KI im Unterricht: Wie Schüler trotz digitaler Helfer eigenständig denken lernen

Nach Angaben von News4teachers plädiert die Berliner Politik- und Englischlehrerin Jana Berg für einen Perspektivwechsel beim Einsatz von KI in der Schule: Digitale Werkzeuge sollen Lernprozesse unterstützen, aber nicht ersetzen. Ihr Konzept „Scholar_Scrum“ verbindet analoge Wissensaneignung, kooperatives Lernen und einen reflektierten KI-Einsatz. Für Schulen verschiebt sich damit die zentrale Frage: Nicht „KI oder keine KI“, sondern „Welche Denkleistung bleibt beim Lernenden?“

Der technische Kern des Problems

Berg beschreibt die aktuelle KI-Debatte als Scheindebatte. Ein vollständiger Verzicht auf KI sei ebenso wenig zielführend wie eine unkritische Digitalisierung. Schulen müssten Lernende auf eine Lebens- und Arbeitswelt vorbereiten, in der digitale Werkzeuge eine Rolle spielen. Gleichzeitig dürfe die Technologie den Lernprozess nicht vollständig übernehmen.

Das ist für die Schul-IT keine pädagogische Nebensache. Ein KI-System kann eine Aufgabe schnell lösen. Damit ist aber noch nicht geprüft, ob ein Schüler den Lösungsweg verstanden, Alternativen bewertet oder Fehler erkannt hat. Wer nur das Endergebnis misst, kann die eigentliche Kompetenz nicht zuverlässig bewerten.

Bergs Ansatz setzt deshalb auf eine Kombination aus:

• analoger Wissensaneignung,
• kooperativer Arbeit,
• selbstständigem Denken,
• reflektierter Nutzung von KI,
• einer Lernkultur, in der Bildung einen Eigenwert besitzt.

Zwischenfazit: Der Einsatz von KI ist in diesem Modell kein Ersatz für Unterricht. Er ist eine zusätzliche Infrastruktur, deren Nutzen an der verbleibenden Eigenleistung gemessen werden muss.

Zwei technische Signale aus dem EdTech-Markt

Die Forderung nach mehr Zurückhaltung bei KI-Tutoren findet sich auch in aktuellen Produkt- und Forschungsansätzen. GeekWire berichtet über ein EdTech-Startup, das 6 Millionen US-Dollar für einen KI-Tutor eingeworben hat. Das System soll Kinder nicht mit fertigen Antworten versorgen, sondern sie durch gezielte Fragen zum eigenständigen Denken führen.

Für Bildungseinrichtungen ist dabei weniger die Finanzierung als das Interaktionsmodell relevant. Ein Tutor, der Antworten ausgibt, reduziert die Latenz bis zum Ergebnis. Ein Tutor, der Fragen stellt, kann den Denkprozess stärker sichtbar machen. Ob das in der Praxis funktioniert, muss jedoch evaluiert werden. Der bloße Einsatz eines dialogfähigen Modells ist noch kein Nachweis für bessere Lernleistung.

Ein ähnliches Problem adressiert das vom Allen Institute for AI vorgestellte Framework „TutorMoments“. Laut OpenAI Hub soll es bewerten, wann ein KI-Tutor eingreifen und wann er schweigen sollte. Damit wird ein bisher oft unterschätzter Parameter zum Prüfgegenstand: der richtige Zeitpunkt der Unterstützung.

Für die Implementierung ergeben sich daraus konkrete Prüfpunkte:

• Liefert das System sofort eine Lösung oder fordert es zunächst eine Begründung an?
• Werden Rückfragen an den individuellen Lernstand angepasst?
• Gibt es Situationen, in denen das System bewusst nicht eingreift?
• Lässt sich nachvollziehen, welche Unterstützung der Lernende erhalten hat?
• Wird die fachliche Leistung des Schülers oder nur die Qualität der KI-Antwort bewertet?

Diese Punkte sind keine Funktionsliste für den Einkauf. Sie definieren die Testbedingungen. Ein KI-Tutor sollte nicht nur auf Antwortqualität, sondern auch auf Eingriffsverhalten, Nachvollziehbarkeit und die Eigenständigkeit der Lernenden geprüft werden.

Was Schulen jetzt nicht überstürzen sollten

Die drei Berichte liefern keinen Beleg dafür, dass ein bestimmtes KI-Tool im Unterricht überlegen ist. Sie zeigen vielmehr eine gemeinsame Richtung: KI soll Denkprozesse strukturieren, nicht deren Ergebnisproduktion automatisieren.

Für Schulträger und IT-Verantwortliche bedeutet das eine Verschiebung der Prioritäten. Vor einer breiten Skalierung sollten nicht nur API, Datenschutz oder Token-Limit geprüft werden. Entscheidend ist auch das didaktische Verhalten des Systems. Ein technisch stabiles Tool mit niedriger Latenz kann pädagogisch ungeeignet sein, wenn es jede Aufgabe direkt löst.

Sinnvoll ist daher ein begrenzter Evaluationsbetrieb mit klaren Kriterien:

• Welche Aufgaben bearbeitet der Lernende ohne KI?
• Welche Hinweise gibt das System aus?
• Wann verweigert es eine fertige Antwort?
• Wie wird die Nutzung dokumentiert?
• Welche Unterschiede zeigen sich zwischen Einzelarbeit und kooperativem Lernen?

Bergs „Scholar_Scrum“ liefert dafür einen konzeptionellen Rahmen, aber keine fertige Software-Spezifikation. Die beschriebenen KI-Tutoren und das „TutorMoments“-Framework weisen in dieselbe Richtung: Die Qualität eines Systems hängt nicht nur davon ab, was es weiß, sondern auch davon, wann es handelt und wann es schweigt.

Machbarkeitsbewertung: Go für kontrollierte Piloten, No-Go für unkritische Vollautomatisierung. Schulen können KI sinnvoll integrieren, wenn selbstständiges Denken als harte Evaluationsgröße erhalten bleibt. Ein Rollout ohne Prüfung des Eingriffsverhaltens wäre aus Infrastruktur- und Kompetenzperspektive nicht belastbar.