Was wäre, wenn die Regulierung von Large Language Models plötzlich nicht mehr nur Technologiepolitik wäre, sondern ein Fall für die Meinungsfreiheit? Dann würde aus einer Debatte über Sicherheit, Haftung und Kontrolle sehr schnell eine Debatte über Grundrechte. Genau hier setzt das Paper von Eugene Volokh, Mark A. Lemley und Peter Henderson an. Die Autoren argumentieren, dass der Output generativer KI rechtlich als geschützte Rede verstanden werden könnte. Nicht unbedingt, weil die KI selbst Rechte hat, sondern weil ihre Entwickler:innen und vor allem ihre Nutzer:innen Rechte haben, Informationen zu empfangen und mit Hilfe der Systeme selbst zu kommunizieren. Für die USA ist das ein starker Gedanke. Für Deutschland ist er interessant, aber deutlich weniger belastbar. Was ist das ökonomische Grundproblem? Im Kern geht es um die Kontrolle von Informationsproduktion. Staaten wollen Risiken von LLMs begrenzen: Desinformation, Manipulation, Diskriminierung oder gefährliche Inhalte....
Eine gut gelaunte, aber ernst gemeinte Zusammenfassung eines aktuellen Essays
Der Aufsatz „Will AI Improve Undergraduate Economics Education?“ von Matthew E. Kahn liest sich wie ein ehrlicher Lagebericht aus dem Inneren der universitären Lehre. Es ist geschrieben von jemandem, der sein Fach liebt, aber sehr genau sieht, dass „weiter so“ keine Option mehr ist. Kahn argumentiert nicht technikverliebt, sondern ökonomisch: KI ist ein neuer Produktionsfaktor im Bildungsprozess. Die entscheidende Frage ist nicht, ob sie genutzt wird, sondern wie.
Das Grundproblem: Studierende, KI und zu wenig Zeit
Kahn startet mit einer unbequemen Beobachtung: Viele heutige Studierende sind schlechter vorbereitet als frühere Kohorten. Weniger mathematische Grundlagen, geringere Konzentrationsfähigkeit, Lernlücken durch COVID. All das trifft auf ein Studium, das sich strukturell kaum verändert hat. Gleichzeitig ist KI immer verfügbar, geduldig, günstig und liefert sofort Ergebnisse.
Aus ökonomischer Sicht ist das ein klassischer Moral-Hazard-Fall: Wenn KI als Ersatz für eigene Anstrengung genutzt wird, sinkt der tatsächliche Lernertrag. Kahn beschreibt offen, warum klassische Hausarbeiten schwieriger werden: Man weiß immer seltener, wer eigentlich schreibt. Sind es die Studierende oder die Algorithmen.
Sein Ziel ist daher klar: KI muss Komplement sein, kein Substitut.
Econ 101 neu denken: üben, diskutieren, ausprobieren
Besonders spannend ist Kahns Blick auf die Einführungsvorlesungen. Econ 101 (äquivalent zur Einführung in BWL/VWL/WiWi) ist nicht nur Pflichtfach, sondern das Schaufenster des Studiengangs. Hier sieht er enormes Potenzial:
- Individuelles Training („Batting Practice“): KI kann endlos Übungsaufgaben generieren, sofort Feedback geben und den Schwierigkeitsgrad dynamisch anpassen. Genau das brauchen viele Studierende. Es gibt keine Hemmschwelle und keine Wartezeit.
- Ideologisches Sparring: Studierende können mit einer „liberalen“, „progressiven“ oder bewusst provokanten KI über Mindestlohn, Mietregulierung oder Industriepolitik diskutieren. Das senkt die Einstiegshürde für echte ökonomische Debatten, gerade für stille Studierende.
- Inklusion und Vorbilder: Kahn verweist auf Forschung zu Role-Models (z.B. Claudia Goldin): Sichtbare Vorbilder erhöhen die Wahrscheinlichkeit, dass Frauen Ökonomie studieren. KI kann hier skalieren, indem sie Texte, Vorträge und Denkweisen führender Ökonom:innen zugänglich macht und zwar ohne organisatorischen Aufwand durch eine Fakultätsverwaltung.
"Intermediate"-Fächer: weniger Formeln, mehr Intuition
Für Intermediate-Fächer (z. B. BWL/VWL/Makro/Mikro II) sieht Kahn die größten didaktischen Probleme und zugleich die größten Chancen.
In der Mikroökonomie plädiert er für einen Perspektivwechsel: Weg vom reinen „Löse-das-Optimierungsproblem“, hin zu detektivischem Denken. Was lässt sich aus beobachteten Entscheidungen über Präferenzen lernen? KI kann helfen, Hypothesen zu testen, Szenarien durchzuspielen und Studierende Schritt für Schritt an ökonomische Logik heranzuführen.
In der Makroökonomie schlägt er simulationsbasierte Ansätze vor: Studierende sollen Politik unter Unsicherheit erleben, z. B. als Zentralbanker in einer Krise. KI macht es möglich, komplexe dynamische Zusammenhänge spielerisch zu erkunden, ohne sofort mathematisch zu überfordern.
Ökonometrie: Daten erzeugen statt nur auswerten
Ein besonders wichtiger Punkt: KI kann Daten analysieren aber sie erzeugt selten neue Daten. Wer lernt, Daten zu sammeln, zu strukturieren und kritisch zu interpretieren, wird im KI-Zeitalter besonders wertvoll. Kahn plädiert dafür, Studierende früh an Statistik und Ökonometrie heranzuführen und sie zu eigenen Datensätzen aus Bildern, Texten, Beobachtungen oder Experimenten zu ermutigen. KI hilft dann bei der Auswertung, nicht beim Denken.
Universität als Markt: Anreize zählen
Kahn ist hier sehr „ökonomisch“: Fakultäten reagieren auf Anreize. Wenn innovative Lehrkonzepte mehr Studierende anziehen, während traditionelle Vorlesungen leer bleiben, bewegt sich das System! Auch die Rollen von Tutor:innen, Lehrbüchern und Studienberatung werden sich verändern: KI kann vieles günstiger, schneller und individueller leisten. Das ist keine Bedrohung, sondern eine Einladung, Lehrzeit dort zu investieren, wo Menschen unersetzlich sind: bei Inspiration, Diskussion und Forschung.
Kreative Zerstörung im Hörsaal
Der Text endet mit einer starken Analogie: Schumpeters kreative Zerstörung erreicht die Hochschullehre. KI kann helfen, Ökonomie als Fach neu zu präsentieren: empirisch, kritisch, anwendungsnah und technologisch auf der Höhe der Zeit. Kahns Essay ist kein fertiger Bauplan, sondern ein kluger Denkimpuls.
Quelle: Matthew E. Kahn (2025), Will AI Improve Undergraduate Economics Education?
Comments
Post a Comment