KI im Klassenzimmer: Warum menschliche Empathie bei der digitalen Bildung unersetzlich bleibt

Die Notre Dame de Namur University formuliert in einem aktuellen Positionspapier, welche Kompetenzen Lehrkräfte im Umgang mit KI-Werkzeugen entwickeln müssen – und grenzt zugleich scharf ab, welche Entscheidungen weiterhin menschlicher Urteilskraft vorbehalten bleiben. Für Schulträger und IT-Verantwortliche ist das weniger eine pädagogische als eine Infrastrukturfrage: Welche KI-Workflows lassen sich sauber in bestehende Prozesse einbinden, ohne Vertrauen, Datenschutz und pädagogische Hoheit zu gefährden?

Was die Universität als delegierbar markiert

Das Papier benennt konkrete Einsatzfelder: Unterrichtsideen entwickeln, Materialien differenzieren, administrativen Aufwand reduzieren, Reflexionsprozesse unterstützen. Technisch sind das vor allem textgenerierende Pipelines – API-basiert, mit definiertem Token-Budget und reproduzierbarer Latenz. Solange jede Ausgabe vor dem Einsatz im Unterricht von einer Lehrkraft gesichtet und angepasst wird, bleibt die fachliche Hoheit gewahrt. Genau hier verläuft der saubere Schnitt für jede Schul-KI-Strategie: generieren ja, entscheiden nein.

Was nicht automatisierbar ist – und was die IT daraus macht

Die Universität stellt unmissverständlich klar, dass KI keine empathische Beziehungsarbeit, keine ethische Abwägung und keine kulturelle Kontextsensibilität ersetzen kann. Aus Systemsicht entspricht das dem Stand der Technik: Kontextuelle Mehrdeutigkeit, nonverbale Signale und Vertrauensaufbau lassen sich mit aktuellen Sprachmodellen nicht zuverlässig abbilden. Hinzu kommt ein strukturelles Bias-Risiko, weil KI-Systeme nur so belastbar sind wie die Daten, aus denen sie lernen.

Das Papier leitet daraus sechs Kompetenzfelder für die Lehrerbildung ab: kritisches Evaluieren von KI-Ausgaben, equity-orientierte Unterrichtsplanung, Schutz von Schülerdaten, Bias-Erkennung, Abwägen zwischen Innovation und Ethik sowie die Reflexion, wann Technologie tatsächlich Mehrwert liefert. Für die IT-Seite folgen daraus vier harte Prüfpunkte:

• Datenpfad: Welche Schüler- oder Lehrkraftdaten erreichen das Modell, wo werden sie zwischengespeichert, und wer hat Audit-Zugriff?
• Audit-Schicht: Lässt sich jede KI-Ausgabe nachträglich einer konkreten Eingabe zuordnen?
• Fallback-Regel: Gibt es eine dokumentierte Prozedur für Modell-Ausfall oder Halluzination?
• Bias-Test: Wird die Ausgabe regelmäßig gegen eine manuelle Plausibilitätsprüfung gespiegelt?

Machbarkeitsbewertung

Go für assistierende, dokumentenbasierte KI-Workflows mit verpflichtender Lehrkraft-Freigabe. No-Go für jede Form autonomer Entscheidungsunterstützung im Beziehungsraum. Was bleibt, ist eine Schulungsaufgabe, die nicht in zwei Fortbildungsstunden erledigt ist: Lehrkräfte müssen KI-Ausgaben wie Quellcode reviewen – mit definierten Akzeptanzkriterien, nicht mit Bauchgefühl.