Neulich stand ich neben jemandem, der auf einem Einrad fuhr. Kein Spektakel. Einfach so, ruhig, stabil. Irritierend war nicht die Schwierigkeit der Bewegung, sondern ihre Selbstverständlichkeit. Als hätte der Körper etwas verstanden, wofür dem Kopf die Worte fehlen.
Hier wird keine Theorie ausgeführt. Niemand denkt lange nach, wie das Einradfahren nun wirklich funktioniert. Es passiert einfach. Und genau deshalb lässt es sich so schlecht erklären oder systematisch verbessern. Motorische Fähigkeiten entstehen dort, wo Erfahrung beginnt und sich die Sprache schwer tut. Oder, wie es Daniel Kahneman formuliert: Intuitive Expertise entsteht aus langer Erfahrung mit gutem Feedback – nicht aus Regeln.
„True intuitive expertise is learned from prolonged experience with good feedback on mistakes.“
Daniel Kahneman, Thinking, Fast and Slow
Trotzdem organisieren wir Lernen immer noch so, als ließe sich Können anweisen. Wir üben, wiederholen, optimieren. Das funktioniert eine Zeit lang. Dann werden Bewegungen stabil, Fehler seltener, Fortschritt unsichtbar. Nicht, weil jemand aufgehört hätte zu lernen, sondern weil das Nervensystem effizient geworden ist.
In der Forschung zur motorischen Plastizität zeigt sich dieses „Plateau des Stillstands“ vor allem bei Menschen, die bereits sehr gut in dem sind was sie tun. Etwa professionelle Pianisten, die seit Jahrzehnten trainieren und nicht mehr weiterkommen. Nicht aus Mangel an Disziplin, sondern weil ihr Körper keine neuen Varianten mehr lernen will.
Moderne Ansätze in Robotik und KI sehen Systeme zunehmend als interaktive Partner, die mit Menschen zusammen lernen und nicht nur für sie arbeiten. Diese Zusammenarbeit basiert nicht nur auf starren Anweisungen, sondern auf zweiseitiger Interaktion und Feedback-Loops, bei denen sowohl der Mensch als auch der Roboter voneinander lernen können (Ivanova, 2022). Robotische Partner können durch geteilte Kontrolle und haptische Rückkopplung die Lernleistung von Menschen verbessern. In solchen Modellen führt der Roboter nicht nur aus, sondern führt das Lernen mit und für den Menschen – indem er Bewegungen unterstützt und zugleich das Bewegungsmuster des Menschen interpretiert und aufnimmt.
An diesem Punkt wird eine unbequeme Idee interessant: Lernen braucht nicht immer mehr Übung, sondern gelegentlich neue Erfahrung. Bewegungen, die man nicht freiwillig ausführt. Muster, die man nicht kontrolliert. Erst wenn der Körper sie erlebt hat, kann er beginnen, sie sich anzueignen. Genau hier tauchen Maschinen in einer Rolle auf, die lange niemand vorgesehen hat. Nicht als Ersatz für menschliches Können, sondern als Mittel, um Erfahrungsräume zu öffnen. Ein Exoskelett, das Finger anders bewegt, als ein Mensch es je würde, spielt kein Klavier. Es verschiebt die Grenze dessen, was der Körper kennenlernen kann – und verschwindet wieder, sobald Lernen stattgefunden hat.
So entsteht ein anderes Bild von Robotik. Maschinen übernehmen keine Arbeit, sie eröffnen Lernen. Keine dauerhaften Krücken, sondern temporäre Lernpartner. Fortschritt heißt dann nicht, dass Menschen weniger tun müssen, sondern dass sie mehr können. Der Einsatz robotischer Lernpartner scheint mir dort besonders interessant, wo Lernen über wiederholte Erfahrung, Feedback und Anpassung erfolgt, etwa im motorischen Lernen, in handlungsnahen Trainings oder in simulationsbasierten Szenarien. Für abstraktes Wissenslernen oder rein kognitive Inhalte gelten andere Voraussetzungen.
Der Roboter als motorischer Trainer
Ein Roboter wird erst dann zum Lernpartner, wenn er sich nicht darauf beschränkt, Aufgaben korrekt auszuführen. Entscheidend ist, dass er situationsabhängiges Feedback in Echtzeit gibt, ohne dem Menschen die Verantwortung abzunehmen. Fehler werden nicht automatisch korrigiert, sondern bewusst sichtbar gemacht, sodass Lernen durch Erfahrung überhaupt erst möglich wird. Der Lernende bleibt gezwungen, Entscheidungen selbst zu treffen – und genau darin liegt der Lerneffekt. Mit wachsender Kompetenz zieht sich der Roboter schrittweise zurück, reduziert sein Unterstützungsniveau adaptiv und macht sich im besten Fall überflüssig. Lernen bedeutet hier nicht Entlastung, sondern befähigte Autonomie.
Sobald man Robotik als Lernpartner denkt, verschiebt sich also ihr Zweck. Dann ist nicht mehr entscheidend, wie gut eine Bewegung mit Unterstützung gelingt, sondern was danach ohne sie möglich ist. Der Roboter dient nicht als besserer Arbeiter, sondern als Lehrer.
Die Forschung liefert dafür inzwischen ein klares Signal. In mehreren Studien zeigen robotisch unterstützte Trainingsprogramme einen entscheidenden Effekt: Die Leistungsgewinne bleiben bestehen, selbst wenn die Unterstützung wieder verschwindet. Das ist der Unterschied zwischen Hilfe und Lernen. Wer nach dem Abschalten besser ist als zuvor, hat keine Assistenz genutzt, sondern Kompetenz aufgebaut.
Besonders interessant sind dabei humanoide Trainingssysteme, die nicht nur mechanisch eingreifen, sondern auch sozial wirken. Wenn physische Unterstützung mit Interaktion kombiniert wird, steigen Motivation und Trainingsqualität deutlich (Belgiovine et al., 2020).
In der Rehabilitation ist diese Logik bereits im Einsatz – wenn auch nicht flächenmässig. Robotik wird dort genutzt, um sehr gezielt Bewegungsmuster zu trainieren, aber immer angepasst an individuelle Fortschritte. Zwei Prinzipien sind entscheidend: adaptive Assistenz und kontrollierter Rückzug. Das System hilft nur so lange, wie es nötig ist, und macht sich dann selbst überflüssig. Hier scheint ein Schlüssel für robotergestütztes motorisches Lernen (Zhou, 2016).
Spannend ist dabei diese einfache Unterscheidung: Systeme, die Aufgaben übernehmen, skalieren Effizienz. Systeme, die Fähigkeiten aufbauen, skalieren Können.
Lernen als Mensch-Maschine-Kooperation
Was passiert, wenn man das noch etwas weiter denkt? Roboter können nicht nur helfen, menschliche Bewegung zu korrigieren, sondern von Menschen lernen, wie sie diese Bewegungen strukturieren und ausführen sollen. Methoden wie „Learning from Demonstration“ erlauben es Robotern, menschliche Bewegungen zu beobachten und auf dieser Basis eigene Fähigkeiten zu entwickeln oder gemeinsam mit Menschen zu verbessern.
Der Gedanke, dass Roboter durch Beobachtung menschlicher Bewegung lernen sollten, ist nicht neu. Stefano Schaal hat ihn bereits vor Jahren als Alternative zur klassischen Programmierung formuliert – mit einer Konsequenz, die heute erst richtig sichtbar wird: Lernen wird zu einem gemeinsamen Prozess von Mensch und Maschine.
Damit würde ein Loop entstehen, der Neues schaffen kann: Dieser wechselseitige Lernprozess könnte langfristig dazu führen, dass Menschen motorische Fertigkeiten schneller internalisieren und Roboter sich besser an menschliche Bedürfnisse anpassen. Und vielleicht lassen sich ja auch völlig neue sensorische udn motorische Fähigkeiten durch dieses Hybridmodell entwickeln…
Gemeinsam etwas Neues lernen
Arbeiten wie die von Georgia Chalvatzaki verfolgen dieselbe Grundannahme: Robotik entfaltet ihren Wert nicht dort, wo sie Menschen ersetzt, sondern dort, wo sie Lernen ermöglicht. Technik kann zu einem Partner in einem gemeinsamen Entwicklungsprozess werden. Fühlt sich irgendwie besser an als das Narrativ vom stillen Ersatz menschlicher Aufgaben durch die Maschinen.
Das ändert die grundlegenden Muster: Lernen wird nicht mehr als Wissenstransfer verstanden, sondern als situative, körperliche und adaptive Erfahrung. Produktivität entsteht nicht primär durch Automatisierung, sondern durch Kompetenzaufbau. Systeme helfen, bis sie nicht mehr gebraucht werden – und genau darin liegt ihre Qualität.
Für Organisationen ist das ein Perspektivwechsel. Statt Prozesse um Maschinen herum zu bauen, rückt der Aufbau menschlicher Fähigkeiten in den Mittelpunkt. Technologie wird zur temporären Fähigkeits-Prothese: Sie unterstützt, beschleunigt, irritiert – und zieht sich zurück, sobald Können entstanden ist.
Roboter als Lernpartner sind besonders sinnvoll, wenn Kompetenzen durch Tun entstehen (Training, Simulation, Übung), Fehler erwünscht und lehrreich sind und menschliche Trainer als Reflexionspartner eingebunden bleiben. Sie sind eher ungeeignet, wenn Lernen primär aus Wissensvermittlung oder Standardinstruktion besteht.
Vielleicht ist das der eigentliche Fortschritt: nicht Maschinen, die immer mehr können, sondern Menschen, die es durch Maschinen lernen. Roboter wären dann keine Konkurrenten, sondern Katalysatoren. Helfer auf Zeit. Und genau darin liegt ihre größte Stärke.
Quellen
Rauter, G. (2019). When a robot teaches humans: Automated feedback – robotische Systeme unterstützen motorisches Lernen. Science Robotics. https://www.science.org/doi/10.1126/scirobotics.aav1560?utm_source=chatgpt.com (abgerufen am 22.1.2026)
Ivanova, E. (2022). Interaction with a reactive partner improves learning – Shared Control Strategien in robotischer Assistenz. Nature Scientific Reports. https://www.nature.com/articles/s41598-022-18617-7?utm_source=chatgpt.com (abgerufen am 21.1.2026)
Belgiovine, G. et al. (2020). A Humanoid Social Agent Embodying Physical Assistance Enhances Motor Training Experience. arXiv. https://arxiv.org/abs/2007.05980?utm_source=chatgpt.com (abgerufen am 17.1.2026)
Kahneman, D.; Klein, G. (2009): Conditions for intuitive expertise. American Psychologist, 64(6), S. 515–526. Verfügbar unter: https://psycnet.apa.org/record/2009-13024-003 (abgerufen am 20.1.2026)
Kahneman, D. (2011): Schnelles Denken, langsames Denken. München: Siedler Verlag.
(Original: Thinking, Fast and Slow, Farrar, Straus and Giroux, New York)
Schaal, S. (2006): Learning from Demonstration. IEEE. Verfügbar unter: https://ieeexplore.ieee.org/document/1640842 (abgerufen am 15.1.2026)
Zhou, S.H. (2016). Learning control in robot-assisted rehabilitation of motor skills. Taylor & Francis. https://www.tandfonline.com/doi/full/10.1080/23307706.2015.1129295?utm_source=chatgpt.com (abgerufen am 29.12.2025)
Forschungsprojekt ReScaLe (Uni Freiburg). https://uni-freiburg.de/brainlinks-braintools/rescale/?utm_source=chatgpt.com (abgerufen am 10.1.2026)