Wenn KI die Aufgabe löst: Was muss mein Kind noch selbst können?

KI-Transparenz: Bei der Erstellung dieses Beitrags wurde generative KI unterstützend eingesetzt. Die veröffentlichte Fassung wurde von der BAZURU-Redaktion inhaltlich geprüft. Quellen und zentrale Tatsachenbehauptungen werden nach unserem redaktionellen Verfahren kontrolliert. BAZURU trägt die redaktionelle Verantwortung für die Veröffentlichung.

KI kann Hausaufgaben verbessern, ohne dass ein Kind gleich viel lernt. Gleichzeitig kann sie Lernen fördern. Entscheidend ist deshalb nicht nur, ob Kinder KI nutzen – sondern welche Denkarbeit sie selbst leisten und was überhaupt Lernziel ist.

Ein Kind sitzt an den Hausaufgaben und kommt nicht weiter. Es öffnet einen KI-Chatbot. Zwei Minuten später steht eine gute Lösung auf dem Bildschirm – sauber formuliert, plausibel erklärt, vielleicht sogar besser als alles, was das Kind selbst geschrieben hätte.

Was wissen wir jetzt?

Dass die Aufgabe gelöst ist.

Was wir noch nicht wissen: Was kann das Kind selbst?

Diese Unterscheidung könnte für Eltern wichtiger werden als die Frage, welches KI-Tool gerade das beste ist. Denn generative KI kann Leistungen produzieren, die früher zumindest teilweise sichtbar machten, was jemand beherrschte: einen Text schreiben, eine Rechnung lösen, Code erzeugen, Informationen zusammenfassen oder Argumente finden.

Die entscheidende Frage lautet deshalb nicht einfach:

Darf mein Kind KI benutzen?

Welche Denkarbeit sollte mein Kind selbst leisten – und wann darf die Maschine übernehmen?

Eine endgültige wissenschaftliche Antwort gibt es darauf noch nicht. Aber inzwischen gibt es genug Forschung, um einige zu einfache Antworten auszuschliessen.

Eine gute Lösung ist noch kein Beweis für Lernen

Das Grundproblem ist älter als ChatGPT.

Die Lernforscher Nicholas Soderstrom und Robert Bjork fassten bereits 2015 eine jahrzehntelange Forschungstradition zusammen: Was während des Übens wie gute Leistung aussieht, ist nicht automatisch dasselbe wie langfristiges Lernen. Entscheidend ist vielmehr, was später noch erinnert, verstanden und auf neue Aufgaben übertragen werden kann. Die sichtbare Performance während des Lernens kann dafür ein unzuverlässiger Indikator sein.[1]

Generative KI macht diese alte Unterscheidung plötzlich sehr konkret.

In einem Experiment mit fast 1’000 Schülerinnen und Schülern der Klassen 9 bis 11 übten Jugendliche Mathematik entweder ohne KI, mit einem relativ frei nutzbaren GPT-4-Chatbot oder mit einem stärker eingeschränkten KI-Tutor.

Mit KI konnten die Jugendlichen die Übungsaufgaben deutlich besser lösen. Beim anschliessenden Test ohne KI zeigte sich jedoch etwas anderes: Die Gruppe mit dem frei nutzbaren Chatbot schnitt schlechter ab als die Kontrollgruppe. Der stärker geführte Tutor milderte diesen negativen Effekt deutlich; einen klaren zusätzlichen Vorteil gegenüber der Kontrollgruppe erzeugte er im anschliessenden Test jedoch nicht.[2]

Das beweist nicht, dass ChatGPT Kinder generell schlechter lernen lässt.

Es zeigt etwas Präziseres:

KI kann die Leistung während einer Aufgabe stärker verbessern als die Fähigkeit, eine ähnliche Aufgabe später selbst zu lösen.

Für Eltern entsteht damit ein neues Messproblem.

Was über Monate passiert, könnte noch wichtiger sein

Eine 2026 veröffentlichte Studie aus China verfolgt 26’811 Schülerinnen und Schüler der Klassen 7 bis 12 über 30 Monate. Die Daten verbinden Hausaufgaben, Bearbeitungszeiten und Prüfungen über neun Fächer hinweg.

Nach der Einführung generativer KI stiegen die Hausaufgabennoten laut Studie um 18 Prozent, während die Bearbeitungszeit um 30 Prozent sank. Gleichzeitig gingen die Ergebnisse bei monatlichen Prüfungen ohne Hilfsmittel innerhalb von sechs Monaten um 20 Prozent zurück. Besonders gross waren die Verluste bei jener grossen Gruppe von KI-Nutzenden, deren Kombination aus sehr kurzer Arbeitszeit und hohen Hausaufgabennoten nach Interpretation der Forschenden mit starkem Homework Outsourcing vereinbar war.[3]

Dieser Befund ist wichtig, aber nicht endgültig.

Die KI-Nutzung wurde nicht zufällig zugeteilt. Die Forschenden nutzen die zeitversetzte Adoption in einem Difference-in-Differences-Design. Das ist wertvoll für die Langzeitperspektive, erlaubt aber weniger eindeutige Kausalaussagen als ein randomisiertes Experiment. Zudem handelt es sich bislang um ein Discussion Paper.

Und die längerfristige Evidenz zeigt nicht nur in eine Richtung.

Ein zweijähriger Cluster-RCT mit 18 Middle Schools in Tennessee untersuchte Khan Academy plus Khanmigo, einen KI-Tutor, der eher coachen als fertige Antworten liefern sollte. Die Zuweisung erhöhte die Mathematikleistung moderat. Gleichzeitig nutzten viele Jugendliche Khanmigo selbst nur selten substanziell; die Gewinne ähnelten jenen klassischer Khan-Academy-Praxis.[4]

Ein weiteres randomisiertes Experiment mit Studierenden fand ebenfalls echte Lerngewinne: Der Zugang zu generativer KI verbesserte einen unmittelbaren Wissenstest, und ein Teil des Effekts blieb eine Woche später ohne KI erhalten. Die verzögerten Gewinne waren bei Personen stärker, die die KI eher zum Erklären und Verstehen verwendeten als zur Automatisierung der Aufgabe.[5]

Eine Arbeitshypothese passt deshalb inzwischen zu mehreren sehr unterschiedlichen Studien:

Entscheidend könnte weniger sein, ob KI benutzt wird, sondern welche lernwirksame Denkarbeit der Mensch während der Nutzung weiterhin selbst leistet.

Ob diese Regel über Altersgruppen, Fächer und Jahre hinweg stabil bleibt, wissen wir noch nicht.

KI kann Lernen fördern – gutes Design garantiert es aber nicht

Auch weitere Experimente zeigen positive Ergebnisse.

Bei Harvard-Studierenden erzielte ein speziell entwickelter KI-Tutor in zwei Physiklektionen höhere unmittelbare Lerngewinne als Active Learning im Unterricht. Langfristige Retention wurde in dieser Studie allerdings nicht untersucht.[6]

In Nigeria kombinierte ein sechswöchiges Nachmittagsprogramm generative KI mit strukturierten Aufgaben und Lehrerbegleitung. Die teilnehmenden Jugendlichen verbesserten ihre Ergebnisse gegenüber der Kontrollgruppe. Der reine KI-Effekt lässt sich aber nicht isolieren: Zusätzliche Lernzeit, Lehrpersonen und die gesamte Intervention gehörten zum selben Paket.[7]

Und ein RCT mit 371 Schülerinnen und Schülern der Klassen 7 bis 9 liefert die notwendige Gegenposition. Zwei speziell konstruierte GenAI-Interventionen sollten Motivation beziehungsweise Lernstrategien verbessern. Für Fachwissen und elaborative Lernstrategien zeigten sich gegenüber normalem ChatGPT keine robusten zusätzlichen Vorteile.[8]

Die Forschung sagt deshalb bislang weder:

KI schadet dem Lernen.

Noch:

Ein gut designter KI-Tutor löst das Problem.

Belastbarer ist:

KI kann Lernarbeit unterstützen oder Lernarbeit ersetzen. Entscheidend dürfte auch sein, was ein Kind während der Nutzung tatsächlich selbst tut.

«Dann soll mein Kind die KI einfach überprüfen»

Das klingt vernünftig.

Aber Kontrolle ist schwieriger, als sie wirkt.

In einer Studie mit 27 Radiologinnen und Radiologen mussten Fachleute Mammographien beurteilen und erhielten dabei vermeintliche KI-Empfehlungen. Wenn diese Empfehlungen falsch waren, verschlechterte sich die Leistung deutlich.

Sehr erfahrene Radiologen widerstanden den falschen Vorschlägen besser als unerfahrene. Aber auch sie waren keineswegs immun.[9]

Das ist keine Studie mit Schulkindern und keine normale ChatGPT-Anwendung. Die Ergebnisse lassen sich deshalb nicht einfach auf Hausaufgaben übertragen.

Aber sie zeigen:

Fachwissen kann bei der Kontrolle von KI helfen. Es ist kein zuverlässiger Schutzschild.

Ein ähnliches Problem zeigt die sogenannte Jagged Frontier.

In einem Experiment mit 758 Beraterinnen und Beratern von Boston Consulting Group verbesserte GPT-4 bei vielen Aufgaben Geschwindigkeit und Qualität. Bei einer bewusst ausserhalb der damaligen KI-Fähigkeitsgrenze liegenden Aufgabe sank der Anteil korrekter Lösungen in den beiden KI-Gruppen im Mittel um 19 Prozentpunkte gegenüber der Kontrollgruppe. Allerdings wurde nur eine solche Outside-the-Frontier-Aufgabe untersucht.[10]

Das Problem ist deshalb nicht nur, dass eine KI manchmal falsch liegt.

Es kann zusätzlich schwierig sein zu erkennen, bei welcher Aufgabe sie gerade falsch liegt.

Eine überzeugende Erklärung ist noch keine Kontrolle

Auch das Prüfen selbst lässt sich unterstützen.

Eine preregistrierte Studie mit 308 Personen untersuchte, wann Menschen richtigen und falschen Antworten eines Sprachmodells vertrauen. Zusätzliche Erklärungen erhöhten das Vertrauen nicht nur in richtige, sondern auch in falsche Antworten. Quellenangaben halfen eher dabei, Übervertrauen bei falschen Antworten zu reduzieren.[11]

Für Familien ergibt sich daraus eine wichtige Unterscheidung:

Eine zweite Erklärung ist noch keine unabhängige Prüfung.

Eine gute Prüfinstanz sollte möglichst andere Fehlerquellen haben als der Weg, auf dem die Antwort entstanden ist.

Je nach Aufgabe können das beispielsweise eine Originalquelle, eine Referenzlösung, ein Unit-Test, eine Messung, eine offizielle Datenbank oder eine qualifizierte Person sein.

Eine zweite KI ohne neue Evidenz ist dagegen nicht automatisch unabhängig.

Damit verändert sich auch die Frage, wie viel ein Kind selbst wissen muss.

Wir wissen bislang nicht, welches Mindestmass an Fachwissen Kinder brauchen, um KI-Ausgaben zuverlässig zu beurteilen. Und wir wissen nicht, wie weit technische Prüfsysteme diese menschliche Kontrolle künftig ergänzen oder teilweise ersetzen können.

Diese Forschungslücke sollte nicht mit einer einfachen Regel zugedeckt werden wie:

Kinder müssen alles zuerst selbst können.

Die 5-Fragen-Regel für Eltern

1. Lernziel: Soll mein Kind genau diese Fähigkeit gerade lernen? Dann sollte der zentrale Denkprozess beim Kind bleiben.
2. Stakes: Was passiert, wenn das Ergebnis falsch ist?
3. Reversibilität: Kann ein Fehler leicht entdeckt und korrigiert werden?
4. Prüfinstanz: Gibt es eine Kontrolle, deren Fehler möglichst unabhängig davon sind, wie die Antwort entstanden ist?
5. Eigenkompetenz: Welches eigene Wissen braucht mein Kind zusätzlich, um Ziel, Plausibilität und Grenzfälle beurteilen zu können?

Die Kernfrage: Was soll mein Kind nach dieser Aufgabe selbst besser können als vorher?

Zwei Entscheidungen, die Eltern nicht vermischen sollten

Die erste Frage lautet:

Was soll mein Kind gerade lernen?

Die zweite:

Was darf für das gewünschte Ergebnis an ein Werkzeug delegiert werden?

Das ist nicht dasselbe.

Wenn ein 13-jähriges Kind argumentieren lernen soll, wäre es widersinnig, die KI die Argumentation vollständig schreiben zu lassen. Nicht weil Argumentieren 2035 garantiert eine exklusive menschliche Fähigkeit sein wird.

Sondern weil Argumentieren heute das Lernziel ist.

Wenn dasselbe Kind dagegen einen fertigen Text formatieren muss und Formatierung kein Lernziel ist, kann Delegation viel unproblematischer sein.

Die richtige KI-Regel hängt deshalb nicht nur von der Aufgabe ab.

Sie hängt vom Zweck ab.

Beispiel: Lea, 13, schreibt einen Aufsatz

Lea soll im Deutschunterricht lernen, ein Argument aufzubauen.

Dann ist die Argumentation Lernziel.

Sie entwickelt deshalb zuerst ihre eigene Position und eine Gliederung.

Anschliessend kann sie die KI fragen:

Welche Gegenargumente fehlen mir? Wo ist meine Begründung schwach? Welche Perspektive habe ich übersehen?

Hier erweitert die Maschine Leas Denken, statt es vollständig zu ersetzen.

Rechtschreibung kann in derselben Aufgabe anders behandelt werden. Wenn sie nicht Lernziel ist, kann ein Teil der Korrektur automatisiert werden.

Enthält Leas Text Fakten, genügt eine zweite überzeugende Chatbot-Erklärung nicht als Check. Sie öffnet die Originalquelle.

Und einige Tage später bekommt sie ein neues Thema.

Jetzt schreibt sie eine kurze Argumentation ohne dieselbe Hilfe.

Diese zweite Aufgabe liefert eine Information, die der perfekte KI-Text nicht liefern konnte:

Ist aus der Unterstützung etwas geworden, das Lea selbst auf ein neues Problem übertragen kann?

Eine solche zeitverzögerte Transferprobe ist kein standardisierter diagnostischer Test.

Sie ist aber eine einfache Möglichkeit, die etablierte Unterscheidung zwischen momentaner Performance und längerfristigem Lernen in den Familienalltag zu übersetzen.[1]

«Aber mein Kind wird später doch sowieso KI haben»

Vielleicht.

Und genau deshalb wäre die Forderung falsch, ein Kind müsse jede Aufgabe vollständig ohne KI beherrschen, bevor es ein Werkzeug benutzen darf.

Wir leben längst anders.

Programmierer verwenden Compiler. Erwachsene benutzen Navigationssysteme und Taschenrechner. In vielen Berufen ist ungestützte Leistung nicht das Endziel.

Unaided Performance erfüllt hier zunächst eine andere Funktion:

Sie hilft uns zu erkennen, ob internes Lernen stattgefunden hat.

Das sind zwei verschiedene Fragen:

Hat mein Kind eine Fähigkeit erworben?

und

Muss es diese Fähigkeit später selbst ausführen?

Wer beide vermischt, landet schnell bei einem pauschalen KI-Verbot oder bei maximaler Delegation.

Beides ist zu einfach.

Was passiert später beim Berufseinstieg?

Ein ähnliches Problem könnte beim Übergang in die Arbeitswelt entstehen.

Eine aktuelle Analyse von US-Lohnabrechnungen findet bis Mitte 2026 keine breite gesamtwirtschaftliche Jobverdrängung durch KI. Gleichzeitig liegt die Beschäftigung von 22- bis 25-Jährigen in stark KI-exponierten Berufen 19 Prozent unter dem Niveau, das sie erreicht hätte, wenn sie mit weniger exponierten Gleichaltrigen Schritt gehalten hätte. Die Autoren behandeln dies ausdrücklich als deskriptives Frühmuster und nicht als eindeutigen kausalen KI-Effekt.[12]

Dänemark zeigt bislang ein anderes Bild.

Dort finden Forschende zwei Jahre nach dem Start von ChatGPT keine signifikanten Effekte auf Einkommen oder registrierte Arbeitsstunden und können Effekte von mehr als rund zwei Prozent weitgehend ausschliessen. Gleichzeitig verändert sich die Struktur der Arbeit: Neue Aufgaben rund um Content, Kontrolle und KI-Integration entstehen.[13]

Die seriöse Schlussfolgerung lautet deshalb nicht:

KI vernichtet Einstiegsjobs.

Sondern:

Wir wissen noch nicht, wie KI den Weg vom Anfänger zum Experten verändern wird.

Die besondere Schweizer Frage

KI ist unter Schweizer Jugendlichen bereits Alltag.

In der JAMES-Studie 2024 berichteten rund 71 Prozent der 12- bis 19-Jährigen Erfahrung mit KI-Tools; rund ein Drittel nutzte sie mindestens wöchentlich.[14]

Gleichzeitig funktioniert die Schweizer Berufsbildung auch deshalb, weil Lernende im Betrieb nicht nur lernen, sondern produktiv arbeiten.

Die aktuelle Kosten-Nutzen-Erhebung der Eidgenössischen Hochschule für Berufsbildung zeigt: Bei über 70 Prozent der Lehrverhältnisse entsteht bereits während der Ausbildung ein positiver Nettonutzen für den Betrieb. Im Durchschnitt beträgt er rund 4’500 Franken pro Lehrjahr und Lehrverhältnis.[15]

Beim Beruf Kauffrau/Kaufmann EFZ wird dieser Mechanismus besonders sichtbar. Über drei Lehrjahre stehen durchschnittlichen Bruttokosten von 89’820 Franken produktive Leistungen von 102’570 Franken gegenüber. Daraus ergibt sich ein durchschnittlicher Nettonutzen von 12’750 Franken.[16]

Diese Zahlen beweisen nicht, dass KI Lehrstellen gefährdet.

Sie zeigen lediglich, warum eine neue Schweizer Forschungsfrage relevant ist:

Was passiert mit einer Ausbildung, wenn KI gerade jene produktiven Tätigkeiten verändert, über die Anfänger heute arbeiten und gleichzeitig lernen?

Die Daten zeigen, dass produktive Arbeit der Lernenden für die Ausbildungsökonomie relevant ist.

Ob KI diese Rechnung verbessert oder verschlechtert, wissen wir noch nicht.

Genau deshalb wäre es unseriös, Eltern heute eine Liste vermeintlich KI-sicherer Berufe zu geben.

Was Eltern heute wissen können

Wir können die Welt von 2035 nicht zuverlässig vorhersagen.

Aber Eltern können heute eine bessere Frage stellen.

Nicht:

Kann KI diese Aufgabe?

Sondern:

Was soll mein Kind nach dieser Aufgabe selbst besser können als vorher?

Wenn etwas Lernziel ist, sollte KI nicht unbemerkt den entscheidenden Lernprozess übernehmen.

Wenn etwas kein Lernziel ist, kann Delegation sinnvoll sein – besonders wenn Fehler geringe Folgen haben, korrigierbar sind und unabhängig geprüft werden können.

Und wenn unklar ist, ob aus Hilfe tatsächlich Können geworden ist, bietet sich eine einfache informelle Probe an:

Ein paar Tage warten. Eine neue, ähnliche Aufgabe stellen. Die gleiche Hilfe weglassen.

Nicht weil Kinder in Zukunft ohne Maschinen leben werden.

Sondern weil wir sonst kaum erkennen können, was inzwischen ihnen gehört – und was weiterhin nur dem Werkzeug.

Vielleicht ist deshalb die wichtigste Bildungsfrage der KI-Zeit gar nicht:

Was wird die Maschine 2035 können?

Sondern:

Was wollen wir, dass ein Kind trotz immer besserer Maschinen selbst lernt – und warum?

Darauf gibt es noch keine endgültige Antwort.

Aber es ist eine Frage, mit der Familien heute schon bessere Entscheidungen treffen können.

Quellen

[1] Soderstrom, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176–199. DOI: 10.1177/1745691615569000; PMID: 25910388.

[2] Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. DOI: 10.1073/pnas.2422633122; PMID: 40560616.

[3] Strömberg, D., Lei, V., & Wu, Y. (2026). The generative AI learning penalty: Evidence from Chinese secondary education (CEPR Discussion Paper No. 21577). CEPR Press. https://cepr.org/publications/dp21577

[4] Oreopoulos, P., & Low, N. (2026). One click away: AI tutoring with Khanmigo in a two-year school experiment (NBER Working Paper No. 35620). National Bureau of Economic Research. DOI: 10.3386/w35620.

[5] Contractor, Z., & Reyes, G. (2026). Experimental evidence on the learning impact of generative AI (IZA Discussion Paper No. 18792). IZA@LISER Network. https://www.iza.org/index.php/publications/dp/18792/experimental-evidence-on-the-learning-impact-of-generative-ai

[6] Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458. DOI: 10.1038/s41598-025-97652-6; PMID: 40537565.

[7] De Simone, M. E., Tiberti, F. H., Barron Rodriguez, M., Manolio, F., Mosuro, W., & Dikoru, E. J. (2025). From chalkboards to chatbots: Evaluating the impact of generative AI on learning outcomes in Nigeria (Policy Research Working Paper No. 11125). World Bank. DOI: 10.1596/1813-9450-11125.

[8] Fütterer, T., Bardach, L., Kuhn, J., Keller, S. D., & Gerjets, P. (2026). Enhancing school students’ self-regulated learning through generative AI support: A randomized controlled trial. Educational Psychology Review, 38, 42. DOI: 10.1007/s10648-026-10133-8.

[9] Dratsch, T., Chen, X., Rezazade Mehrizi, M. H., Kloeckner, R., Mähringer-Kunz, A., Püsken, M., Baeßler, B., Sauer, S., Maintz, D., & Pinto dos Santos, D. (2023). Automation bias in mammography: The impact of artificial intelligence BI-RADS suggestions on reader performance. Radiology, 307(4), e222176. DOI: 10.1148/radiol.222176; PMID: 37129490.

[10] Dell’Acqua, F., McFowland, E., III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37(2), 403–423. DOI: 10.1287/orsc.2025.21838.

[11] Kim, S. S. Y., Vaughan, J. W., Liao, Q. V., Lombrozo, T., & Russakovsky, O. (2025). Fostering appropriate reliance on large language models: The role of explanations, sources, and inconsistencies. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (Article 420, pp. 1–19). Association for Computing Machinery. DOI: 10.1145/3706598.3714020.

[12] Brynjolfsson, E., Chandar, B., & Chen, R. (2026, August 12). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence [Working paper]. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/

[13] Humlum, A., & Vestergaard, E. (2025; revised 2026). Still waters, rapid currents: Early labor market transformation under generative AI (NBER Working Paper No. 33777). National Bureau of Economic Research. DOI: 10.3386/w33777.

[14] Külling-Knecht, C., Waller, G., Willemse, I., Deda-Bröchin, S., Suter, L., Streule, P., Settegrana, N., Jochim, M., Bernath, J., & Süss, D. (2024). JAMES: Jugend, Aktivitäten, Medien – Erhebung Schweiz. ZHAW Zürcher Hochschule für Angewandte Wissenschaften. DOI: 10.21256/zhaw-32019.

[15] Gehret, A., Kuhn, A., & Schweri, J. (2025). Lohnt sich die Ausbildung von Lernenden? Kosten, Nutzen und Ausbildungsqualität aus Sicht der Betriebe 2025. Eidgenössische Hochschule für Berufsbildung EHB. https://www.ehb.swiss/forschung/publikationen/gehret-kuhn-schweri-j-2025-lohnt-sich-die-ausbildung-von-lernenden-kosten

[16] Gehret, A., Hübsch, Y., & Schweri, J. (2025). Berufsauswertung Kauffrau und Kaufmann EFZ: Kosten, Nutzen und Ausbildungsqualität aus Sicht der Betriebe 2025. Eidgenössische Hochschule für Berufsbildung EHB. https://www.ehb.swiss/forschung/kosten-nutzen-erhebung/2025/kauffrau-und-kaufmann-efz