Drei Lesarten generativer KI als Stufe der Schriftkultur

1Einleitung: Warum drei Lesarten?

Seit der breiten Verfügbarkeit großer Sprachmodelle ist generative KI zur Alltagsinfrastruktur der Wissensarbeit geworden – und die Debatte pendelt zwischen zwei Extremen: KI als epochaler Bruch oder als vorübergehender Hype. Der Beitrag schlägt eine dritte Position vor: Generative KI ist weder Bruch noch Hype, sondern die nächste Stufe einer sehr alten Geschichte – der Geschichte der Schriftkultur. Aus dieser Standortbestimmung ergeben sich drei Lesarten desselben Phänomens: eine positive, eine sachliche und eine negative. Keine der drei darf die anderen aufheben; verantwortliche KI-Praxis (die Tagungsfrage Human-Driven AI) verlangt, sie als Schichten desselben Gegenstands gleichzeitig zu lesen.

Neu gegenüber der essayistischen Vorarbeit ist die empirische Verankerung: Eine Befragung von 101 angehenden Primarstufen-Lehrpersonen zeigt, wie die drei Lesarten in einer konkreten Population Gestalt annehmen – wer welche Werkzeuge nutzt, wer dafür bezahlt und was die künftigen Lehrer*innen von ihren Institutionen erwarten.

2Mediengeschichtliche Rahmung

Die Linie beginnt bei der Höhlenmalerei: ikonische Zeichen mit unbegrenztem Repertoire. Mit Piktogrammen und Hieroglyphen beginnt die Reduktion (mehrere hundert bis über 5.000 Zeichen), das phönizische Konsonantenalphabet verdichtet auf 22 Lautzeichen, die Griechen ergänzen Vokale – Schrift wird breit erlernbar. Der Kodex bringt den wahlfreien Zugriff (Vorläufer aller Random-Access-Strukturen), der Buchdruck stabile Verweise und erschwingliche Bücher, der Hypertext macht den Verweis operativ, und die binäre Codierung vollendet die Reduktion: Mit zwei Zeichen lässt sich jede Repräsentationsform darstellen. Der Kern der Argumentation: Minimale Zeichenvarianz erzeugt maximale algorithmische Dichte – Universalität entsteht wegen der Reduktion, nicht trotz ihrer. Große Sprachmodelle nehmen darauf die unvollendete Semantic-Web-Aufgabe an: Sie kodieren Bedeutung nicht deklarativ, sondern emergent.

Die vollständige mediengeschichtliche Darstellung – von Lascaux über Gutenberg, Bush, Nelson und Berners-Lee bis zu den LLMs – samt Poster findet sich auf der Seite der Vorarbeit: Von der Höhlenmalerei zur Künstlichen Intelligenz (uDay XXIV, FH Vorarlberg, 2026).

3Positive Lesart: Inklusion durch Maschinenlesbarkeit

Öffentlichkeit setzt zugängliche Kommunikation voraus (Habermas, 1992): Wer aus sprachlichen, kognitiven oder sensorischen Gründen nicht teilnehmen kann, ist faktisch ausgeschlossen. Bisherige Zugänglichkeits-Strategien – Leichte Sprache, Brailleschrift, vereinfachte Behördentexte – sind Reduktionsstrategien: Sie erzeugen einen separaten, vereinfachten Text neben dem „normalen“. Vollständige Maschinenlesbarkeit verschiebt diese Logik grundsätzlich: Derselbe Text kann automatisch übersetzt, vereinfacht, akustisch ausgegeben oder multimodal angereichert werden – je nach Voraussetzung der lesenden Person. Inklusion wechselt von Reduktion zu Transformation. Das ist das normative Versprechen der neuen Stufe – ob es eingelöst wird, ist eine Frage der Bereitstellung (dazu Abschnitt 8).

4Sachliche Lesart: One App to Rule Them All

Die zweite Lesart nimmt die ökonomisch-technische Bewegung der Branche nüchtern ernst: Ein generalistisches Modell absorbiert Aufgaben, die zuvor eigene Anwendungen verlangten – Übersetzung, Zusammenfassung, Recherche, Code, Bildgenerierung. Die One-App-These ist keine Prognose mehr, sondern beobachtbare Praxis: ein einziges Modell an der Stelle der vormals eigenständigen Bürosoftware. Drei Differenzierungen gehören dazu, keine hebt die These auf: Fachwissenschaftliche Tiefe lebt noch in Spezialmodellen (AlphaFold), wandert aber über agentische KI sichtbar in den Generalisten; Edge-Modelle koexistieren aus Latenz-, Offline- und Datenschutzgründen, sind aber kein Gegenmodell; politisch gestaltete Souveränität (Apertus, OpenGPT-X, Mistral) produziert eigene Generalisten – die Frage verschiebt sich von „Generalismus ja/nein“ zu „wessen Generalist“.

5Negative Lesart: Lieferantisierung

Für die dritte Lesart schlägt der Beitrag einen eigenen Begriff vor: Lieferantisierung. Anders als die geläufige Substitutionsthese („KI ersetzt Arbeit“) beschreibt Lieferantisierung die Verschiebung der Produktion in eine Mietbeziehung: Wir produzieren weiter wie zuvor – schreiben, recherchieren, analysieren, vermitteln –, aber das Werkzeug, mit dem wir produzieren, wird monatlich gemietet, von einer Handvoll konsolidierender Anbieter.

Mehrere Mechanismen verstärken sich dabei: Mertons Matthäus-Effekt (Sichtbarkeit und Ressourcen konzentrieren sich auf dominante Akteure), Khans Plattform-Analyse (die Kleinen finanzieren die Marktmacht, gegen die sie nicht bestehen können), Watters’ hundertjährige Geschichte der Teaching Machines (Privatisierung pädagogischer Infrastruktur als wiederkehrendes Muster) und Fishers Capitalist Realism (es fällt leichter, sich das Verschwinden der Universität vorzustellen als Werkzeuge in eigener Verfügung). Die Größenordnung 2026: Anthropic und OpenAI summieren sich auf rund 1,8 Billionen US-Dollar Bewertung – das Bruttoinlandsprodukt Spaniens.

6Empirie: Methode

Querschnittsbefragung im Lehramtsstudium Primarstufe an der PH Vorarlberg (Mai 2026): anonymer Online-Fragebogen, im Hörsaal selbst ausgefüllt, auf PH-eigener Infrastruktur. Nach Bereinigung um Testeinträge und einen inkonsistenten Datensatz: N = 101 in drei Kohorten – Bachelor 6. Semester (n = 30), Master 1. Jahrgang (n = 36), Master 2. Jahrgang (n = 35). 95 % weiblich (entspricht der Population), 75 % bereits im Schuldienst – die Master-Kohorten fast vollständig, der Bachelor zu 27 %.

Das Instrument umfasst 24 Items in sechs Blöcken: Demografie inkl. PISA-Indikatoren, KI-Nutzung, Zugang und Bezahlung (mit Verzweigung für Zahlende), wahrgenommene Unterschiede und Bildungsgerechtigkeit (5-stufige Likert-Skalen), akademisches Schreiben, offene Frage. Ausgewertet wird dem ordinalen Datenniveau entsprechend nichtparametrisch: Mediane statt Mittelwerte, Mann-Whitney-U- und Kruskal-Wallis-Tests für Gruppenvergleiche, Spearman-Rangkorrelationen für Zusammenhänge. Subgruppen (n ≈ 30–36) erkennen nur große Effekte – entsprechend werden diese Analysen explorativ interpretiert.

7Befunde

7.1 Ein Generalist ersetzt die Bürosoftware

ChatGPT ist mit 87 % regelmäßiger Nutzung das Standardwerkzeug; der Zweitplatzierte folgt erst bei 34 %. 83 % nutzen KI mehrmals pro Woche oder öfter – Alltagsinfrastruktur, kein Experiment. Genutzt wird sie vor allem fürs Schreiben (Überarbeiten 88 %, Brainstorming 85 %, Recherche 81 %, Zusammenfassen 75 %), gefolgt von Bildgenerierung (62 %) und Tutoring (50 %). Bemerkenswert für die positive Lesart: Die für die Inklusionsthese zentralen Funktionen rangieren nachrangig – KI dient dieser Population als Schreibassistenz, nicht als Zugänglichkeitsinfrastruktur. Coding-Werkzeuge bleiben unter 10 % – die One-App-These als gelebte Praxis.

7.2 Die Miete zahlen die Studierenden privat

52 % nutzen Bezahlversionen – und dieses Bezahlsegment ist ein Quasi-Monopol: 92 % der Zahlenden haben ChatGPT Plus oder Pro. Bezahlt wird privat: 68 % allein, der Rest geteilt mit Familie oder Partner*in. Kein einziger der 101 Befragten nennt Hochschule oder Dienstgeber als Bereitsteller – obwohl über die Microsoft-365-Lizenzen von Hochschule und Bund formal ein Copilot gratis verfügbar wäre. Dass diese Basis-Bereitstellung weder als solche wahrgenommen wird noch die private Zahlungsbereitschaft ersetzt, ist selbst ein Befund: Das institutionell Bereitgestellte deckt den wahrgenommenen Bedarf nicht. Die Kostenbarriere ist real: 59 % haben aus Kostengründen bereits auf ein gewünschtes Werkzeug verzichtet. Zugleich werden die Qualitätsunterschiede zwischen Gratis- und Bezahlversionen quer durch die Population deutlich wahrgenommen (Median 4 von 5) – auch von denen, die nicht zahlen.

7.3 Ein kohärenter Institutionalismus-Faktor

Die institutionellen Erwartungen sind durchweg hoch: Hochschule, Dienstgeber und Gesellschaft sollen bereitstellen (jeweils Median 4 von 5, im Bachelor 5). Die drei Erwartungen korrelieren stark (ρ = 0,71) – sie bilden eine kohärente Haltung, im Beitrag Institutionalismus-Faktor genannt. Entscheidend: Die Zustimmung zur öffentlichen Bereitstellung ist statistisch unabhängig von der eigenen Zahlhöhe – auch selbst zahlende Studierende stimmen zu. Die Bibliotheks-These ist damit keine Kompensationshaltung wirtschaftlich Schlechtergestellter, sondern eine prinzipielle Erwartung quer durch alle Zahlungsschichten. Und sie hat ein Kohortengefälle: je jünger, desto stärker (Bachelor Md 5,0 · Master 1. Jg. 4,0 · Master 2. Jg. 3,0). Die Selbsteinschätzung der Population ist dabei auffallend nüchtern: 78 % sehen sich gegenüber Mitstudierenden weder bevor- noch benachteiligt – der sonst übliche „Better-than-average“-Effekt bleibt aus.

8Das Bibliotheks-Argument

Jede frühere Diskretisierungsstufe bekam ein gerechtes Pendant: Buchdruck → öffentliche Bibliotheken, Volksbildung, Pflichtschule; Hypertext → Wikipedia, Creative Commons, freie Software. Bei generativer KI fehlt dieses Pendant bislang – die entscheidenden Modell-Gewichte sind privat und kostenpflichtig zugeteilt. Das Vakuum füllen derzeit die Anbieter selbst: „Claude for Teachers“ (Juli 2026) stellt US-Lehrkräften ein kostenloses, an die Bildungsstandards aller 50 Bundesstaaten angebundenes KI-Paket bereit – großzügig, aber befristet, konditioniert und außerhalb öffentlicher Governance.

Dazu tritt das Rückgabe-Argument: Die Trainingskorpora der großen Modelle schöpfen erheblich aus öffentlich finanzierter Wissensproduktion – Universitätspublikationen, digitalisierte Bibliotheksbestände, Wikipedia. Wer das öffentliche Erbe in den Trainingscorpus einspeist, erhält das daraus generierte Produkt nur als kostenpflichtiges Werkzeug zurück: nicht nur Marktkonzentration, sondern eine normative Asymmetrie der Aneignung.

Bereitstellung ist dabei zu differenzieren. Kollektiver Abonnement-Einkauf durch den Staat würde nur das wissenschaftliche Publikationswesen reproduzieren, in dem die Gesellschaft ihr eigenes, öffentlich finanziertes Wissen von einem Verlags-Oligopol zurückkauft. Die Bibliothek war nie die Einkaufsabteilung der Verlage – sie ist eine Institution mit eigener Governance. Genau diese Infrastruktur-Form verlangt die Analogie auch für KI: öffentliche Trägerschaft statt staatlich finanzierter Miete.

9ERP als Präzedenzfall – und die Kaskade

Der Hochschul-IT ist die Abhängigkeit von einem einzelnen proprietären Anbieter nicht neu. Bei ERP-Systemen haben die Hochschulen institutionell geantwortet: Die SAP University Competence Centers stellen als geteilte, hochschulseitig getragene Infrastruktur seit den 2000er-Jahren tausenden Bildungseinrichtungen Systeme für Lehre und Forschung bereit – statt privater Einzellizenzen. Genau dieses institutionelle Antwortmodell fehlt bei generativer KI bislang. Zugleich wandert die Konzentration im Stack nach oben: Selbst etablierte Softwareanbieter beziehen ihre KI-Modelle von wenigen Infrastrukturanbietern (SAP etwa in strategischer Partnerschaft mit Anthropic). Die Lieferantisierung erfasst nicht nur Endnutzer*innen – sie kaskadiert von der Studentin bis zum Softwarekonzern.

10Empfehlungen

Erstens, institutionell: Pädagogische Hochschulen sollten KI-Werkzeuge institutionell bereitstellen – analog zu Softwarelizenzen und Bibliothekszugang. Die Erwartung der Studierenden ist deutlich, die curriculare Verankerung vorhanden, die materielle Einlösung steht aus. Bereitstellung ist zugleich die Voraussetzung didaktischer Gestaltung: Aufgabenkultur, Prüfungsformate und kritische Reflexion lassen sich nur dort entwickeln, wo Nutzung institutionell sichtbar stattfindet – nicht privat, unsichtbar und je nach Zahlungsbereitschaft ungleich verteilt.

Zweitens, Dienstgeber: Schulerhalter sollten berufstätigen Lehrpersonen den Zugang zu KI-Werkzeugen ermöglichen – drei Viertel der Befragten stehen bereits im Schuldienst und erwarten genau das.

Drittens, öffentlich: Die Diskussion um KI als öffentliches Gut gehört über die Bildungspolitik hinaus geführt – getragen vom Rückgabe-Argument und von der empirisch belegten, prinzipiellen Erwartung der kommenden Lehrer*innengeneration.

11Grenzen der Studie

Der Beitrag benennt seine Grenzen ausdrücklich: Das Querschnittsdesign erlaubt keine Kausalaussagen; die Stichprobe ist auf eine österreichische PH und das Lehramt Primarstufe beschränkt – Generalisierungen sind nicht zulässig, die Befunde sind Ausgangspunkt für eine breitere DACH-Vergleichsstudie. Die statistische Power für Subgruppen ist begrenzt; die ausbleibenden Herkunftseffekte sind durch die ökonomische Nivellierung der Population (75 % im Schuldienst) erklärbar. Selbstauskünfte sind anfällig für soziale Erwünschtheit – der ausbleibende Selbstüberschätzungs-Effekt spricht allerdings für realistische Antworten. Und: Die Studie erhebt Nutzung und Erwartungen, nicht Lernwirksamkeit – ob und unter welchen Bedingungen KI das Lernen tatsächlich unterstützt, bleibt eine offene empirische Frage; das Bereitstellungs-Argument ruht auf normativen Gründen.

12Ausblick: das KI-Labor der PH Vorarlberg

Ab Herbst 2026 baut die PH Vorarlberg die institutionelle Antwort, deren Fehlen der Beitrag diagnostiziert: ein KI-Labor mit lokaler, DSGVO-konformer KI auf eigener Hardware, einer anonymisierenden Bridge zu token-basierten Frontier-Modellen und Lizenzen für Studierende. Die Bibliotheksform der KI – institutionell getragen, mit eigener Governance.

13Material & Downloads

• 📄 Beitrag im Konferenzband: erscheint bei Springer – Verweis samt DOI folgt nach Publikation; anschließend hier auch die Autorenfassung (Accepted Manuscript) gemäß Verlagsrichtlinien
• 🖥️ Vortragsfolien (PDF): folgt nach der Konferenz
• 🖼️ Poster der Vorarbeit (uDay XXIV 2026): schroffenegger.at/vortraege/UDay2026
• 📊 Anonymisierte Mikrodaten: in Vorbereitung

14Literatur (Auswahl; vollständig im Tagungsband-Beitrag)