KI-Lernszenarien: Welches Modell passt zu welcher Zielgruppe?

Stellen Sie sich den Montagmorgen in Ihrer 7b vor: Drei Lernende, die mit dem Bruchrechnen ringen, zwei, die das Thema längst hinter sich gelassen haben, ein stiller Beobachter, dessen Leseverständnis nicht an das Aufgabenniveau herankommt, und dazwischen das gesamte Spektrum, das jede Lehrkraft kennt. Wenn Sie jetzt ein digitales Werkzeug öffnen, das „KI-gestütztes Lernen" verspricht — welches eigentlich? Eine Adaption, die das Niveau schrittweise anhebt? Einen Tutor, der konkrete Lösungsschritte nachvollzieht? Einen Chatbot, der Aufgaben umformuliert? Oder ein Werkzeug, das gerade die stillen Lernenden überhaupt erst zugänglich macht?

Die ehrliche Antwort lautet: Es gibt nicht das eine KI-Modell, das allen gerecht wird. Wer eine Wahl treffen will, sollte zuerst wissen, was die jeweiligen Modelle tatsächlich können und wo ihre Grenzen beginnen. Genau das schauen wir uns Schritt für Schritt an — aus der Praxis für die Praxis.

Adaptive Lernsysteme: Differenzierung zwischen Förderung und Verengung

Adaptive Lernsysteme sind so konzipiert, dass sie Inhalte, Lerntempo und Rückmeldungen an den individuellen Bedarf anpassen. Die OECD beschreibt dieses Potenzial für beide Enden des Leistungsspektrums: Lernende, die vertiefen möchten, finden zusätzliche, anspruchsvollere Aufgaben; Lernende mit Schwierigkeiten erhalten gezielte Übungen, die dort ansetzen, wo sie stehen. In einem niederländischen Fallbeispiel, das in einem aktuellen OECD-Bericht dokumentiert ist, begleitet ein adaptives Aufgaben- und Dashboard-System Lernende der Klassenstufen 1 bis 6 in Rechnen und Mathematik. Solche Arrangements können uns Lehrkräfte spürbar entlasten, weil Binnendifferenzierung dort stattfindet, wo wir sie nicht in jeder Stunde manuell leisten können.

Gleichzeitig ist Vorsicht angebracht. Die OECD warnt ausdrücklich davor, dass intransparente oder verzerrte Empfehlungssysteme den curricularen Horizont verengen oder Stereotype verstärken können. Was heißt das konkret im Schulalltag? Wenn ein System immer ähnliche Aufgabentypen vorschlägt, weil es die Lernenden entsprechend klassifiziert hat, kann das den Kompetenzerwerb einseitig formen. Wenn die zugrundeliegenden Daten verzerrte Annahmen über Herkunft, Geschlecht oder Erstsprache enthalten, wird diese Verzerrung im pädagogischen Alltag fortgeschrieben — oft, ohne dass wir es bemerken.

Wir können also beobachten: Adaptive Systeme sind dann wertvolle Partner für Binnendifferenzierung, wenn wir die Auswahlkriterien und Dateneingaben kritisch begleiten. Im Alltag heißt das, ab und zu bewusst zu überschreiben, was das System vorschlägt, und die Lernenden mit Aufgaben zu konfrontieren, die über das vermeintlich Passende hinausgehen. So entsteht das, was uns Pädagog*innen eigentlich vorschwebt: ein Lernpfad, der zugleich eng führt und Wege eröffnet.

Adaptive Systeme verengen den Horizont nicht von sich aus — aber wir Lehrkräfte müssen den Horizont weiter zeichnen, als es der Algorithmus derzeit tut.

Intelligente Tutorien in MINT-Fächern: Präzises Feedback statt offener Generierung

Für strukturierte Fächer wie Mathematik, Physik oder Chemie haben sich intelligente tutorielle Systeme (ITS) besonders bewährt. Sie erkennen Fehler auf einzelnen Lösungsschritten und bieten darauf abgestimmte Rückmeldungen — nicht nur „richtig" oder „falsch", sondern eine Erläuterung des konkreten Schritts, an dem es gehakt hat. Diese Form des Scaffolding ist didaktisch genau das, was wir in Übungs- und Diagnosephasen brauchen: kurze Schleifen, gezielte Hinweise, sichtbare Fortschritte.

Was ITS nicht leisten, müssen wir genauso deutlich benennen: offene, kreative Aufgaben ohne klaren Lösungsweg. Wer versucht, ein offenes Forschungsprojekt im naturwissenschaftlichen Unterricht durch ein tutorisches System zu ersetzen, wird enttäuscht. ITS sind stark in der Domäne, in der es nachvollziehbare Schritte und überprüfbare Antworten gibt. In der offenen Erkundung, beim Experimentieren mit eigenen Hypothesen oder beim Formulieren eigener Erklärungen stoßen diese Systeme an ihre Grenzen.

Für uns Lehrkräfte ist das im Schulalltag sehr konkret hilfreich. Wenn ich freitags dreißig Hefte mit Rechenwegen vor mir habe, kann ein intelligentes Tutorium die Erstkorrektur übernehmen und mir die wirklich kniffligen Fälle zumachen. Das ist keine Bequemlichkeit, sondern eine Frage der Aufmerksamkeitsökonomie. Ich gewinne Zeit für die Lernbegleitung der Lernenden, die sonst untergehen würde.

Generative KI als didaktisches Werkzeug: die Gefahr der Leistungsillusion

Generative KI — Chatbots, Text- und Bildgeneratoren — hat den Schultag schneller verändert als jede frühere Technologie davor. Ich erlebe es wöchentlich: Lernende lassen sich Sätze formulieren, Aufgaben umformulieren, Erklärungen vereinfachen. Auf den ersten Blick sieht das nach Unterstützung aus. Doch hier lauert ein didaktisches Problem, das die Forschung klar benennt: Wenn Aufgaben ohne pädagogische Begleitung an generative KI ausgelagert werden, kann die unmittelbare Leistung steigen, ohne dass ein echter Lernzuwachs entsteht.

Was das praktisch bedeutet, illustriert ein Beispiel, das viele Kolleg*innen kennen: Eine Schülerin reicht einen Text ein, den die KI formuliert hat. Die Lehrkraft sieht einen formal korrekten Text und gibt eine gute Note zurück. Die Schülerin hat aber den Schritt vom Denken zum Schreiben übersprungen. In der nächsten Klassenarbeit ohne KI bricht das nicht Gelernte durch — und die Lernende fragt sich, warum sie plötzlich scheitert, obwohl sie vorher „gut war".

Die Lösung liegt nicht im Verbot, sondern im didaktischen Szenario. Generative KI kann wertvoll sein, wenn wir Lernende beauftragen, die KI kritisch zu befragen, ihre Vorschläge zu überarbeiten, eigene Varianten danebenzulegen. Das ist Scaffolding im genauen Sinne: Die KI liefert Material, aber der Lernprozess bleibt in der Hand der Lernenden. Konkret lässt sich das in Schreibwerkstätten üben, in denen Lernende gezielt nach Mehrdeutigkeit, Belegen und Argumentationsstruktur fragen. Auch die Idee, eine KI mehrere Versionen eines Textes erstellen zu lassen und die Lernenden die Beste auswählen und begründen zu lassen, hat sich bewährt.

Generative KI ist ein Spiegel, kein Ersatz: Sie zeigt, was zu tun wäre, aber sie kann den Lernprozess nicht für uns führen.

Ein zweiter wichtiger Punkt betrifft das Alter. Die UNESCO empfiehlt für die Nutzung von KI im Klassenraum ein Mindestalter von 13 Jahren — als internationale Orientierung, nicht als bindende deutsche Rechtsnorm. Für die Grundschule heißt das: Wenn wir generative KI einsetzen, dann eng begleitet, mit transparenten Regeln und mit Aufgaben, die das eigene Denken sichtbar halten.

Inklusion und Barrierefreiheit: KI-gestützte Teilhabe für neurodivergente Lernende

Ein Bereich, in dem KI-gestützte Unterrichtsmodelle besonders vielversprechen, ist die Teilhabe — die Frage, wer überhaupt Zugang zum Lernstoff bekommt. Die OECD nennt mehrere Funktionen, die inzwischen in vielen Lernwerkzeugen integriert sind:

• Spracherkennung und Diktierfunktionen, die Schreibarbeit für Lernende mit motorischen Einschränkungen oder für Erstlernende der deutschen Sprache erleichtern
• Automatische Untertitel in Lernvideos, die hörbehinderten Lernenden oder Lernenden in lauten Umgebungen den Zugang ermöglichen
• Echtzeitübersetzung, die sprachliche Barrieren im Fachunterricht abfedert, etwa wenn plötzlich ein ukrainisches Kind in der Klasse sitzt
• Adaptive Oberflächen, die Textgröße, Kontrast und Vorlesefunktionen anpassen und damit den Lernraum überhaupt erst lesbar machen

Für neurodivergente Lernende in der beruflichen Bildung kommen zusätzlich Text-zu-Sprache- und Sprache-zu-Text-Werkzeuge sowie immersive Szenarien in Frage. Eine VR-Übung kann es einem Lernenden mit ausgeprägter sozialer Angst ermöglichen, ein Bewerbungsgespräch wiederholt und ohne Stigmatisierung einzuüben, bis die Schritte sitzen. Das ist keine technische Spielerei, sondern echte Ermächtigung — der Lernende erfährt, dass Üben ohne Beschämung möglich ist.

Gleichzeitig dürfen wir nicht unterschätzen, was die OECD ebenfalls betont: Solche Werkzeuge ermöglichen Teilhabe, verhindern aber nicht automatisch Stigmatisierung. Wenn ein Lernender vor der Klasse diktiert, kann das befreiend sein — oder beschämend, je nachdem, wie die Klassengemeinschaft und die Lehrkraft den Rahmen gestalten. Inklusionsarbeit mit KI bleibt deshalb immer auch Beziehungsarbeit. Wirksame Barrierefreiheit entsteht im Zusammenspiel von Werkzeug, Haltung und Klassenklima.

Hybride Didaktik: Warum der Mensch in der Schleife unverzichtbar bleibt

Die unterschiedlichen Modelle führen uns zu einer gemeinsamen didaktischen Konsequenz: Keine dieser Technologien ist als Ersatz für pädagogische Entscheidungen gedacht — und keine ist es derzeit auch nur annähernd. Das US-Bildungsministerium formuliert es als Prinzip „Human in the Loop": Die Lehrkraft und der Lernende behalten die Deutung von Mustern und die daraus folgenden Entscheidungen. Auch die OECD betont: Vollautomatisierung gilt im formalen Schulkontext nicht als zwangsläufig optimal. Als Entwicklungsrichtung werden hybride Systeme hervorgehoben, in denen Lehrkraft und KI einander ergänzen.

Das passt zu meiner Erfahrung aus dem Schulalltag: KI ist im Unterricht dann nützlich, wenn ich sie wie eine Kollegin behandle, die bestimmte Aufgaben besser, andere aber gar nicht kann. Sie sortiert Übungsmaterial, gibt erste Rückmeldungen, formuliert Varianten — aber sie sieht nicht, wie es einer Schülerin heute wirklich geht, wie die Stimmung in der Klasse ist, welche kleine Geste gerade Mut macht. Genau das ist unsere Aufgabe.

Seit dem 2. Februar 2025 ist Artikel 4 des EU-KI-Gesetzes anwendbar. Danach müssen Anbieter und Betreiber von KI-Systemen Sorge tragen, dass Personen, die KI in ihrem Auftrag betreiben oder nutzen, über ein ausreichendes Maß an KI-Kompetenz verfügen — unter Berücksichtigung des Kontexts und der betroffenen Zielgruppen. Für uns Lehrkräfte heißt das: Unsere Aufgabe ist nicht nur, KI sinnvoll zu nutzen, sondern auch, sie zu verstehen und pädagogisch einzuordnen. Fortbildung wird damit zum festen Bestandteil unserer professionellen Verantwortung.

Auf einen Blick: Welches Modell für welche Situation?

Die folgende Tabelle ist aus der Unterrichtspraxis heraus für Kolleg*innen entstanden. Sie ersetzt keine pädagogische Entscheidung, aber sie hilft, im Gespräch mit Erziehungsberechtigten, in Fachkonferenzen und in der eigenen Unterrichtsplanung die richtige Frage zu stellen.

Eine kleine Entscheidungshilfe in vier Schritten

1. Welche Lernsituation steht im Vordergrund? Geht es um Niveau-Differenzierung (→ adaptiv), um schrittweise Fehlersuche (→ ITS), um eine offene Aufgabe (→ generative KI) oder um eine Zugangsbarriere (→ Inklusions-Werkzeuge)?

2. Welche Daten gebe ich preis und wer hat Zugriff? Datenschutz ist bei Lerndaten nicht verhandelbar. Anonymisierte, schulisch gehostete Lösungen sind datenschutzfreundlicher als frei verfügbare Cloud-Dienste.

3. Wie halte ich den Lernprozess sichtbar? Eine kurze Reflexion, ein Lerntagebuch oder eine mündliche Erläuterung wirkt der Leistungsillusion entgegen und macht den Kompetenzzuwachs für alle sichtbar.

4. Wo brauche ich selbst Fortbildung? KI-Kompetenz ist nicht nebenbei erworben. Kollegiale Hospitationen, schulinterne Fortbildungen und der Austausch mit anderen Schulen lohnen sich.

Zum Schluss

Wenn ich am Sonntagabend die Hefte der Woche durchgehe, fällt mir auf, was sich verändert hat: Nicht die KI hat meinen Unterricht besser gemacht, sondern die Art, wie ich KI einsetze. Sie ist ein weiteres Werkzeug in unserem didaktischen Repertoire, kein Ersatz dafür. Wir Lehrkräfte entscheiden, welches Modell zu welcher Lerngruppe passt, zu welcher Phase und zu welcher Aufgabe. Und genau darin liegt unsere professionelle Stärke.

Lassen Sie uns diese Stärke weiter pflegen — mit Neugier, mit kritischer Begleitung und mit dem Vertrauen, dass der Mensch in der Schleife genau dort bleibt, wo er hingehört: im Zentrum des Lernens.