Vom Digitalen zum Räumlichen: Wie KI die Wirtschaftlichkeit des immersiven Lernens verändert

Räumliches Lernen hat nie an überzeugenden Anwendungsfällen gemangelt. Anatomie, Chemie, Ingenieurwesen und viele andere Fächer sind von Natur aus dreidimensional (3D), doch die Lernenden werden häufig aufgefordert, sie über Text, zweidimensionale Diagramme oder flaches Video zu erlernen und zu verstehen. Das Hauptproblem war die Wirtschaftlichkeit: genügend hochwertige interaktive 3D‑Inhalte zu erstellen, um einen normalen Lehrplan abzudecken, der traditionell spezialisierte Künstler, Entwickler und beträchtliche Produktionszeit erforderte. Künstliche Intelligenz (KI) beginnt, dies zu verändern, indem neue Formen des räumlichen Rechnens immersive Erlebnisse leichter über ein breiteres Spektrum von Geräten und Lernumgebungen bereitstellen.

Die Chance besteht nicht darin, Lehrbücher, Vorlesungen, physische Labore oder Lehrkräfte zu ersetzen. Es geht darum, die physische Darstellung dem Konzept anzupassen. Ein Lernender kann über den Aufbau eines Moleküls lesen, eine Abbildung des menschlichen Herzens untersuchen oder ein Diagramm eines Motors studieren, doch in jedem Fall muss er die Beziehungen zwischen Objekten, Strukturen und Prozessen mental rekonstruieren. Räumliches Lernen kann einen Teil dieser kognitiven Übersetzung reduzieren, indem es Lernenden ermöglicht, diese Beziehungen direkt zu inspizieren und aus verschiedenen, lebensnahen Perspektiven zu interagieren.

Vom digitalen Wissen zum räumlichen Verständnis

Der Übergang zum räumlichen Lernen ist Teil einer umfassenderen Entwicklung in der Bildungstechnologie. Die Digitalisierung eines Lehrbuchs erleichterte den Zugang zu Informationen, veränderte jedoch nicht grundlegend, wie diese Informationen dargestellt werden. Interaktive Software fügte Partizipation hinzu, und Simulationen ermöglichten Experimentieren. Räumliche Erlebnisse können einen Schritt weiter gehen, indem sie die Darstellung selbst verändern, insbesondere wenn das Fach von Natur aus räumlich ist.

Betrachten wir die Anatomie. Die Erkennung der Strukturen des menschlichen Herzens ist nur der Anfang; Lernende müssen zudem verstehen, wie diese Strukturen zueinander in Beziehung stehen, wo sie im Körper liegen und wie sie als Teil eines größeren Systems funktionieren. dieselbe Herausforderung tritt in der Chemie auf, wo die Molekülgeometrie wichtig ist, und im Ingenieurwesen, wo das Verständnis der Wechselwirkung zwischen Komponenten ebenso wichtig sein kann wie die Identifizierung der Komponenten selbst.

Eine wachsende Forschungsbasis legt nahe, dass dies mehr als ein theoretischer Vorteil ist. Eine 2024 veröffentlichte Meta‑Analyse in Anatomical Sciences Education untersuchte 27 experimentelle Studien mit 2.199 Studierenden der Gesundheitswissenschaften und stellte fest, dass Extended‑Reality‑Technologien (XR) größere Wissenszuwächse erzielten als herkömmliche Ansätze. Als XR als ergänzende Ressource neben dem konventionellen Unterricht eingesetzt wurde, verstärkte sich dieser Effekt. Die Wissensleistung mit XR übertraf zudem Lehrbücher und Atlanten, wobei 80 % der XR‑Nutzenden angaben, die Technologie als nützlich für das Erlernen der Anatomie zu empfinden.

Eine separate Meta‑Analyse von randomisierten Studien kam zu einem ähnlichen Ergebnis und stellte zudem erhebliche Variabilität zwischen den Studien fest. Diese Einschränkung ist wichtig: räumliche Technologie ist nicht automatisch lehrreich, nur weil sie immersiv ist. Ihr Wert hängt vom Instruktionsdesign, der Qualität der Darstellung und davon ab, wie gut die Erfahrung in den Rest der Lektion integriert ist.

Dasselbe Prinzip gilt für MINT. Physik beinhaltet Kräfte und Bewegungen, die schwer direkt zu beobachten sind. Erd- und Weltraumwissenschaften befassen sich mit Phänomenen, die zu groß, zu klein, zu fern oder zu gefährlich sind, um sie physisch zu reproduzieren. In jedem Fall kann eine gute räumliche Darstellung Beziehungen sichtbar machen, die sonst abstrakt bleiben würden.

Räumliche Umgebungen können Experimente auch zugänglicher machen. Anstatt lediglich das Ergebnis eines Prozesses zu sehen, können Lernende Variablen manipulieren, Hypothesen testen und das Ergebnis beobachten. Eine Simulation ermöglicht es dem Lernenden, einen Fehler zu machen, eine Annahme zu ändern und es erneut zu versuchen, ohne physische Materialien zu verbrauchen oder dieselben Sicherheits‑ und logistischen Einschränkungen wie bei manchen Laboraktivitäten einzuführen.

Forschungen zu komplexen biologischen Systemen verdeutlichen das Potenzial besonders gut. In einer Studie über 3D‑, haptisch‑unterstützte virtuelle Realität zum Lernen über das menschliche Herz wurde untersucht, ob ein interaktives 3D‑Erlebnis Sekundarschüler beim Erlernen der kardialen Anatomie und Physiologie unterstützen kann.  Die Forschenden kamen zu dem Schluss, dass 3D‑, Haptik‑ und VR‑Technologien robuste Darstellungen und von Lernenden gesteuerte Interaktionen mit komplexen biologischen Systemen ermöglichen, wobei sie zugleich feststellten, dass jüngere Schüler zusätzliche Unterstützung benötigen könnten, um neue Informationen mit übergeordneten Systemen zu verknüpfen. 

Diese Beispiele zeigen auch, warum immersive Bildung als breitere Kategorie als nur VR betrachtet werden sollte. Das Erlebnis kann in einem Headset, über Augmented Reality, auf einem bildschirmbasierten, brillenfreien 3D‑Display oder über eine andere Schnittstelle stattfinden. Die relevante Frage ist nicht, welcher Formfaktor universell am besten ist, sondern welcher den Lernenden hilft, ein Konzept zu verstehen, das sonst schwer zu visualisieren oder zu erleben wäre.

Wenn diese Kategorie wächst, könnte die wichtigste Veränderung darin bestehen, von isolierten Demonstrationen zu Erlebnissen überzugehen, die sich natürlich in den regulären Unterricht einfügen. Das erfordert nicht nur überzeugende Hardware, sondern auch ausreichend Inhalte, Lehrplan‑Abstimmung und Benutzerfreundlichkeit, sodass räumliches Lernen zu einem weiteren alltäglichen Unterrichtswerkzeug werden kann.

KI verändert die Wirtschaftlichkeit des räumlichen Lernens

Wenn räumliches Lernen seit Jahren vielversprechend ist, warum blieb es relativ spezialisiert? Einer der größten Stolpersteine war die Wirtschaftlichkeit von Inhalten. Eine hochwertige interaktive Lektion kann Fachwissen, Instruktionsdesign, 3D‑Modellierung, Softwareentwicklung und erhebliche Produktionszeit erfordern. Dieses Modell funktioniert für ausgewählte Vorzeige‑Erlebnisse; es ist viel schwieriger, es über einen gesamten Lehrplan zu skalieren.

Künstliche Intelligenz könnte beginnen, diese Gleichung zu verändern. Generative KI wird bereits von Lehrenden für praktische Aufgaben wie Unterrichtsplanung, Recherche und Inhaltserstellung eingesetzt. Laut Gallup geben sechs von zehn Lehrkräften an, KI für ihre Arbeit zu nutzen. Unter Lehrkräften der Unterstufe zeigte der OECD‑Digital‑Education‑Outlook 2026, dass 57 % zustimmten, KI helfe ihnen beim Schreiben oder Verbessern von Unterrichtsplänen, während 72 % glaubten, KI könnte die akademische Integrität gefährden, indem sie es Schülern ermöglicht, von anderen erzeugte Arbeiten als ihre eigenen auszugeben.

Diese Zahlen verdeutlichen sowohl das Momentum als auch die Herausforderung im Zusammenhang mit KI in der Bildung. Lehrkräfte experimentieren bereits mit der Technologie, doch die nützlichsten Anwendungen werden wahrscheinlich das professionelle Urteilsvermögen ergänzen statt ersetzen. Dasselbe Prinzip sollte die Nutzung von KI für räumliches Lernen leiten: Reibungen automatisieren, nicht die Pädagogik.

KI beginnt, Teile der Pipeline für räumliche Inhalte zu automatisieren, die früher spezialisierte Workflows erforderten. Je nach Material können Modelle bei der Tiefenschätzung aus 2D‑Bildern, Segmentierung, 2D‑zu‑3D‑Umwandlung, Generierung von 3D‑Assets aus Text oder Bildern, Rekonstruktion von Szenen aus Fotos und Videos sowie der Anpassung visueller Materialien für verschiedene räumliche Schnittstellen unterstützen. Keine dieser Techniken ist perfekt, aber zusammen verändern sie den Ausgangspunkt. Eine Lehrbuchillustration, ein wissenschaftliches Diagramm, ein Foto oder ein Video kann zunehmend Rohmaterial für ein interaktives räumliches Erlebnis werden, anstatt dass ein Team jedes Asset von Grund auf bauen muss.

Diese Veränderung ist wichtig, weil die Skalierung von Bildung weitgehend ein Wiederverwendungsproblem ist. Wenn Lehrkräfte und Instruktionsdesigner von Materialien ausgehen können, denen sie bereits vertrauen, während KI mehr von der repetitiven technischen Arbeit übernimmt, die nötig ist, um diese Materialien räumlich zu machen, wird immersives Lernen auf Curriculum‑Ebene leichter vorstellbar, anstatt als Sammlung teurer Einzel‑Demonstrationen.

KI kann dieselbe räumliche Lektion auch anpassungsfähiger machen. Eine schwierige Molekülstruktur könnte beispielsweise zunächst in vereinfachter Form präsentiert und dann schrittweise detaillierter enthüllt werden. Ein anderer Lernender könnte mehr Zeit damit verbringen, dasselbe Modell zu manipulieren oder zusätzliche erklärende Kontexte zu erhalten. Die Lehrkraft definiert weiterhin das Lernziel; KI kann helfen, den Weg dorthin zu variieren.

Diese Möglichkeit muss sorgfältig geplant und umgesetzt werden. UNESCOs Leitfaden zu generativer KI in Bildung und Forschung fordert eine menschenzentrierte Strategie, die die menschliche Handlungsfähigkeit schützt, Datenschutz‑ und Sicherheitsbedenken adressiert und sicherstellt, dass KI‑Systeme auf ihre ethische und pädagogische Eignung geprüft werden. UNESCO betont zudem, dass KI die menschliche Intelligenz unterstützen und nicht ersetzen sollte. 

Das Ziel sollte also nicht sein, Bildung zu automatisieren. Es sollte darin bestehen, die Kosten und das erforderliche Fachwissen zur Erstellung nützlicher räumlicher Erlebnisse zu senken, während die Lehrkräfte weiterhin für den Inhalt, die Vermittlungsmethode und die Bewertung des Lernens verantwortlich bleiben.

Räumliches Lernen in den Alltag des Klassenzimmers integrieren

Die Inhaltserstellung ist nur ein Teil der Gleichung. Der andere Teil ist, wie Lernende auf diese Erlebnisse zugreifen.

Für einen Großteil der Geschichte immersiver Technologie war der sichtbarste Weg zu räumlichen Erlebnissen das VR‑Headset. Headsets können ein starkes Maß an Immersion erzeugen, doch der Einsatz im Klassenzimmer wirft auch praktische Fragen zu Kosten, Wartung, Zugänglichkeit, Geräteverwaltung und der Leichtigkeit, mit der eine Lehrkraft zwischen Einzel‑ und Gruppenunterricht wechseln kann, auf.

Dies ist kein Argument gegen head‑mounted Geräte. Für manche Lektionen kann volle Immersion genau das richtige Werkzeug sein. Doch räumliches Lernen wird nützlicher, wenn Lehrende zwischen mehreren Bereitstellungsmodi wählen können. Bildschirmbasierte, brillenfreie 3D‑Erlebnisse können beispielsweise viele Vorteile der räumlichen Visualisierung bewahren und gleichzeitig die Hürden für lehrergeführte oder kollaborative Nutzung reduzieren. Die Frage ist nicht Headset versus Display; sondern die Schnittstelle passend zur Lehrmethode auszuwählen.

Diese Unterscheidung ist wichtig, weil Lernen im Klassenzimmer von Natur aus sozial ist. Lernende müssen Fragen stellen, Beobachtungen vergleichen und zum Lehrenden oder zu einander zurückblicken. Räumliche Technologie ist am effektivsten, wenn sie diese Interaktion unterstützt, anstatt selbst das Ziel zu werden.

Ein nützliches Praxisbeispiel ist zSpace, dessen Bildungsplattform bildschirmbasierte, brillenfreie 3D‑Hardware mit lehrplan‑angepasster Software, Simulationen und professionellem Lernen kombiniert. Die wesentliche Erkenntnis bezieht sich weniger auf ein einzelnes Produkt als auf das Bereitstellungsmodell: räumliches Lernen lässt sich leichter integrieren, wenn die Technologie wie ein Teil des Klassenzimmers wirkt, anstatt dass jeder Lernende eine separate virtuelle Umgebung betreten muss.

Dasselbe Prinzip erstreckt sich auf berufliches und medizinisches Lernen. Am UHealth – University of Miami Health System nutzen Ärztinnen und Ärzte Eonis Vision, entwickelt von Avatar Medical zusammen mit Barco, um CT‑ und MRT‑Scans während Konsultationen in interaktive, patientenspezifische 3D‑Anatomie zu verwandeln. Der aktuelle Einsatz konzentriert sich auf das Patientenverständnis und die klinische Kommunikation statt auf formale medizinische Ausbildung, illustriert jedoch dasselbe pädagogische Prinzip: komplexe Anatomie lässt sich leichter diskutieren, wenn zwei Personen dieselbe räumliche Darstellung gemeinsam untersuchen. Dieser Ansatz birgt klares Potenzial für Studierende und Auszubildende, die Anatomie anhand realer klinischer Daten lernen.

Forschungen deuten zudem darauf hin, dass immersive und räumliche Technologien häufig als Ergänzungen zum konventionellen Unterricht stark wirken, nicht als Ersatz. Die zuvor zitierte Anatomie‑Studie zeigte besonders starke Fortschritte, wenn XR als ergänzende Ressource eingesetzt wurde. Das unterstützt ein Modell, in dem räumliche Erlebnisse in eine breitere Lektion eingebettet werden, zusammen mit Diskussion, Lektüre, physikalischen Experimenten und Lehreranweisungen.

Die nächste Generation des digitalen Lernens

Die erste Welle der digitalen Bildung erleichterte den Zugang zu Informationen. Die nächste Welle wird Informationen räumlich machen. Das ist ein grundsätzlicherer Wandel, als lediglich eine weitere Inhaltsart auf einem Bildschirm zu präsentieren, weil er die Art und Weise verändert, wie Lernende mit den Informationen selbst interagieren.

Anstatt nur über eine komplexe Struktur zu lesen, können Lernende sie untersuchen. Anstatt ein Diagramm eines Systems zu betrachten, können sie es manipulieren. Anstatt die Schritte eines Prozesses auswendig zu lernen, können sie Variablen ändern und die Konsequenzen beobachten. Diese Erlebnisse können helfen, die Lücke zwischen einer abstrakten Erklärung und dem internen Modell des Lernenden, wie etwas funktioniert, zu schließen.

Das traditionelle Klassenzimmer verschwindet nicht in der Zukunft. Lehrkräfte bleiben unverzichtbar, und Grundfertigkeiten wie Lesen, Schreiben, Diskussion und kritisches Denken bleiben ebenso wichtig. Die Chance besteht darin, das Lernformat an die Natur des Konzepts anzupassen: manche Ideen lassen sich am besten durch Vorlesung oder Text vermitteln, manche durch physische Experimente, und manche werden deutlich leichter verständlich, wenn Lernende sehen können, wie die Komponenten im Raum zueinander stehen.

KI und räumliches Computing können diese letzte Kategorie deutlich zugänglicher machen. KI kann Zeit, Kosten und spezialisierte Fachkenntnisse reduzieren, die nötig sind, um vorhandene Materialien in interaktive Erlebnisse zu verwandeln, während Fortschritte in räumlicher Hardware diese Erlebnisse in mehr Klassenzimmer‑Umgebungen und auf mehr Geräten verfügbar machen können.

Das Klassenzimmer selbst könnte daher überraschend vertraut aussehen. Lehrkräfte werden weiterhin unterrichten und Lernende weiterhin zusammenarbeiten. Was sich ändert, ist die Art einiger Informationen innerhalb dieser Umgebung: Lernende können zunehmend erkunden, manipulieren und aus mehreren Perspektiven verstehen, anstatt nur eine feste Darstellung zu konsumieren.

Das ist das übergeordnete Versprechen des Wandels vom digitalen zum räumlichen Lernen. Es geht nicht darum, die heutigen Lernmethoden zu ersetzen, sondern die Zahl der Möglichkeiten zu erweitern, wie Lernende das, was ihnen beigebracht wird, verstehen können. Wenn KI die Hürde zur Erstellung räumlicher Inhalte weiter senken kann, hat immersives Lernen einen klaren Weg von spezialisierten Erlebnissen zu einem gewöhnlichen Bestandteil des Werkzeugkastens von Lehrkräften.