KI im Projektunterricht: Checkliste für die Vorbereitung

Sie beginnt mit einer unbequemen Vorfrage: Welche geistige Leistung soll von den Lernenden selbst erbracht werden – und welche darf ein algorithmisches System übernehmen? Wer diese Grenze nicht vor Beginn des Projekts festlegt, delegiert die Didaktik faktisch an ein Modell, dessen Trainingsdaten, Bewertungslogik und Fehlerquellen weder vollständig einsehbar noch pädagogisch neutral sind.

Die Vorbereitung einer Projektarbeit mit KI in der Schule ist deshalb mehr als ein technischer Ablaufplan. Sie berührt Datenschutz, Urheberrecht, Leistungsbewertung, Teilhabe und die informationelle Selbstbestimmung der Lernenden. Die Kultusministerkonferenz empfiehlt seit 2024 einen verantwortungsvollen Einsatz von KI im Unterricht: KI kann als Lernpartner und Arbeitsmittel dienen, grundlegendes Lernen ohne KI bleibt jedoch die Basis. Genau diese Reihenfolge ist entscheidend. Erst Kompetenz, dann Assistenz – nicht umgekehrt.

1. Das Lernziel muss vor dem KI-Werkzeug stehen

Ein Projekt, das lediglich deshalb mit KI arbeitet, weil KI verfügbar ist, ist didaktisch noch kein KI-Projekt. Der Einsatz muss eine nachvollziehbare Funktion im Lernprozess erfüllen. Andernfalls entsteht jene bekannte pädagogische Scheinsouveränität, bei der ein modernes Werkzeug in eine alte Aufgabenstruktur eingesetzt wird, ohne dass sich die Qualität des Lernens verbessert.

Vor der technischen Planung sollte die Lehrkraft daher mindestens vier Fragen beantworten:

• Welche fachliche Kompetenz wird aufgebaut oder vertieft?
• Welche eigenständige Leistung wird von den Lernenden erwartet?
• An welcher Stelle kann KI den Lernprozess sinnvoll unterstützen?
• Wo würde KI die eigentliche Denkleistung ersetzen?

Ein Beispiel: Soll eine Klasse die Qualität lokaler Umweltmaßnahmen untersuchen, kann ein KI-System bei der Strukturierung von Interviewfragen, beim Vergleichen von Argumentationsmustern oder bei der sprachlichen Überarbeitung eines Entwurfs helfen. Es darf jedoch nicht an die Stelle der Datenerhebung, der Bewertung widersprüchlicher Aussagen und der begründeten Schlussfolgerung treten. Genau dort liegt die fachliche Leistung.

Bei einem Projekt zur Geschichte kann KI unterschiedliche Perspektiven auf eine Quelle formulieren. Die Lernenden müssen dann aber prüfen, ob diese Perspektiven historisch plausibel, quellenbezogen und frei von Anachronismen sind. Bei einer naturwissenschaftlichen Untersuchung kann ein Modell Hypothesen sortieren oder mögliche Variablen benennen. Die Messung, die Dokumentation und die Interpretation der Ergebnisse bleiben hingegen an reale Verfahren gebunden.

Die zentrale Regel lautet nicht: KI nur sparsam einsetzen. Sie lautet: KI nur dort einsetzen, wo ihre Nutzung eine ausgewiesene Lernleistung unterstützt und nicht verdeckt ersetzt.

Geschlossene Standardaufgaben verlieren unter diesen Bedingungen an Aussagekraft. Reasoning-Modelle können viele Aufgaben unmittelbar lösen, die früher als Beleg individueller Leistung galten. Eine bloße Recherchefrage, eine standardisierte Zusammenfassung oder ein formal korrektes Arbeitsblatt zeigen deshalb zunehmend wenig darüber, was eine Schülerin oder ein Schüler tatsächlich verstanden hat.

Sinnvoller sind Aufgaben mit Alltagsbezug, eigenen Daten und praktischer Anwendung. Die Klasse kann etwa eine Befragung durchführen, einen lokalen Sachverhalt dokumentieren, ein Produkt für eine reale Zielgruppe entwickeln oder verschiedene KI-Ausgaben anhand eigener Kriterien bewerten. Je stärker die Aufgabe auf selbst erhobenen Informationen, begründeten Entscheidungen und nachvollziehbaren Überarbeitungen beruht, desto weniger genügt es, ein fertiges Ergebnis aus einem System zu übernehmen.

2. Der KI-Check: Sieben Fragen vor dem Projektstart

Eine tragfähige Vorbereitung lässt sich in sieben Prüfbereiche gliedern. Ob es eine für alle 16 Bundesländer gleichermaßen verbindliche Rechtscheckliste gibt, ist hier nicht abschließend zu beantworten – die Vorgaben fallen je nach Bundesland, Schulträger und Schulform erkennbar auseinander, und eine einheitliche Liste steht nicht ohne weiteres zur Verfügung. Verlässlich sind allein die landesrechtlichen Regelungen am Standort sowie die internen schulischen Vorgaben. Wer den folgenden Check nutzt, sollte ihn deshalb ausdrücklich als schulinterne Arbeitsgrundlage verstehen: ordnend, vorbereitend, ergänzend – nicht ersetzend.

1. Didaktische Funktion

Ist klar, ob KI zum Recherchieren, Strukturieren, Übersetzen, Simulieren, Programmieren, Feedbackgeben oder Überarbeiten eingesetzt wird? Jede Funktion verlangt andere Regeln. Ein Sprachmodell, das einen Text auf Verständlichkeit prüft, ist didaktisch anders zu beurteilen als ein System, das eine vollständige Argumentation erzeugt.

2. Eigenleistung

Welche Prozessschritte müssen ohne KI erfolgen? Dazu können die erste Fragestellung, die Auswahl eigener Quellen, die Datenerhebung, die Bewertung von Aussagen oder die abschließende Reflexion gehören. Diese Schritte müssen nicht nur abstrakt behauptet, sondern in der Aufgabenstellung sichtbar gemacht werden.

3. Dateninput

Welche Informationen dürfen in das System eingegeben werden? Für den Unterricht gilt eine klare Grenze: Namen, Adressen, Fotos, Sprachmemos und vertrauliche Dokumente gehören nicht in offene KI-Systeme. Auch scheinbar harmlose Kombinationen können Personen identifizierbar machen. Ein anonymisiertes Interview bleibt möglicherweise re-identifizierbar, wenn Ort, Alter, Beruf und konkrete Ereignisse zusammen eingegeben werden.

4. Systemtransparenz

Ist bekannt, welcher Anbieter hinter dem Werkzeug steht, zu welchem Zweck Eingaben verarbeitet werden und ob die Daten für weitere Modellzwecke verwendet werden? Eine undurchsichtige Blackbox ist nicht automatisch unzulässig, aber sie erhöht die Anforderungen an die schulische Begründung und an die Begrenzung des Einsatzes.

5. Rechtlicher Rahmen

Sind Datenschutz, Urheberrecht und schulische Vorgaben berücksichtigt? Die Datenschutz-Grundverordnung ist kein dekorativer Hinweis im Konzeptpapier. Sie begrenzt, welche personenbezogenen Daten verarbeitet werden dürfen und unter welchen Voraussetzungen. Beim Urheberrecht ist insbesondere zu klären, ob geschützte Texte, Bilder, Arbeitsblätter oder interne Materialien in ein System hochgeladen werden dürfen.

6. Leistungsbewertung

Wird bewertet, was die Lernenden selbst können, oder nur das Endprodukt? Bei einer KI-gestützten Projektarbeit sollte der Arbeitsprozess dokumentiert werden: Fragestellung, verwendete Quellen, KI-Einsatz, Überprüfung der Ausgaben, eigene Änderungen und Begründung zentraler Entscheidungen. Eine bloße Erklärung, man habe KI genutzt, ist dafür zu unpräzise.

7. Zugänglichkeit und Teilhabe

Können alle Lernenden das Werkzeug unter vergleichbaren Bedingungen nutzen? Benötigt jemand eine alternative Eingabemöglichkeit, zusätzliche Sprachunterstützung oder ein Verfahren ohne KI? Inklusives Lernen verlangt nicht, dass alle dieselbe technische Oberfläche verwenden. Es verlangt, dass die Lernziele erreichbar bleiben und technische Unterschiede nicht unbemerkt zu Bewertungsunterschieden werden.

Diese sieben Aspekte sollten vor der ersten Unterrichtsstunde schriftlich beantwortet werden. Nicht, weil jede Planung ein juristisches Gutachten benötigt, sondern weil unklare Zuständigkeiten im Projektverlauf regelmäßig zu unklaren Haftungsfragen führen.

3. Die Datenampel: Was in ein KI-System darf – und was nicht

Die praktikabelste Orientierung für Schulen ist ein Ampelprinzip. Es ersetzt keine Datenschutzprüfung, übersetzt deren Grundgedanken jedoch in eine handhabbare Unterrichtsentscheidung.

Die grüne Kategorie bedeutet nicht, dass jedes Ergebnis fachlich richtig ist. Ein schulisch lizenziertes System kann datenschutzrechtlich besser eingebunden sein und dennoch halluzinieren, Quellen falsch zuordnen oder bestimmte Perspektiven systematisch bevorzugen. Datenschutz und inhaltliche Zuverlässigkeit sind zwei verschiedene Prüfungen.

In der gelben Kategorie muss die Aufgabenstellung so gestaltet werden, dass die Nutzung auch bei einer begrenzten Datenkontrolle verantwortbar bleibt. Statt eines echten Schüleraufsatzes kann ein vollständig anonymisiertes Beispiel verwendet werden. Statt eines Fotos aus dem Schulgebäude kann eine künstlich erzeugte oder sachlich beschriebene Situation analysiert werden. Statt vertraulicher Förderunterlagen kann die Klasse mit einem eigens konstruierten Datensatz arbeiten.

Die rote Kategorie ist keine Einladung zur technischen Improvisation. Fehlen Serverstandort, Datenschutzerklärung oder nachvollziehbare Angaben zur Verarbeitung, besteht keine belastbare Grundlage für den Einsatz mit schulischen Daten. Eine kostenlose Nutzung ist dabei kein rechtliches Argument; sie kann im Gegenteil bedeuten, dass die eigentliche Gegenleistung in der Verarbeitung von Eingaben und Nutzungsdaten liegt.

Für jede Klasse sollten vor Beginn verbindliche Regeln zum Dateninput feststehen:

1. Keine Namen, Adressen, Telefonnummern oder individuellen Kennzeichen eingeben.

2. Keine Fotos, Sprachaufnahmen oder Videos von Personen hochladen.

3. Keine Zeugnisse, Förderpläne, medizinischen Angaben oder vertraulichen Schuldokumente verwenden.

4. Eigene Daten vor der Nutzung anonymisieren und die Anonymisierung nicht nur durch das Entfernen des Namens erledigen.

5. Im Zweifel mit synthetischen, fiktiven oder öffentlich zugänglichen Beispieldaten arbeiten.

6. Unklare Eingaben nicht spontan im Unterricht testen, sondern vorab mit der schulischen Datenschutzverantwortung klären.

Die Norm der informationellen Selbstbestimmung wird nicht dadurch aufgehoben, dass Lernende freiwillig auf einen Knopf drücken. Bei Minderjährigen, schulischer Abhängigkeit und möglichem Bewertungsdruck ist der Begriff der Freiwilligkeit ohnehin sorgfältig zu prüfen.

4. Aufgaben so konstruieren, dass Denken nicht ausgelagert wird

Die entscheidende methodische Frage lautet: Welche Teile des Projekts müssen durch Erfahrung, Urteil und Verantwortung der Lernenden entstehen?

Ein tragfähiger KI-Unterrichtsentwurf enthält daher nicht nur einen Arbeitsauftrag, sondern eine Prozessarchitektur. Diese sollte unterschiedliche Phasen voneinander trennen:

Problemdefinition ohne KI

Die Lernenden formulieren zunächst selbst, welches Problem sie untersuchen wollen. Sie begründen, weshalb es relevant ist, und grenzen das Thema ein. Diese Phase ist nicht bloß ein organisatorischer Vorlauf. Sie entscheidet darüber, ob die Gruppe ein eigenes Erkenntnisinteresse entwickelt oder lediglich eine maschinell erzeugte Aufgabenidee übernimmt.

Recherche und Datenerhebung

Die Projektgruppe sammelt Quellen, führt Beobachtungen durch, erhebt Daten oder untersucht konkrete Materialien. KI kann bei der Ordnung umfangreicher Informationen helfen, darf aber nicht zur unkontrollierten Quelle werden. Jede maschinell gelieferte Tatsachenbehauptung benötigt eine unabhängige Prüfung.

KI-gestützte Bearbeitung

Erst danach wird festgelegt, was das System beitragen soll. Möglich sind etwa:

• das Erzeugen mehrerer Erklärungsvarianten für unterschiedliche Zielgruppen,
• die Simulation eines Gegenarguments,
• die sprachliche Überarbeitung eines selbst verfassten Textes,
• die Sortierung eigener Kategorien,
• die Entwicklung von Fragen für ein Expertengespräch,
• die Unterstützung bei der Übersetzung,
• die Prüfung eines selbst geschriebenen Programmcodes.

Der Auftrag sollte dabei nicht lauten, ein fertiges Produkt zu erzeugen. Präziser ist die Aufforderung, eine begrenzte Arbeitsleistung zu erbringen, deren Ergebnis anschließend überprüft und begründet wird.

Kritische Prüfung

Die Lernenden markieren Fehler, Auslassungen, unbelegte Behauptungen und mögliche Verzerrungen. Sie vergleichen die Ausgabe mit eigenen Quellen und erklären, welche Vorschläge sie übernehmen oder verwerfen. Damit wird KI nicht zur Autorität, sondern zum Gegenstand der Analyse.

Eigenständige Überarbeitung

Das Endprodukt muss erkennen lassen, welche Entscheidungen die Lernenden selbst getroffen haben. Eine bloße sprachliche Glättung durch KI ist etwas anderes als die Übernahme einer vollständigen Argumentationsstruktur. Diese Differenz sollte im Bewertungsraster ausdrücklich benannt werden.

Reflexion

Am Ende steht die Frage, welchen Einfluss das System auf den Denkprozess hatte. Hat es neue Perspektiven eröffnet? Hat es zu einer vorschnellen Festlegung geführt? Welche Fehler wären ohne Quellenprüfung unbemerkt geblieben? Eine solche Reflexion ist keine pädagogische Zugabe, sondern der Ort, an dem KI-Kompetenz tatsächlich entsteht.

Wer KI als Lernpartner einsetzt, muss Lernende auch dazu befähigen, dem Lernpartner zu widersprechen.

Das entspricht der KI-Kompetenzpflicht nach Artikel 4 des EU AI Act, die seit Februar 2025 grundlegende Kenntnisse im Umgang mit KI-Systemen verlangt. Diese Kompetenz erschöpft sich nicht in der Fähigkeit, gute Eingaben zu formulieren. Sie umfasst ebenso die Kenntnis von Grenzen, Risiken, möglichen Verzerrungen und angemessenen Schutzmaßnahmen.

5. Bewertung: Nicht das perfekte Produkt, sondern der nachvollziehbare Weg

Die größte Schwachstelle vieler KI-Projekte liegt in der Leistungsbewertung. Wird ausschließlich das Endprodukt beurteilt, kann eine formal brillante, aber geistig fremde Leistung als besonders gut erscheinen. Das erzeugt eine pädagogisch und rechtlich problematische Verschiebung: Die Schule bewertet dann womöglich die Leistungsfähigkeit eines externen Systems, ohne dessen Beitrag sauber auszuweisen.

Eine belastbare Bewertung kombiniert daher mehrere Ebenen:

• fachliche Richtigkeit und Quellenbezug,
• Qualität der eigenen Fragestellung,
• Plausibilität der methodischen Entscheidungen,
• Umgang mit widersprüchlichen Informationen,
• Dokumentation der KI-Nutzung,
• erkennbare Eigenleistung,
• Reflexion über Fehler, Bias und Grenzen des Systems,
• Qualität der Präsentation für eine konkrete Zielgruppe.

Das bedeutet nicht, dass jedes Projekt in ein bürokratisches Protokoll verwandelt werden muss. Eine kurze Prozessdokumentation kann genügen, wenn sie die relevanten Entscheidungen sichtbar macht. Dazu gehören beispielsweise die verwendete Aufgabenstellung, die Art der KI-Unterstützung, ein ausgewählter Ausschnitt der Ausgabe und eine begründete Überarbeitung.

Bei Gruppenarbeiten kommt eine weitere Schwierigkeit hinzu. Nicht alle Mitglieder nutzen KI in gleicher Weise, und nicht alle verfügen über dieselben technischen Vorkenntnisse. Deshalb sollte die Gruppe offenlegen, wer welche Arbeitsschritte übernommen hat. Die Lehrkraft muss außerdem entscheiden, welche Teile individuell nachgewiesen werden, etwa durch kurze mündliche Erläuterungen, Zwischenstände oder persönliche Reflexionsfragen.

Ein KI-generierter Text ist nicht automatisch eine Täuschung. Ebenso ist die Nutzung eines zugelassenen Werkzeugs nicht automatisch unproblematisch. Entscheidend sind die vorher kommunizierten Regeln, die Transparenz des Einsatzes und die Frage, ob die geforderte Eigenleistung tatsächlich erbracht wurde. Eine schulische Richtlinie sollte diese Differenz ausdrücklich formulieren, anstatt jede KI-Nutzung pauschal zu erlauben oder pauschal zu verbieten.

6. Die schulische KI-Richtlinie braucht sechs belastbare Bausteine

Ein einzelner Arbeitsauftrag kann die institutionellen Risiken nicht auffangen. Schulen benötigen eine gemeinsame Linie, damit Lernende nicht je nach Fach völlig widersprüchlichen Regeln begegnen. Eine schulische KI-Richtlinie wird tragfähig, wenn sie sechs Bausteine ausdrücklich benennt und regelmäßig überprüft.

Baustein 1: Geltungsbereich und Begriffe

Die Richtlinie legt fest, was an der Schule als KI-System gilt, in welchen Fächern und Jahrgängen sie greift und welche Ausnahmen bestehen – etwa für Prüfungsphasen, Exkursionen oder außerschulische Lernorte. Ohne diese Klärung bleibt jeder Einzelfall ein Definitionsstreit.

Baustein 2: Zulässige Werkzeuge und Datenklassen

Die Richtlinie unterscheidet zwischen freigegebenen Werkzeugen, bedingt zugelassenen Werkzeugen und nicht zugelassenen Werkzeugen. Sie beschreibt zugleich, welche Datenklassen in welche Kategorie eingegeben werden dürfen. Eine schulische Positivliste mit klaren Auflagen ist belastbarer als ein globales Verbot, das im Alltag ohnehin unterlaufen wird.

Baustein 3: Dokumentation der KI-Nutzung

Die Richtlinie definiert, wie Lernende ihren KI-Einsatz sichtbar machen. Das kann durch eine standardisierte Notiz im Lerntagebuch geschehen, durch kurze Anmerkungen in der Quelle oder durch eine mündliche Erläuterung gegenüber der Lehrkraft. Wichtig ist nicht die Form, sondern die Verlässlichkeit, mit der die Nutzung nachvollziehbar bleibt.

Baustein 4: Bewertungsgrundsätze und Täuschungsverständnis

Die Richtlinie beschreibt, wie sich erlaubter KI-Einsatz von unzulässiger Täuschung abgrenzt. Sie formuliert Kriterien für die Bewertung und macht transparent, welche Konsequenzen ein Verstoß hat. Lernende, Eltern und Lehrkräfte müssen gleichermaßen wissen, woran gemessen wird.

Baustein 5: Beschwerde- und Klärungspfade

Die Richtlinie benennt Ansprechpersonen für inhaltliche, datenschutzrechtliche und pädagogische Fragen. Sie beschreibt, wie Konflikte bearbeitet werden, und stellt klar, dass betroffene Lernende nicht durch die Beschwerde selbst Nachteile erleiden. Eine unbekannte Beschwerdestruktur ist im Ernstfall so hilfreich wie keine.

Baustein 6: Fortbildung und regelmäßige Überarbeitung

Die Richtlinie ist kein statisches Dokument. Sie wird jährlich oder bei wesentlicher technischer Entwicklung überarbeitet, und sie verbindet sich mit einem Fortbildungsplan für Lehrkräfte. Nur wer die Regelungen versteht und einübt, kann sie gegenüber Lernenden und Eltern vertreten.

Diese sechs Bausteine ersetzen keine pädagogische Erfahrung. Sie schaffen aber den Rahmen, in dem Erfahrung überhaupt wirksam werden kann. Wer ein KI-Projekt ohne diesen Rahmen beginnt, improvisiert – und Improvisation ist im Bildungsrecht selten ein tragfähiges Argument.

7. Was am Ende zählt: Haltung vor Werkzeug

Die Diskussion über KI im Projektunterricht droht regelmäßig, am Werkzeug hängen zu bleiben. Welches Modell ist leistungsfähiger, welches ist sperrengängig, welches antwortet auf Deutsch brauchbarer – das sind relevante Fragen, aber sie bleiben randständig. Die eigentliche pädagogische Entscheidung liegt in der Frage, was Schule mit Blick auf KI sein will: ein Ort, an dem Lernende möglichst schnell zu möglichst glatten Ergebnissen kommen, oder ein Ort, an dem sie lernen, eigene Unsicherheiten auszuhalten, eigene Begründungen zu liefern und fremde Vorschläge kritisch zu prüfen.

Diese Haltung lässt sich nicht per Update einspielen. Sie entsteht in den Aufgaben, die gestellt werden, in den Bewertungen, die erfolgen, und in den Gesprächen, die zwischen Lehrkraft und Lernenden stattfinden. Eine Checkliste – auch diese hier – kann diesen Prozess vorbereiten, strukturieren und absichern. Sie kann ihn nicht ersetzen. Wer KI im Projektunterricht vorbereiten will, bereitet am Ende nicht ein Werkzeug vor, sondern eine gemeinsame Vorstellung davon, wofür Lernen an dieser Schule steht.