KI-Lernpfade oder manuelle Differenzierung im Unterricht

Einige Schülerinnen und Schüler sind nach wenigen Minuten fertig und warten, andere kommen schon an der ersten Aufgabe nicht weiter. Am Wochenende haben wir die Materialien zusammengestellt, Niveaustufen formuliert und versucht, niemanden aus dem Blick zu verlieren. Trotzdem bleibt die Frage: War die Differenzierung wirklich passend – oder nur zusätzlich aufwendig?

Genau hier versprechen KI-Lernpfade eine Entlastung. Ein adaptives System kann Aufgaben in Echtzeit anpassen, Rückmeldungen geben und Lernende auf unterschiedlichen Wegen durch einen Übungsbereich führen. Die lehrergesteuerte Differenzierung kann das jedoch nicht vollständig ersetzen. Sie bringt etwas ein, das kein automatisierter Lernpfad zuverlässig leisten kann: die pädagogische Einordnung, den Lehrplanbezug, die Beziehung zur Lerngruppe und die Entscheidung, wann ein Kind nicht noch eine weitere Aufgabe, sondern ein Gespräch, eine Erklärung oder Ermutigung braucht.

Die Frage lautet deshalb nicht schlicht: KI-Lernpfade oder manuelle Differenzierung? Für die Unterrichtspraxis ist die sinnvollere Frage: An welcher Stelle kann KI die Binnendifferenzierung erweitern, und wo muss die Lehrkraft die Führung behalten?

Was KI-Lernpfade im Unterricht tatsächlich leisten

Ein KI-Lernpfad ist mehr als eine Sammlung von Aufgaben mit drei Schwierigkeitsgraden. Im besten Fall reagiert das System auf Bearbeitungszeiten, Fehler, Lösungswege oder wiederkehrende Schwierigkeiten und schlägt daraufhin passende nächste Schritte vor. Diese Anpassung kann auf zwei Ebenen stattfinden.

Die Mikro-Adaptivität wirkt innerhalb einer einzelnen Übungsphase. Eine Schülerin bearbeitet eine Aufgabe zur Bruchrechnung, macht einen typischen Fehler und erhält anschließend eine einfachere Teilaufgabe, einen Hinweis oder ein Beispiel. Ein anderer Schüler, der sicher arbeitet, bekommt eine weiterführende Herausforderung. Diese unmittelbare Anpassung kann im Übungsbereich sehr hilfreich sein, weil Lernende nicht alle im gleichen Tempo durch identische Aufgaben geführt werden.

Die Makro-Adaptivität betrifft dagegen den gesamten Lernweg. Das System entscheidet beispielsweise, ob ein Lernender zunächst Grundlagen wiederholen, einen bestimmten Kompetenzbereich vertiefen oder zu einem komplexeren Aufgabenformat wechseln sollte. Es geht dann nicht nur um die nächste Aufgabe, sondern um die Reihenfolge und Gewichtung von Lernschritten.

Für Lehrkräfte ist diese Unterscheidung entscheidend. Mikro-Adaptivität kann eine gut geplante Übungsphase entlasten. Makro-Adaptivität greift stärker in die Unterrichtsplanung ein und muss deshalb besonders sorgfältig mit den Lernzielen, den Unterrichtsreihen und den Beobachtungen der Lehrkraft abgestimmt werden.

Ein KI-Lernpfad kann den nächsten Lernschritt vorschlagen. Ob dieser Schritt pädagogisch sinnvoll ist, bleibt eine professionelle Entscheidung.

Die bisherigen Nutzungsdaten aus dem Schulalltag zeigen zudem, wo Lehrkräfte KI bereits einsetzen: 58 Prozent verwenden entsprechende Werkzeuge zur Erstellung von Aufgaben, 56 Prozent zur Vorbereitung von Unterrichtsmaterialien. Die automatisierte Analyse von Lerndaten spielt mit 3 Prozent dagegen kaum eine Rolle, ebenso die automatisierte Leistungsbewertung mit 6 Prozent. Das ist kein Zufall. Aufgaben und Materialien lassen sich vergleichsweise leicht prüfen und anpassen. Eine Lernanalyse berührt dagegen Fragen der Interpretation, des Datenschutzes und der pädagogischen Verantwortung.

Manuelle Differenzierung ist nicht bloß die analoge Alternative

Wenn wir über manuelle Differenzierung sprechen, denken viele zunächst an zusätzliche Arbeitsblätter. Das ist nur ein kleiner Ausschnitt. Lehrergesteuerte Differenzierung beginnt viel früher: bei der Auswahl eines gemeinsamen Lernziels, bei der Entscheidung über Zugänge und Materialien und bei der Frage, welche Unterstützung eine bestimmte Lerngruppe in diesem Moment braucht.

Im Unterricht kann Differenzierung auf mehreren Ebenen stattfinden:

• Beim Zugang: Ein Inhalt wird über einen Text, ein Bild, ein Experiment, ein Gespräch oder eine handelnde Aufgabe erschlossen.
• Beim Umfang: Nicht alle Lernenden bearbeiten dieselbe Anzahl von Aufgaben, wenn das gemeinsame Kompetenzziel bereits erreicht ist.
• Bei der Unterstützung: Satzstarter, Wortlisten, Modelllösungen oder gestufte Hinweise helfen dort, wo sie gebraucht werden.
• Bei der Komplexität: Lernende können an einer grundlegenden Anwendung, an einer Transferaufgabe oder an einer offenen Problemstellung arbeiten.
• Bei der Sozialform: Einzelarbeit, Partnerlernen und kooperative Gruppenphasen eröffnen unterschiedliche Möglichkeiten für Austausch und Ermächtigung.
• Bei der Rückmeldung: Manche Schülerinnen und Schüler benötigen eine unmittelbare Korrektur, andere profitieren stärker von einer Frage, die sie zur eigenen Überprüfung führt.

Diese Entscheidungen lassen sich nicht vollständig aus Leistungsdaten ableiten. Ein Fehler kann auf eine fachliche Lücke hindeuten, aber auch auf eine missverständliche Aufgabenstellung, fehlende Konzentration, Sprachbarrieren oder eine Unsicherheit in der Bearbeitungsstrategie. Wer nur das Ergebnis betrachtet, sieht den Lernprozess nicht.

Gerade leistungsschwächere Lernende sind auf direkte lehrergesteuerte Anleitung und sozialen Austausch häufig stärker angewiesen als leistungsstarke Schülerinnen und Schüler. Automatisierte Lernpfade können leistungsstarke Lernende besonders wirksam beim selbstständigen Weiterarbeiten unterstützen. Für andere kann die vermeintliche Individualisierung jedoch zu einer stillen Vereinzelung führen: Das System stellt eine weitere Aufgabe bereit, während das eigentliche Hindernis noch gar nicht erkannt wurde.

KI-Lernpfade gegen manuelle Differenzierung: Wo liegt die jeweilige Stärke?

Ein direkter Vergleich hilft, die beiden Ansätze nicht als Konkurrenten, sondern als unterschiedliche Werkzeuge zu verstehen.

Die Tabelle zeigt einen Kernpunkt: KI ist besonders dort stark, wo viele ähnliche Entscheidungen in kurzer Zeit getroffen werden müssen. Die Lehrkraft ist dort unverzichtbar, wo es um Bedeutung, Beziehung, Motivation und die Interpretation eines Lernprozesses geht.

Im Rahmen des DiA:Net-Projekts der Universität Tübingen wurde mit 656 Schülerinnen und Schülern untersucht, wie sich adaptive, technologiegestützte Lernumgebungen auf den Lernerfolg auswirken. Die Ergebnisse weisen darauf hin, dass individuelle Lernpfade insbesondere im Sprachunterricht zu nachhaltigerem Lernen beitragen können. Daraus folgt aber nicht, dass jede digitale Anpassung automatisch besser ist als eine gute analoge Lernbegleitung. Entscheidend bleibt die didaktische Einbettung: Welche Kompetenz soll aufgebaut werden? Welche Aufgabenfolge unterstützt diesen Aufbau? Wann braucht es individuelles Üben, und wann gemeinsames Denken?

Der sinnvollste Weg: KI-gestützte Binnendifferenzierung

In der Praxis funktioniert die Verbindung beider Ansätze meist besser als die Entscheidung für nur eine Seite. Wir können die KI dort einsetzen, wo sie die Lernenden beim Üben unterstützt und der Lehrkraft wieder Zeit für Beobachtung und Gespräche verschafft. Gleichzeitig bleibt die Unterrichtsführung menschlich, fachlich und sozial gerahmt.

Ein tragfähiges Modell besteht aus fünf aufeinander bezogenen Schritten:

1. Gemeinsames Lernziel klären

Die Klasse startet mit einem transparenten Kompetenzziel. Dabei sollte nicht die Nutzung des Tools im Zentrum stehen, sondern die Frage, was die Lernenden am Ende verstehen, erklären, anwenden oder beurteilen können. Ein KI-Lernpfad ohne klaren fachlichen Bezug produziert leicht Aktivität, aber noch keinen belastbaren Lernfortschritt.

2. Ausgangslage der Lerngruppe erfassen

Ein kurzer Diagnoseimpuls kann zeigen, welche Begriffe, Strategien oder Voraussetzungen bereits vorhanden sind. Das muss keine umfangreiche digitale Analyse sein. Eine Einstiegsaufgabe, ein Gespräch, eine Mini-Abfrage oder die Sichtung früherer Arbeiten liefert häufig wichtige Hinweise. Die KI kann diese Informationen ergänzen, aber nicht ersetzen.

3. Übungsphase adaptiv öffnen

Nun kann ein KI-Lernpfad verschiedene Aufgabenfolgen anbieten. Lernende erhalten unmittelbare Rückmeldungen und können in ihrem Tempo arbeiten. Die Lehrkraft beobachtet dabei nicht nur die Ergebnisse, sondern auch die Wege: Wer klickt sich schnell durch Hinweise? Wer wiederholt denselben Fehler? Wer bearbeitet zwar alles korrekt, kann den Lösungsweg aber nicht erklären?

4. Gezielte Lehrkraftintervention einplanen

Die digitale Phase braucht einen pädagogischen Gegenpol. Kleine Gesprächsgruppen, kurze Erklärkonferenzen oder gemeinsame Zwischenstopps verhindern, dass Lernende dauerhaft in voneinander getrennten Lernspuren bleiben. Besonders bei grundlegenden Schwierigkeiten ist eine direkte Anleitung oft wirksamer als eine weitere automatisierte Aufgabe.

5. Gemeinsam reflektieren und transferieren

Am Ende sollte sichtbar werden, was gelernt wurde und wie die Lernenden zu ihren Ergebnissen gekommen sind. Eine Aufgabe ohne digitales Hilfsmittel, eine Partnererklärung oder eine gemeinsame Fehleranalyse macht den Lernprozess nachvollziehbar. Hier wird kritisches Denken gestärkt: Die Schülerinnen und Schüler prüfen nicht nur, ob eine Antwort stimmt, sondern auch, ob die Rückmeldung des Systems plausibel und fachlich hilfreich war.

Dieses Vorgehen verbindet die Effizienz der KI mit dem Scaffolding durch die Lehrkraft. Das Gerüst wird nicht pauschal für alle Lernenden gleich gebaut, sondern kann je nach Bedarf stärker oder schwächer ausfallen. Manche Schülerinnen und Schüler brauchen zunächst konkrete Beispiele und kleinschrittige Hinweise. Andere benötigen vor allem anspruchsvolle Fragen, offene Problemstellungen und Raum für eigenständige Entscheidungen.

Ein Unterrichtsbeispiel: Sprachförderung mit unterschiedlichen Lernwegen

Nehmen wir eine Unterrichtsreihe, in der Lernende einen argumentierenden Text verfassen sollen. Das gemeinsame Lernziel besteht darin, eine begründete Position zu formulieren, Argumente nachvollziehbar zu ordnen und passende Belege einzusetzen.

Ein KI-Lernpfad kann in der Übungsphase zunächst unterscheiden, ob ein Lernender Unterstützung beim Aufbau eines Arguments, bei der sprachlichen Präzision oder bei der Verbindung von These und Begründung benötigt. Daraufhin können Satzbausteine, kurze Modelltexte oder zusätzliche Aufgaben angeboten werden. Wer bereits sicher argumentiert, arbeitet vielleicht an Gegenargumenten oder an der Überarbeitung eines Textes für eine bestimmte Zielgruppe.

Die Lehrkraft sieht jedoch mehr als die digitale Rückmeldung. Sie kann bemerken, dass eine Schülerin zwar grammatisch korrekt schreibt, aber aus Unsicherheit immer dieselben Formulierungen verwendet. Ein anderer Schüler produziert viele Ideen, verliert aber beim Strukturieren den roten Faden. Eine dritte Person beteiligt sich schriftlich kaum, erklärt ihre Position im Gespräch jedoch sehr differenziert. Diese Beobachtungen verändern die nächste pädagogische Entscheidung.

Eine sinnvolle Kombination könnte deshalb so aussehen:

• Der KI-Lernpfad bietet kurze Übungen zu These, Begründung und Beleg.
• Die Lehrkraft bildet zeitweise flexible Gruppen nach dem aktuellen Unterstützungsbedarf, nicht nach einer festen Leistungszuschreibung.
• Lernende erklären sich gegenseitig, warum ein Argument überzeugend oder unzureichend ist.
• Die KI liefert Formulierungsvorschläge, die anschließend kritisch geprüft werden.
• Die abschließende Schreibaufgabe wird nicht vollständig automatisiert bewertet, sondern anhand transparenter Kriterien gemeinsam vorbereitet und durch die Lehrkraft eingeordnet.

Auf diese Weise wird KI nicht zur Instanz, die den Text beurteilt, sondern zu einem Werkzeug im Lernprozess. Die Lernenden erfahren, dass eine automatische Rückmeldung hilfreich sein kann, aber nicht jede fachliche oder kommunikative Entscheidung abnimmt.

Personalisierung bedeutet nicht, dass jedes Kind allein an einem eigenen Bildschirm arbeitet. Sie bedeutet, dass Lernende passende Unterstützung erhalten und trotzdem Teil einer gemeinsamen Lerngemeinschaft bleiben.

Was bei adaptivem Lernen leicht aus dem Blick gerät

Die größten Risiken liegen nicht unbedingt in spektakulären Fehlfunktionen. Schwieriger sind die kleinen Verschiebungen im Unterrichtsalltag, die zunächst praktisch wirken und sich erst später pädagogisch bemerkbar machen.

Der Lernpfad kennt nur, was er erfassen kann

Ein System kann Eingaben, Bearbeitungszeiten und ausgewählte Lösungswege verarbeiten. Es erkennt jedoch nicht zuverlässig, ob eine Aufgabe aus Überforderung, Langeweile, Ablenkung oder einem sprachlichen Missverständnis falsch gelöst wurde. Wenn die Datengrundlage schmal ist, wirkt die Empfehlung präziser, als sie tatsächlich ist.

Deshalb sollten wir digitale Hinweise als Gesprächsanlass lesen, nicht als endgültige Diagnose. Ein auffälliger Fehlerverlauf kann die Frage auslösen, welche Erklärung oder welche Lernstrategie jetzt gebraucht wird. Er darf aber nicht automatisch zu einer dauerhaften Einstufung führen.

Adaptive Systeme können Lernwege verengen

Wenn die Software immer wieder ähnliche Aufgaben anbietet, weil ein bestimmter Kompetenzwert noch nicht erreicht ist, kann das Üben zwar korrekt, aber monoton werden. Lernende brauchen auch Gelegenheiten, Wissen in neuen Zusammenhängen anzuwenden. Ein Kind, das bei einer standardisierten Aufgabe scheitert, kann in einer offenen Problemstellung durchaus einen produktiven Zugang finden.

Makro-adaptive Lernpfade verdienen deshalb besondere Aufmerksamkeit. Wer legt fest, welche Inhalte zuerst kommen? Welche Voraussetzungen gelten als erfüllt? Wann darf ein Lernender einen Bereich verlassen? Diese Entscheidungen sind didaktisch bedeutsam und sollten nicht unsichtbar an ein System delegiert werden.

Soziale Fähigkeiten entstehen nicht nebenbei

61 Prozent der Lehrkräfte befürchten negative Auswirkungen von KI auf soziale Fähigkeiten, 60 Prozent sehen mögliche Einschränkungen beim kritischen Denken. Diese Sorgen sollten nicht als allgemeine Technikablehnung abgetan werden. Sie weisen auf eine reale Planungsaufgabe hin: Wenn ein großer Teil der Lernzeit individualisiert am Gerät stattfindet, müssen Austausch, Kooperation und gemeinsame Reflexion bewusst eingeplant werden.

Das betrifft auch inklusive Lernsettings. Für manche Lernende kann ein digitales Werkzeug eine wichtige Zugangshilfe sein, etwa durch zusätzliche Wiederholungen oder sprachliche Unterstützung. Für andere kann die isolierte Bearbeitung die Teilhabe erschweren. Inklusion entsteht nicht dadurch, dass alle dieselbe Plattform nutzen, sondern dadurch, dass unterschiedliche Lern- und Kommunikationsbedürfnisse berücksichtigt werden.

Die Unsicherheit der Lehrkräfte darf nicht übergangen werden

62 Prozent der Lehrkräfte fühlen sich im Umgang mit KI-Werkzeugen unsicher. Das ist angesichts der Geschwindigkeit, mit der neue Anwendungen in Schulen gelangen, nachvollziehbar. Niemand muss ein technisches Spezialwissen aufbauen, bevor ein erster didaktisch sinnvoller Versuch möglich ist. Gleichzeitig reicht es nicht, ein Tool bereitzustellen und die Verantwortung anschließend bei einzelnen Lehrkräften abzuladen.

Für einen guten Einstieg genügt zunächst ein klar begrenzter Anwendungsfall: eine Übungsphase, ein fachlicher Schwerpunkt, eine überschaubare Lerngruppe und eine konkrete Frage. Nicht: Welche KI kann alles? Sondern: Bei welchem wiederkehrenden Lernproblem könnte adaptive Unterstützung einen echten Mehrwert bieten?

Wie eine Unterrichtseinheit mit beiden Ansätzen geplant werden kann

Bei der Planung hilft eine einfache Abfolge, die vom Lernziel und nicht vom Werkzeug ausgeht.

1. Das unverzichtbare gemeinsame Element bestimmen

Beginnen Sie mit der Frage, was alle Lernenden gemeinsam brauchen. Das kann ein Grundbegriff, ein Experiment, ein Textverständnis oder eine gemeinsame Problemstellung sein. Dieser Einstieg schafft Orientierung und verhindert, dass Individualisierung zu früh in voneinander getrennte Lernwege führt.

2. Den Bereich für automatisiertes Üben begrenzen

KI-Lernpfade eignen sich besonders für wiederkehrende Aufgaben mit klarer Rückmeldung. Dazu zählen beispielsweise Wortschatzübungen, bestimmte Rechenfertigkeiten, Grammatikphänomene oder die Zuordnung grundlegender Fachbegriffe. Weniger geeignet sind Lernziele, bei denen es stark auf persönliche Deutung, komplexe Argumentation, Kooperation oder kreative Gestaltung ankommt.

3. Unterstützungsangebote bewusst staffeln

Binnendifferenzierung gelingt nicht dadurch, dass leistungsschwächere Lernende ausschließlich einfachere Aufgaben erhalten. Sinnvoller ist ein abgestuftes Angebot:

• ein Beispiel, das den Denkweg sichtbar macht,
• ein Hinweis, der nur den nächsten Schritt unterstützt,
• eine vereinfachte Teilaufgabe als Einstieg,
• ein Austausch mit einem Lernpartner,
• eine weiterführende Aufgabe für Lernende, die das Grundziel bereits sicher erreichen.

Die KI kann einige dieser Angebote automatisiert bereitstellen. Die Lehrkraft entscheidet, welche davon fachlich und sprachlich zur Lerngruppe passen.

4. Die Übergänge zwischen Bildschirm und Gespräch planen

Der Wechsel zwischen individueller digitaler Arbeit und gemeinsamer Lernzeit sollte nicht zufällig entstehen. Nach einer kurzen Übungsphase kann die Klasse beispielsweise einen typischen Fehler untersuchen. Lernende vergleichen unterschiedliche Lösungswege oder erklären, welche Rückmeldung ihnen geholfen hat. So wird aus automatisiertem Feedback ein Gegenstand des Lernens.

5. Den Lernfortschritt nicht mit Aktivität verwechseln

Viele bearbeitete Aufgaben zeigen zunächst nur, dass Lernende Aufgaben bearbeitet haben. Der entscheidende Schritt ist die Überprüfung, ob sie den Inhalt erklären, auf eine neue Situation übertragen und ihren eigenen Lernweg einschätzen können. Eine kurze Abschlussaufgabe ohne unmittelbare KI-Hilfe kann hier aussagekräftiger sein als eine lange digitale Übungsstrecke.

Welche Entscheidung für welche Unterrichtssituation passt

Für die tägliche Planung ist keine allgemeine Rangliste nötig. Hilfreicher ist eine situative Entscheidung.

Ein KI-Lernpfad ist besonders passend, wenn …

• Lernende grundlegende Fertigkeiten in unterschiedlichem Tempo üben sollen,
• Aufgaben schnell rückgemeldet werden können,
• zusätzliche Wiederholungen oder vertiefende Aufgaben gebraucht werden,
• die Lehrkraft während der Übungsphase Zeit für einzelne Lernende gewinnen möchte,
• der Lernweg anhand klarer Kompetenzschritte strukturiert werden kann.

Lehrergesteuerte Differenzierung sollte im Mittelpunkt bleiben, wenn …

• ein neues, erklärungsbedürftiges Konzept eingeführt wird,
• Lernende ihre Gedanken im Gespräch entwickeln sollen,
• emotionale, sprachliche oder soziale Faktoren den Lernprozess stark beeinflussen,
• die Aufgabe mehrere vertretbare Lösungswege zulässt,
• Kooperation, Perspektivwechsel oder kritische Urteilsbildung das eigentliche Lernziel sind,
• die vorhandenen Daten keine tragfähige Grundlage für eine automatische Anpassung bilden.

Die Kombination ist besonders sinnvoll, wenn …

• eine gemeinsame Einführung mit individuellen Übungswegen verbunden werden soll,
• die Klasse an einem Kompetenzziel arbeitet, aber unterschiedliche Zugänge benötigt,
• automatisiertes Feedback Zeit für gezielte Gespräche schaffen kann,
• die Lernenden Rückmeldungen der KI prüfen und fachlich einordnen sollen,
• am Ende wieder eine gemeinsame Reflexion oder Transferleistung steht.

Das entspricht auch dem, was die Forschung zur Verbindung adaptiver Lernsysteme mit lehrergesteuerter Differenzierung nahelegt: Der größte Nutzen entsteht nicht durch den Austausch der Lehrkraft, sondern durch die didaktisch reflektierte Kombination beider Ansätze. Automatisierte Lernpfade können individuelle Förderung effizienter machen. Die Lehrkraft sorgt dafür, dass Förderung nicht auf messbare Einzelhandlungen reduziert wird.

Ein realistischer Einstieg für das Kollegium

Die Einführung muss nicht mit einer umfassenden Schulstrategie beginnen. Gerade wenn viele Kolleginnen und Kollegen noch unsicher sind, kann ein gemeinsamer kleiner Versuch mehr bewirken als eine abstrakte Fortbildung über alle Möglichkeiten künstlicher Intelligenz.

Ein möglicher Weg besteht darin, zunächst eine einzige Unterrichtssequenz auszuwählen und gemeinsam zu besprechen:

• Welches Lernziel bleibt für alle gleich?
• Welche Aufgaben eignen sich für adaptive Rückmeldung?
• Welche Lernenden brauchen voraussichtlich eher direkte Begleitung?
• An welcher Stelle findet Austausch statt?
• Welche Beobachtung soll uns nach der Einheit tatsächlich interessieren?
• Woran erkennen wir, dass der Lernpfad geholfen hat?

Nach der Durchführung sollte nicht nur die technische Funktion bewertet werden. Ebenso wichtig sind die pädagogischen Fragen: Haben die Lernenden ihre nächsten Schritte verstanden? Wurden Unsicherheiten sichtbar, die vorher verborgen blieben? Konnte die Lehrkraft mehr gezielte Gespräche führen? Haben leistungsstarke Lernende anspruchsvollere Aufgaben erhalten, ohne dass andere den Anschluss verloren? Und blieb die Klasse trotz individueller Wege eine Lerngemeinschaft?

Gerade aus kleinen Misserfolgen lässt sich viel lernen. Vielleicht waren die Aufgaben zu kleinteilig, die Hinweise zu ausführlich oder die Anpassungen fachlich nicht fein genug. Vielleicht hat die digitale Phase mehr Ruhe geschaffen, aber zu wenig Austausch ermöglicht. Solche Beobachtungen sind kein Beweis gegen KI-Lernpfade. Sie zeigen, wo das didaktische Design nachgeschärft werden muss.

Fazit: Nicht entweder KI oder Lehrkraft

Der Vergleich zwischen KI-Lernpfaden und manueller Differenzierung führt zu einer falschen Entscheidung, wenn er beide Ansätze gegeneinander ausspielt. KI kann Übungsprozesse beschleunigen, individuelle nächste Schritte anbieten und Lehrkräfte bei wiederkehrenden Aufgaben entlasten. Besonders im Bereich der Mikro-Adaptivität liegt ein konkreter Nutzen für den Unterricht.

Manuelle Differenzierung bleibt jedoch dort unverzichtbar, wo Lernprozesse gedeutet, Beziehungen gestaltet und soziale wie fachliche Zusammenhänge hergestellt werden. Sie schützt davor, Lernende auf Datenpunkte und Kompetenzwerte zu reduzieren. Gerade Schülerinnen und Schüler, die mehr Unterstützung benötigen, profitieren nicht automatisch von mehr Individualisierung durch Software, sondern häufig von klarer Anleitung, Ermutigung und gemeinsamem Denken.

Der praktikable Weg ist deshalb eine KI-gestützte Binnendifferenzierung: gemeinsame Lernziele, adaptive Übungsphasen, bewusste Lehrkraftintervention und eine abschließende Reflexion in der Lerngruppe. So wird der Lernpfad nicht zum Ersatz für pädagogische Verantwortung, sondern zu einem Werkzeug, das gute Didaktik beweglicher macht.

Lassen Sie uns mit einem begrenzten Lernziel beginnen, die Rückmeldungen der KI gemeinsam mit den Lernenden prüfen und anschließend ehrlich auf den Lernprozess schauen. Wenn dadurch mehr Zeit für Erklärung, Beziehung und Ermächtigung entsteht, erfüllt die Technologie ihren eigentlichen Zweck: Sie unterstützt Unterricht, statt ihn zu bestimmen.