Playbook DE

0. Über dieses Playbook

0. Über dieses Playbook

0.1 Ziele und Aufbau des Playbooks

Dieses Playbook richtet sich an Sie als Lehrkräfte, die sich das notwendige Wissen zum Einsatz von KI an Schulen aneignen möchten. KI wird dabei für verschiedenste Zwecke genutzt. In Bezug auf den Unterricht konzentrieren wir uns auf die Bereiche „Lehren über KI“ und „Lehren mit KI“, um fachspezifisches Wissen zu vermitteln.

Die Entwicklung der Künstlichen Intelligenz (KI) schreitet in einem extrem hohen Tempo voran, und ihr Einsatz durchdringt zunehmend unsere Gesellschaft und erreicht Bereiche des Alltags wie die Bildung. Diese Durchdringung bringt vielfältige und oft miteinander verknüpfte Auswirkungen mit sich, die ethische, soziale, wirtschaftliche, rechtliche und kulturelle Dimensionen umfassen und Themen wie Datenschutz, Fairness und Nichtdiskriminierung, algorithmische Transparenz, technische Sicherheit und Rechenschaftspflicht berühren. Gerade wegen der Geschwindigkeit dieser Verbreitung und des Ausmaßes ihrer Folgen besteht ein wachsender Bedarf an gemeinsamen Leitlinien, regulatorischen Rahmenwerken und Steuerungsinstrumenten, die die technologische Entwicklung in eine verantwortungsvolle und nachhaltige Richtung lenken können.

Um unseren Ansprüchen gerecht zu werden, haben wir das Playbook wie folgt aufgebaut:
Kapitel 1 beleuchtet die grundlegenden Aspekte, die für den Einsatz von KI im Unterricht unerlässlich sind. Es beginnt mit einer Einschätzung der Potenziale und Risiken von KI. Es folgt eine Unterscheidung zwischen „Lehren über KI“ und „Lehren mit KI“.

„Lehren über KI“ versteht sich als Grundlage, um KI kompetent im jeweiligen Fach einsetzen zu können. Gerade die Potenziale und Herausforderungen der KI machen es notwendiger als in anderen Bereichen der schulischen Bildung, sich mit den ethischen und rechtlichen Rahmenbedingungen für den Einsatz von KI auseinanderzusetzen. Diese Fragen behandeln wir in Kapitel 1.4 und 1.3. Kapitel 1 schließt mit den länderspezifischen rechtlichen Anforderungen ab.

In Kapitel 2 wenden wir uns der Unterrichtspraxis zu und stellen eine stetig wachsende Zahl von Beispielen für verschiedene Schulfächer bereit. Alle Beispiele basieren auf einem Kompetenzmodell, dessen Lernziele wir in Kapitel 3 beschreiben.

Kapitel 4 beschreibt anschließend, wie Sie die notwendigen Qualifikationen für den Einsatz von KI erwerben können.

Kapitel 5 richtet sich an Schulen, die die KI-Kompetenz ihrer Lehrkräfte systematisch verbessern und KI in den schulischen Alltag integrieren möchten. 



...

0. Über dieses Playbook

0.2 Für Lehrkräfte: So nutzen Sie das Playbook

Gemini_Generated_Image_t1spb4t1spb4t1sp.jpg

Erstellt mit Google Gemini

Für Lehrkräfte

Es gibt verschiedene Wege, das Playbook zu nutzen.

Option 1: Sie suchen Ideen für Ihren nächsten Schultag – um mit Ihrer Klasse über KI zu arbeiten oder um KI für die Vermittlung fachlicher Inhalte einzusetzen.

Gehen Sie in diesem Fall direkt zu Kapitel 2, in dem wir laufend neue Praxisbeispiele ergänzen. Wir hoffen, dass Sie dort finden, wonach Sie suchen. Falls nicht, schreiben Sie uns gerne eine E-Mail, damit wir ein neues Angebot entwickeln können, das die von Ihnen erkannte Lücke schließt.

Option 2: Sie möchten sich über den rechtlichen Rahmen für den Einsatz von KI informieren. Gehen Sie in diesem Fall zu Kapitel 1.1.

Option 3: Sie möchten die Qualifikationen erwerben, um wirksam über KI zu unterrichten und KI in Ihren Fachunterricht einzubinden.

In diesem Fall laden wir Sie ein, unseren Einstiegstest zu absolvieren und anschließend unsere Qualifizierungsmodule zu durchlaufen. Mit dem Erwerb von Micro-Credentials können Sie sich umfassend und passend zu Ihrem Kenntnisstand weiterbilden.

Für Schulleitungen

Sind Sie bereit, sich mit Ihrer Schule auf eine spannende Reise zu begeben und KI in Ihre berufliche Welt zu holen? In Kapitel 5 zeichnen wir eine klare Roadmap, die Sie Schritt für Schritt begleitet. Unser Qualifizierungsprogramm befähigt Sie, Ihr Kollegium für das bevorstehende Abenteuer auszustatten.

Für Lehrende an Hochschulen

KI prägt die Lehrerbildung – mal mit kräftigen Strichen, mal in feinen Nuancen. Versteht man Lehrerbildung als einen Weg, der an der Hochschule beginnt und über die Zeit wächst, bietet Ihnen Kapitel 5 eine Roadmap, um angehende Lehrkräfte dabei zu inspirieren und zu unterstützen, sich in der sich wandelnden KI-Landschaft zurechtzufinden.

1. KI in der Bildung

1. KI in der Bildung

1.1 Potenziale & Risiken

Wenn Sie sich nur einen Satz von dieser Seite merken: KI hat den Weg in die Schulen gefunden wie ein Medikament ohne Beipackzettel. Als Lehrkraft wissen Sie nicht, wann Sie KI einsetzen sollen, es fehlen Ihnen Dosierungsanweisungen, und es gibt keine Informationen über die Nebenwirkungen. Dieses Kapitel dient als Beipackzettel für das Playbook.

Sollte KI mit einem Beipackzettel kommen wie ein Medikament?

Sie kennen doch dieses kleine Faltblatt, das in jeder Medikamentenschachtel steckt? Das, das Sie vermutlich achtlos beiseitelegen, ohne einen Blick darauf zu werfen? Es mag unscheinbar wirken, aber dieses kleine Blatt ist ein stiller Triumph des vergangenen Jahrhunderts. Der Beipackzettel legt vier wesentliche Dinge offen: wogegen das Medikament wirkt, wie viel man einnehmen soll, welche Überraschungen es bereithalten könnte, und wer besser die Finger davon lässt.

Hinter jeder Zeile dieses Beipackzettels steht ein ganzer Apparat: klinische Studien, Aufsichtsbehörden und die Pflicht, Fehler offenzulegen. Niemand glaubt, dass der Beipackzettel selbst heilt. Seine wahre Stärke besteht darin, das Medikament für jeden sicher zu machen. Genau diese Magie fehlt uns, wenn wir KI ohne Anleitung unterrichten lassen.

Die KI-Werkzeuge, die sich derzeit still und leise in Ihrer Schule einnisten, kamen ohne Gebrauchsanweisung. In Großbritannien ergab eine Untersuchung, dass nur 7 von 100 Bildungstechnologie-Unternehmen ihre Produkte jemals in einer kontrollierten Studie getestet hatten, und nur 12 von 100 eine externe Zertifizierung angestrebt hatten. Im Klassenzimmer zeigt sich dasselbe Bild. Nur 11 von 100 Schulleitungen und Lehrkräften in 17 US-Bundesstaaten hatten jemals einen begutachteten Wirksamkeitsnachweis eingefordert, bevor sie ein neues Werkzeug einführten.

Das Ergebnis ist in vielen Fällen verschwendetes Geld. In den USA verstaubten zwei Drittel der schulischen Softwarelizenzen ungenutzt, und 98 % wurden so gut wie nie eingesetzt. Das EdTech Genome Project untersuchte rund 7.000 Lehrmittel im Wert von 13 Milliarden Dollar und stellte fest, dass 85 % entweder falsch zugeordnet oder falsch eingesetzt wurden.

Dieses Kapitel mag wie der trockene Pflichtteil wirken, doch es enthüllt die verborgenen Geschichten hinter den Regeln. Es erzählt, was wirklich geschah, wer betroffen war, und wirft ein Licht auf die Nebenwirkungen – auch jene, die still und leise Kinder erreichten, die sich nie dafür entschieden hatten.

Potenziale von KI

Machen wir das gleich zu Beginn klar. Die meisten Studien zum Potenzial von KI beziehen sich auf Universitätsstudierende. Schülerinnen und Schüler kommen in diesen Studien bislang eher selten vor. Die meisten Studien betreffen kurzfristige Interventionen von wenigen Stunden bis wenigen Wochen. Folglich könnte der sogenannte Neuheitseffekt die Ergebnisse positiv beeinflusst haben. Nicht zuletzt wurde der Test zur Wirksamkeitsmessung häufig von denselben Personen entwickelt, die auch den Unterricht durchgeführt haben. Auch das könnte die Daten verzerrt haben.

(1) KI ein neues Thema erklären lassen und die Übung für den eigenen Unterricht aufheben

Stellen Sie sich vor. Wenn morgen ein Schüler oder eine Schülerin ein Thema verpasst hat oder ein kniffliges Konzept noch einmal erklärt bekommen muss, lassen Sie eine KI-Tutorin die erste Erklärung übernehmen. Die Übung heben Sie sich für Ihren Unterricht auf, wo echtes Lernen lebendig wird.

Warum das wichtig ist. KI kann den Erwerb von Faktenwissen unterstützen. In einer Harvard-Studie lernten 194 Physikstudierende zwei Themen. Für ein Thema nutzten sie eine eigens dafür entwickelte KI-Tutorin. Für das andere Thema lernten sie in klassischem Unterricht. Jede Person durchlief beide Ansätze, sodass niemand behaupten kann, die stärkere Gruppe habe die bessere Behandlung erhalten. In einem unmittelbar danach durchgeführten Test erzielten die durch die KI unterrichteten Studierenden deutlich höhere Ergebnisse. Die Forschenden verzeichneten eine mediane Bearbeitungszeit von 49 Minuten, verglichen mit den 60 Minuten, die im Stundenplan für die Einheit vorgesehen waren. Die Autor:innen sind bei der Interpretation dieser Ergebnisse vorsichtig: Der Stoff war neu für die Studierenden, und ein Großteil der Aufgabe bestand schlicht darin, ihn gut zu erklären. Sie weisen ausdrücklich zurück, dass dasselbe für Aufgaben gelten würde, die die Verknüpfung mehrerer Ideen erfordern. Zudem handelte es sich um Studierende, nicht um Achtklässler:innen.

Eine große Übersichtsarbeit, die die Ergebnisse von 228 Studien zusammenführte, kam zu einem ähnlichen Schluss. Generative KI-Chatbots erzielten einen größeren Effekt auf das Wissen (und Verstehen) als intelligente Tutorensysteme und adaptive Übungssoftware.

Vertiefung. 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, Article 17458. Frei zugänglich, DOI 10.1038/s41598-025-97652-6. Der Artikel beschreibt, wie die Tutorin konzipiert und kontrolliert wurde. Das ist hilfreich für alle, die selbst eine KI-Tutorin entwickeln möchten.

(2) Die Zeit für die Unterrichtsvorbereitung besser nutzen

Stellen Sie sich vor. Sie sparen einen Teil der Zeit, die Sie für die Unterrichtsvorbereitung benötigen, indem Sie KI nutzen, um einen ersten Entwurf zu erstellen, den Sie anschließend gründlich überarbeiten.

Warum das wichtig ist. Niemand bestreitet, dass die Arbeitsbelastung von Lehrkräften hoch ist. Ein möglicher Nutzen von KI besteht daher darin, die Arbeitszeit effizienter zu nutzen. Eine britische Studie untersuchte, inwieweit der gezielte Einsatz von KI bei der Unterrichtsvorbereitung die Arbeitsbelastung von Lehrkräften verringern kann. Forschende teilten 259 Naturwissenschaftslehrkräfte an 68 Schulen zufällig entweder einer Gruppe zu, die einen Chatbot zusammen mit kurzen schriftlichen Anweisungen nutzte, oder einer Gruppe, die wie bisher weiterplante. Die wöchentliche Planungszeit für den Naturwissenschaftsunterricht in den Jahrgangsstufen 7 und 8 sank von etwa 81 auf etwa 56 Minuten. Ein Gremium von Fachexpert:innen bewertete die Qualität der Unterrichtspläne, ohne zu wissen, ob diese mit oder ohne Unterstützung von KI erstellt worden waren. Die Expert:innen fanden keine Hinweise darauf, dass sich die Qualität der Pläne unterschied. Zwei Punkte sind jedoch hervorzuheben. (1) Die Lehrkräfte nutzten das Werkzeug im Laufe der Wochen immer weniger, was bedeutet, dass die Zeitersparnis nicht automatisch eintritt und sich nicht von selbst aufrechterhält. (2) Die Studie maß die von Lehrkräften für die Unterrichtsplanung aufgewendete Zeit, nicht die Lernergebnisse der Schüler:innen.

Vertiefung. Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024, 12. Dezember). ChatGPT in lesson preparation: A Teacher Choices Trial. NFER, im Auftrag der Education Endowment Foundation und der Hg Foundation. Frei verfügbar unter educationendowmentfoundation.org.uk.

(3) Bessere Unterstützung für Lernende, die vom Standardunterricht nicht in vollem Umfang profitieren

Stellen Sie sich vor. Ihre Schule entscheidet, wie sie ihre Mittel einsetzen möchte, und will einen KI-Chatbot anschaffen. Wie wahrscheinlich ist es Ihrer Meinung nach, dass die Anbieter des Chatbots Ihnen Nachweise für dessen Nutzen in verschiedenen Fächern liefern?

Warum das wichtig ist. Der Anbieter verweist möglicherweise auf folgende Anwendung. Chatbots sind die älteste und am besten dokumentierte Anwendung von „KI" in der Bildung – und genau das wird bei der Mittelvergabe oft übersehen. In einer Analyse von 29 Studien mit 41 Gruppen von Lernenden mit Behinderungen fanden Forschende moderate Vorteile über ein breites Spektrum von Settings hinweg. Aber lesen Sie das Kleingedruckte. In sieben von zehn dieser Studien bedeutete „KI" einen Roboter: eine kleine physische Maschine auf einem Tisch, oft von einer Forschungsperson aus einem anderen Raum gesteuert. Nur in einer von fünf Studien kam Software zum Einsatz. Das ist also kein Beweis dafür, dass ein Chatbot einem autistischen Schüler oder einer autistischen Schülerin in Ihrer Klasse hilft. Auch konnten die Autor:innen der Übersichtsarbeit nicht sagen, was diese Interventionen wirksam macht. Aus ihrer Forschung ließ sich nicht ableiten, warum sich die erfolgreichen von den nicht erfolgreichen Studien unterschieden.

Vertiefung. Zhang, L., Carter, R. A., Jr., Liu, Y., & Peng, P. (2026). Let's CHAT about artificial intelligence for students with disabilities: A systematic literature review and meta-analysis. Review of Educational Research, 96 (1). DOI 10.3102/00346543241293424. Das eigentliche Highlight ist die Tabelle der eingeschlossenen Studien: Sie zeigt auf einen Blick, wie wenig sich dieses Feld tatsächlich mit den Werkzeugen beschäftigt, die derzeit an Schulen vermarktet werden.

(4) Lernenden zeigen, wo KI versagt

Stellen Sie sich vor. Sie lassen Ihre Klasse zehn Bilder von „einem Arzt/einer Ärztin" und zehn von „einer Pflegekraft" erstellen. Zählen Sie aus, wer in welchem Set erscheint, und entfachen Sie dann eine Diskussion: Woher kommen diese Muster, und wer hat diese Entscheidungen getroffen?

Gemini_Generated_Image_mfaur1mfaur1mfau.jpg

Abb. 1. Bild erstellt mit NanoBanana 2, erstellt am 20. August 2026, One-Shot-Prompt: a doctor, a nurse

Warum das wichtig ist. Die klassische Version dieser Unterrichtseinheit wirkt inzwischen überholt, und genau deshalb verdient sie Aufmerksamkeit. Jahrelang war die Demonstration vorhersehbar: Man fragte nach einem Arzt, und es erschien ein Mann. In einem systematischen Test zeigte Midjourney Ärzte fast immer als weiße Männer, während Adobe Firefly sichtbare, wenn auch unvollkommene, Versuche unternahm, mehr Vielfalt abzubilden.

Probieren Sie denselben Prompt heute aus, und Sie könnten eine Ärztin oder einen männlichen Pfleger sehen (Abb. 1). Lassen Sie sich aber nicht täuschen zu glauben, die Verzerrung sei verschwunden. Eine Analyse von 1.344 Bildern aus drei populären Generatoren aus dem Jahr 2026 zeigte das Gegenteil: Bei der Anfrage nach einer „kompetenten Person" zeigte ein System keine einzige Frau.

Verändert hat sich nicht die Verzerrung, sondern die Ebene, auf der sie wirkt – und genau das ist die wichtige Lektion! Hinter jedem dieser Bilder stehen menschliche Entscheidungen: womit das System trainiert wurde und was seine Entwickler:innen im Nachhinein entschieden haben, dass es zeigen soll. Die zweite Ebene ist veränderbar, unsichtbar und wird von einem Unternehmen festgelegt.

Die erste Ebene menschlicher Entscheidungen ist das, was das System aufgesogen hat. Millionen von Bildern, von Menschen erstellt und beschriftet, jedes davon ein Echo der Welt, wie sie bereits war. Das ist die Ebene, die die klassische Unterrichtseinheit zu Verzerrungen offenlegt, und Schüler:innen begreifen sie leicht: Die Maschine wurde zu einem Spiegelbild dessen, womit sie gefüttert wurde.

Die zweite Ebene wird davon geprägt, was ein Unternehmen als Nächstes zeigen möchte – dieser Einfluss hinterlässt jedoch keine Spur im Bild selbst. Hier spielen sich drei Dinge ab, jedes davon von den Entwickler:innen in ihren eigenen Worten beschrieben.

Wenn also ein Schüler oder eine Schülerin „ein Arzt" eingibt und eine Frau erscheint, gibt das Bild keinen Hinweis darauf, welche Ebene sie hervorgebracht hat. Diese Unsicherheit ist kein Makel der Unterrichtseinheit. Sie ist die Lektion selbst.

Die alte Geschichte behauptete, die Maschine habe schlicht die Vorurteile der Gesellschaft aufgesogen. Die neue Geschichte geht tiefer und hält länger: Das Bild ist kein Spiegel, und es ist kein Zufall. Ein Unternehmen hat eine Entscheidung getroffen! Diese Entscheidung lässt sich im Ergebnis nicht erkennen, und sie kann sich an einem x-beliebigen Dienstag ändern, still und ohne Vorwarnung. Diese Wahrheit überdauert jedes neue Modell. Die klassische Stereotyp-Lektion verblasst.

Das ist die Lektion, die die Aufmerksamkeit der Lernenden verdient, und sie wird das nächste Modell-Update überdauern: Das Bild ist keine einfache Widerspiegelung der Realität, und es ist nicht zufällig entstanden. Jemand hat eine Entscheidung getroffen.

Diese Lektion kann früh beginnen. Als 209 finnische Schüler:innen in 12 Klassen der Jahrgangsstufen 4 und 7 sich mit diesem Thema befassten, stieg der Anteil derer, die die Verzerrung datenbasiert erklären konnten, von etwa 7 von 100 auf 44 von 100. Der ehrliche Vorbehalt: Die Studie maß, was die Kinder erklären konnten, nicht, wie sie später handeln würden.

Vertiefung. Vartiainen, H., et al (2025). Enhancing children's understanding of algorithmic biases in and with text-to-image generative AI. New Media & Society, 27(9). Frei zugänglich, DOI 10.1177/14614448241252820

Weinmann, H., et al (2026). Gender bias in text-to-image generative artificial intelligence: Neglect and stereotypical presentations across three popular platforms. New Media & Society, Online First

Wie belastbar sind die Forschungsergebnisse zu den Potenzialen von KI im Moment?

Das Wichtigste zuerst. Wenn Ihnen jemand eine Studie zitiert, stellen Sie zwei Fragen, bevor Sie zustimmen: „Wer waren die Lernenden, und wie lange dauerte die Studie?"

Warum das wichtig ist. 2025 berichtete eine Metaanalyse von 51 Studien über einen signifikanten Nutzen von ChatGPT für die schulischen Leistungen von Schüler:innen. Der Artikel wurde hunderttausende Male gelesen und diente als Grundlage für zahlreiche selbstsichere Aussagen im Lehrerzimmer. Am 22. April 2026 zog die Fachzeitschrift den Artikel zurück. Eine Rücknahme (Retraction) bedeutet, dass eine Fachzeitschrift offiziell etwas zurückzieht, das sie veröffentlicht hat; der Artikel bleibt sichtbar, jedoch mit dem Vermerk „RETRACTED" gekennzeichnet, sodass alle, die ihn zitiert haben, dies erkennen können. Zwei externe Forschende hatten Unstimmigkeiten in der Zusammenführung der Studien entdeckt. Die verantwortliche Redakteurin der Fachzeitschrift schrieb, die Probleme „untergraben das Vertrauen der Redaktion in die Validität der Analyse". Die Autor:innen reagierten nicht auf die Korrespondenz zu diesem Thema.

Das bedeutet nicht, dass KI keine Wirkung hat. Es gibt seriöse Studien, die moderate Vorteile belegen. Dieses Forschungsfeld ist zudem noch nicht klar abgegrenzt, da es relativ neu und hochdynamisch ist. Es bedeutet, dass die häufig zitierte Zahl falsch war – und dass es ein Jahr und zwei externe Fachleute brauchte, um das festzustellen.

Ein weiterer erwähnenswerter Vorbehalt: Je näher die Evidenz an die Schule heranrückt, desto kleiner fällt der Effekt aus – zumindest im Moment.

Vertiefung. Die Rücknahme selbst umfasst nur eine Seite, ist frei zugänglich und lohnt sich gerade wegen ihrer Kürze: Wang, J., & Fan, W. (2026). Retraction note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking. Humanities and Social Sciences Communications, 13, 528. DOI 10.1057/s41599-026-07310-z.

Das zurückgezogene Original war HSSC 12, 621 (2025). Weiterhin gültig: Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). HSSC, 13, 684. Frei zugänglich, DOI 10.1057/s41599-026-07019-z.
Die reine Schul-Zahl: Yi, L., Liu, D., Jiang, T., & Xian, Y. (2025). International Journal of Science and Mathematics Education, 23(4), 1105–1126. DOI 10.1007/s10763-024-10499-7.

Risiken von KI

(1) Etwas zu tun ist nicht dasselbe wie zu lernen

Stellen Sie sich vor. Bevor Sie eine Hausaufgabe stellen, die ein Chatbot erledigen kann, überlegen Sie sich, welchen Zweck die Aufgabe eigentlich verfolgt. Wäre es vielleicht sinnvoll, die Aufgabe zu ändern?

Warum das wichtig ist. Lernt man mit einem Chatbot schneller? Rund tausend Schüler:innen der Jahrgangsstufen 9 bis 11 übten Mathematik in drei Gruppen: eine mit einem Standard-Chatbot, eine mit einer Version, die programmiert war, die Antwort zurückzuhalten und stattdessen eine Rückfrage zu stellen, und eine ohne Chatbot. Während der Nutzung bearbeitete die Gruppe mit dem Standard-Chatbot 48 Prozent mehr Übungsaufgaben als die Gruppe ohne. Anschließend schrieben alle dieselbe Prüfung ohne Chatbot. Das zunächst überraschende Ergebnis: Die Gruppe mit dem Standard-Chatbot schnitt 17 Prozent schlechter ab als die Schüler:innen ohne Chatbot. Die Gruppe, die mit dem antwortzurückhaltenden Chatbot gearbeitet hatte, zeigte im Test keinen Leistungsabfall gegenüber der Gruppe ohne Chatbot, übte aber mehr. Die Schüler:innen mit dem Standard-Chatbot waren weder faul, noch haben sie betrogen. Sie arbeiteten härter und lernten weniger, denn das Werkzeug eliminierte nicht die Anstrengung, sondern die kognitive Herausforderung, aus der Lernen besteht.

Vertiefung. 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. PNAS, 122, e2422633122. DOI 10.1073/pnas.2422633122.

(2) KI-Erkennungstools bestrafen die falschen Schüler:innen

Stellen Sie sich vor. Sie erhalten einen Aufsatz zur Bewertung. Aus Neugier über dessen Echtheit geben Sie ihn in einen KI-Detektor ein. Das Ergebnis blinkt auf: Der Aufsatz wurde nahezu sicher von KI geschrieben.

Warum es wichtig ist. Sie setzen den KI-Detektor ein, um Fairness sicherzustellen – doch für eine bestimmte Gruppe bewirken die Detektoren genau das Gegenteil. Ein Detektor erkennt keinen maschinell erzeugten Text. Er misst, wie vorhersehbar die Wortwahl ist. Und genau darin liegt das Problem, etwa wenn eine Person in einer Fremdsprache schreibt, wenig Schreibpraxis hat oder über einen begrenzten Alltagswortschatz verfügt. Ihr Schreiben ist vorhersehbar. Als sieben kommerzielle Detektoren 91 Aufsätze von Nicht-Muttersprachler:innen in einer Englischprüfung analysierten, wurden diese Aufsätze in rund sechs von zehn Fällen fälschlich als maschinell erzeugt eingestuft. Im Gegensatz dazu wurden Aufsätze 14-jähriger Amerikaner:innen in ihrer Muttersprache Englisch fast durchweg korrekt eingestuft. Ein Werkzeug, das ausgerechnet bei einer Gruppe falsch-positive Ergebnisse liefert, ist nicht neutral. Zudem ist diese Gruppe am wenigsten in der Lage, sich dagegen zu wehren.

Vertiefung. Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. Frei zugänglich, DOI 10.1016/j.patter.2023.100779.

(3) Wo landen die Daten der Schüler:innen eigentlich?

Stellen Sie sich vor. Sie nutzen ein KI-Werkzeug, das Ihre Schule anbietet. Versuchen Sie herauszufinden, wohin die Daten der Schüler:innen gehen.

Warum es wichtig ist. Kann Ihre Schule sicherstellen, dass die Daten nicht an Dritte weitergegeben werden? Ein Dritter ist ein Unternehmen, das weder Ihre Schule noch die Entwicklerin der App ist. Typischerweise handelt es sich um Werbe- oder Analyseunternehmen, die Daten erhalten, während die Schüler:innen arbeiten. Niemand an der Schule hat dieses Unternehmen ausgewählt. Als Forschende eine technische Analyse von 163 Lernprodukten durchführten, die während der pandemiebedingten Schulschließungen von Regierungen empfohlen wurden, verarbeiteten 145 davon die Daten von Kindern auf eine Weise, die deren Rechte gefährdete oder verletzte, indem sie Daten an 196 Drittunternehmen übermittelten oder ihnen Zugriff darauf gewährten – überwiegend aus der Werbebranche. Von den 42 Regierungen, die eigene Produkte entwickelten, statt sie einzukaufen, hatten 39 Produkte mit demselben Problem entwickelt. Die Studie bezieht sich auf Produkte aus dem Jahr 2021, und einige haben sich seither möglicherweise verändert. Wir können jedoch nicht ausschließen, dass Ähnliches auch für KI-Anwendungen gilt.

Vertiefung. Human Rights Watch (2022). „How dare they peep into my private life?": Children's rights violations by governments that endorsed online learning during the Covid-19 pandemic. Frei verfügbar unter hrw.org. In den Länderanhängen können Sie nachschlagen, was wo empfohlen wurde.

(4) KI kommt zuletzt dort an, wo sie am dringendsten gebraucht wird

Stellen Sie sich vor. Wie viel Fortbildung haben Sie bisher zum Thema KI oder zum fachspezifischen Unterrichten mit KI erhalten?

Warum das wichtig ist. Erwachsenen, die ihre Ausbildung bereits abgeschlossen hatten, wurde eine KI-Assistentin zur Verfügung gestellt. Die Leistungslücke zwischen Personen mit höherer und niedrigerer formaler Bildung verringerte sich deutlich. Als die Forschenden die Assistentin anschließend wieder entzogen, tauchte die Lücke teilweise erneut auf. Die Forschenden schlossen daraus, dass die KI-Assistentin die Arbeit erledigt, den Teilnehmenden aber keine Fähigkeiten vermittelt hatte.

Eine Befragung amerikanischer Schulleitungen zeigte folgendes Bild: Je benachteiligter die Schüler:innen einer Schule waren, desto geringer war der Einfluss von KI auf den Unterricht.

Verbindet man die Erkenntnisse beider Studien, lässt sich Folgendes festhalten: Ein gutes Werkzeug kann eine Lücke schließen, solange es sich in den Händen einer lernenden Person befindet. Es erreicht jedoch in der Regel nicht diejenigen, die es am meisten bräuchten, und hinterlässt keine Fähigkeiten, wenn es wieder entfernt wird.

Zahlen aus Deutschland zeigen dasselbe Muster. Unter 1.590 Jugendlichen im Alter von 14 bis 20 Jahren sahen 80 Prozent aus den wohlhabendsten Familien und 55 Prozent aus den einkommensschwächsten Familien KI als Chance. Und auf die Wahrnehmung folgt das Handeln: 70 Prozent der Gymnasiast:innen nutzten KI für Hausaufgaben, verglichen mit 58 Prozent an Schulen der Sekundarstufe I ohne gymnasiale Ausrichtung.

Wie steht es um die Fortbildung von Lehrkräften? Eine Befragung von mehr als zehntausend Lehrkräften in England ergab, dass 45 Prozent der Lehrkräfte an Privatschulen bereits eine KI-Fortbildung erhalten hatten. Im staatlichen Schulsystem waren es dagegen 21 Prozent. Innerhalb des staatlichen Schulsystems reichten die Werte von 26 Prozent an den wohlhabendsten Schulen bis zu 18 Prozent an den ärmsten Schulen.

(5) Was sich beim Lernen mit KI verbessert, ist nicht unbedingt das, was man sieht

Stellen Sie sich vor. Sie führen einen neuen Chatbot in Ihrem Unterricht ein, und die Schüler:innen sind begeistert davon, das neue Werkzeug zu nutzen.

Warum das wichtig ist. Eine große Übersichtsarbeit untersuchte vier verschiedene Aspekte des Lernens (Wissen und Verstehen, Arbeiten mit KI, Engagement/Motivation/Selbstvertrauen, sowie die Fähigkeit, die eigene Arbeit zu planen, zu überwachen und zu korrigieren). Der letzte Aspekt verbesserte sich nicht, die anderen hingegen schon.

Eine kurze Randbemerkung: Die größten Effekte zeigen sich in den Geistes- und Kunstwissenschaften, weniger in Mathematik oder den Naturwissenschaften.

Vertiefung. Yeo, G. H., & Lansford, J. E. (2025). Effects of artificial intelligence on educational functioning: A review and meta-analysis. Educational Psychology Review, 37(4), article 110. DOI 10.1007/s10648-025-10085-5.

1. KI in der Bildung

1.2 Lehren über KI vs. Lehren mit KI

Kernbotschaften

Wenn Sie sich nur einen Satz von dieser Seite merken: KI ist ein Navigationsgerät. Es rettet die Fahrerin, die bereits eine Karte im Kopf hat, und hindert die Fahrerin, die keine hat, still und leise daran, jemals eine aufzubauen.

Das Navi-Problem

Um ein Londoner Taxi zu fahren, muss man zunächst eine Wissensprüfung (den „Knowledge") bestehen: 320 festgelegte Routen über die 113 Quadratmeilen im Umkreis von sechs Meilen um Charing Cross, wofür Transport for London bis zu zwei Jahre Vorbereitungszeit einräumt, bevor die Prüfungen überhaupt beginnen.

Auch geprüfte Fahrer:innen nutzen ein Navi, und niemand denkt deswegen schlechter von ihnen. Die Wissensprüfung wurde nicht wertlos, als das Gerät aufkam. Das Navi wurde zu dem, was die Fahrt sicher macht. Eine Fahrerin mit der Stadt im Kopf nutzt das Navi für das, was sie nicht wissen kann: den Unfall auf der Brücke oder den heutigen Verkehr. Und sie bemerkt, wenn es sie durch eine Straße lenkt, die seit April aufgerissen ist.

Setzen Sie nun eine Neuling in dasselbe Taxi mit demselben Navi. Sie erreicht jede Adresse. Eine Zeit lang ist sie von der erfahrenen Fahrerin nicht zu unterscheiden. Doch indem sie den Anweisungen des Navis folgt, baut sie nichts auf. Nach einem Jahr, in dem sie auf Anweisung links abgebogen ist, kann sie die Stadt immer noch nicht ohne das Gerät durchqueren, und sie kann nicht erkennen, wann es sich irrt.

ChatGPT Image 28. Aug. 2026, 15_16_26.png

Abb. 1. Das Ergebnis hängt vom Fahrer ab. Bild erstellt mit Google Gemini.

Dasselbe Navi, zwei Fahrerinnen, gegensätzliche Ergebnisse. Der Unterschied lag nie im Gerät.

Das ist ein Jahrzehnt an KI-Forschung in einem Bild – und es gilt auch ohne das Bild. Die Wirkung eines KI-Werkzeugs hängt weit stärker davon ab, was die nutzende Person bereits weiß, als vom Werkzeug selbst. Forschende nennen dies ein Schema, das organisierte Vorwissen einer Person. Ist es vorhanden, entlastet die Abgabe von Arbeit an eine Maschine. Forschende nennen dies nützliches kognitives Auslagern. Muss Wissen jedoch erst aufgebaut werden, kann derselbe Vorgang genau das verhindern. Das nennt man schädliches kognitives Auslagern.

Eine Studie mit rund tausend weiterführenden Schüler:innen zeigt genau das in einem Mathematikunterricht. Eine Gruppe übte mit einem uneingeschränkten Chatbot, eine andere ohne. Während der Nutzung löste die Chatbot-Gruppe 48 % mehr Übungsaufgaben! Dann kam eine Prüfung ohne Chatbot. Nun schnitten dieselben Schüler:innen, die zuvor so gut Übungsaufgaben gelöst hatten, 17 % schlechter ab als die Gruppe, die nie einen KI-Chatbot genutzt hatte. Eine dritte Gruppe nutzte eine KI-Version, die so gebaut war, dass sie Antworten zurückhielt und stattdessen Rückfragen stellte. Diese Gruppe verlor nichts.

Diese dritte Gruppe ist die eigentliche Gestaltungsfrage. Ein Navi, das das Ziel nennt und Ihnen hilft, die Route selbst zu finden, bringt Ihnen die Stadt bei. Ein Navi, das sagt „In 200 Metern links abbiegen", tut das nicht, so gut seine Daten auch sein mögen. Forschende nennen diesen Unterschied Leitplanken (Guardrails), und die Gestaltung entscheidet, ob Sie Ihren Schüler:innen helfen, die Karte der Stadt zu lernen, oder ob sie einfach nur das Ziel finden.

Bitte denken Sie daran: Sie haben das Wissen. Ihre Schüler:innen haben es, in dem Fach, das Sie unterrichten, noch nicht. Diese Asymmetrie ist das ganze Kapitel.

Zwei Stockwerke, nicht zwei Themen

In der Fachliteratur gelten diese beiden Bereiche als getrennte Felder. Man kann sie sich als zwei Stockwerke eines Gebäudes vorstellen, wobei sich die meisten Lehrkräfte im Erdgeschoss befinden und keine Treppe ins erste Stockwerk führt.

Auf die Bitte, ihr KI-Wissen einzuschätzen, gaben sich Lehrkräfte in Deutschland im Schnitt 3,4 von 5 Punkten. Ihre Fähigkeit, dieses Wissen im Unterricht anzuwenden, bewerteten sie hingegen deutlich niedriger, mit 2,6 von 5. Wissen und Handeln hatten sich voneinander gelöst. Eine Studie in fünf europäischen Ländern untersuchte daraufhin, ob Fortbildung diese Lücke schließen kann. In der Studie erhielten 736 Lehrkräfte in Frankreich, Irland, Italien, Luxemburg und Slowenien einen Kurs samt Begleitung. Die Ergebnisse zeigten, dass ihr Wissen und ihre Fähigkeit, die Leistungsfähigkeit eines Werkzeugs einzuschätzen, zunahmen. Ihr Unterricht änderte sich jedoch nicht. Sie probierten Dinge aus und kehrten dann zu dem zurück, was sie vorher getan hatten.

Das ist die Wissen-Handlungs-Lücke. Kurse erzeugen Wissen, aber die Veränderung der Praxis braucht Begleitung, Ausprobieren und Kolleg:innen zum gemeinsamen Nachdenken. Transfer muss gestaltet werden, nicht erhofft.

Was Lehrkräfte tatsächlich tun

Der robusteste Befund über alle Länder hinweg ist auf leise Weise überraschend: Lehrkräfte nutzen KI intensiv für sich selbst und kaum mit ihren Schüler:innen. In Deutschland nutzen 52 % KI mindestens mehrmals im Monat. Nur 29 % setzen sie im Unterricht vor der Klasse ein. Die öffentliche Debatte über „KI im Klassenzimmer" dreht sich also größtenteils um etwas, das in der Fläche noch gar nicht stattfindet.

Eisberg.png

Abb. 2: Unterschied zwischen der KI-Nutzung zur Vorbereitung und der Nutzung im Unterricht. Bild erstellt mit Google Gemini.

Was tatsächlich passiert, ist Entlastung von der Arbeitsbelastung, und hier sind die Nachrichten gut. In einer britischen Studie erhielten 259 Lehrkräfte an 68 Schulen KI-Unterstützung für die Planung von Naturwissenschaftsunterricht für 11- bis 13-Jährige. Die Planungszeit sank von 81 auf 56 Minuten pro Woche. Als unabhängige Gutachter:innen die entstandenen Materialien beurteilten, ohne zu wissen, welches welches war, stellten sie keinen Qualitätsabfall fest. Die eigenen Schätzungen der Lehrkräfte zur eingesparten Zeit über alle Fächer hinweg liegen sogar noch höher, bei rund sechs Stunden pro Woche für regelmäßige Nutzer:innen.

Und ein Muster verdient einen Moment Aufmerksamkeit. In einer großen amerikanischen Befragung berichteten Lehrkräfte an Schulen mit einer klaren schriftlichen KI-Richtlinie, dass sie etwa ein Viertel mehr Zeit sparten als Lehrkräfte an Schulen ohne eine solche. Das ist die eigene Einschätzung der Lehrkräfte und keine Messung, und eine Befragung kann nicht zeigen, in welche Richtung der Zusammenhang tatsächlich verläuft. Gut organisierte Schulen machen möglicherweise einfach beides gut. Aber es ist das Gegenteil dessen, was die meisten erwarten, und es ist bemerkenswert, dass niemand das Umgekehrte gefunden hat: Wo immer dies untersucht wurde, gehen klare Regeln und intensive Nutzung Hand in Hand. -> 1.4 Konformer Einsatz von KI

Warum es nicht auf das Werkzeug ankommt

Wer sich ein Ranking der besten KI-Werkzeuge wünscht, wird von der Forschung zunächst enttäuscht – und beim zweiten Lesen davon befreit. Wenn Forschende viele einzelne Studien zusammenführen und fragen, was Klassenzimmer, in denen KI stark geholfen hat, von solchen unterscheidet, in denen sie kaum geholfen hat, lautet die Antwort nie die Marke der Software. Es ist das, was die Schüler:innen damit tun sollten.

Es gibt drei Vergleiche, die diesen Punkt wirklich verdeutlichen.

Pädagogik schlägt Technologie, und das deutlich. Das zeigt sich jedes Mal, wenn jemand die Studien danach sortiert, was die Schüler:innen tatsächlich getan haben. Zwei Einschränkungen sollten dabei gleichermaßen bedacht werden.

Gutes Feedback ist nicht dasselbe wie wirksames Feedback. In einem Experiment schrieben 70 Studierende einen argumentativen Aufsatz und überarbeiteten ihn eine Woche später. Sie wurden zufällig drei Gruppen zugeteilt: Eine erhielt Feedback von einer erfahrenen Lehrkraft, eine von einem Chatbot mit einfacher Anweisung und eine von demselben Chatbot, der angewiesen wurde, den Aufsatz Schritt für Schritt zu durchdenken. Bewertet nach demselben Raster, lieferte der schrittweise vorgehende Chatbot das beste Feedback der drei. Es war besser als das des einfachen Chatbots und besser als das der Lehrkraft. Dann kamen die Überarbeitungen, und alle drei Gruppen verbesserten sich um etwa denselben Betrag. Das beste Feedback der Studie brachte keine größere Verbesserung als das am schlechtesten bewertete. Bessere Kommentare führten nicht zu einem besseren Aufsatz.

Das verdient einen Moment Aufmerksamkeit, denn es stellt die verbreitete Annahme infrage, besseres Feedback führe zu besserem Lernen. Für sich genommen tut es das nicht. Feedback bewirkt nur dann etwas, wenn es aufgenommen wird: gelesen, verstanden, umgesetzt – und so gut verstanden, dass die Schülerin oder der Schüler es beim nächsten Mal auch ohne Hilfe richtig machen könnte. Die Aufnahme ist der Engpass, nicht die Qualität.

Zwei Dinge scheinen dabei im Weg zu stehen, und beide lassen sich nutzen.

Mehr ist nicht immer besser. In einer zweiten Studie mit 60 Schüler:innen der Jahrgangsstufe 11 und 240 Textstücken produzierte die KI weit mehr inhaltsbezogene Kommentare als die Lehrkräfte – 333 gegenüber 241. Es waren die Kommentare der Lehrkräfte, die die Schüler:innen häufiger umsetzten. Konfrontiert mit dreißig präzisen Korrekturen, hört eine Schülerin oder ein Schüler womöglich auf zu diagnostizieren und beginnt stattdessen zu sortieren – oder fügt sich einfach. Wer den Regeln folgt, sagt damit im Grunde, dass die Überarbeitung unnötig war. Es ist wieder das Navi, nur auf einer anderen Ebene. Es gibt einem wirklich detailliertes Feedback, wie „In 200 Metern links abbiegen" – nur für den eigenen Text.

Wer es sagt, spielt eine Rolle. Wir wissen nicht genau, warum Kommentare von Lehrkräften häufiger aufgenommen werden. Das ist Interpretation, keine Messung, aber die wahrscheinlichste Erklärung ist, dass Feedback als etwas zwischen Menschen wahrgenommen wird. Was jemand sagt, der weiß, was man letztes Halbjahr gemacht hat, und sehen wird, was man damit macht, ist etwas anderes als derselbe Satz, auf Anfrage generiert.

Was das für die Praxis bedeutet. Alle Belege, die wir zu automatisiertem Feedback gesehen haben, zeigen, dass es am besten wirkt, wenn Schüler:innen das in einer Aufgabe Gelernte auf eine neue Aufgabe übertragen. Am wenigsten wirksam ist es, wenn sie das Gelernte einfach direkt aus dem vorliegenden Text übernehmen. Und es ist deutlich wirksamer, wenn man es über einen längeren Zeitraum einsetzt, etwa ein ganzes Halbjahr, statt nur einmalig. Wir sollten also nicht fragen, ob das Feedback der KI gut genug ist. Wir sollten fragen, ob diese Schülerin oder dieser Schüler es je wieder brauchen wird. Lautet die Antwort Nein, helfen bessere Kommentare vermutlich wenig.

Und dieselbe Aufspaltung zeigt sich auch im großen Maßstab. Ein Team führte 228 Studien zusammen: KI verbesserte klar und durchgängig, was Schüler:innen produzieren konnten, während jeder Zuwachs bei der Fähigkeit, das eigene Lernen zu planen, zu überwachen und zu korrigieren, klein genug war, um Zufall sein zu können. Am deutlichsten zeigt sich das beim Programmieren. Schüler:innen mit einer KI-Assistenz waren messbar schneller, und am Ende nicht besser als jene ohne. Mehr zu schaffen und besser zu werden sind nicht dasselbe, und KI trennt die beiden voneinander.

Europa als Spiegel

Der Anteil der KI nutzenden Lehrkräfte reicht europaweit von 89 % in Tschechien bis 14 % in Frankreich. Bedenken Sie, dass sich die Erhebungen in Methode und Zeitpunkt unterscheiden – lesen Sie daher die Spannweite, nicht die Einzelwerte.

Frankreich ist der aufschlussreiche Fall. Das Land hat eines der ambitioniertesten staatlichen KI-Programme des Kontinents aufgebaut, ein KI-Tutoring-Programm in Mathematik und Französisch für das erste Jahr der Oberstufe, erprobt an 150 Schulen. Dennoch steht Frankreich weiterhin am Ende dieser Tabelle, da nur 9 % der französischen Lehrkräfte überhaupt eine KI-Fortbildung erhalten haben, verglichen mit rund 38 % in vergleichbaren Ländern. Werkzeuge bereitzustellen ist die leichte Hälfte, aber die Qualifizierung ist die Hälfte, die den Unterschied macht.

Zwei Länder haben das Navi-Problem so in ihre Politik überführt, wie es eine Fahrschule tun würde: erst die Karte, dann das Gerät. Norwegen empfahl im Juni 2026, generative KI im Wesentlichen aus der Grundschule herauszuhalten und sie erst in der Sekundarstufe I zu unterrichten, wo Lehrkräfte entsprechend geschult wurden, und KI dabei als bewusst zu vermittelnde Fähigkeit zu behandeln. Luxemburg geht ähnlich stufenweise vor. Beachten Sie genau: Norwegen sprach eine Empfehlung aus, kein verbindliches Verbot – auch wenn die internationale Presse es so darstellte.

Der blinde Fleck

Ein Risiko von KI wird selten benannt, und auch das Bild führt dorthin: Das Wissen über die Karte der Stadt London ist nicht von Dauer. Eine Fahrerin, die fünf Jahre lang den Pfeilen folgt, behält die Stadt nicht im Kopf. Es verblasst, und sie bemerkt die aufgerissene Straße nicht mehr. Ihre eigene Expertise erhalten Sie, indem Sie genau die Dinge selbst tun, die KI am besten übernimmt: die Aufgabe formulieren, das Missverständnis vorausahnen und die Erklärung entwerfen. Wo KI die Arbeit übernimmt, durch die sich Urteilsvermögen bildet, wird aus Entlastung Dequalifizierung. In einem deutschen Expertengremium benannten 65 % der Bildungsexpert:innen dieses Risiko für den Lehrberuf – ein Anstieg gegenüber 44 % im Jahr zuvor.

Nutzen Sie das Navi. Bewahren Sie sich nur die Karte.

1. KI in der Bildung

1.3 Verantwortungsbewusster Einsatz von KI

Kernbotschaften

Wenn Sie sich nur einen Satz von dieser Seite merken: Die Dämme brechen. Bringen Sie das Schwimmen bei.

Das Lesetagebuch, zweiter Blick

Zurück zu unserem Neuntklässler und seinem verdächtig druckreifen Lesetagebuch. Der Instinkt ist fast universell, und es ist der Instinkt einer guten Lehrkraft: herausfinden, ob er KI benutzt hat. Einen besseren Damm bauen.

Dieses Kapitel handelt davon, warum dieser Instinkt für sich genommen nicht weiterführt. Wir kommen dazu, was stattdessen funktioniert.

Beginnen wir mit dem unbequemen Teil. Lehrkräfte können KI-Text nicht zuverlässig von Schülertext unterscheiden. In einer deutschen Studie erhielten 289 Lehrkräfte unterschiedlicher Erfahrung eine Mischung aus Schüler- und Chatbot-Texten und sollten diese sortieren. Keine der beiden Gruppen konnte es. Aber beide Gruppen waren zuversichtlich, dass sie es könnten. Erfahrung machte fast keinen Unterschied. Im großen Maßstab ist es noch schlimmer. An einer Universität reichten Forschende von Chatbots erzeugte Antworten über die üblichen Kanäle in das echte Prüfungssystem ein, ohne die Korrigierenden zu informieren. 94 % wurden nie hinterfragt. Zudem wurden sie im Schnitt besser bewertet als die Arbeiten echter Studierender. Was folgt daraus? Wir greifen zur Maschine! Und genau hier hört der Befund auf, nur unbequem zu sein, und wird zu einem ethischen Problem!

Der Detektor, der die Falschen im Stich lässt

Forschende testeten sieben der am weitesten verbreiteten KI-Detektoren an TOEFL-Aufsätzen von Schüler:innen, die Englisch als Fremdsprache lernen. Daneben legten sie Aufsätze englischer Muttersprachler:innen aus amerikanischen achten Klassen. Die Arbeiten der Muttersprachler:innen wurden fast immer korrekt eingestuft. Von den fremdsprachigen Aufsätzen wurden mehr als sechs von zehn fälschlich als maschinell geschrieben markiert.

Der Mechanismus ist kein Geheimnis. Diese Werkzeuge erkennen nicht die Arbeit von Large Language Models, sie erkennen Vorhersehbarkeit. Text, der gängige Wörter in erwarteter Reihenfolge verwendet, wird als künstlich eingestuft. Wer in einer Zweitsprache schreibt, mit kleinerem Wortschatz und sichereren Satzstrukturen, erzeugt genau dieses Signal. Die Fehler des Werkzeugs treffen systematisch die Schüler:innen, die ohnehin schon am meisten zu tragen haben. Institutionen haben nachgerechnet. Die Vanderbilt University wies darauf hin, dass selbst wenn ein solches Werkzeug nur in 1 % der Fälle irren würde, das immer noch rund 750 zu Unrecht beschuldigte Studierende pro Jahr bei 75.000 eingereichten Arbeiten bedeuten würde. Folglich schalteten sie es ab. Die Leitlinie des deutschen Bundesbildungsministeriums ist unmissverständlich: Die Technologie sei „nicht zuverlässig genug, um einen rechtssicheren Nachweis zu liefern".

Ein Großteil Europas diskutiert das nicht mehr. Frankreich, die Niederlande und die Schweiz raten von Detektoren ab oder verbieten sie. Die britische Prüfungsaufsicht hat sich bewusst für menschliches Urteilsvermögen anstelle von Software entschieden. Das niederländische Argument geht noch einen Schritt weiter und lohnt sich zu merken: Die Arbeit einer Schülerin oder eines Schülers in einen Detektor einzufügen, ist selbst eine Verarbeitung personenbezogener Daten, und dies ohne Erlaubnis zu tun, verstößt gegen das Datenschutzrecht. → 1.4 Konformer Einsatz von KI

Es scheint, dass die Betrugspanik dünner ist als der Lärm darum. Forschende befragten Schüler:innen an drei weiterführenden Schulen vor und nach der Einführung von ChatGPT. Das Ausmaß des Betrugs blieb weitgehend gleich. Die meisten Schüler:innen lehnten es ab, einen Chatbot einfach ihre Arbeit erledigen zu lassen, hielten es aber für fair, ihn zum Einstieg oder zur Erklärung von etwas zu nutzen.

Die eigentliche Frage war nie: „Wie erwische ich ihn?" Sie lautet: Was misst eine Hausaufgabe eigentlich noch, sobald sich ihr Produkt auf Abruf erzeugen lässt?

Zwei Dinge, die nicht behoben werden, also müssen sie gelehrt werden

Selbstsichere Erfindung ist eingebaut. Diese Systeme erzeugen plausible Fortsetzungen eines Textes, die nicht dasselbe sind wie wahre. Forschende haben inzwischen formal gezeigt, woher das kommt: Die Standardtests zur Bewertung von Large Language Models belohnen selbstsicheres Raten gegenüber dem Eingeständnis von Unsicherheit, und solange so gemessen wird, bleibt eine gewisse Rate an flüssigen, wohlgeformten Falschaussagen bestehen. Das ist eine Eigenschaft davon, wie diese Systeme gebaut und bewertet werden, kein Fehler, der auf einen Patch wartet.

Auch die Schieflagen im Trainingsmaterial sind eingebaut. Zudem schrumpfen sie nicht, wenn sich die Technologie verbessert. Eine europäische Studie zu Geschlechterstereotypen über verschiedene Sprachen hinweg fand, dass größere Modelle – selbst nach zusätzlichem Training, das sie sicherer und fairer machen soll – manchmal stärker statt schwächer stereotypisieren. Wenn sich eine Eigenschaft nicht wegentwickeln lässt, wird sie zum Lehrplan. Und sie lässt sich lehren: In einem finnischen Programm stieg der Anteil der Schüler:innen, die Verzerrungen in der Ausgabe eines KI-Systems erkennen konnten, von 7 % auf 44 %. Die Konsequenz für den Unterricht muss sein, Fehleranalyse statt Fehlervermeidung zu trainieren. Mit anderen Worten: Die Fehler der Maschine werden zur Lektion.

Was funktioniert: Gestaltung statt Kontrolle

Die Evidenz weist auf ein einfaches, leicht zu merkendes Prinzip hin: erst denken, dann KI.

Zwei Einschränkungen sollte man kennen, bevor man sich darauf verlässt. Die erste: Der beliebte Rat, Lehrkräfte sollten einen Chatbot einfach anweisen, als sokratischer Tutor zu agieren, übersteht kein längeres Gespräch. Zumindest derzeit neigt das System dazu, wieder in die reine Antwortvergabe zurückzufallen. Verlässliche Grenzen müssen in das System eingebaut sein, was sie zu einer Beschaffungsentscheidung macht statt zu einer Prompting-Fähigkeit. Die zweite: Eine KI ihre Argumentation erklären zu lassen, klingt wie die naheliegende Absicherung, aber Erklärungen verhindern übermäßiges Vertrauen nicht zuverlässig. In einer Studie ließen sie die Akzeptanz falscher Ratschläge unverändert, und zu technische oder zu vereinfachte Erklärungen können fehlgeleitetes Vertrauen sogar verstärken. Erklärung ist eine Voraussetzung, keine Lösung.

Haltung: zwei Fehlermodi, nicht einer

Wir sorgen uns, dass Lehrkräfte der KI zu sehr vertrauen. Wir sollten uns jedoch ebenso um das Gegenteil sorgen. Selbst erfahrene Menschen können durch übermäßiges Vertrauen hereingelegt werden. In einer Studie überprüften Lehrkräfte KI-generierte Bewertungen. Sie beurteilten 42 % des Feedbacks der Maschine als vage oder falsch, änderten aber nur 9 % davon. Einen Fehler zu erkennen und ihn zu korrigieren sind zwei verschiedene Vorgänge.

Der gegenteilige Pol ist Verheimlichung. Lehrkräfte verbergen ihre eigene KI-Nutzung vor Kolleg:innen und Schüler:innen und verbieten diesen, was sie selbst tun: 77 % nutzen KI privat, während 57 % sagen, Schüler:innen sollten sie nie zur Ideenfindung nutzen. Zugleich fand eine Studie unter akademisch starken Schüler:innen der Klassen 6 bis 8, dass zwischen einem Drittel und zwei Fünfteln bereits sagten, die KI wisse mehr als ihre Lehrkräfte. Ein Berufsstand, der seine Praktiken verbirgt, kann verantwortungsvolle Praxis nicht vorleben, und Transparenz ist nicht nur eine Höflichkeit. Sie ist der Mechanismus, durch den Lernen am Vorbild funktioniert.

Ebnet KI das Spielfeld oder kippt sie es?

Bei arbeitsbezogenen Aufgaben gleicht KI Unterschiede aus. In einem Experiment schnitten Teilnehmende mit höherer Bildung deutlich besser ab als solche mit niedrigerer Bildung. Erhielt jede Person eine KI-Assistenz, verschwanden diese Unterschiede fast vollständig. Nahm man die Assistenz wieder weg, kehrte vieles davon zurück. Was die KI schloss, war die Lücke im Output, nicht die Lücke in der Fähigkeit.

Bei Lernaufgaben ist es umgekehrt. Eine Studie fand im Schnitt gar keinen Nutzen, aber einen wachsenden Abstand zwischen Schüler:innen, die bereits viel wussten, und solchen, die es nicht taten. Eine andere untersuchte Schüler:innen, die in einer Fremdsprache schrieben: Die schwächeren Schreiber:innen erhielten mehr Korrekturen von der KI und setzten weniger davon erfolgreich um, und mehrere empfanden die Flut an Feedback als entmutigend. Feedback ohne die Fähigkeit, es zu sortieren, hilft nicht; es begräbt.

Die Lücke besteht auch schon, bevor überhaupt jemand ein Werkzeug anfasst. In Deutschland sehen 80 % der Schüler:innen aus den privilegiertesten Elternhäusern KI als Chance, gegenüber 55 % aus den am wenigsten privilegierten. In Großbritannien verläuft die Trennlinie eher durchs Lehrerzimmer als durch den Geräteschrank: 45 % der Lehrkräfte an Privatschulen haben eine formale KI-Fortbildung erhalten, gegenüber 21 % an staatlichen Schulen. Innerhalb des staatlichen Sektors liegen wohlhabendere Schulen wiederum vor ärmeren. Eine Befragung von Kindern in 20 europäischen Ländern findet dieselbe soziale Kluft darin, wie viel und wie vielfältig sie KI nutzen. Ein Satz fasst das ganze Problem besser zusammen als jede Zahl: „Die Reichen haben Zugang zu Technologie und zu Menschen, die ihnen bei der Nutzung helfen, während die Armen nur Zugang zur Technologie haben." Das ist das stärkste verfügbare Argument dafür, dass Lehrkräfte entscheidend sind, um diese Lücke zu schließen.

Der Engpass ist also, welche Lernenden eine geschulte Lehrkraft haben. KI gleicht aus, wenn drei Dinge zusammenkommen: sicherer Zugang, ein für das Lernen (statt für das Liefern von Antworten) gestaltetes Werkzeug, und eine Lehrkraft, die die Nutzung anleitet. Fehlt eines davon, verstärkt sie stattdessen. Da alle drei tendenziell an denselben Schulen vorhanden bzw. an denselben Schulen abwesend sind, ist Verstärkung der Normalfall, und Ausgleich ist etwas, das man aktiv aufbauen muss.

1. KI in der Bildung

1.4 Konformer Einsatz von KI

Zentrale Botschaft

Wenn Sie sich nur einen Satz von dieser Seite merken: Regelkonformität ist ein Haus, keine Mauer.

Das Lesetagebuch, dritter Blick

Unser Neuntklässler, sein Lesetagebuch, der Verdacht seiner Lehrkraft. In Kapitel 1.3 ging es um eine Frage des Lernens; in Kapitel 1.3 um professionelles Urteilsvermögen. Hier ist es eine Gerichtsakte.

Im Dezember 2025 entschied das Verwaltungsgericht Hamburg über einen Eilantrag in diesem Fall. Die Lehrkraft hatte bemerkt, dass das Tagebuch nicht zum Schreibstil des Jungen in einer Klassenarbeit passte. Die Schule wertete dies daraufhin als Täuschung. Es folgte ein Eilantrag, dies zu stoppen, doch das Gericht lehnte ab. Nicht offengelegte KI-Nutzung bei Schularbeiten gilt als Täuschung, auch wenn die Schule keine ausdrückliche Regel gegen KI hat. Alle Schülerinnen und Schüler müssen davon ausgehen, selbstständig arbeiten zu müssen, sofern ihnen nicht mitgeteilt wurde, welche Hilfsmittel erlaubt sind. Eine Einschränkung vorab: Es handelt sich um ein einzelnes Gericht, und die Entscheidung ist noch nicht rechtskräftig.

Das ist ein guter Moment, um das verbreitetste Missverständnis in diesem Bereich anzusprechen. Es gibt kein rechtliches Vakuum. Das gab es nie.

Das Haus hat drei Stockwerke

Die meisten Lehrkräfte stellen sich das KI-Recht als eine einzelne Mauer vor, die irgendwo in Brüssel gebaut wird. Hilfreicher ist es jedoch, sich ein Haus vorzustellen, in dem Sie bereits wohnen. Das Fundament ist der Datenschutz. Es ist tragend. Es wurde vor Jahren gelegt. Es bestimmt Ihren Dienstagmorgen. Das obere Stockwerk ist der EU AI Act, Europas KI-Gesetz, das Systeme nach ihrem Schadenspotenzial einstuft und umso strengere Pflichten auferlegt, je höher das Risiko ist. Es ist teilweise bezogen und noch im Bau, wobei der Fertigstellungstermin gerade verschoben wurde. Türen und Fenster sind das Urheber- und Prüfungsrecht — klein und spezifisch, und täglich berührt, ohne dass man es bemerkt.

Erdgeschoss: Datenschutz, klarer als viele denken

Der Umgang mit personenbezogenen Daten einer Person erfordert immer eine Rechtsgrundlage. Als öffentliche Stelle ergibt sich die Erlaubnis einer Schule im Wesentlichen aus ihren gesetzlichen Aufgaben nach dem Schulrecht. Es gibt keine allgemeine Lizenz, die mit dem Lehrerberuf einhergeht.

Daraus folgen drei Konsequenzen, die den praktischen Kern dieses Kapitels bilden.

Einwilligung ist keine Lösung. Eine naheliegende Lösung wäre, einfach die Eltern zu fragen. Dieser Ansatz hat jedoch zwei Nachteile. Erstens muss eine Einwilligung freiwillig erfolgen. In einem schulischen Kontext, in dem Noten eine Rolle spielen, stellt die Bitte einer Lehrkraft keine freie Entscheidung dar. Zweitens muss die Einwilligung informiert sein, was schwer zu erreichen ist, wenn niemand weiß, wo die Daten am Ende landen. Die Erlaubnis muss aus dem Schulrecht kommen, nicht aus einer Unterschrift, denn dadurch verlagert sich die Verantwortung nach oben, weg von Ihnen.

Namen zu entfernen anonymisiert die Daten nicht. Im Jahr 2024 stellten die deutschen Datenschutzbehörden gemeinsam fest, dass Daten weiterhin personenbezogen sind, wenn eine Person aus dem Kontext heraus noch identifizierbar ist. Das ist an Schulen besonders problematisch, weil gerade die Textarten, bei denen Lehrkräfte am meisten Unterstützung wünschen — etwa Aufsätze, freies Schreiben und Lerntagebücher — ihre Verfasserin oder ihren Verfasser am Schreibstil erkennen lassen.

Die Trennlinie ist der Vertrag: Ein Anbieter darf Ihre Daten verarbeiten, wenn er dies strikt nach Ihren Weisungen tut und eine schriftliche Vereinbarung dazu besteht. Sobald er jedoch das von Ihnen Eingegebene für eigene Zwecke nutzt, bricht die Konstruktion zusammen, weil er nicht mehr in Ihrem Auftrag handelt. Der praktische Test lautet also: Gibt es eine solche Vereinbarung, und schließt sie das Training mit Ihren Eingaben aus? Wenn nicht, sollten keine personenbezogenen Daten eingegeben werden.

Zwei Fußnoten sind erwähnenswert: Daten zu Gesundheit, Behinderung und besonderem Förderbedarf unterliegen nach EU-Recht einem noch strengeren Schutz, und mindestens ein deutsches Bundesland (Baden-Württemberg) hat deren Nutzung in KI-Systemen per Ministerialerlass ausdrücklich untersagt. Sind private Geräte betroffen, liegt die rechtliche Verantwortung bei der Schule, nicht bei Ihnen persönlich, was Sie entlastet und Ihre Schulleitung in die Pflicht nimmt.

Oberes Stockwerk: Was der AI Act bereits verlangt — und was noch nicht

Hier folgt die Korrektur, die die meisten bestehenden Handreichungen veralten lässt. Im Juli 2026 verschob die EU den größten Teil der AI-Act-Pflichten für den Bildungsbereich — jener, die an als hochriskant eingestufte Systeme geknüpft sind, also Systeme, die über Zulassungen entscheiden, den Lernstand von Schülerinnen und Schülern bewerten oder sie während Prüfungen überwachen — vom August 2026 auf den 2. Dezember 2027. Sehr viele 2025 und Anfang 2026 verfasste Handreichungen drucken noch das alte Datum. Falls ein Dokument an Ihrer Schule dies tut, braucht es eine Fußnote.

Die nützlichere Korrektur verläuft in die andere Richtung: Was bereits gilt, wird unterschätzt, und was endlos diskutiert wird, gilt noch nicht.

Zwei Dinge sind bereits seit dem 2. Februar 2025 verbindlich.

Liest man diese zweite Pflicht zusammen mit Kapitel 1.3, ergibt sich ein klares Bild. Die Lücke zwischen Wissen über KI und der Fähigkeit, mit KI zu unterrichten, ist längst nicht mehr nur ein fachliches Problem. Seit Februar 2025 ist sie eine rechtliche Verpflichtung.

Seit dem 2. August 2026 müssen KI-generierte Inhalte als solche gekennzeichnet werden. Ab dem 2. Dezember 2027 gelten Systeme, die über Zulassungen entscheiden, den Lernstand von Schülerinnen und Schülern bewerten oder sie während Prüfungen überwachen, als hochriskant. Wer ein solches System einsetzt, übernimmt die damit verbundenen Pflichten. Dazu gehört die Anforderung, dass die aufsichtführenden Personen, in den Worten des AI Acts, „kompetent, geschult und befugt“ sein müssen. Beachten Sie die Formulierung. Das Recht kommt hier zum selben Schluss wie die Pädagogik: Aufsicht ohne Fachkompetenz ist keine Aufsicht.

Türen und Fenster: Urheberrecht und Prüfungen

Wider Erwarten ist das, was herauskommt, der einfachere Teil. Ein von einer KI erzeugter Text oder ein Bild hat in der Regel keinen menschlichen Urheber im Sinne des Urheberrechts und ist daher meist selbst urheberrechtsfrei. Garantiert unbedenklich ist das aber nicht: In der ersten großen europäischen Entscheidung dieser Art stellte ein Münchner Gericht fest, dass ein Chatbot Songtexte auswendig gelernt und nahezu wortgleich wiedergegeben hatte. Die Haftung legte das Gericht dem Anbieter auf, nicht der Person, die die Anfrage eingegeben hatte. Ob eine Lehrkraft haftet, die solches Material weitergibt, ist derzeit eine offene Frage. Klarer ist das Problem bei dem, was hineingeht — wobei zu beachten ist, dass dies eine Frage des Urheberrechts, nicht des AI Acts ist. Der AI Act sagt nichts darüber aus, was Lehrkräfte in ein System einspeisen dürfen; das regelt ein älteres, völlig eigenständiges Rechtsgebiet.

Die Schranke, die es Lehrkräften erlaubt, Material für ihren Unterricht zu kopieren, deckt genau das ab: das Kopieren eines begrenzten Anteils eines Werks für diesen Unterricht. Das Hochladen eines geschützten Werks in ein kommerzielles KI-System ist ein anderer Vorgang, den die Schranke nicht erfasst. Für den Schulunterricht bestimmtes Material — vor allem Schulbücher — ist ohnehin von der Schranke ausgenommen. Ein Kapitel einzuscannen, um es zusammenfassen zu lassen, ist somit ein alltäglicher Vorgang, den die Unterrichts-Schranke nicht eindeutig abdeckt.

Wie sehr sollte Sie das beunruhigen? Weniger, als die Lücke vermuten lässt, und mehr als gar nicht. Die Frage ist tatsächlich ungeklärt: Kein höheres Gericht hat darüber entschieden, und die Fachliteratur hält die bestehenden Schranken für schlecht auf diese Situation zugeschnitten. Widerspricht eine Rechteinhaberin oder ein Rechteinhaber, wäre der Anspruch zivilrechtlicher Natur, und in der Praxis ist dies eine Sache der Schulpolitik und Beschaffung, nicht etwas, das eine einzelne Lehrkraft klären kann. Nicht ungeklärt ist hingegen der enge Fall, und das ist die Linie, die man sich merken sollte: Schulbuch- und Verlagsmaterial sollte überhaupt nicht in KI-Werkzeuge eingegeben werden — weder gescannt noch abgetippt, nicht einmal, um ein Arbeitsblatt zu erzeugen.

Die Rechtsprechung in diesem Bereich wirkt derzeit europaweit uneinheitlich. Im Februar 2026 entschied das Verwaltungsgericht Kassel zwei Hochschulfälle auf die gleiche, klare Weise: Hat eine Studierende oder ein Studierender eine Erklärung unterschrieben, dass die Arbeit die eigene sei, ist die Grenze „bereits bei einer einzigen nicht offengelegten Nutzung generativer KI“ überschritten. Ein Pariser Verwaltungsgericht untersagte es im Februar 2026 einer Hochschule dagegen, eine Studierende oder einen Studierenden überhaupt zu sanktionieren: Es gab keine Regel zur KI-Nutzung, und ohne eine vorab festgelegte Regel ließ sich kein Disziplinarverstoß feststellen. Ein schwedisches Berufungsgericht war zuvor bei fast identischem Sachverhalt zum selben Ergebnis gekommen wie ein niederländischer Fall, der anders ausging. In diesem Fall hatte eine Studierende erfundene Quellen eingereicht, doch die Kursregeln erlaubten „alle Hilfsmittel“ bei Hausarbeiten, sodass nichts verletzt worden war. Wo eine Täuschung eindeutig nachgewiesen war und eine Regel bestand, haben Gerichte Sanktionen bestätigt. Das oberste niederländische Verwaltungsgericht tat dies 2025.

Das Muster über die Rechtsordnungen hinweg ist also keine Frage der Länder. Es geht darum, ob vorab eine Regel bestand und ob die Täuschung tatsächlich nachgewiesen wurde.

Drei Regeln folgen für die Praxis.

  1. Detektoren tragen nicht die Beweislast. Was das Recht erlaubt, ist ein Schluss aus typischen Anzeichen. Dazu zählen wiederholte, auffällig geschliffene Formulierungen, eine Diskrepanz zwischen dem, was jemand schreiben und was er mündlich erklären kann, sowie Quellen, die sich als nicht existent herausstellen. Die oder der Studierende kann dies dann erläutern. Das ist ein legitimer Weg und erfordert keine Software. Die Ausgabe eines Detektors ist bestenfalls ein Indiz unter mehreren. Die in Kapitel 1.3 berichtete Fehlerquote macht das Instrument als Beweismittel unbrauchbar.
  2. Regeln müssen vor der Prüfung klar sein, nicht danach. Weder ein pauschales Verbot noch eine pauschale Erlaubnis hält stand. Was funktioniert, ist eine Selbstständigkeitserklärung mit einer allgemeinen Klausel zu KI sowie einer Pflicht anzugeben, was verwendet wurde. In Deutschland ging Bayern 2026 am weitesten: Seine Hochschulen dürfen KI bei unbeaufsichtigten Prüfungsleistungen gar nicht verbieten, müssen aber eine Angabepflicht vorschreiben. Kennzeichnung statt Verbot.
  3. Noten bleiben menschlich. Keine Entscheidung mit rechtlichen Folgen für eine Person darf allein von einer Maschine getroffen werden, und eine Note ist eine solche Entscheidung. Die Kultusministerkonferenz formuliert es noch deutlicher: Bewertung ist eine Aufgabe, die nur Lehrkräfte erfüllen können. Entscheidend: Einen KI-Vorschlag formal durchzuwinken zählt nicht als menschliche Entscheidung. Der Befund aus Kapitel 1.4 gilt also auch hier: fehlerhaftes KI-Feedback ist ebenso ein pädagogisches wie ein rechtliches Problem.

Recht, Ethik und Didaktik laufen daher auf dieselbe Antwort hinaus: Bewerten Sie den Prozess, nicht nur das Produkt.

Die wahre Adresse der Verantwortung

Als Reaktion darauf hat Deutschland staatlich bereitgestellte schulische KI-Umgebungen eingeführt. Dabei handelt es sich um geprüfte Plattformen mit ausgehandelten Verträgen, statt Lehrkräfte sich selbst zu überlassen, sich bei irgendeinem kostenlosen Dienst anzumelden. Diese lösen zwar Probleme, die einzelne Lehrkräfte allein nicht lösen können, werden aber weiterhin dafür kritisiert, wie sie gesteuert werden, ob Lehrkräfte sie tatsächlich annehmen und ob die damit unterstützten Bewertungen belastbar sind. Da die Einführung derzeit auf eine ausgewählte Gruppe von Schulen und bestimmte Fächer begrenzt ist, wird sich in den kommenden Monaten zeigen müssen, wie Lehrkräfte mit den Plattformen zurechtkommen.

Was daran wirklich besonders ist, ist enger gefasst, als es zunächst scheint, und lohnt eine genaue Betrachtung: Statt es auszuschreiben oder Zugang zu einem fremden System einzukaufen, ist Deutschland das einzige europäische System, in dem eine staatliche Stelle die Plattform selbst baut und betreibt. Auch Frankreich stellt eine Plattform für einen ganzen Jahrgang bereit, hat sie jedoch in Auftrag gegeben, und zwei private Unternehmen liefern sie: eines schrieb die Software, das andere hostet die Daten. Der Großteil des übrigen Kontinents hat schlicht eine fertige Lösung eingekauft.

Die Slowakei ist am weitesten gegangen: mit 20.000 Lizenzen für Lehrerbildungseinrichtungen, die bis 2026 auf rund 80.000 Lehrkräfte an Schulen ausgeweitet werden sollen. Der Staat zahlt nur für tatsächlich genutzte Lizenzen, und dem Anbieter ist es vertraglich untersagt, mit slowakischen Schuldaten zu trainieren. Estland hat eine ähnliche Vereinbarung für seine weiterführenden Schulen ausgehandelt, und Nordirland hat 10,7 Millionen Pfund in Lizenzen für alle Lehrkräfte an allen Schulen investiert. Die vertragliche Garantie, dass Ihre Eingaben nicht zu Trainingszwecken genutzt werden — das Merkmal, für das die deutsche Plattform konzipiert wurde — lässt sich also auch einkaufen.

Es selbst zu bauen verschafft nicht automatisch mehr Kontrolle. Die deutsche Plattform läuft, wie eine Branchenvereinigung anmerkt, auf denselben kommerziellen Sprachmodellen wie alle anderen auch, auf europäischen Servern. Das französische System dagegen wird in Frankreich unter der höchsten vom französischen Staat vergebenen Sicherheitszertifizierung gehostet. Das eine Land hat die Oberfläche gebaut und mietet die Antriebstechnik, das andere hat die Software gekauft und behält die Schlüssel zum Gebäude. Keine der beiden Optionen ist eindeutig die souveränere Wahl — das lohnt es sich zu bedenken, bevor man diesen Begriff verwendet.

Die Niederlande haben einen anderen Weg gewählt, und es lohnt sich, ihn zu kennen, weil er eine ehrlichere Antwort auf dieselbe Frage bietet. Statt selbst zu bauen oder einzukaufen, haben sich niederländische Schulen und Hochschulen zusammengeschlossen und die großen Anbieter förmlich bewerten lassen. Bei der Prüfung von Microsofts KI-Assistenten stießen sie auf zwei Punkte, die sich nicht klären ließen: die Kriterien eines automatischen Inhaltsfilters, die der Anbieter nicht offenlegen wollte, sowie eine achtzehnmonatige Speicherung von Diagnosedaten, die sich nicht rechtfertigen ließ. Es wurde verhandelt. Im März 2026 lehnte der Anbieter jedoch Änderungen ab. Die Bewertung bleibt daher „gelb“, und niederländischen Schulen wird geraten, vorsichtig zu sein und von Fall zu Fall selbst zu entscheiden, statt eine generelle Freigabe zu erteilen. Das eine Land hat das Risiko durch eigenen Aufbau umgangen, das andere hat genauer hingesehen und entschieden, dass es noch nicht so weit ist. Beide Ansätze bieten Lösungen für das Problem, das zu Beginn dieses Kapitels beschrieben wurde.

Der Vergleich klärt noch einen weiteren Punkt. Dass Lehrkräfte den kostenlosen Chatbot der offiziellen Lösung vorziehen, liegt nicht an einer mangelhaften Umsetzung in Deutschland. In Estland, wo der Staat den Zugang für alle Schülerinnen und Schüler der Sekundarstufe II ausgehandelt hat, nutzte nach einem Jahr kaum mehr als ein Drittel den offiziellen Chatbot wöchentlich. Es stellte sich heraus, dass die meisten von ihnen bereits vor Beginn des Programms kostenlose Werkzeuge genutzt hatten. Überall konkurriert die geprüfte Umgebung mit der bequemeren. Das offizielle Werkzeug bereitzustellen ist notwendig. Aber es reicht nicht aus.

Der strukturelle Punkt bleibt jedoch bestehen: Regelkonformität ist eine ermöglichende Bedingung, kein Hindernis. Erinnern Sie sich, was in Kapitel 1.3 gesagt wurde? Die Schulen mit klaren Regeln waren diejenigen, deren Lehrkräfte die größte Zeitersparnis berichteten. Nichts in den Quellen hinter diesen Kapiteln deutet auf das Gegenteil hin.

1. KI in der Bildung

1.5 Aktueller Stand von KI in der Bildung

Zentrale Botschaft

Wenn Sie sich nur einen Satz von dieser Seite merken: KI ist in Bildungskontexten bereits präsent, aber nicht reguliert. Strukturierte Rahmenwerke sind notwendig, um die berufliche Weiterentwicklung von Lehrkräften zu unterstützen, ihr Wissen zu verbessern und es ihnen zu ermöglichen, mit KI und über KI zu unterrichten.

Aktuelle Nutzung von KI in Bildungskontexten

Heutzutage ist künstliche Intelligenz (KI) fest in die alltägliche Bildungspraxis eingebettet, weit über Pilotprojekte hinaus. Zu den gängigen Anwendungen zählen adaptive Lernplattformen, intelligente Tutorensysteme, automatisierte Bewertung und KI-gestützte Unterrichtsplanung für Lehrkräfte (OECD, 2026). Der sichtbarste Wandel ist jedoch die direkte Nutzung allgemeiner KI-Werkzeuge durch Schülerinnen, Schüler und Lehrkräfte gleichermaßen.

Lehren mit KI

KI wird von Lehrkräften zunehmend als Unterstützungswerkzeug in verschiedenen Phasen ihrer Arbeit genutzt, von der Unterrichtsplanung bis zur Bewertung. Laut der TALIS-Umfrage der OECD gaben 37 % der Lehrkräfte der Sekundarstufe I an, 2024 KI genutzt zu haben, wobei 57 % angaben, dass sie ihnen hilft, Unterrichtsentwürfe zu schreiben oder zu verbessern (OECD, 2026). Über die Unterrichtsplanung hinaus nutzen Lehrkräfte KI, um Inhalte für unterschiedliche Leistungsniveaus zu differenzieren, Übungsmaterialien zu erstellen und den Bewertungsprozess zu unterstützen. Gleichzeitig verläuft die Einführung nicht reibungslos: 72 % der Lehrkräfte äußerten die Sorge, dass KI es Schülerinnen und Schülern ermöglichen könnte, KI-generierte Arbeiten als ihre eigenen auszugeben – ein Hinweis auf ein umfassenderes Spannungsverhältnis zwischen dem praktischen Nutzen von KI für den Unterricht und ihren Auswirkungen auf die akademische Integrität (OECD, 2026).

Lehren über KI

Neben der Nutzung von KI als Unterrichtshilfsmittel wächst auch die Notwendigkeit, Schülerinnen und Schüler über KI selbst aufzuklären: wie sie funktioniert, wo ihre Grenzen liegen und wie man sie verantwortungsvoll nutzt. Dazu gehört ein grundlegendes Verständnis von Sprachmodellen als Vorhersagemaschinen statt als Datenbanken, was ihre Neigung zum „Halluzinieren“ erklärt, sowie praktische Fähigkeiten wie das Faktenchecken von KI-Ausgaben und das Erkennen erfundener Quellenangaben (UNESCO, 2024). Dazu gehört auch die Entwicklung kritischen Denkens beim Prompting – Schülerinnen und Schüler sollen nicht mehr nur Anweisungen befolgen, sondern sie selbst formulieren – sowie ein Bewusstsein für die ethischen und rechtlichen Dimensionen der KI-Nutzung, einschließlich Datenschutz und des EU AI Act. UNESCOs AI Competency Framework for Teachers (2024) beschreibt dies als zentrale berufliche Kompetenz und argumentiert, dass Lehrkräfte selbst entsprechend geschult werden müssen, bevor sie dies wirksam an Schülerinnen und Schüler vermitteln können.

Was fehlt noch?

Neben institutionellen Rahmenwerken und Nutzungsdaten ist es wichtig zu verstehen, wie sich diese Dynamiken in der Praxis auswirken. Im Rahmen des Projekts DUAL.AI.TEACHer wurde eine Reihe von Workshops durchgeführt. Zahlreiche Akteurinnen und Akteure aus dem Bildungsbereich wurden eingeladen, um aus erster Hand Einblicke in die aktuelle Nutzung von KI im Unterricht zu gewinnen. Diese Workshops brachten eine Reihe konkreter Bedürfnisse und Bedenken der Lehrkräfte zutage, die praktische, pädagogische und ausbildungsbezogene Aspekte betreffen. Die folgenden Abschnitte beschreiben diese Bedürfnisse im Detail.

1. KI in der Bildung

1.6 Gesetzgebung

Zentrale Botschaft

Wenn Sie sich nur einen Satz von dieser Seite merken: Nutzen Sie KI, um Ihr professionelles Urteilsvermögen zu unterstützen, nicht um es zu ersetzen – strengere Regeln gelten, sobald KI dabei hilft, Entscheidungen über Noten, Bildungswege oder Menschen zu treffen.

Der EU AI Act

Der EU AI Act (Verordnung (EU) 2024/1689) ist das einheitliche, risikobasierte Regelwerk der EU für künstliche Intelligenz. Statt einzelne Produkte zu regulieren, klassifiziert er KI-Systeme nach dem von ihnen ausgehenden Risiko und knüpft daran entsprechende Pflichten – von einem vollständigen Verbot für eine kleine Zahl von Praktiken über zusätzliche Pflichten für „hochriskante“ Anwendungen bis hin zu gar keinen besonderen Regeln für alltägliche Werkzeuge. Er gilt unmittelbar in jedem Mitgliedstaat, sowohl für öffentliche als auch für private Organisationen.

Der AI Act wird schrittweise eingeführt. Er gilt seit dem 1. August 2024; seit dem 2. Februar 2025 sind die unten genannten verbotenen Praktiken sowie die Pflicht zum Aufbau von KI-Kompetenz (Art. 4) bereits verbindlich; ab dem 2. August 2026 gilt der Großteil seiner übrigen Bestimmungen.

Wer ist für den Einsatz von KI verantwortlich?

Führt eine Schule ein KI-System ein und kontrolliert es, ist üblicherweise die Schule oder der Schulträger die einsetzende Stelle (Art. 3(4)). Die Lehrkraft ist bei der Nutzung des Werkzeugs nach den Vorgaben der Schule normalerweise keine eigenständige einsetzende Stelle, muss aber dennoch diese Vorgaben sowie alle einschlägigen schulischen und datenschutzrechtlichen Regeln befolgen.

Lehrkräfte müssen wissen, was sie nutzen

Schulen und Schulträger müssen geeignete Maßnahmen ergreifen, um den Aufbau von KI-Kompetenz bei denjenigen zu unterstützen, die in ihrem Auftrag KI-Systeme nutzen (Art. 4). Der AI Act legt kein bestimmtes Kompetenzniveau, Zertifikat oder Schulungsformat fest. Diese hängen vielmehr vom genutzten KI-System, der Art der Nutzung und den möglicherweise betroffenen Personen ab.

KI-Praktiken, die für Schulen vollständig verboten sind

Der AI Act verbietet acht KI-Praktiken vollständig (Art. 5); vier davon sind für Schulen unmittelbar relevant:

  1. Der Einsatz von KI-Systemen an Bildungseinrichtungen, um Emotionen oder Absichten aus biometrischen Daten abzuleiten (etwa aus Gesichts- oder Stimmmerkmalen von Schülerinnen und Schülern), ist grundsätzlich verboten. Es bestehen enge Ausnahmen für medizinische oder sicherheitsbezogene Zwecke (Art. 3(39); Art. 5(1)(f)).
  2. KI-Systeme, die die Schutzbedürftigkeit einer Person aufgrund ihres Alters (wie bei Kindern), einer Behinderung oder ihrer sozialen oder wirtschaftlichen Situation ausnutzen, um ihr Verhalten in einer Weise zu verzerren, die ihr Schaden zufügt, sind unabhängig von der Absicht verboten (Art. 5(1)(b)).
  3. Der Aufbau oder die Erweiterung einer Gesichtserkennungsdatenbank durch ungezieltes Sammeln von Bildern aus dem Internet oder von Videoüberwachungsaufnahmen ist verboten. Das ist relevant, wenn eine Schule ein Gesichtserkennungswerkzeug für die Anwesenheitskontrolle oder die Prüfungsaufsicht in Betracht zieht (Art. 5(1)(e)).
  4. Die Nutzung biometrischer Daten zur Kategorisierung von Personen, um geschützte Merkmale wie Herkunft, politische Meinung, Religion oder sexuelle Orientierung abzuleiten, ist verboten. Das ist für jedes biometrische Werkzeug relevant, etwa eine Prüfungsaufsichts-Software, die über ihren angegebenen Zweck hinausgeht (Art. 5(1)(g)).

Muss KI-generierter Inhalt immer gekennzeichnet werden?

Wenn Schülerinnen und Schüler direkt mit einem KI-System interagieren, etwa einem Chatbot, müssen sie darüber informiert werden, dass sie mit KI interagieren. In der Regel ist der Systemanbieter dafür verantwortlich, dies deutlich zu machen (Art. 50(1)).

Schulen und Lehrkräfte müssen Deepfakes oder KI-generierte Texte zu Angelegenheiten von öffentlichem Interesse kennzeichnen, wenn diese im Unterricht verwendet werden (Art. 50(4)). Diese Pflicht entfällt, wenn der KI-generierte Inhalt einer wirksamen menschlichen Überprüfung und redaktionellen Kontrolle unterzogen wurde und eine Person oder Einrichtung die redaktionelle Verantwortung für seine Veröffentlichung übernimmt. Ein KI-gestütztes Arbeitsblatt, das von einer Lehrkraft geprüft wurde, benötigt daher nicht automatisch eine Kennzeichnung.

Wann KI in der Bildung hochriskant wird

Gewöhnliche Schreib-, Übersetzungs-, Recherche- und Unterrichtsplanungswerkzeuge sind nicht allein deshalb hochriskant, weil sie beruflich genutzt werden. Die Einstufung hängt vom vorgesehenen Zweck des Systems ab, nicht einfach davon, welches Produkt verwendet wird (Art. 6 · Anhang III).

KI-Systeme können als hochriskant eingestuft werden, wenn sie dazu bestimmt sind:

Für Lehrkräfte Für Schulen
  • über Zugang, Zulassung oder Zuweisung von Schülerinnen und Schülern zu Bildungs- oder Ausbildungseinrichtungen und -programmen zu entscheiden;
  • die Lernergebnisse von Schülerinnen und Schülern zu bewerten oder ihren Lernprozess zu steuern;
  • das angemessene Bildungsniveau zu beurteilen, das eine Schülerin oder ein Schüler erhalten wird oder erreichen kann; oder
  • verbotenes Verhalten von Schülerinnen und Schülern während Prüfungen zu erkennen.

(Anhang III, Punkt 3)
  • Lehrkräfte anzuwerben oder auszuwählen, einschließlich der Vorauswahl von Bewerbungen;
  • über Vertragsbedingungen, Beförderung oder Beendigung eines Lehrkraft-Beschäftigungsverhältnisses zu entscheiden;
  • Aufgaben basierend auf dem Verhalten oder persönlichen Merkmalen einer Lehrkraft zuzuweisen; oder
  • die Leistung von Lehrkräften zu bewerten.

(Anhang III, Punkt 4)

Ein begrenztes Prüf- oder Vorbereitungswerkzeug kann ebenfalls außerhalb der Hochrisikokategorie liegen, wenn es eine Entscheidung nicht wesentlich beeinflusst. Ein Bildungssystem, das Personen profiliert, gilt jedoch stets als hochriskant.

Was Hochrisiko-KI für Schulen und Lehrkräfte bedeutet

Die Einstufung eines KI-Systems als hochriskant schließt seine Nutzung an Schulen nicht automatisch aus. Hochrisikosysteme sind jedoch mit Pflichten verbunden (Art. 26):

Diese Pflichten für Hochrisiko-KI im Bildungsbereich gelten ab dem 2. Dezember 2027 — die oben genannten Verbote und die Pflicht zum Aufbau von KI-Kompetenz gelten jedoch bereits heute.

Für Lehrkräfte Für Schulen
  • es nur für seinen zugelassenen Zweck nutzen und seine Anweisungen befolgen;
  • seine Ausgabe nicht als endgültige Entscheidung behandeln;
  • seine wesentlichen Grenzen und wahrscheinlichen Fehlerquellen verstehen;
  • auf ein übermäßiges Vertrauen in scheinbar überzeugende Ergebnisse achten; und
  • bereit sein, seine Ausgabe zu verwerfen oder zu überstimmen.
  • eine kompetente und befugte menschliche Aufsicht sicherstellen;
  • sicherstellen, dass alle Eingabedaten, die ihrer Kontrolle unterliegen, relevant und hinreichend repräsentativ sind;
  • das System überwachen und auf Risiken oder schwerwiegende Vorfälle reagieren;
  • automatisch erzeugte Protokolle mindestens sechs Monate lang aufbewahren, soweit diese Protokolle ihrer Kontrolle unterliegen; und
  • Schülerinnen, Schüler, Lehrkräfte oder betroffene Personen im Voraus informieren, wenn das System an Entscheidungen über sie mitwirkt.

Öffentliche Stellen und private Organisationen, die öffentliche Dienstleistungen erbringen, müssen vor dem Einsatz von Hochrisiko-KI möglicherweise zusätzlich eine Folgenabschätzung zu den Grundrechten durchführen (Art. 27). Öffentliche Behörden und in ihrem Auftrag handelnde Organisationen müssen das System unter Umständen zusätzlich in der EU-Datenbank registrieren (Art. 49). Ob dies in der Verantwortung der Schule oder ihres Trägers liegt, hängt vom jeweiligen nationalen Schulsystem ab.

Der AI Act ist nicht das einzige relevante Recht

Der AI Act ersetzt nicht die europäischen oder nationalen Regelungen zu Datenschutz, Bildung, Beschäftigung und Mitbestimmung, Kinderschutz oder Urheberrecht (Art. 2(7)). So bedeutet die Tatsache, dass ein Werkzeug nicht hochriskant ist, beispielsweise nicht, dass Sie Arbeiten oder personenbezogene Daten von Schülerinnen und Schülern dort hochladen dürfen.

Ein Werkzeug kann nach dem AI Act zulässig sein und dennoch durch Datenschutzrecht oder die Regeln Ihrer Schule verboten sein.

Die DSGVO

Die DSGVO (Verordnung (EU) 2016/679) ist das Datenschutzrecht der EU. Sie spielt eine ergänzende Rolle neben dem AI Act: Während der AI Act fragt, ob und wie ein KI-System überhaupt genutzt werden darf, fragt die DSGVO, ob genau diese Daten über genau diese Person auf diese Weise verarbeitet werden dürfen.

Wo Sie Hilfe finden

Die Durchsetzung ist in jedem EU-Land unterschiedlich organisiert. Da sich nationale Zuständigkeiten ändern können, nutzen Sie die aktuelle Liste der nationalen Marktüberwachungsbehörden der Europäischen Kommission. Jede Person (eine Lehrkraft, eine Schülerin oder ein Schüler, ein Elternteil) kann bei dieser Behörde eine Beschwerde einreichen, wenn sie der Ansicht ist, dass gegen den AI Act verstoßen wurde (Art. 85). Hat ein Hochrisikosystem, etwa ein Zulassungs- oder Prüfungsaufsichtswerkzeug, zu einer Entscheidung geführt, die eine Schülerin oder einen Schüler erheblich betrifft, können diese (oder ihre Eltern) außerdem eine Erklärung zu dieser individuellen Entscheidung verlangen (Art. 86).

Nationale Regelungen für Ihr Land

Der AI Act gilt EU-weit, doch Durchsetzungsstellen, Schulrecht und datenschutzrechtliche Praxis unterscheiden sich von Land zu Land. Länderspezifische Hinweise für die Partnerländer des Playbooks werden hier ergänzt:

1. KI in der Bildung

1.7 Gesetzgebung Österreich

Zentrale Botschaft

Wenn Sie sich nur einen Satz von dieser Seite merken: Nutzen Sie KI, um Ihr professionelles Urteilsvermögen zu unterstützen, nicht um es zu ersetzen – strengere Regeln gelten, sobald KI dabei hilft, Entscheidungen über Noten, Bildungswege oder Menschen zu treffen.

Der EU AI Act

Der EU AI Act (Verordnung (EU) 2024/1689) ist das einheitliche, risikobasierte Regelwerk der EU für künstliche Intelligenz. Statt einzelne Produkte zu regulieren, klassifiziert er KI-Systeme nach dem von ihnen ausgehenden Risiko und knüpft daran entsprechende Pflichten – von einem vollständigen Verbot für eine kleine Zahl von Praktiken über zusätzliche Pflichten für „hochriskante“ Anwendungen bis hin zu gar keinen besonderen Regeln für alltägliche Werkzeuge. Er gilt unmittelbar in jedem Mitgliedstaat, sowohl für öffentliche als auch für private Organisationen.

Der AI Act wird schrittweise eingeführt. Er gilt seit dem 1. August 2024; seit dem 2. Februar 2025 sind die unten genannten verbotenen Praktiken sowie die Pflicht zum Aufbau von KI-Kompetenz (Art. 4) bereits verbindlich; ab dem 2. August 2026 gilt der Großteil seiner übrigen Bestimmungen.

Wer ist für den Einsatz von KI verantwortlich?

Führt eine Schule ein KI-System ein und kontrolliert es, ist üblicherweise die Schule oder der Schulträger die einsetzende Stelle (Art. 3(4)). Die Lehrkraft ist bei der Nutzung des Werkzeugs nach den Vorgaben der Schule normalerweise keine eigenständige einsetzende Stelle, muss aber dennoch diese Vorgaben sowie alle einschlägigen schulischen und datenschutzrechtlichen Regeln befolgen.

Lehrkräfte müssen wissen, was sie nutzen

Schulen und Schulträger müssen geeignete Maßnahmen ergreifen, um den Aufbau von KI-Kompetenz bei denjenigen zu unterstützen, die in ihrem Auftrag KI-Systeme nutzen (Art. 4). Der AI Act legt kein bestimmtes Kompetenzniveau, Zertifikat oder Schulungsformat fest. Diese hängen vielmehr vom genutzten KI-System, der Art der Nutzung und den möglicherweise betroffenen Personen ab.

KI-Praktiken, die für Schulen vollständig verboten sind

Der AI Act verbietet acht KI-Praktiken vollständig (Art. 5); vier davon sind für Schulen unmittelbar relevant:

  1. Der Einsatz von KI-Systemen an Bildungseinrichtungen, um Emotionen oder Absichten aus biometrischen Daten abzuleiten (etwa aus Gesichts- oder Stimmmerkmalen von Schülerinnen und Schülern), ist grundsätzlich verboten. Es bestehen enge Ausnahmen für medizinische oder sicherheitsbezogene Zwecke (Art. 3(39); Art. 5(1)(f)).
  2. KI-Systeme, die die Schutzbedürftigkeit einer Person aufgrund ihres Alters (wie bei Kindern), einer Behinderung oder ihrer sozialen oder wirtschaftlichen Situation ausnutzen, um ihr Verhalten in einer Weise zu verzerren, die ihr Schaden zufügt, sind unabhängig von der Absicht verboten (Art. 5(1)(b)).
  3. Der Aufbau oder die Erweiterung einer Gesichtserkennungsdatenbank durch ungezieltes Sammeln von Bildern aus dem Internet oder von Videoüberwachungsaufnahmen ist verboten. Das ist relevant, wenn eine Schule ein Gesichtserkennungswerkzeug für die Anwesenheitskontrolle oder die Prüfungsaufsicht in Betracht zieht (Art. 5(1)(e)).
  4. Die Nutzung biometrischer Daten zur Kategorisierung von Personen, um geschützte Merkmale wie Herkunft, politische Meinung, Religion oder sexuelle Orientierung abzuleiten, ist verboten. Das ist für jedes biometrische Werkzeug relevant, etwa eine Prüfungsaufsichts-Software, die über ihren angegebenen Zweck hinausgeht (Art. 5(1)(g)).

Muss KI-generierter Inhalt immer gekennzeichnet werden?

Wenn Schülerinnen und Schüler direkt mit einem KI-System interagieren, etwa einem Chatbot, müssen sie darüber informiert werden, dass sie mit KI interagieren. In der Regel ist der Systemanbieter dafür verantwortlich, dies deutlich zu machen (Art. 50(1)).

Schulen und Lehrkräfte müssen Deepfakes oder KI-generierte Texte zu Angelegenheiten von öffentlichem Interesse kennzeichnen, wenn diese im Unterricht verwendet werden (Art. 50(4)). Diese Pflicht entfällt, wenn der KI-generierte Inhalt einer wirksamen menschlichen Überprüfung und redaktionellen Kontrolle unterzogen wurde und eine Person oder Einrichtung die redaktionelle Verantwortung für seine Veröffentlichung übernimmt. Ein KI-gestütztes Arbeitsblatt, das von einer Lehrkraft geprüft wurde, benötigt daher nicht automatisch eine Kennzeichnung.

Wann KI in der Bildung hochriskant wird

Gewöhnliche Schreib-, Übersetzungs-, Recherche- und Unterrichtsplanungswerkzeuge sind nicht allein deshalb hochriskant, weil sie beruflich genutzt werden. Die Einstufung hängt vom vorgesehenen Zweck des Systems ab, nicht einfach davon, welches Produkt verwendet wird (Art. 6 · Anhang III).

KI-Systeme können als hochriskant eingestuft werden, wenn sie dazu bestimmt sind:

Für Lehrkräfte Für Schulen
  • über Zugang, Zulassung oder Zuweisung von Schülerinnen und Schülern zu Bildungs- oder Ausbildungseinrichtungen und -programmen zu entscheiden;
  • die Lernergebnisse von Schülerinnen und Schülern zu bewerten oder ihren Lernprozess zu steuern;
  • das angemessene Bildungsniveau zu beurteilen, das eine Schülerin oder ein Schüler erhalten wird oder erreichen kann; oder
  • verbotenes Verhalten von Schülerinnen und Schülern während Prüfungen zu erkennen.

(Anhang III, Punkt 3)
  • Lehrkräfte anzuwerben oder auszuwählen, einschließlich der Vorauswahl von Bewerbungen;
  • über Vertragsbedingungen, Beförderung oder Beendigung eines Lehrkraft-Beschäftigungsverhältnisses zu entscheiden;
  • Aufgaben basierend auf dem Verhalten oder persönlichen Merkmalen einer Lehrkraft zuzuweisen; oder
  • die Leistung von Lehrkräften zu bewerten.

(Anhang III, Punkt 4)

Ein begrenztes Prüf- oder Vorbereitungswerkzeug kann ebenfalls außerhalb der Hochrisikokategorie liegen, wenn es eine Entscheidung nicht wesentlich beeinflusst. Ein Bildungssystem, das Personen profiliert, gilt jedoch stets als hochriskant.

Was Hochrisiko-KI für Schulen und Lehrkräfte bedeutet

Die Einstufung eines KI-Systems als hochriskant schließt seine Nutzung an Schulen nicht automatisch aus. Hochrisikosysteme sind jedoch mit Pflichten verbunden (Art. 26):

Diese Pflichten für Hochrisiko-KI im Bildungsbereich gelten ab dem 2. Dezember 2027 — die oben genannten Verbote und die Pflicht zum Aufbau von KI-Kompetenz gelten jedoch bereits heute.

Für Lehrkräfte Für Schulen
  • es nur für seinen zugelassenen Zweck nutzen und seine Anweisungen befolgen;
  • seine Ausgabe nicht als endgültige Entscheidung behandeln;
  • seine wesentlichen Grenzen und wahrscheinlichen Fehlerquellen verstehen;
  • auf ein übermäßiges Vertrauen in scheinbar überzeugende Ergebnisse achten; und
  • bereit sein, seine Ausgabe zu verwerfen oder zu überstimmen.
  • eine kompetente und befugte menschliche Aufsicht sicherstellen;
  • sicherstellen, dass alle Eingabedaten, die ihrer Kontrolle unterliegen, relevant und hinreichend repräsentativ sind;
  • das System überwachen und auf Risiken oder schwerwiegende Vorfälle reagieren;
  • automatisch erzeugte Protokolle mindestens sechs Monate lang aufbewahren, soweit diese Protokolle ihrer Kontrolle unterliegen; und
  • Schülerinnen, Schüler, Lehrkräfte oder betroffene Personen im Voraus informieren, wenn das System an Entscheidungen über sie mitwirkt.

Öffentliche Stellen und private Organisationen, die öffentliche Dienstleistungen erbringen, müssen vor dem Einsatz von Hochrisiko-KI möglicherweise zusätzlich eine Folgenabschätzung zu den Grundrechten durchführen (Art. 27). Öffentliche Behörden und in ihrem Auftrag handelnde Organisationen müssen das System unter Umständen zusätzlich in der EU-Datenbank registrieren (Art. 49). Ob dies in der Verantwortung der Schule oder ihres Trägers liegt, hängt vom jeweiligen nationalen Schulsystem ab.

Der AI Act ist nicht das einzige relevante Recht

Der AI Act ersetzt nicht die europäischen oder nationalen Regelungen zu Datenschutz, Bildung, Beschäftigung und Mitbestimmung, Kinderschutz oder Urheberrecht (Art. 2(7)). So bedeutet die Tatsache, dass ein Werkzeug nicht hochriskant ist, beispielsweise nicht, dass Sie Arbeiten oder personenbezogene Daten von Schülerinnen und Schülern dort hochladen dürfen.

Ein Werkzeug kann nach dem AI Act zulässig sein und dennoch durch Datenschutzrecht oder die Regeln Ihrer Schule verboten sein.

Die DSGVO

Die DSGVO (Verordnung (EU) 2016/679) ist das Datenschutzrecht der EU. Sie spielt eine ergänzende Rolle neben dem AI Act: Während der AI Act fragt, ob und wie ein KI-System überhaupt genutzt werden darf, fragt die DSGVO, ob genau diese Daten über genau diese Person auf diese Weise verarbeitet werden dürfen.

Wo Sie Hilfe finden

Die Durchsetzung ist in jedem EU-Land unterschiedlich organisiert. Da sich nationale Zuständigkeiten ändern können, nutzen Sie die aktuelle Liste der nationalen Marktüberwachungsbehörden der Europäischen Kommission. Jede Person (eine Lehrkraft, eine Schülerin oder ein Schüler, ein Elternteil) kann bei dieser Behörde eine Beschwerde einreichen, wenn sie der Ansicht ist, dass gegen den AI Act verstoßen wurde (Art. 85). Hat ein Hochrisikosystem, etwa ein Zulassungs- oder Prüfungsaufsichtswerkzeug, zu einer Entscheidung geführt, die eine Schülerin oder einen Schüler erheblich betrifft, können diese (oder ihre Eltern) außerdem eine Erklärung zu dieser individuellen Entscheidung verlangen (Art. 86).

Nationale Regelungen für Ihr Land

Der AI Act gilt EU-weit, doch Durchsetzungsstellen, Schulrecht und datenschutzrechtliche Praxis unterscheiden sich von Land zu Land. Länderspezifische Hinweise für die Partnerländer des Playbooks werden hier ergänzt:

2. Unterrichtsbeispiele

2. Unterrichtsbeispiele

2.1 Einführung

2. Unterrichtsbeispiele

2.2. Biologie: Vibe-Coding-Simulationen im Unterricht

Räuber-Beute-Dynamik (Lotka-Volterra-Modell)

Fach: Biologie · Klassenstufe: 9 (14–15 Jahre) · Dauer: 1 Doppelstunde (90 Min.) · KI: Lernen MIT KI

KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler

AF-TL-2b

(AI foundations and applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung):

„Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.“


AF-FC-2b

(AI foundations and applications × Facilitating Learners' (AI) Digital Competence, Stufe 2 – Reflektierte Umsetzung):

„Lehrkräfte können Anleitungen umsetzen, die Lernenden helfen, praktische KI-Fähigkeiten zu entwickeln, wobei die Aufgaben an das Vorwissen der Lernenden und die verfügbaren KI-Werkzeuge angepasst werden.“

Am Ende der Stunde können die Schülerinnen und Schüler:

  • die wichtigsten Variablen (Beutepopulation, Räuberpopulation) und Parameter (Wachstumsrate, Prädationsrate, Umwandlungseffizienz, Sterberate) des Lotka-Volterra-Modells beschreiben;
  • Hypothesen zur Populationsdynamik mithilfe einer interaktiven Simulation aufstellen und testen;
  • eine bestehende Simulation um zusätzliche Ebenen ökologischer Komplexität erweitern (z. B. eine Umweltkapazität, eine zweite Art, einen saisonalen Faktor), indem sie strukturierte Prompts für ein KI-Sprachmodell formulieren;
  • die Annahmen und Grenzen des Modells kritisch bewerten (Wissenschaftsverständnis/Nature of Science), einschließlich der Frage, warum das Einführen von Zufälligkeit oder eines zusätzlichen Faktors es destabilisieren kann.

Kernbotschaft: Die Schülerinnen und Schüler müssen nicht von Grund auf programmieren. Es genügt, eine bestehende Simulation zu lesen und zu testen und dann ein Sprachmodell zu nutzen, um Schritt für Schritt eine Ebene ökologischer Realitätsnähe hinzuzufügen, um ein echtes Verständnis eines dynamischen biologischen Modells aufzubauen – und, früher oder später, selbst herauszufinden, wo genau dieses Modell an seine Grenzen stößt.

Vibe-Coding SImulations.png

Abb. 1. Bild erzeugt mit ChatGPT (GPT Image 2), 27. August 2026.

Inhalt

Mathematische Modelle und Computersimulationen sind in der Ökologie besonders wertvolle Werkzeuge, da sie hochkomplexe Systeme durch mathematische Gleichungen ausdrücken können. Das ermöglicht es, Experimente in silico durchzuführen und Hypothesen am Modell zu testen – in Situationen, in denen ein echtes Experiment zu teuer, zu langsam, ethisch schwierig oder schlicht gefährlich wäre. Eine reale Räuberpopulation zu manipulieren, ist zum Beispiel selten eine Option. Gleichzeitig ist jedes Modell zwangsläufig eine Vereinfachung der Realität, und genau darin liegen seine Schwächen: reale Ökosysteme sind weitaus komplexer, als ein Modell jemals vollständig erfassen könnte.

Das Lotka-Volterra-Modell ist ein klassisches Beispiel für eine solche Vereinfachung, angewandt auf die Räuber-Beute-Dynamik. Es bildet das System über zwei Zustandsvariablen ab (die Größe der Beute- und der Räuberpopulation) sowie vier Parameter (die intrinsische Wachstumsrate der Beute, den Koeffizienten der Prädationsrate, die Fortpflanzungsrate des Räubers pro erbeuteter Beute und die Sterberate des Räubers). Unter seinen idealisierten Annahmen sagt das Modell anhaltende, periodische Schwankungen voraus, bei denen Veränderungen der Räuberpopulation denen der Beutepopulation zeitlich nachfolgen. Dieses Verhalten entsteht durch einen Rückkopplungskreislauf: Wächst die Beutepopulation, steht den Räubern mehr Nahrung zur Verfügung, wodurch die Räuberpopulation wachsen kann. Die verstärkte Prädation lässt dann die Beutepopulation sinken, was die Nahrungsgrundlage der Räuber verringert und zu einem Rückgang der Räuberpopulation führt. Mit weniger Räubern kann sich die Beutepopulation erholen, und der Zyklus beginnt von Neuem.

Um diesen sauberen Zyklus zu erzeugen, trifft das Modell mehrere starke Annahmen. Es ist deterministisch (dieselben Startwerte erzeugen immer exakt dieselbe Kurve); es ist ein geschlossenes Zwei-Arten-System, das jeden abiotischen Faktor (Temperatur, Niederschlag, Jahreszeit) und jeden weiteren biotischen Faktor (Nahrungspflanzen der Beute, eine dritte Art, Krankheit) ausschließt; und es lässt das Wachstum jeder Population ausschließlich von der Größe der jeweils anderen Population abhängen.

Reale Populationen erfüllen diese Annahmen selten. Geburten, Todesfälle und Begegnungen unterliegen dem Zufall, und eine stochastische (zufallsbasierte) Version desselben Modells neigt dazu, vom sauberen Zyklus abzuweichen, und kann sogar kollabieren (z. B. wenn die Räuberpopulation ausstirbt) – in Fällen, in denen die deterministische Version eine stabile Schwingung vorhersagt. Ebenso genügt oft schon das Hinzufügen eines einzigen fehlenden Faktors (z. B. eine temperaturabhängige Wachstumsrate oder eine Begrenzung der eigenen Nahrungsgrundlage der Beute), um den sauberen Zwei-Variablen-Zyklus zu durchbrechen. Das ist kein Makel, der vor den Schülerinnen und Schülern verborgen werden sollte, sondern die zentrale wissenschaftstheoretische Lektion dieser Aktivität. Ein Modell kann echten Nutzen haben und dennoch eine bewusst enge Annäherung an die Realität sein – und es gut zu nutzen bedeutet, genau zu wissen, welche Faktoren es außer Acht lässt. In der Hauptaktivität dieser Stunde entdecken die Schülerinnen und Schüler dies selbst, indem sie versuchen, genau solche Faktoren hinzuzufügen.

Unterrichtsverlauf

Phase Zeit Aktivität
Einstieg 8 Min. Die Lehrkraft zeigt einen unbeschrifteten Graphen einer realen Räuber-Beute-Datenreihe (z. B. Luchs/Hase); die Schülerinnen und Schüler beschreiben das Muster und stellen erste Hypothesen auf.
Input 12 Min. Die Lehrkraft stellt die Variablen und Parameter des Modells anhand eines einfachen Diagramms vor (keine Differentialgleichungen erforderlich).
Erkundung 15 Min. Die Schülerinnen und Schüler testen ihre Hypothesen paarweise an einer vorgefertigten HTML-Simulation und halten ihre Beobachtungen fest.
Erweiterung 35 Min. In Paaren durchlaufen die Schülerinnen und Schüler 2–3 Runden von vorhersagen → prompten → testen → diagnostizieren (Leitfragen unten); dabei bitten sie das Sprachmodell jedes Mal, eine weitere Ebene ökologischer Realitätsnähe zur Simulation hinzuzufügen (eine Begrenzung der Nahrungsgrundlage der Beute, eine zweite Art, einen saisonalen/abiotischen Faktor), bis der saubere Zwei-Variablen-Zyklus sichtbar zusammenbricht.
Reflexion 20 Min. Klassengespräch, geleitet von Fragen wie: In welcher Runde hörte die Simulation auf, einen sauberen, sich wiederholenden Zyklus zu erzeugen? Was lässt das ursprüngliche Modell bewusst aus, und warum? Was macht es zu einer nützlichen Vereinfachung statt einfach nur falsch zu sein?

Leitfragen: Komplexität schrittweise aufbauen

Die Paare bearbeiten so viele der folgenden Runden, wie die 35 Minuten zulassen (die meisten schaffen zwei; die dritte ist eine Erweiterung für schnelle Paare). Jede Runde folgt demselben Vier-Schritte-Zyklus:

  1. Runde 1 — die Nahrungsgrundlage der Beute begrenzen (eine Umweltkapazität):
    • Vorhersagen: Bevor Sie mit dem Prompten beginnen, fragen Sie sich: Was erwarten Sie für den Zyklus, wenn sich das Wachstum der Beute verlangsamt, sobald die Population groß wird, statt unbegrenzt weiterzuwachsen? Skizzieren Sie die erwartete Kurve.
    • Prompten: Bitten Sie die KI, eine maximale nachhaltige Beutepopulation in die Simulation einzubauen und in eigenen Worten zu erklären, wie sie die Wachstumsgleichung dafür verändert hat.
    • Testen & vergleichen: Führen Sie die neue Simulation mit denselben Startwerten wie zuvor aus. Vergleichen Sie die vorherige Simulation mit der neuen: Wie haben sich die Variablen verändert? Warum?
    • Diagnostizieren: Welche Annahme des ursprünglichen Modells (unbegrenzte Nahrung für die Beute) haben Sie gerade entfernt? Ist dieser Faktor biotisch oder abiotisch?
  2. Runde 2 — einen weiteren (biotischen oder abiotischen) Faktor hinzufügen:
    • Vorhersagen: Wenn nun eine dritte Art mit der Beute um Nahrung konkurriert oder sie ebenfalls erbeutet, oder wenn das Wachstum der Beute nun von der Temperatur abhängt – was erwarten Sie für den ursprünglichen Zwei-Arten-Zyklus?
    • Prompten: Wählen Sie einen weiteren Faktor und formulieren Sie einen Prompt, der die KI bittet, ihn als neue, mit den bestehenden Variablen verknüpfte Variable hinzuzufügen — geben Sie genau an, wie er mit der Beute- oder Räuberpopulation interagieren soll.
    • Testen & vergleichen: Beobachten Sie die Simulation über mehrere Zyklen. Bleibt der ursprüngliche Zwei-Arten-Rhythmus erhalten, wird er verzerrt, oder verschwindet er?
    • Diagnostizieren: Das ursprüngliche Modell nahm an, dass jede Population nur von der anderen abhängt. Stimmt das nach dieser Runde noch? Welche reale ökologische Beziehung stellt Ihr neuer Faktor dar?
  3. Optionale Runde 3 — Zufälligkeit einführen:
    • Vorhersagen: Wenn ein Parameter (z. B. die Prädationsrate) nicht mehr fest ist, sondern bei jedem Zeitschritt zufällig aus einem Bereich gezogen wird, was erwarten Sie für die langfristige Stabilität der Populationen?
    • Prompten: Bitten Sie die KI, einen konstanten Parameter durch einen zufälligen Wert zu ersetzen und zu verfolgen, ob eine der beiden Populationen den Wert null erreicht.
    • Testen & vergleichen: Führen Sie die Simulation mehrmals mit denselben Einstellungen aus. Erhalten Sie jedes Mal dasselbe Ergebnis? Bricht jemals eine der Populationen zusammen?
    • Diagnostizieren: Warum kann derselbe „durchschnittliche“ Parameterwert hier manchmal zum Aussterben führen, obwohl das deterministische Modell das nie vorhergesagt hat?

Abschlussfrage (für die Reflexionsphase): In welcher Runde hörte die Simulation auf, einen sauberen, sich wiederholenden Zyklus zu erzeugen — und was sagt Ihnen das darüber, wie viele reale Faktoren das ursprüngliche Lotka-Volterra-Modell auslassen muss, um lösbar und leicht interpretierbar zu bleiben?

Materialien

2. Unterrichtsbeispiele

2.3 Englisch als Fremdsprache

Von KI-generierten Gesprächen zu natürlichem Englisch

Fach: Englisch als Fremdsprache  ·  Klassenstufe: 9 (Alter 14–15)  ·  Dauer: 1 Doppelstunde (90 Min.)  ·  KI: Lernen MIT KI

KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Schüler-/Lernendenebene

AF-TL-2b

(AI foundations and applications × Teaching & Learning, Level 2 – Reflective Implementation):

„Lehrkräfte können Unterrichtselemente so gestalten, dass der KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der erzeugten Inhalte eingebettet ist.“


AF-FC-2b

(AI foundations and applications × Facilitating Learners' (AI) Digital Competence, Level 2 – Reflective Implementation):

„Lehrkräfte können Anleitungen umsetzen, die Lernenden helfen, praktische KI-Kompetenzen zu entwickeln, wobei die Aufgaben an das Vorwissen der Lernenden und die verfügbaren KI-Tools angepasst werden.“

Am Ende der Stunde können die Schüler:innen:

  • zwischen grammatikalisch korrektem und kontextuell angemessenem Englisch unterscheiden
  • Unterschiede in Wortschatz, Ton und Register in verschiedenen kommunikativen Situationen erkennen
  • strukturierte Prompts formulieren, die Adressat:in, Zweck, Kontext, Sprachniveau und Ton festlegen
  • KI-generierte Sprache vergleichen und unangemessene oder unnatürliche Formulierungen erkennen
  • KI-generierte Sprache anhand ihres eigenen Sprachgefühls überarbeiten
  • prüfen, ob eine KI-generierte Antwort den Vorgaben eines Prompts entspricht.

Zentrale Botschaft: KI kann flüssiges und grammatikalisch korrektes Englisch erzeugen, aber das macht die Sprache nicht automatisch natürlich oder für eine bestimmte Situation angemessen. Indem sie Adressat:in, Zweck und Kontext eines KI-generierten Gesprächs verändern, lernen die Schüler:innen, KI-Vorschläge zu bewerten und mit ihrem eigenen Sprachwissen die endgültigen Entscheidungen zu treffen.

ChatGPT Image Sep 1, 2026 at 03_17_43 PM.png

Abb. 1. Mit ChatGPT (GPT Image 2) generiertes Bild, 1. September 2026.

Inhalt

Erfolgreiche Kommunikation in einer Fremdsprache erfordert mehr, als grammatikalisch korrekte Sätze zu bilden. Sprecher:innen passen ständig Wortschatz, Satzbau, Höflichkeit und Ton an Adressat:in, Zweck und Kontext der Kommunikation an. Dieselbe Absicht kann daher je nachdem, wer mit wem spricht, auf sehr unterschiedliche Weise ausgedrückt werden. Eine Bitte gegenüber einer engen Freundin oder einem engen Freund kann kurz und informell ausfallen, während dieselbe Bitte gegenüber einer Lehrkraft, einem Arbeitgeber oder einer fremden Person meist einen anderen Wortschatz, höflichere Strukturen und einen anderen Grad an Formalität erfordert. Diese Unterschiede gehören zum Register, das beschreibt, wie sich Sprache je nach sozialer und kommunikativer Situation verändert.

Für Sprachlernende kann Register schwer zu erkennen sein, da ein Satz grammatikalisch korrekt sein kann und trotzdem in einem bestimmten Kontext unnatürlich oder unangemessen klingt. Lehrbuchbeispiele bieten oft klare Unterscheidungen zwischen formeller und informeller Sprache, während reale Kommunikation weitaus flexibler ist. Alter, Beziehung zwischen den Sprechenden, kulturelle Erwartungen, Kommunikationsmedium und kommunikativer Zweck können die verwendete Sprache beeinflussen. Eine Nachricht, die in einem Gespräch zwischen Jugendlichen natürlich klingt, kann in einer E-Mail an eine Lehrkraft zu informell wirken, während ein in einer E-Mail passender Ausdruck im Gespräch unnatürlich steif wirken könnte.

Generative KI-Tools eignen sich gut, um diese Unterschiede zu erkunden. Indem einzelne Elemente eines Prompts verändert werden – etwa die Beziehung zwischen den Sprechenden, das Sprachniveau, der Zweck oder der Grad an Formalität – können Lernende mehrere Versionen derselben kommunikativen Situation erzeugen und vergleichen, wie sich die Sprache verändert. Gleichzeitig ist KI-generierte Sprache nicht automatisch verlässlich, nur weil sie flüssig klingt. Ein Modell kann Sprache erzeugen, die zu formell, repetitiv, kulturell unpassend, nicht mit dem angeforderten Niveau vereinbar oder nicht vollständig mit den Vorgaben des Prompts abgestimmt ist. Generative KI arbeitet zudem probabilistisch, das heißt, ähnliche Prompts können zu unterschiedlichen Formulierungen führen.

Diese Einschränkung steht im Zentrum der Aktivität, statt vor den Lernenden verborgen zu werden. KI ist dann am nützlichsten, wenn Schüler:innen ihre Ausgaben als Sprachmaterial zur Analyse behandeln, statt sie als fertige Antwort zu übernehmen. In dieser Stunde untersuchen die Schüler:innen zunächst, wie sich das Register je nach Kommunikationskontext verändert, und nutzen anschließend ein Sprachmodell, um jeweils eine kommunikative Variable zu verändern. Sie vergleichen die entstandenen Dialoge, erkennen, welche sprachlichen Entscheidungen funktionieren und welche nicht, und überarbeiten Teile der Ausgabe selbst. Auf diese Weise üben die Schüler:innen sowohl kommunikative Kompetenz im Englischen als auch praktische KI-Kompetenz: klare Anweisungen geben, prüfen, ob diese befolgt wurden, und mit dem eigenen Sprachgefühl entscheiden, ob das Endergebnis angemessen ist.

Unterrichtsverlauf

PhaseZeitAktivität
Einstieg10 Min.Die Lehrkraft zeigt zwei kurze Nachrichten, die dieselbe Bitte äußern, z. B. eine an eine Freundin/einen Freund und eine an eine Lehrkraft gerichtete. Die Schüler:innen erkennen Unterschiede in Wortschatz, Höflichkeit und Ton und vermuten, wer welche Nachricht geschrieben haben könnte.
Input10 Min.Die Lehrkraft führt die Konzepte Adressat:in, Zweck, Kontext und Register ein. Gemeinsam erkennen die Schüler:innen Merkmale von formellem und informellem Englisch und diskutieren, warum grammatikalisch korrekte Sprache nicht zwangsläufig angemessene Sprache ist.
Erkundung15 Min.In Partnerarbeit untersuchen die Schüler:innen einen kurzen, KI-generierten Dialog zu einer Alltagssituation. Sie identifizieren nützliche Ausdrücke und markieren alles, was unnatürlich, zu formell, zu informell oder für ihr Sprachniveau ungeeignet klingt.
Anpassung35 Min.Die Schüler:innen bearbeiten 2–3 Runden nach dem Schema Vorhersagen → Prompten → Vergleichen → Diagnostizieren. In jeder Runde verändern sie einen Aspekt des Kommunikationskontexts und bitten die KI, den Dialog anzupassen.
Reflexion20 Min.Die Schüler:innen vergleichen ihre Versionen und diskutieren, welche Veränderungen die Sprache am stärksten beeinflusst haben. Sie erkennen, wo die KI die Anweisungen gut befolgt hat, wo nicht, und welche Ausdrücke sie selbst ändern würden.

Leitfragen: Komplexität steigern

Paare bearbeiten so viele der folgenden Runden wie es die 35-minütige Anpassungsphase erlaubt. Die meisten Paare sollten zwei Runden abschließen, die dritte kann als Erweiterung genutzt werden:

  1. Runde 1 — Beziehung zwischen den Sprechenden verändern:
    • Vorhersagen: Stellt euch vor, dieselbe Bitte wird gegenüber einer engen Freundin/einem engen Freund und gegenüber einer Lehrkraft geäußert. Was erwartet ihr, dass sich ändert? Denkt an Wortschatz, Begrüßungen, Satzbau und Höflichkeit.
    • Prompten: Bittet die KI, den Dialog für eine andere Beziehung zwischen den Sprechenden umzuschreiben.

      Zum Beispiel:

      Schreibe dieses Gespräch zwischen zwei Freund:innen als Gespräch zwischen einer Schülerin/einem Schüler und einer Lehrkraft um. Behalte die Bedeutung bei, verwende aber höfliches, natürliches Englisch, das für ein B1-Niveau geeignet ist.

    • Vergleichen: Vergleicht den ursprünglichen und den neuen Dialog. Identifiziert mindestens drei sprachliche Veränderungen.
    • Diagnostizieren: Hat die KI nur einzelne Wörter verändert, oder auch Satzbau, Begrüßungen, Bitten und Abschlussformeln? Welche Änderungen sind angemessen? Gibt es etwas, das ihr selbst anders formulieren würdet?
  2. Runde 2 — Kommunikativen Zweck verändern:

    Die Schüler:innen verändern nun, was eine sprechende Person erreichen möchte. Zum Beispiel:

    nach Informationen fragen → sich beschweren

    eine Einladung annehmen → höflich ablehnen

    um Hilfe bitten → um Erlaubnis bitten

    informelles Gespräch → formelle Bitte

    • Vorhersagen: Welche Sprache erwartet ihr, dass sich ändert, wenn sich der Zweck des Gesprächs ändert?
    • Prompten: Erstellt einen detaillierteren Prompt, der Folgendes enthält: sprechende Person + Situation + Zweck + Sprachniveau + Ton

      Zum Beispiel:

      Erstelle einen kurzen Dialog auf B1-Niveau zwischen einer Kundin/einem Kunden und einer angestellten Person eines Cafés. Die Person hat die falsche Bestellung erhalten und möchte das Problem höflich lösen. Verwende natürliches Alltagsenglisch und begrenze den Dialog auf acht Zeilen.

    • Vergleichen: Prüft, ob der generierte Dialog jedem Teil der Anweisung entspricht.
    • Diagnostizieren: Wählt einen gut funktionierenden Ausdruck und einen, den ihr umschreiben würdet. Begründet eure Wahl.
  3. Optionale Runde 3 — Einschränkungen hinzufügen und die KI herausfordern:

    Die Schüler:innen machen ihre Anweisungen spezifischer.

    Zum Beispiel:

    Schreibe das Gespräch für zwei 15-Jährige um. Halte das Englisch auf B1-Niveau. Mach es freundlich und natürlich, aber vermeide Slang. Behalte denselben kommunikativen Zweck bei.

    • Vorhersagen: Welche Teile des vorherigen Dialogs erwartet ihr, dass sich ändern?
    • Prompten: Bittet die KI, die überarbeitete Version zu erstellen.
    • Vergleichen: Prüft die Antwort gegen jede Anforderung im Prompt.
    • Diagnostizieren: Welche Anweisungen hat die KI erfolgreich befolgt? Welche hat sie ignoriert oder anders interpretiert?

Abschlussfrage (für die Reflexionsphase): An welchem Punkt erforderte die Veränderung der Kommunikationssituation mehr, als nur einzelne Wörter zu ersetzen, und was sagt das über erfolgreiche Kommunikation in einer anderen Sprache aus?

Anschließend: Wenn ein KI-generierter Dialog grammatikalisch korrekt ist, wie könnt ihr entscheiden, ob er für diese konkrete Situation tatsächlich angemessen und natürlich ist?

Materialien

2. Unterrichtsbeispiele

2.6 Geschichte: Rekonstruktion der Vergangenheit

Ein Tag im mittelalterlichen Riga: Was können uns die Quellen wirklich sagen?

Fach: Geschichte · Klassenstufe: 7 (13–14 Jahre) · Dauer: 1 Doppelstunde · KI: Lernen MIT KI

KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler

AF-TL-2b

(AI foundations and applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung):

 

„Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.“


 

AF-FC-2b

(AI foundations and applications × Facilitating Learners’ (AI) Digital Competence, Stufe 2 – Reflektierte Umsetzung):

 

„Lehrkräfte können Anleitungen umsetzen, die Lernenden helfen, praktische KI-Fähigkeiten zu entwickeln, wobei die Aufgaben an das Vorwissen der Lernenden und die verfügbaren KI-Werkzeuge angepasst werden.“

Am Ende der Stunde können die Schülerinnen und Schüler:

  • Informationen über das städtische Leben im Mittelalter aus schriftlichen, bildlichen und archäologischen Quellen entnehmen;
  • zwischen Beleg, plausibler Schlussfolgerung und Spekulation unterscheiden;
  • Aspekte von Handel, Handwerk und Alltagsleben im mittelalterlichen Riga erklären;

  • Belege aus mehreren Quellen zu einer historischen

    Rekonstruktion zusammenführen;

  • Prompts formulieren, die die KI dazu anhalten, ausschließlich mit den bereitgestellten historischen Belegen zu arbeiten;
  • Informationen analysieren, um die Bedeutung verlässlicher Quellen zu verstehen.

Kernbotschaft: Was gezeigt wird, ist nicht unbedingt das, was geschehen ist. Historische Rekonstruktionen verbinden Belege, plausible Schlussfolgerungen und Spekulation. Die Vergangenheit zu verstehen bedeutet, den Unterschied zu erkennen zwischen dem, was wir aus Quellen wissen, dem, was wir daraus vernünftigerweise schließen können, und dem, was hinzuerfunden wurde, um Lücken zu füllen und eine bessere Geschichte zu erzählen.

ChatGPT Image Sep 2, 2026 at 01_30_35 PM.png

Abb. 1. Bild erzeugt mit ChatGPT (GPT Image 2), 2. September 2026.

Inhalt

Historikerinnen und Historiker können das Alltagsleben im Mittelalter nicht unmittelbar beobachten. Sie rekonstruieren es stattdessen aus den Spuren, die Menschen hinterlassen haben: schriftlichen Dokumenten, Gebäuden, Gegenständen, Bildern, archäologischen Funden und anderen Belegen. Unterschiedliche Quellen beantworten unterschiedliche Fragen. Eine Handelsaufzeichnung kann zeigen, welche Waren in eine Stadt gelangten, während ein archäologisches Objekt etwas darüber verraten kann, was Menschen besaßen oder benutzten. Keine dieser Quellen allein kann einen ganzen Tag im Leben eines Menschen wiederherstellen.

Das mittelalterliche Riga bietet dafür eine aufschlussreiche Fallstudie. Riga entwickelte sich nach dem Beginn des 13. Jahrhunderts rasch und wurde zu einem wichtigen Knotenpunkt, der den Handel zwischen Westeuropa, Livland und weiter östlich gelegenen Gebieten verband. Gegen Ende des 13. Jahrhunderts war es zu einer bedeutenden Hansestadt geworden. Handel und Handwerk förderten das Wachstum von Kaufmanns- und Handwerksvereinigungen wie den Zünften.

Moderne Medien können die Vergangenheit sehr viel vollständiger erscheinen lassen, als es die überlieferten Belege tatsächlich zulassen. KI-erzeugte Geschichtsinhalte wie Chloe VS History zeigen zum Beispiel lebendige „Zeitreise“-Szenen, in denen die Zuschauerinnen und Zuschauer scheinbar historische Schauplätze besuchen, etwa London zur Zeit der Pest. Kleidung, Straßen, Gebäude, Menschen und alltägliche Tätigkeiten werden so dargestellt, als würden sie unmittelbar beobachtet. Doch diese Szenen sind Rekonstruktionen: Manche Details mögen auf historischen Belegen beruhen, manche können plausible Schlussfolgerungen sein, andere sind spekulativ oder schlicht unzutreffend.

Dasselbe Problem zeigt sich in Historienfilmen. A Knight’s Tale erschafft durch Rüstungen, Turniere, Kleidung, Architektur und soziale Rollen eine erkennbar mittelalterliche Welt und führt zugleich bewusst moderne Musik, Sprache und Verhaltensweisen ein. Der Film ist damit eine nützliche Erinnerung daran, dass etwas überzeugend historisch wirken kann, ohne genau das abzubilden, was tatsächlich geschehen ist.

Generative KI funktioniert auf ähnliche Weise. Sie kann Fragmente historischer Belege zu einer stimmigen Rekonstruktion eines Tages im mittelalterlichen Riga verbinden, sie kann Lücken aber auch mit Details füllen, die in den Quellen nie vorkamen. Manche Ergänzungen mögen historisch plausibel sein, andere gehören in eine andere Region, ein anderes Jahrhundert oder eine andere soziale Gruppe.

Die Schülerinnen und Schüler müssen deshalb drei Stufen der Sicherheit unterscheiden:
Beleg – was historische Quellen unmittelbar stützen.
Schlussfolgerung – was sich daraus vernünftigerweise ableiten lässt.
Spekulation – was hinzuerfunden wurde, um die Lücken zu füllen.

Unterrichtsverlauf

Phase Zeit Aktivität
Einstieg 10 Min. Ein mittelalterliches KI-Video von Chloe VS History ansehen. Die Schülerinnen und Schüler benennen, was es glaubwürdig macht, und hinterfragen, welche Details tatsächlich durch Belege gestützt sind.
Input 10 Min. Einführung von Beleg – Schlussfolgerung – Spekulation und Übung im Unterscheiden.
Erkundung 15 Min. Die Schülerinnen und Schüler analysieren Quellen zum mittelalterlichen Riga ohne KI und halten fest, was sich wirklich wissen lässt.
Anwendung 1 20 Min. Die KI rekonstruiert aus begrenzten Belegen einen Tag im mittelalterlichen Riga. Die Schülerinnen und Schüler erkennen, wo sie Lücken füllt.
Anwendung 2 20 Min. Weitere Quellen und strengere Prompts kommen hinzu. Die Schülerinnen und Schüler vergleichen die beiden Rekonstruktionen.
Reflexion 25 Min. Die Schülerinnen und Schüler übertragen denselben kritischen Analyserahmen auf einen mittelalterlichen Historienfilm.

Leitfragen: von der KI-Ausgabe zur unterrichtstauglichen Aktivität

Materialien

2. Unterrichtsbeispiele

2.8 Mathematik: Kann die Maschine wirklich rechnen?

Erste Begegnung mit KI im Mathematikunterricht der Grundschule – Spracherkennung mit der „Recheneule“

Fach: Mathematik · Klassenstufe: 2 (7–8 Jahre) · Dauer: 1 Unterrichtsstunde (50 Min.) · KI: Lernen ÜBER KI

Beispiel aus der Schulpraxis: Dieses Beispiel orientiert sich an der dokumentierten Praxis der Volksschule Hagenberg im Mühlkreis (Oberösterreich), einer offiziellen KI-Pilotschule des österreichischen Bundesministeriums für Bildung. Ab der zweiten Schulstufe führen die Lehrkräfte dort KI spielerisch ein, um die Kinder auf ihre Chancen und Risiken vorzubereiten (Direktorin Martina Ketterer-Hager). Ein zentrales Element ist das Projekt digicase / DLPL, in dem die Kinder algorithmisches Denken üben – unter anderem mit dem Mathematik-Spracherkennungsspiel „Die schlaue Recheneule“, das gemeinsam mit der PH Linz entwickelt wurde. Diese Unterrichtsstunde baut eine Schulstunde rund um dieses reale Werkzeug auf. Sie schließt an die KI-Initiative des Ministeriums und den Vier-Richtungs-Kompass Verstehen, Anwenden, Reflektieren, Mitgestalten an.

Kernbotschaft: Die Kinder benutzen das Werkzeug nicht nur – sie beobachten es. Indem sie ihre Rechenaufgaben laut mit der „Recheneule“ lösen und sehen, wann sie die richtige Zahl hört und wann sie durcheinanderkommt, machen Zweitklässlerinnen und Zweitklässler ihre allererste Entdeckung über KI: Sie ist eine hilfreiche, aber unvollkommene Maschine, und das Kind ist weiterhin dasjenige, das die richtige Antwort kennt. Damit wird der Grundstein für eine lebenslange Gewohnheit gelegt: prüfen statt einfach nur vertrauen.

ChatGPT Image 8. Sept. 2026, 13_34_19.png

Abb. #. Bild erzeugt mit ChatGPT (GPT Image 2), 8. September 2026.

Inhalt

Kleine Kinder begegnen künstlicher Intelligenz lange bevor sie sie erklären können: Sprachassistenten zu Hause, Kameras, die Gesichter finden, Apps, die ihre Sätze vervollständigen. Das österreichische KI-Basiscurriculum und die KI-Initiative des Ministeriums betonen beide, dass KI-Kompetenz früh und spielerisch beginnen sollte, und dass sie ebenso in die Grundschule gehört wie in spätere Schulstufen. Die Volksschule Hagenberg im Mühlkreis, eine KI-Pilotschule, macht genau das: Ab der zweiten Schulstufe führen ihre Lehrkräfte KI über Spiele ein, mit dem Projekt digicase / DLPL im Mittelpunkt, damit die Kinder ein erstes, konkretes Gespür dafür entwickeln, was diese Maschinen können und was nicht.

Die „Recheneule“ ist eines dieser Spiele, und sie passt perfekt in den Mathematikunterricht. Sie nutzt Spracherkennung – eine Form von KI – damit ein Kind eine Zahl laut aussprechen kann und das Programm versucht, sie zu erkennen und in einer Rechnung zu verwenden. Das Werkzeug ist bewusst einfach gehalten und, wie seine Entwicklerinnen und Entwickler anmerken, noch experimentell: Ob es richtig hört, hängt vom Mikrofon ab, davon, wie deutlich das Kind spricht, und davon, wie ruhig der Raum ist. Für ein siebenjähriges Kind ist das kein Mangel, den man verbergen müsste, sondern der eigentliche Kern der Stunde. Wenn die Eule die falsche Zahl anzeigt, kann das Kind mit eigenen Augen sehen, dass die schlaue Maschine nicht verstanden hat — und dass es selbst sehr wohl weiß, dass drei plus vier sieben ergibt.

Das macht das Werkzeug für das Lehren ÜBER KI in diesem Alter so wertvoll. Die Kinder sollen nicht verstehen, wie Spracherkennung im Inneren funktioniert; sie sollen sie beobachten, sie durch deutliches Sprechen und Nähe zum Mikrofon besser zum Laufen bringen und bemerken, wann sie scheitert. In der Sprache des KI-Basiscurriculums ist das der erste Schritt vom Verstehen (eine Maschine hört zu, kein Mensch) zum Reflektieren (sie hat nicht immer recht, und ich kann sie überprüfen). Die Lehrkraft hält dabei die Mathematik im Vordergrund: Es geht weiterhin um die Rechenaufgabe, und die Eule ist eine spielerische Partnerin, deren Antworten das Kind zu überprüfen lernt.
In dieser Stunde sagen die Kinder vorher, ob die Eule sie hören wird, probieren es aus, schauen sich an, was sie anzeigt, und sprechen darüber, warum sie sich manchmal irrt — eine einfache, altersgerechte Fassung des Zyklus vorhersagen → ausprobieren → prüfen → besprechen, der sich durch alle diese Beispiele zieht. Ziel ist eine erste, fröhliche Erfahrung mit KI als nützlicher Helferin, die trotzdem einen Menschen braucht, der sie überprüft.

Unterrichtsverlauf

Phase

Zeit

Aktivität

Aufwärmen

8 Min.

Im Sitzkreis fragt die Lehrkraft, wo die Kinder schon einmal erlebt haben, dass eine Maschine einer Stimme „zuhört“ (Telefon, Lautsprecher, Tablet). Gemeinsam halten sie eine einfache Erkenntnis fest: Ein Computer kann versuchen, uns zu hören, aber er ist kein Mensch und kann Fehler machen.

Zeigen

7 Min.

Die Lehrkraft führt die „Recheneule“ einmal am großen Bildschirm vor: Sie spricht eine Zahl deutlich aus und nuschelt dann eine andere, sodass die Klasse sieht, wie die Eule erst richtig und dann falsch hört. Die Klasse rät, woran das liegt.

Ausprobieren (in Paaren)

20 Min.

Zu zweit an einem Tablet mit Headset wechseln sich die Kinder ab: Eines sagt das Ergebnis einer einfachen Rechnung laut (z. B. „drei plus vier“ → sagt „sieben“), das andere schaut, welche Zahl die Eule anzeigt, und setzt auf einem einfachen Blatt ein Häkchen bei einem Smiley (richtig gehört) oder einem neutralen Gesicht (falsch gehört).

Prüfen

8 Min.

Bei jedem „falsch gehört“ ermittelt das Paar selbst die richtige Antwort und entscheidet gemeinsam: Hat das Kind es falsch gesagt oder hat die Eule es falsch gehört? Sie kreisen ein, wer den Fehler gemacht hat.

Besprechen

7 Min.

Zurück im Sitzkreis: Was hat der Eule geholfen, uns zu hören? (deutlich sprechen, nah dran sein, leise sein). Wussten wir die richtige Antwort auch dann noch, wenn die Eule falsch lag? Wer bestimmt über die Rechnung – die Eule oder wir?

Leitfragen: vorhersagen → ausprobieren → prüfen → besprechen

Die Paare arbeiten diese kurzen Runden während der Phase „Ausprobieren“ durch. Die Formulierungen sind bewusst einfach gehalten, damit die Lehrkraft sie laut vorlesen kann; jüngere oder schnellere Paare können mehr Runden machen.

1.    Runde 1 – wird die Eule mich hören?

2.    Runde 2 – wer hat den Fehler gemacht?

3.    Runde 3 (Erweiterung) – absichtlich schwer machen:

Abschlussfrage (für die Phase „Besprechen“): Wussten wir die richtige Antwort auch dann, wenn die Eule die falsche Zahl angezeigt hat? Wer muss die Rechnung also überprüfen — der Computer oder wir?

Anschließend: Die Eule ist schlau, aber sie kann sich verhören. Wo könnte eine schlaue Maschine sonst noch etwas falsch machen – und was könnten wir immer tun, um es zu überprüfen?

Materialien

2. Unterrichtsbeispiele

2.9 Beispiel: Informatik

2. Unterrichtsbeispiele

2.4 Sozialkunde: KI, Medien und Wirklichkeit

Können wir alles glauben, was wir sehen?

Fach: Sozialkunde · Klassenstufe: 5 (10–11 Jahre) · Dauer: 1 Doppelstunde (90 Min.) · KI: Lehren ÜBER KI

Kernbotschaft: KI kann überzeugende Texte und Bilder erzeugen, aber überzeugend bedeutet nicht wahr. Bevor wir etwas glauben oder weitergeben, müssen wir fragen, woher es stammt, welche Belege es stützen und ob wir es an anderer Stelle überprüfen können.

Inhalt

Künstliche Intelligenz wird zunehmend Teil der alltäglichen Kommunikation. KI-Systeme können Texte, Bilder und andere Inhalte erzeugen, die aussehen können, als wären sie von einem Menschen erstellt worden. Das schafft neue Möglichkeiten, aber auch neue Herausforderungen dafür, wie Menschen Informationen verstehen und bewerten. Für Schülerinnen und Schüler in diesem Alter ist die wichtige Frage nicht unbedingt, wie KI technisch funktioniert, sondern wie KI-erzeugte Inhalte Menschen und Gesellschaft beeinflussen können.

Die Stunde führt KI über eine vertraute soziale Situation ein: über Informationen, denen man im Alltag begegnet. Die Lehrkraft zeigt Beispiele für Texte und Bilder und bittet die Schülerinnen und Schüler zu entscheiden, ob der Inhalt echt, bearbeitet oder KI-erzeugt ist. Der Schwerpunkt liegt nicht darauf, ihnen beizubringen, KI perfekt zu erkennen. Tatsächlich ist eine der zentralen Schlussfolgerungen der Stunde, dass das äußere Erscheinungsbild allein kein verlässlicher Weg ist, um festzustellen, ob etwas wahr ist.

Stattdessen lernen die Schülerinnen und Schüler einen einfachen Prüfablauf:

STOPP → HINTERFRAGEN → PRÜFEN → VERGLEICHEN → ENTSCHEIDEN

Die Aktivität knüpft an den Schwerpunkt des Sozialkunde-Lehrplans an, kritisches Denken zu entwickeln, Belege zu analysieren, Meinungen zu bilden und zu äußern sowie das soziale Umfeld zu erforschen. Der Lehrplan nennt ausdrücklich die Rolle und den Einfluss der Medien als eines der vorgeschlagenen gesellschaftlichen Themen für die 5. Klasse. Er ermutigt Lehrkräfte außerdem ausdrücklich dazu, rationales und kritisches Denken zu fördern, indem Fragen gestellt werden, die Begründungen erfordern, indem Belege untersucht, Daten analysiert werden, die Schlussfolgerungen stützen oder infrage stellen, und indem unterschiedliche Deutungen berücksichtigt werden. Wichtig ist dabei: Die Schülerinnen und Schüler interagieren während der Stunde nicht selbst mit einem KI-System. Die Lehrkraft bedient das KI-Werkzeug und präsentiert der Klasse ausgewählte Ausgaben. Die Rolle der Schülerinnen und Schüler besteht darin, die Inhalte zu beobachten, zu hinterfragen, zu vergleichen und zu bewerten.

Unterrichtsverlauf

Phase Zeit Aktivität
Einführung 10 Min. Die Lehrkraft zeigt zwei oder drei Bilder oder kurze Texte zu einer vertrauten Situation. Die Schülerinnen und Schüler entscheiden für sich: Ist das echt? Woher weißt du das?
Input 15 Min. Die Lehrkraft führt KI in altersgerechter Sprache ein: was generative KI kann und warum KI-erzeugte Inhalte überzeugend wirken können.
Demonstration 15 Min. Die Lehrkraft nutzt ein KI-Werkzeug live, um auf Grundlage eines einfachen Prompts ein Bild oder einen kurzen Text zu erzeugen. Die Schülerinnen und Schüler beobachten, wie schnell der Inhalt entstehen kann, und besprechen, was die KI tatsächlich hervorbringt.
Untersuchung 30 Min. Die Gruppen erhalten mehrere Beispiele für Informationen und Inhalte. Sie nutzen eine Prüf-Checkliste und entscheiden, was sie für glaubwürdig halten, was sie hinterfragen und was sie weiter überprüfen würden.
Reflexion 20 Min. Klassengespräch: Können wir einem Bild trauen, nur weil es echt aussieht? Und wie ist es bei einem Text? Wer trägt die Verantwortung, wenn wir falsche Informationen erstellen oder verbreiten?

Leitfragen:

Die Schülerinnen und Schüler arbeiten die folgenden Situationen gemeinsam mit der Lehrkraft durch. Die KI wird ausschließlich von der Lehrkraft bedient.

1. Runde 1 — STOPP: Nicht sofort glauben

Die Lehrkraft zeigt den Schülerinnen und Schülern ein KI-erzeugtes Bild einer vertrauten Situation — zum Beispiel eine scheinbar realistische Fotografie eines ungewöhnlichen Ereignisses in Slowenien.

  1. Bevor irgendetwas aufgelöst wird, beantworten die Schülerinnen und Schüler:

    1. Sieht dieses Bild echt aus?

    2. Was bringt dich zu dieser Einschätzung?

    3. Welche Details lassen es glaubwürdig wirken?

    4. Gibt es etwas, das ungewöhnlich aussieht?

  2. Die Lehrkraft löst auf, dass das Bild mit KI erzeugt wurde, und erklärt kurz, wie generative KI realistisch wirkende Bilder erstellen kann.

    1. Was hat uns glauben lassen, dass das Bild echt ist?

    2. Haben wir nach Belegen gesucht oder einfach dem vertraut, was wir gesehen haben?

    3. Könnte jemand ein solches Bild nutzen, um andere Menschen in die Irre zu führen?

Diagnose: Die Schülerinnen und Schüler erkennen den Unterschied zwischen „Das sieht echt aus“ und „Ich habe Belege dafür, dass das echt ist“.

Kernidee: Ein realistisches Erscheinungsbild ist kein Beweis dafür, dass etwas wahr ist.

2. Runde 2 — HINTERFRAGEN: Wer hat es erstellt und warum?

Die Lehrkraft präsentiert einen kurzen KI-erzeugten Text im Nachrichtenstil. Zum Beispiel bittet die Lehrkraft ein KI-System, einen kurzen Artikel über ein erfundenes Ereignis an einer slowenischen Schule zu verfassen.

  1. Die Schülerinnen und Schüler interagieren nicht mit der KI. Stattdessen analysieren sie die Ausgabe.

    1. Wer hat das geschrieben oder erstellt?

    2. Woher stammt die Information angeblich?

    3. Nennt der Text eine Quelle?

    4. Liefert er Belege?

    5. Können wir die Information überprüfen?

    6. Warum könnte jemand solche Informationen veröffentlichen wollen?

    7. Klingt der Text sicher, obwohl wir nicht wissen, ob er stimmt?

  2. Die Schülerinnen und Schüler entdecken, dass ein Text selbstsicher, informativ und überzeugend klingen kann und ihm dennoch eine verlässliche Quelle oder Belege fehlen.

Kernidee: Eine selbstsicher klingende Antwort ist nicht zwangsläufig eine richtige Antwort.

3. Runde 3 — PRÜFEN & VERGLEICHEN: Überprüfen wir es

Die Lehrkraft stellt eine erfundene Behauptung vor: „In Slowenien wurde eine neue Regel eingeführt: Schülerinnen und Schüler dürfen samstags keine Mobiltelefone mehr benutzen.“

Die Aussage ist bewusst einfach und plausibel genug, um die Schülerinnen und Schüler dazu anzuregen, darüber nachzudenken, wie sie sie überprüfen würden.

  1. Die Schülerinnen und Schüler sollen nicht einfach mit „wahr“ oder „falsch“ antworten. Sie müssen stattdessen eine Überprüfungsstrategie entwickeln.

    1. Wo würdest du diese Information überprüfen?

    2. Wen könntest du fragen?

    3. Würdest du einem Beitrag in sozialen Medien vertrauen?

    4. Würdest du nur eine Quelle prüfen oder mehrere?

    5. Was würde als guter Beleg gelten?

    6. Welcher Quelle würdest du eher vertrauen?

    7. Was würde dich dazu bringen, deine Meinung zu ändern?

  2. Anschließend zeigt die Lehrkraft, wie sich die Behauptung mithilfe verschiedener Arten von Quellen überprüfen ließe.

Die Schülerinnen und Schüler erkennen, dass das Überprüfen von Informationen ein Prozess ist und nicht einfach die Entscheidung, ob sich etwas „wahr anfühlt“.

4. Optionale Runde — KI gegen Mensch

  1. Die Lehrkraft fragt ein KI-System: „Warum ist es wichtig, das kulturelle Erbe zu bewahren?“ - Die KI erzeugt eine kurze Antwort.
  2. Die Schülerinnen und Schüler formulieren anschließend eigenständig ihre eigene Antwort ohne KI.
  3. Die Klasse vergleicht beide.

    1. Was hat die KI gut beantwortet?

    2. Was fehlt?

    3. Gibt die KI Informationen wieder, eine Meinung oder beides?

    4. Kennt die KI unser lokales Umfeld so gut wie wir?

    5. Welche Antwort wäre nützlicher, um unser lokales Kulturerbe vorzustellen?

    6. Kann eine KI-erzeugte Antwort unser eigenes Denken ersetzen?

Das knüpft an den Schwerpunkt des Lehrplans auf kulturelles Erbe an, an das Verständnis der Schülerinnen und Schüler für Vergangenheit und Gegenwart sowie an ihre Fähigkeit, eigene Standpunkte zu erklären und zu begründen.

Abschlussaktivität: eine Klassenregel entwickeln

Am Ende der Stunde erstellen Lehrkraft und Klasse gemeinsam ein einfaches Plakat für den Klassenraum:

5 FRAGEN, BEVOR WIR ETWAS TEILEN

Das Plakat ist das zentrale praktische Ergebnis der Stunde.

Abschlussfrage: Wenn ein Computer ein Bild oder einen Text erzeugen kann, der völlig echt aussieht – was sollten wir tun, bevor wir es glauben oder mit anderen Menschen teilen?

Materialien

Die Rolle der Lehrkraft und die Rolle der Schülerinnen und Schüler

Ein zentrales Gestaltungsprinzip dieser Stunde ist, dass der KI-Einsatz von der Lehrkraft gesteuert wird.

Lehrkraft Schülerinnen und Schüler
Bedient das KI-Werkzeug. Beobachten die KI-Ausgabe.
Erstellt ausgewählte Beispiele. Stellen Fragen zum Inhalt.
Zeigt, wie KI Texte und Bilder erzeugt. Benennen Gründe, Informationen zu vertrauen oder sie zu hinterfragen.
Liefert Beispiele und Gegenbeispiele Vergleichen verschiedene Quellen.
Macht Überprüfungsstrategien vor Entwickeln eine eigene Überprüfungsstrategie.
Leitet die Diskussion Erklären und begründen ihre Schlussfolgerungen.

Macht die Grenzen von KI sichtbar.

 Reflektieren über verantwortungsvolles Teilen von Informationen.

Die Schülerinnen und Schüler lernen also über die Fähigkeiten, Grenzen und gesellschaftlichen Folgen von KI, ohne selbst Zugang zu einem KI-System zu benötigen.

2. Unterrichtsbeispiele

2.5 Fächerübergreifend: KI-gestützte Unterrichtsplanung

KI-gestützte Unterrichtsgestaltung

Fach: Fortbildung von Lehrkräften · Zielgruppe: Lehrkräfte · Dauer: 1 Workshop (90 Min.) · KI: Lehren MIT KI

KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Lernenden

AF-DR-2b

(AI Foundations and Applications × Digital Resources, Stufe 2 – Reflektierte Umsetzung):

 

„Lehrkräfte können Strategien des Promptens, der Iteration und der Verfeinerung einsetzen, um nutzbare KI-erzeugte Ressourcen zu erhalten.“


 

AF-TL-2b

(AI Foundations and Applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung):

 

„Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.“

Am Ende der Einheit können die Teilnehmenden:

  • einen strukturierten Prompt formulieren, um eine Lernaktivität für das eigene Fachgebiet zu erstellen;
  • eine KI-erzeugte Aktivität hinsichtlich pädagogischer Relevanz, fachlicher Richtigkeit und Eignung für die Zielgruppe bewerten;
  • Elemente KI-erzeugten Materials erkennen, die eine Überprüfung oder Anpassung durch Menschen erfordern;
  • eine erste KI-Ausgabe durch Prompten, Iteration und manuelle Überarbeitung verbessern;
  • KI in eine Unterrichtsstunde integrieren und dabei eine klare pädagogische Rolle für Lehrkraft und Lernende wahren.

Kernbotschaft: Generative KI kann die Unterrichtsvorbereitung beschleunigen, aber eine brauchbare Lernaktivität entsteht selten aus einem einzigen Prompt. Wirksame KI-gestützte Unterrichtsgestaltung ist ein iterativer Prozess, in dem Lehrkräfte das pädagogische Ziel festlegen, Ideen erzeugen, die Ausgabe bewerten, sie verfeinern und die endgültigen didaktischen Entscheidungen selbst treffen.

ChatGPT Image Sep 1, 2026 at 04_27_24 PM.png

Abb. 1. Bild erzeugt mit ChatGPT (GPT Image 2), 1. September 2026.

Inhalt

Generative KI kann Lehrkräfte bei vielen Aufgaben der Unterrichtsvorbereitung unterstützen: beim Entwickeln von Aktivitätsideen, beim Anpassen von Materialien an unterschiedliche Lerngruppen, beim Erstellen von Beispielen und Fragen oder beim Vorschlagen alternativer Erklärwege für ein Thema. Die lettische Fallstudie Datorium zeigt diesen praxisnahen Ansatz zur Entwicklung der KI-Kompetenz von Lehrkräften: Zunächst machen sich die Lehrkräfte mit KI und ihren Einsatzmöglichkeiten in der Bildung vertraut, dann gehen sie zu praktischem Ausprobieren, Unterrichtsplanung, Leistungsbewertung und der Entwicklung differenzierter Materialien über. Auf die Anwendung im Unterricht folgen Reflexion und Rückmeldung, sodass der KI-Einsatz Teil eines iterativen professionellen Lernprozesses wird und nicht eine einmalige technische Übung bleibt.

Der Nutzen generativer KI für die Unterrichtsgestaltung hängt stark von den Informationen und Vorgaben ab, die die Lehrkraft bereitstellt. Eine Anfrage wie „Erstelle eine Unterrichtsstunde zum Klimawandel“ überlässt die meisten pädagogischen Entscheidungen dem KI-System. Ein stärker strukturierter Prompt kann Fach, Alter der Lernenden, Vorwissen, Lernziel, Dauer, Unterrichtsmethode, verfügbare Ressourcen und erwartetes Lernprodukt benennen. Diese Angaben garantieren keine gute Stunde, aber sie geben der Lehrkraft mehr Kontrolle darüber, was die KI hervorbringt, und machen das entstandene Material leichter am angestrebten Lernziel überprüfbar.

Selbst ein detaillierter Prompt kann Material hervorbringen, das fachlich falsch, pädagogisch schwach, für die verfügbare Unterrichtszeit unrealistisch oder für eine bestimmte Lerngruppe ungeeignet ist. KI schlägt mitunter Aktivitäten vor, ohne die Dynamik im Klassenzimmer zu berücksichtigen, setzt Ressourcen voraus, die nicht verfügbar sind, erzeugt Aufgaben, die das angegebene Lernziel gar nicht erfassen, oder liefert Inhalte, die überzeugend wirken, aber einer fachlichen Überprüfung bedürfen. Deshalb sollte KI-erzeugtes Unterrichtsmaterial als Entwurf und nicht als fertiges Lehrmaterial behandelt werden.

Der zentrale Lernprozess in dieser Aktivität besteht daher nicht einfach darin zu lernen, wie man einen „guten Prompt“ schreibt. Die Lehrkräfte durchlaufen wiederholt den Zyklus festlegen → prompten → bewerten → verfeinern → überprüfen. Sie beginnen mit einem realen Lernziel aus dem eigenen Unterrichtskontext, lassen sich von der KI eine Aktivität vorschlagen, bewerten das Ergebnis anhand pädagogischer Kriterien, verfeinern den Prompt, wo nötig, und nehmen schließlich eigene Änderungen vor, bevor die Aktivität als unterrichtstauglich gilt. Das entspricht dem Schwerpunkt der Fallstudie Datorium auf praktischem Ausprobieren, gemeinsamer Entwicklung, Anwendung im Unterricht und Reflexion – und belässt zugleich die pädagogische Verantwortung und die Validierung bei der Lehrkraft.

Unterrichtsverlauf

Phase Zeit Aktivität
Einführung 10 Min. Die Teilnehmenden benennen jeweils eine Aufgabe der Unterrichtsvorbereitung, für die KI nützlich sein könnte. Die Moderation führt KI als Assistenz bzw. Mitgestalterin ein und nicht als eigenständige Unterrichtsplanerin.
Input 15 Min. Die Teilnehmenden vergleichen einen einfachen Prompt mit einem strukturierten pädagogischen Prompt und untersuchen, wie zusätzlicher Kontext die erzeugte Lernaktivität verändert.
Erkundung 15 Min. Jede teilnehmende Person wählt ein reales Lernziel aus dem eigenen Fach und lässt ein Sprachmodell eine kurze Unterrichtsaktivität dazu erzeugen.
Erweiterung 35 Min. Die Teilnehmenden durchlaufen zwei oder drei Runden von prompten → bewerten → verfeinern → überprüfen, fügen dabei schrittweise pädagogische Vorgaben hinzu und prüfen die entstandene Aktivität.
Reflexion 25 Min. Die Teilnehmenden vergleichen ihre ursprüngliche KI-Ausgabe mit der endgültigen, unterrichtstauglichen Fassung und benennen, welche Verbesserungen durch Prompten entstanden sind und welche ihr eigenes professionelles Urteil erforderten.

Leitfragen: von der KI-Ausgabe zur unterrichtstauglichen Aktivität

  1. Runde 1 — das pädagogische Ziel festlegen:

    Legen Sie vor dem Prompten fest:

    • Wer sind die Lernenden?
    • Was sollen sie wissen oder können?
    • Welches Vorwissen bringen sie mit?
    • Wie viel Zeit steht zur Verfügung?
    • Was sollen die Lernenden während der Aktivität tatsächlich tun?

    Erzeugen Sie eine erste Aktivität und vergleichen Sie sie mit dem angestrebten Lernziel.

    • Diagnostizieren: Hilft die Aktivität den Lernenden tatsächlich dabei, das Ziel zu erreichen, oder betrifft sie lediglich dasselbe Thema?
  2. Runde 2 — Rahmenbedingungen des Unterrichts ergänzen:

    Verfeinern Sie den Prompt, indem Sie realistische Bedingungen ergänzen, etwa Klassengröße, verfügbare Materialien, Stundendauer, Niveau der Lernenden, Unterrichtsmethode oder Anforderungen an Barrierefreiheit.

    Erzeugen Sie die überarbeitete Aktivität und vergleichen Sie sie mit der ersten Fassung.

    Vergleichen: Prüfen Sie, ob der erzeugte Dialog jedem Teil der Anweisung folgt.
    • Diagnostizieren: Welche Änderungen haben die Aktivität verbessert? Welche Rahmenbedingungen des Unterrichts hat die KI weiterhin nicht berücksichtigt?
  3. Optionale Runde 3 — überprüfen und die Kontrolle zurücknehmen:

    Bewerten Sie die endgültige KI-erzeugte Aktivität hinsichtlich:

    • fachlicher Richtigkeit;
    • Passung zum Lernziel;
    • Eignung für die Lerngruppe;
    • realistischer Zeitplanung;
    • Klarheit der Arbeitsanweisungen;
    • Barrierefreiheit und Inklusion;
    • Rollen von Lehrkraft und Lernenden.

    Anschließend nehmen die Teilnehmenden mindestens eine Änderung selbst vor, ohne die KI um eine Überarbeitung zu bitten.

    Der abschließende Vergleich lautet daher nicht „Welcher Prompt hat die beste KI-Antwort erzeugt?“ sondern vielmehr „Was musste die Lehrkraft beitragen, um aus einer KI-erzeugten Idee eine brauchbare Lernaktivität zu machen?“

Abschlussfrage (für die Reflexionsphase): An welchem Punkt erforderte die KI-erzeugte Aktivität mehr als nur einen besseren Prompt, und was sagt Ihnen das über die Rolle der Lehrkraft bei der KI-gestützten Unterrichtsgestaltung?

Anschließend: Wenn eine KI-erzeugte Lernaktivität vollständig und gut strukturiert wirkt – woran können Sie entscheiden, ob sie pädagogisch tatsächlich angemessen und für den Einsatz mit Lernenden bereit ist?

Materialien

2. Unterrichtsbeispiele

2.7 Informatik / Naturwissenschaften: KI für ein echtes Schulproblem

Kann KI uns helfen, den Abfall in der Schule zu trennen?

Fach: Informatik/Naturwissenschaften · Klassenstufe: 7 (13–14 Jahre) · Dauer: 1 Doppelstunde · KI: Lernen MIT KI

KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler

AF-TL-2b

(AI foundations and applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung):

 

„Lehrkräfte verstehen die Grundprinzipien von KI und maschinellem Lernen und können sie anhand praktischer Beispiele veranschaulichen.“


 

AF-FC-2b

(AI foundations and applications × Facilitating Learners’ (AI) Digital Competence, Stufe 2 – Reflektierte Umsetzung):

 

„Lehrkräfte können Lernende dabei anleiten, mit KI-Werkzeugen zu experimentieren, deren Ausgaben zu testen und ihre Verlässlichkeit kritisch zu reflektieren.“

Am Ende der Stunde können die Schülerinnen und Schüler:

  • in einfachen Worten erklären, wie ein KI-Modell aus Beispielen lernt
  • ein einfaches Modell zur Bildklassifikation trainieren und testen
  • Fälle erkennen, in denen das Modell falsche Ergebnisse liefert
  • erklären, wie die Qualität der Beispiele die Leistung der KI beeinflusst
  • das Modell auf Grundlage der Tests verbessern; • beurteilen, ob die KI-Lösung in einer realen Schulsituation nützlich und verlässlich wäre.

Kernbotschaft: KI kann bei alltäglichen Problemen helfen, aber sie versteht nicht automatisch, was sie sieht. Sie lernt aus Beispielen, die Menschen bereitstellen, und ihre Ergebnisse müssen deshalb getestet und bewertet werden.

image.png

Abb. 1. Bild erzeugt mit ChatGPT (GPT Image 2), 7. September 2026.

Inhalt

Abfalltrennung ist an vielen Schulen ein alltägliches Thema. Die Schülerinnen und Schüler nutzen täglich Papier, Plastikflaschen, Lebensmittelverpackungen und andere Materialien, doch diese landen nicht immer in der richtigen Wertstofftonne.

Diese vertraute Situation bietet einen einfachen Zugang dazu, wie künstliche Intelligenz funktioniert. Die Schülerinnen und Schüler untersuchen, ob ein KI-System einen Gegenstand erkennen und empfehlen könnte, in welche Wertstofftonne er gehört.

Im Verlauf der Aktivität erstellen sie ein einfaches Modell zur Bildklassifikation mit Kategorien wie Papier, Plastik und Restmüll. Sie geben der KI mehrere Beispiele vor, trainieren das Modell und testen es anschließend mit neuen Gegenständen.

Die Aktivität veranschaulicht ein wichtiges Prinzip des maschinellen Lernens: Die KI lernt Muster aus den Beispielen, die sie erhält. Sind die Beispiele zu ähnlich, unvollständig oder schlecht ausgewählt, kann das Modell unerwartete Ergebnisse liefern.

Die Schülerinnen und Schüler erstellen daher nicht nur ein funktionierendes Modell. Sie testen es gezielt mit schwierigen Beispielen, untersuchen seine Fehler und versuchen, es zu verbessern. So stellen sie vielleicht fest, dass eine zerdrückte Plastikflasche anders eingeordnet wird als eine unbeschädigte, oder dass der Hintergrund eines Bildes das Ergebnis beeinflusst.

Die Stunde verbindet ein grundlegendes KI-Konzept mit einer realen Schulsituation. Zugleich regt sie dazu an, kritisch über Verlässlichkeit und menschliche Verantwortung nachzudenken: Auch wenn ein KI-System eine Empfehlung abgibt, müssen Menschen weiterhin entscheiden, ob das Ergebnis sinnvoll ist.

Unterrichtsverlauf

Phase Zeit Aktivität
Einstieg 10 Min. Die Lehrkraft zeigt mehrere alltägliche Abfallgegenstände und fragt, wohin sie gehören. Die Klasse diskutiert, ob KI dieselbe Entscheidung automatisch treffen könnte.
Input 10 Min. Die Lehrkraft führt die Bildklassifikation ein und erklärt, dass KI aus Beispielen lernt. Das gewählte KI-Werkzeug wird kurz vorgeführt.
Erkundung 20 Min. In Kleingruppen legen die Schülerinnen und Schüler Kategorien wie Papier, Plastik und Restmüll an, bereiten Beispiele vor und trainieren ihr erstes Modell.
Anwendung 1 20 Min. Die Schülerinnen und Schüler testen das Modell mit neuen Gegenständen und halten fest, wo es funktioniert und wo es Fehler macht.
Anwendung 2 20 Min. Die Schülerinnen und Schüler verbessern die Trainingsbeispiele, trainieren das Modell erneut und vergleichen die neuen Ergebnisse mit der ersten Fassung.
Reflexion 10 Min. Die Schülerinnen und Schüler diskutieren, ob ihr KI-System für den realen Einsatz in der Schule verlässlich genug wäre und wo seine Grenzen liegen.

Leitfragen: vom KI-Experiment zur Anwendung im Alltag

Materialien

2. Unterrichtsbeispiele

2.10 Programmieren: Unterstützung bei ausgewählten Aufgaben

Programmieren lernen, ohne dass die KI den Code schreibt

Fach: Programmieren · Klassenstufe: 9 (14–15 Jahre) · Dauer: 1 Doppelstunde (90 Min.) · KI: Unterstützung MIT KI

KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler

AF-TL-2b

(AI foundations and applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung):

 

„Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.“


 

AF-FC-2b

(AI foundations and applications × Facilitating Learners’ (AI) Digital Competence, Stufe 2 – Reflektierte Umsetzung):

 

„Lehrkräfte können Anleitungen umsetzen, die Lernenden helfen, praktische KI-Fähigkeiten zu entwickeln, wobei die Aufgaben an das Vorwissen der Lernenden und die verfügbaren KI-Werkzeuge angepasst werden.“

 

Am Ende der Stunde können die Schülerinnen und Schüler:

  • KI für wiederkehrende oder unterstützende Aufgaben beim Programmieren einsetzen, etwa zum Einrücken des Codes oder zum Schreiben von Kommentaren

  • ein KI-Modell um Verbesserungsvorschläge für den Code bitten, ohne den Code selbst erzeugen zu lassen, und so den eigenen Kenntnisstand selbst einschätzen

  • ein KI-Modell kritisch bewerten, wenn sie es fragen, wie es den vorgelegten Code optimieren würde

Kernbotschaft: Wer die Ergebnisse eines Modells bewerten will, muss die Grundlagen des Programmierens kennen. Schülerinnen und Schüler, die mit dem Programmieren beginnen, sollten KI-Modelle daher für unterstützende und wiederkehrende Aufgaben rund um das Programmieren nutzen, nicht aber, um Code erzeugen zu lassen. Sie können das Modell außerdem nach möglichen Verbesserungen im Code fragen und so ihre eigenen Programmierfähigkeiten überprüfen.

imagen.png

Abb. 1. Bild erzeugt mit Gemini (3.6 Thinking), 8. September 2026.

Inhalt

Der Programmierunterricht verändert sich in einem Umfeld, in dem KI-Systeme Code erzeugen, erklären und überprüfen können. Diese Werkzeuge eröffnen neue Lernmöglichkeiten, bringen aber auch eine wichtige pädagogische Herausforderung mit sich: Die Schülerinnen und Schüler brauchen ausreichende Programmierkenntnisse, um beurteilen zu können, ob ein KI-erzeugter Vorschlag korrekt, effizient oder für die gestellte Aufgabe überhaupt relevant ist. Ohne ein grundlegendes Verständnis von Programmierkonzepten übernehmen sie möglicherweise fehlerhafte Lösungen, übersehen Fehler oder erkennen bessere Alternativen nicht. Deshalb bleibt das Erlernen der Programmiergrundlagen unverzichtbar, auch wenn KI-Werkzeuge zur Verfügung stehen.


In einführenden Programmierkursen sollte KI als Lernunterstützung und nicht als Ersatzprogrammiererin positioniert werden. Die Schülerinnen und Schüler können KI sinnvoll für wiederkehrende oder einfache Aufgaben nutzen, die den kognitiven Aufwand des Programmierenlernens nicht verringern. Dazu gehören das Formatieren und Einrücken von Code, das Erzeugen von Dokumentationskommentaren, das Erklären von Fehlermeldungen, das Zusammenfassen von Syntaxregeln oder Hilfen dabei, den Zweck bestimmter Programmierkonstrukte zu verstehen. Diese Einsatzformen erlauben es ihnen, die Aufmerksamkeit auf die zugrunde liegende Logik, die Algorithmen und die Problemlöseprozesse zu richten, die für Programmierkompetenz zentral sind.


Eine weitere produktive Nutzung von KI ist das Code-Review. Statt ein KI-Modell um eine Lösung zu bitten, schreiben die Schülerinnen und Schüler zuerst ihren eigenen Code und lassen das Modell anschließend mögliche Verbesserungen benennen. Die KI schlägt vielleicht klarere Variablennamen, eine bessere Codestruktur, weniger Redundanz, bessere Lesbarkeit oder alternative Vorgehensweisen vor, die die Schülerinnen und Schüler eigenständig bewerten können. Damit wird die KI zu einer Feedback-Partnerin: Die Lernenden können ihre eigenen Überlegungen mit externen Vorschlägen vergleichen und Stärken und Schwächen ihrer Lösungen einschätzen.


KI-erzeugtes Feedback sollte jedoch nicht unkritisch übernommen werden. Modelle empfehlen mitunter Änderungen, die unnötig oder ineffizient sind oder auf falschen Annahmen über den Zweck des Codes beruhen. Ein zentrales Ziel dieser Stunde ist es deshalb, die Fähigkeit zu entwickeln, KI-Vorschläge kritisch zu bewerten. Die Schülerinnen und Schüler lernen, ein KI-Modell nicht nur danach zu fragen, welche Verbesserungen es vorschlägt, sondern auch danach, warum es diese Änderungen für sinnvoll hält. Indem sie die Begründung des Modells mit etablierten Programmierprinzipien vergleichen, können sie beurteilen, ob die vorgeschlagene Optimierung den Code tatsächlich verbessert oder lediglich eine andere Entwurfsentscheidung darstellt.


Diese Stunde behandelt KI als Werkzeug, das Reflexion, Selbsteinschätzung und die Verbesserung der Codequalität unterstützt – und nicht als Werkzeug zur Codeerzeugung. Die Schülerinnen und Schüler üben, eigene Programme zu schreiben, KI für unterstützende Aufgaben einzusetzen, Rückmeldung zu ihrer Arbeit einzuholen und die Qualität der erhaltenen Antworten kritisch zu analysieren. Das übergeordnete Ziel ist, dass sie sowohl bessere Programmiererinnen und Programmierer als auch informiertere Nutzerinnen und Nutzer von KI-Systemen werden.


Unterrichtsverlauf

Phase Zeit Aktivität
Einführung 10 Min. Die Lehrkraft zeigt zwei kurze Codelösungen für dasselbe Problem: eine von einer Schülerin oder einem Schüler geschriebene und eine von einem KI-Modell erzeugte. Die Klasse diskutiert, welche Lösung klarer, effizienter oder leichter verständlich erscheint.
Input 10 Min. Die Lehrkraft stellt angemessene Einsatzformen von KI im Programmierunterricht vor und betont die Unterscheidung zwischen unterstützenden Aufgaben, Code-Review und Codeerzeugung.
Erkundung 15 Min. Die Schülerinnen und Schüler bearbeiten paarweise eine kleine Programmieraufgabe und bestimmen, welche Teilaufgaben sinnvoll an eine KI-Assistenz abgegeben werden können und welche in ihrer eigenen Verantwortung bleiben sollten.

Verbesserungszyklus

 35 Min. Die Schülerinnen und Schüler schreiben ihre eigene Lösung und durchlaufen 2 bis 3 Runden von schreiben → fragen → bewerten → überarbeiten, wobei sie KI nur für unterstützende Aufgaben und Verbesserungsvorschläge einsetzen.
Reflexion 20 Min. Klassengespräch über Nutzen und Grenzen von KI-Feedback mit dem Schwerpunkt darauf, wie die Schülerinnen und Schüler entschieden haben, ob Vorschläge wertvoll waren oder nicht.

 

Leitfragen: Komplexität schrittweise aufbauen

Die Schülerinnen und Schüler bearbeiten während des 35-minütigen Verbesserungszyklus so viele Runden, wie die Zeit zulässt. Jede Runde folgt demselben Vier-Schritte-Ablauf: schreiben → fragen → bewerten → überarbeiten

  1. Runde 1 — KI für unterstützende Aufgaben nutzen
    • Schreiben: Bearbeiten Sie eine kurze Programmieraufgabe eigenständig.
    • Fragen: Bitten Sie die KI um Unterstützung bei einer nicht-programmierenden Aufgabe rund um den Code, zum Beispiel:
      • die Einrückung verbessern,
      • Kommentare erzeugen,
      • eine Fehlermeldung erklären,
      • beschreiben, was eine Funktion tut.
    • Bewerten: Beschreibt die Erklärung der KI den Code zutreffend? Sind die erzeugten Kommentare nützlich und verständlich?
    • Überarbeiten: Übernehmen Sie hilfreiche Änderungen und stellen Sie dabei sicher, dass die Programmlogik vollständig Ihre eigene Arbeit bleibt.
  2. Runde 2 — Verbesserungsvorschläge einholen
    • Schreiben: Sehen Sie Ihr fertiges Programm durch und markieren Sie Stellen, die sich verbessern ließen.
    • Fragen: Holen Sie Verbesserungsvorschläge ein, ohne die KI den Code neu schreiben zu lassen. Zum Beispiel:

„Nenne drei Möglichkeiten, die Lesbarkeit und Wartbarkeit dieses Programms zu verbessern, aber liefere keinen Ersatzcode.“

    • Bewerten: Welche Vorschläge erscheinen wertvoll? Welche hätten kaum Auswirkungen auf das Programm?
    • Überarbeiten: Setzen Sie die Verbesserungen um, denen Sie zustimmen, und testen Sie, ob sich das Programm weiterhin korrekt verhält.
  2. Runde 3 — Optimierungsratschläge kritisch bewerten
    • Schreiben: Wählen Sie einen Abschnitt Ihres Codes aus, der eine wiederkehrende Aufgabe erledigt oder Schleifen verwendet.
    • Fragen: Holen Sie Optimierungsvorschläge ein und verlangen Sie von der KI eine Begründung ihrer Empfehlungen.

Beispiel-Prompt:

„Erkläre, wie dieser Code optimiert werden könnte und warum jede vorgeschlagene Optimierung Leistung oder Lesbarkeit verbessern würde. Liefere den optimierten Code nicht.“

 

Reflexionsfragen:

 

Abschlussfrage (für die Reflexionsphase):

Wie viel Programmierwissen ist nötig, um zu beurteilen, ob ein KI-Vorschlag ein Programm tatsächlich verbessert – und welche Risiken entstehen, wenn Nutzerinnen und Nutzer sich auf KI-erzeugte Ratschläge verlassen, ohne den Code selbst zu verstehen?

 

Materialien

2. Unterrichtsbeispiele

2.11 Technik: Vertrauen ist gut, den Schaltkreis prüfen ist besser

Funktioniert das wirklich? KI-Erklärungen zu Schaltkreisen an echten Messungen überprüfen

Fach: Physik / Technik (Grundlagen der Elektrotechnik)  ·  Klassenstufe: 8 (13–14 Jahre)  ·  Dauer: 1 Doppelstunde  ·  KI: Lernen MIT KI

 

Inhalt

Ingenieurinnen, Ingenieure und Physikerinnen und Physiker vertrauen niemals einfach einem Schaltplan oder einer schriftlichen Erklärung dazu, wie eine Schaltung funktioniert. Stattdessen bauen sie sie auf, messen sie und berechnen die erwarteten Werte aus den Grundgesetzen – dem ohmschen Gesetz und den kirchhoffschen Regeln. Ein Schaltplan kann auf dem Papier vollkommen richtig aussehen, aber erst eine echte Messung bestätigt, ob der Strom tatsächlich so fließt, wie behauptet wird.

Eine einfache Reihenschaltung – eine Batterie, ein Widerstand und eine LED – bietet dafür eine aufschlussreiche Fallstudie. Das ohmsche Gesetz (U = I × R) sagt genau voraus, wie viel Strom bei gegebener Spannung und gegebenem Widerstand fließen sollte. Da das reale Verhalten der Bauteile leicht schwanken kann (Toleranz, Innenwiderstand, Temperatur), liegt der gemessene Strom meist nahe an der berechneten Vorhersage, ist aber nicht immer identisch mit ihr – was selbst eine nützliche Lektion über den Unterschied zwischen Modell und Wirklichkeit ist.

KI-Werkzeuge können heute in Sekunden Schaltpläne und Erklärungen zum Verhalten von Schaltungen erzeugen. Diese Erklärungen klingen oft flüssig und selbstsicher und enthalten mitunter sogar eine vollständige Rechnung nach dem ohmschen Gesetz – sie können aber auch echte Fehler enthalten: einen falschen Widerstandswert, einen unterbrochenen oder unvollständigen Stromkreis, ein mit falscher Polung angeschlossenes Bauteil oder eine plausibel klingende, physikalisch aber unmögliche Aussage über den Stromfluss.

Das ist eine gut dokumentierte Schwachstelle: Sprachmodelle sind keine Taschenrechner, und sie können technisch klingende Erklärungen hervorbringen, die nicht standhalten, sobald eine Schaltung tatsächlich aufgebaut und getestet wird. Ein selbstsicherer Ton ist kein Beleg dafür, dass eine technische Aussage zutrifft.

Die Schülerinnen und Schüler müssen deshalb drei Stufen der Sicherheit unterscheiden:

Messung – der Wert, den ein Multimeter an der real aufgebauten Schaltung tatsächlich anzeigt.

Berechnung – der Wert, der sich aus dem ohmschen Gesetz bzw. den kirchhoffschen Regeln mit den bekannten Bauteilwerten vorhersagen lässt.

Behauptung – das, was ein KI-Werkzeug über das Verhalten der Schaltung aussagt und was an den beiden anderen Stufen überprüft werden muss, bevor man ihm vertrauen kann.

Unterrichtsverlauf

Phase

Zeit

Aktivität

Einstieg

10 Min.

Eine KI-erzeugte Erklärung zu einer einfachen LED-Schaltung zeigen, die einen versteckten Fehler enthält (z. B. einen falschen Widerstandswert). Die Schülerinnen und Schüler schätzen ein, ob sie korrekt ist, und begründen das.

Input

10 Min.

Messung – Berechnung – Behauptung einführen und das ohmsche Gesetz an einem einfachen Rechenbeispiel üben.

Erkundung

15 Min.

Die Schülerinnen und Schüler bauen eine einfache Reihenschaltung auf einem Steckbrett auf und messen Spannung, Stromstärke und Widerstand ohne KI.

Anwendung 1

20 Min.

Die KI sagt das Verhalten der Schaltung allein anhand eines Schaltplans oder einer Beschreibung vorher bzw. erklärt es. Die Schülerinnen und Schüler vergleichen ihre Aussagen mit den eigenen Messungen und Berechnungen.

Anwendung 2

20 Min.

Die Schülerinnen und Schüler geben der KI exakte Bauteilwerte vor und verlangen eine schrittweise Rechnung nach dem ohmschen Gesetz. Sie vergleichen die beiden KI-Antworten.

Reflexion

25 Min.

Die Schülerinnen und Schüler übertragen dieselbe Überprüfungshaltung auf einen anderen Bereich, etwa auf einen KI-gestützten Fitness- oder Gesundheitsrechner.

 

Leitfragen: von der KI-Ausgabe zur unterrichtstauglichen Aktivität

•     Einstieg — Zeigen Sie eine KI-erzeugte Erklärung zu einer einfachen LED-Schaltung, die einen versteckten Fehler enthält (z. B. einen Widerstandswert, der zu niedrig ist, um die LED zu schützen):

◦     Diskussionsfrage: „Klingt diese Erklärung richtig? Wie würden wir das tatsächlich überprüfen?“

◦     Das Problem einführen: „Eine Erklärung kann selbstsicher klingen und trotzdem falsch sein — was würde sie als richtig oder falsch belegen?“ Leitprinzip dieser Stunde (Messung schlägt selbstsichere Formulierung)

◦     Messung → Berechnung → Behauptung (zu überprüfen)

•     Input — Rechenbeispiel mit einer einfachen Reihenschaltung (Batterie, Widerstand, LED):

◦     Stellen Sie Aussagen über die Schaltung bereit, die den Kategorien Messung, Berechnung und Behauptung zugeordnet werden müssen. Beispiel:

◦     Das Multimeter zeigt 9 mA Strom durch die Schaltung an – Messung

◦     Das ohmsche Gesetz sagt für diese Bauteilwerte 9,1 mA voraus – Berechnung

◦     Die KI behauptet, diese Schaltung „funktioniert in jeder Konfiguration zuverlässig“ – Behauptung (zu überprüfen)

•     Erkundung — Gruppenarbeit. Eine reale Schaltung aufbauen und messen:

Materialien und Arbeitsschritte für jede Gruppe, z. B.:

A) Ein Schaltplan mit einer Batterie, einem Widerstand und einer LED in Reihe.

B) Ein Steckbrett, Steckbrücken und die aufgeführten Bauteile.

C) Ein Multimeter und ein kurzes Merkblatt zum Messen von Spannung, Stromstärke und Widerstand.

D) Eine Tabelle der Widerstandsfarbcodes und die Durchlassspannung der LED.

Die Schülerinnen und Schüler füllen ein Arbeitsblatt aus und beantworten dabei: Was messen wir? Was sagt das ohmsche Gesetz voraus? Wo weichen beide voneinander ab, und wie stark?

•     Die KI sagt die Schaltung vorher bzw. erklärt sie:

Prompt für die Schülerinnen und Schüler: Erkläre für eine Schaltung aus einer 9-V-Batterie, einem 470-Ω-Widerstand und einer roten LED in Reihe, wie viel Strom fließen wird und warum. Zeige deinen Rechenweg.

Die Schülerinnen und Schüler annotieren die KI-Antwort:

◦     Stimmt mit unserer Messung überein

◦     Stimmt mit unserer Berechnung überein

◦     Nicht belegt / muss überprüft werden

•     Die KI überarbeitet ihr Ergebnis unter strengeren Vorgaben:

Verbesserter Prompt: Berechne den Strom Schritt für Schritt nach dem ohmschen Gesetz neu und zeige dabei die Formel und jeden eingesetzten Wert. Nenne alle Annahmen, die du zur Durchlassspannung der LED triffst, und kennzeichne alles, was gemessen werden müsste, um es zu bestätigen.

Vergleichen:

Version 1 → Version 2

Finden Sie:

◦     einen Wert, der präziser geworden ist;

◦     eine Annahme, die die KI ausdrücklich benannt hat;

◦     einen Wert, der nun mit Ihrer Messung übereinstimmt;

◦     eine Behauptung, die weiterhin unabhängig überprüft werden muss.

•     Reflexion/Wissenstransfer

Zeigen Sie ein kurzes, unterrichtstaugliches Beispiel für eine KI-erzeugte Fitness-, Ernährungs- oder Gesundheitsberechnung (z. B. „Ihr empfohlener täglicher Kalorienbedarf beträgt …“).

Diskussionsfrage:

◦     Was ist hier auf Grundlage der Leitprinzipien dieser Stunde eine Messung, was eine Berechnung und was eine Behauptung?

◦     Wenn eine KI-Antwort selbstsicher klingt und korrekt aussehende Formeln verwendet – bedeutet das, dass das Ergebnis vertrauenswürdig ist?

Abschließende Einzelreflexion:

Die Schülerinnen und Schüler vervollständigen:

1.   Eine technische Behauptung wird vertrauenswürdig, wenn …

2.   Bevor ich der Erklärung einer KI dazu vertraue, wie etwas funktioniert, sollte ich …

3.   KI kann bei einem technischen Vorgang selbstsicher klingen, aber …

Materialien

•     Beamer/interaktives Whiteboard.

•     Steckbretter, Steckbrücken, Widerstände, LEDs und Batteriehalter (ein Satz pro Gruppe).

•     Multimeter (eines pro Gruppe).

•     Tabelle der Widerstandsfarbcodes und Merkblatt zur Durchlassspannung von LEDs.

•     Mini-Arbeitsblatt Messung – Berechnung – Behauptung.

•     Arbeitsblatt zum Schaltplan und Arbeitsblatt zur Quellenanalyse.

•     Eine KI-erzeugte Schaltungserklärung mit einem absichtlichen Fehler für den Einstieg.

•     Endgeräte der Schülerinnen und Schüler mit Zugang zu einem freigegebenen generativen KI-Werkzeug.

•     Arbeitsblätter für KI-Prompts und Vergleich für Runde 1 und 2.

•     Beispiel für eine KI-erzeugte Fitness- oder Gesundheitsberechnung für die Reflexion.

2. Unterrichtsbeispiele

2.12 Kunst: Fingerabdrücke des Stils

Wessen Pinsel, wessen Stimme? Merkmale von Kunstschaffenden mit KI erkennen

Fach: Kunst & Literatur  ·  Klassenstufe: 9 (14–15 Jahre)  ·  Dauer: 1 Doppelstunde  ·  KI: Lernen MIT KI

 

Inhalt

Kunsthistorikerinnen und Kunsthistoriker sowie Literaturwissenschaftlerinnen und Literaturwissenschaftler haben nur selten unmittelbaren Zugang zu den Absichten einer schaffenden Person. Stattdessen rekonstruieren sie deren „Stil“, indem sie viele Werke vergleichen: Pinselstrich, Farbe und Komposition in der Malerei oder Wortwahl, Bildsprache und Rhythmus in der Lyrik. Ein einzelnes Gemälde oder Gedicht kann auf eine Vorliebe hindeuten, aber erst ein Muster, das sich über mehrere Werke hinweg wiederholt, macht aus dieser Vorliebe ein echtes Merkmal.

Vincent van Gogh bietet dafür eine aufschlussreiche Fallstudie. In rund einem Jahrzehnt intensiven Schaffens entwickelte er sofort erkennbare Merkmale: dicken Farbauftrag (Impasto), kurze, gerichtete Pinselstriche und kräftige, oft komplementäre Farbkontraste. Weil diese Merkmale in Hunderten von Gemälden wiederkehren, können Fachleute sie als echte stilistische Handschrift beschreiben und nicht als einmalige Entscheidung.

KI-Bildwerkzeuge können heute in Sekunden überzeugende Bilder „im Stil von Van Gogh“ erzeugen. Diese Bilder geben oft wiedererkennbare Oberflächenmerkmale wieder – wirbelnde Pinselführung, gelb-blaue Farbpaletten –, sie können aber auch Details übertreiben oder erfinden, die für sein tatsächliches Werk nie kennzeichnend waren, oder Merkmale einfließen lassen, die von ganz anderen Kunstschaffenden stammen.

Dasselbe Problem zeigt sich bei Texten. KI-Schreibwerkzeuge können eine Dichterin wie Emily Dickinson imitieren, indem sie Oberflächenmerkmale reproduzieren – Gedankenstriche, unreine Reime, kurze Verszeilen –, ohne dabei zwangsläufig die thematischen und strukturellen Qualitäten zu erfassen, die die Forschung als wirklich kennzeichnend für ihr Werk ansieht.

Die Schülerinnen und Schüler müssen deshalb drei Stufen der Sicherheit unterscheiden:

Merkmal – was in einem konkreten Werk unmittelbar beobachtbar ist.

Muster – ein Merkmal, das in mehreren gesicherten Werken wiederkehrt und deshalb mit gutem Grund als kennzeichnend gelten kann.

Zuschreibung – eine Aussage über Bedeutung, Einfluss oder Urheberschaft, die über das hinausgeht, was die Werke selbst belegen können.

Unterrichtsverlauf

Phase

Zeit

Aktivität

Einstieg

10 Min.

Zwei KI-erzeugte Bilder „im Stil von Van Gogh“ zeigen – eines näher an seiner tatsächlichen Technik, eines übertrieben. Die Schülerinnen und Schüler raten, welches getreuer ist, und begründen das.

Input

10 Min.

Merkmal – Muster – Zuschreibung einführen und das Unterscheiden an einem Detail eines echten Gemäldes üben.

Erkundung

15 Min.

Die Schülerinnen und Schüler untersuchen 3–4 authentische Werke einer Person ohne KI und halten fest, welche Merkmale tatsächlich wiederkehren.

Anwendung 1

20 Min.

Die KI verfasst eine Stilbeschreibung auf Grundlage eines einzigen Werks oder eines knappen Prompts. Die Schülerinnen und Schüler erkennen, wo sie unbelegte Merkmale erfindet.

Anwendung 2

20 Min.

Weitere Werke und ein strengerer, auf Quellenangaben bestehender Prompt kommen hinzu. Die Schülerinnen und Schüler vergleichen die beiden Stilbeschreibungen.

Reflexion

25 Min.

Die Schülerinnen und Schüler übertragen denselben kritischen Analyserahmen auf einen umstrittenen Fall von Echtheitsprüfung oder Zuschreibung.

 

Leitfragen: von der KI-Ausgabe zur unterrichtstauglichen Aktivität

•     Einstieg — Zeigen Sie zwei KI-erzeugte Bilder „im Stil von Van Gogh“ (eines näher an seiner echten Technik, eines übertrieben bzw. klischeehaft):

◦     Diskussionsfrage: „Was lässt dies wie einen echten Van Gogh wirken?“

◦     Das Problem einführen: „Woher wissen wir, welche stilistischen Details für diese Person tatsächlich kennzeichnend sind?“ Leitprinzip dieser Stunde (mehrere authentische Werke vergleichen)

◦     Beobachtbares Merkmal → wiederkehrendes Muster → Zuschreibung/Deutung

•     Input — Genaue Betrachtung eines echten Werks (z. B. ein Detail aus Sternennacht oder eine Strophe eines Dickinson-Gedichts):

◦     Stellen Sie Aussagen über das Werk bereit, die den Kategorien Merkmal, Muster und Zuschreibung zugeordnet werden müssen. Beispiel:

◦     In diesem Gemälde sind kurze, abgehackte Pinselstriche zu sehen – Merkmal

◦     Van Gogh verwendete in seinen späten Werken regelmäßig kurze, gerichtete Pinselstriche – Muster

◦     Er nutzte diese Pinselstriche, um seine innere emotionale Zerrissenheit auszudrücken – Zuschreibung

•     Erkundung — Gruppenarbeit. Authentische Werke analysieren:

3–4 Werke derselben schaffenden Person, z. B.:

A) Zwei oder drei Reproduktionen von Gemälden aus derselben Schaffensperiode.

B) Detailaufnahmen, die Pinselführung oder Handschrift zeigen.

C) Kurze Notizen zu Technik oder Biografie aus einer Museums- oder Literaturquelle.

D) Ein kontrastierendes Werk einer anderen schaffenden Person zum Vergleich.

Die Schülerinnen und Schüler füllen für jedes Werk ein Arbeitsblatt aus und beantworten dabei: Welche Merkmale beobachten wir? Welche Muster kehren über die Werke hinweg wieder? Was ist weiterhin nur unsere Deutung?

•     Die KI verfasst eine Stilbeschreibung:

Prompt für die Schülerinnen und Schüler: Beschreibe ausschließlich anhand dieses einen Bildes bzw. Gedichts den charakteristischen Stil der schaffenden Person in etwa 150 Wörtern. Nenne nur Merkmale, die im Werk tatsächlich sichtbar oder vorhanden sind.

Die Schülerinnen und Schüler annotieren die KI-Antwort:

◦     Merkmal

◦     Plausibles Muster

◦     Nicht belegt / Zuschreibung

•     Die KI überarbeitet ihr Ergebnis mit mehr Belegen:

Verbesserter Prompt: Überarbeite die Stilbeschreibung unter Verwendung der Quellen A–D. Gib nach jeder stilistischen Aussage das konkrete Werk an, das sie stützt, zum Beispiel [Werk B]. Wenn eine Aussage ein übergreifendes Muster ist, das aus mehreren Werken erschlossen wurde, schreibe [Muster]. Entferne jede Aussage, die sich nicht belegen lässt.

Vergleichen:

Version 1 → Version 2

Finden Sie:

◦     ein Detail, das präziser geworden ist;

◦     ein Detail, das die KI entfernt hat;

◦     ein neues, durch Belege gestütztes Merkmal;

◦     eine Aussage, die weiterhin hinterfragt werden muss.

•     Reflexion/Wissenstransfer

Zeigen Sie ein kurzes, unterrichtstaugliches Beispiel für einen umstrittenen Fall von Echtheitsprüfung oder Gedichtzuschreibung.

Diskussionsfrage:

◦     Was fällt Ihnen auf Grundlage der Leitprinzipien dieser Stunde als Merkmal, als Muster und als Zuschreibung auf?

◦     Wenn ein KI-erzeugtes Pastiche die Oberfläche eines Stils überzeugend imitiert – bedeutet das, dass es die tatsächlichen Merkmale der schaffenden Person erfasst hat?

Abschließende Einzelreflexion:

Die Schülerinnen und Schüler vervollständigen:

1.   Ein Stilmerkmal wird zu einem echten „Charakteristikum“, wenn …

2.   Bevor ich der Beschreibung eines Stils durch eine KI vertraue, sollte ich …

3.   KI kann die Oberfläche eines Stils imitieren, aber …

Materialien

•     Beamer/interaktives Whiteboard mit Lautsprechern.

•     Zwei KI-erzeugte Bilder „im Stil von …“ für den Einstieg.

•     Detailaufnahme oder Auszug aus einem echten Werk der gewählten Person.

•     Mini-Arbeitsblatt Merkmal – Muster – Zuschreibung.

•     Quellenpaket: 3–4 authentische Werke (Bilder/Gedichttexte) sowie kurze Notizen zu Technik oder Biografie.

•     Arbeitsblatt zur Quellenanalyse.

•     Endgeräte der Schülerinnen und Schüler mit Zugang zu einem freigegebenen generativen KI-Werkzeug (Text und/oder Bild).

•     Arbeitsblätter für KI-Prompts und Vergleich für Runde 1 und 2.

•     Beispiel für einen umstrittenen Fall von Echtheitsprüfung oder Zuschreibung für die Reflexion.

3. KI-Kompetenzmodell für Lehrkräfte

Das DUAL.AI.TEACHer-Kompetenzrahmenwerk ist das Ergebnis einer Querschnittsanalyse von DigCompEdu, AI Pioneers und dem UNESCO-KI-Rahmenwerk für Lehrkräfte. Anstatt neue Strukturen von Grund auf zu entwickeln, wurden bestehende Rahmenwerke ausgewählt, die bereits komplementäre Dimensionen der professionellen Kompetenzen von Lehrkräften im Zeitalter der KI adressieren.

3. KI-Kompetenzmodell für Lehrkräfte

3.1 Dimensionen

Das DUAL.AI.TEACHer Framework ist als umfassende zweidimensionale Matrix aufgebaut, die insgesamt 18 Kernkompetenzen beschreibt, von denen jede aus der Schnittmenge der beiden Hauptdimensionen entsteht, entlang derer das Framework strukturiert ist. Die horizontale Dimension definiert die zentralen Bereiche, die Lehr- und Lernpraktiken kennzeichnen, und bildet damit die pädagogische Dimension des Frameworks ab. Die vertikale Dimension bildet die wesentlichen Aspekte von KI ab und spiegelt die technologischen und ethischen Facetten wider, die mit ihrer Integration in Bildungskontexte verbunden sind.

Diese Struktur ermöglicht es dem Framework, pädagogische Kompetenzen systematisch mit KI-bezogenem Wissen und KI-bezogenen Fähigkeiten zu verknüpfen, sodass jede identifizierte Kompetenz sowohl ein Bildungsziel als auch eine bestimmte Dimension des KI-Verständnisses oder der KI-Anwendung widerspiegelt.

DUAL.AI.TEACHer horizontale Dimension

Die horizontale Dimension des Frameworks ist dem DigCompEdu-Framework entnommen, das die zentralen Bereiche identifiziert, die Lehr- und Lernpraktiken in digitalen Umgebungen kennzeichnen. Diese Bereiche umfassen die grundlegenden pädagogischen Tätigkeiten von Lehrkräften – vom beruflichen Engagement und der Verwaltung digitaler Ressourcen über die Gestaltung und Durchführung von Lernerfahrungen und die Umsetzung von Bewertungsstrategien bis hin zur Förderung der aktiven Beteiligung und der digitalen Kompetenzen der Lernenden.

Unter Berücksichtigung des AI Pioneers Framework übernimmt das DUAL.AI.TEACHer Framework diese Dimension, um KI-bezogene Kompetenzen in den breiteren pädagogischen Praktiken zu verankern, die bereits als wesentlich für wirksamen Unterricht anerkannt sind, und sie mit diesen Praktiken in Einklang zu bringen. Die horizontale Dimension gliedert sich in folgende sechs Felder:

DUAL.AI.TEACHer vertikale Dimension

Die vertikale Dimension des Frameworks ist dem UNESCO AI Competency Framework for Teachers entnommen, das ursprünglich fünf zentrale Aspekte der KI-Kompetenz identifiziert, die für die Unterrichtspraxis relevant sind: eine menschzentrierte Grundhaltung, Ethik der KI, KI-Grundlagen und -Anwendungen, KI-Pädagogik und KI für die berufliche Weiterentwicklung.

Für die Zwecke des DUAL.AI.TEACHer Framework wurden diese fünf Aspekte auf drei reduziert. Zwei der ursprünglichen Bereiche, nämlich KI-Pädagogik und KI für die berufliche Weiterentwicklung, wurden entfernt, da die horizontale Dimension diese Felder – wenn auch in leicht abgewandelter Form – bereits enthielt. Zudem erzeugte die Schnittmenge zwischen vertikaler und horizontaler Dimension redundante Kompetenzen. Daher wurde entschieden, diese aus der vertikalen Achse auszuschließen, um Überschneidungen zu vermeiden und die konzeptionelle Konsistenz der gesamten Matrix zu gewährleisten.

Die vertikale Dimension gliedert sich in folgende drei Aspekte:

Von den drei beibehaltenen Aspekten gelten zwei als übergreifende Aspekte von KI (Menschzentrierte Grundhaltung & Ethik der KI), da sie sich nicht auf einen bestimmten Fachbereich beziehen, sondern übergreifende Dimensionen darstellen, die das gesamte Spektrum der Lehrpraxis, der Werte und des beruflichen Verhaltens im Zusammenhang mit KI beeinflussen und durchdringen. Der dritte Aspekt (KI-Grundlagen und -Anwendungen) gilt als inhaltsspezifischer Aspekt von KI, da er das konzeptionelle Wissen und die spezifischen technischen Fähigkeiten betrifft, die Lehrkräfte erwerben müssen, um KI-Werkzeuge in ihrer Unterrichtspraxis zu verstehen, auszuwählen und anzuwenden.

3. KI-Kompetenzmodell für Lehrkräfte

3.2 Das DUAL.AI.TEACHer-Kompetenzmodell

Die Schnittmenge der horizontalen und vertikalen Dimensionen der Matrix ergibt eine Reihe von achtzehn Kompetenzen, von denen jede einen konkreten Schnittpunkt zwischen einem pädagogischen Bereich und einem Aspekt von KI darstellt. Diese Kompetenzen definieren, was Lehrkräfte wissen, verstehen und können müssen, um KI wirksam und verantwortungsvoll in ihre Unterrichtspraxis zu integrieren, indem sie pädagogische Kompetenzen mit den Werten, dem ethischen Bewusstsein und dem technischen Wissen verbinden, die eine KI-gestützte Bildungsumgebung erfordert.

DUAL.AI

Berufliches Engagement

Digitale Ressourcen

Lehren & Lernen

Bewertung

Lernende stärken

Förderung der (KI-)Digitalkompetenz der Lernenden

Menschzentrierte Grundhaltung

Lehrkräfte können bei der Nutzung von KI in beruflicher Kommunikation, Vernetzung sowie institutioneller und beruflicher Weiterentwicklung eine menschzentrierte Perspektive bewahren

Lehrkräfte können menschliche Aufsicht und die Selbstbestimmung der Lernenden bei KI-gestützten Prozessen zur Auswahl, Erstellung und Bewertung digitaler Ressourcen sicherstellen.

Lehrkräfte können die Selbstbestimmung der Lernenden, menschliche Beziehungen und das Urteilsvermögen der Lehrkraft in den Mittelpunkt KI-gestützten Lehrens und Lernens stellen.

Lehrkräfte können menschliche Rechenschaftspflicht und Fairness in KI-unterstützten Bewertungsprozessen sicherstellen

Lehrkräfte können KI nutzen, um unterschiedlichen Lernbedürfnissen und -stilen gerecht zu werden, wobei die Würde des Menschen, Chancengleichheit und das Recht auf Bildung im Zentrum jeder inklusiven Praxis stehen

Lehrkräfte können menschzentrierte Haltungen gegenüber KI vorleben und fördern, als Teil der reflektierten Entwicklung der digitalen (KI-)Kompetenz der Schülerinnen und Schüler

Ethik der KI

Lehrkräfte können ethische Prinzipien und ein Bewusstsein für rechtliche Vorgaben auf ihre eigene KI-Nutzung in der beruflichen Praxis und in institutionellen Kontexten anwenden

Lehrkräfte können ethische Risiken in KI-generierten oder KI-gestützten Lernressourcen erkennen und mindern.

Lehrkräfte können ethische Erwägungen in Entscheidungen darüber einbeziehen, ob und wie KI für Unterrichtsstrategien und Lernaktivitäten eingesetzt wird

Lehrkräfte können sicherstellen, dass KI-unterstützte Bewertungspraktiken den Standards von Fairness, Transparenz und Rechtskonformität entsprechen, sodass sie Feedback reflektieren und ihre Bewertungspraxis verbessern können

Lehrkräfte können die ethischen Dimensionen der KI-Personalisierung berücksichtigen, einschließlich der Risiken von Ungleichheit, Datenmissbrauch und Ausgrenzung

Lehrkräfte können Schülerinnen und Schüler zu einem verantwortungsvollen, kritischen und ethisch reflektierten Umgang mit KI-Technologien anleiten

KI-Grundlagen und -Anwendungen

Lehrkräfte können grundlegendes KI-Wissen nutzen, um berufliche Entscheidungen zu treffen, sich kritisch mit KI-Werkzeugen auseinanderzusetzen und KI-bezogenes berufliches Lernen in institutionellen Kontexten zu leiten

Lehrkräfte können KI-Werkzeuge auf Grundlage eines technischen Verständnisses von KI-Systemen kritisch auswählen und nutzen, um digitale Bildungsressourcen zu erstellen, anzupassen und zu verbessern

Lehrkräfte können ihr Verständnis der Funktionsweise von KI-Systemen nutzen, um fundierte, kritische Entscheidungen über die Integration von KI in Lehren und Lernen zu treffen und dabei ihre eigene Unterrichtspraxis und ihre didaktischen Ansätze zu verbessern

Lehrkräfte können KI-Wissen nutzen, um wirksame und gerechte KI-gestützte Bewertungspraktiken zu gestalten, umzusetzen und zu evaluieren und ihre Bewertungspraxis systematisch zu verbessern

Lehrkräfte können auf Grundlage eines fundierten Verständnisses ihrer Funktionsweise pädagogische Strategien und KI-Werkzeuge auswählen, die Personalisierung und Inklusion unterstützen

Lehrkräfte können das Verständnis der Schülerinnen und Schüler für KI-Technologien und deren gesellschaftliche Auswirkungen im Rahmen der Entwicklung ihrer KI-Kompetenz fördern


3. KI-Kompetenzmodell für Lehrkräfte

3.3 Progressionsstufen und Operatoren

Kompetenzentwicklung nachvollziehbar machen

Die 18 Kernkompetenzen des DUAL.AI.TEACHer-Frameworks sind relativ abstrakt gehalten und bilden eine übergeordnete Struktur des Kompetenzfelds. Um die Selbstbewertung oder die Bewertung durch andere zu erleichtern und die individuelle Kompetenzentwicklung nachzuzeichnen, wird jede der Kernkompetenzen durch beobachtbare Lernziele operationalisiert, differenziert nach drei Progressionsstufen.

Die Stufen bauen auf einem der am weitesten verbreiteten Modelle der Bildungswissenschaft auf: der überarbeiteten Bloom'schen Taxonomie (Anderson & Krathwohl, 2001; Krathwohl, 2002). Ihre Kernidee ist einfach: Kognitive Prozesse entwickeln sich vom Erinnern und Verstehen über das Anwenden und Analysieren bis hin zum Bewerten und Erschaffen. Was sich von Stufe zu Stufe ändert, ist also nicht der Inhalt oder das Thema, sondern die kognitive Tiefe des Denkens und Handelns, die eine Lehrkraft damit unter Beweis stellen kann.

Progressionsstufen und Operatoren

Diese kognitive Tiefe spiegelt sich in der Formulierung der Lernziele wider. Jedes Lernziel ist um ein Verb (einen Operator) herum aufgebaut, das direkt aus der Taxonomie stammt (z. B. erkennen, umsetzen, kritisch bewerten). Der Operator zeigt an, was von einer Lehrkraft auf dieser Stufe erwartet wird, und macht das Lernziel konkret und beobachtbar.

Stufe

In der Praxis können Lehrkräfte...

Kognitive Prozesse (Operatoren)

Stufe 1

Orientierendes Bewusstsein

eine erste berufliche Orientierung entwickeln, indem sie lernen, was KI ist, was sie leisten kann und was auf dem Spiel steht. Sie erkennen und erinnern zentrale KI-Konzepte und -Werkzeuge, geben Beispiele, ordnen sie ein und fassen die wichtigsten Chancen und Risiken in eigenen Worten zusammen.

Erinnern
(erkennen, erinnern)

Grundlegendes Verstehen (interpretieren, veranschaulichen, einordnen, zusammenfassen)

Stufe 2

Reflektierte Umsetzung

KI-bezogene Praktiken im eigenen Unterricht anwenden und kritisch bewerten. Sie setzen KI-Werkzeuge gezielt im Unterricht und bei der Bewertung ein, erläutern und vergleichen unterschiedliche Ansätze und Ergebnisse, vergleichen KI-generierte Ausgaben mit ihrem eigenen fachlichen Urteilsvermögen und analysieren Nutzen, Grenzen und zugrunde liegende Annahmen.

Vertieftes Verstehen
(erklären, vergleichen)

Anwenden

(ausführen, umsetzen)

Analysieren

(differenzieren, strukturieren, zuordnen)

Bewerten

(prüfen, kritisch beurteilen)

Stufe 3

Gestaltende Führungsrolle

KI-bezogene Bildungspraxis verantwortungsvoll gestalten und weiterentwickeln und dabei eine Führungsrolle über das eigene Klassenzimmer hinaus übernehmen. Sie bewerten KI-Praktiken anhand pädagogischer und ethischer Kriterien, entwickeln neue KI-gestützte Ansätze und unterstützen Kolleginnen, Kollegen und ihre Einrichtung beim verantwortungsvollen Einsatz von KI.

Erschaffen

(generieren, planen, produzieren)

Die Logik hinter den Stufen

Die Stufen bauen schrittweise aufeinander auf. Jede höhere Stufe greift auf die kognitiven Prozesse der darunterliegenden Stufen zurück. Nach Krathwohl (2002) handelt es sich dabei jedoch um eine Hierarchie zunehmender Komplexität und nicht um streng voneinander getrennte Stadien. Benachbarte Kategorien können sich überschneiden, und die Grenzen zwischen den Stufen sind fließend statt scharf.

Während Stufe 1 die notwendige Grundlage bildet und Stufe 3 eine erweiterte Rolle in Innovation und beruflicher Führung darstellt, bildet Stufe 2 die primäre Zieldimension für Lehrkräfte. Alle Lehrkräfte sollten in der Lage sein, KI gezielt in ihre eigene Praxis zu integrieren, ihre Ausgaben mit fachlichem Urteilsvermögen zu bewerten und kritisch über ihren pädagogischen Nutzen, ihre Grenzen und zugrunde liegenden Annahmen zu reflektieren. Stufe 2 beschreibt somit das Kompetenzniveau, das für eine informierte, verantwortungsvolle und reflektierte Unterrichtspraxis in einem KI-geprägten Bildungsumfeld erforderlich ist.

3. KI-Kompetenzmodell für Lehrkräfte

3.4 DUAL.AI.TEACHer-Lernziele

Für jede der achtzehn identifizierten Kompetenzen wurde eine Reihe spezifischer Lernziele definiert, um die Kompetenz in konkrete und praxisnahe Ergebnisse zu übersetzen. Diese Lernziele legen fest, welches Wissen, welche Fähigkeiten und welche Haltungen Lehrkräfte entwickeln sollen, um die entsprechende Kompetenz zu erreichen, und liefern so eine detailliertere und praxisnahe Beschreibung dessen, was das Beherrschen dieser Kompetenz in der Praxis bedeutet.

Indem jede Kompetenz in klar definierte Lernziele auf unterschiedlichen Stufen aufgegliedert wird, erleichtert das DUAL.AI.TEACHer Framework deren praktische Anwendung in der beruflichen Weiterbildung, der Gestaltung von Schulungen und der Selbstbewertung und bietet Lehrkräften einen konkreten Bauplan, um ihre KI-bezogenen Kompetenzen schrittweise aufzubauen und unter Beweis zu stellen.

Stufe 1 – Orientierendes Bewusstsein

LEVEL 1

Berufliches Engagement

Digitale Ressourcen

Lehren & Lernen

Bewertung

Lernende stärken

Förderung der (KI-)Digitalkompetenz der Lernenden

Human-centered mindset
HM-PE-1a

Lehrkräfte können typische KI-Anwendungsfälle in beruflicher Kommunikation und Vernetzung erkennen sowie die Situationen, in denen menschliches Urteilsvermögen, Präsenz oder Beziehungsaufbau Vorrang haben müssen.

HM-PE-1b

Lehrkräfte können ihren eigenen KI-bezogenen Lernbedarf sowie Werkzeuge erkennen, die ihre kontinuierliche berufliche Weiterentwicklung unterstützen.

HM-PE-1c

Lehrkräfte können zusammenfassen, wie KI in ihrer Einrichtung für die Einbindung von Interessengruppen und die Organisationsentwicklung genutzt wird, einschließlich der Chancen und Risiken, die sich daraus für menschliche Selbstbestimmung, Inklusion und Bildungswerte ergeben.
HM-DR-1a

Lehrkräfte können zusammenfassen, wie KI-Werkzeuge die Auswahl, Erstellung, Anpassung und Verwaltung digitaler Ressourcen unterstützen können, einschließlich der Schritte, die menschliche Aufsicht und pädagogisches Urteilsvermögen erfordern.

HM-DR-1b

Lehrkräfte können typische Qualitätskriterien für KI-generierte oder KI-gestützte Lernmaterialien erkennen, einschließlich der Anzeichen dafür, wann eine Ressource menschlicher Überprüfung bedarf.

HM-DR-1c

Lehrkräfte können einschätzen, wie die Selbstbestimmung und Autonomie der Lernenden durch KI-generierte oder KI-personalisierte Ressourcen bewahrt oder untergraben werden kann, einschließlich wann Lernende in Entscheidungen über die Nutzung von Ressourcen einbezogen werden sollten.
HM-TL-1a

Lehrkräfte können bei den verschiedenen Einsatzmöglichkeiten von KI im Unterricht erkennen, welche pädagogischen Entscheidungen in menschlicher Hand bleiben müssen.

HM-TL-1b

Lehrkräfte können in KI-gestütztem Unterricht Situationen erkennen, in denen die Selbstbestimmung der Lernenden, menschliche Interaktion oder die Beziehung zwischen Lehrkraft und Lernenden gestärkt oder geschwächt werden könnten, sowie die Anzeichen für einen pädagogisch sinnvollen KI-Einsatz.

HM-TL-1c

Lehrkräfte können den KI-Einsatz im Unterricht danach einordnen, ob er pädagogische Entscheidungsfindung unterstützt oder ersetzt, sowie die Auswirkungen auf Verantwortlichkeit und Lernqualität einschätzen.
HM-A-1a

Lehrkräfte können bei den Einsatzmöglichkeiten von KI in der Bewertung erkennen, welche Bewertungsentscheidungen in menschlicher Verantwortung bleiben müssen.

HM-A-1b

Lehrkräfte können typische Risiken KI-gestützter Bewertung für Fairness, Transparenz und das Wohlergehen der Lernenden erkennen, einschließlich der Anzeichen dafür, dass eine menschliche Überprüfung KI-generierter Ergebnisse notwendig ist.

HM-A-1c

Lehrkräfte können KI in der Bewertung danach einordnen, ob sie das Urteilsvermögen der Lehrkraft unterstützt oder ersetzt, sowie die Auswirkungen auf Verantwortlichkeit und das Vertrauen der Lernenden einschätzen.
HM-EL-1a

Lehrkräfte können erkennen, auf welche Weise KI-Werkzeuge unterschiedliche Lernende unterstützen können und welche Lernbedürfnisse sie erfüllen können und welche nicht.

HM-EL-1b

Lehrkräfte können typische Risiken KI-gestützter Differenzierung für Inklusion und Chancengleichheit benennen, einschließlich der Anzeichen dafür, dass ein KI-Werkzeug die Möglichkeiten einer oder eines Lernenden eher einschränkt als erweitert.

HM-EL-1c

Lehrkräfte können einschätzen, wie sich die Würde des Menschen, Chancengleichheit und das Recht auf Bildung auf den KI-Einsatz in inklusiven Klassenzimmern auswirken, einschließlich wann Selbstbestimmung und Zugehörigkeitsgefühl der Lernenden Vorrang vor Effizienz oder Standardisierung haben müssen.
HM-FC-1a

Lehrkräfte können erkennen, was es bedeutet, vor Lernenden eine menschzentrierte, kritisch reflektierte Beziehung zu KI vorzuleben, einschließlich wie ihre eigenen Handlungen und Aussagen Haltungen gegenüber KI vermitteln.

HM-FC-1b

Lehrkräfte können Haltungen einordnen, die die reflektierte KI-Kompetenz der Lernenden fördern, sowie die Unterrichtssituationen, in denen diese Haltungen entwickelt werden können.

HM-FC-1c

Lehrkräfte können in ihrem eigenen Unterricht über KI den Unterschied zwischen reiner Wissensvermittlung und der Förderung menschzentrierter Haltungen erkennen sowie dessen Auswirkungen auf ihre Rolle als Lehrkraft.

Ethics of AI
EI-PE-1a

Lehrkräfte können zentrale ethische Prinzipien benennen, die für ihre eigene berufliche KI-Nutzung gelten, sowie die Bedeutung jedes Prinzips im beruflichen Kontext.

EI-PE-1b

Lehrkräfte können die rechtlichen und regulatorischen Rahmenbedingungen erkennen, die den KI-Einsatz in beruflicher Kommunikation, Zusammenarbeit und Weiterentwicklung regeln.

EI-PE-1c

Lehrkräfte können in ihrer beruflichen Praxis Situationen erkennen, in denen ein ethisches Prinzip oder eine rechtliche Vorgabe berührt wird.
EI-DR-1a

Lehrkräfte können typische ethische Risiken KI-generierter oder KI-gestützter Lernressourcen sowie deren Auswirkungen auf die Lernenden benennen.

EI-DR-1b

Lehrkräfte können die für KI-generierte Ressourcen relevanten rechtlichen und regulatorischen Rahmenbedingungen sowie deren Anwendungsbereich erkennen.

EI-DR-1c

Lehrkräfte können die Quellen ethischer Risiken in einer gegebenen Lernressource einordnen, die aus Verzerrungen, Ungenauigkeiten oder unangemessener KI-Urheberschaft entstehen.
EI-TL-1a

Lehrkräfte können die für den KI-Einsatz in Lehren und Lernen relevanten ethischen Prinzipien benennen, einschließlich ihrer Auswirkungen auf unterrichtliche Entscheidungen.

EI-TL-1b

Lehrkräfte können KI-spezifische ethische Fragestellungen im Klassenzimmer erkennen und einordnen, wann sie in einem Unterrichtsszenario auftreten.

EI-TL-1c

Lehrkräfte können die Schritte eines ethischen Abwägungsprozesses zusammenfassen, um zu entscheiden, ob und wie KI in einer Unterrichtsstunde eingesetzt wird (begründete Entscheidungen statt unkritischer Übernahme oder pauschaler Ablehnung).
EI-A-1a

Lehrkräfte können die wichtigsten Fairness-Risiken KI-gestützter Bewertung benennen sowie deren jeweilige Auswirkungen auf die Lernenden.

EI-A-1b

Lehrkräfte können Transparenzpflichten bei KI-gestützter Bewertung erkennen, etwa die Offenlegung der KI-Beteiligung, die Erklärung von Ergebnissen und das Recht der Lernenden, Entscheidungen anzufechten oder eine menschliche Überprüfung zu verlangen.

EI-A-1c

Lehrkräfte können einschätzen, warum schulische Bewertung nach den für KI in der Bewertung geltenden rechtlichen und regulatorischen Rahmenbedingungen als hochriskant gilt.
EI-EL-1a

Lehrkräfte können die wichtigsten ethischen Risiken KI-basierter Personalisierung benennen sowie deren jeweilige Auswirkungen auf die Lernenden.

EI-EL-1b

Lehrkräfte können die Arten von Lernendendaten einordnen, die für die KI-Personalisierung genutzt werden, sowie deren Sensibilität einschätzen.

EI-EL-1c

Lehrkräfte können einschätzen, warum personalisierte Bildungs-KI nach den rechtlichen und grundrechtsbasierten Rahmenbedingungen als hochriskant gilt.
EI-FC-1a

Lehrkräfte können die zentralen ethischen Fragestellungen benennen, die KI für Schülerinnen und Schüler aufwirft, einschließlich der Auswirkungen auf Umwelt und Datenschutz.

EI-FC-1b

Lehrkräfte können einordnen, welche ethischen Fragen in welche Bildungsstufe gehören, altersgerecht und kontextangemessen.

EI-FC-1c

Lehrkräfte können ethisch problematischen KI-Einsatz durch Lernende einordnen und erklären, warum es sich jeweils um eine ethische Frage und nicht nur um einen Regelverstoß handelt.

AI foundations and applications
AF-PE-1a

Lehrkräfte können die Kernkonzepte zusammenfassen, wie heutige KI-Systeme funktionieren, und benennen, welche gängigen KI-Werkzeuge in der beruflichen Bildungspraxis verwendet werden.

AF-PE-1b

Lehrkräfte können anhand von Beispielen relevante Kriterien für die Bewertung eines KI-Werkzeugs für eine berufliche Aufgabe veranschaulichen.

AF-PE-1c

Lehrkräfte können einschätzen, warum die Grenzen eines KI-Werkzeugs es in typischen Situationen ihrer beruflichen Arbeit zur falschen Wahl machen.
AF-DR-1a

Lehrkräfte können die Kernkonzepte zusammenfassen, wie die wichtigsten Arten von KI-Werkzeugen zur Ressourcenerstellung funktionieren, und dies mit passenden Beispielen veranschaulichen.

AF-DR-1b

Lehrkräfte können die Zuverlässigkeit der Ergebnisse des jeweiligen Werkzeugtyps für die entsprechenden Aufgaben einordnen, einschließlich vermeidbarer Fehler.

AF-DR-1c

Lehrkräfte können technische Kriterien für die Auswahl eines KI-Ressourcenwerkzeugs benennen und erläutern, was jedes einzelne bedeutet.
AF-TL-1a

Lehrkräfte können die Kernkonzepte zusammenfassen, wie die wichtigsten im Unterricht eingesetzten Arten von KI-Systemen funktionieren, und dies mit entsprechenden Beispielen veranschaulichen.

AF-TL-1b

Lehrkräfte können die Zuverlässigkeit der Ergebnisse des jeweiligen Werkzeugtyps für ihren Unterrichtskontext einordnen, einschließlich vermeidbarer Fehler.

AF-TL-1c

Lehrkräfte können einschätzen, wie technisches Verständnis realistische Entscheidungen darüber ermöglicht, ob, wann und wie KI in eine Unterrichtsstunde integriert wird.
AF-A-1a

Lehrkräfte können die Kernkonzepte zusammenfassen, wie die wichtigsten in der Bewertung eingesetzten Arten von KI-Systemen funktionieren, mit jeweils typischen Beispielen.

AF-A-1b

Lehrkräfte können einordnen, was jeder Typ von Bewertungswerkzeug tatsächlich misst, was es nicht messen kann und in welchen Situationen es typischerweise versagt.

AF-A-1c

Lehrkräfte können anhand von Beispielen veranschaulichen, warum es sich lohnt, bestimmte technische Fragen zu einem KI-Bewertungswerkzeug zu stellen.
AF-EL-1a

Lehrkräfte können die Kernkonzepte zusammenfassen, wie die wichtigsten für Personalisierung und Inklusion eingesetzten KI-Arten funktionieren, einschließlich typischer Beispiele.

AF-EL-1b

Lehrkräfte können einordnen, was jeder Werkzeugtyp zuverlässig leisten kann und was nicht, sowie die Bereiche, in denen seine Leistung bei bestimmten Lerngruppen wahrscheinlich versagt.

AF-EL-1c

Lehrkräfte können einordnen, was ein KI-Werkzeug vorgibt zu messen oder zu leisten, im Vergleich zu dem, was es tatsächlich misst oder leistet, einschließlich warum diese Unterscheidung für Inklusion wichtig ist.
AF-FC-1a

Lehrkräfte können die Kernkonzepte von KI zusammenfassen, die Lernende verstehen sollten, einschließlich altersgerechter Beispiele.

AF-FC-1b

Lehrkräfte können die technischen Grenzen heutiger KI-Systeme erkennen, die Lernende begreifen sollten.

AF-FC-1c

Lehrkräfte können einschätzen, welche praktischen KI-Fähigkeiten Lernende entwickeln sollten und wie sich deren Beherrschung auf einer gegebenen Bildungsstufe zeigt.


Stufe 2 – Reflektierte Umsetzung

LEVEL 2

Berufliches Engagement

Digitale Ressourcen

Lehren & Lernen

Bewertung

Lernende stärken

Förderung der (KI-)Digitalkompetenz der Lernenden

Human-centered mindset
HM-PE-2a

Lehrkräfte können in konkreten KI-vermittelten Kommunikations- und Vernetzungssituationen ihrer eigenen Praxis unterscheiden, wann KI auf Grundlage menschzentrierter Kriterien eingesetzt, angepasst oder nicht genutzt werden sollte.

HM-PE-2b

Lehrkräfte können einen persönlichen, KI-gestützten Weiterbildungsplan gestalten, der KI-Werkzeuge in ihre Lernroutinen integriert und dabei ihre Weiterentwicklung, Autonomie und kollegiale Zusammenarbeit bewahrt.

HM-PE-2c

Lehrkräfte können menschzentrierte Prinzipien in institutionellen Diskussionen oder Arbeitsgruppen zu KI erläutern, indem sie Anpassungen von KI-bezogenen Verfahren, Richtlinien oder Kommunikationspraktiken vorschlagen.
HM-DR-2a

Lehrkräfte können KI-generierte oder KI-gestützte Ressourcen im Einklang mit pädagogischen und menschzentrierten Kriterien in ihren Unterricht einbinden.

HM-DR-2b

Lehrkräfte können KI-basierte Werkzeuge zur Erstellung und Auswahl digitaler Ressourcen vergleichen, um das für einen bestimmten Unterrichtszweck am besten geeignete auszuwählen.

HM-DR-2c

Lehrkräfte können Wege umsetzen, Lernende in die Bewertung und Nutzung KI-gestützter Ressourcen einzubeziehen, um deren Selbstbestimmung und die pädagogische Qualität zu stärken.
HM-TL-2a

Lehrkräfte können KI-gestützten Unterricht gestalten, in dem ihr eigenes pädagogisches Urteilsvermögen bestimmt, wann, wie und warum KI eingesetzt wird, und dabei die Selbstbestimmung der Lernenden und menschliche Interaktion bewahren.

HM-TL-2b

Lehrkräfte können die Auswirkungen des KI-Einsatzes auf Interaktion, Beteiligung und Lernprozesse im Unterricht erläutern und durch geeignete Unterrichtsstrategien bedeutsame Interaktionen zwischen Lehrkraft und Lernenden sowie Peer-Beziehungen bewahren.

HM-TL-2c

Lehrkräfte können Wege umsetzen, den KI-Einsatz im Unterricht so zu gestalten, dass er die Selbstbestimmung der Lernenden und die pädagogische Qualität stärkt.
HM-A-2a

Lehrkräfte können KI-gestützte Bewertungswerkzeuge in ihrer eigenen Praxis einsetzen und dabei die endgültige Bewertungsentscheidung auf eine kritische Einordnung der Werkzeugergebnisse sowie auf pädagogische und menschzentrierte Kriterien stützen.

HM-A-2b

Lehrkräfte können KI-generierte Noten, Auswertungen oder Feedback auf Fairness, Genauigkeit und Übereinstimmung mit den Lernzielen prüfen und ihre Bewertungspraxis anpassen, um Chancengleichheit und sinnvolle Unterstützung der Lernenden zu sichern.

HM-A-2c

Lehrkräfte können Lernenden und anderen Beteiligten erklären, wie KI in einem Bewertungsprozess eingesetzt wurde und welche Rolle menschliches Urteilsvermögen beim Endergebnis spielt, und dabei Vertrauen und die Selbstbestimmung der Lernenden bewahren.
HM-EL-2a

Lehrkräfte können KI-Werkzeuge einsetzen, um Lernende mit unterschiedlichen Fähigkeiten, Hintergründen und Vorlieben zu unterstützen, und ihre Wahl dabei an Chancengleichheit, Würde und inklusiver Pädagogik ausrichten.

HM-EL-2b

Lehrkräfte können erläutern, wie sich KI-gestützte Differenzierung in ihrer eigenen Praxis auf Beteiligung, Autonomie und Zugehörigkeitsgefühl der Lernenden auswirkt, und dabei Inklusion und sinnvolles Lernen für jede Schülerin und jeden Schüler sichern.

HM-EL-2c

Lehrkräfte können Wege umsetzen, Lernende und, wo angemessen, Familien oder Unterstützungspersonal in Entscheidungen über KI-gestützte Personalisierung einzubeziehen, um Selbstbestimmung, Vertrauen und Bildungsgerechtigkeit zu stärken.
HM-FC-2a

Lehrkräfte können menschzentrierte KI-Praktiken sichtbar in ihrer eigenen Praxis umsetzen und ihre Entscheidungen an Bildungs- und Demokratiebildungszielen ausrichten.

HM-FC-2b

Lehrkräfte können Lernsituationen gestalten, in denen Lernende eingeladen werden, über ihre eigenen Haltungen, ihre Selbstbestimmung und ihre Verantwortung im Umgang mit KI nachzudenken, und dabei ihre kritische Auseinandersetzung stärken.

HM-FC-2c

Lehrkräfte können Gespräche mit Lernenden über die Rolle von KI in ihrem Leben, an Schulen und in der Gesellschaft organisieren, die zu informierter Selbstbestimmung und verantwortungsvoller Teilhabe in einer von KI durchdrungenen Welt beitragen.

Ethics of AI
EI-PE-2a

Lehrkräfte können ethische Prinzipien und rechtliche Vorgaben auf konkrete Entscheidungen über ihre eigene berufliche KI-Nutzung anwenden und diese im Hinblick auf Integrität, Transparenz, Rechenschaftspflicht und Nachhaltigkeit begründen.

EI-PE-2b

Lehrkräfte können grundsatzbasierte Antworten auf ethische Dilemmata ableiten, die bei KI-vermitteltem beruflichem Engagement entstehen.

EI-PE-2c

Lehrkräfte können institutionelle KI-Normen und ethisch fundierte Praktiken erläutern sowie erklären, wie ihr eigenes Handeln zu einer vertrauenswürdigen beruflichen Kultur beiträgt.
EI-DR-2a

Lehrkräfte können anhand strukturierter Kriterien unterscheiden, welche ethischen Risiken in KI-generierten oder KI-gestützten Ressourcen ihrer eigenen Praxis vorliegen und wie schwerwiegend diese jeweils sind.

EI-DR-2b

Lehrkräfte können konkrete Strategien umsetzen, um die Risiken KI-generierter Ressourcen zu mindern.

EI-DR-2c

Lehrkräfte können Lernenden und Kolleginnen und Kollegen transparent erklären, in welchem Umfang KI beteiligt war und welche Restrisiken eine Ressource birgt, und dabei Vertrauen stärken und das Lernen unterstützen.
EI-TL-2a

Lehrkräfte können ethische Prinzipien auf konkrete Entscheidungen über den KI-Einsatz im eigenen Unterricht anwenden und diese im Hinblick auf pädagogischen Nutzen und ethisches Risiko begründen.

EI-TL-2b

Lehrkräfte können grundsatzbasierte, vertretbare Antworten auf KI-bezogene ethische Dilemmata im Unterricht ableiten.

EI-TL-2c

Lehrkräfte können Lernenden und Kolleginnen und Kollegen die ethischen Überlegungen hinter ihren KI-bezogenen unterrichtlichen Entscheidungen erklären und damit die Klassenkultur und das Vertrauen prägen.
EI-A-2a

Lehrkräfte können KI-gestützte Bewertungswerkzeuge und -ergebnisse in ihrer eigenen Praxis hinsichtlich Fairness, Transparenz und Rechtskonformität kritisch beurteilen und ihre Praxis entsprechend anpassen.

EI-A-2b

Lehrkräfte können Transparenzpraktiken in ihrer eigenen Bewertung umsetzen und dabei Vertrauen und das Verständnis der Lernenden stärken.

EI-A-2c

Lehrkräfte können auf Grundlage KI-gestützten Feedbacks ableiten, welche Änderungen ihre Bewertungspraxis benötigt, um Fairness sicherzustellen.
EI-EL-2a

Lehrkräfte können KI-basierte Personalisierungswerkzeuge und -praktiken in ihrem eigenen Kontext hinsichtlich der Risiken von Datenmissbrauch, Diskriminierung und curricularer Engführung kritisch beurteilen.

EI-EL-2b

Lehrkräfte können konkrete Schutzmaßnahmen in ihrer eigenen Personalisierungspraxis umsetzen, die Lernende schützen.

EI-EL-2c

Lehrkräfte können Lernenden und Familien transparent erklären, wie KI das Lernen personalisiert, welche Daten genutzt werden und welche Rechte Lernende haben, und dadurch Vertrauen und Chancengleichheit stärken.
EI-FC-2a

Lehrkräfte können Lernaktivitäten umsetzen, die das ethische Urteilsvermögen der Lernenden im Umgang mit KI entwickeln, und dabei ihre methodischen Entscheidungen begründen.

EI-FC-2b

Lehrkräfte können Lernarrangements ableiten, die Lernenden helfen, widerstreitende Werte gegeneinander abzuwägen, ausgehend von den Annahmen, die sich aus deren ethischer Argumentation im Umgang mit KI ergeben.

EI-FC-2c

Lehrkräfte können in ethisch fragwürdigem KI-Einsatz von Lernenden Lerngelegenheiten erkennen und nutzen.

AI foundations and applications
AF-PE-2a

Lehrkräfte können KI-Werkzeuge für ihre eigenen beruflichen Aufgaben anhand grundlegenden KI-Wissens vergleichen, um Werkzeuge auf Basis ihrer technischen Möglichkeiten und Grenzen auszuwählen.

AF-PE-2b

Lehrkräfte können ihre Nutzung von KI-Werkzeugen so anpassen, dass sie widerspiegelt, wie das zugrunde liegende System tatsächlich funktioniert, und dadurch die Qualität der Ergebnisse verbessern.

AF-PE-2c

Lehrkräfte können technische Konzepte zu KI-Werkzeugen Kolleginnen und Kollegen verständlich erklären und so zu einem informierten kollegialen Austausch über KI in der beruflichen Praxis beitragen.
AF-DR-2a

Lehrkräfte können KI-Werkzeuge für konkrete Aufgaben der Ressourcenerstellung in ihrer eigenen Praxis vergleichen, um Werkzeuge auf Basis ihrer technischen Möglichkeiten und Grenzen auszuwählen.

AF-DR-2b

Lehrkräfte können Prompting-, Iterations- und Verfeinerungsstrategien anwenden, um brauchbare KI-generierte Ressourcen zu erhalten.

AF-DR-2c

Lehrkräfte können Kolleginnen und Kollegen erklären, wann ein Werkzeug durch ein anderes Werkzeug, einen anderen Ansatz oder eine Nicht-KI-Ressource ersetzt werden sollte.
AF-TL-2a

Lehrkräfte können KI-Werkzeuge für konkrete Lehr- und Lernzwecke in ihrer eigenen Praxis vergleichen, um Werkzeuge auf Basis ihrer technischen Möglichkeiten und Grenzen auszuwählen.

AF-TL-2b

Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.

AF-TL-2c

Lehrkräfte können ihre didaktischen Ansätze und die Nutzung von KI-Werkzeugen auf Grundlage von deren technischer Leistung anpassen.
AF-A-2a

Lehrkräfte können KI-Werkzeuge für konkrete Bewertungsaufgaben in ihrer eigenen Praxis anhand der technischen Möglichkeiten, Grenzen und Zuverlässigkeit des Werkzeugs vergleichen.

AF-A-2b

Lehrkräfte können Bewertungsabläufe umsetzen, die KI-Ergebnisse mit strukturierter menschlicher Überprüfung kombinieren, und erkennen, wann ein KI-Ergebnis zu unzuverlässig ist.

AF-A-2c

Lehrkräfte können ihre Nutzung von KI-Bewertungswerkzeugen auf Grundlage von deren technischer Leistung verfeinern.
AF-EL-2a

Lehrkräfte können KI-Werkzeuge anhand ihrer technischen Möglichkeiten und Leistung für Personalisierung, Zugänglichkeit und Inklusion der jeweils beteiligten Lernenden vergleichen.

AF-EL-2b

Lehrkräfte können angepasste Konfigurationen von KI-Werkzeugen für den inklusiven Einsatz umsetzen, mit Fokus auf die Lernenden, die dies am dringendsten benötigen.

AF-EL-2c

Lehrkräfte können unterscheiden, wie KI-Werkzeuge in ihrer Praxis bei unterschiedlichen Lernenden tatsächlich wirken, und Werkzeuge wechseln oder KI mit Nicht-KI-Alternativen kombinieren.
AF-FC-2a

Lehrkräfte können Lernaktivitäten gestalten, die das konzeptionelle Verständnis der Lernenden dafür aufbauen, wie KI funktioniert.

AF-FC-2b

Lehrkräfte können Anleitungen umsetzen, die Lernenden helfen, praktische KI-Fähigkeiten zu entwickeln, wobei die Aufgaben an das Vorwissen der Lernenden und die verfügbaren KI-Werkzeuge angepasst werden.

AF-FC-2c

Lehrkräfte können gesellschaftliche Auswirkungen von KI aus technischer Perspektive erläutern sowie Wege aufzeigen, wie Lernende sich damit auseinandersetzen können.


Stufe 3 – Gestaltende Führungsrolle

LEVEL 3

Berufliches Engagement

Digitale Ressourcen

Lehren & Lernen

Bewertung

Lernende stärken

Förderung der (KI-)Digitalkompetenz der Lernenden

Human-centered mindset
HM-PE-3a

Lehrkräfte können neue menschzentrierte Praktiken für KI-vermittelte berufliche Kommunikation und Vernetzung innerhalb ihres Teams oder ihrer Einrichtung planen, sie vorleben und Kolleginnen und Kollegen bei deren Anwendung anleiten.

HM-PE-3b

Lehrkräfte können innovative Formate KI-gestützten beruflichen Lernens entwickeln, die Selbststeuerung und die gemeinsame berufliche Weiterentwicklung in der weiteren Bildungsgemeinschaft stärken.

HM-PE-3c

Lehrkräfte können institutionelle Veränderungsprozesse planen, die menschzentrierten KI-Einsatz im beruflichen Engagement verankern und die Kultur ihrer Organisation prägen.
HM-DR-3a

Lehrkräfte können Arbeitsabläufe für die KI-gestützte Erstellung und Kuratierung digitaler Ressourcen planen, die menschliche Aufsicht, die Stimme der Lernenden und pädagogische Rechenschaftspflicht als Standardpraxis verankern, und diese mit Kolleginnen und Kollegen teilen.

HM-DR-3b

Lehrkräfte können Qualitätskriterien, Prüfprotokolle oder Leitfäden für KI-gestützte Ressourcen entwickeln und in ihrem Team, ihrer Schule oder der weiteren Fachgemeinschaft verbreiten.

HM-DR-3c

Lehrkräfte können gemeinsame Praktiken planen, die verändern, wie KI-gestützte digitale Ressourcen in der Bildungsgemeinschaft erstellt, geteilt und verbessert werden.
HM-TL-3a

Lehrkräfte können innovative KI-gestützte Unterrichtsansätze entwickeln, die die Selbstbestimmung der Lernenden, menschliche Beziehungen und das Urteilsvermögen der Lehrkraft ausdrücklich in den Mittelpunkt stellen, diese erproben und die Ergebnisse mit Kolleginnen und Kollegen teilen.

HM-TL-3b

Lehrkräfte können pädagogische Grundsätze entwickeln und dazu passende Unterrichtsformate oder Klassenzimmer-Protokolle für menschzentrierten KI-Einsatz in Lehren und Lernen erstellen und in ihrem Team oder ihrer Fachgemeinschaft verbreiten.

HM-TL-3c

Lehrkräfte können eine gemeinsame Praxisentwicklung planen, die verändert, wie KI in Lehren und Lernen an ihrer Schule oder im weiteren Bildungskontext eingesetzt wird.
HM-A-3a

Lehrkräfte können KI-gestützte Bewertungspraktiken planen, die menschliche Rechenschaftspflicht, Fairness und den pädagogischen Zweck ausdrücklich sichern, und diese Konzepte mit Kolleginnen und Kollegen teilen.

HM-A-3b

Lehrkräfte können Grundsätze, Prüfprotokolle oder Leitfäden für den verantwortungsvollen KI-Einsatz in der Bewertung entwickeln und in ihrem Team, ihrer Schule oder der weiteren Fachgemeinschaft verbreiten.

HM-A-3c

Lehrkräfte können eine gemeinsame Entwicklung KI-gestützter Bewertungspraktiken planen, die verändert, wie Bewertung in ihrem Bildungskontext durchgeführt wird.
HM-EL-3a

Lehrkräfte können inklusive KI-gestützte Lernumgebungen entwickeln, die Würde, Chancengleichheit und die Selbstbestimmung unterschiedlicher Lerngruppen ausdrücklich in den Mittelpunkt stellen, und diese Konzepte mit Kolleginnen und Kollegen teilen.

HM-EL-3b

Lehrkräfte können Grundsätze inklusiver Praxis, Checklisten zur Barrierefreiheit oder Differenzierungsprotokolle für den KI-Einsatz entwickeln und in ihrem Team, ihrer Schule oder der weiteren Fachgemeinschaft verbreiten.

HM-EL-3c

Lehrkräfte können gemeinsame Initiativen planen, die verändern, wie KI in ihrem Kontext eingesetzt wird, um Chancengleichheit und das Recht auf Bildung zu fördern.
HM-FC-3a

Lehrkräfte können Unterrichtsansätze entwickeln, die menschzentrierte Haltungen gegenüber KI fach- oder jahrgangsübergreifend ausdrücklich vorleben und fördern, diese erproben und mit Kolleginnen und Kollegen teilen.

HM-FC-3b

Lehrkräfte können Grundsätze, Unterrichtsrituale oder pädagogische Formate zur Förderung kritischer KI-Mündigkeit bei Lernenden entwickeln und in ihrem Team oder ihrer Fachgemeinschaft verbreiten.

HM-FC-3c

Lehrkräfte können gemeinsame Initiativen planen, die verändern, wie menschzentrierte KI-Haltungen bei Lernenden in ihrem Bildungskontext gefördert werden.

Ethics of AI
EI-PE-3a

Lehrkräfte können ethische Leitlinien, Entscheidungshilfen oder Verhaltenskodizes für den KI-Einsatz im beruflichen Engagement entwickeln und in ihrem Team oder ihrer Einrichtung teilen.

EI-PE-3b

Lehrkräfte können institutionelle Prüf- oder Rechenschaftsmechanismen planen, die die ethische und rechtliche Konformität bei der beruflichen KI-Nutzung stärken.

EI-PE-3c

Lehrkräfte können die Entwicklung gemeinsamer ethischer Normen und verantwortungsvoller KI-Praktiken in ihrer Bildungseinrichtung planen und so eine Kultur prägen, in der KI-Nutzung grundsatzgeleitet, transparent und rechenschaftspflichtig ist.
EI-DR-3a

Lehrkräfte können Prüfprotokolle, Risiko-Checklisten oder Workflows zur Risikominderung für KI-generierte Lernressourcen erstellen und mit Kolleginnen und Kollegen teilen.

EI-DR-3b

Lehrkräfte können Team- oder Fachschaftspraktiken planen, die Risikoerkennung und -minderung zu einem festen Bestandteil der Ressourcenentwicklung und -kuratierung machen.

EI-DR-3c

Lehrkräfte können gemeinsame Initiativen planen, die verändern, wie mit ethischen Risiken in KI-generierten Ressourcen in ihrem Bildungskontext umgegangen wird.
EI-TL-3a

Lehrkräfte können strukturierte ethische Entscheidungshilfen für den KI-Einsatz in Lehren und Lernen entwickeln und mit Kolleginnen und Kollegen teilen.

EI-TL-3b

Lehrkräfte können Unterrichts- oder Fachschaftspraktiken planen, die ethische Überlegungen zu KI zu einem festen Bestandteil der Unterrichtsplanung machen, und diese in ihrer Fachgemeinschaft verbreiten.

EI-TL-3c

Lehrkräfte können gemeinsame Arbeit planen, die verändert, wie ethische Überlegungen in KI-gestützten Unterricht in ihrem Bildungskontext einbezogen werden.
EI-A-3a

Lehrkräfte können Prüfprotokolle zu Fairness, Transparenz und Rechtskonformität für KI-gestützte Bewertung in ihrem Kontext erstellen und mit Kolleginnen und Kollegen teilen.

EI-A-3b

Lehrkräfte können strukturierte Reflexionsroutinen planen, die Bewertungs-Feedback in eine systematische Verbesserung der Praxis überführen.

EI-A-3c

Lehrkräfte können gemeinsame Initiativen planen, die verändern, wie Fairness, Transparenz und Rechtskonformität bei KI-gestützter Bewertung in ihrem Bildungskontext gewahrt werden.
EI-EL-3a

Lehrkräfte können ethische Prüfprotokolle, Daten-Checklisten oder Schutzrahmen für KI-basierte Personalisierung in ihrem Kontext erstellen und mit Kolleginnen und Kollegen teilen.

EI-EL-3b

Lehrkräfte können Team- oder Schulpraktiken planen, die Risikoerkennung, Datenminimierung und menschliche Überprüfung zu festen Bestandteilen personalisierter KI-Nutzung machen.

EI-EL-3c

Lehrkräfte können gemeinsame Initiativen planen, die verändern, wie mit den ethischen Risiken der KI-Personalisierung in ihrem Bildungskontext umgegangen wird.
EI-FC-3a

Lehrkräfte können längere Lernsequenzen, Projektformate oder fachübergreifende Unterrichtseinheiten planen, die das ethische KI-Urteilsvermögen und die Umweltverantwortung der Lernenden systematisch entwickeln.

EI-FC-3b

Lehrkräfte können altersgerechte Rahmenkonzepte, Begrifflichkeiten oder Routinen zur Förderung der ethischen KI-Mündigkeit von Lernenden entwickeln.

EI-FC-3c

Lehrkräfte können gemeinsame Initiativen planen, die verändern, wie die ethische KI-Mündigkeit von Lernenden in ihrem Bildungskontext entwickelt wird.

AI foundations and applications
AF-PE-3a

Lehrkräfte können Bewertungsverfahren, Rahmenkonzepte zur Werkzeugauswahl oder Einführungsmaterialien planen, die Kolleginnen und Kollegen helfen, grundlegendes KI-Wissen auf berufliche Entscheidungen anzuwenden, und diese in der Einrichtung teilen.

AF-PE-3b

Lehrkräfte können KI-bezogene Formate beruflichen Lernens entwickeln, die die KI-Kompetenz in ihrem Team oder ihrer Schule aufbauen.

AF-PE-3c

Lehrkräfte können institutionellen Kompetenzaufbau zu KI entwickeln, der verändert, wie grundlegendes KI-Wissen die Praxis in ihrem Bildungskontext prägt.
AF-DR-3a

Lehrkräfte können technische Arbeitsabläufe oder Leitfäden für die KI-gestützte Ressourcenerstellung planen und mit Kolleginnen und Kollegen teilen.

AF-DR-3b

Lehrkräfte können neuartige Einsatzweisen von KI-Ressourcenwerkzeugen entwickeln, die deren tatsächliche Möglichkeiten nutzen statt bloßer Neuheit, diese erproben und die Ergebnisse in ihrer Fachgemeinschaft verbreiten.

AF-DR-3c

Lehrkräfte können Kompetenzaufbau zu KI-Werkzeugen für die Ressourcengestaltung planen, der verändert, wie KI für Bildungsressourcen in ihrem Kontext genutzt wird.
AF-TL-3a

Lehrkräfte können technisch fundierte Unterrichtsformate entwickeln oder Unterrichtsvorlagen für KI-integrierten Unterricht erstellen und mit Kolleginnen und Kollegen teilen.

AF-TL-3b

Lehrkräfte können neuartige KI-gestützte Unterrichtsansätze entwickeln, die die tatsächlichen Möglichkeiten heutiger KI-Systeme nutzen, diese erproben und die Ergebnisse in ihrer Fachgemeinschaft verbreiten.

AF-TL-3c

Lehrkräfte können Kompetenzaufbau zu KI in Lehren und Lernen planen, der verändert, wie grundlegendes KI-Wissen die Unterrichtsgestaltung in ihrem Bildungskontext prägt.
AF-A-3a

Lehrkräfte können technische Prüfprotokolle, Routinen zur Werkzeugvalidierung oder Ablaufvorlagen für KI-gestützte Bewertung in ihrem Kontext planen und mit Kolleginnen und Kollegen teilen.

AF-A-3b

Lehrkräfte können systematische Praktiken zur Verfolgung und Verbesserung der technischen Leistung von KI-Bewertungswerkzeugen planen und in ihrem Team oder ihrer Schule verbreiten.

AF-A-3c

Lehrkräfte können Kompetenzaufbau zu KI in der Bewertung planen, der verändert, wie grundlegendes KI-Wissen die Bewertungspraxis in ihrem Bildungskontext prägt.
AF-EL-3a

Lehrkräfte können technische Leitfäden, Rahmenkonzepte zur Werkzeugauswahl oder Konfigurationsvorlagen für inklusiven KI-Einsatz in ihrem Kontext entwickeln und mit Kolleginnen und Kollegen teilen.

AF-EL-3b

Lehrkräfte können neuartige Einsatzweisen von KI-Werkzeugen für Personalisierung und Barrierefreiheit entwickeln, die auf einem realistischen Verständnis dessen beruhen, was heutige Systeme können und nicht können, diese erproben und die Ergebnisse in ihrer Fachgemeinschaft verbreiten.

AF-EL-3c

Lehrkräfte können Kompetenzaufbau zu KI für Inklusion planen, der verändert, wie grundlegendes KI-Wissen die inklusive Praxis in ihrem Bildungskontext prägt.
AF-FC-3a

Lehrkräfte können längere Lernsequenzen, Projektformate oder fachübergreifende Unterrichtseinheiten planen, die die technische KI-Kompetenz der Lernenden systematisch aufbauen, und diese mit Kolleginnen und Kollegen teilen.

AF-FC-3b

Lehrkräfte können altersgerechte pädagogische Materialien, Analogien oder Aktivitätsformate zur Vermittlung von KI-Grundlagen und praktischen KI-Fähigkeiten erstellen und in ihrem Team oder ihrer Fachgemeinschaft verbreiten.

AF-FC-3c

Lehrkräfte können gemeinsame Initiativen planen, die verändern, wie die technische KI-Kompetenz von Lernenden in ihrem Bildungskontext aufgebaut wird.


4. Zertifizierung & Micro-Credentials (ICEP)

4. Zertifizierung & Micro-Credentials (ICEP)

4.1 Zertifizierungspfad

Was ist die Zertifizierung?

Der DUAL.AI.TEACHer-Zertifizierungspfad bietet Lehrkräften eine strukturierte Möglichkeit, ihre Kompetenzen in zwei komplementären Bereichen nachzuweisen: KI-gestütztes Unterrichten und KI-Kompetenz. Lehrkräfte können einen Zertifizierungspfad oder beide verfolgen, abhängig von ihrem Vorwissen, ihrer beruflichen Rolle und ihren Entwicklungsbedürfnissen.

Der Zertifizierungspfad kombiniert Selbsteinschätzung, Lern- und Vorbereitungsaktivitäten, eine formale Prüfung und eine digitale Zertifizierung.

Wähle deinen Pfad

Die DUAL.AI.TEACHer-Zertifizierung besteht aus zwei komplementären Pfaden:

Teilnehmende können entweder einen Pfad oder beide Zertifizierungspfade verfolgen, abhängig von ihrem Vorwissen, ihrer beruflichen Rolle und ihren Entwicklungsbedürfnissen.

Eine vorbereitende Selbsteinschätzung hilft den Kandidat:innen, den passendsten Weg zu identifizieren.

Wie funktioniert die Zertifizierung?

Der Zertifizierungsprozess folgt für beide Pfade einer gemeinsamen Abfolge:

  1. Die Lehrkraft entdeckt die DUAL.AI.TEACHer-Zertifizierung.
  2. Der/die Kandidat:in registriert sich auf der ICEP-Plattform.
  3. Der/die Kandidat:in absolviert eine vorbereitende Selbsteinschätzung und wählt Pfad A oder Pfad B.
  4. Der/die Kandidat:in lernt und bereitet sich anhand der bereitgestellten Inhalte vor, einschließlich des Sammelns von Badges im MOOC.
  5. Der/die Kandidat:in bucht einen Prüfungstermin.
  6. Der/die Kandidat:in absolviert die Prüfung.
  7. Nach erfolgreichem Abschluss wird das Zertifikat ausgestellt.
  8. Das Zertifikat kann über Europass geteilt werden, wo Drittinstitutionen seine Gültigkeit überprüfen können.
  9. Das Zertifikat läuft nach fünf Jahren ab.

GerSelf

Abbildung 1: Registrierung, Selbsteinschätzung und Auswahlprozess des Zertifizierungspfads

Lernen und Vorbereitung

Nach der Wahl eines Zertifizierungspfads treten die Kandidat:innen in die Lern- und Vorbereitungsphase ein. Sie nutzen die bereitgestellten Lerninhalte und können Badges über den MOOC sammeln.

Der Vorbereitungsprozess umfasst den Zugang zu Lernmaterialien, Unterstützungsaktivitäten, Selbsteinschätzung, praktischen Aufgaben und Fortschrittsverfolgung. Die Kandidat:innen können weiterlernen, Aktivitäten bei Bedarf wiederholen oder – sobald ausreichend vorbereitet – zur Zertifizierungsprüfung übergehen.

GerLearningActivity.png

Abbildung 2: Lern- und Vorbereitungsprozess

Prüfung und Zertifizierung

Die Zertifizierungsprüfung erfolgt für jeden Zertifizierungspfad als Online-Prüfung.

Das geplante Prüfungsformat umfasst:

Die Kandidat:innen absolvieren die Prüfung für den gewählten Pfad nach der Vorbereitungsphase und der Bereitschafts-Selbsteinschätzung. Der erfolgreiche Abschluss der Prüfung führt zur Ausstellung des entsprechenden Zertifikats.

Die Prüfung kann folgende Fragetypen enthalten:

Diese Antwortformate mit vorgegebenen Auswahlmöglichkeiten sollen eine objektive, konsistente und skalierbare Bewertung unterstützen und gleichzeitig eine effiziente automatisierte Auswertung ermöglichen.

GerZertifikat.png

Abbildung 3: Prüfungs- und Zertifizierungsprozess zwischen Kandidat:in und ICEP

Welcher Pfad passt zu mir?

Die beiden Zertifizierungspfade richten sich an unterschiedliche berufliche Bedürfnisse und Interessen.

Pfad A – KI-gestütztes Unterrichten (MIT KI) richtet sich an Lehrkräfte, die KI auf pädagogisch sinnvolle, sichere und professionell verantwortungsvolle Weise im Lehren und Lernen einsetzen möchten. Im Certification Pathway Design wird dies durch Maja Novak veranschaulicht, eine Sekundarschullehrerin, die bereits mit generativer KI zur Unterrichtsvorbereitung, für differenzierte Materialien, Unterrichtsaktivitäten und formatives Feedback experimentiert. Ihr Hauptziel ist es, von der experimentellen Nutzung von KI zu einer informierteren und reflektierteren beruflichen Praxis überzugehen.

Dual.AI.TEACHer Certification Pathway - Track A.pngAbbildung 4: Weg der Kandidatin – Pfad A: KI-gestütztes Unterrichten

Pfad B – KI-Kompetenz (ÜBER KI) richtet sich an Lehrkräfte, die das Verständnis ihrer selbst und ihrer Lernenden für KI-Konzepte, Grenzen, Risiken und verantwortungsvollen Umgang stärken möchten. Dies wird durch Luka Horvat veranschaulicht, einen Lehrer der Sekundarstufe II, der Schüler:innen dabei helfen möchte, kritische, informierte und verantwortungsbewusste Nutzer:innen von KI zu werden, mit besonderem Augenmerk auf Themen wie Fehlinformation, Verzerrung (Bias), Datenschutz, Transparenz, Datennutzung, menschliche Handlungsfähigkeit und die gesellschaftlichen Auswirkungen von KI.

Dual.AI.TEACHer Certification Pathway - Track B.png

Abbildung 5: Weg des Kandidaten – Pfad B: KI-Kompetenz

Kandidat:innen können entweder einen Pfad oder beide Pfade verfolgen, abhängig von ihrem Vorwissen, ihrer beruflichen Rolle und ihren Entwicklungsbedürfnissen. Eine vorbereitende Selbsteinschätzung unterstützt die Auswahl des passendsten Wegs.

Zertifizierung und Anerkennung

Nach erfolgreichem Abschluss der Prüfung erhalten die Kandidat:innen ein digitales Zertifikat für den abgeschlossenen Zertifizierungspfad.

Das Zertifizierungsmodell umfasst:

Die Zertifizierung soll die Anerkennung der KI-bezogenen Kompetenzen von Lehrkräften und ihrer kontinuierlichen beruflichen Weiterentwicklung unterstützen. Sie soll außerdem die Anerkennung und Übertragbarkeit dieser Kompetenzen in verschiedenen europäischen Kontexten fördern.

Weitere Informationen

Weitere Details zur Struktur der Zertifizierung, zum Weg der Kandidat:innen, zu den Bewertungskriterien, zum Prüfungsablauf, zu Rollen und Verantwortlichkeiten, zur Pilotvalidierung und zur Nachhaltigkeit finden sich im vollständigen Dokument DUAL.AI.TEACHer Certification Pathway Design.

4. Zertifizierung & Micro-Credentials (ICEP)

4.2 Micro-Credentials (ICEP)

Die Micro-Credentials

Micro-Credentials sind kurze, fokussierte Qualifikationen, die bestimmte Lernergebnisse und Kompetenzen zertifizieren, die in kurzen Schulungen oder Kursen erworben wurden.

Merkmale:
Zentrale Vorteile:
  • Flexibilität – Ermöglicht schnelle Weiterqualifizierung oder Umschulung ohne langfristige finanzielle Verpflichtungen.
  • Beschäftigungsfähigkeit – Bietet Arbeitgebern einen transparenten, leicht überprüfbaren Nachweis praktischer Kompetenzen.
  • Kombinierbarkeit – Lassen sich im Lauf der Zeit häufig kombinieren bzw. „stapeln“ und auf größere Qualifikationen oder Abschlüsse anrechnen

Die Architektur der Micro-Credentials und der Zertifizierung

Die Zertifizierungsstrategie von DUAL.AI.TEACHer schafft einen formalen, europaweiten Mechanismus zur Validierung der KI-Kompetenzen von Lehrkräften.

Duale Zertifizierungspfade:

  1. Pfad A – KI-gestützte Pädagogik: Weist die Kompetenz nach, KI-Werkzeuge für die Unterrichtsplanung, adaptiven Unterricht, automatisierte Leistungsbewertung und die Optimierung von Arbeitsabläufen einzusetzen.

  2. Pfad B – KI-Kompetenz und politische Bildung: Weist die Kompetenz nach, Schülerinnen und Schülern algorithmisches Denken (Computational Thinking), algorithmische Verzerrungen, Datenschutz und einen ethisch verantwortungsvollen Umgang mit KI als mündige Bürgerinnen und Bürger zu vermitteln.

Struktureller Rahmen und Anschlussfähigkeit:

Technische Architektur und Zertifizierungsprozess:

5. KI-Integrations-Roadmap

5. KI-Integrations-Roadmap

5.1 So nutzen Sie die Roadmap

Dieses Kapitel stellt die DUAL.AI.TEACHer-Integrations-Roadmap vor: neun Stufen, die eine Einrichtung vom ersten strategischen Gespräch über KI bis zu einer dauerhaften Struktur dafür führen. Es ist für Personen geschrieben, die gestalten, wie eine Einrichtung arbeitet, und nicht für die einzelne Unterrichtspraxis.

Es ist bewusst kein durchgehender Text, der von Anfang bis Ende gelesen werden soll. Lesen Sie den Teil, der zu Ihrer Rolle passt.

Stufe Beginnen Sie mit Danach
Alle 5.2 Das dauert zwei Minuten und vermittelt Ihnen das gesamte Modell

Schulleitung oder verantwortlich für die Fortbildung an einer Schule

 5.2

5.3, für Schulen geschrieben

Tätigkeit in einer Einrichtung der Lehrkräftebildung (Studiengangsleitung, Lehrende in der Lehrkräftebildung, Qualitätssicherung)

 5.2 5.4, die Vollversion, der Reihe nach gelesen

Lehrkraft auf der Suche nach Unterrichtspraxis

 5.2 Hier können Sie aufhören. Die Kapitel 5.2 und 5.3 sind die für Sie geschriebenen

Die Vollversion lesen

Abschnitt 5.4 beschreibt jede der neun Stufen vollständig: was die Stufe umfasst, warum sie so angelegt ist und woran Sie erkennen, dass Sie sie abgeschlossen haben. Er ist die Referenzfassung der Roadmap und darauf ausgelegt, zweimal genutzt zu werden. Lesen Sie ihn einmal der Reihe nach, um zu sehen, warum die Stufen so geordnet sind und welche von ihnen voneinander abhängen. Kehren Sie anschließend zu einzelnen Stufen zurück, während Sie daran arbeiten – so werden die meisten Einrichtungen ihn in der Praxis nutzen.

Wer von 5.3 kommt, braucht 5.4 nicht, um handeln zu können; jede dort knapp beschriebene Stufe wird in 5.4 jedoch ausführlich dargestellt. Die beiden Abschnitte treffen sich bei Stufe 6, KI in der Fort- und Weiterbildung verankern: Dort organisieren die Einrichtungen der Lehrkräftebildung die Fort- und Weiterbildung, die von den Schulen in Anspruch genommen wird.

5. KI-Integrations-Roadmap

5.2 Roadmap (Kurzfassung)

Unser Ausgangspunkt

Das Projekt DUAL.AI.TEACHer hat zum Ziel, eine klare und anpassbare Roadmap aus sieben bis zehn Stufen zu entwickeln, die Einrichtungen der Lehrkräftebildung dabei hilft, KI sowohl in die erste Phase der Lehrkräftebildung als auch in die Fort- und Weiterbildung einzubetten. Die Roadmap richtet sich auf institutionelle Veränderung statt auf Einzelinitiativen und wurde gemeinsam mit Lehrenden der Lehrkräftebildung entwickelt.

Zwei bestehende Modelle lieferten besonders einschlägige Grundlagen.

Das erste ist ein sechsstufiges Hochschulmodell, zusammengefasst als „learning to learn again“. Es reicht von der Neurahmung institutioneller Gespräche über KI über Vertrauen und Governance, die Souveränität des Personals, die Curriculumveränderung und die Neugestaltung von Lehre und Prüfung bis hin zur einrichtungsweiten Verstärkung (Black, 2025). Seine Hauptstärke liegt darin, dass es KI als Treiber institutioneller Transformation behandelt und nicht bloß als Frage der Werkzeugauswahl.

Das zweite ist eine vierphasige Roadmap zur Einführung generativer KI für Schulen und Schulbezirke: ein Fundament schaffen, das Personal weiterentwickeln, die Lehrinhalte aktualisieren sowie bewerten und weiterentwickeln. Ihre Stärke liegt im operativen Fokus und in der Betonung der konkreten Umsetzung.

Beide Modelle leisten das, was sie sich vornehmen: Das eine adressiert Hochschulen als Ganzes, das andere Schulen und Schulbezirke. Einrichtungen der Lehrkräftebildung liegen zwischen beiden Kontexten, und genau hier sahen wir Raum, die vorhandene Arbeit zu erweitern. Diese Einrichtungen verändern ihre eigene Lehre und bereiten zugleich künftige Lehrkräfte auf Kontexte vor, die sie nicht unmittelbar beeinflussen können. Sich allein auf die interne Transformation zu konzentrieren, hieße, KI-bezogene Curricula von Personal mit begrenzter Praxiserfahrung unterrichten zu lassen; sich allein auf die künftige Unterrichtspraxis zu konzentrieren, hieße, das Studienprogramm zu modernisieren, ohne die Einrichtung zu verändern, die es anbietet. Die DUAL.AI.TEACHer-Roadmap baut auf beiden Modellen auf und verbindet die beiden Dimensionen.

grafik.png

Abbildung 1. DUAL.AI.TEACHer-Integrations-Roadmap: Neun Stufen für die institutionelle Integration von KI in der Lehrkräftebildung.

Zwei Achsen unter den Stufen

Statt die beiden Referenzmodelle Schritt für Schritt zu kombinieren, ist die Roadmap um zwei parallele Achsen herum aufgebaut.

Die erste ist die institutionelle Transformation: Strukturen, Governance, Curriculum und die formalen Bedingungen, die den KI-Einsatz ermöglichen oder einschränken. Diese Achse folgt der Logik des Hochschulmodells von der Neurahmung bis zur Verstärkung und stützt sich auf etablierte Forschung. Die Diffusionstheorie von Innovationen benennt Erprobbarkeit und Beobachtbarkeit als Merkmale, die die Übernahme von Innovationen erleichtern; darauf gründet die Betonung sichtbarer Pilotumsetzungen in Stufe 7 (Neal et al., 2018).

Die zweite ist die menschliche Kapazität, die als Qualitätsachse der Roadmap dient. Fortbildung lässt sich nicht auf einzelne Workshops reduzieren. Die Forschung zu wirksamer Lehrkräftefortbildung hebt eine dauerhafte Laufzeit, inhaltlichen Fokus, Übung, Reflexion, Rückmeldung und Coaching hervor (Lipowsky & Rzejak, 2021). Diese Prinzipien prägen daher die Gestaltung der Fortbildungsaktivitäten in der gesamten Roadmap, von den Lehrenden der Lehrkräftebildung in Stufe 3 bis zu den berufstätigen Lehrkräften in Stufe 6. Ein einmaliger Workshop allein bedeutet nicht, dass eine Stufe abgeschlossen ist.

Das Roadmap-Cheatsheet

Stufe Aufgabe Abgeschlossen, wenn
Strategische Ausrichtung Erheben, wo die Einrichtung tatsächlich steht, und vereinbaren, was sie erreichen will – unter Beteiligung der Leitung und mit einem funktionsübergreifenden Team. Ausgangslage und Ziel liegen schriftlich vor.
Ermöglichende Governance Einrichtungsweite Leitlinien zu KI-Nutzung, Datenschutz, Integrität, Offenlegung und Werkzeugprüfung einführen, gerahmt um das Mögliche statt um das Verbotene. Mitarbeitende können die Frage „Darf ich das?“ beantworten, ohne jemanden zu fragen.
Kapazitäten der Lehrenden in der Lehrkräftebildung Die Kapazitäten der Lehrenden durch dauerhaftes, inhaltlich fokussiertes und in der Praxis verankertes professionelles Lernen mit Coaching und Reflexion aufbauen. Die Entwicklung läuft fortlaufend und besteht nicht nur aus einem einzelnen Workshop.
Das Curriculum gemeinsam gestalten KI in das formale Studienprogramm überführen, indem Modulbeschreibungen und Lernergebnisse überarbeitet werden – verankert in der Fachdidaktik statt in einem eigenständigen Modul. KI-bezogene Lernergebnisse erscheinen in der regulären Moduldokumentation mehrerer Fächer.
Didaktik und Leistungsbewertung Lernaufgaben und Prüfungen so umgestalten, dass sie authentisch und KI-bewusst sind, und KI-integrierten Unterricht vorleben, damit Studierende ihn als Lernende erleben. Die Prüfungsformate wurden überarbeitet und nicht nur um eine Erklärung zur KI-Nutzung ergänzt.
KI in der Fort- und Weiterbildung verankern Die Fort- und Weiterbildung in ein strukturiertes Angebot mit kombinierbaren Micro-Credentials überführen und so den Arm für berufstätige Lehrkräfte sichern. Das Angebot hat eine veröffentlichte Struktur und einen anerkannten Nachweis.
Erprobung in authentischen Kontexten Die überarbeiteten Module, Fortbildungen und Prüfungen mit realen Kohorten erproben und Rückmeldungen systematisch erheben. Dokumentierte Rückmeldungen liegen vor und haben zu erkennbaren Überarbeitungen geführt.
Evaluieren, lernen und anpassen Kompetenzzuwachs, Beteiligung, Machbarkeit, Chancengerechtigkeit und Wirkung überprüfen und die Erkenntnisse für Überarbeitungen nutzen. Die Erkenntnisse haben etwas verändert und nicht nur einen Bericht gefüllt.

Institutionalisieren, skalieren

 Die Initiative in dauerhafte Strukturen überführen: Zuständigkeit, Rollen, Ressourcen, Qualitätssicherung, Erneuerung. Die Arbeit geht weiter, nachdem die Personen, die sie begonnen haben, weitergezogen sind.

AI for Education. (o. J.). AI adoption roadmap for education institutions.
Black, A. (2025, 3. Dezember). Learning to learn again: A roadmap for higher education institutions in the age of AI. enablinginsights.
Lipowsky, F., & Rzejak, D. (2021). Fortbildungen für Lehrpersonen wirksam gestalten: Ein praxisorientierter und forschungsgestützter Leitfaden. Bertelsmann Stiftung.
Neal, J. W., Neal, Z. P., Lawlor, J. A., Mills, K. J., & McAlindon, K. (2018). What makes research useful for public school educators? Administration and Policy in Mental Health and Mental Health Services Research, 45(3), 432–446.

5. KI-Integrations-Roadmap

5.3 Roadmap für Schulen

Für wen dieser Abschnitt gedacht ist

Schulleitungen, stellvertretende Schulleitungen und Verantwortliche für die Fortbildung an einer Schule. Sie müssen die vorangehenden Abschnitte nicht vollständig gelesen haben. Wenn Sie die neun Stufen in 5.2 gelesen haben, zeigt Ihnen dieser Abschnitt, wie sie auf eine Schule zutreffen; wenn nicht, können Sie hier beginnen.

Wo Schulen in die Roadmap einsteigen. Diese Roadmap wurde für Einrichtungen der Lehrkräftebildung entwickelt, doch ihre Veränderungslogik ist nicht auf diese beschränkt, und eine Stufe betrifft Schulen unmittelbar. Stufe 6, KI in der Fort- und Weiterbildung verankern, ist der Arm für berufstätige Lehrkräfte: Dort organisieren die Einrichtungen der Lehrkräftebildung die Fort- und Weiterbildung, an der Ihr Kollegium teilnimmt. Das ist Ihr Einstiegspunkt. Was eine Einrichtung als Stufe 6 anbietet, kommt in Ihrer Schule als Fortbildung an, und ob sich dadurch etwas in Ihren Klassenzimmern ändert, hängt von den Bedingungen in dieser Schule ab.

Warum Sie dort nicht anfangen und aufhören können. Mitglieder des Kollegiums zu einem einmaligen Kurs zu schicken, ist das gängigste Vorgehen und zugleich wenig geeignet, die Praxis von allein zu verändern. Was wirkt, sind eine dauerhafte Auseinandersetzung mit inhaltlichem Fokus, Gelegenheit zum Üben und eine Nachbereitung in Form von Coaching oder Zusammenarbeit (Lipowsky & Rzejak, 2021). Daraus folgt unmittelbar etwas für Schulleitungen: Die knappe Ressource ist nicht der Kurs, sondern die geschützte Zeit danach, in der Lehrkräfte etwas ausprobieren, es mit Kolleginnen und Kollegen besprechen und nachjustieren.

grafik.png

Abbildung 1. DUAL.AI.TEACHer-Integrations-Roadmap: Neun Stufen für die institutionelle Integration von KI in der Lehrkräftebildung.

Die drei Stufen, die auf Schulebene Vorrang haben

Stufe 6 ist Ihr Anknüpfungspunkt, doch die Stufen 1 bis 3 schaffen die Bedingungen, unter denen sie wirkt.

Stufe 1, Strategische Ausrichtung. Klären Sie, wo Ihre Schule tatsächlich steht. Ein Teil Ihres Kollegiums nutzt KI bereits, ein anderer meidet sie, und Schulen haben oft kein klares Bild von der gegenwärtigen Praxis. Eine kurze, ehrliche Bestandsaufnahme ist mehr wert als ein Strategiepapier. Benennen Sie, was Sie erreichen wollen, und seien Sie auf die Antwort vorbereitet, dass KI derzeit nicht das drängendste Problem Ihrer Schule ist; auch das ist ein legitimes Ergebnis dieser Stufe.

Stufe 2, Ermöglichende Governance. Diese Stufe ist auf Schulebene besonders wichtig und wird leicht übersehen. Kollegium und Lernende müssen wissen, was erlaubt ist, wie die KI-Nutzung offenzulegen ist, welche Werkzeuge datenschutzrechtlich geprüft wurden und was als Täuschung gilt. Wo das unklar ist, geschieht zweierlei zugleich: Vorsichtige Lehrkräfte meiden KI ganz, und selbstbewusste nutzen sie ohne vereinbarte Grenzen. Klare, ermöglichende Leitlinien helfen, beides anzugehen. Sie müssen nicht lang sein.

Stufe 3, Kapazitäten des Kollegiums. In der ursprünglichen Roadmap betrifft diese Stufe die Lehrenden in der Lehrkräftebildung; in Ihrer Schule betrifft sie Ihr Kollegium. Es gelten dieselben Qualitätsbedingungen. Erwägen Sie, mit einer kleinen Gruppe interessierter Kolleginnen und Kollegen in ein oder zwei Fächern zu beginnen statt mit einer Einführung für das gesamte Kollegium, und machen Sie deren Ergebnisse für die übrigen sichtbar. Neuerungen verbreiten sich, wenn Kolleginnen und Kollegen sehen können, dass sie im eigenen Umfeld funktionieren (Neal et al., 2018).

Was an einer Schule anders ist

Drei Rahmenbedingungen unterscheiden Ihre Situation von der einer Einrichtung der Lehrkräftebildung, und die Roadmap sollte mit Blick darauf gelesen werden.

Sie haben weniger curriculare Autonomie. Die Stufen 4 und 5 setzen eine Einrichtung voraus, die ihre eigenen Lehrinhalte überarbeiten kann. Ein großer Teil Ihres Curriculums dürfte durch nationale oder gesetzliche Vorgaben festgelegt sein, und Ihr Spielraum liegt darin, wie Fächer unterrichtet und wie Leistungen bewertet werden, nicht in dem, was vorgeschrieben ist. Lesen Sie diese Stufen daher als Stufen zur Aufgabengestaltung und zur Prüfungspraxis.

Ihr Kollegium hat weniger frei verfügbare Zeit. Eine Einrichtung der Lehrkräftebildung kann Entwicklungsarbeit dem wissenschaftlichen Personal als Teil seiner Aufgaben zuweisen. In einer Schule konkurriert jede Stunde Entwicklungsarbeit unmittelbar mit dem Unterricht. Das macht Stufe 2 überproportional wertvoll: Leitlinien kosten wenig Zeit und beseitigen sehr viel Reibung.

Sie sind den Folgen näher. Schulen erleben die praktischen Folgen von Fragen zu Chancengerechtigkeit, Daten von Lernenden und Zugang besonders unmittelbar. Aus diesem Grund fragt Stufe 8 ausdrücklich nach Chancengerechtigkeit.


Lipowsky, F., & Rzejak, D. (2021). Fortbildungen für Lehrpersonen wirksam gestalten: Ein praxisorientierter und forschungsgestützter Leitfaden. Bertelsmann Stiftung.
Neal, J. W., Neal, Z. P., Lawlor, J. A., Mills, K. J., & McAlindon, K. (2018). What makes research useful for public school educators? Administration and Policy in Mental Health and Mental Health Services Research, 45(3), 432–446.

5. KI-Integrations-Roadmap

5.4 Vollständige Roadmap für Einrichtungen der Lehrkräftebildung

Für wen dieser Abschnitt gedacht ist

Dekaninnen und Dekane, Studiengangsleitungen, Lehrende in der Lehrkräftebildung sowie Verantwortliche für Qualitätssicherung an Einrichtungen, die Lehrkräfte ausbilden. Diese Roadmap wurde in erster Linie für Sie geschrieben, und dieser Abschnitt setzt voraus, dass Sie die neun Stufen in 5.1 gelesen haben. Anders als Leserinnen und Leser aus Schulen müssen Einrichtungen der Lehrkräftebildung die Roadmap als Ganzes betrachten, weil die Stufen unterschiedliche Bereiche institutioneller Veränderung ansprechen, die voneinander abhängen.

grafik.png

Abbildung 1. DUAL.AI.TEACHer-Integrations-Roadmap: Neun Stufen für die institutionelle Integration von KI in der Lehrkräftebildung.

1. Strategische Ausrichtung

Vom Reagieren zur Strategie: Die meisten Einrichtungen beginnen nicht bei null. Sie starten mit einem Flickenteppich aus Einzelinitiativen, informeller Werkzeugnutzung und ungeklärten Bedenken. Die erste Stufe macht diese Ausgangslage sichtbar und überführt sie in eine gemeinsame strategische Richtung. Die Leitung eröffnet den Prozess, statt ihn zu delegieren, denn spätere Stufen erfordern Entscheidungen über Personal, Ressourcen und Curriculum, die institutionelle Rückendeckung brauchen. Die Einrichtung schätzt ihre Voraussetzungen, Bedarfe und Prioritäten ein und richtet ein funktionsübergreifendes Steuerungsteam ein, dem Lehrende der Lehrkräftebildung, IT, Studierende und die Qualitätssicherung angehören. Die Beteiligung der Studierenden ist nicht symbolisch: Sie erleben das Curriculum unmittelbar und gehören in der Lehrkräftebildung zugleich zur künftigen Profession.

Die Stufe ist abgeschlossen, wenn die Einrichtung schriftlich benennen kann, wo sie steht, was sie erreichen will und wer dafür verantwortlich ist, die Arbeit voranzubringen.

2. Ermöglichende Governance

Orientierung kommt früh, weil Unsicherheit zu einer erheblichen Hürde für die Einführung werden kann. Mitarbeitende, die nicht wissen, was erlaubt ist, meiden KI entweder ganz oder nutzen sie ohne gemeinsame Erwartungen. Die Einrichtung entwickelt einrichtungsweite Leitlinien zu KI-Nutzung, Datenschutz, wissenschaftlicher Integrität, Offenlegungspflichten und zu einem Verfahren für die Prüfung und Freigabe von Werkzeugen. Die entscheidende Gestaltungsentscheidung ist die Rahmung: Leitlinien sollten erklären, was unter welchen Bedingungen möglich ist, statt überwiegend aus Verboten zu bestehen. Der Entwurf wird vor der Verabschiedung zur Rückmeldung in Umlauf gegeben, was sowohl seine praktische Brauchbarkeit als auch seine Legitimität erhöht.

Die Stufe ist abgeschlossen, wenn Mitarbeitende ohne Weiteres eine klare Antwort auf die Frage „Darf ich das?“ finden und wissen, an wen sie sich wenden können, wenn ein Fall nicht von den Leitlinien abgedeckt ist.

3. Kapazitäten der Lehrenden in der Lehrkräftebildung

Lehrende in der Lehrkräftebildung können keine Praktiken vorleben, die sie selbst nicht erproben konnten. Diese Stufe baut ihre Kompetenzen durch professionelles Lernen auf, das dauerhaft statt einmalig ist, das an Inhalte und Fachdidaktik anknüpft statt vor allem auf Werkzeuge zu zielen, und das durch Zusammenarbeit, Coaching und strukturierte Reflexion in der Praxis verankert ist. Dies sind Merkmale, die durchgängig mit wirksamer Fortbildung von Lehrkräften in Verbindung gebracht werden (Lipowsky & Rzejak, 2021). Die Kompetenzen werden auf das DUAL.AI.TEACHer-Kompetenzmodell und das UNESCO AI Competency Framework for Teachers bezogen, damit die Entwicklung sowohl eine Richtung als auch einen Bezugspunkt hat. Die KI-Integration sollte auf der vorhandenen professionellen Expertise der Lehrenden aufbauen, statt KI als gesonderte technische Kompetenz zu behandeln. Ein einzelner Workshop schließt diese Stufe nicht ab. Die Stufe ist abgeschlossen, wenn Lehrende in der Lehrkräftebildung dauerhaft Gelegenheit haben, KI-bezogene Praxis in ihren eigenen Lehrkontexten zu entwickeln, anzuwenden und zu reflektieren.

4. Das Curriculum gemeinsam gestalten

Hier rückt KI von einer außercurricularen Aktivität in das formale Studienprogramm. Die Modul- und Studiengangsdokumentation wird überprüft, und die Lernergebnisse werden am Kompetenzmodell ausgerichtet, sodass Lehren, Üben und Prüfen in dieselbe Richtung weisen. Ein zentrales Gestaltungsprinzip dieser Roadmap lautet, dass KI-Kompetenz und KI-gestützte Pädagogik in die Fachdidaktik eingebettet und nicht auf ein eigenständiges Modul beschränkt werden sollten. Ein eigenes KI-Modul kann als Übergangsschritt nützlich sein, birgt aber das Risiko zu signalisieren, KI sei ein separates Thema und nicht Teil des alltäglichen Fachunterrichts. Die gemeinsame Gestaltung mit den Lehrenden ist wichtig, weil diejenigen, die das überarbeitete Programm unterrichten werden, es auch mitgeprägt haben müssen.

Die Stufe ist abgeschlossen, wenn KI-bezogene Lernergebnisse in der regulären Dokumentation mehrerer Fächer oder Module sichtbar sind und mit dem Gesamtprogramm verknüpft statt in einer einzelnen Lehrveranstaltung isoliert sind.

5. Didaktik und Leistungsbewertung

Das Curriculum auf dem Papier zu ändern, genügt nicht, wenn Lehre und Prüfungen unverändert bleiben. Diese Stufe gestaltet Lernaufgaben und Prüfungsformate so um, dass sie authentisch, multimodal und KI-bewusst sind und dass sich die Leistungsbewertung darauf richtet, was künftige Lehrkräfte verstehen, begründen, erschaffen und anwenden können, statt auf Produkte, die ein generatives System auf Zuruf erzeugen kann. Ebenso wichtig ist die Vorbildwirkung: Angehende Lehrkräfte sollten durchdachten, KI-integrierten Unterricht zunächst als Lernende erleben, bevor von ihnen erwartet wird, ihn selbst professionell einzusetzen. Die Lehrkräftebildung hat hier eine besondere Chance, weil Studierende Unterrichtspraktiken erleben und zugleich ihre eigene professionelle Praxis entwickeln.

Die Stufe ist abgeschlossen, wenn sich KI-bezogene Lernergebnisse in der tatsächlichen Lehr- und Prüfungspraxis niederschlagen und nicht nur den Modulbeschreibungen oder Offenlegungspflichten hinzugefügt wurden.

6. KI in der Fort- und Weiterbildung verankern

Einrichtungen der Lehrkräftebildung bilden nicht nur künftige Lehrkräfte aus; sie unterstützen auch diejenigen, die bereits an Schulen arbeiten. Diese Stufe entwickelt die Fort- und Weiterbildung zu einem strukturierten Angebot statt zu einer Reihe isolierter Veranstaltungen. Es gelten dieselben Qualitätsbedingungen wie in Stufe 3: dauerhafte Auseinandersetzung, ein klarer inhaltlicher Fokus, Gelegenheiten zum Üben sowie Nachbereitung durch Zusammenarbeit, Rückmeldung oder Coaching. Im DUAL.AI.TEACHer-Modell kann diese Arbeit an den in T2.6 entwickelten Zertifizierungspfad angebunden werden, sodass professionelles Lernen über die Zeit aufeinander aufbauen kann. Stufe 6 schafft zudem eine wechselseitige Verbindung zu den Schulen: Die Einrichtungen steuern professionelles Lernen bei, während berufstätige Lehrkräfte aktuelle Unterrichtserfahrung in die Lehrkräftebildung zurücktragen.

Die Stufe ist abgeschlossen, wenn die Fortbildung berufstätiger Lehrkräfte ein kohärentes und dauerhaftes Angebot mit klarer Progression bildet und nicht einen Kalender unverbundener Einzelveranstaltungen.

7. Erprobung in authentischen Kontexten

Überarbeitete Module, Fortbildungsangebote und Prüfungsformate werden mit realen Kohorten unter realistischen Bedingungen erprobt, und Rückmeldungen von Lehrenden, Studierenden und weiteren Beteiligten werden systematisch erhoben. Die Erprobung verringert das Risiko, einen Ansatz zu skalieren, bevor er sich in der Praxis bewährt hat. Sie macht die Umsetzung zugleich sichtbar: Kolleginnen und Kollegen können sehen, wie ein Ansatz in einem Kontext funktioniert, der ihrem eigenen ähnelt, die Ergebnisse besprechen und ihn vor einer breiteren Einführung anpassen. Der Zweck der Erprobung ist daher nicht, die Richtigkeit des Entwurfs zu belegen, sondern herauszufinden, was geändert werden muss.

Die Stufe ist abgeschlossen, wenn dokumentierte Rückmeldungen aus der authentischen Umsetzung zu erkennbaren Überarbeitungen geführt haben.

8. Evaluieren, lernen und anpassen

Die Evaluation fragt, ob die Veränderungen das erreicht haben, was sie erreichen sollten. Je nach Maßnahme können dazu Kompetenzentwicklung, Beteiligung, Machbarkeit, Chancengerechtigkeit, die Erfahrungen von Mitarbeitenden und Studierenden sowie weiterreichende Programmwirkungen gehören. Chancengerechtigkeit wird ausdrücklich berücksichtigt, weil die KI-Integration manche Ungleichheiten verringern, andere aber erzeugen oder verstärken kann, etwa zwischen Fächern, Personalgruppen oder Studierenden mit unterschiedlichem Zugang und unterschiedlicher Unterstützung. Die gewonnenen Erkenntnisse werden anschließend genutzt, um Curriculum, Fortbildung, Prüfungen und Umsetzung zu überarbeiten.

Diese Stufe etabliert außerdem einen regelmäßigen Überprüfungszyklus für die in Stufe 2 entwickelten Leitlinien, die sich weiterentwickeln müssen, wenn sich Technologien, Praktiken und rechtliche Rahmenbedingungen ändern.

9. Institutionalisieren und skalieren

Die letzte Stufe überführt erfolgreiche Arbeit vom Projektstatus in die regulären Strukturen der Einrichtung. Das bedeutet klare Zuständigkeiten, definierte Verantwortlichkeiten, angemessene Ressourcen und die Einbindung in bestehende Prozesse wie Studiengangsentwicklung und Qualitätssicherung. Die Skalierung sollte sich am eigenen Kontext, an den Kapazitäten und am Profil der Einrichtung orientieren statt an einem einheitlichen Standardmodell. Institutionalisierung heißt auch, Mechanismen für Erneuerung zu schaffen: KI-Technologien, pädagogische Praktiken und institutionelle Bedarfe werden sich weiter verändern, sodass das Modell selbst nicht unverändert bleiben kann.

Die Stufe ist abgeschlossen, wenn die Arbeit weitergeht, nachdem die Personen, die sie begonnen haben, weitergezogen sind.

Ihre besondere Ausgangslage

Einrichtungen der Lehrkräftebildung tragen zwei Aufträge zugleich. Sie verändern Ihre eigene Lehre und bereiten zugleich künftige Lehrkräfte auf Klassenzimmer vor, über die Sie nicht bestimmen, unter Bedingungen, die Sie nicht vollständig vorhersehen können, und mit Technologie, die sich bis zum Berufseintritt Ihrer Absolventinnen und Absolventen verändert haben kann. Beide Aufträge hängen eng zusammen. Wer sich nur auf die interne Transformation konzentriert, riskiert KI-bezogene Curricula ohne hinreichenden Bezug zur künftigen Unterrichtspraxis. Wer sich nur auf die künftige Unterrichtspraxis konzentriert, riskiert, das Studienprogramm zu modernisieren, ohne die Einrichtung zu verändern, die es anbietet. Die Roadmap behandelt daher beide Dimensionen gemeinsam.

Stufe 3 ermöglicht alles Weitere. Ein großer Teil der späteren Arbeit hängt von den Kapazitäten der Lehrenden in der Lehrkräftebildung ab. Ihre Expertise liegt in ihren Fachdisziplinen und deren Didaktik, weshalb die Integration von KI nicht einfach das Hinzufügen eines weiteren Werkzeugs ist. Fortbildung muss die KI-Nutzung mit fachspezifischem Lehren, Lernen und Prüfen verbinden, statt sie als allgemeine technische Kompetenz zu behandeln. Aus diesem Grund verdient Stufe 3 besondere Aufmerksamkeit, wenn die Ressourcen begrenzt sind.

Wo Stufe 4 schwierig wird. Der Grundsatz, dass KI-Kompetenz in die Fachdidaktik eingebettet und nicht nur in einem eigenständigen Modul behandelt werden sollte, ist leicht formuliert, aber deutlich schwerer umzusetzen. Ein eigenständiges Modul lässt sich einer Person zuweisen, während eine verteilte Integration erfordert, dass viele Kolleginnen und Kollegen Teile ihrer eigenen Lehre überdenken. Wo ein eigenständiges Modul als Übergangsschritt nützlich ist, sollte es idealerweise mit einem längerfristigen Plan für die Integration im gesamten Studienprogramm verbunden sein.

Ihr besonderer Hebel in Stufe 5. Stufe 5 hebt eine Besonderheit der Lehrkräftebildung hervor: Ihre Studierenden sind heute Lernende und später Lehrkräfte. Wie Sie sie unterrichten, wird damit Teil dessen, was sie über das Unterrichten lernen. Wenn angehende Lehrkräfte durchdachten, KI-integrierten Unterricht als Lernende erleben, begegnen sie konkreten Modellen, die sie später reflektieren und für die eigene Praxis anpassen können. Über KI zu unterrichten, ohne ihren didaktischen Einsatz vorzuleben, vermittelt eine ganz andere Erfahrung. Deshalb geht Stufe 5 über eine bloße Prüfungsreform hinaus.

Stufe 6 ist Ihre Schnittstelle zu den Schulen. Ihr Fort- und Weiterbildungsangebot ist der Einstiegspunkt. Es erweitert die Reichweite Ihrer Einrichtung über künftige Lehrkräfte hinaus auf diejenigen, die bereits in Klassenzimmern arbeiten. Zugleich kann die Zusammenarbeit mit berufstätigen Lehrkräften aktuelle Unterrichtserfahrung in die Lehrkräftebildung zurückbringen. Fort- und Weiterbildung kann daher nicht nur als Dienstleistung für Schulen wirken, sondern auch als Kanal für wechselseitiges Lernen zwischen Schulen und Einrichtungen der Lehrkräftebildung.

Was Sie tun können und Schulen nicht

Einrichtungen der Lehrkräftebildung haben oft größere Spielräume, Studienprogramme und Prüfungen zu überarbeiten, Zugang zu Forschungskapazitäten und einen Auftrag, schulübergreifend zu arbeiten. Das verleiht den Stufen 7 und 8 besonderen Wert: Was aus Erprobungen und Evaluationen gelernt wird, kann nicht nur der eigenen Einrichtung, sondern auch Partnerschulen und dem weiteren System zugutekommen. Diese Erfahrungen sichtbar zu machen, kann zudem die Übernahme neuer Praktiken andernorts unterstützen.

Womit beginnen, wenn alles dringend ist. Beginnen Sie mit Stufe 2 und Stufe 3. Governance verringert Unsicherheit, während die Kapazitäten des Personals die Voraussetzungen für sinnvolle Arbeit in den Stufen 4 bis 6 schaffen. Mit der Curriculumrevision zu beginnen, bevor die Mitarbeitenden die Kapazität zur Umsetzung haben, birgt das Risiko, Veränderungen auf dem Papier zu erzeugen, die sich in der Praxis nur schwer verwirklichen lassen.

6. Ressourcen & Referenzen

6. Ressourcen & Referenzen

6.1 Ressourcen

Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.

BEKIARIDIS, G. (author) and ATTWELL, G. (ed.), Supplement to the DigCompEDU Framework: Outlining the Skills and Competences of Educators Related to AI in Education, AI Pioneers – Work Package 3, Erasmus+ Programme, European Union, 2024. Available at: https://aipioneers.org/wp-content/uploads/2024/01/WP3_Supplement_to_the_DigCompEDU_English.pdf 

BLOOM, B.S. (ed.), ENGELHART, M.D., FURST, E.J., HILL, W.H. and KRATHWOHL, D.R., Taxonomy of Educational Objectives: The Classification of Educational Goals. Handbook I: Cognitive Domain, David McKay Company, New York, 1956.

Krathwohl, D. R. (2002). A revision of Bloom’s taxonomy: An overview. Theory Into Practice, 41(4), 212–218.

MIAO, F. and CUKUROVA, M., AI Competency Framework for Teachers, UNESCO, 2024. ISBN 978-92-3-100707-1. DOI: https://doi.org/10.54675/ZJTE2084 

REDECKER, C., European Framework for the Digital Competence of Educators: DigCompEdu, PUNIE, Y. (ed.), EUR 28775 EN, Publications Office of the European Union, Luxembourg, 2017. ISBN 978-92-79-73494-6 (pdf). DOI: https://doi.org/10.2760/159770. JRC107466.

6. Ressourcen & Referenzen

6.2 Referenzen

6. Ressourcen & Referenzen

6.3 Glossar & Schlüsselbegriffe

Glossar

Sammlung relevanter Fachbegriffe

Glossar

Tabelle der Fachbegriffe

Im Playbook eingeführte Begriffe

Begriff Erklärung Auch verwendet in
Automation Bias

Einen Vorschlag der Maschine zu übernehmen, ohne ihn eigenständig zu prüfen
KI-Detektor

Software, die vorgibt, maschinell geschriebenen Text zu erkennen. Tatsächlich misst sie Vorhersagbarkeit.

 1.5
KI-pädagogisches Kompetenzrahmenwerk

Struktur, die KI-bezogene Unterrichtskompetenzen in Dimensionen und Stufen einordnet und mit Lernergebnissen und Bewertungen verknüpft.
Bias Verzerrungen, die aus dem Material stammen, mit dem ein System trainiert wurde, und die sich nicht zuverlässig verringern, wenn man das System nur größer macht 1.4, 1.5
Zertifizierungspfad Der Weg, auf dem Kompetenzen validiert und formal anerkannt werden, hier als dualer Pfad.
Kognitive Auslagerung (Cognitive Offloading) Gedankliche Arbeit an etwas außerhalb des eigenen Kopfes abgeben. Nützlich, wenn Wissen bereits gefestigt ist, schädlich, wenn es sich noch bildet. 1.4
Kompetenz Was eine Lehrkraft weiß, kann und zu tun bereit ist – so beschrieben, dass es sich lehren und überprüfen lässt.
Deskilling (Kompetenzverlust) Die schleichende Erosion fachlicher Expertise, wenn ein Werkzeug die Arbeit übernimmt, durch die diese Expertise aufrechterhalten wird. 1.4
Digital Badge Die teilbare digitale Form eines Zertifikats oder Micro-Credentials.
Dimension Einer der breiten Bereiche, in die das Framework unterteilt ist, wobei jeder Bereich Kompetenzen zusammenfasst, die in der Praxis zusammengehören.
Falsch-Positiv Eine korrekte, ehrliche Arbeit, die fälschlich markiert wird. Der Fehler, der Schülerinnen und Schülern schadet. 1.4, 1.5
Leitplanken (Guardrails) In ein System eingebaute Grenzen, damit es das Denken unterstützt, statt es zu ersetzen. 1.4, 1.5
Halluzination Flüssig, überzeugend, falsch. Kein Fehler, der auf ein Update wartet, sondern eine Folge der Art, wie diese Systeme Text erzeugen. 1.4, 1.5
Integrations-Roadmap Der schrittweise Weg, den eine Lehrkraft oder eine Einrichtung vom ersten Kontakt mit KI bis zur gefestigten Praxis zurücklegt.
Wissen-Handeln-Lücke (Knowledge-Action Gap) Der messbare Abstand zwischen Wissen über KI und einem dadurch tatsächlich veränderten Unterricht. 1.4, 1.5
Micro-Credential Ein kleineres Zertifikat, das ein einzelnes, klar umrissenes Kompetenzbündel abdeckt statt eines ganzen Pfads.
Schema Das organisierte Wissen einer Person 1.4
Lehren über KI KI selbst zum Unterrichtsgegenstand machen, damit Schülerinnen und Schüler verstehen, wie sie funktioniert und wo sie versagt.
Lehren mit KI KI als Werkzeug für die eigene Unterrichtsarbeit nutzen, von der Planung bis zum Feedback.