Playbook DE

0. Über das DUAL.AI.TEACHer Playbook

Ziele des Playbooks

Dieses Playbook richtet sich an Lehrkräfte, Schulleitungen und Lehrende an Hochschulen, die sich das notwendige Wissen zum Einsatz von Künstlicher Intelligenz (KI) an Schulen aneignen und ihre Einrichtungen für einen (besseren) KI-Einsatz weiterentwickeln möchten. KI kann in der Schule und in der Lehrkräftebildung für verschiedenste Zwecke genutzt werden. In Bezug auf den Unterricht unterscheiden wir zwischen „Lehren über KI“ und „Lehren mit KI“, um fachspezifisches Wissen zu vermitteln.

Die Entwicklung der Künstlichen Intelligenz schreitet in hohem Tempo voran. Ihr Einsatz durchdringt zunehmend unsere Gesellschaft, dazu gehören auch Schule und Hochschule. 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.

Aufbau des Playbooks

Um all diese Aspekte abzudecken, haben wir das Playbook wie folgt aufgebaut:

So navigieren Sie durch das Playbook

Gemini_Generated_Image_t1spb4t1spb4t1sp.jpg

Abb. 1: „Die Wege zur Expertise“ (KI-generiertes Bild, Google Gemini)

Für Lehrkräfte

Es gibt verschiedene Wege, das Playbook zu nutzen.

Option 1: Sie suchen Ideen für Ihren nächsten Schultag – um Ihren Schülerinnen und Schülern etwas über KI zu vermitteln 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 Lehrkräftebildung – mal mit kräftigen Strichen, mal in feinen Nuancen. Versteht man Lehrkräftebildung als einen Weg, der an der Hochschule beginnt und sich über die Zeit aufbaut, 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 die Beipackzettel, die jedem Mediament beilegen. Zumeist legen wir den Beipackzettel achtlos beiseite,  ohne einen Blick darauf zu werfen? Es mag unscheinbar wirken, aber dieser Zettel ist ein stiller Triumph für uns als Patienten. 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 still und leise in Ihrer Schule einnisten, erben ein Problem, das älter ist als KI: Bildungstechnologie kam selten mit einem Beipackzettel. In Großbritannien ergab eine Untersuchung, dass nur 7 von 100 Bildungstechnologie-Unternehmen ihre Produkte in einer randomisierten Studie getestet hatten und nur 12 von 100 eine externe Zertifizierung angestrebt hatten. Aber Schulen fordern auch selten mehr. In einer Befragung in 17 US-Bundesstaaten hatten nur 11 von 100 Lehrkräften und Verantwortlichen der Schulverwaltung einen begutachteten Wirksamkeitsnachweis eingefordert, bevor sie ein neues Werkzeug einführten.

Das Ergebnis ist in vielen Fällen verschwendetes Geld. In den USA blieben im Durchschnitt zwei Drittel der Lizenzen für Bildungssoftware ungenutzt, und 98 von 100 wurden nie intensiv genutzt. Das EdTech Genome Project, ebenfalls in den USA, untersuchte rund 7.000 Lehrmittel im Wert von 13 Milliarden Dollar und stellte fest, dass 85 von 100 entweder schlecht passten oder falsch umgesetzt wurden.

Dieses Kapitel ist der Beipackzettel des Playbooks. Es erzählt, wo KI wirkt, wie viel man davon "einnehmen" sollte, welche Überrachungen lauern und wirft ein Licht auf die Nebenwirkungen – auch jene, die still und leise Kinder erreichten, die sich nie dafür entschieden hatten.

Potenziale von KI

Die meisten Studien zum Potenzial von KI beziehen sich auf Universitätsstudierende. Schülerinnen und Schüler kommen in diesen Studien bislang eher selten vor. Und die meisten Studien betreffen kurzfristige Interventionen von wenigen Stunden bis wenigen Wochen. Folglich könnte der sogenannte Neuheitseffekt die Ergebnisse positiv beeinflusst haben. Eine große Übersichtsarbeit über 68 Experimente fand genau dieses Muster: Je kürzer die Studie und je kleiner die Zahl der Teilnehmenden, desto größer war der berichtete Nutzen von KI.

(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. In einer gut kontrollierten Studie vermittelte eine KI-Tutorin neuen Stoff mindestens so gut wie guter Unterricht. 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 einem gut gestalteten aktivierenden Unterricht – mit Diskussionen und Problemlösen in Partnerarbeit, nicht in einer Vorlesung. 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 Autoren 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 lehnen es ausdrücklich ab, ihr Ergebnis auf Aufgaben zu übertragen, bei denen mehrere Ideen miteinander verknüpft werden müssen. Und es handelte sich um Studierende, nicht um Achtklässler.

Eine große Übersichtsarbeit, die die Ergebnisse von 228 Studien zusammenführte, weist in dieselbe Richtung – mit einer wichtigen Einschränkung. Generative KI erzielte größere Zuwächse beim Wissen und Verstehen als ältere Formen von KI wie intelligente Tutorensysteme und adaptive Übungssoftware. Dies war jedoch das einzige der vier in der Übersichtsarbeit gemessenen Ergebnisse, bei dem generative KI im Vorteil war.

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 Studie in England untersuchte, ob 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 ChatGPT zusammen mit einem Online-Leitfaden zur sinnvollen Nutzung einsetzte, oder einer Gruppe, die gebeten wurde, überhaupt keine generative KI zu verwenden. Die Lehrkräfte der ChatGPT-Gruppe wendeten pro Woche etwa 56 Minuten für die Planung des Naturwissenschaftsunterrichts in den Jahrgangsstufen 7 und 8 (11 bis 13 Jahre) auf, verglichen mit etwa 81 Minuten in der Vergleichsgruppe. Ein Gremium von Fachleuten bewertete die Qualität der Unterrichtspläne, ohne zu wissen, ob diese mit oder ohne Unterstützung von KI erstellt worden waren. Die Fachleute 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. Die Evaluatoren deuten dies als Übergang von einer Lernphase in die Routine; es kann aber auch bedeuten, dass sich die Zeitersparnis ohne Unterstützung nicht aufrechterhält. (2) Die Studie maß die von Lehrkräften für die Unterrichtsplanung aufgewendete Zeit, nicht die Lernergebnisse ihrer Schülerinnen und Schüler.

„Alles läuft auf die Zeit hinaus. Selbst Lehrkräfte, die den Wert von KI erkennen, haben selten die Zeit, den Umgang damit zu lernen.“

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 Forschung zu Lernenden mit Behinderungen – eines der am längsten untersuchten Felder von KI in der Bildung, das bei der Mittelvergabe leicht übersehen wird. 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, meist einen humanoiden, der oft von einer Forschungsperson außerhalb des Sichtfelds des Kindes gesteuert wurde. 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 Autoren 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: „One-Shot-Prompt: a doctor, a nurse“ (KI-generiertes Bild, NanoBanana 2)

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 Test der gemeinnützigen Organisation AlgorithmWatch zeigte Midjourney Ärzte fast immer als weiße Männer, während Adobe Firefly sichtbare, wenn auch unvollkommene, Versuche unternahm, mehr Vielfalt abzubilden. Eine begutachtete Studie mit 2.400 KI-generierten Bildern von Chirurgen fand dieselbe Spaltung zwischen den Produkten: Zwei von drei populären Generatoren zeigten fast keine Frauen, während der dritte dem tatsächlichen Frauenanteil in der Chirurgie nahekam.

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: 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.

Fig2_1_1_DAPlaybook_de.jpgAbb. 2: „Warum das Bild zu einem Prompt wie ‚Zeichne einen Arzt‘ so aussieht, wie es aussieht – und warum das Bild selbst es Ihnen nicht verrät“ (KI-generiertes Bild, NanoBanana 2)

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.

„Verzerrungen gibt es nicht nur bei KI. Auch Schulbücher können verzerrt sein. Entscheidend ist das Wissen um den Zufall, um die Daten hinter einer Antwort und um mögliche Verzerrungen.“

Vertiefung. Vartiainen, H., Kahila, J., Tedre, M., López-Pernas, S., & Pope, N. (2025). Enhancing children's understanding of algorithmic biases in and with text-to-image generative AI. New Media & Society, 27(9), 5342–5368. Frei zugänglich, DOI 10.1177/14614448241252820. Die Studie hatte keine Vergleichsgruppe – lesen Sie sie als vielversprechendes Unterrichtsdesign, nicht als Beweis.

Weinmann, H., Messingschlager, T. V., & Appel, M. (2026). Gender bias in text-to-image generative artificial intelligence: Neglect and stereotypical presentations across three popular platforms. New Media & Society. Online first. Frei zugänglich, DOI 10.1177/14614448261435197.

Ali, R., et al. (2024). Demographic representation in 3 leading artificial intelligence text-to-image generators. JAMA Surgery, 159(1), 87–95. DOI 10.1001/jamasurg.2023.5695.

Die Aussagen der Anbieter selbst: OpenAI (2022), Reducing bias and improving safety in DALL·E 2; Depue, W. (2023), What’s new with DALL·E 3?, OpenAI Cookbook; Raghavan, P. (2024), Gemini image generation got it wrong. We’ll do better, Google.

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 Vorbehalt ist erwähnenswert. Zumindest in Mathematik gilt: Je näher die Evidenz an die Schule heranrückt, desto kleiner fällt der Effekt aus. Fächerübergreifend ist das Bild uneinheitlich: Einige neuere Übersichtsarbeiten finden in Schulen größere Effekte als an Hochschulen – doch die Studien an Schulen sind noch wenige und klein.

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). ChatGPT's impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13, 684. Frei zugänglich, DOI 10.1057/s41599-026-07019-z.

Die reine Schul-Zahl für Mathematik: Yi, L., Liu, D., Jiang, T., & Xian, Y. (2025). The effectiveness of AI on K-12 students' mathematics learning: A systematic review and meta-analysis. International Journal of Science and Mathematics Education, 23(4), 1105–1126. DOI 10.1007/s10763-024-10499-7.

Eine breiter angelegte, neuere zusammenfassende Analyse: Han, X., Peng, H., & Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review and meta-analysis of experimental studies. Educational Research Review, 48, 100714. DOI 10.1016/j.edurev.2025.100714.

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.

„KI macht es sehr leicht, eine Lösung zu bekommen, ohne sie zu verstehen.“

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 weit verbreitete Detektoren 91 Aufsätze analysierten, die Personen mit anderer Muttersprache für den Englischtest TOEFL geschrieben hatten – gesammelt in einem chinesischen Online-Forum –, stuften sie diese in rund sechs von zehn Fällen fälschlich als maschinell erzeugt ein. Aufsätze amerikanischer Achtklässler in ihrer Muttersprache Englisch wurden 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. In einem Experiment lösten Erwachsene mit und ohne Hochschulabschluss eine berufsnahe betriebswirtschaftliche Aufgabe. Mit einem KI-Assistenten verschwanden etwa drei Viertel der Lücke zwischen den beiden Gruppen. Als die Forschenden den Assistenten anschließend wieder entzogen, kehrte ein beträchtlicher Teil der Lücke zurück. Die Autoren schließen daraus, dass die KI einen Großteil der Arbeit erledigt hatte und nur ein Teil des Zugewinns erhalten blieb, nachdem sie weg war.

Eine Befragung amerikanischer Schulleitungen liefert die zweite Hälfte des Bildes: Je benachteiligter die Schülerschaft einer Schule, desto weniger hatte die Schule unternommen, um KI zu integrieren – weniger Regelungen, weniger Fortbildung für Lehrkräfte, weniger Orientierung für die Nutzung durch Schülerinnen und Schüler. Das ist ein Zusammenhang, kein Beleg für eine Ursache.

Zusammengenommen: Ein gutes Werkzeug kann eine Lücke verkleinern, solange es sich in den Händen der Lernenden befindet. Es erreicht aber tendenziell die Schulen, die es am wenigsten brauchen, und nur ein Teil seines Nutzens bleibt erhalten, 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, aber nur 55 Prozent aus den am wenigsten wohlhabenden Familien KI als Chance für die Schule. Die Nutzung folgt demselben Gefälle: Unter den Jugendlichen, die KI-Werkzeuge verwenden, nutzen 70 Prozent der Schülerinnen und Schüler an Gymnasien sie für Schule oder Hausaufgaben, verglichen mit 58 Prozent an anderen weiterführenden Schulen.

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 formale KI-Fortbildung erhalten hatten, verglichen mit 21 Prozent an staatlichen Schulen. Innerhalb des staatlichen Systems reichten die Werte von 26 Prozent an Schulen mit der wohlhabendsten Schülerschaft bis zu 18 Prozent an Schulen mit der am wenigsten wohlhabenden.

Vertiefung. Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., & Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment (NBER Working Paper 34851). Ein Arbeitspapier, noch nicht begutachtet. Campos, C., & Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K-12 schools (NBER Working Paper 35347). Latham, K., & Montacute, R. (2025). Artificial advantage? AI in the classroom and the inequality gap. The Sutton Trust. Frei verfügbar unter suttontrust.com. Vodafone Stiftung Deutschland (2024), Pioniere des Wandels; mpfs (2024), JIM-Studie 2024. Beide frei verfügbar, auf Deutsch.

(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 über 228 Studien untersuchte vier verschiedene Bereiche, die KI verbessern könnte: Wissen und Verstehen; die Anwendung des Gelernten; die affektive Seite, etwa Motivation und Engagement; sowie die Fähigkeit, das eigene Lernen zu planen, zu überwachen und zu korrigieren. Drei der vier verbesserten sich. Der letzte nicht – soweit die Studien das erkennen ließen.

Nur wenige der Ergebnisse stammten aus randomisierten Studien, und die Begeisterung, die Sie in den ersten Wochen sehen, ist genau das, was kurze Studien am besten erfassen.

Eine kurze Randbemerkung: In dieser Übersichtsarbeit zeigten sich die größten Zuwächse in den Kunst- und Geisteswissenschaften.

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.

C1_2_Fig_1.png

Abb. 1: „Das Ergebnis hängt vom Fahrer ab“ (KI-generiertes Bild, Google Gemini)

Auf der linken Seite beginnt die Fahrt mit einer Karte im Kopf. Das Navi ergänzt, was der Fahrer nicht wissen kann. Das nennt man „nützliches Auslagern“. Rechts hat der Fahrer keine Karte im Kopf. Das Gerät ist seine einzige Orientierung. Das nennt man „schädliches Auslagern“.

Dasselbe Navi, zwei Fahrerinnen, gegensätzliche Ergebnisse. Der Unterschied lag nie im Gerät. Es geht um mehr als ein Bild. Studien mit Autofahrern zeigen, dass Menschen, die sich stark auf das Navi verlassen, eine schlechtere mentale Karte ihrer Umgebung entwickeln. Eine Studie über drei Jahre zeigte, dass eine intensivere Nutzung mit einem stärkeren Rückgang des räumlichen Gedächtnisses einherging. Und die Psychologie weiß seit zwei Jahrzehnten, dass dieselbe Unterstützung, die Anfängern hilft, Personen im Weg stehen kann, die das Thema bereits beherrschen. Dasselbe gilt auch umgekehrt. 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.

„Im Moment sind die Werkzeuge, zu denen Schülerinnen und Schüler greifen, darauf ausgelegt, Probleme zu lösen, nicht zu lehren – und das ist derzeit die zentrale Schwierigkeit in meiner Arbeit.“

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.

In einer Studie mit 90 Lehrkräften an bayerischen beruflichen Schulen, die sich für eine KI-Fortbildung angemeldet hatten, schätzten die Lehrkräfte ihr KI-Wissen im Schnitt mit 3,4 von 5 Punkten ein, ihre Fähigkeit, KI im Unterricht einzusetzen, dagegen deutlich niedriger mit 2,6. Wissen und Handeln hatten sich voneinander gelöst. Eine Studie in fünf europäischen Ländern untersuchte daraufhin, ob Fortbildung diese Lücke schließen kann. 736 Lehrkräfte in Frankreich, Irland, Italien, Luxemburg und Slowenien nahmen teil. Die Lehrkräfte wurden in zwei Gruppen aufgeteilt. Eine Gruppe erhielt während der Studie einen Online-Kurs und Begleitung, die andere erhielt denselben Online-Kurs nach Abschluss der Studie. Die Ergebnisse zeigten, dass das Wissen und die Fähigkeit, die Leistungsfähigkeit eines Werkzeugs einzuschätzen, zunahmen. In den meisten Ländern änderte sich der regelmäßige Einsatz von KI im Unterricht jedoch nicht: Die Lehrkräfte probierten Werkzeuge 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.

„Der einzige Nachteil dieses Webinars ist, dass wir es nicht direkt ausprobieren können.“

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 Schülerinnen und Schülern. In Deutschland nutzen 52 % der Lehrkräfte KI-Werkzeuge mehrmals im Monat oder häufiger. Doch von denjenigen, die KI nutzen, lassen nur 29 % ihre Schülerinnen und Schüler im Unterricht damit arbeiten. Die öffentliche Debatte über „KI im Klassenzimmer“ dreht sich also größtenteils um etwas, das in der Fläche noch gar nicht stattfindet.

Fig2_1_2_Eisberg_de.jpg

Abb. 2: „Unterschied zwischen der KI-Nutzung zur Vorbereitung und der Nutzung im Unterricht“ (KI-generiertes Bild, Google Gemini)

Was tatsächlich passiert, ist Entlastung von der Arbeitsbelastung, und hier sind die Nachrichten gut. In einer Studie in England erhielten 259 Lehrkräfte an 68 Schulen ChatGPT und einen Leitfaden für die Planung von Naturwissenschaftsunterricht für 11- bis 13-Jährige. Sie wendeten etwa 56 Minuten pro Woche für die Planung auf, gegenüber 81 Minuten in der Vergleichsgruppe. Unabhängige Gutachter, die nicht wussten, aus welcher Gruppe eine Unterrichtsstunde stammte, fanden keine Hinweise auf einen Qualitätsunterschied. In einer großen US-Befragung schätzten Lehrkräfte, die KI mindestens wöchentlich nutzen, dass sie fast sechs Stunden pro Woche einsparen – ihre eigene Schätzung, keine Messung.

Und ein Muster verdient einen Moment Aufmerksamkeit. In derselben US-Befragung nutzten an Schulen mit einer KI-Richtlinie mehr Lehrkräfte KI – sieben von zehn gegenüber sechs von zehn – und sparten dadurch insgesamt etwa ein Viertel mehr Lehrkräftezeit. Für die einzelne Lehrkraft, die KI jede Woche nutzt, war der Unterschied gering. Das ist die eigene Einschätzung der Lehrkräfte und keine Messung, und eine Befragung kann nicht zeigen, in welche Richtung der Zusammenhang verläuft: Gut organisierte Schulen machen möglicherweise einfach beides gut. Aber es ist das Gegenteil dessen, was die meisten erwarten – klare Regeln und intensive Nutzung treten gemeinsam auf, nicht als Gegensätze. -> 1.4 Konformer Einsatz von KI

„Es ist wichtig, sie als Ergänzung zu nutzen, aber auf keinen Fall ChatGPT die ganze Unterrichtsstunde gestalten zu lassen.“

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 Schülerinnen und Schüler damit tun sollten. Die folgenden Punkte fassen wichtige Forschungsergebnisse zusammen. Alle Ergebnisse beruhen jedoch auf nur wenigen Studien.

Pädagogik ist wichtiger als die eingesetzte Technologie. Wo Forschende die Studien danach sortiert haben, was die Schülerinnen und Schüler tatsächlich getan haben, war die Aktivität wichtiger als das Werkzeug. Interessanterweise zeigte sich dasselbe Muster bereits bei der vorherigen Generation digitaler Werkzeuge an weiterführenden Schulen. Die Ergebnisse hängen weitgehend davon ab, ob die Lehrkräfte für deren Einsatz geschult worden waren.

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.

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. 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. Eine zusammenfassende Analyse von Studien zu automatisiertem Schreibfeedback, die noch vor den heutigen Chatbots durchgeführt wurde, kam zu ähnlichen Ergebnissen. Feedback bewirkte mehr, wenn Schülerinnen und Schüler es auf einen neuen Text anwenden mussten, als wenn sie nur den vorliegenden Text überarbeiteten, und mehr, wenn es über mehrere Sitzungen statt nur einmalig eingesetzt wurde. Und fairerweise muss noch etwas gesagt werden: Verglichen mit gar keinem Feedback hilft KI-Feedback durchaus. In einer Studie eines deutschen Teams mit 459 Schülerinnen und Schülern der Sekundarstufe II verbesserte KI-generiertes Feedback ihre Überarbeitungen und ihre Motivation in moderatem Umfang.

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

Europaweit reichen die in Befragungen ermittelten Anteile der Lehrkräfte, die KI nutzen, von etwa neun von zehn in einer tschechischen Stichprobe bis zu etwa einer von sieben in Frankreich. Die Befragungen unterscheiden sich in Methode und Zeitpunkt: Die tschechische Zahl stammt aus einer kleinen Befragung von 317 Lehrkräften aus dem Jahr 2025 und zählt jede Erfahrung mit KI, während die französische Zahl aus der internationalen Lehrkräftebefragung TALIS 2024 der OECD stammt, in der knapp die Hälfte der tschechischen Lehrkräfte angab, KI im Unterricht zu nutzen.

Frankreich hat eines der größten staatlichen KI-Programme des Kontinents aufgebaut: adaptive Übungssoftware in Mathematik und Französisch, kostenlos für alle Schülerinnen und Schüler im ersten Jahr der Sekundarstufe II. Dennoch nutzen französische Lehrkräfte KI selten, und nur 9 % von ihnen haben überhaupt eine KI-Fortbildung erhalten, verglichen mit 38 % im OECD-Durchschnitt.

Norwegen hat das Navi-Problem – zumindest als Empfehlung – so in seine Politik überführt, wie es eine Taxifahrschule tun würde: Erst mit der Karte lernen, danach kommt das Gerät hinzu. Im Juni 2026 empfahl Norwegen, dass Schülerinnen und Schüler der Jahrgangsstufen 1 bis 7 in der Regel keinen Zugang zu KI erhalten sollten. In den Jahrgangsstufen 8 bis 10 kann KI schrittweise und behutsam eingeführt werden, sobald die Lehrkräfte die Kompetenz haben, dies anzuleiten. In der Sekundarstufe II sollen die Schülerinnen und Schüler lernen, KI zielgerichtet zu nutzen.

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 Gremium von E-Learning-Fachleuten erwarteten 65 von 100, dass generative KI Menschen wichtige Fähigkeiten kosten wird – gegenüber 44 im Jahr zuvor. In der Medizin wurde der Effekt bereits gemessen: Nachdem KI-Unterstützung bei der Darmspiegelung zur Routine geworden war, entdeckten Ärzte, die ohne sie arbeiteten, weniger Krebsvorstufen als zuvor.

Nutzen Sie das Navi. Bewahren Sie sich nur die Fähigkeit, die Karte zu lesen.

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 zwei Studien eines deutschen Teams erhielten 89 Lehramtsanwärter und 200 erfahrene Lehrkräfte eine Mischung aus Schüleraufsätzen und Chatbot-Aufsätzen und sollten diese sortieren. Keine der beiden Gruppen konnte das zuverlässig, aber beide Gruppen waren zuversichtlich, dass sie es könnten. Erfahrung half nur wenig: Auch die erfahrenen Lehrkräfte übersahen die meisten KI-Texte. An einer britischen Universität reichten Forschende von Chatbots erzeugte Antworten über die üblichen Kanäle bei echten, nicht beaufsichtigten Online-Prüfungen ein, ohne die Korrigierenden zu informieren.

„Sie dürfen sie nutzen, aber Sie müssen das Ergebnis in eigenen Worten erklären können.“

Der Detektor, der die Falschen im Stich lässt

Forschende testeten sieben der am weitesten verbreiteten KI-Detektoren an TOEFL-Aufsätzen von Personen, die Englisch als Fremdsprache lernen; die Aufsätze stammten aus einem chinesischen Online-Forum. Daneben legten sie Aufsätze amerikanischer Achtklässler mit Englisch als Muttersprache. Die Arbeiten der Muttersprachler 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. Viele dieser Werkzeuge erkennen nicht die Arbeit von Large Language Models. Die Werkzeuge messen Vorhersehbarkeit. Text, der gängige Wörter in erwarteter Reihenfolge verwendet, wird als künstlich eingestuft. Wer in einer Zweitsprache schreibt, mit kleinerem Wortschatz und starreren Satzstrukturen, kann genau dieses Signal erzeugen. Detektoren, die für einen bestimmten Test trainiert wurden, sowie Studien in anderen Sprachen zeigen allerdings geringere Unterschiede. Bislang gibt es auf dem Markt keine Detektoren, die zuverlässig genug sind, um jemandem eine vorsätzliche Täuschung vorzuwerfen.

Die Fehler des Werkzeugs treffen systematisch die Schülerinnen und Schüler, 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 bei 75.000 eingereichten Arbeiten immer noch rund 750 fälschlich markierte Arbeiten pro Jahr bedeuten würde. Folglich schaltete sie es ab. Ein von Forschenden für das deutsche Bundesbildungsministerium verfasster Leitfaden ist unmissverständlich: Die Technologie sei „nicht zuverlässig genug, um einen rechtssicheren Nachweis zu liefern“. Ein unabhängiger europäischer Test von vierzehn Detektoren kam zum selben Urteil: „weder genau noch zuverlässig“.

Ein Großteil Europas hat diese Debatte hinter sich gelassen. Das französische Bildungsministerium und die französische Datenschutzbehörde raten Schulen davon ab, Detektoren einzusetzen; die niederländische IKT-Agentur Kennisnet hält sie für höchst unzuverlässig. Im Hochschulbereich verbieten einzelne Hochschulen, etwa die ZHAW in Zürich, ihren Einsatz für die Bewertung. In England erlauben die Prüfungsgremien Erkennungssoftware nur als ein Element eines Urteils, das bei der Lehrkraft liegt, die „ihre Schülerinnen und Schüler am besten kennt“. Auch ein Datenschutzaspekt lohnt sich zu merken: Die Arbeit einer Schülerin oder eines Schülers in ein Online-Werkzeug einzufügen, bedeutet, personenbezogene Daten zu verarbeiten. Dafür sind eine Rechtsgrundlage und ein Vertrag mit dem Anbieter erforderlich. → 1.4 Konformer Einsatz von KI

Es scheint, dass die Betrugspanik dünner ist als der Lärm darum. Forschende befragten Schülerinnen und Schüler an drei US-amerikanischen High Schools vor der Einführung von ChatGPT und erneut danach. Das Ausmaß des Betrugs blieb weitgehend gleich. Eine Folgebefragung von mehr als 4.000 Schülerinnen und Schülern an sechs weiteren US-amerikanischen High Schools ein Jahr später kam zum selben Ergebnis.

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?

„Zuerst habe ich das als Betrug gesehen. Heute sehe ich es als Signal, dass sich die Aufgabe selbst ändern muss.“

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

Selbstsichere Erfindung ist eingebaut. Diese Systeme erzeugen plausible Fortsetzungen eines Textes, und plausibel ist nicht dasselbe wie wahr. Übersichtsarbeiten zur Forschung sind sich einig, dass bislang keine Technik das Problem beseitigt hat, auch wenn es sich verringern und teilweise erkennen lässt. Der Grund: 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.

Auch die Schieflagen im Trainingsmaterial sind eingebaut. Zudem schrumpfen sie nicht, wenn sich die Modelle verbessern. 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 erklären konnten, woher die Verzerrung eines Bildgenerators stammt, 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.

„Lassen Sie die Lernenden die Lösung des Chatbots prüfen, als wären sie die Lehrkraft. Gerade durch die Suche nach den Fehlern lernen sie schließlich die Methode.“

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 ein längeres Gespräch möglicherweise nicht. Erste Hinweise aus einer noch nicht begutachteten Studie mit simulierten Schülerinnen und Schülern (Oktober 2026) deuten darauf hin, dass solche Tutoren unter anhaltendem Druck wieder dazu übergehen, Antworten zu liefern. 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 nur eine Voraussetzung für Lernen.

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 einem kleinen Pilotprojekt an US-amerikanischen Schulen beurteilten vier von zehn befragten Lehrkräften das Feedback eines KI-Bewertungswerkzeugs als nicht hilfreich, überwiegend vage oder sogar falsch. Die Forschung zum Automation Bias zeigt, dass Menschen dazu neigen, dem Vorschlag einer Maschine zu folgen, selbst wenn sie Grund haben, daran zu zweifeln. Einen Fehler zu erkennen und ihn zu korrigieren sind zwei verschiedene Schritte.

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. Mit einem KI-Assistenten verschwanden etwa drei Viertel dieser Lücke. Als der Assistent wieder entzogen wurde, kehrte ein beträchtlicher Teil der Lücke 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 mehr als 25.000 Kindern in 17 europäischen Ländern aus dem Jahr 2026 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

Haftungsausschluss: Wir haben dieses Kapitel sorgfältig recherchiert, doch das KI-Recht entwickelt sich schnell. Die Regeln können sich seit der Veröffentlichung geändert haben. Prüfen Sie daher stets die aktuelle Rechtslage und passen Sie die Inhalte bei Bedarf an Ihr nationales Recht an. Dieses Kapitel stellt keine Rechtsberatung dar.

Zentrale Botschaft

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

Was darf ich tun?

Behalten Sie diese vier Schritte im Kopf, bevor Sie etwas eintippen, einfügen oder hochladen. Bitte verstehen Sie die folgende Übersicht als allgemeine Orientierung. Die Anforderungen in Ihrem Land können von den hier genannten abweichen. Prüfen Sie daher stets die Vorschriften, die für Ihr Land und Ihre Schule gelten.

Fig 1_1_4_de.jpgAbb. 1: „...“ (KI-generiertes Bild, ...)

„Wir wissen nicht einmal genau, was wir dürfen – am wenigsten beim Datenschutz.“

Das Lesetagebuch, dritter Blick

Unser Neuntklässler, sein Lesetagebuch, der Verdacht seiner Lehrkraft. In Kapitel 1.2 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 Englischlehrkraft hatte bemerkt, dass das Lesetagebuch in Rechtschreibung, Grammatik und Wortschatz auf einem weit höheren Niveau geschrieben war als die Klassenarbeit des Jungen zum selben Buch. Der Junge räumte später ein, ChatGPT genutzt zu haben, und die Schule bewertete das Lesetagebuch als Täuschungsversuch. Sein Vater beantragte beim Gericht Eilrechtsschutz; das Gericht lehnte ab. Seine Begründung reicht über diesen Fall hinaus: Schülerinnen und Schüler müssen davon ausgehen, dass sie ihre Arbeit vollständig selbstständig anfertigen müssen, sofern ein Hilfsmittel nicht ausdrücklich erlaubt wurde – nicht offengelegte KI-Nutzung gilt daher auch ohne schriftliche Regel gegen KI als Täuschung. (In diesem Fall hatte die Lehrkraft der Klasse tatsächlich mitgeteilt, dass ChatGPT nicht erlaubt war.) Eine Einschränkung vorab: Es handelt sich um ein einzelnes Gericht in einem Eilverfahren, und die Entscheidung ist 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.

Fig 2_1_4_2_de.jpg

Abb. 2: „Regelkonformität ist ein Haus“ (KI-generiertes Bild, ...)

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 und Behinderung unterliegen nach EU-Recht einem noch strengeren Schutz. Sie gehören nicht in ein KI-Werkzeug. Und wo Lehrkräfte private Geräte nutzen, stellen mindestens zwei deutsche Bundesländer (Nordrhein-Westfalen und Bayern) klar, dass die datenschutzrechtliche Verantwortung bei der Schule und ihrer Leitung liegt, die die Nutzung genehmigen muss.

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 mit einer Änderungsverordnung, dem sogenannten Digital Omnibus, 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.

Ab dem 2. Dezember 2026 ist KI verboten, die sexualisierte Deepfakes identifizierbarer Personen erzeugt.

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 sind Schulen gesetzlich verpflichtet, daran zu arbeiten.

Seit dem 2. August 2026 müssen Chatbots den Nutzenden mitteilen, dass sie KI sind, und Anbieter müssen KI-generierte Inhalte maschinenlesbar kennzeichnen; Schulen selbst müssen Deepfakes kennzeichnen sowie KI-generierte Texte, die sie zur Information der Öffentlichkeit veröffentlichen. Ein Arbeitsblatt, das eine Lehrkraft geprüft hat, braucht keine Kennzeichnung. Ab dem 2. Dezember 2027 gelten die Pflichten für Hochrisiko-Systeme – Systeme, die über Zulassungen entscheiden, den Lernstand von Schülerinnen und Schülern bewerten oder sie während Prüfungen überwachen. Wer ein solches System einsetzt, übernimmt dann eigene Pflichten, darunter die Aufsicht Personen zu übertragen, die, in den Worten des AI Acts, über „die erforderliche Kompetenz, Ausbildung und Befugnis“ verfügen.

Türen und Fenster: Urheberrecht und Prüfungen

Wider Erwarten ist das, was herauskommt, der einfachere Teil. Ein Text oder Bild, das eine KI eigenständig erzeugt, hat keinen menschlichen Urheber im Sinne des Urheberrechts und ist daher meist selbst urheberrechtsfrei; wo ein Mensch das Ergebnis durch eigene kreative Entscheidungen gestaltet, kann es geschützt sein. Garantiert unbedenklich ist das aber nicht: In einer viel beachteten Entscheidung 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. Das Urteil ist nicht rechtskräftig.

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. Material, das eigens für den Schulunterricht hergestellt wurde, etwa Schulbücher und Arbeitshefte, ist von der Schranke grundsätzlich ausgenommen, sofern Lizenzen dafür leicht verfügbar sind.

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. Klar ist in der Praxis der enge Fall. Es ist die Linie, die die Bildungsverlage ziehen, und 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 ist derzeit europaweit uneinheitlich. Im Februar 2026 entschied das Verwaltungsgericht Kassel zwei Hochschulfälle auf die gleiche, klare Weise: Obwohl die Hochschule KI nicht ausdrücklich verboten hatte, war die Grenze „bereits bei einer einzigen nicht offengelegten Nutzung generativer KI“ überschritten. Die Urteile sind nicht rechtskräftig. Im selben Monat untersagte ein Pariser Verwaltungsgericht in einem Eilverfahren einer Hochschule, einen Studierenden zu sanktionieren, weil sie vorab keine Regel zur KI-Nutzung festgelegt hatte. Ein schwedisches Berufungsgericht war zuvor zu einem ähnlichen Ergebnis gekommen: Ein Studierender hatte drei erfundene Zitate eingereicht, doch die Kursregeln erlaubten bei Hausarbeiten „alle Hilfsmittel“, sodass keine Regel verletzt worden war. In den Niederlanden bestätigte dagegen das oberste Verwaltungsgericht des Landes im Juli 2025 eine Sanktion gegen einen Jurastudenten, der vier nicht existierende Quellen eingereicht hatte: Der Betrug war zweifelsfrei nachgewiesen, und ob er täuschen wollte, spielte keine Rolle.

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. Die Schule muss die Täuschung nachweisen. Gerichte haben Schlussfolgerungen aus konkreten Tatsachen anerkannt: Quellen, die sich als nicht existent herausstellen, eine deutliche Lücke zwischen dem, was jemand schreibt, und dem, was er mündlich erklären kann, plötzliche Niveausprünge innerhalb desselben Textes, ein Geständnis. Die betroffene Person kann dies dann erläutern. Der Schreibstil allein ist eine schwache Grundlage – führende deutsche Rechtskommentatoren bezweifeln, dass er einen solchen Befund überhaupt tragen kann. Die Ausgabe eines Detektors ist bestenfalls ein Anlass, genauer hinzusehen. Die in Kapitel 1.3 berichtete Fehlerquote macht sie 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 Klausel zu KI sowie einer Pflicht anzugeben, was verwendet wurde. Offenlegung statt Verbot.
  3. Noten bleiben menschlich. Menschen haben das Recht, keinen Entscheidungen mit rechtlicher Wirkung unterworfen zu werden, die allein eine Maschine trifft, und Schulen haben keine Rechtsgrundlage, solche Entscheidungen per Software zu treffen; 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, dass Menschen fehlerhaftem KI-Feedback oft folgen, ist also ebenso ein rechtliches wie ein pädagogisches Problem.

„Jeder experimentiert für sich, deshalb ändern sich die Regeln von einer Stunde zur nächsten.“

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 sich die Einführung von Bundesland zu Bundesland unterscheidet, wird es Zeit brauchen, bis sich zeigt, wie Lehrkräfte mit den Plattformen zurechtkommen.

Was daran wirklich besonders ist, ist enger gefasst, als es zunächst scheint, und lohnt eine genaue Betrachtung. Deutschland ist das einzige System, das wir gefunden haben, in dem eine öffentliche Stelle – das FWU, das den Bundesländern gehört – die Plattform mit technischen Dienstleistern selbst entwickelt und betreibt. Frankreich stellt für einen ganzen Jahrgang adaptive Übungssoftware bereit, hat sie jedoch in Auftrag gegeben: Ein privates Unternehmen schrieb die Software, ein anderes hostet die Daten. Mehrere andere Länder haben Zugang zu kommerziellen Chatbots eingekauft; die meisten übrigen bieten lediglich Orientierungshilfen an.

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 Schülerinnen und Schüler der Sekundarstufe II ausgehandelt hat, nutzte sieben Monate nach Programmbeginn 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 1.2 gesagt wurde? An Schulen mit klaren Regeln nutzten mehr Lehrkräfte KI – und sparten insgesamt mehr Zeit. Regeln haben die Nutzung nicht gebremst.

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.

„Wer mit KI unterrichtet, muss jede ihrer Antworten überprüfen können, denn Fehler passieren. Ohne solides Fachwissen werden Sie sie nicht bemerken.“

1. KI in der Bildung

1.6 Gesetzgebung

Haftungsausschluss: Wir haben dieses Kapitel sorgfältig recherchiert, doch das KI-Recht entwickelt sich schnell. Die Regeln können sich seit der Veröffentlichung geändert haben. Prüfen Sie daher stets die aktuelle Rechtslage und passen Sie die Inhalte bei Bedarf an Ihr nationales Recht an. Dieses Kapitel stellt keine Rechtsberatung dar.

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.

Fig1_1_6_de.jpgAbb. 1: „Die KI-Roadmap“ (KI-generiertes Bild, ...)

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, stellt die DSGVO eine engere Frage – dürfen genau diese Daten über genau diese Person auf diese Weise verarbeitet werden? Wer die eine Regelung erfüllt, hat damit nicht automatisch auch die andere erfüllt.

In der Praxis: Bevor Sie echte Daten von Schülerinnen und Schülern oder Personal in ein KI-Werkzeug eingeben, prüfen Sie, ob Ihre Schule es freigegeben hat, geben Sie nicht mehr personenbezogene Daten preis, als die Aufgabe erfordert, und verwenden Sie bevorzugt anonymisierte oder fiktive Beispiele, wenn Sie ein Werkzeug nur ausprobieren.

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

Haftungsausschluss: Wir haben dieses Kapitel sorgfältig recherchiert, doch das KI-Recht entwickelt sich schnell. Die Regeln können sich seit der Veröffentlichung geändert haben. Prüfen Sie daher stets die aktuelle Rechtslage und passen Sie die Inhalte bei Bedarf an Ihr nationales Recht an. Dieses Kapitel stellt keine Rechtsberatung dar.

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.

Fig1_1_6_de.jpgAbb. 1: „Die KI-Roadmap“ (KI-generiertes Bild, ...)

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, stellt die DSGVO eine engere Frage – dürfen genau diese Daten über genau diese Person auf diese Weise verarbeitet werden? Wer die eine Regelung erfüllt, hat damit nicht automatisch auch die andere erfüllt.

In der Praxis: Bevor Sie echte Daten von Schülerinnen und Schülern oder Personal in ein KI-Werkzeug eingeben, prüfen Sie, ob Ihre Schule es freigegeben hat, geben Sie nicht mehr personenbezogene Daten preis, als die Aufgabe erfordert, und verwenden Sie bevorzugt anonymisierte oder fiktive Beispiele, wenn Sie ein Werkzeug nur ausprobieren.

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. Gute Praxis & Unterrichtsbeispiele

2. Gute Praxis & Unterrichtsbeispiele

2.1 Einführung

Kapitel 1 hat erläutert, wann KI hilft, wo sie schadet und welche Regeln gelten. Dieses Kapitel zeigt, wie sich diese Grundsätze im Unterrichtsalltag umsetzen lassen.

Die Beispiele sind nach Unterrichtsfächern gegliedert, von Biologie, Englisch als Fremdsprache, bis hin zu Geschichte und Mathematik. Im Laufe des Projekts kommen weitere Fächer hinzu. Jedes Beispiel greift eine Situation aus dem Unterrichtsalltag auf und zeigt, wie KI eingesetzt werden kann, was die Lehrkraft tut und welche Herausforderungen und Risiken dabei auftreten können. Die Beispiele wenden drei zentrale Grundsätze aus Kapitel 1 an: KI sollte eigenständige Denk- und Lernprozesse unterstützen, statt sie zu ersetzen; Lehrkräfte sollten über grundlegende KI-Kompetenzen verfügen, bevor sie KI im Unterricht einsetzen; und die Rahmenbedingungen für den KI-Einsatz müssen vor Beginn der Aufgabe geklärt sein.

Der Begriff „gute Praxis“ sollte hier nicht als Nachweis wissenschaftlich belegter Wirksamkeit verstanden werden. Die Praktiken, von denen Lehrkräfte in ganz Europa berichten, sind vielversprechende Ansätze, keine allgemeingültigen oder wissenschaftlich überprüften Handlungsempfehlungen. Betrachten Sie jedes Beispiel als Ausgangspunkt: Probieren Sie es aus, passen Sie es an Ihre Klasse an und prüfen Sie es anhand der Regeln Ihrer Schule. Eine Checkliste fasst die Fragen zusammen, die Sie sich vor dem Einsatz von KI im Unterricht stellen sollten.

Mit dem integrierten Tag-System oben links können Sie nach verschiedenen Fächern suchen und zwischen Unterrichtsbeispielen und Fortbildungsangeboten unterscheiden.

grafik.png

Abb. 1: „Beispiel Tag-System“

2. Gute Praxis & 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: „Räuber-Beute-Dynamik (Lotka-Volterra-Modell)“ (KI-generiertes Bild, ChatGPT GPT Image 2)

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. Gute Praxis & Unterrichtsbeispiele

2.3 Englisch als Fremdsprache

Kommunikative Angemessenheit im Englischen

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: „Kommunikative Angemessenheit im Englischen“ (KI-generiertes Bild, ChatGPT GPT Image 2)

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. Gute Praxis & 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. Gute Praxis & 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: „KI-gestützte Unterrichtsgestaltung“ (KI-generiertes Bild, ChatGPT GPT Image 2)

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. Gute Praxis & 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: „Ein Tag im mittelalterlichen Riga: Was können uns die Quellen wirklich sagen?“ (KI-generiertes Bild, ChatGPT GPT Image 2)

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. Gute Praxis & 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: „Kann KI uns helfen, den Abfall in der Schule zu trennen?“ (KI-generiertes Bild, ChatGPT GPT Image 2)

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. Gute Praxis & 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. 1: „Erste Begegnung mit KI im Mathematikunterricht der Grundschule – Spracherkennung mit der ‚Recheneule‘“ (KI-generiertes Bild, ChatGPT GPT Image 2)

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. Gute Praxis & Unterrichtsbeispiele

2.9 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: „Programmieren lernen, ohne dass die KI den Code schreibt“ (KI-generiertes Bild, Google Gemini 3.6 Thinking)

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.
  1. 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. Gute Praxis & Unterrichtsbeispiele

2.10 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.

2. Gute Praxis & 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.

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 zweidimensionale Kompetenzmatrix aufgebaut, die sechs horizontale und drei vertikale Bereiche miteinander verbindet. Aus den Schnittpunkten dieser 6 × 3-Matrix ergeben sich insgesamt 18 Kernkompetenzen. Die horizontale Achse umfasst sechs zentrale pädagogische Handlungsfelder. Die vertikale Achse bildet drei KI-bezogene Kompetenzbereiche ab und berücksichtigt die technologischen und ethischen Aspekte, die mit dem Einsatz von KI in Bildungskontexten verbunden sind.

Jede der 18 Kernkompetenzen entsteht aus der Verbindung eines pädagogischen Handlungsfelds mit einem KI-bezogenen Kompetenzbereich. So beschreibt jede Kompetenz ein Bildungsziel und berücksichtigt zugleich einen spezifischen Aspekt des Verständnisses oder der Anwendung von KI.

DUAL.AI.TEACHer horizontale Dimension

Die horizontale Dimension des Frameworks orientiert sich am DigCompEdu-Framework, das zentrale pädagogische Handlungsfelder in digitalen Lernumgebungen beschreibt. Diese Handlungsfelder umfassen die grundlegenden pädagogischen Tätigkeiten von Lehrkräften – vom beruflichen Engagement und dem Umgang mit digitalen Ressourcen über die Gestaltung und Durchführung von Lernangeboten und die Leistungsbewertung bis hin zur aktiven Beteiligung der Lernenden und zur Förderung ihrer digitalen Kompetenzen.

Unter Einbeziehung des AI Pioneers Frameworks übernimmt das DUAL.AI.TEACHer-Framework diese Struktur und passt sie für KI-bezogene Kompetenzen an. Dadurch werden KI-bezogene Kompetenzen in etablierten pädagogischen Handlungsfeldern verankert, die im DigCompEdu-Framework als zentrale Bereiche der digitalen Lehrkompetenz beschrieben werden. Die horizontale Dimension gliedert sich in folgende sechs Bereiche:

DUAL.AI.TEACHer vertikale Dimension

Die vertikale Dimension des Frameworks orientiert sich am UNESCO AI Competency Framework for Teachers. Dieses unterscheidet fünf zentrale Aspekte der KI-Kompetenz, die für die Unterrichtspraxis relevant sind: Human-centered mindset (Menschzentrierte Grundhaltung), Ethics of AI (Ethik der KI), AI foundations and applications (KI-Grundlagen und -Anwendungen), AI pedagogy (KI-Pädagogik) und AI for professional development (KI für die berufliche Weiterentwicklung).

Für das DUAL.AI.TEACHer-Framework wurden drei der fünf Aspekte übernommen. AI pedagogy und AI for professional development wurden nicht als eigenständige Bereiche der vertikalen Dimension übernommen, da die horizontale Dimension diese Inhalte – wenn auch in leicht abgewandelter Form – bereits abdeckt. Sie werden damit nicht als weniger wichtig betrachtet. Eine zusätzliche Berücksichtigung dieser Aspekte in der vertikalen Dimension hätte jedoch zu inhaltlichen Überschneidungen geführt. Die Auswahl dient daher dazu, Redundanzen zu vermeiden und die konzeptionelle Konsistenz der gesamten Matrix zu gewährleisten. Das UNESCO-Framework selbst wird dadurch nicht verändert.

Die vertikale Dimension gliedert sich in folgende drei Aspekte:

Von den drei übernommenen Aspekten gelten zwei als übergreifende Dimensionen der KI-Kompetenz: Human-centered mindset und Ethics of AI. Sie beziehen sich nicht auf einen bestimmten Fachbereich, sondern prägen das gesamte Spektrum der Lehrpraxis, der Werte und des beruflichen Handelns im Zusammenhang mit KI. AI foundations and applications gilt dagegen als wissens- und anwendungsbezogene Dimension der KI-Kompetenz, da dieser Aspekt auf Wissen und praktische Fähigkeiten im Umgang mit KI ausgerichtet ist.

3.1-A-competence-matrix.de.jpgAbb. 1: „Die Dimensionen des DUAL.AI.TEACHer Framework“ (KI-generiertes Diagramm, OpenAI Codex)

3. KI-Kompetenzmodell für Lehrkräfte

3.2 Das DUAL.AI.TEACHer-Kompetenzmodell

Aus der Kombination der sechs pädagogischen Handlungsfelder der horizontalen Achse mit den drei KI-bezogenen Kompetenzbereichen der vertikalen Achse ergeben sich 18 Kernkompetenzen. Jede dieser Kompetenzen verbindet pädagogische Anforderungen mit KI-bezogenem Wissen, Fähigkeiten, Werten oder ethischen Überlegungen. Das Kompetenzmodell beschreibt damit, was Lehrkräfte wissen, verstehen und können müssen, um KI verantwortungsvoll und pädagogisch begründet in ihre Unterrichtspraxis zu integrieren.

DUAL.AI

Professional Engagement (PE)

Digital Resources (DR)

Teaching & Learning (TL)

Assessment (A)

Empowering Learners (EL)

Facilitating Learners' (AI) Digital Competence (FC)

Human-centered mindset­ (HM)

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

Lehrkräfte können bei KI-gestützten Prozessen zur Auswahl, Erstellung und Bewertung digitaler Ressourcen menschliche Kontrolle und Aufsicht sowie die Selbst­bestimmung der Lernenden 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 in KI-gestützten Prozessen der Leistungs­bewertung die Verantwortlichkeit menschlicher Entscheidungs­träger und Fairness sicherstellen.

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

Lehrkräfte können im Rahmen der reflektierten Entwicklung der digitalen (KI-)Kompetenz der Schülerinnen und Schüler menschzentrierte Haltungen gegenüber KI vorleben und fördern.

Ethics of AI (EI)

Lehrkräfte können bei ihrer eigenen KI-Nutzung in der beruflichen Praxis und in institutionellen Kontexten ethische Prinzipien anwenden und rechtliche Vorgaben berücksichtigen.

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

Lehrkräfte können bei der Entscheidung, ob und wie KI für Unterrichts­strategien und Lernaktivitäten eingesetzt wird, ethische Aspekte berücksichtigen.

Lehrkräfte können sicherstellen, dass KI-gestützte Verfahren der Leistungs­bewertung den Anforderungen an Fairness, Transparenz und Rechts­konformität entsprechen, und auf dieser Grundlage Rückmeldungen zu ihrer Praxis der Leistungs­bewertung reflektieren und diese verbessern.

Lehrkräfte können die ethischen Dimensionen KI-gestützter Personalisierung berücksichtigen, darunter Risiken wie Benachteiligung, missbräuchliche Datennutzung und Ausgrenzung.

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

AI foundations and applications­ (AF)

Lehrkräfte können grundlegendes KI-Wissen nutzen, um fundierte berufliche Entscheidungen zu treffen, sich kritisch mit KI-Werkzeugen auseinanderzusetzen und die KI-bezogene berufliche Kompetenz­entwicklung in institutionellen Kontexten anzuleiten.

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

Lehrkräfte können auf Grundlage ihres Verständnisses der Funktionsweise von KI-Systemen kritisch reflektierte Entscheidungen über die Integration von KI in Lehren und Lernen treffen und dabei ihre eigene Unterrichts­praxis und ihre didaktischen Ansätze verbessern.

Lehrkräfte können KI-Wissen nutzen, um effiziente und faire KI-gestützte Verfahren der Leistungs­bewertung zu gestalten, umzusetzen, zu evaluieren und systematisch zu verbessern.

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

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

Legende: Horizontale Bereiche: Professional Engagement (PE) – Berufliches Engagement; Digital Resources (DR) – Digitale Ressourcen; Teaching & Learning (TL) – Lehren und Lernen; Assessment (A) – Leistungsbewertung; Empowering Learners (EL) – Lernende stärken; Facilitating Learners' (AI) Digital Competence (FC) – Förderung der digitalen und KI-bezogenen Kompetenzen der Lernenden.
Vertikale Bereiche: Human-centered mindset (HM) – Menschzentrierte Grundhaltung; Ethics of AI (EI) – Ethik der KI; AI foundations and applications (AF) – KI-Grundlagen und -Anwendungen.


3. KI-Kompetenzmodell für Lehrkräfte

3.3 Progressionsstufen und Operatoren

Kompetenzentwicklung nachvollziehbar machen

Die 18 Kernkompetenzen des DUAL.AI.TEACHer-Frameworks sind bewusst allgemein formuliert 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 etablierten Modell 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 wurden jeweils drei spezifische Lernziele (a–c) 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. 

3.4-B-competency-card-EI-TL_de.jpg

Abb. 1: „Orientierung in den Lernzielen“ (KI-generiertes Diagramm, OpenAI Codex)

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

4. Zertifizierung & Micro-Credentials

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

4.2 Micro-Credentials

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. Die Roadmap beschreibt neun Stufen, die die Lehrkräftebildung vom ersten strategischen Gespräch über KI bis zu einer dauerhaften Struktur dafür führen. Sie richtet sich sowohl an die erste Phase der Lehrkräftebildung an Hochschulen als auch an Schulen und die Fort- und Weiterbildung. Dieses Kapitel richtet sich an Leitungen von Lehramtsstudiengängen an Hochschulen, an Verantwortliche für die Fort- und Weiterbildung von Lehrkräften sowie an Schulleitungen.

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. Anschließend können Sie zu den einzelnen Stufen zurück kehren. So werden die meisten Einrichtungen dieses Kapitel 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 zielt auf institutionelle Veränderung statt auf Einzelinitiativen ab und wurde gemeinsam mit Lehrenden der Lehrkräftebildung entwickelt.

Zwei bestehende Modelle dienten dabei als wichtige 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 Handlungskompetenz des Personals, die Weiterentwicklung der Curricula und die Neugestaltung von Lehre und Prüfungen bis hin zur institutionellen Verankerung (Black, 2025). Seine Hauptstärke liegt darin, dass es KI als Treiber institutioneller Transformation behandelt und nicht bloß als Frage der Werkzeugauswahl.

Das zweite Modell 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 erfüllen ihren jeweiligen Zweck: Das eine adressiert Hochschulen als Ganzes, das andere Schulen und Schulbezirke. Einrichtungen der Lehrkräftebildung liegen zwischen beiden Kontexten, und genau hier sahen wir Potenzial, die bestehenden Ansätze weiterzuentwickeln. Diese Einrichtungen verändern ihre eigene Lehre und bereiten zugleich künftige Lehrkräfte auf Kontexte vor, die sie nicht unmittelbar beeinflussen können. Eine ausschließliche Konzentration auf die interne Transformation birgt das Risiko, dass KI-bezogene Lehrinhalte entwickelt werden, ohne Anforderungen & Rahmenbedingungen der schulischen Praxis ausreichend zu berücksichtigen, während 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 übergreifende Achsen der Stufen

Statt die beiden Referenzmodelle Schritt für Schritt zu kombinieren, ist die Roadmap entlang zweier parallele Achsen 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 Neuausrichtung bis zur institutionellen Verankerung und stützt sich auf etablierte Forschung. Die Diffusionstheorie nach Rogers benennt Erprobbarkeit und Beobachtbarkeit als Merkmale, die die Übernahme von Innovationen erleichtern; darauf gründet die Betonung sichtbarer Pilotprojekte 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 ein dauerhaftes Angebot für berufstätige Lehrkräfte sichern. Das Angebot hat eine veröffentlichte Struktur und eine anerkannten Zertifizierungsmöglichkeit.
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 richtet sich in erster Linie an Sie, 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

Von Einzelinitiativen zur gemeinsamen 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 Einrichtungsleitung initiiert und unterstützt den Prozess aktiv, 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 sind in der Lehrkräftebildung zugleich angehende Mitglieder des Lehrberufs.

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

Frühzeitige Orientierung ist entscheidend, 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 vorgelegt, 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 fördert ihre berufliche Kompetenzentwicklung durch Angebote, die längerfristig statt als Einzelveranstaltung angelegt sind, die an Inhalte und Fachdidaktik anknüpfen statt vor allem auf Werkzeuge zu zielen und die durch Zusammenarbeit, Coaching und strukturierte Reflexion in der Praxis verankert sind. 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 Integration von KI 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 Lehrmethoden, Lernaktivitäten und Prüfungsformate aufeinander abgestimmt sind. 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 unter Berücksichtigung der Möglichkeiten und Grenzen von KI so um, dass sie authentisch und multimodal sind und dass sich die Leistungsbewertung darauf richtet, was künftige Lehrkräfte verstehen, begründen, erschaffen und anwenden können, statt auf Produkte, die sich mithilfe einfacher KI-Eingaben generieren lassen. Ebenso wichtig ist die Vorbildwirkung: Angehende Lehrkräfte sollten didaktisch sinnvoll gestalteten Unterricht mit KI 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: längerfristige Auseinandersetzung, ein klarer inhaltlicher Fokus, Gelegenheiten zum Üben sowie Nachbereitung durch Zusammenarbeit, Rückmeldung oder Coaching. Im DUAL.AI.TEACHer-Modell kann diese Arbeit an die in T2.6 entwickelten Zertifizierungspfade angebunden werden, sodass Angebote der Kompetenzentwicklung über die Zeit aufeinander aufbauen können. Stufe 6 schafft zudem eine wechselseitige Verbindung zu den Schulen: Die Einrichtungen tragen zur Kompetenzentwicklung bei, während berufstätige Lehrkräfte Erfahrungen aus der schulischen Praxis in die Lehrkräftebildung einbringen.

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 Studierendengruppen und Fortbildungsteilnehmenden 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 Auswirkungen auf das Studienprogramm gehören. Chancengerechtigkeit wird ausdrücklich berücksichtigt, weil die Integration von KI 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 aus dem Projektkontext 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 unabhängig von den ursprünglich beteiligten Personen fortgeführt werden kann.

Ihre besondere Ausgangslage

Einrichtungen der Lehrkräftebildung erfüllen zwei miteinander verbundene Aufgaben. Sie entwickeln ihre eigene Lehre weiter und bereiten gleichzeitig künftige Lehrkräfte auf schulische Rahmenbedingungen vor, die sie nur begrenzt beeinflussen und nicht vollständig vorhersehen. Hinzu kommt, dass sich die Technologie bis zum Berufseintritt ihrer Absolventinnen und Absolventen bereits verändert haben kann. Beide Aufträge hängen eng zusammen. Wer sich nur auf die interne Transformation konzentriert, riskiert Studienprogramme, die die Anforderungen der schulischen Praxis nicht ausreichend berücksichtigen. 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 schafft wichtige Voraussetzungen für die weiteren Schritte. Ein großer Teil der späteren Arbeit hängt von den Kompetenzen der Lehrenden in der Lehrkräftebildung ab. Sie verfügen über fachwissenschaftliche und fachdidaktische Expertise, weshalb die Integration von KI über den bloßen Einsatz zusätzlicher digitaler Werkzeuge hinausgeht. Fortbildung muss die KI-Nutzung mit fachdidaktischen Lehr-, Lern- und Prüfungsprozessen verbinden, statt sie als allgemeine technische Kompetenz zu behandeln. Aus diesem Grund verdient Stufe 3 besondere Aufmerksamkeit, wenn die Ressourcen begrenzt sind.

Herausforderungen bei der Umsetzung von Stufe 4. Der Grundsatz, dass KI-Kompetenz in die Fachdidaktik eingebettet und nicht nur in einem eigenständigen Modul behandelt werden sollte, ist in der Praxis anspruchsvoller, als es zunächst erscheinen mag. Ein eigenständiges Modul kann vergleichsweise einfach einzelnen Lehrenden zugeordnet werden, während eine verteilte Integration erfordert, dass viele Kolleginnen und Kollegen Teile ihrer eigenen Lehre überdenken. Wenn ein eigenständiges Modul als Übergangslösung dient, sollte es idealerweise mit einem längerfristigen Plan für die Integration im gesamten Studienprogramm verbunden sein.

Das besondere Potenzial von Stufe 5. Stufe 5 hebt eine Besonderheit der Lehrkräftebildung hervor: Ihre Studierenden sind heute selbst Lernende und werden später als Lehrkräfte tätig sein. Wie Sie sie unterrichten, wird damit Teil dessen, was sie über das Unterrichten lernen. Wenn angehende Lehrkräfte den pädagogisch begründeten Einsatz von KI selbst als Lernende erleben, lernen sie konkrete Unterrichtsansätze kennen, die sie später reflektieren und an ihre eigene Praxis anpassen können. Wird KI dagegen ausschließlich theoretisch behandelt, fehlt diese praktische Erfahrung. Deshalb geht Stufe 5 über eine bloße Prüfungsreform hinaus.

Stufe 6 ist Ihre Schnittstelle zu den Schulen. Fort- und Weiterbildungsangebote verbinden Einrichtungen der Lehrkräftebildung mit der schulischen Praxis. Sie erweitern die Reichweite Ihrer Einrichtung über künftige Lehrkräfte hinaus auf diejenigen, die bereits im Schuldienst tätig sind. Zugleich können berufstätige Lehrkräfte durch die Zusammenarbeit Erfahrungen aus der schulischen Praxis in die Lehrkräftebildung einbringen. Fort- und Weiterbildung ist daher nicht nur eine Dienstleistung für Schulen, sondern ermöglicht auch gegenseitigen Austausch und gemeinsame Weiterentwicklung.

Besondere Handlungsmöglichkeiten von Einrichtungen der Lehrkräftebildung

Einrichtungen der Lehrkräftebildung verfügen über spezifische Handlungsmöglichkeiten: Sie können Studienprogramme und Prüfungen weiterentwickeln und Veränderungen wissenschaftlich begleitet evaluieren. Je nach institutionellem Kontext können sie auf Forschungskapazitäten zurückgreifen und schulübergreifende Kooperationen gestalten. Diese Voraussetzungen sind insbesondere für die Erprobung und Evaluation in den Stufen 7 und 8 von Bedeutung: Die dabei gewonnenen Erkenntnisse können nicht nur der eigenen Einrichtung, sondern auch Partnerschulen und dem weiteren System zugutekommen. Diese Erkenntnisse zugänglich zu machen, kann zudem die Verbreitung und Anwendung erfolgreicher Ansätze in anderen Einrichtungen fördern.

Prioritäten bei begrenzten Ressourcen. Nach einer ersten strategischen Orientierung in Stufe 1 sollten insbesondere Stufe 2 und Stufe 3 frühzeitig priorisiert werden. Governance verringert Unsicherheit, während die Kompetenzentwicklung des Personals die Voraussetzungen für sinnvolle Arbeit in den Stufen 4 bis 6 schafft. Mit der Überarbeitung der Curricula zu beginnen, bevor die Mitarbeitenden über die nötigen Kompetenzen zur Umsetzung verfügen, birgt das Risiko, formale Veränderungen vorzunehmen, die in der Praxis nicht ausreichend umgesetzt werden.

6. Ressourcen & Glossar

6. Ressourcen & Glossar

6.1 Ressourcen

Peer-reviewte Fachpublikationen

Ali, R., Tang, O. Y., Connolly, I. D., Abdulrazeq, H. F., Mirza, F. N., Lim, R. K., Johnston, B. R., Groff, M. W., Williamson, T., Svokos, K., Libby, T. J., Shin, J. H., Gokaslan, Z. L., Doberstein, C. E., Zou, J., & Asaad, W. F. (2024). Demographic representation in 3 leading artificial intelligence text-to-image generators. JAMA Surgery, 159(1), 87–95. https://doi.org/10.1001/jamasurg.2023.5695

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.

Autenrieth, D., & Schluchter, J.-R. (2026). Künstliche Intelligenz und inklusive Bildung: Empirische Perspektiven auf Einstellungen und Nutzungsmuster von Lehrkräften [Artificial intelligence and inclusive education: Empirical perspectives on teachers' attitudes and usage patterns]. Medienimpulse, 64(1). https://doi.org/10.21243/mi-01-26-24 

Barnes, M., & Tour, E. (2026). Teachers' use of generative AI: A 'dirty little secret'? Language and Education, 40(1), 24–39. https://doi.org/10.1080/09500782.2025.2485935

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122

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.

Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287

Dier, M. (2025). KI-Kompetenzprofile von Lehrkräften an beruflichen Schulen: Vom Wissen zum didaktischen Handeln [AI competence profiles of vocational school teachers: From knowledge to didactic action]. Journal of Technical Education, 13(2), 66–85. https://doi.org/10.48513/joted.v13i2.328

Dong, Y. (2026). Generative AI technologies and educational outcomes: A comprehensive meta-analysis comparing traditional and AI-driven approaches. Humanities and Social Sciences Communications, 13(1), Article 559. https://doi.org/10.1057/s41599-026-06903-y

Farrokhnia, M., Latifi, S., Papadopoulos, P. M., Hogenkamp, L., Gijlers, H., Khosravi, H., & Noroozi, O. (2026). Generative AI offers more, but students revise less: Comparing the effects of teacher and AI feedback on student essay revisions. International Journal of Educational Technology in Higher Education, 23(1), Article 6. https://doi.org/10.1186/s41239-026-00579-9

Fleckenstein, J., Liebenow, L. W., & Meyer, J. (2023). Automated feedback and writing: A multi-level meta-analysis of effects on students' performance. Frontiers in Artificial Intelligence, 6, Article 1162454. https://doi.org/10.3389/frai.2023.1162454

Jaggy, A.-K., Jansen, T., Fütterer, T., & Trautwein, U. (2026). Almighty ChatGPT? Development of gifted secondary school students' AI (mis)conceptions. Journal of Educational Psychology. Advance online publication. https://doi.org/10.1037/edu0001063

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(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6 

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

Lee, V. R., Pope, D., Miles, S., & Zárate, R. C. (2024). Cheating in the age of generative AI: A high school survey study of cheating behaviors before and after the release of ChatGPT. Computers and Education: Artificial Intelligence, 7, Article 100253. https://doi.org/10.1016/j.caeai.2024.100253

Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), Article 100779. https://doi.org/10.1016/j.patter.2023.100779

Liu, B., Zhang, W., & Wang, F. (2026). Can generative artificial intelligence effectively enhance students' mathematics learning outcomes? A meta-analysis of empirical studies from 2023 to 2025. Education Sciences, 16(1), Article 140. https://doi.org/10.3390/educsci16010140

Maršálek, R., & Teplá, M. (2026). "Is AI inevitable?" Development of attitudes and practices of Czech teachers between 2023 and 2025. Education Sciences, 16(2), Article 335. https://doi.org/10.3390/educsci16020335

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.

Rind, I. A. (2026). Conceptualizing the impact of AI on teacher knowledge and expertise: A cognitive load perspective. Education Sciences, 16(1), Article 57. https://doi.org/10.3390/educsci16010057

Romeo, G., & Conti, D. (2026). Exploring automation bias in human–AI collaboration: A review and implications for explainable AI. AI & Society, 41, 259–278. https://doi.org/10.1007/s00146-025-02422-7

Rowe, J., Klimaszewski, M., Guillou, L., Vallor, S., & Birch, A. (2025). EuroGEST: Investigating gender stereotypes in multilingual language models. In Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (pp. 32074–32096). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.emnlp-main.1632

Scarfe, P., Watcham, K., Clarke, A., & Roesch, E. (2024). A real-world test of artificial intelligence infiltration of a university examinations system: A "Turing Test" case study. PLOS ONE, 19(6), Article e0305354. https://doi.org/10.1371/journal.pone.0305354

Schemmer, M., Kühl, N., Benz, C., Bartos, A., & Satzger, G. (2023). Appropriate reliance on AI advice: Conceptualization and the effect of explanations. In Proceedings of the 28th International Conference on Intelligent User Interfaces (pp. 410–422). Association for Computing Machinery. https://doi.org/10.1145/3581641.3584066

Tian, Z., Liu, A., Esbenshade, L., Sarkar, S., Zhang, Z., He, K., & Sun, M. (2025). Implementation considerations for automated AI grading of student work. In J. Wilson, C. Ormerod, & M. Beiting Parrish (Eds.), Proceedings of the Artificial Intelligence in Measurement and Education Conference (AIME-Con): Full papers (pp. 9–20). National Council on Measurement in Education. https://aclanthology.org/2025.aimecon-main.2/ 

Vartiainen, H., Kahila, J., Tedre, M., López-Pernas, S., & Pope, N. (2025). Enhancing children's understanding of algorithmic biases in and with text-to-image generative AI. New Media & Society, 27(9), 5342–5368. https://doi.org/10.1177/14614448241252820

Wang, J., & Fan, W. (2025). RETRACTED ARTICLE: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 12(1), Article 621. https://doi.org/10.1057/s41599-025-04787-y 

Wang, J., & Fan, W. (2026). Retraction note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 13(1), Article 528. https://doi.org/10.1057/s41599-026-07310-z

Weinmann, H., Messingschlager, T. V., & Appel, M. (2026). Gender bias in text-to-image generative artificial intelligence: Neglect and stereotypical presentations across three popular platforms. New Media & Society. Advance online publication. https://doi.org/10.1177/14614448261435197

Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). ChatGPT's impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13(1), Article 684. https://doi.org/10.1057/s41599-026-07019-z

Yan, D., & Zhang, S. (2024). L2 writer engagement with automated written corrective feedback provided by ChatGPT. Humanities and Social Sciences Communications, 11, Article 1086. https://doi.org/10.1057/s41599-024-03543-y

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. https://doi.org/10.1007/s10648-025-10085-5 

Yi, L., Liu, D., Jiang, T., & Xian, Y. (2025). The effectiveness of AI on K-12 students' mathematics learning: A systematic review and meta-analysis. International Journal of Science and Mathematics Education, 23(4), 1105–1126. https://doi.org/10.1007/s10763-024-10499-7

Yu, H., & Xie, Q. (2025). Generative AI vs. teachers: Feedback quality, feedback uptake, and revision. Language Teaching Research Quarterly, 47, 113–137. https://doi.org/10.32038/ltrq.2025.47.07

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), 215–257. https://doi.org/10.3102/00346543241293424

Preprints, Arbeitspapiere und Forschungsberichte

Campos, C., & Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K-12 schools (NBER Working Paper No. 35347). National Bureau of Economic Research. https://doi.org/10.3386/w35347 

Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., & Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment (NBER Working Paper No. 34851; rev. October 2026). National Bureau of Economic Research. https://doi.org/10.3386/w34851 

Kalai, A. T., Nachum, O., Vempala, S. S., & Zhang, E. (2025). Why language models hallucinate (arXiv:2509.04664v1) [Preprint]. arXiv. https://arxiv.org/abs/2509.04664 

Lehmann, M., Cornelius, P. B., & Sting, F. J. (2025). AI meets the classroom: When do large language models harm learning? (arXiv:2409.09047v2) [Preprint]. arXiv. https://arxiv.org/abs/2409.09047 

Lodge, J. M., & Loble, L. (2026). Artificial intelligence, cognitive offloading and implications for education [Report]. Australian Network for Quality Digital Education; University of Technology Sydney. https://doi.org/10.71741/4pyxmbnjaq.31302475

Maier, S., Gunzenhäuser, M., Schweisthal, J., Schneider, M., & Feuerriegel, S. (2026). A meta-analysis of the effect of generative AI on productivity and learning in programming (arXiv:2605.04779v1) [Preprint]. arXiv. https://arxiv.org/abs/2605.04779 

Shao, J., Wu, Q., Zhang, H., Sun, S., & Zhuang, J. (2026). Mitigating scaffolding collapse in Socratic tutors via representation alignment (arXiv:2607.19371v1) [Preprint]. arXiv. https://arxiv.org/abs/2607.19371

Paris, A., Labetoulle, A., Bezjak, S., Butler, D., Cardoso-Leite, P., Chesné, J.-F., Kirsch, C., Mori, S., Nardi, A., Nencioni, P., Niewint, J., Rossi, F., Storai, F., Toci, V., & Mirazchiyski, P. V. (2023). Comparative European evaluation report (AI4T – Artificial Intelligence for and by Teachers, Deliverable D3.3). Cnesco-Cnam; France Éducation international. https://cnesco.fr/wp-content/uploads/2024/05/AI4T_WP3_D3.3_Comparative-European-Evaluation-Report.pdf 

Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024). ChatGPT in lesson preparation: A Teacher Choices Trial [Evaluation report]. National Foundation for Educational Research; Education Endowment Foundation; The Hg Foundation. https://www.nfer.ac.uk/publications/chatgpt-in-lesson-preparation-a-teacher-choices-trial/

Staksrud, E., Mascheroni, G., Milosevic, T., Ní Bhroin, N., Ólafsson, K., Şengül-İnal, G., & Stoilova, M. (2026). European children's use and understanding of generative AI: EU Kids Online 2026 (EU Kids Online Reports No. 1). London School of Economics and Political Science. https://doi.org/10.21953/researchonline.lse.ac.uk.00137132

Statistiken und Berichte von Organisationen

Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084

OECD. (2025). Results from TALIS 2024: The state of teaching. OECD Publishing. https://doi.org/10.1787/90df6235-en

OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en

UNESCO. (2023). Global education monitoring report 2023: Technology in education – A tool on whose terms? https://doi.org/10.54676/UZQV8501

Umfragen und Berichte von Stiftungen, NGOs ...

Bellio, N., & Kayser-Bril, N. (2024, March 4). Wie Bildgeneratoren die Welt zeigen: Stereotypen statt Vielfalt [How image generators show the world: Stereotypes instead of diversity]. AlgorithmWatch. https://algorithmwatch.org/de/bildgeneratoren-stereotypen/

Human Rights Watch. (2022, May 25). "How dare they peep into my private life?": Children's rights violations by governments that endorsed online learning during the Covid-19 pandemic. https://www.hrw.org/report/2022/05/25/how-dare-they-peep-my-private-life/childrens-rights-violations-governments

Latham, K., & Montacute, R. (2025, July). Artificial advantage? AI in the classroom and the inequality gap. The Sutton Trust. https://www.suttontrust.com/wp-content/uploads/2025/07/Artificial-advantage.pdf

Medienpädagogischer Forschungsverbund Südwest. (2024). JIM-Studie 2024. Jugend, Information, Medien: Basisuntersuchung zum Medienumgang 12- bis 19-Jähriger [JIM study 2024: Youth, information, media]. https://mpfs.de/studie/jim-studie-2024/

Michel, L. P., & Goertz, L. (2025). mmb-Trendmonitor 2024/2025. Weiterbildung und digitales Lernen heute und in drei Jahren [mmb trend monitor 2024/2025: Continuing education and digital learning today and in three years] (Results of the 19th mmb Learning Delphi). mmb Institut. https://www.mmb-institut.de/wp-content/uploads/mmb-Trendmonitor_2024-2025.pdf

Robert Bosch Stiftung. (2026). Deutsches Schulbarometer 2026: Befragung Lehrkräfte [German School Barometer 2026: Teacher survey] (Survey conducted by forsa). https://www.bosch-stiftung.de/sites/default/files/documents/2026-06/RBSG_Deutsches_Schulbarometer_Lehrkr%C3%A4fte_2026.pdf

Trucano, M. (2023, July 10). AI and the next digital divide in education. Brookings Institution. https://www.brookings.edu/articles/ai-and-the-next-digital-divide-in-education/

Vodafone Stiftung Deutschland. (2024, March). Pioniere des Wandels: Wie Schüler:innen KI im Unterricht nutzen möchten [Pioneers of change: How students want to use AI in the classroom] (Survey conducted by infratest dimap). https://www.vodafone-stiftung.de/pioniere-des-wandels/

Walton Family Foundation, & Gallup. (2025, June). Teaching for tomorrow: Unlocking six weeks a year with AI. https://news.gallup.com/poll/691967/three-teachers-weekly-saving-six-weeks-year.aspx

Institutionelle Dokumente

Børne- og Undervisningsministeriet, Styrelsen for Undervisning og Kvalitet. (2025, August 22). Forsøg med prøverne i engelsk A (stx) [Trial of the English A examinations (stx)] (Case 25/23313). https://www.uvm.dk/-/media/filer/uvm/udd/gym/pdf25/aug/250822-forsoeg-med-proeverne-i-engelsk-a--stx-.pdf 

Commission nationale de l'informatique et des libertés. (2025, June 20). Enseignant : comment utiliser un système d'IA dans le respect du RGPD ? [Teachers: How to use an AI system in compliance with the GDPR]. https://www.cnil.fr/fr/enseignant-usage-systeme-ia 

Department of Education Northern Ireland. (2026, May 6). Givan announces roll-out of AI tools and training for Northern Ireland teachers [Press release]. https://www.education-ni.gov.uk/news/givan-announces-roll-out-ai-tools-and-training-northern-ireland-teachers 

Der Hamburgische Beauftragte für Datenschutz und Informationsfreiheit. (2023, November 13). Checkliste zum Einsatz LLM-basierter Chatbots [Checklist for the use of LLM-based chatbots]. https://datenschutz-hamburg.de/fileadmin/user_upload/HmbBfDI/Datenschutz/Informationen/20231113_Checkliste_LLM_Chatbots_DE.pdf 

European Commission. (2026, September 7). Market surveillance authorities under the AI Act. https://digital-strategy.ec.europa.eu/en/policies/market-surveillance-authorities-under-ai-act 

FWU Institut für Film und Bild in Wissenschaft und Unterricht. (n.d.). AIS.chat (vormals telli). Retrieved October 16, 2026, from https://fwu.de/ais-chat/ 

Haridus- ja Teadusministeerium. (2026, March 8). Europe's top PISA performer showcases AI Leap programme as global summit opens in Tallinn [Press release]. https://www.hm.ee/en/news/europes-top-pisa-performer-showcases-ai-leap-programme-global-summit-opens-tallinn 

Joint Council for Qualifications. (2025). AI use in assessments: Protecting the integrity of qualifications (Effective from 30 April 2025). https://www.jcq.org.uk/exams-office/malpractice/artificial-intelligence/

Kennisnet. (2026, January 15). Toetsing en generatieve AI in het voortgezet onderwijs [Assessment and generative AI in secondary education] (updated April 28, 2026). https://www.kennisnet.nl/ 

Konferenz der unabhängigen Datenschutzaufsichtsbehörden des Bundes und der Länder. (2024, May 6). Orientierungshilfe: Künstliche Intelligenz und Datenschutz [Guidance: Artificial intelligence and data protection] (Version 1.0). https://www.datenschutzkonferenz-online.de/media/oh/20240506_DSK_Orientierungshilfe_KI_und_Datenschutz.pdf 

Kultusministerkonferenz. (2024, October 10). Handlungsempfehlung für die Bildungsverwaltung zum Umgang mit Künstlicher Intelligenz in schulischen Bildungsprozessen [Recommendation for education administrations on artificial intelligence in school education] (Resolution of the Bildungsministerkonferenz; rev. ed. March 2025). https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf

Ministère de l'Éducation nationale. (2025, June 13). Cadre d'usage de l'IA en éducation [Framework for the use of AI in education]. https://www.education.gouv.fr/cadre-d-usage-de-l-ia-en-education-450647 

Ministère de l'Éducation nationale. (2026, February). M.I.A. Seconde, une approche personnalisée de la remédiation en français et en mathématiques [M.I.A. Seconde: A personalised approach to remediation in French and mathematics]. Éduscol. https://eduscol.education.gouv.fr/6693/mia-seconde-une-approche-personnalisee-de-la-remediation-en-francais-et-en-mathematiques 

Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, January 15). 20-tisíc licencií ChatGPT Edu podporí rozvoj digitálnych zručností budúcich učiteľov [20,000 ChatGPT Edu licences will support future teachers' digital skills] [Press release]. https://www.minedu.sk/20-tisic-licencii-chatgpt-edu-podpori-rozvoj-digitalnych-zrucnosti-buducich-ucitelov/ 

Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, May 12). Ministerstvo chce do konca roka sprístupniť AI nástroje pre všetkých učiteľov na Slovensku [The ministry wants to make AI tools available to all teachers in Slovakia by the end of the year] [Press release]. https://www.minedu.sk/ministerstvo-chce-do-konca-roka-spristupnit-ai-nastroje-pre-vsetkych-ucitelov-na-slovensku/ 

Ministerium für Schule und Bildung des Landes Nordrhein-Westfalen. (n.d.). Dienstanweisung für die automatisierte Verarbeitung von personenbezogenen Daten in der Schule (BASS 10-41 Nr. 4). Retrieved October 16, 2026, from https://bass.schule.nrw/17585.htm 

Bayerisches Staatsministerium für Unterricht und Kultus. (n.d.). Private Endgeräte im Dienstgebrauch [Private devices for official use]. Retrieved October 16, 2026, from https://www.km.bayern.de/gestalten/digitalisierung/datensicherheit/private-endgeraete-im-dienstgebrauch 

Office of Qualifications and Examinations Regulation. (2026, March). SLT briefing pack: AI and coursework integrity (Version 2.5). https://www.gov.uk/government/organisations/ofqual 

Scheiter, K., Bauer, E., Omarchevska, Y., Schumacher, C., & Sailer, M. (2025). Künstliche Intelligenz in der Schule: Eine Handreichung zum Stand in Wissenschaft und Praxis [Artificial intelligence in schools: A guide to the state of research and practice]. Bundesministerium für Bildung, Familie, Senioren, Frauen und Jugend. https://www.empirische-bildungsforschung-bmbfsfj.de/img/KI_Review.pdf 

Statsministerens kontor, & Kunnskapsdepartementet. (2026, June 19). Ny nasjonal anbefaling: Kunstig intelligens skal i all hovedsak ikke brukes i barneskolen [New national recommendation: AI should as a rule not be used in primary school] [Press release]. https://www.regjeringen.no/no/aktuelt/kunstig-intelligens-skal-i-all-hovedsak-ikke-brukes-i-barneskolen/id3166807/ 

SURF. (2026, May 27). Privacy risks Microsoft 365 Copilot remain 'orange' despite improvements. https://www.surf.nl/en/news/privacy-risks-microsoft-365-copilot-remain-orange-despite-improvements 

Transport for London. (2022, March). The Knowledge of London: An introduction to learning the Knowledge of London and the examination process. https://foi.tfl.gov.uk/FOI-0355-2425/Introduction%20to%20Knowledge%20Booklet%20(March%202022).pdf 

Vanderbilt University, Brightspace Support. (2023, August 16). Guidance on AI detection and why we're disabling Turnitin's AI detector. https://www.vanderbilt.edu/brightspace/2023/08/16/guidance-on-ai-detection-and-why-were-disabling-turnitins-ai-detector/ 

Verband Bildungsmedien. (n.d.). Urheberrecht und KI [Copyright and AI]. Schulbuchkopie.de. Retrieved October 16, 2026, from https://www.schulbuchkopie.de/index.php/urheberrecht-und-ki 

ZHAW Zürcher Hochschule für Angewandte Wissenschaften. (2026). Verwendung generativer KI-Systeme bei Leistungsnachweisen [Use of generative AI systems in assessments] (Richtlinie Z-RL, Version 4.0.0). https://gpmpublic.zhaw.ch/GPMDocProdDPublic/Vorgabedokumente_ZHAW/Z_RL_Richtlinie_KI_bei_Leistungsnachweisen.pdf 

Pressequellen

AI Leap Foundation. (n.d.). AI Leap (TI-Hüpe). Retrieved October 16, 2026, from https://tihupe.ee/en 

Depue, W. (2023, November 6). What's new with DALL·E 3? OpenAI Cookbook. https://developers.openai.com/cookbook/articles/what_is_new_with_dalle_3 

EvidenceB. (2022, November 30). EvidenceB et Docaposte remportent le marché public pour offrir un service de remédiation en français et en mathématiques pour tous les nouveaux lycéens de France [Press release]. https://evidenceb.fr/evidenceb-et-docaposte-remportent-le-marche-public/ 

OpenAI. (2022, July 18). Reducing bias and improving safety in DALL·E 2. https://openai.com/index/reducing-bias-and-improving-safety-in-dall-e-2 

Raghavan, P. (2024, February 23). Gemini image generation got it wrong. We'll do better. The Keyword (Google). https://blog.google/products/gemini/gemini-image-generation-issue/

Gesetzgebung

Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation), OJ L 119, 4.5.2016, p. 1. https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng

Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), OJ L, 2024/1689, 12.7.2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng — consolidated version of 27 July 2026: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A02024R1689-20260727 

Regulation (EU) 2026/1744 of the European Parliament and of the Council of 8 July 2026 amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence (Digital Omnibus on AI), OJ L, 2026/1744, 24.7.2026 (in force 27 July 2026; corrigendum 29 September 2026). https://eur-lex.europa.eu/eli/reg/2026/1744/oj/eng 

Gesetz über Urheberrecht und verwandte Schutzrechte (Urheberrechtsgesetz – UrhG) [German Copyright Act], §§ 2, 16, 44a, 44b, 60a, 97. https://www.gesetze-im-internet.de/urhg/ 

Schulgesetz für Baden-Württemberg (SchG), § 115b. https://www.landesrecht-bw.de/ 

Bayerisches Hochschulinnovationsgesetz (BayHIG), as amended by the Act of 8 May 2026 (GVBl. p. 208). https://www.gesetze-bayern.de/ 

Gerichtsentscheidungen

Verwaltungsgericht Hamburg, Beschluss vom 15. Dezember 2025, 2 E 8786/25 (interim relief, § 123 VwGO; not final). https://justiz.hamburg.de/resource/blob/1128534/4a02d061e1d2a47e4ff1449241831117/2-e-8786-25-beschluss-vom-15-12-25-data.pdf 

Verwaltungsgericht Kassel, Urteile vom 25. Februar 2026, 7 K 2134/24.KS und 7 K 2515/25.KS (appeal admitted; not final). Press release No. 1/2026 of 26 February 2026. https://verwaltungsgerichtsbarkeit.hessen.de/presse/unzulaessige-nutzung-kuenstlicher-intelligenz-bei-studentischen-pruefungsleistungen 

Landgericht München I, Urteil vom 11. November 2025, 42 O 14139/24 (GEMA v. OpenAI; appeal pending before the OLG München). 

Raad van State (Afdeling bestuursrechtspraak), uitspraak van 30 juli 2025, 202501708/1/A2, ECLI:NL:RVS:2025:3585. https://uitspraken.rechtspraak.nl/details?id=ECLI:NL:RVS:2025:3585 

Tribunal administratif de Paris, ordonnance du 12 février 2026, n° 2600972 (référé). 

Kammarrätten i Göteborg, dom den 14 juli 2023, mål nr 4285-23. Reported in Processrätt (2023, November 4), https://processratt.se/kammarratten-i-goteborg-upphaver-disciplinnamndens-beslut-om-fusk-med-ai-verktyg/

6. Ressourcen & Glossar

6.2 Glossar und Schlüsselbegriffe

Begriff

Synonyme

Definition

A

Adaptive Lernplattform

(Adaptive learning platform)

Eine Plattform, die Inhalte, Tempo oder Lernweg an die einzelnen Lernenden anpasst.

Adaptive Übungssoftware

(Adaptive practice software)

Bereits an Schulen eingesetzte Übungssoftware, die Aufgaben an die Antworten der Lernenden anpasst. Generative KI-Chatbots zeigten größere Effekte auf Wissen und Verständnis.

AI Pioneers

 

Framework, das DigCompEdu um KI-spezifische Kompetenzen für Lehrende erweitert.

Algorithmische Transparenz

(Algorithmic transparency)

Das Maß, in dem nachvollziehbar ist, wie ein KI-System zu seinen Ausgaben gelangt und wer entschieden hat, wie es sich verhält.

Anbieter

KI-Anbieter (Provider, AI provider)

Das Unternehmen, das ein KI-System entwickelt und anbietet. Es ist in der Regel dafür verantwortlich, die Nutzenden darüber zu informieren, dass sie mit KI interagieren; verarbeitet es Daten für eine Schule, handelt es nach der DSGVO als Auftragsverarbeiter.

Angemessenheitsbeschluss

(Adequacy decision)

Ein Beschluss der EU, dass ein Land außerhalb der EU personenbezogene Daten angemessen schützt, sodass Daten dorthin übermittelt werden dürfen.

Anonymisierung

(Anonymisation)

Daten so verändern, dass eine Person nicht mehr identifiziert werden kann, auch nicht aus dem Kontext. Namen zu löschen ist keine Anonymisierung – insbesondere nicht bei Aufsätzen und Lerntagebüchern, deren Verfasser am Stil erkennbar sind.

Anwendungsfall

(Use Case)

Ein konkretes Szenario, das beschreibt, wie KI in der Unterrichtspraxis eingesetzt wird.

Auftragsverarbeiter

(Processor, data processor)

Nach der DSGVO eine Stelle, die personenbezogene Daten im Auftrag des Verantwortlichen und streng nach dessen Weisung verarbeitet, z. B. ein KI-Anbieter.

Auftragsverarbeitungsvertrag

AVV (Data processing agreement, DPA)

Der schriftliche Vertrag zwischen Schule und Anbieter, der festlegt, wie der Anbieter mit personenbezogenen Daten umgehen darf (Art. 28 DSGVO). Der Praxistest: Schließt er das Training mit Ihren Eingaben aus?

Automation Bias

Übervertrauen (Over-trust)

Einen Vorschlag der Maschine übernehmen, ohne ihn eigenständig zu prüfen.

Automatisierte Bewertung

Automatisierte Auswertung (Automated grading, automated scoring, automated assessment)

Software einsetzen, um Arbeiten auszuwerten oder zu benoten. In der Zertifizierungsprüfung betrifft dies Fragen mit vorgegebenen Antwortmöglichkeiten.

Automatisierte Entscheidung

(Automated decision-making)

Eine ausschließlich auf automatisierter Verarbeitung beruhende Entscheidung, die eine Person erheblich beeinträchtigt. Eine Note ist eine solche Entscheidung; das bloß formale Durchwinken eines KI-Vorschlags gilt nicht als menschliche Entscheidung.

B

Beschaffung

Kaufentscheidung (Procurement)

Der Prozess, in dem eine Schule oder Behörde KI-Werkzeuge auswählt und erwirbt. Hier werden verlässliche Grenzen und vertragliche Absicherungen festgelegt – deshalb liegt die Verantwortung bei der Beschaffung, nicht bei der einzelnen Lehrkraft.

Besondere Kategorien personenbezogener Daten

(Special category data)

Personenbezogene Daten, die besonderen Schutz benötigen, etwa Gesundheitsdaten, Angaben zu Behinderungen, biometrische Daten oder Daten, aus denen die ethnische Herkunft oder Religion hervorgeht (Art. 9 DSGVO). Ohne eine konkrete Ausnahme grundsätzlich tabu.

Betreiber

(Deployer)

Die Organisation, die ein KI-System einführt und kontrolliert, in der Regel die Schule oder der Schulträger. Eine Lehrkraft, die das Werkzeug nach Weisung der Schule nutzt, ist normalerweise kein eigenständiger Betreiber.

Bewertungsaktivität

(Assessment Activity)

Eine Aktivität, mit der überprüft wird, ob Lernergebnisse erreicht wurden.

Bewertungskriterium

(Assessment Criterion)

Eine Regel oder ein Maßstab, anhand dessen beurteilt wird, ob ein Lernergebnis erreicht wurde.

Bias

 

Verzerrungen, die aus dem Material stammen, mit dem ein System trainiert wurde, und die sich nicht zuverlässig verringern, wenn man das System größer macht.

Bildklassifikation

Bildklassifikator (Image classification)

Eine KI-Aufgabe, bei der ein Modell nach dem Training mit Beispielen Bilder in Kategorien einordnet (z. B. Papier, Plastik, Sonstiges) und anschließend mit neuen Gegenständen getestet wird.

Biometrische Daten

(Biometric data)

Daten über körperliche Merkmale wie Gesicht oder Stimme. Sie gehören nach der DSGVO zu den besonderen Kategorien personenbezogener Daten, und mehrere darauf beruhende KI-Anwendungen sind an Schulen verboten.

Biometrische Kategorisierung

(Biometric categorisation)

Biometrische Daten nutzen, um Menschen einzuordnen und daraus geschützte Merkmale wie ethnische Herkunft, politische Meinungen, Religion oder sexuelle Orientierung abzuleiten. Nach dem AI Act verboten.

C

Code-Review

KI-gestütztes Code-Review

Die Schüler schreiben zuerst ihren eigenen Code und bitten dann die KI um Verbesserungsvorschläge, statt sie die Lösung schreiben zu lassen. Die Vorschläge müssen kritisch geprüft werden.

Codegenerierung

(Code generation)

KI Programmcode schreiben lassen. Anfänger sollten darauf verzichten, weil sie noch nicht beurteilen können, ob der Code korrekt ist.

Computational Thinking

Algorithmisches Denken

Probleme so angehen, dass ein Computer die Lösung ausführen könnte, etwa indem man sie in Schritte zerlegt und Muster erkennt.

Content Unit

Inhaltseinheit

Die kleinste wiederverwendbare Lernkomponente innerhalb von Unterrichtsplanungen und Modulen.

Cyborg Writing

(Cyborg writing)

Schreiben, bei dem KI das Denken der schreibenden Person erweitert statt ersetzt; die Schüler kennzeichnen dabei, welche Teile von ihnen selbst stammen.

D

Datenhosting

(Data hosting)

Wo Daten gespeichert und verarbeitet werden, z. B. auf europäischen Servern oder außerhalb der EU. Verlassen Daten die EU, ist eine Absicherung erforderlich.

Datenschutz

(Data protection)

Der rechtliche Schutz personenbezogener Daten. Das tragende Fundament des KI-Rechts, das von Anfang an galt; in der EU vor allem die DSGVO.

Deepfake

 

KI-generierte oder manipulierte Bild-, Audio- oder Videoinhalte, die echt wirken. Muss beim Einsatz im Unterricht offengelegt werden (Art. 50 Abs. 4 AI Act).

Deskilling

Kompetenzverlust

Die schleichende Erosion fachlicher Expertise, wenn ein Werkzeug die Arbeit übernimmt, durch die diese Expertise aufrechterhalten wird.

Deterministisch

(Deterministic)

Aus denselben Ausgangswerten stets genau dasselbe Ergebnis erzeugend.

Diagnosedaten

Telemetrie (Diagnostic data)

Technische Daten, die ein Anbieter über die Nutzung seines Dienstes erhebt. Wie lange sie gespeichert werden, ist eine Frage des Datenschutzes.

Diffusion von Innovationen

(Diffusion of innovations)

Theorie darüber, wie sich Innovationen verbreiten: Sie werden eher übernommen, wenn man sie ausprobieren (Erprobbarkeit, trialability) und ihre Wirkung beobachten kann (Beobachtbarkeit, observability).

DigCompEdu

 

Der Europäische Rahmen für die Digitale Kompetenz von Lehrenden. Er liefert die pädagogische Struktur (horizontale Dimension) des DUAL.AI.TEACHer Frameworks.

Digital Badge

Offener digitaler Badge (Open digital badge)

Die teilbare digitale Form eines Zertifikats oder Micro-Credentials.

Digital Hub

 

Eine zentrale Online-Plattform, die Ressourcen, Kurse und den Austausch in der Community eines Projekts bündelt.

Digitale Souveränität

(Digital sovereignty)

Kontrolle über die eigenen Daten, die eigene Infrastruktur und die eigenen Technologieentscheidungen. Eine selbst aufgebaute Plattform verschafft nicht automatisch mehr Kontrolle; das Playbook rät daher, den Begriff mit Bedacht zu verwenden.

Dimension

 

Einer der breiten Bereiche, in die das Framework unterteilt ist; jeder Bereich fasst Kompetenzen zusammen, die in der Praxis zusammengehören.

Dritte

Drittanbieter (Third party)

Ein Unternehmen, das weder die Schule noch der Entwickler der App ist, typischerweise Werbe- oder Analyseunternehmen, die Daten erhalten, während der Schüler mit der App arbeitet.

DSGVO

Datenschutz-Grundverordnung, Verordnung (EU) 2016/679 (General Data Protection Regulation, GDPR)

Das Datenschutzrecht der EU. Während der AI Act fragt, ob und wie ein KI-System eingesetzt werden darf, fragt die DSGVO, ob bestimmte Daten über eine bestimmte Person auf eine bestimmte Weise verarbeitet werden dürfen.

E

Emotionserkennung

(Emotion recognition)

KI, die vorgibt, aus biometrischen Daten auf Gefühle oder Absichten zu schließen, z. B. Aufmerksamkeitserkennung, Stimmungsanalysen oder „Engagement“-Bewertungen per Webcam. An Schulen seit dem 2. Februar 2025 verboten, mit engen Ausnahmen für medizinische oder Sicherheitszwecke.

EntreComp

 

Europäischer Referenzrahmen für unternehmerische Kompetenz. Hat Kreativität und Innovation zum Framework beigetragen.

Erfundene Quellenangabe

Erfundene Quelle (Fabricated citation)

Ein von KI erzeugter Verweis auf eine Quelle, die nicht existiert. Solche Quellen zu erkennen ist eine zentrale Prüfkompetenz und eines der typischen Anzeichen für nicht offengelegte KI-Nutzung.

Erklärbarkeit

KI-Erklärung (Explainability)

Ein KI-System zeigt, wie es zu seiner Ausgabe gelangt ist. Erklärungen verhindern Übervertrauen nicht zuverlässig; zu technische oder zu stark vereinfachte Erklärungen können unangebrachtes Vertrauen sogar verstärken.

ESCO

 

Europäische Klassifikation für Fertigkeiten, Kompetenzen, Qualifikationen und Berufe. Die Zertifizierung ist darauf abgestimmt.

Ethik der KI

(Ethics of AI)

Ethische Prinzipien, Vorschriften, institutionelle Richtlinien und praktische Leitlinien für den KI-Einsatz, die Lehrkräfte verstehen und anwenden müssen. Ein übergreifender Aspekt der vertikalen Dimension.

Ethische Dimension

(Ethical Dimension)

Eine Dimension, die ethische Fragen im Zusammenhang mit dem Einsatz von KI in Lehren und Lernen behandelt.

EU AI Act

AI Act, KI-Verordnung, Verordnung (EU) 2024/1689

Das einheitliche, risikobasierte Regelwerk der EU für KI. Es stuft KI-Systeme nach ihrem Risiko ein – von verbotenen Praktiken über Hochrisiko-Anwendungen bis zu Alltagswerkzeugen ohne besondere Regeln – und gilt für öffentliche und private Organisationen, auch für Schulen. In Kraft seit dem 1. August 2024, schrittweise anwendbar bis 2027.

EU-Datenbank

(EU database)

Das EU-Register, in dem Behörden die von ihnen eingesetzten Hochrisiko-KI-Systeme gegebenenfalls erfassen müssen (Art. 49 AI Act).

Europäischer Qualifikationsrahmen

EQR (European Qualifications Framework, EQF)

Referenzrahmen der EU, der Qualifikationen zwischen Ländern vergleichbar macht. Die Zertifizierung ist darauf abgestimmt.

Europäischer Rahmen

(European Framework)

Ein Referenzrahmen, der standardisierte Kompetenzdefinitionen auf europäischer Ebene bereitstellt.

Europass

 

EU-Plattform, über die digitale Zertifikate geteilt und ihre Gültigkeit von dritten Einrichtungen geprüft werden können.

F

Fairness

Nichtdiskriminierung

Der Grundsatz, dass KI und ihr Einsatz Menschen nicht systematisch benachteiligen dürfen – etwa wenn KI-Detektoren Texte von Nicht-Muttersprachlern fälschlich markieren.

Faktenwissen

(Factual knowledge)

Wissen über Fakten und Begriffe. KI-Tutoren können seinen Erwerb unterstützen.

Falsch-Positiv

(False Positive)

Eine korrekte, ehrliche Arbeit, die fälschlich markiert wird. Der Fehler, der Schülern schadet.

Feedback-Aufnahme

Aufnahme (Feedback uptake)

Ob Feedback gelesen, verstanden, umgesetzt und so gut verstanden wird, dass die Lernenden es beim nächsten Mal ohne Hilfe richtig machen könnten. Der Engpass ist die Aufnahme, nicht die Qualität.

Fort- und Weiterbildung

Lehrkräftefortbildung (Continuing professional development, CPD, in-service training)

Berufliches Lernen für Lehrkräfte, die bereits an Schulen tätig sind. Stufe 6 der Roadmap macht daraus ein strukturiertes Angebot mit kombinierbaren Micro-Credentials.

Fortbildungsmodul

(Training Module)

Eine strukturierte Fortbildungseinheit, die Kompetenzen durch Lernaktivitäten und Materialien entwickelt.

G

Gamification

 

Spielelemente im Unterricht nutzen. Der Einsatz von KI für Gamification erbrachte einen Zugewinn, der zu gering ist, um als nachgewiesen zu gelten.

Generative KI

GenAI (Generative AI)

KI, die auf einen Prompt hin neue Texte, Bilder oder andere Inhalte erzeugt.

Gesichtserkennung

(Facial recognition)

KI, die Personen anhand ihres Gesichts identifiziert, z. B. zur Anwesenheitskontrolle oder Prüfungsüberwachung. Der Aufbau oder die Erweiterung von Gesichtserkennungsdatenbanken durch ungezieltes Auslesen von Bildern (Scraping) ist verboten.

Grundrechte-Folgenabschätzung

(Fundamental rights impact assessment, FRIA)

Eine Abschätzung, die öffentliche Stellen und Organisationen, die öffentliche Dienstleistungen erbringen, vor dem Einsatz von Hochrisiko-KI gegebenenfalls durchführen müssen (Art. 27 AI Act).

H

Halluzination

(Hallucination)

Flüssig, überzeugend, falsch. Kein Fehler, der auf ein Update wartet, sondern eine Folge der Art, wie diese Systeme Text erzeugen.

Hochrisiko-KI-System

Hochrisiko-KI (High-risk AI system)

Ein KI-System, das aufgrund seiner Zweckbestimmung strengen Pflichten unterliegt. Im Bildungsbereich: Entscheidungen über die Zulassung, die Bewertung von Lernergebnissen oder die Steuerung von Lernprozessen, die Beurteilung des Zugangs zu Bildungsstufen sowie die Erkennung verbotenen Verhaltens in Prüfungen; beim Personal: Einstellung, Beförderung, Aufgabenzuweisung und Leistungsbeurteilung. Die Pflichten gelten ab dem 2. Dezember 2027.

Hochschulpersonal

(University Faculty)

An der Lehrkräftebildung beteiligtes Personal von Hochschulen, eine der Zielgruppen des Playbooks.

Horizontale Dimension

Pädagogische Dimension (Horizontal dimension)

Die sechs Bereiche der Unterrichtspraxis im DUAL.AI.TEACHer Framework, übernommen aus DigCompEdu: Berufliches Engagement, Digitale Ressourcen, Lehren & Lernen, Bewertung, Lernende stärken sowie Förderung der (KI-)Digitalkompetenz der Lernenden.

I

ICEP

Institute of European Certification of Personnel

Akkreditierte Zertifizierungsstelle (ISO 17024), die die Zertifizierungsplattform und die Prüfung betreibt und die Zertifizierungsunterlagen führt.

Inhaltsfilter

(Content filter)

Ein automatischer Mechanismus, der Inhalte blockiert oder verändert, die ein Anbieter für ungeeignet hält. Seine Kriterien werden oft nicht offengelegt.

Inklusionsdimension

(Inclusion Dimension)

Eine Dimension, die Barrierefreiheit, Chancengerechtigkeit und Inklusion beim KI-gestützten Lehren und Lernen in den Mittelpunkt stellt.

Integrations-Roadmap

(Integration Roadmap)

Der schrittweise Weg, den eine Lehrkraft oder eine Einrichtung vom ersten Kontakt mit KI bis zur gefestigten Praxis zurücklegt; bei DUAL.AI.TEACHer in neun Stufen.

Intelligentes tutorielles System

ITS (Intelligent tutoring system)

Etablierte Lernsoftware, die Lernende mit passgenauen Aufgaben und Feedback anleitet.

Iteratives Prompting

Prompt-Verfeinerung (Iterative prompting)

Ein KI-Ergebnis über mehrere Runden verbessern, statt sich auf einen einzigen Prompt zu verlassen: Ziel festlegen, prompten, Ausgabe bewerten, verfeinern und überprüfen.

K

Kernkompetenz

(Core competency)

Eine der 18 Kompetenzen des DUAL.AI.TEACHer Frameworks, jeweils an der Schnittstelle eines pädagogischen Bereichs und eines Aspekts von KI.

KI

Künstliche Intelligenz (Artificial Intelligence, AI)

Computersysteme, die Aufgaben ausführen, die mit menschlichem Denken in Verbindung gebracht werden – etwa Muster erkennen, Sprache verarbeiten oder Inhalte erzeugen –, meist indem sie aus Daten lernen.

KI-Assistent

(AI Assistant)

Ein KI-Werkzeug, das Arbeit im Auftrag einer Person erledigt. Es kann den Unterschied in den Arbeitsergebnissen zwischen den Nutzenden verringern, nicht aber den Unterschied in ihren Fähigkeiten.

KI-Chatbot

Chatbot

Ein Programm, das sich in natürlicher Sprache unterhält, heute meist auf Grundlage eines großen Sprachmodells.

KI-Compliance

Konformer Einsatz von KI (AI Compliance)

KI im Einklang mit Datenschutzrecht, AI Act, Urheberrecht und Prüfungsrecht nutzen. Compliance ermöglicht den Einsatz, statt ihn zu behindern.

KI-Detektor

(AI Detector)

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

KI-Grundlagen und -Anwendungen

(AI foundations and applications)

Konzeptionelles Wissen und übertragbare Fähigkeiten, um zu verstehen, wie KI funktioniert, und um KI-Werkzeuge auszuwählen, anzuwenden und anzupassen. Der inhaltsspezifische Aspekt der vertikalen Dimension.

KI-Kompetenz

(AI literacy)

Verständnis von KI-Konzepten, Chancen, Grenzen und verantwortungsvollem Umgang. Nach Art. 4 AI Act müssen Schulen den Aufbau dieser Kompetenz bei Beschäftigten, die KI einsetzen, unterstützen (verbindlich seit dem 2. Februar 2025); ein bestimmtes Niveau, Zertifikat oder Format ist nicht vorgeschrieben. Zugleich der Name von Zertifizierungspfad B.

KI-Kompetenz von Lehrkräften

(Teacher AI Competence)

Wissen, Fähigkeiten und Haltungen von Lehrkräften für das Lehren mit und über KI, wie sie im DUAL.AI.TEACHer Framework strukturiert sind.

KI-Modell

(AI model)

Der trainierte Kern eines KI-Systems, der aus Eingaben Ausgaben erzeugt.

KI-pädagogisches Kompetenzrahmenwerk

DUAL.AI.TEACHer Kompetenzmodell (AI Pedagogical Competency Framework)

Struktur, die KI-bezogene Unterrichtskompetenzen in Dimensionen und Stufen einordnet, mit Lernergebnissen und Bewertungen verknüpft und dabei pädagogische, ethische und technische Aspekte aufeinander abstimmt.

KI-Tutor

(AI Tutor)

Ein KI-System, das Inhalte erklären und Lernende anleiten soll. Kann den Erwerb von Faktenwissen unterstützen.

KI-Werkzeug

KI-Tool (AI Tool)

Jede Anwendung, die KI zur Unterstützung einer Aufgabe nutzt.

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.

Kombinierbarkeit

Stapelbar (Stackability, stackable)

Die Möglichkeit, Micro-Credentials im Laufe der Zeit zu kombinieren, sodass sie auf größere Qualifikationen angerechnet werden.

Kompetenz

(Competence, competency)

Was eine Lehrkraft weiß, kann und zu tun bereit ist – so beschrieben, dass es sich lehren und überprüfen lässt.

Kompetenzbereich

(Competence domain, competence area)

Eine Gruppe zusammengehöriger Kompetenzen innerhalb eines Rahmenwerks.

Kompetenzcode

Lernzielcode

Kennzeichnung eines Lernziels, z. B. AF-TL-2b: Aspekt von KI (HM, EI, AF) – pädagogischer Bereich (PE, DR, TL, A, EL, FC) – Progressionsstufe (1–3) und Lernziel (a–c).

Kurs

(Course)

Eine strukturierte Folge von Fortbildungsmodulen, die ein vollständiges Lernangebot bilden.

Kursdurchlauf

(Course Run)

Eine konkrete Durchführung eines Kurses mit eingeschriebenen Teilnehmenden und festgelegtem Zeitraum.

L

Large Language Model (LLM)

LLM, großes Sprachmodell

Ein KI-Modell, das mit großen Textmengen trainiert wurde und plausible Fortsetzungen von Texten erzeugt; die Grundlage von Chatbots. Funktioniert als Vorhersagemaschine, nicht als Datenbank.

Lehren mit KI

Lernen MIT KI (Teaching with AI)

KI als Werkzeug für die eigene Unterrichtsarbeit nutzen, von der Planung bis zum Feedback.

Lehren über KI

Lernen ÜBER KI (Teaching about AI)

KI selbst zum Unterrichtsgegenstand machen, damit die Schüler verstehen, wie sie funktioniert und wo sie versagt.

Lehrkraft

(Teacher)

Eine Person, die für die Gestaltung und Durchführung von Lehr- und Lernaktivitäten verantwortlich ist.

Lehrkräftebildner

Hochschullehrende in der Lehrkräftebildung (Teacher educator)

Wissenschaftliches Personal, das in der Lehrkräftebildung lehrt. Der Aufbau ihrer Kompetenzen ist Stufe 3 der Roadmap.

Lehrkräftebildung (erste Phase)

Lehramtsstudium (Initial teacher education, ITE, pre-service teacher education)

Die hochschulische Ausbildung künftiger Lehrkräfte.

Leitplanken

(Guardrails)

In ein System eingebaute Grenzen, damit es das Denken unterstützt, statt es zu ersetzen.

Lerneinheit

(Learning Unit)

Eine konkrete Lernaktivität, die Lernende innerhalb eines Moduls durchführen.

Lernende

(Learner)

Personen, die an Lernaktivitäten teilnehmen, um Wissen, Fertigkeiten oder Kompetenzen zu erwerben.

Lernergebnis

(Learning Outcome)

Eine messbare Aussage darüber, was Lernende wissen oder können sollen.

Lizenz

(Licence)

 

LLM-Chatoberfläche

KI-Chatassistent (LLM chat interface)

Das browserbasierte Chatfenster, über das Nutzende mit einem großen Sprachmodell arbeiten.

Lokal installiertes Modell

Lokal gehostetes Modell (Locally installed model)

Ein Sprachmodell, das auf einem eigenen Gerät oder Server der Schule läuft. Eine Alternative, wenn der Internetzugang an der Schule eingeschränkt ist.

M

Marktüberwachungsbehörde

(Market surveillance authority)

Die nationale Behörde, die den AI Act durchsetzt. Jede Person – auch Lehrkräfte, Schüler und Eltern – kann bei ihr Beschwerde einlegen (Art. 85 AI Act).

Maschinelles Lernen

ML (Machine learning)

Der Ansatz, bei dem ein KI-System Muster aus den Beispielen lernt, die es erhält, statt von Hand geschriebenen Regeln zu folgen. Sind die Beispiele zu ähnlich, unvollständig oder schlecht gewählt, liefert das Modell unerwartete Ergebnisse.

Matthäus-Effekt

(Matthew effect)

Wer bereits Vorteile hat, profitiert am meisten: „Wer hat, dem wird gegeben.“

Menschliche Aufsicht

(Human oversight)

Die Anforderung, dass kompetente, geschulte und befugte Personen ein Hochrisiko-KI-System beaufsichtigen, seine Grenzen kennen und seine Ausgabe außer Acht lassen oder übersteuern können. Aufsicht ohne Fachkenntnis ist keine Aufsicht.

Menschzentrierte Grundhaltung

(Human-centred mindset)

Werte und Haltungen, die Lehrkräfte in der Interaktion zwischen Mensch und KI brauchen, um Bedürfnisse, Urteilsvermögen und Wohlergehen von Menschen in den Vordergrund zu stellen. Ein übergreifender Aspekt der vertikalen Dimension.

Metaanalyse

Übersichtsarbeit (Meta-analysis, review)

Eine Studie, die die Ergebnisse vieler einzelner Studien zur selben Fragestellung zusammenführt.

Micro-Credential

 

Ein kleineres Zertifikat, das ein einzelnes, klar umrissenes Kompetenzbündel statt eines ganzen Pfads abdeckt; lässt sich zu größeren Qualifikationen kombinieren.

MOOC-Plattform

(MOOC Platform)

Eine digitale Plattform, über die Kurse angeboten, Lernende verwaltet und Lerninhalte bereitgestellt werden.

N

Nachhaltige KI

(Sustainable AI)

KI so entwickeln und nutzen, dass ihre langfristigen ökologischen, sozialen und wirtschaftlichen Auswirkungen berücksichtigt werden.

Neuheitseffekt

(Novelty effect)

Ein vorübergehender positiver Effekt, der allein dadurch entsteht, dass etwas neu ist. Er kann die Ergebnisse kurzfristiger Studien überzeichnen.

O

Offenes Modell

Offenes KI-Modell (Open model)

Ein KI-Modell, dessen Bestandteile offen verfügbar sind, im Gegensatz zu proprietären Modellen von Unternehmen. Empfohlen als Teil eines öffentlich finanzierten, chancengerechten Zugangs zu KI.

One-Shot-Prompt

Einzelner Prompt (One-shot prompt, single prompt)

Ein Prompt, der einmal abgeschickt wird, ohne Verfeinerung oder Nachfrage. (Im technischen Sprachgebrauch kann der Begriff auch einen Prompt mit einem ausgearbeiteten Beispiel bezeichnen.)

Online-Prüfung

(Online Exam)

Eine formale, strukturierte Prüfung, die im Rahmen des Bewertungsprozesses online durchgeführt wird.

Open Educational Resource (OER)

OER, offene Bildungsmaterialien

Lehr- und Lernmaterial, das unter einer offenen Lizenz veröffentlicht ist, die freie Nutzung, Bearbeitung und Weitergabe erlaubt.

Operator

 

Das Verb, um das ein Lernziel herum formuliert ist (z. B. erkennen, umsetzen, kritisch beurteilen). Es zeigt, was von einer Lehrkraft auf der jeweiligen Stufe erwartet wird, und macht das Lernziel beobachtbar.

P

Pädagogisches Rahmenwerk

(Pedagogical Framework)

Ein strukturiertes Gefüge pädagogischer Prinzipien und Ansätze, das die Gestaltung von Lehren und Lernen leitet.

Personalisierung

KI-Personalisierung (Personalisation)

Ressourcen, Aufgaben oder Unterstützung mithilfe von KI an einzelne Lernende anpassen. Das kann Inklusion fördern, birgt aber auch Risiken von Ungleichheit, Datenmissbrauch und Ausgrenzung.

Personenbezogene Daten

(Personal data)

Alle Informationen über eine identifizierbare Person, z. B. Namen, schulische E-Mail-Adressen, Schülerarbeiten, Sprachaufnahmen, Fotos, Noten, Anwesenheits- und Lernstandsdaten. Daten bleiben personenbezogen, wenn jemand aus dem Kontext identifiziert werden kann.

Pfad A / Pfad B

Zertifizierungsweg (Certification track, Track A, Track B)

Eine von zwei sich ergänzenden Zertifizierungen: Pfad A, KI-gestütztes Unterrichten (MIT KI), und Pfad B, KI-Kompetenz (ÜBER KI). Lehrkräfte können einen der beiden Pfade oder beide absolvieren.

Playbook

 

Ein strukturierter Leitfaden, der KI-Kompetenzen mithilfe von Anwendungsfällen, pädagogischen Modellen und Fortbildungsressourcen in die Unterrichtspraxis überträgt.

Politische Leitlinie

(Policy Guideline)

Ein Dokument auf Steuerungsebene, das die Entwicklung von Kompetenzen und Unterrichtspraktiken prägt.

Proctoring

Prüfungsaufsicht, Fernüberwachung (Exam proctoring, remote proctoring)

Prüfungen mit Software beaufsichtigen, z. B. per Webcam. KI, die verbotenes Verhalten in Prüfungen erkennt, gilt als Hochrisiko-KI; die Zertifizierungsprüfung wird aus der Ferne überwacht.

Profiling

 

Automatisierte Bewertung von Personen, um ihre Merkmale oder ihr Verhalten zu analysieren oder vorherzusagen. Ein KI-System im Bildungsbereich, das Profiling von Personen betreibt, gilt stets als Hochrisiko-System.

Progressionsstufe

Stufe (Progression level, level)

Eine von drei Stufen, auf denen jede Kernkompetenz beschrieben wird: Stufe 1 Orientierendes Bewusstsein, Stufe 2 Reflektierte Umsetzung (die primäre Zielstufe für Lehrkräfte) und Stufe 3 Gestaltende Führungsrolle.

Prompt

 

Die Anweisung, die eine Person einem KI-System gibt. Formulierung, Kontext und Vorgaben prägen die Ausgabe.

Prompt Engineering

Prompting

Das Verfassen wirksamer Prompts als erlernbare Fähigkeit, z. B. für Unterrichtsplanung, Differenzierung und Bewertung.

Prompt-Umschreibung

(Prompt rewriting)

Ein Anbieter verändert den Prompt automatisch, bevor das Modell ihn erhält, etwa um Details oder Vielfalt hinzuzufügen. Die Nutzenden sehen die Änderung nicht – was eingegeben wurde, ist also nicht das, wonach die Maschine gefragt wurde.

Protokolle

Logs

Von einem KI-System automatisch erzeugte Aufzeichnungen. Betreiber von Hochrisiko-Systemen müssen sie mindestens sechs Monate aufbewahren, soweit die Protokolle unter ihrer Kontrolle stehen.

R

Randomisierte kontrollierte Studie

RCT, kontrollierte Studie (Randomised controlled trial)

Eine Studie, in der die Teilnehmenden den Gruppen zufällig zugeteilt werden, sodass Unterschiede in den Ergebnissen auf die Intervention zurückgeführt werden können.

Rechenschaftspflicht

(Accountability)

Für Entscheidungen über den Einsatz von KI und deren Folgen einstehen müssen. Die Verantwortung bleibt bei Menschen und Institutionen, niemals beim System.

Retraktion

Zurückziehung (Retraction)

Die offizielle Rücknahme eines veröffentlichten Artikels durch eine Fachzeitschrift. Der Artikel bleibt sichtbar und wird als „RETRACTED“ gekennzeichnet, damit alle, die ihn zitiert haben, dies erkennen können.

S

Scaffolding

 

Strukturierte Anleitung durch die Lehrkraft, die Lernende dabei unterstützt, ein Werkzeug zu nutzen oder eine Aufgabe zu bewältigen, die sie allein noch nicht schaffen.

Schema

 

Das organisierte Wissen einer Person.

Schulische KI-Umgebung

Geprüfte Plattform (School AI environment, vetted platform)

Eine staatlich bereitgestellte, geprüfte KI-Plattform für Schulen mit ausgehandelten Verträgen – als Alternative dazu, dass sich Lehrkräfte selbst bei kostenlosen Werkzeugen anmelden.

Schulleitung

Schulleiter (School Administrator, school leader, head teacher)

Eine Person, die für die Leitung einer Schule verantwortlich ist, etwa eine Schulleitung oder deren Stellvertretung. Kapitel 5.3 richtet sich direkt an sie.

Selbstbestimmung der Lernenden

(Learner agency)

Die Fähigkeit der Lernenden, eigene Entscheidungen über ihr Lernen zu treffen, auch über die Nutzung KI-generierter Ressourcen. Lehrkräfte sollten sie in KI-gestützten Prozessen wahren.

Server

 

Ein Computer, der Daten für andere über ein Netzwerk speichert und verarbeitet. Wo die Server eines KI-Werkzeugs stehen (z. B. in der EU), beeinflusst, welche Datenschutzregeln gelten.

Sokratischer Tutor

(Socratic tutor)

Ein Chatbot, der angewiesen ist, gezielte Fragen zu stellen statt Antworten zu geben. Wird er nur per Prompt eingerichtet, fällt er in längeren Gesprächen oft wieder ins Antwortgeben zurück; verlässliche Grenzen müssen daher im System selbst verankert werden.

Spracherkennung

(Speech recognition)

Eine Form von KI, bei der ein Programm versucht, gesprochene Wörter oder Zahlen zu erkennen. Wie gut das funktioniert, hängt vom Mikrofon ab, davon, wie deutlich jemand spricht, und davon, wie ruhig der Raum ist.

Standardvertragsklauseln

SCC (Standard contractual clauses)

Von der EU genehmigte Vertragsbedingungen, die personenbezogene Daten bei einer Übermittlung außerhalb der EU absichern, wenn kein Angemessenheitsbeschluss vorliegt.

Stochastisch

Zufallsbasiert (Stochastic, randomised)

Vom Zufall abhängig, sodass dieselben Einstellungen zu unterschiedlichen Ergebnissen führen können.

Strukturierter Prompt

(Structured prompt)

Ein Prompt, der mehr als nur das Thema vorgibt, etwa Zielgruppe, Zweck, Kontext, Sprachniveau, Tonfall, Alter der Lernenden, Lernziel, Dauer und erwartetes Ergebnis. Er gibt mehr Kontrolle über das Ergebnis, garantiert aber kein gutes.

T

Technische Sicherheit

(Technical safety)

Zuverlässigkeit und Robustheit eines KI-Systems, sodass es wie vorgesehen funktioniert und keinen Schaden verursacht.

Text-zu-Bild-Generator

Bildgenerator (Text-to-image generator)

Generative KI, die aus einem schriftlichen Prompt Bilder erzeugt. Was sie zeigt, hängt von ihren Trainingsdaten und von Anpassungen durch den Anbieter ab.

Training mit Nutzereingaben

(Training on user inputs)

Ein Anbieter verwendet, was Nutzende eingeben oder hochladen, für eigene Zwecke, insbesondere um seine Modelle zu trainieren. Personenbezogene Daten dürfen nur eingegeben werden, wenn eine schriftliche Vereinbarung dies ausschließt.

Trainingsdaten

Trainingsmaterial, Trainingsbeispiele (Training data)

Die Beispiele, aus denen ein KI-System lernt, etwa Millionen von Menschen beschriftete Bilder. Verzerrungen in diesem Material übertragen sich auf die Ausgaben des Systems und verschwinden nicht einfach dadurch, dass Modelle größer werden.

Transparenzpflicht

Kennzeichnungspflicht, Offenlegungspflicht (Transparency obligation)

Die Pflicht nach Art. 50 AI Act, Menschen mitzuteilen, wenn sie mit KI interagieren, sowie Deepfakes und KI-generierte Texte zu Angelegenheiten von öffentlichem Interesse offenzulegen. Inhalte, die menschlich geprüft und redaktionell verantwortet wurden, sind ausgenommen – ein von der Lehrkraft geprüftes Arbeitsblatt braucht also keine Kennzeichnung.

Tuning

Modell-Tuning, Sicherheitstraining (Model tuning, safety training)

Anpassungen, die ein Anbieter nach dem ersten Training vornimmt, um zu steuern, was ein System zeigt oder sagt, etwa um es sicherer, fairer oder vielfältiger zu machen. Tuning ist in der Ausgabe unsichtbar, kann danebenliegen und sich ohne Ankündigung ändern.

U

Überarbeitete Bloom’sche Taxonomie

(Revised Bloom's taxonomy)

Modell, in dem sich kognitive Prozesse vom Erinnern und Verstehen über das Anwenden und Analysieren bis zum Bewerten und Erschaffen entwickeln (Anderson & Krathwohl, 2001). Grundlage der Progressionsstufen.

Übermäßiges Vertrauen

Übervertrauen (Overreliance, over-trust)

KI-Ausgaben mehr vertrauen, als sie verdienen, etwa falsche Noten oder falsches Feedback übernehmen. Lehrkräfte, die Hochrisiko-KI einsetzen, müssen aktiv darauf achten.

UNESCO AI Competency Framework for Teachers

KI-Kompetenzrahmen der UNESCO für Lehrkräfte

UNESCO-Rahmenwerk (2024), das die Prinzipien, Werte, Kenntnisse und Fähigkeiten festlegt, die Lehrkräfte für einen ethischen, wirksamen und sicheren KI-Einsatz brauchen. Quelle der vertikalen Dimension.

Ungezieltes Scraping

Scraping (Untargeted scraping)

Automatisiertes massenhaftes Sammeln von Bildern aus dem Internet oder aus Videoüberwachungsaufnahmen ohne bestimmten Zweck oder bestimmte Person.

Universal Design for Learning

UDL

Rahmenkonzept für eine inklusive, lernendenzentrierte Gestaltung. Wird genutzt, um die inklusive Dimension des Frameworks zu stärken.

Unterrichtsmodell

(Teaching Model)

Ein pädagogischer Ansatz, der festlegt, wie Lehren und Lernen strukturiert sind, einschließlich der Rolle von KI.

Unterrichtsplanung

Stundenentwurf (Lesson Plan)

Ein detaillierter Plan für eine Unterrichtseinheit mit Zielen, Aktivitäten und der Einbindung von KI-Werkzeugen.

Unterrichtsschranke

(Teaching exception)

Die urheberrechtliche Ausnahme, die es Lehrkräften erlaubt, einen begrenzten Teil eines Werks für ihre Klasse zu vervielfältigen. Sie deckt nicht das Hochladen geschützter Werke in ein KI-System ab, und für den Schulunterricht bestimmtes Material, vor allem Schulbücher, ist ausgenommen.

Urheberrecht

(Copyright)

Rechtlicher Schutz von Werken. Was eine KI ausgibt, ist in der Regel urheberrechtlich nicht geschützt; das Hochladen geschützter Werke in ein KI-System ist jedoch nicht von der Unterrichtsschranke gedeckt.

V

Verantwortlicher

Verantwortliche Stelle (Controller, data controller)

Nach der DSGVO die Stelle, die für die Verarbeitung personenbezogener Daten verantwortlich ist. An Schulen ist das in der Regel die Schule.

Verbotene KI-Praktiken

(Prohibited AI practices, banned AI practices)

Acht KI-Anwendungen, die der AI Act (Art. 5) seit dem 2. Februar 2025 ausnahmslos verbietet. Vier davon betreffen Schulen: Emotionserkennung, das Ausnutzen von Schutzbedürftigkeit, ungezielt aufgebaute Gesichtserkennungsdatenbanken und biometrische Kategorisierung.

Verstärkungseffekt

Verstärkung vs. Ausgleich (Amplification effect)

KI vergrößert tendenziell bestehende Unterschiede. Ausgleichend wirkt sie nur, wenn drei Bedingungen zusammenkommen: gesicherter Zugang, ein Werkzeug, das für das Lernen statt für das Beantworten gestaltet ist, und eine Lehrkraft, die den Einsatz anleitet und begleitet.

Vertikale Dimension

KI-Dimension (Vertical dimension)

Die drei Aspekte von KI im DUAL.AI.TEACHer Framework, übernommen aus dem UNESCO-Rahmenwerk: Menschzentrierte Grundhaltung, Ethik der KI sowie KI-Grundlagen und -Anwendungen.

Vibe Coding

 

Software erstellen oder erweitern, indem man in natürlicher Sprache beschreibt, was sie leisten soll, und eine KI den Code schreiben lässt. Im Playbook erweitern die Schüler eine bestehende Simulation per Prompt, statt von Grund auf zu programmieren.

Vorhersagbarkeit

(Predictability)

Wie erwartbar die Formulierungen eines Textes sind. KI-Detektoren messen Vorhersagbarkeit, nicht maschinelle Urheberschaft, und markieren deshalb schlichte Texte oder Texte in einer Zweitsprache fälschlich.

Vorhersagemaschine

Probabilistische Ausgabe (Prediction engine)

Sprachmodelle erzeugen eine plausible Fortsetzung eines Textes, statt Fakten in einer Datenbank nachzuschlagen. Das erklärt, warum sie halluzinieren und warum ähnliche Prompts unterschiedliche Antworten liefern können.

W

Wissen-Handeln-Lücke

(Knowledge-Action Gap)

Der messbare Abstand zwischen dem Wissen über KI und einem dadurch tatsächlich veränderten Unterricht.

Z

Zertifikat

(Certificate)

Ein formales Dokument, das den Erwerb von Kompetenzen bescheinigt.

Zertifizierungspfad

(Certification Pathway)

Der Weg, auf dem Kompetenzen validiert und formal anerkannt werden, hier als dualer Pfad (Pfad A und Pfad B).