Der KI-Tutor half erst, als er die Kinder ausbremste.

Was ist passiert?

Die Studie „Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment" stammt von Forschenden der University of Toronto und der Wharton School der University of Pennsylvania; Erstautor ist der Ökonom Philip Oreopoulos. Sie wurde am 17. August 2026 als Arbeitspapier des National Bureau of Economic Research veröffentlicht und ist noch nicht begutachtet.

Der Aufbau ist ungewöhnlich sauber. Über 6.000 Lernende wurden zufällig auf vier Bedingungen verteilt, aufgespannt aus zwei Faktoren: konventionelle Lernsoftware oder dieselbe Software mit einem KI-Tutor namens „Numi"; und jeweils mit oder ohne Mastery-Regel. Die Software ähnelte in Aufbau und Anmutung Khan-Academy-Übungen. Gearbeitet wurde einmalig 50 Minuten im regulären Mathematikunterricht, eine Woche später folgte ein 15-minütiger Test.

Warum die Kombination wirkte

Ohne KI konnten Lernende nach einem Fehler eine Musterlösung Schritt für Schritt einsehen. Genau darin liegt das Problem: Man kann eine Musterlösung überfliegen und weiterklicken, ohne verstanden zu haben, wo der eigene Denkfehler lag. Der KI-Tutor reagierte stattdessen auf die konkrete Rechnung des Kindes und führte durch den Fehler hindurch — und forderte gelegentlich auf, selbst den Schritt auszuwählen, der noch einmal angeschaut werden sollte.

Für sich genommen reichte das nicht. Erst zusammen mit der Wiederholungsregel entstand ein messbarer Effekt. Die Autoren lesen den Mechanismus so: Die Mastery-Regel hält die Lernenden an der Fertigkeit fest, der KI-Tutor sorgt dafür, dass diese zusätzliche Zeit nicht als stumpfes Wiederholen verstreicht. Die Belege dafür sind indirekt, aber konsistent — diese Gruppe brauchte am meisten Zeit pro Aufgabe und traf nach einem Fehler häufiger als alle anderen die nächste Aufgabe richtig.

Das Ergebnis in Zahlen

Warum das trotz kleiner Effektgröße relevant ist

Die Befundlage zu generativer KI im Unterricht ist seit zwei Jahren überwiegend ernüchternd bis negativ: Systeme, die Lösungen ausgeben, kürzen den Lernprozess ab, statt ihn zu stützen. Vor diesem Hintergrund ist ein sauber randomisierter Nachweis eines positiven Effekts bemerkenswert — auch wenn er klein ist.

• Der Wirkmechanismus ist gestaltbar. Nicht „KI" hat geholfen, sondern eine bestimmte Interaktionsregel. Das verschiebt die Debatte von der Frage, ob Schulen KI einsetzen sollen, hin zu der Frage, wie die Software den Umgang mit Fehlern organisiert.
• Langsamer ist hier besser. Der Produktivitätsversprechen-Reflex — KI macht Dinge schneller — läuft im Lernkontext genau falsch herum. Die erfolgreiche Gruppe war die langsamste.
• Mastery-Schwellen brauchen Inhalt. Drei korrekte Antworten in Folge sind in Lernsoftware ein Standardkriterium. Die Studie zeigt, dass diese Schwelle für sich wenig aussagt — man kann sich durch Raten oder bloße Wiederholung hindurchbewegen. Erst die inhaltliche Fehlerbesprechung macht sie zu einem Lernereignis.

„Ich möchte nicht behaupten, dass wir gezeigt haben, KI sei der erhoffte Wendepunkt. Aber es könnte der erste Hinweis darauf sein, dass sie überhaupt einen Wert hat." — Philip Oreopoulos

Was bleibt offen?

Die Grenzen benennen die Autoren selbst deutlich. Der Vorteil zeigte sich vor allem bei den einfachsten Bruchaufgaben — also jenen, die dem Geübten am ähnlichsten waren. Auf anspruchsvollere Aufgaben übertrug er sich nicht. Ein tieferes oder transferfähiges Verständnis von Brüchen ist in dieser Studie nicht entstanden. Andererseits handelte es sich um eine einmalige Sitzung von 50 Minuten; was dieselbe Kombination über Monate bewirkt, ist schlicht unbekannt.

Oreopoulos warnt ausdrücklich vor dem Schluss, Mastery Learning sei nun der beste Weg, KI im Mathematikunterricht einzusetzen. Getestet wurden vier Kombinationen — es kann bessere geben. Sein erklärtes Ziel ist die fortlaufende Erprobung einzelner Softwaremerkmale gegeneinander. Genau dieser Ansatz, nicht das einzelne Ergebnis, ist die eigentliche Nachricht: Bildungstechnologie beginnt, sich wie ein empirisches Feld zu verhalten.

Original-Quellen

Projektbeschreibung des Numi-Tutors bei J-PAL: povertyactionlab.org