Mehr als drei Jahre ist die Veröffentlichung von ChatGPT her, doch der Staub, der damit 2022 in Schulen aufgewirbelt wurde, hat sich noch lange nicht wieder gesetzt. Dabei scheinen die Probleme, die KI verursacht, ebenso groß wie die Hoffnungen, die daran geknüpft sind.
Da ist es nicht verwunderlich, dass Künstliche Intelligenz weiterhin eines der Hauptthemen für Fortbildungen, Schulentwicklungstage und Diskussionen im Bildungsbereich bleibt. Der Wunsch nach Orientierung und Halt ist groß, besonders da das Feld der Künstlichen Intelligenz immer größer und unübersichtlicher wird. Viele Lehrkräfte stellen sich daher die Frage: Was muss ich jetzt wissen? Aber auch: Was müssen meine Lernenden zukünftig noch können?
Worüber sprechen wir denn eigentlich?
Scheinbar wirft Künstliche Intelligenz uns zurück auf die Frage, was wirklich wichtig ist. Wie animieren wir zum Lernen? Wie wollen wir die Zeit im Unterricht nutzen? Welche Lernkonzepte tragen noch, wenn Lernprodukte jetzt auf Knopfdruck entstehen?
Abbildung 1 Grafik von Beat Döbeli Honegger
Doch diskutiert wird nur selten über pädagogische oder fachliche Prämissen. Die meisten Gespräche verharren an der Oberfläche oder kreisen sich um Fragen von Datenschutz, Tools und Trends. Interessanterweise hat sich das in den vergangenen drei Jahren nicht geändert und hängt auch nicht davon ab, ob man sich das erste Mal oder schon vertieft mit KI beschäftigt. Warum ist das so?
Ein möglicher Grund liegt darin, dass es in diesen Diskussionen gar nicht vorrangig um Künstliche Intelligenz und ihre Bedeutung für Lernen und Schule geht. Vielmehr lassen sich Fragen wie »Sind Hausaufgaben noch sinnvoll?«, »Wie kann ich KI-Betrug erkennen?« oder »Kann ich mit KI meine Korrekturlast verringern?« als symptomatisch für systemische Probleme.
Beispiel: Hausaufgaben in Zeiten von KI
Viele Lehrkräfte versuchen derzeit regelmäßig herauszufinden, ob Hausaufgaben auch tatsächlich von den Lernenden eigenständig erledigt wurden. Das raubt vielen nicht nur Zeit, sondern auch Nerven. Denn der einfache Zugang zu KI-Systemen verführt dazu – so könnte man vermuten, leidige Hausaufgaben einfach von der Maschine machen zu lassen.
Das Problem ist aber nicht »KI-gemacht«. Auch vor 2022 wurden Hausaufgaben abgeschrieben, von Geschwistern erledigt, aus dem Internet zusammenkopiert oder sogar käuflich erworben. Darüber, inwiefern es sich nun um eine Häufung des »Hausaufgaben-Outsourcings« handelt, lässt sich an dieser Stelle nur spekulieren.
Was aber schon vor dem Auftritt vom KI auf dem schulischen Parkett klar war, ist, dass Hausaufgaben ihren eigentlichen Zweck, den Lernprozess im häuslichen Umfeld zu vertiefen, nicht erfüllt haben. Laut Hatties Metastudie Visible Learning weisen Hausaufgaben eine Korrelation von 0.29 für den Lernerfolg auf, das bedeutet, es ist kein Effekt nachzuweisen (erst ab einem Schwellenwert von 0.4 kann man von einem nachweislichen Einfluss auf den Lernerfolg ausgehen).1
Die Frage lautet also vielleicht nicht, ob Hausaufgaben in Zeiten von KI noch sinnvoll sind, sondern mit welchen Konzepten in Schule Lernprozesse angestoßen werden, die auch außerhalb einer 45-Minuten-Taktung tragen. Oder gar: Sollte Lernen nicht vor allem während der schulischen Lernzeit passieren, um zum Beispiel Benachteiligung von Lernenden aus sozial schwachen Familien entgegenzuwirken?2
Differenzierung statt Eindimensionalität
Die Debatte um den Einsatz Künstlicher Intelligenz an Schulen beißt sich also an Themen wie Datenschutz, Lizenzierung, Tools oder kurzfristigen Anwendungsszenarien fest. Diese eindimensionale Perspektive auf KI in Schule führt nicht selten für Lehrkräfte zu einem Gefühl von Ohnmacht und Überforderung. Überforderung beim Versuch, über das Feld der Künstlichen Intelligenz und ihrer Bedeutung für Schule einen Überblick zu gewinnen; Ohnmacht im Angesicht teilweise sehr starrer Vorgaben, die Schulalltag und Unterricht prägen und so den Eindruck erwecken, Lehrkräfte hätten keinen Handlungsspielraum für die eigene Gestaltung.
Für einen nachhaltigen, konstruktiven Umgang mit KI braucht es einen differenzierten Blick dafür, wie eine lernförderliche Implementierung in Schule gelingen kann. Dabei sind bildungspolitische Prämissen ebenso zu berücksichtigen wie rechtliche, fachliche und pädagogische. Eine Rückbesinnung darauf, wie Lernprozesse gestaltet und lernförderlich begleitet werden können, ist dabei ebenso hilfreich wie die eigene Kompetenzentwicklung voranzubringen (z. B. im Bereich der Data, AI oder Information and Media Literacy).
Abbildung 2 Grafik von Beat Döbeli Honegger
Handlungsspielräume statt Schockstarre
Um zwischen dynamischen Anforderungen an Lernen und Unterricht (z. B. durch die rasanten technologischen Entwicklungen im Bereich der Künstlichen Intelligenz) und den teils starren Vorgaben und engen Taktungen im Schuljahr (z. B. durch klare Format- oder Zeitvorgaben für Prüfungen) nicht in eine Schockstarre zu verfallen, hilft ein Blick auf die Handlungsspielräume, die Lehrkräfte haben.
Diese Handlungsspielräume sind von Schule zu Schule und von Bundesland zu Bundesland unterschiedlich groß. Wo er jedoch stets groß ist, ist im eigenen Unterricht. Die Gestaltung und Begleitung von Lernprozessen ist das Feld der Expertise von Lehrkräften. Sie entscheiden nicht zwangsläufig, welche Kompetenz mit welchem Inhalt erarbeitet wird, aber sie entscheiden stets darüber, wie sich dieser Prozess konkret ausgestaltet.
Tradition oder Transformation?
Dabei fällt mancherorts gerade im Unterricht eine Tendenz zur Verfestigung auf: Manche Lehrkräfte berichten davon, dass sie möglichst komplexe, »KI-sichere« Aufgabenstellungen formulieren oder das Thema KI gar nicht erst besprechen, um ihre Lernenden nicht auf die Idee zu bringen, sie bei der Bearbeitung von Aufgaben zu bemühen.
Dabei ergibt sich folgende Frage: Wenn Künstliche Intelligenz das derzeitige Schulgeschehen (z. B. Hausaufgaben, Prüfungen etc.) derart an seine (System-)Grenzen bringt, wieso glauben wir dann, mit tradierten Methoden (handschriftliche Produkte, analoge Arbeitsblätter etc.) und Vorgehensweisen diesem Problem zu entkommen? Vielmehr ermöglicht KI nun, Unterricht weiterzuentwickeln und neu über die Messbarkeit von Lernerfolgen zu sprechen.
Künstliche Intelligenz holt derzeit alle Akteure im Bildungsbereich aus ihrer Komfortzone und fordert ein enormes Maß an Engagement, Fortbildung und Beschäftigung ein, um noch didaktisch begründete Entscheidungen für die Unterrichtsgestaltung zu treffen. Was Lehrende (und Lernende) derzeit dringend benötigen, ist AI Literacy.
Das Problem der AI Literacy
Von AI Literacy bzw. von KI-Kompetenzen scheint derzeit überall die Rede zu sein. Es gibt einige Ansätze, den Begriff zu definieren oder Modelle zu entwerfen und es sind einige Handreichungen, Leitfäden und sogar Listen von benötigten Kompetenzen im Umlauf.3 Problematisch daran ist, dass der Begriff der AI Literacy nicht einfach definiert werden kann.
Es gibt einige bekannte Definitionsversuche. So haben z. B. Long/Magerko 2020 versucht, einen Diskussionsvorschlag zu formulieren, der davon ausgeht, dass es sich bei AI Literacy um ein »set of competencies«4 handelt. Im Anschluss schlagen sie sechzehn Kompetenzen vor, die sich in erster Linie auf technologisches Verständnis und Anwendungswissen beziehen. Ethische Perspektiven sind zwar genannt, aber nicht weiter ausgeführt.
In der Handreichung Künstliche Intelligenz in der Schule von 2025 wird die Problematik der uneindeutigen Definition tangiert. Dort heißt es: „Für den Umgang mit KI-Systemen sind zudem spezielles Wissen und Fertigkeiten relevant, welche als »AI Literacy« zusammengefasst werden. Während Art und Umfang der erforderlichen AI Literacy von Einzelpersonen weiterhin diskutiert werden, gibt es dennoch Vorschläge zur Konzeptualisierung.“5 Hier wird KI-Kompetenz also als Synthese aus Wissen und Fertigkeiten betrachtet (der Aspekt der Performanz, der Weinerts Kompetenzbegriff inhärent ist, wird nicht aufgegriffen). Unstimmigkeit scheint es dabei weniger beim Kompetenzbegriff zu geben als bei der Frage, wie dieser gefüllt werden kann.
Die erwähnten Konzeptualisierungsversuche finden sich zum Beispiel im aktuellen Framework der OECD, Empowering Learners for the Age of AI, das AI Literacy als »technical knowledge, durable skills, and future-ready attitudes required to thrive in a world influenced by AI«“6 betrachtet. In der Folge werden vier Domänen identifiziert, in denen sich AI Literacy ausbildet: engaging with AI, creating with AI, managing AI und designing AI. Einen ähnlichen Ansatz verfolgt auch das Kompetenzmodell von Alles, Falck, Flick und Schulz, das vier Handlungsfelder – verstehen, anwenden, reflektieren, mitgestalten – definiert, in denen KI-Kompetenzen einzuordnen sind.7
All diesen Ansätzen ist gemein, dass sie AI Literacy bzw. KI-Kompetenzen einerseits als dynamisches Konstrukt betrachten, dessen konkrete Ausgestaltung vom jeweiligen Nutzungskontext abhängt. Zugleich werden aber konkrete Ausformulierungen von Kompetenzen vorgeschlagen, die Orientierung liefern. Diese Divergenz zwischen dem Versuch, ein dynamisches Konstrukt mit statischen Kategorien zu belegen, lässt sich nicht einfach auflösen. Problematisch scheint aber, dass dadurch der (Irr-)Glaube entsteht, man müsse nur bestimmte Dinge verstehen und tun (gleichsam Checklisten abhaken) können, um als KI-kompetent zu gelten. Dabei bedeutet gerade die Kontextabhängigkeit von AI Literacy, dass bspw. Deutschlehrkräfte andere KI-Kompetenzen benötigen als ein Programmierer – beide würden aber dennoch auf ihrem spezifischen Feld als »AI literate« gelten.
Zum Verhältnis von AI Literacy und Fachkompetenz
Wie steht es nun mit Blick auf kompetenzorientierten Unterricht um AI Literacy, wenn es sich dabei um ein kontextabhängiges, dynamisches Konzept handelt?
Viele Lehrkräfte fühlen sich im Angesicht einer weiteren Liste an Kompetenzen, die in den Fachunterricht implementiert werden soll, überfordert. Zwischen Bildungsstandards, Kompetenzen für die digitale Welt, Sozial- und Selbstkompetenzen erleben sie die KI-Kompetenz als weitere Belastung für die wertvolle Unterrichtszeit. Sie fragen daher oft: »Welche KI-Kompetenzen kommen nun hinzu?«
Es fragt sich aber, ob dabei tatsächlich etwas Zusätzliches hinzukommt (abseits der Nutzung einer neuen Technologie). Bei genauem Blick auf die verschiedenen Modelle, Frameworks etc. zeigt sich, dass AI Literacy voraussetzungsreich ist. Im OECD-Framework heißt es beispielsweise konkreter, dass zu den Skills, die AI Literacy ausmachen, »critical thinking« ebenso gehört wie »creativity«, »collaboration« oder »communication«.8 – also die »4K«, die auch im KMK-Strategiepapier Lehren und Lernen in der digitalen Welt von 2021 eingefordert werden.9
Dem Fachunterricht wird also nur wenig essenziell Neues auferlegt bzw. abverlangt. Mehr noch: Mit Blick auf die eingeforderten »Attitudes« wie »responsible«, »curious« oder »empathetic«10 fragt sich vielmehr: Was leistet der Fachunterricht schon längst, das maßgeblich zur Entwicklung von AI Literacy beiträgt?
Kompetenzsynthese am Beispiel des Schreibens
Es handelt sich bei KI-Kompetenzen also nicht um etwas »Zusätzliches«, sondern vielmehr um eine Anpassung des bereits erfolgreich Etablierten mit Blick auf aktuelle Entwicklungen. Am Beispiel der Schreibkompetenz lässt sich das nachvollziehen:
Schreiben ist ein Prozess des verlangsamten Denkens und Reflektierens, des Gedankensortierens und ‑auslagerns sowie des Sich-Ausdrückens. Um dazu fähig zu sein, erwerben Lernende im Laufe ihrer Schulzeit z. B. Kenntnisse über verschiedene Textsorten, deren Aufbau und ihre Funktion usw.
In Zeiten von KI ist die Sorge groß, dass diese Kompetenz nicht mehr umfassend erworben wird, weil Sprachmodelle innerhalb von Sekunden Texte produzieren und die Versuchung, die Schreibaufgaben an die KI auszulagern, zu groß ist (einige sprechen hier von Skill-Skipping bzw. De-Skilling). Die Ausgaben von Sprachmodellen sind allerdings (zumindest derzeit) überwiegend schriftsprachlich. Das bedeutet, bevor eigenständig mit diesen Systemen gearbeitet werden kann, um AI Literacy zu fördern, müssen Lernende auf der einen Seite hinreichende Lese- und Schreibkompetenzen erworben haben, um die Antworten zu verstehen. Darüber hinaus müssen sie auf der anderen Seite die KI über Prompts schriftlich anweisen und mit den Ergebnissen konstruktiv weiterarbeiten zu können. Die Formulierung eines guten Prompts lässt sich selbst also als Schreibprozess betrachten.
Was hier erfolgt, ist eine Synthese zwischen Fach- und KI-Kompetenzen. Und auch das OECD-Framework fordert von Lehrkräften ein: »Educators are encouraged to embed AI literacy when and where it aligns with their subject and context.«11 Um AI Literacy im Fachunterricht zu fördern, reicht es also nicht, KI-Tools zu nutzen oder andere Medien nun durch KI zu ersetzen. Es braucht ein fachlich-didaktisches Urteil der Lehrkraft, wie die Beschäftigung mit Künstlicher Intelligenz im Fachunterricht zu Lernfortschritten führt.
Randnotiz: Das Problem der verschiedenen Curricula
KI-Kompetenzmodelle wie das von Alles/Falck/Flick/Schulz, das praxisnahe und operationalisierbare Kompetenzen anbieten möchte, die so »den Aufbau eines KI-Curriculums der einzelnen Schule«12 unterstützen, sind insofern wenig hilfreich, als es nicht darum gehen kann, Fachkompetenz, AI Literacy oder auch digitale Kompetenzen als voneinander losgelöste Faktoren zu betrachten, die ein eigenes Curriculum benötigen. Vielmehr benötigt es eine Verzahnung zwischen Fachlichkeit und Technologie, um vernetztes Lernen zu ermöglichen.
Wie anfangen?
Wie nun kann man als Lehrkraft aus dem Gefühl von Ohnmacht heraustreten? Wie kann aus der KI-Hetzjagd zwischen neuen Tools und Täuschungsversuchen ein gelassener Marathon werden?
Basierend auf Beratungs- und Fortbildungserfahrungen der letzten drei Jahre ist ein erster Schritt, sich der eigenen AI Literacy zuzuwenden, ohne Sorge zu haben, den Anschluss zu verlieren. Lehrkräfte sind derzeit ebenso Lernende wie ihre Schülerinnen und Schüler. Die Erwartung, dass Lehrkräfte hier einen »Vorsprung« bräuchten, scheint mir im Angesicht der rasanten Entwicklungen auf dem KI-Markt als utopisch.
Daher möchte ich diese Impulse und Ratschläge mitgeben:
- Gehe mit deinen Lernenden (und ggf. Eltern) ins Gespräch. Frage sie, warum und wie sie KI nutzen. Bleibe offen für die etwaigen Antworten, die dir tiefere Einblicke in motivationale Aspekte und Hinweise auf eine veränderte Unterrichtsgestaltung liefern könnten.
- Stütze dich beim Aufbau deiner eigenen AI Literacy auf »Konzeptwissen« statt auf »Versionswissen« (s. Abb. 2). Du brauchst dich nicht sorgen, dass du den Anschluss verpasst. Es ist nicht so wichtig, immer die neuesten Tools zu kennen, wenn du ein grundlegendes Verständnis der Technologie (z. B. Sprachmodelle) entwickelt hast. Diese bildet die Basis für eine grundlegende Orientierung und Beurteilungskompetenz.
- Besinne dich auf deine vorhandene fachliche, didaktische und pädagogische Expertise, die es dir erlaubt, aktuelle Entwicklungen mit Blick auf Ihre Lerngruppe einzuschätzen und deinen Schülerinnen und Schülern neue Perspektiven auf das Thema zu ermöglichen.
- Tauschen dich mit anderen aus – über Probleme, Sorgen, offene Fragen und Ideen für den Unterricht. Dies kann im Lehrerzimmer ebenso gelingen wie in Fortbildungen oder auf Social Media.
Literatur
- Vgl. Zierer, Klaus: Kernbotschaften aus John Hatties Visible Learning. 2., überarbeitete Auflage. ↑
- Schon seit einigen Jahren weisen diverse Bildungsberichte auf die große Abhängigkeit von Bildungserfolg und sozialer Herkunft in Deutschland hin. Vgl. hier. Neueste Studien weisen allerdings darauf hin, dass Künstliche Intelligenz nicht die Ungleichheit im Bildungsbereich löse, sondern sogar weiter verschärfen könne: »Dabei können sich einerseits hehre Ziele wie die intendierte Reduktion sozialer Ungleichheit ins Gegenteil verkehren oder scheinbar neutrale Diagnoseinstrumente zu laufbahnentscheidenden Bewertungsinstrumenten werden.« Röhl/Kirchner: Algorithmische Alchemie – die sozio-technische Reproduktion sozialer Ungleichheit im Bildungssystem. In: Soziale Probleme 2/2023, 34. Jg., S. 276. ↑
- Vgl. zum Beispiel das OECD-Framework Empowering Learners for the Age of AI (2025) oder das Kompetenzmodell von Alles/Falck/Flick/Schulz: KI-Kompetenzen für Lehrende und Lernende. Aus der Praxis für die Praxis – eine adaptierbare Basis. Blogbeitrag vom 12.03.2025, S. 3. ↑
- »We define AI literacy as a set of competencies that enables individuals to critically evaluate AI technologies; communicate and collaborate effectively with AI; and use AI as a tool online, at home, and in the workplace.« Long, Duri; Magerko, Brian: What is AI Literacy? Competencies and Design Considerations. Honululu 2020, S.2. ↑
- Scheiter, Katharina; Bauer, Elisabeth; Omarchevska, Yoana; Schumacher, Clara; Sailer, Michael: Künstliche Intelligenz in der Schule. Eine Handreichung zum Stand in Wissenschaft und Praxis. Bonn 05/2025, S. 20. ↑
- OECD: Empowering Learners for the Age of AI. An AI Literacy Framework for Primary and Secondary Education. Review Draft 05/2025, S. 6. ↑
- Vgl. Alles/Falck/Flick/Schulz: KI-Kompetenzen für Lehrende und Lernende. Aus der Praxis für die Praxis – eine adaptierbare Basis. Blogbeitrag vom 12.03.2025, S. 4ff.↑
- OECD-Framework, S. 18.↑
- KMK: Lehren und Lernen in der digitalen Welt. Die ergänzende Empfehlung zur Strategie »Bildung in der digitalen Welt« (2021), S. 15. ↑
- OECD-Framework, S. 18.↑
- OECD-Framework, S. 8.↑
- Alles/Falck/Flick/Schulz, S. 3.↑
