LLM-Hosting an Schulen: Drei technische Wege im Vergleich

Und wenn nicht – reicht es, Namen und E-Mail-Adressen zu löschen, oder bleiben in einem Aufsatz trotzdem genügend Hinweise erhalten, um eine Person erkennbar zu machen?

Genau an diesem Punkt wird die Debatte über Künstliche Intelligenz an Schulen konkret. Nicht beim Schreiben besonders eindrucksvoller Eingaben, sondern bei der Frage, wohin Daten fließen, wer sie verarbeitet und wie viel Kontrolle eine Schule im Alltag tatsächlich ausüben kann. Für ein datenschutzbewusstes LLM-Hosting an Schulen stehen im Wesentlichen drei Wege zur Verfügung: eine Bildungsplattform mit vorgeschalteter Anonymisierung, der Betrieb in einer europäischen Cloud und das lokale Self-Hosting auf schulischer oder kommunaler Infrastruktur.

Keine dieser Varianten ist automatisch die beste. Jede verschiebt den Schwerpunkt: einmal in Richtung einfacher Nutzung, einmal in Richtung technischer Kontrolle, einmal in Richtung eigener Verantwortung. Lassen Sie uns die Unterschiede so sortieren, dass daraus ein gangbarer Entscheidungsweg für die eigene Schule entsteht.

Warum der Hosting-Ort den Lernprozess mitbestimmt

Ein Large Language Model, kurz LLM, verarbeitet Eingaben nicht im luftleeren Raum. Sobald eine Lehrkraft einen Schülertext, eine individuelle Rückmeldung oder eine Beschreibung eines Förderbedarfs in ein System eingibt, wird aus einer didaktischen Handlung auch ein Verarbeitungsvorgang personenbezogener Daten. Selbst wenn der Name entfernt wurde, können Alter, Klasse, seltene Ereignisse, familiäre Angaben oder eine sehr persönliche Schreibweise zur Identifizierbarkeit beitragen.

Für die Schule bedeutet das: Die technische Architektur ist kein Nebenthema für den Schulträger oder die IT-Abteilung. Sie beeinflusst unmittelbar, welche Lernaktivitäten möglich sind. Ein System, das nur mit vollständig anonymisierten Beispielen arbeiten darf, eignet sich anders für die Binnendifferenzierung als ein System, das innerhalb einer geschützten schulischen Umgebung auf pseudonymisierte Lernverläufe zugreifen kann.

Dabei sollten wir zwei Fragen auseinanderhalten:

• Darf ein bestimmter Datensatz verarbeitet werden? Das ist eine Frage des Datenschutzes, der Rechtsgrundlage und der schulischen Vorgaben.
• Muss das Modell diesen Datensatz überhaupt erhalten? Das ist eine didaktische und organisatorische Frage der Datensparsamkeit.

Gerade die zweite Frage eröffnet Handlungsspielraum. Für die Entwicklung von Aufgaben, die Erklärung eines mathematischen Lösungswegs oder das Erstellen von Niveaustufen braucht ein Modell in der Regel keine Namen und keine vollständigen Schülerakten. Ein gutes Scaffolding beginnt deshalb nicht erst mit dem Prompt, sondern mit der Entscheidung, welche Informationen für die konkrete Lernunterstützung wirklich erforderlich sind.

Datenschutzfreundliches KI-Lernen beginnt nicht bei der Wahl des größten Modells, sondern bei der kleinsten sinnvollen Datengrundlage.

Die direkte Nutzung einer öffentlichen Anbieter-Website ist davon zu unterscheiden. Werden dort personenbezogene Schülerdaten ohne geeignete Anonymisierung, ohne passende vertragliche Grundlage oder ohne klare schulische Freigabe eingegeben, lässt sich daraus nicht einfach eine datenschutzkonforme Nutzung ableiten. Für Schulen sind daher technische und vertragliche Schutzschichten entscheidend.

Weg eins: Bildungsplattform mit Anonymisierungs-Proxy

Für viele Schulen ist eine Bildungsplattform mit integriertem Zugang zu Cloud-Sprachmodellen der niedrigschwelligste Einstieg. Anbieter wie fobizz oder schulKI schalten eine technische Vermittlungsschicht zwischen Schule und Modellanbieter. Diese wird häufig als Proxy oder API-Proxy bezeichnet.

Die Plattform kann dabei mehrere Aufgaben übernehmen:

• personenbezogene Angaben und bestimmte Metadaten vor der Weitergabe herausfiltern,
• die Kommunikation mit dem eigentlichen Modell über eine kontrollierte Schnittstelle abwickeln,
• Nutzungsdaten innerhalb einer schulischen Umgebung verwalten,
• vertraglich festlegen, dass Eingaben nicht zum Training des Modells verwendet werden,
• Zugänge, Rollen und Abrechnungsprozesse für Bildungseinrichtungen bündeln.

Für Lehrkräfte liegt der große Vorteil auf der Hand: Die Anwendung fühlt sich im Alltag eher wie ein fertiges pädagogisches Werkzeug an als wie ein IT-Projekt. Es müssen keine eigenen Modelle geladen, keine Server überwacht und keine Schnittstellen programmiert werden. Das senkt die Einstiegshürde erheblich, gerade wenn ein Kollegium erste Erfahrungen mit KI-gestützter Unterrichtsplanung, Feedback oder Materialdifferenzierung sammelt.

Auch für den Lernprozess kann diese Variante sinnvoll sein. Ein Kurs kann beispielsweise mit anonymisierten Schreibproben arbeiten, ohne dass jede Lehrkraft selbst eine technische Bereinigung vornehmen muss. Schülerinnen und Schüler erhalten möglicherweise eine klar begrenzte Arbeitsumgebung, in der sie Prompts ausprobieren, Überarbeitungen vergleichen und die Grenzen maschinell erzeugter Rückmeldungen reflektieren können.

Die Schutzschicht ist kein Freibrief

Die Anonymisierung eines Proxys sollte nicht mit vollständiger Unsichtbarkeit verwechselt werden. Eine Plattform kann Namen und bestimmte Metadaten entfernen, aber die Schule bleibt dafür verantwortlich, welche Inhalte eingegeben werden und ob die konkrete Verarbeitung vom vorgesehenen Zweck gedeckt ist.

Ein Auftragsverarbeitungsvertrag kann die Rollen und Pflichten zwischen Schule beziehungsweise Schulträger und Anbieter regeln. Er ersetzt jedoch nicht die pädagogische und organisatorische Prüfung jedes Einsatzszenarios. Ein System, das für die Erstellung allgemeiner Arbeitsblätter freigegeben ist, muss nicht automatisch für individuelle Förderdiagnostik oder die Bewertung von Schülerleistungen geeignet sein.

Besonders sensibel ist die automatisierte Entscheidung im Einzelfall. Artikel 22 der Datenschutz-Grundverordnung setzt hier einen wichtigen Bezugspunkt. Eine KI darf nicht unbemerkt zur Instanz werden, die über Versetzung, Förderbedarf, Leistungsbewertung oder andere erhebliche Folgen für einzelne Lernende entscheidet. Sie kann einen Lernprozess unterstützen, Alternativen formulieren und Rückfragen anregen. Die pädagogische Verantwortung bleibt bei Menschen.

Für wen dieser Weg passt

Eine Bildungsplattform mit Proxy ist besonders interessant, wenn:

• die Schule schnell mit einem begrenzten, pädagogisch klaren Einsatz starten möchte,
• keine eigene IT-Infrastruktur für den Modellbetrieb vorhanden ist,
• Lehrkräfte eine möglichst geringe technische Einstiegshürde benötigen,
• Rollen, Nutzerverwaltung und schulische Materialien in einer Oberfläche zusammengeführt werden sollen,
• der Schulträger Wert auf vertraglich geregelte Verarbeitung und eine nachvollziehbare Anbieterbeziehung legt.

Der Preis dieser Einfachheit ist eine geringere technische Eigenkontrolle. Die Schule entscheidet nicht selbst über jede Modellversion, jede Serverkomponente und jedes Protokollierungsverhalten. Deshalb sollte vor der Einführung genau dokumentiert sein, welche Daten die Plattform filtert, wo die Verarbeitung stattfindet, wie lange Protokolle gespeichert werden und welche Unterauftragnehmer beteiligt sind.

Weg zwei: LLM-Betrieb in einer europäischen Cloud

Die zweite Möglichkeit ist eine eigene oder beauftragte Instanz in einem Rechenzentrum innerhalb der Europäischen Union. Das Modell läuft dabei nicht über die frei zugängliche Website eines Anbieters, sondern über eine kontrollierte Cloud-Umgebung. Der Zugriff erfolgt typischerweise über eine Programmierschnittstelle, eine sogenannte API.

Für Schulen kann diese Lösung ein ausgewogenes Verhältnis zwischen Flexibilität und Kontrolle schaffen. Die Infrastruktur liegt nicht im Serverraum der Schule, und dennoch lassen sich Modellzugang, Benutzerverwaltung und Datenflüsse deutlich gezielter gestalten als bei einer offenen Direktnutzung. Open-Weights-Modelle wie Llama oder Mistral können in europäischen Rechenzentren betrieben werden. Werkzeuge wie vLLM stellen dafür eine OpenAI-kompatible Schnittstelle bereit; auch Ollama wird häufig genutzt, um Modelle lokal oder auf eigener Infrastruktur auszuführen.

Das entscheidende Wort ist dabei nicht automatisch „europäisch“, sondern kontrolliert. Ein Serverstandort in der EU beantwortet zwar die Frage nach der geografischen Verarbeitung nicht vollständig, er löst aber nicht von selbst alle Anforderungen der Datenschutz-Grundverordnung. Entscheidend bleiben unter anderem:

• Welche Daten werden übertragen?
• Wer hat administrativen Zugriff?
• Werden Eingaben oder Ausgaben protokolliert?
• Wie lange bleiben diese Protokolle erhalten?
• Werden die Daten für Modelltraining oder Produktverbesserung verwendet?
• Welche vertraglichen Regelungen gelten zwischen Schule, Schulträger und Dienstleister?
• Wie werden Sicherheitsupdates, Zugriffsrechte und Löschkonzepte umgesetzt?

Für eine Schule, die mehrere Fachbereiche oder Standorte versorgen möchte, kann die europäische Cloud eine tragfähige Zwischenstufe sein. Sie erlaubt den zentralen Betrieb eines Modells, ohne dass jede einzelne Schule leistungsfähige Hardware anschaffen und warten muss. Gleichzeitig kann die Instanz so konfiguriert werden, dass nur pseudonymisierte oder anonymisierte Daten verarbeitet werden.

Die API ist kein didaktisches Konzept

Eine technische Schnittstelle löst noch keine Unterrichtsfrage. Sie macht es lediglich möglich, Anwendungen gezielter zu bauen. Das kann ein internes Feedbackwerkzeug sein, ein Assistent für die Vorbereitung differenzierter Aufgaben oder eine Lernumgebung, in der Schülerinnen und Schüler ihre eigenen Lösungswege mit einem Modell diskutieren.

Damit daraus ein pädagogischer Mehrwert entsteht, braucht es ein klares Scaffolding. Das Modell sollte nicht einfach eine fertige Lösung liefern, wenn eigentlich die Entwicklung eines Lösungswegs geübt werden soll. Es kann stattdessen so eingerichtet werden, dass es zunächst Verständnisfragen stellt, Hinweise in abgestuften Schwierigkeitsgraden gibt oder Lernende auffordert, ihre Annahmen zu begründen.

Gerade bei der Binnendifferenzierung ist das hilfreich: Eine Lehrkraft kann aus demselben fachlichen Kern mehrere sprachliche oder methodische Zugänge entwickeln lassen. Die Verantwortung für die Lernziele, die fachliche Prüfung und die Rückmeldung bleibt jedoch im Kollegium. Eine zentrale Cloud macht diese Arbeit nicht überflüssig; sie kann sie lediglich besser unterstützen.

Wo die europäische Cloud organisatorisch anspruchsvoll wird

Mit einer eigenen Instanz übernimmt die Schule oder der beauftragte Dienstleister mehr Verantwortung. Dazu gehören ein Berechtigungskonzept, Monitoring, Sicherung der Systeme und die regelmäßige Prüfung von Modell- und Softwareversionen. Auch die Lizenzbedingungen des jeweiligen Modells müssen verstanden werden.

Hier liegt eine häufig unterschätzte Stolperfalle: Ein Modell mit öffentlich zugänglichen Gewichten ist nicht automatisch Open-Source-Software im rechtlichen Sinn. Open Weights bedeutet zunächst, dass die Modellgewichte verfügbar sind. Welche Nutzung, Veränderung oder Weitergabe erlaubt ist, ergibt sich aus der jeweiligen Lizenz. Für eine Schule oder einen kommunalen Träger ist diese Unterscheidung nicht akademisch, sondern Teil einer belastbaren Beschaffung und Dokumentation.

Weg drei: Lokales Self-Hosting auf Schul- oder Trägerinfrastruktur

Beim lokalen Self-Hosting läuft das Sprachmodell auf Hardware, die der Schule, dem Schulträger oder einem beauftragten Dienstleister zugeordnet ist. Das kann ein Server im eigenen Serverraum sein oder eine Infrastruktur, die innerhalb der kommunalen Organisation betrieben wird.

Der wichtigste Vorteil: Die Eingaben müssen nicht an einen externen Cloud-Anbieter übertragen werden. Für sensible interne Arbeitsabläufe kann das ein starkes Argument sein. Ein lokal betriebenes Modell kann beispielsweise bei der Vorbereitung von Unterrichtsmaterialien, bei der Strukturierung anonymisierter Texte oder bei der Entwicklung von Differenzierungsangeboten helfen, ohne dass jede Anfrage die eigene Infrastruktur verlässt.

Die technische Kontrolle ist jedoch nur dann ein echter Gewinn, wenn sie auch praktisch ausgeübt werden kann. Ein Modell auf einem Schulserver ist nicht automatisch datenschutzkonform. Auch im lokalen Betrieb gelten die Grundsätze der Datenschutz-Grundverordnung, darunter die Datensparsamkeit nach Artikel 5. Außerdem müssen Zugriffsrechte, Protokollierung, Löschung, Verschlüsselung und Sicherheitsupdates geregelt sein.

Die typischen Komponenten eines solchen Betriebs lassen sich vereinfacht so beschreiben:

1. Modell und Lizenz auswählen: Die Schule entscheidet, welches Modell fachlich, sprachlich und technisch geeignet ist und welche Nutzungsbedingungen gelten.

2. Infrastruktur bereitstellen: Prozessor, Arbeitsspeicher, Speicherplatz und gegebenenfalls leistungsfähige Grafikkarten müssen zur Modellgröße und zur erwarteten Zahl gleichzeitiger Zugriffe passen.

3. Zugriff absichern: Lehrkräfte und Lernende benötigen klar getrennte Rollen, eigene Berechtigungen und eine nachvollziehbare Anmeldung.

4. Schnittstelle einrichten: Werkzeuge wie Ollama oder eine vLLM-Umgebung können den Zugriff über eine standardisierte API ermöglichen.

5. Betrieb begleiten: Updates, Fehleranalyse, Datensicherung und die Überwachung der Systemauslastung bleiben dauerhaft notwendig.

6. Pädagogische Nutzung begrenzen: Das Modell braucht klare Einsatzregeln, damit es nicht ungeplant zur Bewertungs- oder Überwachungsinstanz wird.

Lokale KI-Modelle in der Schule: leistungsfähig, aber nicht wartungsfrei

In Gesprächen über lokale KI-Modelle an Schulen entsteht gelegentlich der Eindruck, ein installiertes Modell arbeite vollständig unabhängig und verursache danach kaum noch Aufwand. In der Praxis verschiebt sich die Arbeit nur. Statt eines externen Plattformbetriebs braucht die Schule eigenes technisches Wissen oder einen verlässlichen Dienstleister.

Auch die Qualität ist nicht allein eine Frage des Standorts. Ein kleineres Modell kann für einfache Umformulierungen oder die Erstellung von Varianten ausreichend sein, bei komplexen fachlichen Fragen aber deutlich häufiger ungenaue Antworten liefern. Ein größeres Modell benötigt wiederum mehr Ressourcen und kann bei vielen parallelen Anfragen die Hardware stärker belasten.

Für den Unterricht ist daher nicht unbedingt das leistungsstärkste Modell die beste Wahl. Entscheidend ist, ob es die vorgesehenen Lernhandlungen unterstützt. Wenn Schülerinnen und Schüler lernen sollen, Argumente zu prüfen, Quellen zu hinterfragen und eigene Formulierungen zu entwickeln, kann ein bewusst begrenztes Modell sogar didaktisch interessanter sein als ein System, das jede Aufgabe scheinbar mühelos erledigt.

Die drei Wege im direkten Vergleich

Die Entscheidung wird übersichtlicher, wenn wir nicht nur auf den Datenschutz, sondern auch auf die pädagogische Nutzbarkeit und den Betriebsaufwand schauen.

Keine Zeile dieser Tabelle sollte isoliert gelesen werden. Ein niedriger Hardwarebedarf kann mit einer stärkeren Abhängigkeit vom Anbieter einhergehen. Maximale technische Kontrolle kann bedeuten, dass am Ende niemand genügend Zeit hat, um das System zuverlässig zu betreuen.

Self-Hosting ersetzt den Datenschutz nicht. Es macht die Schule nur sichtbarer verantwortlich dafür, ihn technisch und organisatorisch umzusetzen.

Der häufigste Denkfehler: Anonymisierung mit Entfernen des Namens verwechseln

Im Schulalltag wird Anonymisierung oft auf ein schnelles Suchen und Löschen von Namen reduziert. Für die tatsächliche Identifizierbarkeit reicht das nicht immer aus. Ein Text über einen sehr konkreten familiären Konflikt, eine seltene Erkrankung oder ein einzelnes Ereignis im Ort kann auch ohne Namensnennung Rückschlüsse ermöglichen.

Für die praktische Arbeit hilft eine abgestufte Entscheidung:

Für allgemeine Unterrichtsvorbereitung

Hier genügen meist fachliche Eckdaten ohne Personenbezug. Statt den vollständigen Lernstand einer konkreten Schülerin zu beschreiben, kann die Lehrkraft formulieren, welche sprachliche oder mathematische Hürde bei einer Lerngruppe häufig auftritt. Das Modell erhält dann den didaktischen Bedarf, nicht die Biografie eines Kindes.

Für Feedback zu Schülertexten

Der Text sollte auf direkte Identifikatoren und unnötige Kontextinformationen geprüft werden. Name, E-Mail-Adresse, Geburtsdatum, individuelle Aktenzeichen und seltene Ereignisse gehören nicht in eine allgemeine Anfrage. Zusätzlich sollte feststehen, ob die genutzte Plattform die Verarbeitung solcher Texte überhaupt vorsieht und wie lange sie gespeichert werden.

Für Förderplanung und sensible Lerninformationen

Hier ist besondere Zurückhaltung erforderlich. Angaben zu Gesundheit, familiären Verhältnissen oder sonderpädagogischem Unterstützungsbedarf sind nicht deshalb unproblematisch, weil ein Modell technisch darauf antworten kann. In vielen Fällen ist es sinnvoller, mit abstrahierten Fallbeschreibungen oder vollständig künstlichen Beispielen zu arbeiten und die eigentliche pädagogische Entscheidung im geschützten professionellen Gespräch zu treffen.

Was ein schulischer Entscheidungsprozess leisten sollte

Die Wahl des Hostings sollte nicht mit einer spontanen Produktentscheidung beginnen. Bewährt hat sich ein kleiner, begrenzter Lernprozess für die Institution selbst. Die Schule muss zunächst herausfinden, welche Aufgaben sie mit KI lösen möchte und welche Daten dafür tatsächlich erforderlich sind.

Ein sinnvoller Ablauf kann so aussehen:

1. Mit einem klar umrissenen Szenario starten.

Geeignet sind beispielsweise die Entwicklung von Aufgabenvarianten, die sprachliche Überarbeitung von anonymisierten Materialien oder die Vorbereitung von Reflexionsfragen. Weniger geeignet sind Szenarien, in denen eine KI direkt über einzelne Lernende urteilt.

2. Die Datenkategorien beschreiben.

Handelt es sich um frei erfundene Beispiele, anonymisierte Texte, pseudonymisierte Lernprodukte oder personenbezogene Informationen? Diese Unterscheidung sollte nicht nur in einer Datenschutzakte stehen, sondern im Kollegium verständlich besprochen werden.

3. Die notwendige Modellqualität bestimmen.

Für eine einfache Umformulierung ist ein anderes Modell ausreichend als für mehrsprachige Rückmeldungen, komplexe fachliche Erklärungen oder eine Anwendung mit vielen gleichzeitigen Zugriffen.

4. Die Betriebsverantwortung zuordnen.

Wer prüft die Lizenz? Wer verwaltet Konten? Wer installiert Sicherheitsupdates? Wer reagiert, wenn ein Modell falsche oder unangemessene Inhalte erzeugt? Wenn auf diese Fragen niemand benannt werden kann, ist ein lokales System noch nicht einsatzbereit.

5. Die pädagogische Rückkopplung einplanen.

Lehrkräfte sollten nicht nur eine Einführung in die Bedienung erhalten. Sie brauchen Zeit, um Ausgaben zu vergleichen, Fehler zu erkennen, Prompts zu überarbeiten und Aufgaben so zu gestalten, dass Lernende nicht lediglich fertige Antworten übernehmen.

6. Den Einsatz regelmäßig auswerten.

Ein Pilotbetrieb sollte zeigen, ob das System tatsächlich Zeit spart, Lernprozesse unterstützt oder lediglich zusätzliche Kontrollarbeit erzeugt. Gerade bei automatisch erzeugtem Feedback ist die fachliche Nachprüfung ein Teil des Arbeitsaufwands, der realistisch eingeplant werden muss.

Dieser Ablauf verhindert einen typischen Kurzschluss: Eine Schule kauft Zugang zu einem Sprachmodell und stellt erst danach fest, dass weder die Datenflüsse noch die Rolle der Lehrkraft im Lernprozess geklärt sind.

Schulserver und LLM-Integration: Worauf es im Betrieb ankommt

Wer eine schulinterne Lösung anstrebt, sollte die Integration nicht als einzelne Installation betrachten. Ein LLM wird in der Regel mit Benutzerkonten, Lernplattformen, Dateiablagen oder Fachanwendungen verbunden. Jede zusätzliche Verbindung kann neue Datenflüsse und Berechtigungsfragen schaffen.

Für eine belastbare Schulserver-LLM-Integration gehören deshalb mindestens folgende Punkte auf den Tisch:

• Getrennte Rollen: Lernende, Lehrkräfte, Administratorinnen und Administratoren sollten unterschiedliche Rechte besitzen.
• Begrenzte Protokollierung: Es muss festgelegt werden, welche Anfragen gespeichert werden und zu welchem Zweck.
• Löschfristen: Temporäre Arbeitsdaten dürfen nicht unbemerkt zu dauerhaften Schülerprofilen werden.
• Zugriffsschutz: Das Modell sollte nicht offen aus dem Internet erreichbar sein, wenn der Anwendungsfall einen internen Zugriff genügt.
• Modellwechsel: Ein Update kann Antwortverhalten, Ressourcenbedarf und Lizenzbedingungen verändern.
• Fehlerwege: Lehrkräfte brauchen eine einfache Möglichkeit, problematische Ausgaben zu melden und gemeinsam zu besprechen.
• Schnittstellenhygiene: Eine API sollte nur jene Daten erhalten, die für die konkrete Funktion erforderlich sind.

Die technische Entscheidung wirkt sich auch auf die Barrierefreiheit und die Teilhabe aus. Wenn eine Anwendung nur auf leistungsfähigen privaten Geräten funktioniert oder eine komplizierte Anmeldung verlangt, werden bestimmte Lernende faktisch ausgeschlossen. Ermächtigung bedeutet im digitalen Lernen daher nicht nur, Zugang zu KI zu geben, sondern auch, die Bedingungen für einen gleichberechtigten Zugang mitzudenken.

Rechtliche Leitplanken ohne Scheinsicherheit

Für die schulische Praxis ist es hilfreich, rechtliche Anforderungen in konkrete Arbeitsfragen zu übersetzen. Artikel 5 der Datenschutz-Grundverordnung verweist unter anderem auf Zweckbindung und Datenminimierung: Werden die Daten für einen klaren Zweck verarbeitet, und lässt sich derselbe Lernschritt mit weniger Informationen erreichen?

Artikel 22 ist dort relevant, wo automatisierte Entscheidungen erhebliche Auswirkungen auf einzelne Personen haben können. Eine KI-generierte Empfehlung darf nicht stillschweigend zur endgültigen Bewertung werden. Das gilt auch dann, wenn die Oberfläche den Eindruck einer objektiven, technisch berechneten Entscheidung vermittelt.

Hinzu kommt die europäische KI-Verordnung. Sie ist vollständig ab dem 2. August 2026 wirksam. Für Bildungseinrichtungen bedeutet das nicht, dass jede Nutzung gleich behandelt wird. Je nach Anwendung können unterschiedliche Anforderungen gelten, insbesondere wenn ein System für Bewertung, Zugang zu Bildung oder andere sensible Entscheidungen eingesetzt wird. Eine Schule sollte deshalb nicht nur den Modellnamen dokumentieren, sondern den konkreten Zweck der Anwendung.

Was sich aus den rechtlichen Leitplanken für die Auswahl ableiten lässt:

• Eine direkte, unanonymisierte Eingabe personenbezogener Schülerdaten in eine beliebige US-Cloud ist nicht dadurch zulässig, dass das Modell im Unterricht eingesetzt wird.
• Ein Vertrag allein macht einen ungeeigneten Anwendungsfall nicht passend.
• Lokaler Betrieb schließt Datenschutzpflichten nicht aus.
• Open-Weights-Modelle sind nicht automatisch lizenzfreie oder uneingeschränkt offene Software.
• Die menschliche pädagogische Entscheidung darf nicht aus dem Blick geraten, nur weil ein Modell eine plausible Formulierung erzeugt.

Welche Route für welche Schule sinnvoll ist

Für eine Schule ohne eigene IT-Abteilung ist der Einstieg über eine etablierte Bildungsplattform oft der realistischste Weg. Die technischen Schutzschichten, die Nutzerverwaltung und die fertige Oberfläche können das Kollegium entlasten. Voraussetzung ist, dass die Plattform transparent über Anonymisierung, Datenverwendung, Speicherfristen und vertragliche Grundlagen informiert.

Eine europäische Cloud-Instanz bietet sich an, wenn der Schulträger mehrere Einrichtungen versorgen, Anwendungen individuell entwickeln oder die Modellwahl stärker selbst bestimmen möchte. Dafür braucht es klare Zuständigkeiten und eine technische Betreuung, die nicht nur bei der Einrichtung, sondern auch im laufenden Betrieb verfügbar ist.

Lokales Self-Hosting passt vor allem zu Organisationen, die bereits über belastbare Serverstrukturen, IT-Personal und ein klares Sicherheitskonzept verfügen. Es kann für sensible interne Anwendungen attraktiv sein, ist aber kein einfacher Sparweg. Hardware, Wartung, Modellaktualisierung, Lizenzen und Support verursachen laufende Aufgaben – auch dann, wenn keine klassische Cloudrechnung anfällt.

Eine gute Entscheidung kann deshalb durchaus gestuft erfolgen:

• zunächst ein begrenzter Einsatz mit anonymisierten Materialien,
• anschließend eine Prüfung der tatsächlichen Nutzung und des pädagogischen Mehrwerts,
• danach gegebenenfalls eine eigene europäische Instanz für wiederkehrende Anwendungen,
• und erst bei ausreichender technischer Kompetenz ein lokaler Betrieb spezieller Modelle.

Diese Reihenfolge ist kein Zeichen mangelnder Innovationsfreude. Sie ist professionelles Scaffolding für die Organisation: Die Schule baut ihre Kompetenzen so auf, dass Technik, Datenschutz und Unterrichtsentwicklung miteinander wachsen können.

Ein realistischer Start für das Kollegium

Am Ende muss die Entscheidung im Klassenzimmer funktionieren. Lehrkräfte brauchen keine abstrakte Zusicherung, dass KI die Schule verändern wird. Sie brauchen eine Umgebung, in der sie eine Aufgabe ausprobieren, eine fehlerhafte Antwort gemeinsam analysieren und die Auswirkungen auf den Lernprozess einschätzen können.

Beginnen Sie deshalb mit einem Szenario, bei dem die Datenlage überschaubar bleibt. Lassen Sie ein Modell etwa drei unterschiedlich anspruchsvolle Erklärungen zu einem fachlichen Inhalt formulieren. Prüfen Sie anschließend gemeinsam, ob die sprachliche Abstufung wirklich eine Hilfe darstellt, ob fachliche Fehler enthalten sind und welche Version für welche Lernenden geeignet sein könnte. So wird aus der Nutzung kein automatischer Ersatz für pädagogische Arbeit, sondern ein Gegenstand der professionellen Reflexion.

Wenn später personenbezogene Lernprodukte einbezogen werden sollen, sollte der Kreis der Beteiligten erweitert werden: Datenschutzbeauftragte, Schulträger, IT-Verantwortliche und das Kollegium müssen dieselbe Anwendung aus unterschiedlichen Perspektiven betrachten. Gerade diese Gespräche zeigen oft, dass ein scheinbar kompliziertes Szenario mit weniger Daten einfacher und sicherer gestaltet werden kann.

Die zentrale Frage lautet daher nicht: Welches LLM ist das beste für unsere Schule? Sie lautet: Welche Lernhandlung möchten wir unterstützen, welche Informationen braucht sie tatsächlich, und welche technische Umgebung ermöglicht das mit vertretbarem Risiko?

Fazit

Für datenschutzbewusstes LLM-Hosting an Schulen gibt es keinen Königsweg. Bildungsplattformen mit Anonymisierungs-Proxy erleichtern den Einstieg und können für klar begrenzte Unterrichtsszenarien eine praktikable Lösung sein. Eine europäische Cloud-Instanz bietet mehr Anpassbarkeit und zentrale Kontrolle, verlangt aber bereits ein belastbares Betriebs- und Vertragskonzept. Lokales Self-Hosting hält den Datenfluss besonders eng unter eigener Kontrolle, macht die Schule jedoch auch für Wartung, Sicherheit, Lizenzen und Datenschutz umfassend verantwortlich.

Aus didaktischer Sicht ist die Reihenfolge entscheidend: Erst das Lernziel, dann die benötigten Daten, danach die technische Architektur. Wenn wir diese Schritte vertauschen, passen wir den Unterricht an ein Werkzeug an. Wenn wir sie bewusst aufbauen, kann KI tatsächlich zur Ermächtigung beitragen – für Lehrkräfte, für Lernende und für eine Schule, die Innovation nicht mit grenzenloser Datensammlung verwechselt.