Warum KI im Unterricht ein neues pädagogisches Stufenmodell erfordert

Historische Evidenz als Messlatte

Für Schulträger und IT-Verantwortliche ist der Report vor allem eines: ein Datenfundament gegen den Reflex, jedes neue Tool vorschnell in die Fläche zu rollen.

Vier Technologiewellen, ein Muster

Die Autorinnen und Autoren rekonstruieren einen wiederkehrenden Zyklus: Technik landet im Klassenzimmer, bevor Wirkungsdaten vorliegen. Belegt wird das mit harten Kennzahlen aus der US-Bildungsgeschichte.

• Film und Radio (1920er–1930er): Thomas Edison prognostizierte 1922 „100 % Effizienz" durch das bewegte Bild. Realität: breite Adoption blieb aus, Lerngewinne nicht nachweisbar.
• Bildungstelevision (bis 1971): Die US-Bundesregierung investierte über 100 Mio. US-Dollar in Bildungsrundfunk — ohne korrespondierenden Anstieg bei Schülerleistungen.
• PC-Labore (1980er–1990er): Eine 1999-Studie an extrem technikaffinen Silicon-Valley-Schulen zeigt: Weniger als 10 % der Lehrkräfte nutzten Computer auch nur wöchentlich für Unterricht; kein messbarer Leistungseffekt.
• Soziale Medien (nach 2010): Vollständige Durchdringung des Schüleralltags, bevor Studien Zusammenhänge zwischen Bildschirmzeit und Depression, Angst oder Suizidraten dokumentierten.

Warum generative AI qualitativ anders ist

Kernpunkt der Analyse: Alle vorherigen Wellen — Film, TV, PC — überließen die kognitive Arbeit dem Kind. Das Medium veränderte die Darreichung, nicht die Denkarbeit. Generative KI bricht mit diesem Muster. Sie übernimmt Texte, Lösungswege, Argumentation — also genau jene kognitiven Operationen, die der Lernprozess adressieren soll. Damit verschiebt sich die Risikoklasse, nicht nur der Implementierungsaufwand.

Ergänzender Kontext: Was Harvard gerade baut

Parallel hat ein Team der Harvard Graduate School of Education unter Ying Xu ein eigenes KI-Spielzeug entwickelt und eine erste Laborphase gestartet. Die Längsschnittstudie soll Spielverhalten, Sprachnutzung, Vertrauen und Bindung dokumentieren — im Vergleich zu traditionellem Spielzeug. Begleitend ist ein 21-seitiges Preprint (Xu, Girouard, Shi) erschienen, das konzeptuell zwischen zwei Rollen eines KI-Spielzeugs unterscheidet: „organizing force" (das System gibt Rollen, Szenarien, nächste Schritte vor und engt die Fantasie ein) versus „responsive resource" (Material, das das Kind umformt, ablehnt oder erweitert). Geprüft wird damit auch die Frage der Agency-Verteilung: Wer leitet das Spiel, wenn ein Spielzeug antwortet, sich erinnert und selbst Themen initiiert?

Machbarkeitsbewertung für die Schul-IT

Für die konkrete Beschaffungs- und Rollout-Planung lassen sich aus dem Manhattan-Paper drei harte Prüfpunkte ableiten, bevor ein Pilot startet:

• Wirkungsnachweis statt Vendor-Versprechen: Lern- und Entwicklungseffekte müssen vor der Skalierung gemessen werden, nicht nach. Kennzahlen aus den historischen Vergleichsfällen (Adoptionsquote, Lernzuwachs) sind direkt übertragbar.
• Kognitions-Offset als Architektur-Parameter: Da generative KI Denkarbeit übernimmt, gehört die Frage „Welche kognitive Aufgabe bleibt beim Lernenden?" in jeden Lastenheft-Punkt. Setup ohne diese Trennung ist No-Go.
• Daten- und Privatheitsbudget früh kalkulieren: Vorhandene Studien zu KI-Spielzeugen zeigen, dass internetfähige, sprechende Systeme eigene Audit-Pfade brauchen — Mikrofonaufnahmen, Konversationsspeicher, Persona-Profile.

Zwischenfazit: Go für Pilotprojekte mit klarer Altersstufensegmentierung und vorab definierten Stop-Kriterien. No-Go für unterrichtsweite Ausrollung, solange weder Lernwirkung noch Agency-Auswirkung belastbar gemessen sind. Der historische Datensatz liefert das Argument, die IT-Architektur die nötige Disziplin.