Adaptives Lernen mit KI: Checkliste gegen Planungsfehler

Das Vorhaben steht für eine Entwicklung, die Schulen in den kommenden Jahren nicht nur bei der Auswahl digitaler Werkzeuge beschäftigen wird: Lernstand, Lerntempo und Schwierigkeitsgrad sollen zunehmend datenbasiert eingeschätzt und für die weitere Aufgabenplanung genutzt werden. Damit verschiebt sich eine pädagogische Entscheidung in einen technischen Prozess. Wer festlegt, welche Aufgabe als Nächstes erscheint, entscheidet immer auch darüber, welche Vorstellung vom Lernen im System wirksam wird.

Der mmb-Trendmonitor 2024/2025 sieht adaptive Lernsysteme erstmals mit 71 Prozent Zustimmung an der Spitze der wirtschaftlich vielversprechendsten Bildungstechnologien – fünfzehn Prozentpunkte über dem Vorjahreswert von 56 Prozent. Diese Zustimmung darf allerdings nicht mit pädagogischer Gewissheit verwechselt werden. Die häufig zitierte Zahl von 42 Prozent der Lehrkräfte, die eine geistige Verflachung durch Künstliche Intelligenz befürchten, stammt aus einer Bitkom-Umfrage und bezieht sich auf KI allgemein, nicht ausschließlich auf adaptive Lernsysteme. Gerade diese Unterscheidung ist entscheidend: Die Skepsis richtet sich gegen den breiteren Einsatz von KI und lässt sich nicht ohne Weiteres als Einwand gegen jedes adaptive System lesen.

Der Status quo: Warum adaptive Systeme die Unterrichtsplanung verändern

Laut Bitkom nutzen 58 Prozent der Lehrkräfte an weiterführenden Schulen KI für schulische Zwecke – sechs Prozent täglich, 24 Prozent mindestens einmal pro Woche. Diese Verbreitung geht mit einem bemerkenswerten Konsens einher: 89 Prozent der Befragten sind der Auffassung, dass Schülerinnen und Schüler den Umgang mit KI erlernen sollten. Was als breite Akzeptanz erscheint, offenbart bei näherer Betrachtung eine tiefe Ambivalenz. Denn 36 Prozent der Lehrkräfte stimmen sowohl der Notwendigkeit von KI-Kompetenzvermittlung als auch der Furcht vor negativen Folgen für die geistige Eigenleistung zu. Diese Gruppe teilt sich nicht sauber in Euphorische und Ablehnende auf, sondern artikuliert beides gleichzeitig.

Auch die 42 Prozent aus der Bitkom-Umfrage sind in diesem Zusammenhang einzuordnen: Sie beschreiben eine allgemeine Sorge vor geistiger Verflachung durch KI. Daraus folgt weder, dass adaptive Lernsysteme grundsätzlich schädlich sind, noch, dass ihre pädagogischen Folgen bereits geklärt wären. Es folgt zunächst nur, dass die Einführung solcher Systeme nicht als rein technischer Fortschritt behandelt werden sollte.

Diese Ambivalenz ist kein bloßes Stimmungsbild. Sie ist ein Strukturmerkmal des gegenwärtigen KI-Einsatzes in Schulen. Wer adaptive Systeme einführt, ohne sich zu ihrer Doppelfunktion zu verhalten – als Lernhilfe und als Datensystem –, verschiebt pädagogische Entscheidungen in ein technisches Subsystem, dessen Innenleben sich der unmittelbaren Beobachtung entzieht. Die adaptive Logik verspricht Individualisierung; sie liefert zugleich eine schwer einsehbare Auswahlordnung. Das System entscheidet, welche Aufgabe als nächster Schritt gilt, welche Schwierigkeit als angemessen erscheint und wann ein Lernziel als erreicht betrachtet wird.

Für die Unterrichtsplanung verändert sich damit nicht nur die Menge der verfügbaren Informationen. Es verändert sich die Reihenfolge professioneller Entscheidungen. Früher plante die Lehrkraft ein Lernziel, beobachtete die Lerngruppe und passte Aufgaben oder Erklärungen an. Mit einem adaptiven System kommt eine zusätzliche Deutungsebene hinzu: Die Software sammelt Interaktionsdaten, erkennt Muster und schlägt daraufhin Aufgaben, Wiederholungen oder Lernpfade vor. Diese Vorschläge können sinnvoll sein. Sie sind aber keine unmittelbare Abbildung des Lernens.

Ein Fehlversuch kann auf eine Wissenslücke hindeuten, ebenso auf eine unklare Aufgabenstellung, eine sprachliche Barriere, fehlende Konzentration oder eine technische Störung. Wer nur das Ergebnis protokolliert, verwechselt leicht beobachtbares Verhalten mit einer vollständigen Diagnose. Genau darin liegt einer der typischen Fehler bei der Planung von adaptivem Unterricht: Die Daten wirken präziser, als sie pädagogisch tatsächlich sind.

Adaptives Lernen verspricht, jedem Kind gerecht zu werden. Ohne nachvollziehbare Prüfwege bleibt dieses Versprechen jedoch abhängig von Annahmen, die im System verborgen sein können.

Die erste Prüfung gilt deshalb nicht der Funktionsfülle eines Werkzeugs, sondern seinem pädagogischen Zweck. Soll es beim Üben unterstützen, Lernstände sichtbar machen, Wiederholungen organisieren oder der Lehrkraft Hinweise für die weitere Planung geben? Diese Funktionen sind nicht austauschbar. Ein System, das für automatisierte Übungsschleifen geeignet ist, muss nicht automatisch eine belastbare Grundlage für Förderentscheidungen liefern.

Für die Planung helfen drei Unterscheidungen:

• Unterstützung statt Entscheidung: Ein System kann Vorschläge erzeugen, ohne über Lernziele, Fördermaßnahmen oder Bewertungen zu entscheiden.
• Beobachtung statt Diagnose: Nutzungsdaten zeigen, wie ein Lernender mit einer Aufgabe umgeht. Sie erklären nicht zwangsläufig, warum dies geschieht.
• Individualisierung statt Vereinzelung: Ein persönlicher Lernpfad darf nicht dazu führen, dass Schülerinnen und Schüler dauerhaft aus gemeinsamer fachlicher und sozialer Arbeit herausgelöst werden.

Gerade der letzte Punkt wird in der Praxis unterschätzt. Adaptivität kann Differenzierung erleichtern, aber sie kann auch die gemeinsame Unterrichtszeit in eine Summe paralleler Einzelpfade auflösen. Das ist nicht per se falsch. Es wird problematisch, wenn die Lernenden nicht mehr wissen, welches gemeinsame Ziel sie verfolgen, oder wenn schwächere Schülerinnen und Schüler nur noch vereinfachte Aufgaben erhalten und dadurch langfristig von anspruchsvollen Inhalten ferngehalten werden.

Ein sinnvoll geplanter Einsatz beginnt deshalb mit einer Unterrichtsentscheidung, nicht mit einem Tool. Die Lehrkraft sollte zunächst festlegen, welches Lernziel für alle gilt, welche Unterschiede innerhalb der Lerngruppe erwartet werden und an welcher Stelle ein adaptives Werkzeug tatsächlich helfen kann. Erst danach stellt sich die Frage, ob die Anwendung passende Aufgaben, Rückmeldungen oder Auswertungen liefert.

Algorithmische Fallstricke: Wenn KI-Vorschläge pädagogische Ziele untergraben

Die US-Organisation Common Sense hat in einem Bericht vor der unkritischen Übernahme von KI-Unterrichtsplanern gewarnt und dabei Werkzeuge wie MagicSchool, Google Classroom, Khanmigo und Curipod in den Blick genommen. Der Befund lässt sich auf adaptive Lernsysteme übertragen, ohne die einzelnen Werkzeuge gleichzusetzen: Was als zeitsparende Differenzierungshilfe angeboten wird, kann systematische Verzerrungen erzeugen.

Diese Verzerrungen wirken in mindestens zwei Richtungen. Zum einen können Systeme curriculare Muster reproduzieren, die aus Trainings- und Nutzungsdaten mit ungleicher Repräsentation stammen. Zum anderen können sie individualisierte Fördervorschläge erzeugen, deren Passgenauigkeit für den Einzelfall nicht nachgewiesen, sondern nur durch die Form des Ergebnisses plausibel gemacht wird. Ein sauber formulierter Lernpfad ist noch kein guter Lernpfad.

Hier zeigt sich ein methodisches Grundproblem: Adaptivität ist eine Funktion von Daten, Modellannahmen und Zielvorgaben – nicht allein der pädagogischen Absicht. Ein System kann auf „Förderung“ optimiert sein und trotzdem vor allem leicht messbare Verhaltensweisen belohnen: schnelle Antworten, hohe Bearbeitungszahlen oder die erfolgreiche Wiederholung ähnlicher Aufgabentypen. Was schwerer zu erfassen ist, gerät dann aus dem Blick: die Qualität einer Begründung, der Transfer auf eine neue Situation, die Bereitschaft zur Zusammenarbeit oder die Fähigkeit, einen Lösungsweg kritisch zu hinterfragen.

Ob ein Vorschlag dem tatsächlichen Lernstand gerecht wird, lässt sich daher nicht aus der Empfehlung selbst ablesen. Die Lehrkraft muss sie gegen weitere Beobachtungen prüfen. Genau an dieser Stelle entsteht ein praktisches Risiko: Zeitdruck und Routine begünstigen die Übernahme plausibel formulierter Vorschläge. Je besser die Oberfläche funktioniert, desto leichter wird vergessen, dass auch ein technisch überzeugendes Ergebnis eine Hypothese bleibt.

Eine zweite Falllinie betrifft die Schnittstelle zwischen KI-Empfehlung und Unterrichtsrealität. Differenzierte Aufgabensets, die ein System auf Basis protokollierter Sitzungen generiert, mögen statistisch plausibel sein. Pädagogisch verantwortbar werden sie erst, wenn die Lehrkraft sie mit dem konkreten Lerngruppenkontext abgleicht: mit Vorwissen, Sprachstand, Sozialverhalten, Motivation, Tagesform und den Lernzielen der Unterrichtsreihe.

Besonders aufschlussreich ist dabei die Frage, welche Daten überhaupt als relevant gelten. Ein System, das vor allem Klicks, Bearbeitungsdauer und Fehlversuche verarbeitet, kann Lernende bevorzugen, die routiniert mit digitalen Oberflächen umgehen. Ein Kind mit geringer Lesegeschwindigkeit erscheint dann möglicherweise als fachlich schwächer, obwohl die eigentliche Hürde im Lesen der Aufgabenstellung liegt. Ein anderes Kind klickt sich schnell durch Übungen, weil es gelernt hat, welche Antwortform erwartet wird – nicht, weil es den zugrunde liegenden Begriff sicher beherrscht.

Für die Planung ist deshalb eine Pro-und-Contra-Prüfung sinnvoll, bevor ein automatisierter Vorschlag in die Unterrichtsreihe übernommen wird:

Die Tabelle ist keine Empfehlung gegen adaptive Systeme. Sie zwingt lediglich dazu, den Gewinn nicht abstrakt zu behaupten, sondern an einer konkreten Unterrichtsentscheidung zu prüfen. Wenn ein Werkzeug nur zusätzliche Daten produziert, ohne eine bessere pädagogische Entscheidung zu ermöglichen, ist seine Adaptivität noch kein Mehrwert.

Ein weiterer Planungsfehler entsteht, wenn die Lehrkraft die Zielvariable des Systems nicht kennt. Wird Erfolg an der Zahl korrekt gelöster Aufgaben gemessen, kann das Werkzeug bei einfachen Wiederholungen gute Ergebnisse liefern und dennoch am eigentlichen Lernziel vorbeiarbeiten. Bei einer Schreibaufgabe wäre beispielsweise nicht nur die formale Korrektheit einzelner Antworten relevant, sondern auch die Fähigkeit, Gedanken zu ordnen, Belege auszuwählen und eine eigene Position zu entwickeln. Solche Leistungen verlangen andere Beobachtungsformen als ein geschlossenes Antwortformat.

Vor der Nutzung eines KI-Tools zur Lernstandsanalyse sollten daher mindestens folgende Fragen beantwortet sein:

• Welche Leistung soll das System überhaupt erkennen?
• Welche relevanten Aspekte des Lernens bleiben außerhalb seiner Messung?
• Welche Fehlinterpretationen sind bei Sprache, Lesetempo, Behinderung oder technischer Nutzung möglich?
• Wie wird eine Empfehlung im Unterricht überprüft und gegebenenfalls verworfen?
• Wann erhält die Schülerin oder der Schüler wieder eine gemeinsame, nicht individualisierte Lerngelegenheit?

Die letzte Frage ist nicht nebensächlich. Lernende brauchen Gelegenheiten, ihre Gedanken zu erklären, voneinander zu lernen und Unsicherheiten öffentlich zu bearbeiten. Ein adaptiver Pfad kann das Üben strukturieren, aber er ersetzt weder fachliche Gespräche noch die Erfahrung, an einer anspruchsvollen gemeinsamen Aufgabe zu arbeiten.

Datenschutz und rechtliche Leitplanken für den KI-Einsatz

Rechtlich bewegt sich der Einsatz adaptiver Lernsysteme in einem Spannungsfeld, das nicht durch einen einzelnen Erlass oder eine allgemeine Anbieterzusage aufgelöst wird. Die Datenschutz-Grundverordnung setzt mit den Grundsätzen der Zweckbindung, Datenminimierung und Transparenz einen Rahmen. Hinzu kommen landesspezifische Schulgesetze, Vorgaben der Schulaufsicht, schulinterne Zuständigkeiten und die konkreten Vertragsbedingungen des jeweiligen Anbieters.

Besonders sensibel ist die Situation, wenn Verhaltensdaten, Verweildauern, Fehlermuster oder individuelle Lernprofile erfasst werden. Bei Schülerinnen und Schülern geht es nicht nur um die Frage, ob eine Anwendung praktisch funktioniert. Es geht auch darum, ob die Verarbeitung für den vorgesehenen Bildungszweck erforderlich und angemessen ist, wer sie veranlasst, wer auf die Daten zugreifen kann und wann sie gelöscht oder anonymisiert werden.

Drei neuralgische Punkte verdienen besondere Aufmerksamkeit:

• Datenminimierung und Zweckbindung. Ein adaptiver Tutor sollte nur solche Informationen verarbeiten, die für den konkreten Lernzweck erforderlich sind. Wenn Interaktionsmuster gespeichert werden, muss nachvollziehbar sein, wofür dies geschieht und wie lange die Daten benötigt werden. Eine möglichst umfassende Profilbildung ist nicht automatisch pädagogisch besser.
• Transparenz und Nachvollziehbarkeit. Lehrkräfte, Lernende und Erziehungsberechtigte brauchen verständliche Informationen darüber, welche Daten verarbeitet werden, welche Funktion die Auswertung hat und wie mit automatisierten Empfehlungen umgegangen wird. Vollständige technische Offenlegung ist nicht immer realistisch; eine pädagogisch und rechtlich brauchbare Erklärung darf trotzdem nicht durch bloße Werbesprache ersetzt werden.
• Aufbewahrung und Löschung. Lernhistorien über mehrere Schuljahre hinweg sollten nicht als selbstverständlich notwendiger Bestandteil adaptiver Systeme behandelt werden. Ob eine solche Speicherung zulässig und erforderlich ist, hängt vom konkreten Zweck, der Ausgestaltung des Systems und den geltenden schul- und landesrechtlichen Vorgaben ab. Eine längere Datenhaltung kann die Risiken für Schule und Schulträger erhöhen, wenn Zweck, Zugriff und Löschzeitpunkt nicht klar geregelt sind.

Die datenschutzrechtliche Verantwortlichkeit liegt dabei nicht pauschal bei der einzelnen Lehrkraft. In vielen Konstellationen kommen vielmehr Schule, Schulträger oder eine andere öffentliche Stelle als Verantwortliche in Betracht; daneben können Anbieter eigene Rollen übernehmen oder als Auftragsverarbeiter eingebunden sein. Welche Zuordnung gilt, lässt sich nur anhand der konkreten Organisation, des Vertrags und der tatsächlichen Entscheidung über Zwecke und Mittel der Verarbeitung beurteilen. Die Lehrkraft kann dennoch eine wichtige Rolle spielen – etwa bei der Auswahl einer Anwendung im Unterricht, bei der Eingabe personenbezogener Daten oder bei der Umsetzung schulischer Vorgaben. Daraus folgt aber nicht automatisch, dass sie allein oder generell datenschutzrechtlich verantwortlich ist.

Für die Praxis heißt das: Die Zuständigkeiten müssen vor dem Einsatz geklärt werden, nicht erst nach einem Vorfall. Dazu gehören Fragen nach der Freigabe des Tools, der datenschutzrechtlichen Prüfung, den Zugriffsrechten, den Löschfristen, der Information der Betroffenen und dem Umgang mit Auskunfts- oder Berichtigungsanfragen. Ebenso sollte feststehen, wer kontaktiert wird, wenn das System eine offensichtlich unplausible Empfehlung ausgibt oder Daten falsch zuordnet.

Auch die Haftungsfrage lässt sich nicht mit dem Satz beantworten, die Verantwortung verbleibe immer bei der Lehrkraft. Ob eine fehlerhafte Empfehlung rechtliche Folgen hat, hängt unter anderem davon ab, wie das System eingesetzt wurde, welche institutionellen Vorgaben galten, ob die Empfehlung überprüft werden musste, welche Informationen vorlagen und wer die maßgebliche Entscheidung getroffen hat. Eine automatische Zurechnung zur Lehrkraft wäre deshalb ebenso verkürzt wie die Annahme, ein Anbieter trage jede Folge einer schulischen Nutzung.

Eine dokumentierte Prüfkette bleibt trotzdem sinnvoll. Sie ist kein pauschal vorgeschriebenes Haftungsinstrument und ersetzt keine rechtliche Beratung. Sie kann aber sichtbar machen, wie eine Empfehlung zustande kam, welche Einwände bestanden, welche Änderungen vorgenommen wurden und warum eine Lehrkraft oder ein Team eine Entscheidung getroffen hat. Das unterstützt Qualitätsentwicklung, Transparenz und die spätere Aufklärung – gerade dann, wenn Zuständigkeiten zwischen Schule, Schulträger und Anbieter verteilt sind.

Die Rolle der Lehrkraft: Zwischen technischer Assistenz und menschlicher Empathie

Die Bitkom-Erhebung zeigt ein Lehrkräftekollektiv im Spagat. 89 Prozent befürworten, dass Schülerinnen und Schüler den Umgang mit KI erlernen, während 42 Prozent eine geistige Verflachung durch KI allgemein befürchten. 36 Prozent verbinden beide Positionen. Diese Zahlen beschreiben keine Fehlentscheidung der Befragten, sondern eine realistische Spannung: Wer KI-Kompetenz vermittelt, muss ihre Grenzen und Nebenwirkungen zugleich zum Gegenstand des Unterrichts machen.

Infolgedessen verschiebt sich die professionelle Aufgabe der Lehrkraft. Sie ist nicht mehr nur didaktische Instanz, sondern auch Übersetzerin zwischen algorithmischer Empfehlung und pädagogischer Praxis. Diese Übersetzungsleistung lässt sich nicht automatisieren. Sie setzt voraus, dass die Lehrkraft die Funktionslogik des Systems in Grundzügen versteht, die Grenzen der verwendeten Daten kennt und den Vorschlag in eine konkrete Situation einordnen kann.

Das bedeutet nicht, dass jede Lehrkraft ein Modell technisch analysieren können muss. Es bedeutet aber, dass die Oberfläche des Werkzeugs nicht als vollständige Erklärung ausreicht. Wenn ein System einen Lernenden einer bestimmten Aufgabenstufe zuordnet, muss zumindest nachvollziehbar sein, auf welche beobachtbaren Signale diese Empfehlung zurückgeht. Noch wichtiger ist die Frage, welche Informationen nicht berücksichtigt wurden.

Menschliche Empathie ist dabei kein dekorativer Zusatz. Sie ist eine Erkenntnisquelle. Eine Lehrkraft bemerkt möglicherweise, dass ein Kind nach einem Konflikt unkonzentriert arbeitet, dass eine Aufgabenstellung sprachlich missverständlich ist oder dass ein scheinbarer Leistungsabfall mit einer belastenden Situation zusammenhängt. Das sind keine Datenpunkte, die sich ohne Weiteres in ein adaptives Modell übertragen lassen. Sie können für die pädagogische Entscheidung dennoch entscheidend sein.

Die Rolle der Lehrkraft besteht deshalb nicht darin, jede algorithmische Empfehlung zu bestätigen oder reflexhaft zu verwerfen. Sie besteht darin, die Empfehlung in eine professionelle Entscheidung zu überführen. Dafür braucht es Zeit, kollegialen Austausch und eine Kultur, in der Widerspruch gegen das System nicht als Bedienfehler gilt. Wenn eine Anwendung nur dann als erfolgreich betrachtet wird, wenn ihre Vorschläge übernommen werden, ist die pädagogische Freiheit bereits praktisch eingeschränkt.

Auch die Lernenden sollten in diese Prüfung einbezogen werden. Sie können beschreiben, ob Aufgaben zu leicht, zu schwer oder an der eigentlichen Schwierigkeit vorbei geplant sind. Sie können Rückmeldung dazu geben, ob automatische Hinweise verständlich sind und ob individuelle Pfade als Unterstützung oder als Etikettierung erlebt werden. Solche Rückmeldungen ersetzen keine fachliche Diagnose. Sie ergänzen die technischen Daten um eine Perspektive, die das System selbst nicht zuverlässig erzeugen kann.

Die wichtigste Kompetenz im adaptiven Unterricht ist nicht die Fähigkeit, jeden Vorschlag der KI zu nutzen. Es ist die Fähigkeit, ihn begründet nicht zu nutzen.

Strukturierte Implementierung: Vom AIS-Projekt bis zur individuellen Lernbegleitung

Das AIS-Projekt zeigt, dass adaptive Systeme inzwischen nicht mehr nur als abstrakte Zukunftsidee diskutiert werden. Für Schulen folgt daraus jedoch kein Auftrag, möglichst schnell eine Anwendung einzuführen. Der Beginn eines Projekts ist ein Anlass, die eigenen pädagogischen und organisatorischen Voraussetzungen zu prüfen. Entscheidend ist nicht, ob ein System modern wirkt, sondern ob es in eine verantwortbare Lernumgebung eingebettet werden kann.

Ein tragfähiger Startpunkt ist ein begrenztes Unterrichtsszenario. Die Schule sollte nicht gleichzeitig Lernstandsanalyse, automatische Aufgabenverteilung, Elternkommunikation und Leistungsbewertung mit einem neuen System verbinden. Je mehr Funktionen gekoppelt werden, desto schwieriger wird es, Fehlerquellen und Verantwortlichkeiten auseinanderzuhalten. Eine klar umrissene Übungsphase kann dagegen zeigen, ob die Anwendung tatsächlich Zeit spart und bessere Lernentscheidungen ermöglicht.

Für die Vorbereitung eines adaptiven Unterrichts haben sich fünf aufeinanderfolgende Fragen als besonders hilfreich erwiesen:

1. Welches Lernziel bleibt unverändert?

Das System darf die Unterrichtsziele nicht nebenbei definieren. Vor dem Einsatz muss feststehen, welche fachliche oder überfachliche Leistung am Ende erwartet wird und welche Teile davon überhaupt digital unterstützt werden können.

2. Welche Entscheidung soll die Anwendung unterstützen?

Geht es um zusätzliche Übung, um Hinweise auf mögliche Fehlvorstellungen oder um die Zusammenstellung verschiedener Aufgabenvarianten? Je enger die Entscheidung gefasst ist, desto leichter lässt sich prüfen, ob die Empfehlung brauchbar ist.

3. Welche Daten sind dafür notwendig?

Die Schule sollte zwischen erforderlichen Informationen und bloß verfügbaren Daten unterscheiden. Nicht jede protokollierte Interaktion muss für eine Lernbegleitung gespeichert werden. Eine zurückhaltende Datenerhebung ist oft auch pädagogisch klarer.

4. Wie wird die Empfehlung kontrolliert?

Vorab sollte festgelegt werden, wann die Lehrkraft eingreift, welche zusätzlichen Beobachtungen herangezogen werden und wie eine falsche Zuordnung korrigiert wird. Eine Korrekturmöglichkeit ist kein Luxus, sondern Voraussetzung für einen verantwortbaren Einsatz.

5. Wie kehren die Lernenden in den gemeinsamen Unterricht zurück?

Individuelle Aufgabenpfade brauchen einen Anschluss an gemeinsame Gespräche, Erklärungen und anspruchsvolle Lerngelegenheiten. Sonst wird aus Differenzierung eine dauerhafte Trennung.

Gerade bei Tools zur Lernstandsanalyse ist die Versuchung groß, die Auswertung zum Mittelpunkt der Planung zu machen. Dann wird zunächst betrachtet, welche Daten verfügbar sind, und erst danach überlegt, was daraus pädagogisch folgen könnte. Die Reihenfolge sollte umgekehrt sein. Das Lernziel und die konkrete Unterrichtsfrage müssen den Umfang der Analyse bestimmen.

Auch die Einführung im Kollegium sollte nicht auf eine einmalige Einweisung reduziert werden. Lehrkräfte benötigen Gelegenheit, Empfehlungen gemeinsam zu vergleichen, Fehlklassifikationen zu besprechen und Materialien anzupassen. Dabei ist es sinnvoll, nicht nur erfolgreiche Beispiele zu dokumentieren. Ebenso lehrreich sind Situationen, in denen ein System einen plausibel klingenden, aber pädagogisch ungeeigneten Vorschlag gemacht hat. Solche Fälle machen die Grenzen sichtbar und stärken die Urteilskraft.

Für die Lernenden wiederum braucht es eine verständliche Erklärung der Funktion. Sie sollten wissen, dass eine Anpassung des Schwierigkeitsgrads keine abschließende Aussage über ihre Fähigkeiten ist. Ein Lernpfad ist eine momentane Arbeitsentscheidung, kein dauerhaftes Leistungsprofil. Diese Unterscheidung ist besonders wichtig, wenn Systeme Fortschritte, Fehlermuster oder Bearbeitungszeiten sichtbar machen. Aus einer vorläufigen Beobachtung darf kein Etikett werden.

Die individuelle Lernbegleitung endet außerdem nicht mit der automatischen Rückmeldung. Eine gute Rückmeldung eröffnet einen nächsten Denk- oder Arbeitsschritt. Sie zeigt nicht nur, dass eine Antwort falsch war, sondern unterstützt die Frage, woran der Fehler lag und wie sich ein Lösungsweg verbessern lässt. Wo ein System diese Erklärung nicht leisten kann, muss die Lehrkraft oder das Lernarrangement die Lücke schließen.

Am Ende steht daher keine Entscheidung zwischen analogem Unterricht und vollständiger Automatisierung. Die entscheidende Frage lautet, welche Aufgaben ein adaptives System zuverlässig unterstützen kann und wo menschliche Wahrnehmung, Beziehung und fachliches Urteil unverzichtbar bleiben. Das betrifft nicht nur schwierige Einzelfälle. Es betrifft den Alltag: die Auswahl einer Aufgabe, die Interpretation eines Fehlers, den Umgang mit Frustration und die Entscheidung, wann ein Lernender mehr Herausforderung statt weiterer Vereinfachung braucht.

Adaptive Systeme können Unterricht differenzierter vorbereiten. Sie können Muster sichtbar machen, die in einer großen Lerngruppe leicht übersehen werden, und Routinen bei der Aufgabenzusammenstellung erleichtern. Ihr Nutzen entsteht jedoch nicht durch die Menge der gesammelten Daten und auch nicht durch möglichst viele automatisierte Entscheidungen. Er entsteht dort, wo eine Lehrkraft eine konkrete pädagogische Frage besser bearbeiten kann, ohne die Verantwortung für das Lernziel und die Beziehung zu den Lernenden abzugeben.

Die belastbare Checkliste gegen Planungsfehler ist deshalb keine Liste von Funktionen. Sie ist eine Haltung zur Technik: Vorschläge werden geprüft, Daten werden begrenzt, Zuständigkeiten werden geklärt und individuelle Lernwege bleiben an gemeinsames Lernen gebunden. Erst unter diesen Bedingungen wird aus adaptivem Lernen mit KI mehr als eine elegante Form der Aufgabenverteilung.