Fundamente statt Tools. Warum dein Klavierunterricht wichtiger ist als das neueste KI-Tool.

Dieser Beitrag basiert auf dem Vortrag von Professor Tom Yeh (University of Colorado, Boulder) im Rahmen seiner Initiative AI by Hand. Das vollständige Video findest du unter youtube.com.

Tom Yeh ist kein KI-Skeptiker. Er ist ein Informatikprofessor, der Deep Learning verpasst hat, weil er zu spät kam. Statt sich davon entmutigen zu lassen, hat er eine eigene Methode entwickelt. Er arbeitet die Mathematik hinter KI-Modellen handschriftlich auf Papier durch. Transformer, Attention-Mechanismen, die gesamte Architektur. Zeile für Zeile. Diese Methode teilt er unter dem Namen AI by Hand mit einer globalen Community. Sein zentrales Argument ist dabei nicht, dass KI schlecht ist. Es ist, dass wir das Falsche optimieren.

Die Antwort zu haben bedeutet nicht, sie zu verstehen

Yeh stellt eine Frage, die den Kern des Problems trifft: Was bedeutet Lernen eigentlich? Ist es das physische oder digitale Artefakt, das beweist, dass jemand etwas gelernt hat? Oder ist es das tatsächlich internalisierte Wissen, das man besitzt?

KI liefert Antworten sofort. Aber eine Antwort zu haben ist nicht dasselbe wie sie zu verstehen. Man kann Abschlüsse kaufen, Zertifikate erwerben. Ob man Wissen tatsächlich besitzt, ist proportional zur Zeit, die man in den Erwerb investiert hat. Die Forschung zu KI und Lernverhalten bestätigt diese Intuition mit harten Zahlen. Entwickler, die Aufgaben mit KI-Unterstützung lösen, erreichen im anschließenden Wissenstest nur 50 Prozent, während die manuelle Gruppe auf 67 Prozent kommt.

Yehs Ansatz des handschriftlichen Durcharbeitens ist das bewusste Gegenprogramm. Wer auf Papier schreibt, kann nicht schneller arbeiten als die eigene Hand erlaubt. Die Studenten können nicht schneller folgen als der Professor schreibt. Und die Hände sind nicht auf der Tastatur, um Instagram zu prüfen. Das Tempo wird menschlich. Das Verständnis wird real.

Matrizenmultiplikation überlebt jeden Hype

Yeh illustriert die Macht zeitloser Fundamente mit einem einzigen Konzept: Matrizenmultiplikation. Er hat sie als Student im Rahmen der linearen Algebra gelernt und hatte keine Ahnung, warum sie wichtig sein sollte. Dann kam CGI durch Jurassic Park. Matrizenmultiplikation. Dann kam Big Data. Matrizenmultiplikation. Dann Machine Learning. Matrizenmultiplikation. Heute KI. Matrizenmultiplikation. Als Nächstes vielleicht Quantum Computing. Matrizenmultiplikation.

Die Oberfläche ändert sich ständig. DeepSeek war vor Monaten das Thema, heute redet kaum noch jemand davon. Google Cloud Next war gerade populär, in zwei Monaten wissen wir nicht, ob es das noch ist. Aber Transformer werden in einem Jahr noch relevant sein. Matrizenmultiplikation wird in zehn Jahren noch relevant sein.

Yeh vergleicht das mit dem Gyeongbokgung-Palast in Südkorea. Der gesamte Palast wurde im 16. Jahrhundert niedergebrannt. Alles war zerstört. Außer dem Fundament aus solidem Fels. Im 19. Jahrhundert wurde der Palast auf exakt demselben Fundament wieder aufgebaut. Wer nur Oberflächenfeatures und Tools lernt, muss bei jeder Technologiewelle sein Haus komplett neu bauen. Wer ein Fundament hat, muss nur den Aufbau erneuern.

Dein Klavierunterricht ist nicht nutzlos

Yeh dreht die Perspektive von der Technologie weg und richtet sie auf den Menschen. Er fragt: Denk an eine Fähigkeit, die du als Kind erworben hast. Klavier. Fußball. Schach. Denk an den Prozess, mit dem du diese Fähigkeit aufgebaut hast. Dieses Muster des disziplinierten Lernens ist selbst ein Fundament, das sich nicht ändert.

Er selbst ist das beste Beispiel. Er lag bei Deep Learning jahrelang hinter Kollegen zurück, die von Anfang an in diesem Feld gearbeitet hatten. Aber er besaß die Fähigkeit, schwierige Themen geduldig auf Papier aufzuschlüsseln. Diese Meta-Fähigkeit, nicht ein bestimmtes Tool, hat ihn letztendlich aufholen lassen. Das deckt sich mit der Erkenntnis, dass bewusstes Verlangsamen beim Coden tieferes Verständnis erzeugt als das Durchrasen durch fünf Tutorials am Tag.

Sein Rat ist konsequent: Wenn du ein KI-Tool überspringst, ist das in Ordnung. Niemand weiß, was das nächste Tool sein wird. Aber wenn du deine nächste Klavierübung überspringst, dein nächstes Fußballtraining, dein nächstes Durcharbeiten eines schwierigen Problems, dann verlierst du etwas, das dich langfristig definiert. Nicht das Tool definiert dich. Die Fähigkeit, schwierige Dinge zu lernen, definiert dich.

Problemlöser adoptieren KI automatisch

Yeh adressiert direkt die Hiring-Perspektive. Was zählt wirklich bei einem neuen Mitarbeiter? Arbeitsmoral. Problemlösungsfähigkeit. Teamfähigkeit. Kommunikation.

Wenn du jemanden einstellst, weil er ein guter Problemlöser ist, wird diese Person KI automatisch in ihren Workflow integrieren. Du musst es ihr nicht beibringen. Problemlöser suchen von sich aus nach den besten Werkzeugen. Wenn du jemanden einstellst, weil er ein Teamplayer ist, wird diese Person KI nutzen, um die Zusammenarbeit zu verbessern. Auch das musst du nicht erzwingen.

Und umgekehrt: Wenn jemand kein Teamplayer ist, wird KI ihn nicht zu einem machen. Wenn jemand nur seine eigenen Interessen verfolgt, ändert KI daran nichts. KI verändert keine Menschen. Menschen verändern KI.

Das ist die konsequente Gegenposition zur Panik, dass alle sofort KI-Profis werden müssen. Die kognitive Belastung steigt bereits massiv durch KI-Tools. Die Lösung ist nicht, noch mehr Tool-Kompetenz aufzubauen. Die Lösung ist, die richtigen fundamentalen Fähigkeiten zu stärken.

Schummeln ist ein Symptom, nicht die Ursache

Yeh schließt mit einer Beobachtung, die über Technologie hinausgeht. An US-Universitäten war Chegg jahrelang das größte Problem für Dozenten. Die Plattform bot gegen Bezahlung fertige Lösungen für Hausaufgaben und Prüfungsfragen. Studierende kopierten die Antworten und reichten sie als eigene Arbeit ein. Als Yeh Einführungskurse in Programmierung lehrte, investierte sein Team enormen Aufwand in die Bekämpfung: neue Aufgaben jedes Semester, technische Überwachung von IP-Adressen, sogar Fallen auf Lösungsseiten, um Zugriffe nachzuweisen. Er wünschte sich, Chegg würde endgültig geschlossen.

Dann passierte genau das. KI-Chatbots machten Chegg überflüssig und drängten die Plattform aus dem Markt. Aber das Schummeln hörte nicht auf. Studierende nutzen jetzt ChatGPT statt Chegg. Das Werkzeug hat sich geändert, das Verhalten nicht.

In diesem Moment wurde Yeh klar: Chegg und KI waren nie die Ursache. Sie waren immer nur Symptome eines kaputten Anreizsystems. Die eigentliche Frage lautet: Warum fühlen sich Studierende gezwungen zu schummeln? Warum belohnt das System den Abschluss statt das Verständnis? Warum wird die investierte Lernzeit nicht wertgeschätzt?

Solange das Anreizsystem unverändert bleibt, wird jede neue Technologie ein neues Schummeltool. Die Lösung liegt nicht in der Regulierung der Werkzeuge. Sie liegt in der Veränderung dessen, was wir belohnen.

Die Kernaussage

Yehs Botschaft lässt sich auf eine Formel bringen: Investiere in das, was bleibt. Nicht in das, was gerade populär ist. Fundamente aus Stein überstehen jeden Brand. Wer die Mathematik hinter dem Transformer versteht, wird auch das nächste Paradigma verstehen. Wer nur das aktuelle Tool beherrscht, fängt jedes Mal bei null an.

Das bestätigt, was sich durch unsere gesamte Artikelreihe zieht. Der messbare Wissensverlust durch KI-Nutzung, die Notwendigkeit des bewussten Verlangsamens, die steigende kognitive Belastung. Alles Symptome desselben Grundproblems: Wir optimieren auf Geschwindigkeit statt auf Verständnis.

Yeh zeigt den Ausweg. Langsam arbeiten. Per Hand denken. Fundamente bauen. Und darauf vertrauen, dass ein guter Problemlöser KI nicht braucht, um relevant zu sein. Er wird sie nutzen, weil er es will. Nicht weil er es muss.