Wer heute eingeschult wird, verlässt die Schule um das Jahr 2038. Lesen, Schreiben, Rechnen und ein solider Wissensbestand werden weiterhin zählen, reichen als alleinige Vorbereitung auf eine voraussichtlich von KI geprägte Zukunft jedoch nicht mehr aus.
KI-Systeme beantworten nicht mehr nur Fragen, sondern handeln zunehmend selbstständig. Sie zerlegen Aufgaben in Schritte, recherchieren, bedienen Werkzeuge und treffen Teilentscheidungen. Über Schnittstellen wie das Model Context Protocol greifen sie auf Anwendungen, Dokumente und Datenbanken zu, und mit Computer Use steuern sie Bildschirm, Maus und Tastatur inzwischen selbst, sodass sie auch dort arbeiten, wo es gar keine Schnittstelle gibt (Anthropic 2024a, 2024b). So erhalten sie den Kontext, der ihnen bislang fehlte, und werden in der realen Welt wirksam.
Menschen werden dadurch nicht irrelevant, doch ihre Rolle verschiebt sich. Sie müssen nicht mehr jeden Arbeitsschritt selbst ausführen, wohl aber Ziele setzen, Grenzen bestimmen, Ergebnisse prüfen und Verantwortung übernehmen. Je mehr sich delegieren lässt, desto wichtiger wird die Frage, was geschehen soll und warum. Verantwortung setzt jedoch mehr voraus als die Kontrolle maschineller Ergebnisse. Wer Ziele setzen will, muss Systeme verstehen und beurteilen, eigene Motive klären, Alternativen zum Naheliegenden entwerfen und mit anderen handeln können. Diese vier Bildungsaufgaben bündelt das 4M-Modell in seinen Säulen Mündigkeit, Motivation, Möglichkeitssinn und Miteinander.
Abbildung 1: 4M-Modell
Warum ein neues Modell?
Während sich die Anforderungen an Bildung schnell ändern, ist das Schulsystem, das ihnen gerecht werden soll, auf Beständigkeit angelegt. Der Transformationsforscher Ekkehard Thümler beschreibt es als bürokratisch gesteuert, hierarchisch gegliedert und stark auf Stabilität und Kontrolle ausgerichtet. Schulen stehen am unteren Ende dieser Hierarchie, obwohl Veränderung dort praktisch werden muss. Die Transformationsforschung nennt einen solchen Zustand Lock-in: Ein System bleibt in seiner eigenen Logik gefangen und beantwortet neue Probleme vor allem mit mehr vom Bekannten. Wer auf die umfassende Strukturreform wartet, wartet wahrscheinlich zu lange (Thümler 2026).
Orientierung muss deshalb von der Frage kommen, was junge Menschen können und wollen sollen. Rahmenmodelle dafür gibt es bereits. Das im deutschsprachigen Raum verbreitete 4K-Modell nennt Kritisches Denken, Kreativität, Kommunikation und Kollaboration, benennt damit aber Tätigkeiten und bleibt stumm bei der Frage, woher die Haltung kommt, aus der heraus jemand kritisch denken oder etwas wollen will. Der Learning Compass 2030 der OECD stellt mit Agency genau diese Haltung ins Zentrum, ist als globaler Rahmen jedoch allgemein gehalten und auf die Herausforderung durch KI nicht zugeschnitten. Der Future of Jobs Report des Weltwirtschaftsforums wiederum prognostiziert, welche Fähigkeiten Arbeitgeber nachfragen, und fragt damit nach dem verwertbaren Subjekt.
Das 4M-Modell verbindet diese Perspektiven. Es ordnet empirisch informierte Zukunftskompetenzen in eine bildungsphilosophische Vorstellung ein, die an Mündigkeit und Selbstbestimmung anknüpft. Seine Leitfrage lautet: Was muss ein Mensch verstehen, wollen, entwerfen und gemeinsam mit anderen verwirklichen können, um in einer von KI geprägten Welt Subjekt des eigenen Handelns zu bleiben? Vier Säulen geben die Antwort und führen zur Handlungsfähigkeit im Zentrum des Modells.
Das Modell ist kein Prüfraster. Es soll weder Menschen vermessen noch eine weitere Liste isolierter Kompetenzen liefern. Es beschreibt eine Richtung, an der sich Klassenzimmer, Kollegien und Elternhäuser ausrichten können, auch wenn sich die großen Strukturen langsamer bewegen. Wie diese Ausrichtung in der Praxis aussieht, sammelt die begleitende Website 4M-Modell.de, auf die der Schluss dieses Beitrags zurückkommt.
Das Zentrum: Agency
Im Zentrum des Modells steht ein Begriff, der den deutschsprachigen Bildungsdiskurs erst spät erreicht hat. Agency, im Modell übersetzt als zukunftsfähige Handlungsfähigkeit, bezeichnet die Fähigkeit eines Menschen, sich selbst Ziele zu setzen, sein Handeln zu reflektieren und verantwortlich auf die Welt einzuwirken. Die OECD hat den Begriff mit ihrem Learning Compass 2030 international verankert und bestimmt ihn als die Fähigkeit, zu handeln, statt behandelt zu werden, und zu gestalten, statt gestaltet zu werden (OECD 2019). Theoretisch wurzelt dieses Verständnis in Albert Banduras sozial-kognitiver Theorie, derzufolge Menschen ihr Handeln über die Überzeugung steuern, etwas bewirken zu können, und sich dadurch als Urheber ihres eigenen Lebens erfahren (Bandura 2001).
Warum diese selbstgesteuerte Handlungsfähigkeit künftig wichtiger wird als bisher, lässt sich mit einem entwicklungspsychologischen Modell verdeutlichen. Das von Clare Graves begründete und von Don Beck als Spiral Dynamics ausgearbeitete Modell beschreibt menschliche Wertesysteme als eine Abfolge von Stufen, die zwischen eher gemeinschaftlich-konformistischen und eher individuell-selbstbestimmten Orientierungen wechseln (Beck und Cowan 1996). Eine dieser Stufen ist auf Ordnung, Regel, Pflicht und Gehorsam gegenüber einer übergeordneten Autorität ausgerichtet. Ein Mensch dieser Prägung funktioniert verlässlich innerhalb vorgegebener Strukturen, doch er erwartet, dass ihm Ziele und Maßstäbe von außen gesetzt werden. Über lange Zeit war eine solche Haltung gesellschaftlich anschlussfähig, weil viele Tätigkeiten sie verlangten, nämlich das zuverlässige Befolgen vorgegebener Abläufe.
Eben diese Tätigkeiten übernehmen nun zunehmend Maschinen. Ein KI-System befolgt Regeln schneller, ausdauernder und fehlerfreier als jeder Mensch. An Wert verliert damit die bloße Bereitschaft, vorgegebene Abläufe auszuführen. An Wert gewinnt die Fähigkeit, selbst zu beurteilen, welche Abläufe überhaupt sinnvoll sind, eigene Ziele zu setzen und gegen den Strom der naheliegenden Vorschläge zu denken. Das gilt umso mehr, als einzelne Fertigkeiten in den kommenden Jahren schneller veralten dürften als je zuvor. Wer seine Sicherheit aus einer bestimmten Fertigkeit bezieht, teilt deren Schicksal, sobald eine Maschine sie übernimmt. Wer dagegen die eigene Richtung bestimmen kann, ohne dafür ständig eine Erlaubnis abzuwarten, und nach jedem Fehlschlag neu ansetzt, bleibt handlungsfähig, auch wenn sein Werkzeug ersetzt wird. Der Engpass lag dabei nie beim Zugang zu Wissen, der ist heute offener als je zuvor. Er liegt beim Willen und der Fähigkeit, ihn zu nutzen (vgl. Koe 2026). Eine Welt automatisierter Ausführung verlangt darum weniger Menschen, die sich anpassen und ausführen, und mehr Menschen, die sich selbst steuern und verantworten. Agency ist die Voraussetzung dafür, dass der Mensch in einer von Maschinen durchzogenen Welt Subjekt seines Handelns bleibt.
Die vier M sind nicht selbst diese Handlungsfähigkeit, sondern ihre Voraussetzungen. Sie reichen vom Erkennen der Lage bis zur Wirkung in der gemeinsamen Welt.
Mündigkeit
VERSTEHEN
Wer digitale Systeme nicht versteht, wird von ihnen gesteuert.
Der Leitsatz aktualisiert eine der ältesten Formeln der europäischen Bildungsgeschichte. Kant bestimmte Aufklärung 1784 als den Ausgang des Menschen aus seiner selbstverschuldeten Unmündigkeit, also als den Mut, sich des eigenen Verstandes ohne Anleitung eines anderen zu bedienen (Kant 1784). Adorno radikalisierte den Gedanken und verstand Mündigkeit als fortwährende Anstrengung gegen die Anpassung (Adorno 1971). In einer KI-geprägten Welt verschiebt sich vor allem, wer oder was diese Anleitung übernimmt. An die Stelle der Bevormundung durch Personen tritt die unauffällige Steuerung durch Systeme, deren Logik den meisten Nutzern verborgen bleibt. Der Medienphilosoph Roberto Simanowski spricht von einem alltäglichen Souveränitätstransfer vom Menschen zur Maschine, der sich als schleichende Entmündigung in vielen Lebensbereichen bereits bemerkbar mache (Simanowski 2025). Mündigkeit bedeutet hier, diese Logik zu durchschauen.
Das beginnt beim KI-Verständnis. Gemeint ist kein Programmierwissen, sondern ein Gespür dafür, wie Trainingsdaten, Verzerrungen und Bauweise die Ergebnisse eines Systems prägen und wo seine Grenzen liegen. Wie nötig dieses Gespür ist, zeigt eine 2026 in Science veröffentlichte Untersuchung: Führende Sprachmodelle bestätigen Nutzer im Mittel um rund die Hälfte häufiger als ein Mensch, selbst wenn die geschilderte Handlung Täuschung oder Schaden einschließt, und Nutzer bevorzugen diese schmeichelnden Modelle, vertrauen ihnen mehr und kehren häufiger zu ihnen zurück (Cheng et al. 2026). Wer sich auf ein System verlässt, das vor allem zustimmt, verliert das Korrektiv des Widerspruchs. Zugleich macht KI den Großteil dessen, was früher geistige Arbeit ausmachte, nahezu kostenlos: Quellen finden, Material sichten, zusammenfassen, übersetzen. Obsolet wird dadurch nicht das Lernen, sondern das bloße Quellenfinden. Knapp wird das Urteil darüber, was von alldem stimmt, was zählt und was daraus folgt. Gebraucht wird darum epistemische und ethische Urteilskraft, die Verlässliches von Unzuverlässigem trennt und die Folgen von Entscheidungen mitdenkt, auch dort, wo Maschinen sie verdecken.
Urteilen kann nur, wer etwas weiß. Fachwissen bleibt deshalb, was es im klassischen Bildungsverständnis immer war: das Fundament, ohne das Verstehen nicht möglich ist, und der hermeneutische Schlüssel, mit dem sich maschinelle Ergebnisse überhaupt erst einordnen und prüfen lassen. Wer nichts von Statistik versteht, kann keine Auswertung beurteilen, die ihm eine KI liefert, und wer keinen Roman gelesen hat, erkennt nicht, ob der generierte Text einer ist. Agency ohne Wissen bleibt ein leerer Wille, der nur ausführen lassen kann.
Was sich ändert, ist die Form dieses Wissens. Wo Maschinen die Tiefe liefern, gewinnt der Überblick an Wert. Zu wissen, welche Disziplinen es gibt, wie sie fragen, was sie können und wo sie sich widersprechen, um das Richtige überhaupt in Auftrag geben und das Ergebnis einschätzen zu können. Neben den Überblick tritt der Stil. Wer eine Anwendung im Gespräch mit einer Maschine entwickelt, das sogenannte Vibe Coding, braucht weniger Syntax als ein Gefühl dafür, was gut ist.
In Teilen der Arbeitswelt zeichnet sich damit eine Verschiebung ab, die man mit etwas Übertreibung eine zweite Renaissance nennen könnte. Nachweisbare Leistung ersetzt den Lebenslauf, die eigene Reichweite den Arbeitgeber und Geschmack die formale Qualifikation (vgl. Koe 2026). Mit einem Augenzwinkern in Richtung all jener Bildungsakteure, die der Kompetenzorientierung stets entgegenhielten, letztlich unterrichte man doch Inhalte: Kompetenzorientierung ist nun wirklich wichtiger als Fachorientierung. Nur eben nicht, weil Inhalte unwichtig geworden wären, sondern weil ihr Wert erst in dem Urteil sichtbar wird, das jemand mit ihnen fällt.
Auch das eigene Denken braucht diese Wachsamkeit. Mehrere Studien zeigen, dass die Auslagerung des Denkens an KI mit nachlassender kritischer Reflexion einhergeht. Eine Untersuchung des MIT Media Lab fand bei der Textproduktion mit Sprachmodellen eine messbar geringere neuronale Vernetzung und beschrieb das Ergebnis als kognitive Verschuldung (Kosmyna et al. 2025), eine Arbeit im British Journal of Educational Technology prägte für dasselbe Phänomen den Begriff der metakognitiven Faulheit (Fan et al. 2024).
Umgekehrt gilt: Sobald das eigene Denken bewusst beobachtet und gesteuert wird, kehrt sich der Effekt um, und dieselbe Technik kann kritisches Denken sogar fördern (Gerlich 2025). Ein Vergleich macht den Mechanismus greifbar. Als Kalorien billig, bequem und überall verfügbar wurden, verfielen die Körper, und Gesundheit verlangte auf einmal eine Disziplin, die zuvor der Mangel erzwungen hatte. Denken ist jetzt ähnlich billig. Wer geistig beweglich bleiben will, muss die Anstrengung suchen, die ihm die Maschine abnehmen würde. Ob KI das Denken ersetzt oder erweitert, entscheidet sich also an der Metakognition und Selbststeuerung, der Fähigkeit, das eigene Denken, Lernen und Entscheiden zu beobachten, zu korrigieren und weiterzuentwickeln, gerade wenn Systeme ganze Arbeitsschritte übernehmen und die Versuchung wächst, den gesamten Denkprozess abzugeben.
Motivation
WOLLEN
KI kann Aufgaben ausführen. Menschen müssen Ziele setzen.
KI kann Aufgaben ausführen, aber sie kann (noch) nicht wollen. Sie optimiert auf Ziele, die ihr vorgegeben werden, doch woher diese Ziele kommen und wofür sich Anstrengung lohnt, bleibt eine menschliche Frage. Je weiter die Ausführung automatisiert wird, desto stärker verlagert sich das Gewicht auf das Setzen der Zwecke. Was dafür nötig ist, nennt das Modell Zielklarheit und Sinnorientierung: eigene Ziele entwickeln, Prioritäten setzen und begründen können, wofür man sich einsetzt. Sie ist die motivationale Entsprechung zur Urteilskraft, denn sie fragt nach dem Wozu und nicht nach dem Wie.
Ziele zu setzen lohnt sich allerdings nur für den, der erlebt hat, dass sein Handeln etwas ändert. Diese Erfahrung steht unter Druck. Wo Systeme vieles schneller und scheinbar besser erledigen, droht sie zu verkümmern, und die erwähnte Untersuchung zur Schmeichelei von Sprachmodellen zeigte, wie leicht daraus Abhängigkeit wird: Nutzer hielten die Antworten des Modells, das ihnen recht gab, für besser, vertrauten ihm mehr und wollten es häufiger wieder nutzen als ein Modell, das widersprach (Cheng et al. 2026). Wer sich daran gewöhnt, Denken, Entscheiden und Gestalten an Maschinen abzugeben, erprobt die eigenen Fähigkeiten immer seltener. Selbstwirksamkeit und Resilienz lassen sich jedoch nicht wie ein Wissensbestand vermitteln. Sie entstehen dort, wo Menschen Herausforderungen bewältigen, Rückschläge aushalten und erfahren, dass das eigene Handeln einen Unterschied macht. Bildung muss solche Gelegenheiten schaffen.
Bleibt die Frage, worauf sich Zielklarheit und Wirksamkeit richten, wenn Wissensbestände rasch veralten. Der Future of Jobs Report des Weltwirtschaftsforums rechnet damit, dass bis 2030 ein erheblicher Teil der heute gefragten Fähigkeiten neu zusammengesetzt sein wird, und führt Neugier und lebenslanges Lernen unter den am stärksten wachsenden Fähigkeiten (World Economic Forum 2025). Das 4M-Modell bündelt diese Anforderung im Begriffspaar Neugier und Lernagilität: in der Bereitschaft und Fähigkeit, sich Neues zu erschließen, Lernwege selbst zu gestalten und Gewohntes zu hinterfragen. Weil einzelne Fertigkeiten absehbar veralten, ist die Fähigkeit, jederzeit neue zu erwerben, das sicherere Fundament. Wer an einer Spezialisierung hängt, teilt deren Schicksal, sobald die Technik sie ersetzt, während der Generalist auf sein Ziel schaut und sich aneignet, was der Weg dorthin gerade verlangt.
Möglichkeitssinn
ENTWERFEN
KI rechnet Wahrscheinliches. Menschen denken Mögliches.
Möglichkeitssinn ist ein Begriff Robert Musils. Im Roman Der Mann ohne Eigenschaften stellt er ihn dem Wirklichkeitssinn gegenüber. Wer Möglichkeitssinn besitzt, denkt nicht, hier ist dies oder das geschehen, sondern, hier könnte, sollte oder müsste etwas geschehen, und er sieht die Wirklichkeit als eine unter vielen denkbaren (Musil 1930). Diese Unterscheidung wird im Licht der Funktionsweise generativer KI-Modelle überraschend konkret. Ein Sprachmodell berechnet die wahrscheinlichste Fortsetzung und bewegt sich seiner Bauart nach im Korridor des Erwartbaren. Der Leitsatz der Säule beschreibt damit einen technischen Sachverhalt. Was noch niemand gedacht hat, kommt in keiner Wahrscheinlichkeitsverteilung vor. Wo die Rechnung endet, beginnt der Möglichkeitssinn.
Man könnte einwenden, dass Menschen kaum anders verfahren. Roland Barthes erklärte schon 1967 den Autor für tot. Der Mensch sei nicht der souveräne Eigentümer seiner Äußerungen, sondern das Ergebnis der Diskurse, an denen er teilhat. Jeder Autor sei das, was er gelesen habe, nicht die Quelle seiner Worte, sondern eine Art Mixer oder Durchlauferhitzer (Barthes 1967, zitiert nach Simanowski 2025). Die Sprachmaschine radikalisiert dieses Prinzip nur. Sie mischt den gesamten verfügbaren Textkorpus statt der Lektüre eines Lebens. Wenn aber beide mischen, worin unterscheiden sie sich dann? Die Antwort liegt darin, wonach gemischt wird, und sie lässt sich inzwischen messen.
Moon und Kollegen untersuchten fast 373.000 Bewerbungsessays an vier US-Universitäten vor und nach der Veröffentlichung von ChatGPT und fanden ein Muster, das sie disjunktive Homogenisierung nennen (Moon et al. 2026). Die Texte wurden auf der Ebene der einzelnen Wörter vielfältiger, auf der Ebene der Ideen jedoch einförmiger. Vielfältigere Wörter transportierten zunehmend ähnlichere Gedanken. Ein kontrollierter Vergleich zeigte, dass bei Menschen ein reicher Wortschatz mit gedanklicher Vielfalt einhergeht, während sich dieser Zusammenhang bei KI-Texten umkehrte. Zwei Befunde verdienen dabei besondere Beachtung. Der Effekt war bei Bewerbern aus marginalisierten und nicht-englischsprachigen Gruppen am stärksten ausgeprägt, deren eigene Perspektiven also durch die Angleichung an dominante Muster am ehesten verloren gingen. Und sowohl menschliche Experten als auch KI-Modelle bewerteten die angeglichenen Texte als kreativer, weil sie sich an der sprachlichen Oberfläche orientierten und die gedankliche Verarmung übersahen. Wer sich der maschinellen Wahrscheinlichkeit überlässt, denkt am Ende ähnlicher, ohne es zu bemerken. Der Unterschied zwischen den beiden Mixern liegt also in der Richtung. Die Maschine mischt auf das Wahrscheinliche hin. Der Mensch kann auf etwas hin mischen, das es noch nicht gibt, auf einen Wunsch, ein Ziel, eine Vorstellung davon, wie es sein sollte. Diese Richtung ist der Möglichkeitssinn.
Dass er heute mehr bewirken kann als je zuvor, hat einen historischen Grund. Der Buchdruck demokratisierte das Wissen und machte zugänglich, was zuvor wenigen vorbehalten war. Generative KI demokratisiert nun das Können. Wer nie programmieren gelernt hat, kann seine App oder Website mit KI umsetzen. Wer eine Idee für ein Forschungsvorhaben oder ein Unternehmen hatte und sie an fehlender Zeit oder fehlendem Fachwissen scheitern ließ, kann sie angehen. Der begrenzende Faktor verlagert sich damit vom Können zur Vorstellungskraft, und an dieser Stelle trennen sich zwei Haltungen. Verbreitet ist der Gebrauch der KI als Abkürzungsmaschine. Das Ziel steht dabei bereits fest, es ist meist ein bescheidenes und vorgegebenes Ziel, und die Maschine verkürzt lediglich den Weg dorthin. Wer so arbeitet, kommt schneller an, aber er kommt dort an, wo alle anderen ebenfalls ankommen, und die Angleichung, die Moon und Kollegen gemessen haben, ist das Ergebnis. Die andere Haltung nutzt dieselbe Technik als Traumerfüllungsmaschine. Sie verkürzt nicht den Weg zu einem bekannten Ziel, sondern erweitert den Kreis dessen, was überhaupt als Ziel in Frage kommt.
Die drei Teilbereiche dieser Säule beschreiben, was dieser Haltungswechsel voraussetzt. Am Anfang steht das Zukunftsdenken. Wer Zukunft für die Verlängerung des Bestehenden hält, wird die Maschine auch nur bitten, das Bestehende schneller zu erledigen. Wer sie als gestaltbaren Möglichkeitsraum begreift, erteilt andere Aufträge und begegnet Hindernissen als Herausforderungen statt als Grenzen. Dann folgt die Problemrahmung. In einer Welt, in der die Ausführung billig ist, wird die Frage zum knappen Gut. Wie ein Problem beschrieben wird, entscheidet darüber, welche Lösungen die Maschine überhaupt vorschlagen kann, und ein neu gerahmtes Problem öffnet Wege, die die Standardbeschreibung verstellt. Die kreative Lösungsentwicklung schließlich ist die Arbeit im Wechselspiel mit der Maschine: Entwürfe erzeugen lassen, prüfen, verwerfen, verbessern und dabei unter vielen Vorschlägen den erkennen, der taugt. Dieses Auswählen verlangt den Geschmack, von dem bei der Mündigkeit die Rede war. Die Maschine liefert Optionen, das Urteil über sie bleibt beim Menschen. Kreatives Denken zählt in den Erhebungen des Weltwirtschaftsforums durchgängig zu den Fähigkeiten mit der stärksten erwarteten Bedeutungszunahme (World Economic Forum 2025). Für die Schule folgt daraus eine klare Aufgabe. Sie muss junge Menschen nicht fragen, wie sie mit KI schneller fertig werden, sondern was sie sich immer schon gewünscht und bislang für unmöglich gehalten haben.
Miteinander
GEMEINSAM HANDELN
Maschinen vernetzen. Menschen begegnen sich.
Wir sind technisch immer besser vernetzt und begegnen uns menschlich immer seltener. Der Leitsatz stellt beides nebeneinander, weil das eine das andere nicht hervorbringt: Vernetzung ist eine technische Leistung, Begegnung eine menschliche, und Maschinen können die erste beliebig vermehren, ohne die zweite zu ersetzen. Die vierte Säule richtet den Blick deshalb vom Einzelnen auf das Gemeinwesen. Auch die OECD betont, dass Handlungsfähigkeit nie allein entsteht, und nennt das Zusammenwirken mit Mitschülern, Lehrkräften, Eltern und Gemeinschaften Co-Agency (OECD 2019). Die drei vorangegangenen Säulen finden hier ihren Ort, denn Verstehen, Wollen und Entwerfen werden erst im Handeln mit anderen wirksam.
Wie dringlich das ist, lässt sich neben der digital verstärkten Isolation vor allem von Jugendlichen und jungen Erwachsenen an einer weiteren gesellschaftlichen Entwicklung ablesen, die durch KI gefährlicher wird. Generative Systeme erlauben es, Texte, Bilder und Stimmen in beliebiger Menge zu erzeugen. Damit wird es möglich, öffentliche Debatten zu steuern, ohne dass die Steuerung sichtbar wäre. So ließen sich in mehreren Wahlkämpfen seit 2024 koordinierte synthetische Kampagnen beobachten (Renzella und Rozova 2024). Wo sich nicht mehr unterscheiden lässt, wer spricht, und ganze Gesellschaften durch KI-Bots im Internet manipuliert werden können, drohen gesellschaftliche Spaltung und die Erosion jenes Vertrauens, ohne das demokratische Verständigung nicht möglich ist.
KI verzerrt das Gespräch dabei auch im Kleinen. Das zeigt ein weiterer Befund der Untersuchung zur Schmeichelei: Wer mit einem bestätigenden KI-Modell über einen realen Konflikt aus dem eigenen Leben sprach, war danach überzeugter, im Recht zu sein, und weniger bereit, Verantwortung zu übernehmen, sich zu entschuldigen oder das eigene Verhalten zu ändern. Ein einziges Gespräch genügte dafür (Cheng et al. 2026). Je stärker Algorithmen und automatisierte Inhalte so zur Polarisierung beitragen, desto wertvoller wird die Dialog- und Konfliktfähigkeit: Perspektiven verstehen, Differenzen austragen, gemeinsame Lösungen entwickeln. Gearbeitet wird künftig zudem in gemischten Teams aus Menschen und KI-Systemen. Kollaboration heißt dort, Aufgaben klug zu verteilen und KI produktiv einzubinden, ohne dass das Orchestrieren der Systeme das gemeinsame Handeln verdrängt. Wer schließlich in automatisierten Textwelten als Person erkennbar bleiben will, braucht Artikulation und eine eigene Stimme, die Fähigkeit, Gedanken präzise auszudrücken und Position zu beziehen, ohne in einem Meer synthetischer Inhalte zu ertrinken.
Wie viel an dieser Stimme hängt, machen zwei Sätze der Philosophie deutlich. „Die Grenzen meiner Sprache bedeuten die Grenzen meiner Welt", schrieb Wittgenstein (1921, Satz 5.6). Wer seine Sprache an eine Maschine abgibt, übernimmt deren Grenzen mit, und die Grenzen einer wahrscheinlichen Sprache sind die einer wahrscheinlichen Welt. Heidegger nannte die Sprache das Haus des Seins (Heidegger 1947). Simanowski wendet das Bild auf die Gegenwart und nennt die maschinelle Sprache einen Hausfriedensbruch, der in unser Sein eindringt, um zu bleiben (Simanowski 2025, S. 17). Eine eigene Stimme ist vor diesem Hintergrund keine stilistische Zierde. Sie entscheidet darüber, welche Grenzen die eigene Welt hat. Die Studie von Moon und Kollegen hat gezeigt, wessen Stimme dabei zuerst verschwindet: die derjenigen, deren Perspektiven im Trainingsmaterial ohnehin am seltensten vorkommen.
Der Engpass, der bei der Mündigkeit als Urteilskraft beschrieben wurde, hat damit auch eine gemeinschaftliche Seite. Der Bildungsdenker Atkins hat dafür ein Bild geprägt: KI liefert den Weizen, nicht das Brot. Quellen, Übersetzungen, Verweise und Zusammenfassungen stehen im Überfluss bereit, doch was eine Gemeinschaft nährt, entsteht erst, wenn Menschen daraus etwas Genießbares machen, durch Deutung, Gespräch und Praxis. Dass gerade pflegende, lehrende und beratende Tätigkeiten zu den am stärksten wachsenden Berufsfeldern zählen (World Economic Forum 2025), bestätigt diese Entwicklung.
Was das Modell leisten kann und was nicht
Ein Modell, das auf die Zukunft vorbereiten will, steht vor einer grundsätzlichen Schwierigkeit. Niemand kennt die Zukunft, und jede Aussage über künftig wichtige Fähigkeiten bleibt eine begründete Vermutung. Das 4M-Modell verlängert die heutige technische Entwicklung in die kommenden Jahre und leitet daraus seine Kompetenzen ab. Diese Verlängerung kann sich als falsch erweisen. Vielleicht greifen KI-Systeme künftig weniger tief in Arbeitsabläufe ein, als es heute absehbar scheint, weil rechtliche oder technische Grenzen ihnen den Zugang zu Anwendungen und Daten verwehren. Vielleicht nimmt die Entwicklung auch eine Richtung, die niemand vorhersieht. Dann müsste das Modell neu gewichtet werden. Es ist deshalb als Kompass angelegt. Es gibt Richtungen an und schreibt keinen festen Weg vor.
Hinzu kommt eine methodische Schwierigkeit. Die vier Säulen lassen sich unterschiedlich gut wissenschaftlich erfassen. Manche Teilbereiche, etwa die Lernagilität oder die metakognitive Selbststeuerung, sind über etablierte Verfahren einigermaßen zugänglich. Andere, etwa der Möglichkeitssinn oder die Fähigkeit, eine eigene Stimme zu bewahren, entziehen sich der präzisen Messung weitgehend. Sie lassen sich beschreiben, beobachten und fördern, aber kaum in eine Kennzahl überführen. Das Modell teilt diese Schwierigkeit mit verwandten Ansätzen wie dem 4K-Modell, dessen Dimensionen ebenfalls eher Bündel von Fähigkeiten als trennscharf messbare Einzelgrößen bilden. Wer das 4M-Modell als Prüfraster missversteht, überfordert es daher. Es taugt als Maßstab und Vorschlag für die Frage, woraufhin Unterricht, Schulentwicklung und Erziehung ausgerichtet werden sollen.
Vom Modell zur Mission
Ein Schulsystem, das neue Probleme mit mehr vom Bekannten beantwortet, wird sich durch ein weiteres Programm nicht ändern. Das ist die Lehre aus der Lock-in-Diagnose, mit der dieser Beitrag begann. Programme und Projekte haben eine Laufzeit und ein Ende, und wenn die Förderung ausläuft, bleibt oft wenig. Was einem festgefahrenen System dagegen zusetzt, sind viele gleichzeitige Versuche an vielen Orten, die voneinander wissen und voneinander lernen. Man kann das eine Mission nennen: langfristige Arbeit an einem geteilten Ziel, zu der viele Beteiligte mit unterschiedlichen Ansätzen beitragen und in der sich die tauglichen Lösungen mit der Zeit durchsetzen.
Eine Mission braucht eine Richtung und einen Ort, an dem sich die Beteiligten treffen. Die Richtung beschreibt das 4M-Modell. Den Ort soll die Website 4M-Modell.de bieten. Sie sammelt für jeden der zwölf Teilbereiche Methoden, Unterrichtsideen und Erfahrungen aus der Praxis, damit niemand bei null beginnen muss. Schulen können sich registrieren und das Modell als Schul- und Unterrichtsentwicklungsmodell nutzen: Wo fördern wir Urteilskraft oder Problemrahmung bereits, ohne es so zu nennen? Wo klafft eine Lücke, für die uns noch eine Idee fehlt? Ein Ideenwettbewerb lädt dazu ein, eigene Ansätze zur Förderung der einzelnen Bereiche einzureichen. Die besten werden ausgezeichnet und allen zugänglich gemacht. Der Anspruch dahinter ist einfach. In einer Zeit, in der Schul- und Unterrichtsentwicklung angesichts von KI viel schneller und dynamischer sein muss als bisher, lernt niemand schnell genug allein. Voneinander und miteinander zu lernen ist der einzige Weg, der mit dem Tempo der Technik mithält. Wer mitmachen will, findet den Einstieg unter 4M-Modell.de.
