Warum 80% der Lehrer ChatGPT nach zwei Wochen aufgeben

Hintergrund

Jeden Freitag versucht der Autor, eine Technologie zu enträtseln, die ihn wirklich beschäftigt. Diese Woche steht ChatGPT im Mittelpunkt und ein wiederkehrendes Muster: die meisten Lehrer, die es ausprobieren, geben es nach etwa zwei Wochen wieder auf. Der Autor veranschlagt diese Rate grob mit achtzig Prozent, betont aber ausdrücklich, dass es sich nicht um eine strenge statistische Stichprobe handelt. Es ist das Ergebnis einer Praktikerin oder eines Praktikers, der seine eigenen Beobachtungen reflektiert. Die Zahl trifft einen Nerv, weil so viele Menschen dasselbe Nachlassen der Begeisterung kennen: Ein Werkzeug fühlt sich am Anfang voller Möglichkeiten an, doch sobald es im echten Einsatz steht, rückt die Realität deutlich vom anfänglichen Bild ab.

Die tiefere Frage des Artikels lautet nicht, ob ChatGPT mächtig ist, sondern wie es sich in einen konkreten Arbeitsablauf einfügt. Diese Unterscheidung ist in der Bildung enorm wichtig, wo der Preis für einen kleinen Fehler hoch sein kann und wo sich der Wert eines Werkzeugs nicht danach misst, was es prinzipiell leisten könnte, sondern danach, was es zuverlässig liefert, wenn am Dienstagmorgen vor dem Unterricht noch wenig Zeit bleibt. Das zweiwöchige Fenster des Aufgebens ist in dieser Lesart ein Symptom einer strukturellen Diskrepanz, nicht ein Versagen der Lehrer selbst.

Tiefenanalyse

Der zentrale Konflikt liegt zwischen der Natur generativer Modelle und den Anforderungen des Lehrerberufs. Generative Modelle erzeugen Text durch Wahrscheinlichkeitsvorhersage. Sie liefern Antworten, die plausibel und strukturell vollständig wirken, doch die faktische Genauigkeit ist instabil. Sie produzieren selbstsichere Halluzinationen und allgemeine Inhalte ohne konkrete Bezugnahme. Für Lehrer sind beide Mängel tödlich, denn Lehrplangestaltung, Aufgabenerstellung, Korrektur und schriftliches Feedback verlangen hohe Genauigkeit und perfekte Passform. Eine Unterrichtseinheit, die ein falsches Konzept vermittelt, oder eine Prüfungsaufgabe mit zweifelhaftem Ergebnis kostet weitaus mehr, als die eventuell ersparte Zeit wert ist.

Ein zweites Problem ist, dass die Standardausgabe von ChatGPT aus der Perspektive eines anonymen Durchschnittsnutzers spricht. Sie kennt das Niveau der eigenen Schüler nicht, die besonderen Bedürfnisse einer bestimmten Klasse oder den Ziel der Kursziele. Etwas wirklich Nutzbares zu erlangen, erfordert erhebliche Zeit für Überarbeitung, Überprüfung und Zuschnitt. Diese Nachbearbeitung ist oft aufwändiger als die Aufgabe ohne das Werkzeug, weshalb viele Lehrer, nachdem sie diese Rechnung aufgemacht haben, das Aufhören.

Branchenwirkung

Aus Produkt Sicht offenbart das Phänomen eine weitgehend übersehene Realität: die Beliebtheit eines allgemeinen Modells bedeutet nicht zugleich seine Brauchbarkeit in einem Fachbereich. Der Erfolg von ChatGPT ruht darauf, allgemein und klug genug zu sein, um die breiten Bedürfnisse der meisten Menschen zu befriedigen. Doch Bildung hängt stark von Kontext und Präzision ab. Anbieter sehen den Hochpunkt der Fähigkeitskurve, Nutzer fühlen die echte Lücke zwischen einem Werkzeug, das plaudern kann, und einem, das arbeiten kann. Diese Lücke schließt sich nicht durch ein stärkeres Modell allein. Sie erfordert eine tiefe Anpassung an einen konkreten Arbeitsablauf, etwa eine integrierte Fachwissenbasis, die Anbindung an den Lehrplan einer Schule sowie editierbare und nachvollziehbare Ausgabeformate.

Der Wettbewerb im Bildungsbereich hat sich daher in klare Ebenen gegliedert. Die Produkte, die überleben und wiederholt genutzt werden, sind meist nicht die mächtigsten allgemeinen Modelle, sondern die arbeitsablaufbewusstesten konkreten Lösungen. Sie zerlegen die KI in kleine Schritte, damit Lehrer messbare Zeitvorteile bei konkreten Aufgaben spüren, statt sie zu zwingen, sich an ein monolithisches System anzupassen. Für Lehrer wirkt diese zweiwöchige Schwelle als gesunder Filter, der neuigkeitsgetriebene Nutzung aussiebt und nur Gewohnheiten zurücklässt, die sich ins Unterrichten einfügen.

Ausblick

Mehrere Signale sind beobachtenswert. Erstens wird die Lücke zwischen allgemeinen Modellen und Bildungsszenarien weitere spezialisierte Zwischenprodukte hervorbringen, die keine allgemeine Intelligenz anstreben, sondern Zuverlässigkeit innerhalb eines Fachgebiets oder eines einzelnen Schritts. Zweitens verschieben sich die Erwartungen der Lehrer von Neugier hin zur Praktikabilität, und wer den Wert in reale Arbeitsabläufe einbaut, gewinnt eine Nutzerbasis, die zersplittert wirkt, aber umfangreich ist. Drittens wird die zweiwöchige Aufgebensrate selbst zu einem wichtigen Gesundheitsindikator für KI in der Bildung, der besser als Downloadzahlen widerspiegelt, ob ein Werkzeug wirklich genutzt wird.

Für Praktiker, die diese realen, teils negativen Erfahrungen dokumentieren, ist diese Aufzeichnung der wertvollste Beitrag am Weg von der Hype hin zum tatsächlichen Einsatz. Zu verstehen, warum Menschen ein Werkzeug aufgeben, lenkt Produkte am Ende wirksamer hin zu echter Reife als zu verstehen, warum sie beginnen.