Wo ergibt KI im Lern-Lehr-Prozess Sinn?

Die Debatte über künstliche Intelligenz in der Schule läuft fast immer als Grundsatzstreit: Teufelszeug oder Heilsversprechen, Verbot oder Pflichtfach. Beide Seiten behandeln KI als einen Block. Unterrichten besteht aber aus Schritten, die wenig miteinander zu tun haben. Ich frage deshalb: Bei welchem Schritt hilft KI? Das lässt sich Schritt für Schritt beantworten.

Ablauf

Zehn Schritte, zwei Schleifen. Die erste läuft in jeder Stunde: planen, Material bauen, unterrichten, üben lassen, ablesen, was hängen geblieben ist. Ist das Thema durch, verlässt der Weg diese Schleife und geht in die zweite: Arbeit bauen, schreiben lassen, korrigieren, auswerten, zurückgeben. Von der Auswertung geht es zurück in die Planung.

Hell ausgefüllt sind die vier Schritte, die bei den Schülern stattfinden. Bei dreien steht nur die Lehrkraft im Raum. Beim vierten, dem Üben, greift ein Werkzeug mit.

Planen

Am Anfang steht der Jahresplan. Er entsteht aus drei Zutaten, die alle schon vorliegen: dem Rahmenplan, dem Schuljahreskalender mit seinen Ferien und Feiertagen und dem Stundenplan mit seinen realen Terminen. Aus diesen Zutaten einen datumsgenauen Plan für jede Klasse zu rechnen, ist stumpfe Arbeit, und sie veraltet in dem Moment, in dem die erste Stunde ausfällt. Solche Arbeit nimmt eine Maschine ab: den Entwurf aufstellen, bei Ausfall nachziehen, melden, wenn eine Klassenarbeit in die Quere kommt.

Abgenommen wird dabei die Buchhaltung. Die didaktische Entscheidung, welches Ziel Kern ist und welche Reihenfolge trägt, ohne eine Voraussetzung zu zerreißen, bleibt beim Menschen. Die Maschine schlägt vor und begründet ihren Vorschlag. Entscheiden darf sie nicht.

Material bauen

Über den zweiten Schritt wird am wenigsten geredet, und er ist der, an dem KI heute am meisten leistet. Eine fertige Aufgabe in zwei Stufen zu bringen, eine leichtere und eine schwerere, ist Umformung ohne inhaltliches Urteil, und ob die Varianten taugen, sieht man in dreißig Sekunden. Dasselbe gilt für den zwölften Übungssatz zu denselben Gleichungen, für den in der Vorbereitung am Sonntagabend nie Zeit ist.

Wichtig ist die Achse, auf der differenziert wird. Das hartnäckigste Missverständnis der Schule ist der Glaube an Lernstile, die Idee, man müsse den visuellen Typ visuell und den auditiven auditiv bedienen. Die Übersichtsarbeit von Pashler und Kollegen hat dafür keine tragfähige Evidenz gefunden. Was zählt, ist das Niveau: Wer braucht zuerst die fehlende Voraussetzung, wer ist reif für die schwere Variante, wer braucht einen zweiten Anlauf? Auf dieser Achse kann eine KI differenzieren.

Unterricht halten

Der dritte Schritt ist der erste, an dem kein Werkzeug greift. Das muss ich begründen, denn gerade das Erklären gilt als Stärke der Maschine.

Seit Benjamin Bloom 1984 das Zwei-Sigma-Problem formulierte, kennt die Pädagogik ihren unbezahlbaren Goldstandard: Ein Kind, das einzeln betreut wird, lernt rund zwei Standardabweichungen besser als im normalen Klassenunterricht. Es liegt damit über 98 Prozent einer gewöhnlichen Klasse. Bezahlen konnte das nie jemand, dreißig Kinder und dreißig Privatlehrer gehen nicht.

Eine Maschine, die denselben Sachverhalt zum zwanzigsten Mal ohne Seufzen erklärt, mehr Darstellungen kennt als jeder Mensch und das Tempo jedem Kind einzeln anpasst, rückt diesen Goldstandard in Reichweite. Nur beschreibt Bloom die Eins-zu-eins-Situation, und die gibt es im Raum mit dreißig Kindern nicht. Was die Maschine beim Erklären kann, kann sie am Nachmittag, an einem Gerät, für ein Kind. Vorn steht solange ein Mensch, liest die Gesichter und merkt, wann die Erklärung nicht getragen hat.

Üben

Beim Üben trifft die Eins-zu-eins-Situation zu, und hier verändert KI, wie viel hängen bleibt. Zwei der bestbelegten Hebel der Lernforschung treffen zusammen. Der eine ist die Abrufübung: Sich selbst abfragen statt noch einmal zu lesen, schlägt das Wiederholen langfristig deutlich, der Testing-Effekt. Der andere ist sofortiges Feedback. Beides scheitert im Klassenraum an der Menge. Keine Lehrkraft kann dreißig Kindern zu jeder Aufgabe sofort eine eigene Rückmeldung geben. Eine Maschine kann das, ohne müde zu werden.

Zwei Bedingungen hängen daran. Eine Erklärung anzuschauen fühlt sich nach Lernen an, aber Wiedererkennen ist kein Abrufen, und die Lernforschung nennt das die Fluency-Illusion. Dazu muss das Kind steuern können, was es sieht. Richard Mayers Forschung zum Lernen mit Medien zeigt, dass Menschen besser lernen, wenn der Stoff in selbst gesteuerten Häppchen kommt statt in einem durchlaufenden Strom. Pausieren, zurückspulen, das eigene Tempo bestimmen: Das fehlt dem Kind, dem es im Klassenzimmer zu schnell geht.

Lernstand ablesen

Wer differenzieren will, muss wissen, wo jedes Kind steht. Dieses Signal hat adaptiver Unterricht immer gebraucht und nie gehabt, weil es niemand pro Schüler von Hand ausrechnen kann. Aus den Antworten eines Kindes herauszulesen, welches Ziel sitzt und welche typische Fehlvorstellung dahintersteckt, ist eine Mustererkennung, die eine Maschine gut leistet.

Das ist der heikelste Schritt. Ein Kompetenzprofil pro Kind ist sensibler als eine einzelne Note und gehört so behandelt: sparsam, pseudonym, der Schlüssel beim Menschen. Solange die Diagnose dem Lernen dient, ist KI hier am richtigen Platz.

Damit schließt sich die kleine Schleife. Was hier abgelesen wird, ist die Grundlage für die nächste Stunde.

Arbeit bauen

Ist das Thema durch, kommt die Klassenarbeit. Eine zu bauen heißt: Aufgaben auswählen, jede einem Anforderungsbereich zuordnen, Punkte verteilen, prüfen, ob die Verteilung über AFB I bis III noch stimmt, und irgendwann feststellen, dass ein Thema aus der Einheit nicht vorkommt.

Das Rechnen daran kann die Maschine. Sie kennt den Aufgabenbestand, sie sieht die Lücke im Zielprofil, sie zählt die Punkte. Was sie nicht entscheidet, ist, was geprüft werden soll. Den Schritt danach, das Schreiben der Arbeit, betreut wieder die Lehrkraft.

Korrigieren

Beim Korrigieren kann KI die Rückmeldung skalieren, die sonst aus Zeitgründen unter den Tisch fällt. Jeder Fehler bekommt einen Kommentar statt eines roten Strichs, jede Lösung einen Hinweis, wie es weitergeht. Bei einem Stapel von dreißig Arbeiten ist das viel wert.

Die Note selbst ist ein Urteil mit pädagogischer und rechtlicher Verantwortung. In Mecklenburg-Vorpommern gibt es dafür eine Kennzeichnungspflicht. Die Maschine entwirft, der Mensch prüft und unterschreibt.

Auswerten und zurückgeben

Der letzte Schritt hält den ganzen Ablauf zusammen. Aus einem Stapel korrigierter Arbeiten lässt sich ablesen, welche Anforderung die Klasse trägt und welche nicht, und das ist die Vorlage für die nächste Einheit. Von Hand macht das kaum jemand, weil es eine Auszählung über dreißig Arbeiten und zwölf Teilaufgaben bedeutet. Eine Maschine zählt das in einer Sekunde. Zurückgeben und besprechen gehört dann wieder dem Menschen im Raum.

Was zwischen den Schritten fließt

An jeder Stelle, an der KI hilft, hilft sie nur, wenn sie den Zusammenhang kennt. Der Plan ist erst nützlich, wenn die Maschine den Rahmenplan, den Kalender und den Stundenplan kennt. Die Übung wirkt nur, wenn sie die Lücke trifft, die das Ablesen gefunden hat. Und die Auswertung ist nur etwas wert, wenn sie zurück in den Plan fließt.

Ein Chatbot, der auf Zuruf ein Arbeitsblatt schreibt, weiß von all dem nichts. Er bleibt ein Helfer für einen einzelnen Schritt. Der Sprung liegt in einem System, in dem alle diese Schritte dasselbe Bild des Ablaufs teilen und jeder Schritt dem nächsten zuarbeitet.

Ein Chatbot formuliert alles und weiß nichts über diese Klasse.

Wo KI nichts verloren hat

Was der Maschine fehlt, ist der pädagogische Bezug: ein anwesender Mensch, der dieses Kind kennt, dem es etwas bedeutet, ob es weiterkommt, und dem das Kind deshalb etwas zutraut. Sie kann auch niemanden in die Mündigkeit entlassen. Ein eigenes Urteil vorleben, Widerspruch aushalten, den Mut wecken, eine Aufgabe selbst zu stellen statt sie nur zu lösen: dafür braucht es jemanden im Raum. An anderer Stelle habe ich das ausführlicher aufgeschrieben.

An dieser Stelle fängt die Arbeit der Lehrkraft erst an. Je mehr die Maschine das Erklärbare übernimmt, desto sichtbarer wird der Kern des Berufs.

Wie weit das ist

Nichts davon ist Science-Fiction. Ich baue diese Werkzeuge für meinen eigenen Unterricht, sechs Stück, eines je Schritt, unter dem Dach lehrr: planr plant und steuert, drillr baut das Material, selbr ist die Fläche für die Schüler, prüfr baut die Arbeit, checkr korrigiert, merkr führt das Klassenbuch. Jedes ist einzeln benutzbar, sonst wäre es falsch gebaut.

Stand am 21.10.2026. Ein Teil des Kreises läuft im Alltag. planr plant meine Stunden, und nach der Stunde melde ich zurück, was lief. Seit Ende August waren das 60 Stunden. In checkr sind vier Tests und Klassenarbeiten verarbeitet worden. Die Korrekturen liegen bei rund 90 Prozent richtiger Bewertung.

Am Stück gelaufen ist der Kreis noch nicht. Die Klassenarbeit der 8d vom 14.10. hat den Weg über prüfr nicht genommen, deshalb kam aus ihrer Korrektur nichts in den Plan zurück. Bis heute hat auch keine Rückmeldung gesagt, welches Thema gewackelt hat. Das Werkzeug, mit dem ich zurückmelde, kannte dieses Feld nicht. Seit heute kennt es das, und das erste Signal ist drin. Der Prüfstein ist derselbe wie vorher: eine echte Klassenarbeit, die den ganzen Weg nimmt, von der Anforderung im Plan bis zur Auswertung, die zurück in den Plan fließt.

Quellen

• Bloom, B. S. (1984): The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher, 13(6), 4–16 (Eins-zu-eins-Betreuung rund zwei Standardabweichungen über dem Klassenunterricht).
• Roediger, H. L. & Karpicke, J. D. (2006): Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention. Psychological Science, 17(3), 249–255 (Abrufübung schlägt Wiederholen langfristig deutlich, der Testing-Effekt).
• Pashler, H., McDaniel, M., Rohrer, D. & Bjork, R. (2008): Learning Styles: Concepts and Evidence. Psychological Science in the Public Interest, 9(3), 105–119 (keine tragfähige Evidenz für das Bedienen von Lernstilen).
• Mayer, R. E. (2009/2021): Multimedia Learning. Cambridge University Press (Lernen in selbst gesteuerten Häppchen statt im durchlaufenden Strom, das Segmentierungsprinzip).

Erstellt von Johannes Hohls.