Die digitale Transformation hat längst auch die Bildungslandschaft erreicht – und mit ihr die Debatte um Künstliche Intelligenz (KI). Während im industriellen und administrativen Sektor bereits umfassend über Automatisierung, Predictive Analytics und Large Language Models (LLMs) diskutiert wird, gewinnt KI auch in der ökonomischen Bildung zunehmend an Bedeutung. Doch was bedeutet KI konkret für Lehr-Lern-Prozesse rund um Themen wie Finanzwissen, wirtschaftliche Zusammenhänge, unternehmerisches Denken oder nachhaltige Konsumentscheidungen? Und wie lässt sich diese Technologie inklusiv, reflektiert und zielgruppengerecht einsetzen – insbesondere im Sinne des IIWBR-Mandats, Bildung breitenwirksam, barrierearm und praxisnah zu gestalten?
Dieser Beitrag beleuchtet Chancen und Risiken von KI in der ökonomischen Bildung, verortet sie im aktuellen fachlichen Diskurs und liefert konkrete Praxisbeispiele – auch mit Blick auf die jüngsten Entwicklungen, etwa die BO-Tagung 2025 des Instituts für Ökonomische Bildung (IÖB), auf der „Heterogenität in der Beruflichen Orientierung“ zentral stand , sowie das IÖB-Projekt „Adaptives Lernen und KI in der Ökonomischen Bildung“, das im Mai 2025 die Weiterentwicklung eines KI-gestützten Lernplattform-Prototyps vorantrieb .
1. Warum gerade ökonomische Bildung? Der gesellschaftliche Handlungsdruck
Ökonomische Bildung ist keine Nischenmaterie. Sie befähigt Menschen, bewusste Entscheidungen im Alltag zu treffen – vom Umgang mit dem ersten Gehalt über die Wahl einer Altersvorsorge bis hin zur Bewertung politischer Maßnahmen wie Entlastungspaketen oder CO₂-Preisen. Gerade in Zeiten multipler Krisen – Klimawandel, geopolitische Unsicherheit, Inflation – ist fundierte ökonomische Urteilsfähigkeit ein zentraler Baustein gesellschaftlicher Resilienz.
Doch die Realität ist ernüchternd: Laut OECD-PISA-Studien zeigen viele Jugendliche in Deutschland signifikante Defizite im ökonomischen Verständnis. Gleichzeitig steigt die Komplexität wirtschaftlicher Zusammenhänge – nicht zuletzt durch digitale Geschäftsmodelle, algorithmische Preissetzung oder Kryptowährungen. Hier setzt KI als potenzielle „Verständnishilfe“ an: Sie kann abstrakte Konzepte visualisieren, individuelle Lernpfade ermöglichen und reale Daten dynamisch in den Unterricht einbinden.
2. Chancen: Personalisierung, Interaktivität, Barriereabbau
2.1. Adaptives Lernen auf individuellem Niveau
KI-Systeme können in Echtzeit analysieren, welche Konzepte Lernende bereits verstanden haben – und wo Verständnislücken bestehen. Ein Schüler, der bei „Angebot und Nachfrage“ unsicher ist, erhält andere Zusatzmaterialien als eine Auszubildende, die Schwierigkeiten mit Zinseszinsberechnungen hat. Solche adaptiven Lernsysteme sind längst in der Sprachförderung etabliert – nun ziehen sie in die Wirtschaftsbildung ein. Das IÖB arbeitet aktuell an einem Prototypen, der genau diesen Ansatz verfolgt .
2.2. Simulationen und „Sandbox“-Ökonomien
KI ermöglicht dynamische Simulationen: Lernende können etwa eine kleine „Stadtökonomie“ steuern, in der sie als Bürgermeister:in Steuern festlegen, Investitionen tätigen und die Auswirkungen auf Beschäftigung, Umwelt und soziale Gerechtigkeit beobachten. Anders als bei statischen Fallstudien reagiert das System adaptiv auf Entscheidungen – und macht Nebenwirkungen sichtbar, die menschliche Lehrende so schnell nicht modellieren könnten.
2.3. Barrierefreiheit durch KI – ein zentraler Gewinn für inklusive Bildung
Hier liegt eines der größten, oft unterschätzten Potenziale: KI kann ökonomische Bildung inklusiver machen.
- Sprachliche Barrierefreiheit: Tools wie DeepL oder KI-basierte Echtzeit-Übersetzer ermöglichen Zugänge in Einfacher Sprache, Leichte Sprache oder verschiedene Muttersprachen – entscheidend für Geflüchtete, Menschen mit Lernschwierigkeiten oder geringer Literalität .
- Akustische/visuelle Zugänglichkeit: Automatische Untertitelung (z. B. via Otter.ai), Bildbeschreibungen für Grafiken oder Vorlesefunktionen öffnen Lerninhalte für blinde, sehbehinderte oder schwerhörige Personen .
- Kognitive Entlastung: KI kann komplexe Texte zusammenfassen, Fachbegriffe kontextsensitiv erklären oder interaktive Mindmaps erstellen – eine Entlastung für alle, aber besonders für neurodiverse Lernende .
Wichtig: Diese Tools müssen bewusst und barrierefrei gestaltet eingesetzt werden – etwa durch Kontrastoptimierung, Tastaturnavigation oder klare Sprachausgabe . Ally, ein KI-gestütztes Barrierefreiheits-Tool, erkennt automatisch Zugangsprobleme und liefert praxisnahe Lösungsvorschläge .
3. Risiken: Bias, Entmündigung, digitale Spaltung
Doch KI ist kein neutraler „Wunderhelfer“. Ihre Einsatzmöglichkeiten bergen erhebliche Risiken – besonders in einem sensiblen Feld wie der ökonomischen Bildung, das stark normativ aufgeladen ist.
3.1. Verstärkung von Vorurteilen durch algorithmische Bias
KI-Modelle lernen aus historischen Daten – und diese enthalten oft strukturelle Diskriminierungen. Eine KI, die „erfolgreiche Unternehmer:innen“ beschreibt, könnte überwiegend weiße Männer nennen; ein Tool zur „Kreditwürdigkeitsbewertung“ könnte Muster reproduzieren, die bestimmte Wohnviertel oder Herkunftsländer benachteiligen. Ohne kritische Begleitung läuft die ökonomische Bildung Gefahr, bestehende Ungleichheiten zu naturalisieren statt zu hinterfragen .
3.2. Verlust von Urteilsfähigkeit und kritischem Denken
Wenn KI „für uns“ rechnet, argumentiert oder zusammenfasst, droht eine Entmündigung. Ökonomische Bildung zielt aber gerade darauf ab, eigene Urteile zu bilden – etwa: Ist Wachstum immer erstrebenswert? Welche Verteilungswirkungen hat eine Steuer? Wer KI als Blackbox nutzt, ohne ihre Logik zu verstehen, verliert diese Urteilsfähigkeit. Deshalb muss KI-Einsatz immer mit Reflexionsphasen verbunden sein: Warum hat das Modell diese Lösung vorgeschlagen? Welche Annahmen liegen zugrunde? Welche Perspektiven fehlen?
3.3. Die digitale Kluft vertieft sich
Wer keinen Zugang zu Endgeräten, stabilem Internet oder digitaler Grundkompetenz hat, wird von KI-gestützten Angeboten ausgeschlossen. Besonders betroffen sind ältere Menschen, sozial Benachteiligte oder ländliche Räume mit schlechter Infrastruktur. KI darf nicht zu einer zweigeteilten Bildung führen: einerseits personalisierte High-Tech-Lernpfade für privilegierte Gruppen, andererseits analoge Standardangebote für alle anderen .
4. Praxisbeispiele: Was funktioniert – und was nicht?
✅ Gelingensbeispiel 1: Der „KI-Kompetenzbildungs-Programm“-Ansatz
Wie die Wirtschaftsförderung zeigt, lassen sich KI-Themen in kompakte, handlungsorientierte Module gliedern – etwa in sieben einstündigen Einheiten zu Grundlagen, Tools, Ethik und Anwendung . Für die ökonomische Bildung ließe sich ein ähnliches Format denken:
- Modul 1: „KI und Arbeitswelt – welche Jobs verändern sich?“
- Modul 2: „KI-Tools analysieren: Wie funktioniert ein Algorithmus bei einer Bank?“
- Modul 3: „Eigene KI-Prompting-Übungen: Wie frage ich nach verständlichen Erklärungen zu Inflation oder Zinspolitik?“
✅ Gelingensbeispiel 2: Co-Kreation mit Lernenden
Statt KI von oben vorzugeben, können Jugendliche selbst KI-Tools testen, bewerten und Verbesserungsvorschläge machen – etwa in einem Workshop: „Designe eine barrierefreie KI-App für Finanzbildung“. Dies fördert nicht nur Medienkompetenz, sondern auch Selbstwirksamkeit .
❌ Scheiternsbeispiel: KI als reiner Content-Lieferant
Wenn Lehrende KI nutzen, um Arbeitsblätter zu generieren – ohne inhaltliche Überprüfung –, entstehen oft Fehlinformationen oder stereotype Darstellungen (z. B. „der Unternehmer“ als männlicher Einzelkämpfer). KI kann unterstützen, nicht ersetzen. Die pädagogische Verantwortung bleibt beim Menschen .
5. Ausblick: KI als Partner – nicht als Ersatz
KI wird die ökonomische Bildung nicht revolutionieren – aber sie kann sie transformieren: hin zu mehr Individualisierung, Zugänglichkeit und Aktualität. Voraussetzung ist jedoch ein kritisch-reflexiver, inklusiver und partizipativer Umgang. Wie auf der Jahrestagung der Deutschen Gesellschaft für Ökonomische Bildung (DeGÖB) 2025 deutlich wurde, steht die Branche vor dem Spagat zwischen technologischem Fortschritt und pädagogischer Verantwortung .
Das IIWBR sieht hier eine klare Aufgabe:
- Entwicklung barrierefreier KI-Tools für heterogene Zielgruppen
- Fortbildung von Multiplikator:innen im Umgang mit KI-Ethik und Prompting
- Forschung zu langfristigen Wirkungen auf Urteilsbildung und Handlungskompetenz
Denn am Ende geht es nicht darum, möglichst viel KI einzusetzen – sondern darum, mehr Menschen zu befähigen, selbstbestimmt und solidarisch in einer digitalen Wirtschaft zu handeln.