein Programm eigentlich laufe – auf dem Laptop, in der Cloud, wo die Daten lägen –, habe ein Studierender keine Antwort gehabt und sei nicht einmal auf die Idee gekommen, die KI zu fragen, die den Code geschrieben hatte. Die naheliegende Erklärung sei griffig gewesen: „A fool with a tool is still a fool.“ KI als bloßer Multiplikator, der vervielfacht, was jemand mitbringt: Wer viel mitbringe, baue ein ganzes Fest; wer wenig mitbringe, produziere teuren Datenmüll. Null mal Werkzeug bleibt null.

Diese Erklärung habe ihn ein Jahr lang überzeugt – bis eine Studie ihn ins Grübeln brachte. In einem Feldexperiment ließ ein Team um Fabrizio Dell’Acqua (Harvard) gemeinsam mit der Boston Consulting Group 758 Unternehmensberatende realistische Aufgaben lösen – nach Zufall verteilt auf drei Gruppen: ohne KI, mit GPT-4 oder mit GPT-4 samt kurzer Prompting-Einführung. Wer profitiert mehr, hatte der Dekan das Publikum zuvor raten lassen, die Starken oder die Schwachen? Die meisten tippten auf die Starken. Tatsächlich legte die schwächere Hälfte um 43 Prozent zu, die stärkere nur um 17 – die Schere schloss sich. Wäre KI bloß ein Experten-Verstärker, müssten gerade die Schwächeren am wenigsten gewinnen. Dieselbe Untersuchung zeigte aber auch die Kehrseite. KI beherrscht manche Aufgaben verblüffend gut und scheitert an anderen – wo die Grenze verläuft, sieht man ihr nicht an. Bei einer Aufgabe jenseits dieser Grenze lösten die Beratenden mit KI seltener richtig: Ihr Anteil korrekter Lösungen lag 19 Prozentpunkte unter dem der Gruppe ohne KI – der Output sah aus wie Erfolg und war subtil falsch. Also korrigierte der Dekan seinen Satz: Der Multiplikator multipliziere nicht Können, sondern Urteil. Ob KI hebt oder spreizt, entscheide die Aufgabe, nicht die Person.

Beleg: Dell’Acqua et al., „Navigating the Jagged Technological Frontier“ (2023) · papers.ssrn.com

Damit verschiebe sich die Latte. Für reine Stoffvermittlung, räumte er ein, sei die klassische Vorlesung kaum zu verteidigen: In einem Harvard-Experiment mit knapp 200 Physikstudierenden lernte die Gruppe mit einem eigens gebauten KI-Tutor etwa doppelt so viel wie die Vergleichsgruppe im aktiven Präsenzunterricht, Harvards evidenzbasierter Lehrmethode mit Gruppenarbeit und Feedback – in weniger Zeit und bei höherem Engagement. Zugleich träfen die Umbrüche die Jüngsten zuerst: Eine Auswertung US-amerikanischer Beschäftigungsdaten fand in den am stärksten KI-exponierten Berufen rund 16 Prozent weniger junge Beschäftigte, bei jungen Softwareentwickelnden rund 20 Prozent, während erfahrene Kräfte stabil blieben. Die Autoren mahnen selbst zur Vorsicht: Die Rückgänge ließen sich nicht allein auf KI zurückführen – ein frühes Signal, kein Naturgesetz. Und wo KI ergänze statt ersetze, bleibe die Beschäftigung stabil. Es verschwinde nicht die Arbeit, sondern das reine Ausführen.

Belege: Kestin et al., Scientific Reports (2025) · doi.org  ·  Brynjolfsson, Chandar & Chen, „Canaries in the Coal Mine“, Stanford Digital Economy Lab (2025) · digitaleconomy.stanford.edu

Trotzdem sei ein Studium notwendiger denn je – wegen KI, nicht trotz ihr. Denn die Lücke bei den Erstsemestern sei nicht fehlendes Wissen gewesen: Gefragt, sagten sie genau das Richtige – man müsse sich jeden Schritt erklären lassen, das Werkzeug hinterfragen. Und dann klickten sie „Übernehmen“ und scrollten weiter. Was fehle, sei die Gewohnheit, innezuhalten und auszusprechen, was man gerade nicht verstehe. Genau das lasse sich lehren – der Harvard-Tutor etwa war angewiesen, nie die fertige Lösung zu zeigen, sondern immer nur einen Schritt. Und ein Studium sei mehr als Stoff: Kuration, weil jemand entschieden hat, was zählt und in welcher Reihenfolge, und Sozialisation durch die Leute nebenan, mit denen man dreimal aneinandergerät, bevor etwas läuft.

Dem Saal gab der Dekan zum Schluss eine Frage für den Rundgang mit: „Wo läuft dein Code?“ Interessant sei weniger, ob die Antwort stimmt – sondern wie präzise jemand benennen kann, welcher Teil des eigenen Systems gerade nicht durchschaut wird.