KI-Didaktik: Checkliste für die fehlerfreie Planung

„Fehlerfreie“ KI-Unterrichtsplanung ist ein problematischer Begriff. Nicht, weil sorgfältige Planung überflüssig wäre, sondern weil generative Systeme gerade dort Unsicherheit erzeugen, wo Schule Verlässlichkeit schuldet: bei Lernständen, Leistungsurteilen, personenbezogenen Daten und der Frage, wer für eine falsche Auskunft haftet. Wer KI lediglich als beschleunigte Arbeitsblattmaschine behandelt, plant nicht modern, sondern blind.

Die KI-Didaktik-Vorbereitung für Lehrkräfte beginnt deshalb weder mit einem Prompt noch mit einer Lizenzentscheidung. Sie beginnt mit einer präzisen Zweckbestimmung. Erst wenn geklärt ist, welches Lernproblem bearbeitet werden soll, welche Daten überhaupt verarbeitet werden dürfen und wo die pädagogische Verantwortung verbleibt, wird aus einem KI-Tool ein vertretbares didaktisches Mittel. Die Kultusministerkonferenz formuliert die Richtung klar: Lernende sollen technische Grundzüge verstehen sowie Chancen, Grenzen und Risiken künstlicher Intelligenz beurteilen können. Das ist mehr als Medienkompetenz mit neuem Etikett; es ist eine Frage schulischer Urteilsfähigkeit.

1. Den Lernzweck vor das Werkzeug stellen

Die verbreitete Reihenfolge lautet häufig: Ein neues KI-System erscheint, seine beeindruckendste Funktion wird vorgeführt, anschließend sucht man nach einer Unterrichtsstunde, die dazu passen könnte. Didaktisch ist das die Umkehrung jeder vernünftigen Planung. Das Werkzeug setzt dann den Zweck; die Lernenden werden zu Testpersonen eines Produkts, dessen Funktionslogik sie nicht kontrollieren.

Eine belastbare KI-Unterrichtsplanung beginnt folglich mit dem Lernziel. Dabei genügt es nicht, „kritischen Umgang mit KI“ in den Entwurf zu schreiben. Die Zielsetzung muss beobachtbar und fachlich angebunden sein. Soll eine Lerngruppe historische Quellen auf Perspektivität prüfen? Soll sie mathematische Lösungswege vergleichen? Soll sie lernen, wie sprachliche Überarbeitung den Sinn eines Textes verändern kann? Oder soll sie die normativen Folgen algorithmischer Entscheidungen analysieren?

Die KMK fordert, KI-gestützte Lernangebote evidenzbasiert, altersangemessen, wissenschaftsgeleitet und am individuellen Lern- und Leistungsstand der Schülerinnen und Schüler auszurichten. Das klingt zunächst nach ministerieller Selbstverständlichkeit. In der Praxis ist es eine harte Grenze gegen die Vorstellung, jede automatisierte Differenzierung sei bereits personalisiertes Lernen.

Für die Planung lohnt sich eine kurze, aber substantielle Vorprüfung:

1. Das Fachziel muss auch ohne KI benennbar sein.

Wenn das Lernziel lautet, ein bestimmtes Chatfenster bedienen zu können, hat die Schule ihre Aufgabe verwechselt. KI kann eine Methode sein; fachliches Denken, sprachliche Präzision oder Quellenkritik bleiben der Gegenstand.

2. Die kognitive Tätigkeit der Lernenden muss erhalten bleiben.

Ein System darf Vorschläge liefern, Varianten erzeugen oder Rückfragen simulieren. Es darf jedoch nicht jene Denkbewegung ersetzen, die eigentlich gelernt werden soll. Wer eine Erörterung üben soll, muss argumentieren; wer Quellen beurteilen soll, muss Herkunft, Interesse und Plausibilität prüfen.

3. Die Lerngruppe braucht Voraussetzungen für die Aufgabe.

Sprachkompetenz, fachliches Vorwissen, Lesefähigkeit und digitale Erfahrung entscheiden darüber, ob ein KI-Dialog produktiv oder bloß überwältigend wirkt. Gerade schwächere Lernende profitieren nicht automatisch von offenen Eingabefeldern; sie benötigen häufig stärkere Aufgabenrahmen, Beispielprompts und Kriterien für die Bewertung der Ausgabe.

4. Der KI-Einsatz braucht einen erkennbaren Mehrwert.

Mehrwert liegt nicht darin, dass ein Ergebnis schneller vorliegt. Er kann darin liegen, dass Lernende mehrere Lösungswege gegenüberstellen, Rückmeldungen iterativ überarbeiten oder typische Fehlerbilder analysieren. Wo ein Lehrbuchtext, ein Partnergespräch oder eine fachlich kuratierte Quelle dasselbe besser leistet, ist KI didaktisch entbehrlich.

KI ist kein Lernziel, nur weil sie verfügbar ist. Die entscheidende Frage lautet: Welche Denkleistung wird durch ihren Einsatz sichtbarer, überprüfbarer oder anspruchsvoller?

Die Forschungslage rechtfertigt keine pauschale Behauptung, generative KI verbessere automatisch Lernergebnisse. Dafür sind Aufgabenformat, Begleitung, Fachkontext und Lernvoraussetzungen zu unterschiedlich. Wer mit großen Wirksamkeitsversprechen wirbt, verwechselt technische Möglichkeit mit pädagogischer Evidenz.

2. Datenschutz ist keine Fußnote der Unterrichtsvorbereitung

Bei offenen, cloudbasierten KI-Systemen verlassen Eingaben regelmäßig den geschützten Bereich der Schule beziehungsweise der nutzenden Person. Das ist keine abstrakte Befürchtung, sondern der strukturelle Kern solcher Dienste. Je nach Systemkonzeption können Inhalte weiterverarbeitet werden; bereits deshalb ist die Eingabe eines Förderplans, einer Klassenliste oder eines individualisierten Schülertexts keine harmlose Vorbereitungshandlung.

Die Datenschutzkonferenz verlangt vor dem Einsatz, Einsatzfeld und Zweck konkret festzulegen. Erst dann lässt sich prüfen, ob eine Verarbeitung personenbezogener Daten erforderlich und rechtlich tragfähig ist. Die übliche Ausrede, man habe ja „nur einmal etwas ausprobiert“, trägt nicht. Ein unbestimmter Zweck produziert unbestimmte Datenverarbeitung; beides ist mit informationeller Selbstbestimmung schwer vereinbar.

Die Planungsfrage lautet daher nicht: „Kann das Tool Texte verarbeiten?“ Sie lautet: „Welche Daten verlassen den schulischen Kontext, zu welchem Zweck, auf welcher Grundlage und mit welcher Alternative?“

Besondere Zurückhaltung ist bei Material geboten, das mittelbar personenbezogen ist. Auch ein vermeintlich anonymisierter Text kann durch seltene Ereignisse, Ortsbezüge, Schreibstil oder besondere Förderkonstellationen re-identifizierbar werden. Die Formel „Namen gelöscht“ ersetzt keine Datenschutzprüfung.

Für offene Systeme gilt deshalb eine einfache Regel: Keine personenbezogenen Lern-, Leistungs-, Gesundheits- oder Förderinformationen eingeben, solange Zweck, Rechtsgrundlage, Vertragslage und Datenschutzeinstellungen nicht geprüft sind. Das betrifft Lehrkräfte ebenso wie Schülerinnen und Schüler. Eine Schule, die Datenkompetenz predigt und gleichzeitig sensible Inhalte in eine Blackbox schiebt, unterrichtet nicht kritisch, sondern performativ.

KI-Kompetenz ist inzwischen auch eine Organisationspflicht

Seit dem 2. Februar 2025 gilt Artikel 4 der EU-KI-Verordnung. Anbieter und Betreiber von KI-Systemen müssen nach besten Kräften ein ausreichendes Maß an KI-Kompetenz bei den Personen sicherstellen, die solche Systeme in ihrem Auftrag bedienen oder nutzen. Für Schulen ist das kein Freibrief, aber eine unmissverständliche Verpflichtung zur Professionalisierung.

„Ausreichend“ bedeutet gerade nicht, dass ein Kollegium einmal eine Tool-Demonstration besucht. Erforderlich ist eine Kompetenz, die zum jeweiligen Einsatzrisiko passt: Funktionsweise und Grenzen verstehen, Halluzinationen erkennen, sensible Eingaben vermeiden, Verzerrungen einordnen und Entscheidungen nicht an automatisierte Vorschläge delegieren. Eine Schulleitung, die KI-Zugänge verteilt, ohne Rollen, Regeln und Fortbildung festzulegen, schafft keine Innovation, sondern eine Haftungsfrage mit Ansage.

3. Die Ausgabe prüfen: fachlich, sprachlich, normativ

Generative KI produziert keine Wahrheit, sondern statistisch plausible Sprache, Bilder oder Strukturen. Diese Differenz ist für KI-Didaktik zentral. Ein überzeugend formulierter Fehler bleibt ein Fehler; ein sauberer Quellenapparat kann erfunden sein; eine neutrale Formulierung kann gesellschaftliche Vorannahmen reproduzieren. Die technische Eleganz einer Antwort reduziert weder ihren Bias noch ihre epistemische Fragwürdigkeit.

Die UNESCO beschreibt generative KI zutreffend als schnelle, jedoch häufig unzuverlässige Informationsquelle. Daraus folgt keine Pflicht zur Abstinenz. Es folgt eine Pflicht zur methodischen Gegenwehr. Jede Aufgabe, in der KI Inhalte erzeugt, braucht daher einen eingebauten Prüfschritt. Nicht am Ende als beiläufigen Zusatz, sondern als Kern der Lernleistung.

Eine belastbare Sequenz kann beispielsweise vier Ebenen verbinden:

• Fachprüfung: Stimmen Begriffe, Rechenwege, historische Zuordnungen oder naturwissenschaftliche Zusammenhänge? Die KI-Ausgabe wird mit Fachmaterial, Primärquellen oder abgesicherten Lehrwerken abgeglichen.
• Quellenprüfung: Nennt das System überprüfbare Belege? Lassen sich die behaupteten Quellen tatsächlich finden, und stützen sie die Aussage? Erfundenes Zitieren ist bei generativen Systemen keine Randstörung, sondern ein vorhersehbares Risiko.
• Sprach- und Perspektivprüfung: Welche Wertungen, Auslassungen und Normalitätsannahmen enthält die Antwort? Werden Gruppen stereotypisiert, geschlechtlich markiert oder sozial einseitig dargestellt?
• Reflexionsprüfung: Was hat die KI beigetragen, was musste der Mensch korrigieren, und welche Entscheidung wurde bewusst gegen den Systemvorschlag getroffen?

Die pädagogisch wertvollste KI-Antwort ist nicht die glatte, sondern diejenige, an der sich begründet widersprechen lässt.

Das schützt auch vor einer didaktischen Verflachung, die gegenwärtig oft als Effizienz verkauft wird. Wenn Lernende bloß bessere Eingaben formulieren, aber keine Maßstäbe für bessere Antworten entwickeln, entsteht Prompt-Routine ohne Urteilskraft. Schule darf die Bedienoberfläche nicht mit Bildung verwechseln.

Die menschliche Letztentscheidung darf keine Formalie sein

Bei Leistungsbewertung ist die Grenze besonders deutlich. Die KMK ordnet Leistungsbewertung als pädagogische und hoheitliche Aufgabe der Lehrkräfte ein. KI kann bei Vorkorrektur, Korrekturassistenz oder Feedback unterstützen; die abschließende Bewertung darf sie nicht ersetzen.

Das bedeutet mehr als einen menschlichen Klick auf „Bestätigen“. Eine echte Letztentscheidung setzt voraus, dass die Lehrkraft nachvollziehen kann, auf welcher Grundlage ein Vorschlag zustande kam, ihn fachlich prüfen und gegebenenfalls verwerfen kann. Wo das System eine Blackbox bleibt und das Urteil faktisch vorstrukturiert, droht der Mensch zur dekorativen Instanz zu werden.

Bei automatisierter Sprachbewertung ist das Risiko besonders sichtbar: Nicht jede Abweichung von Standardsprache ist ein Kompetenzdefizit, nicht jede knappe Formulierung ist inhaltlich schwach, und nicht jede stilistische Glätte ist ein Zeichen eigenständigen Denkens. Algorithmische Bewertungssysteme können soziale, sprachliche oder kulturelle Unterschiede falsch deuten. Die Frage ist daher nicht nur, ob ein System technisch „gut genug“ bewertet, sondern ob seine Bewertungslogik der pädagogischen Normativität von Schule entspricht.

4. Differenzierung ja – aber nicht als automatisierte Sortierung

KI kann inklusive Lernwege unterstützen: durch Vorlesefunktionen, Text-zu-Sprache, Sprache-zu-Text, Übersetzungen, Bildbeschreibungen oder die Übertragung komplexer Texte in Leichte Sprache. Das sind reale Potenziale. Gerade dort, wo Zugänge zu Sprache, Schrift oder visuellen Informationen fehlen, kann technische Assistenz Teilnahme ermöglichen.

Doch Inklusion erschöpft sich nicht in der Bereitstellung alternativer Formate. Ein automatisch vereinfachter Text kann fachlich entkernt sein. Eine Übersetzung kann Begriffe verschieben. Eine adaptive Übungsumgebung kann Lernende auf der Grundlage fehlerhafter Daten vorschnell in niedrigere Anforderungsniveaus einsortieren. Aus Unterstützung wird dann eine stille Form von Selektion.

Die didaktische Anforderung lautet deshalb: Differenzierung muss transparent, reversibel und pädagogisch begründet bleiben. Lernende dürfen nicht in unsichtbaren Profilen festgeschrieben werden. Sie müssen verstehen können, warum sie bestimmte Vorschläge erhalten, und sie müssen Wege haben, diese Vorschläge zu hinterfragen oder zu verlassen.

Für die Unterrichtsvorbereitung heißt das konkret:

• Unterstützende KI-Funktionen werden als Wahlmöglichkeit oder klar begründete Hilfe eingesetzt, nicht als unsichtbare Zuweisung.
• Vereinfachungen werden fachlich gegengeprüft: Was wurde gekürzt, welche Begriffe fehlen, welche Beziehungen zwischen Sachverhalten sind verloren gegangen?
• Mehrsprachigkeit wird nicht bloß als Übersetzungsproblem behandelt. Sprachliche Ressourcen der Lernenden gehören in den Unterricht; KI-Übersetzung kann unterstützen, aber nicht die gemeinsame fachliche Klärung ersetzen.
• Gruppenarbeit bleibt didaktisch geschützt. Die KMK weist ausdrücklich darauf hin, dass KI das gemeinsame Lernen nicht schwächen darf. Schulische Bildung findet im sozialen Raum statt, nicht im isolierten Dialog zwischen Kind und System.

Die entscheidende Gegenfrage zu jedem adaptiven Angebot lautet: Erweitert es Handlungsmöglichkeiten oder verwaltet es Defizitzuschreibungen effizienter? Wer diese Frage ausblendet, lässt die Logik datengetriebener Klassifikation in pädagogische Beziehungen einsickern.

5. Prüfungsformate neu ordnen, nicht Überwachung verschärfen

Ein allgemeines Verbot von KI bei Hausaufgaben ist weder durchhaltbar noch didaktisch überzeugend. Es verschiebt die Nutzung in den privaten, unbegleiteten Raum und macht ehrliche Dokumentation unattraktiv. Ebenso unerquicklich ist die Gegenbewegung: der Versuch, jede KI-Nutzung durch Erkennungssoftware nachzuweisen. Solche Detektoren liefern keine tragfähige Grundlage für pädagogische oder rechtlich wirksame Vorwürfe; sie verwechseln Wahrscheinlichkeiten mit Beweisen.

Die angemessenere Antwort ist eine Prüfungskultur, die den Entstehungsprozess sichtbar macht. Die KMK empfiehlt, neben dem Produkt auch Prozess, Präsentation, Verteidigung, Reflexion und die Zusammenarbeit von Mensch und KI einzubeziehen. Damit rücken die 4K in den Mittelpunkt: Kommunikation, Kollaboration, Kreativität und kritisches Denken.

Das verändert Aufgaben nicht kosmetisch, sondern strukturell. Statt ausschließlich einen fertigen Essay zu verlangen, kann eine Lehrkraft etwa fordern:

1. eine dokumentierte Ausgangsfrage und die verwendeten KI-Eingaben;

2. zwei KI-Vorschläge mit markierten fachlichen oder argumentativen Schwächen;

3. eine eigenständige Überarbeitung, deren Entscheidungen begründet werden;

4. einen Quellenabgleich mit belastbaren Materialien;

5. eine kurze mündliche Verteidigung der zentralen These oder Lösung.

Ein solches Format bewertet nicht die Fähigkeit, eine Maschine möglichst unauffällig für sich schreiben zu lassen. Es bewertet fachliche Steuerung, Urteilsvermögen und Verantwortung. Genau dort liegt der pädagogische Kern.

Für jüngere Lernende verschärft sich die Aufsichtspflicht. Die UNESCO empfiehlt ein Mindestalter von 13 Jahren für unabhängige Gespräche mit generativen KI-Plattformen; das ist keine einheitliche deutsche Rechtsnorm. Es ist jedoch ein gewichtiger Hinweis darauf, dass Altersangemessenheit nicht durch einen einzigen Elternbrief erledigt ist. Nutzungsbedingungen, Einwilligungsfragen, Schulkontext und Reife der Lerngruppe müssen zusammen betrachtet werden.

Der Maßstab bleibt die verantwortete Entscheidung

Gute KI-Didaktik ist nicht jene, in der möglichst viele Aufgaben automatisiert werden. Sie ist jene, in der die Schule ihre eigene Verantwortung präziser wahrnimmt: für Daten, für Urteile, für gerechte Teilhabe und für die Fähigkeit junger Menschen, überzeugende Maschinenantworten nicht mit Wissen zu verwechseln.

Die Checkliste für die KI-Didaktik-Vorbereitung für Lehrkräfte ist damit kein Verwaltungsritual. Sie ist eine Ordnung des Vorrangs: zuerst Lernziel und Lernvoraussetzung, dann Datenschutz und Zuständigkeit, anschließend Qualitätsprüfung und Prüfungsformat. Obgleich KI Werkzeuge bereitstellt, bleibt Bildung eine Beziehung zwischen Menschen, die Gründe geben, Einwände zulassen und Verantwortung übernehmen.

Wer diese Reihenfolge einhält, verhindert nicht jeden Fehler. Aber er verhindert den folgenreichsten: die technische Delegation pädagogischer Verantwortung.