Zusammenfassung
Der Diskurs über generative künstliche Intelligenz (KI) in Bildungsorganisationen verläuft häufig entlang einer Polarität von Euphorie und Ablehnung. Dabei wird häufig die praktisch entscheidende Frage vernachlässigt, wie eine produktive und verantwortbare Zusammenarbeit zwischen Lehrperson und KI-Assistent konkret organisiert werden kann.
Die KI Kollaboration Schule bietet zahlreiche Möglichkeiten zur Verbesserung des Lernens und leitet innovative Ansätze für Lehrmethoden ein. Die KI Kollaboration Schule fördert die Interaktion zwischen Lehrenden und Lernenden und schafft ein dynamisches Lernumfeld.
Schlüsselwörter: Mensch-KI-Kollaboration; Augmentierung; Human-in-the-loop; Autoethnografie; KI in der Bildung; Datenschutz
Schlüsselwörter:
1. Problemstellung
Mit der breiten Verfügbarkeit generativer KI-Systeme hat sich die Frage ihres Einsatzes in Schulen von einer hypothetischen zu einer alltäglichen verschoben. Der öffentliche wie der schulinterne Diskurs oszilliert dabei vielfach zwischen der Erwartung umfassender Entlastung und der Sorge vor Kompetenzverlust, Fehlinformation und Datenschutzverletzungen.
In der KI Kollaboration Schule ist es entscheidend, dass die Lehrperson die Kontrolle über den Lernprozess behält, während die KI unterstützend wirkt.
Genau hier setzt dieser Beitrag an. Er fragt nicht, ob KI in der Bildung nützt oder schadet, sondern rekonstruiert eine konkrete, über längere Zeit erprobte Arbeitsweise und prüft, unter welchen Bedingungen sie produktiv und verantwortbar ist.
2. Theoretischer Rahmen
2.1 Augmentierung statt Automatisierung
Eine grundlegende Unterscheidung trennt Automatisierung, die menschliche Tätigkeit ersetzt, von Augmentierung, die sie erweitert. Die Idee, Technologie zur Steigerung menschlicher Problemlösefähigkeit einzusetzen, ist nicht neu; sie wurde bereits von Engelbart (1962) als „augmenting human intellect» konzeptualisiert. Davenport und Kirby (2015) haben sie für das Zeitalter intelligenter Maschinen reformuliert und schlagen vor, die Automatisierungsbedrohung als Augmentierungschance umzudeuten, bei der Mensch und Maschine ihre je eigenen Stärken einbringen. Die in diesem Beitrag beschriebene Praxis lässt sich präzise dem Augmentierungsbegriff zuordnen: Die KI ersetzt nicht das fachliche Urteil, sondern erweitert den Raum dessen, was in vertretbarer Zeit eigenständig umsetzbar ist.
Die Umsetzung der KI Kollaboration Schule erfordert ein tiefes Verständnis für die Rolle der Technologie im Bildungsbereich.
2.2 Human-in-the-loop und Mensch-KI-Interaktion
Augmentierung verlangt eine Interaktionsarchitektur, in der die Kontrolle beim Menschen verbleibt. Amershi et al. (2019) formulieren 18 evidenzbasierte Leitlinien für die Mensch-KI-Interaktion, die unter anderem die Verständlichkeit von Systemfähigkeiten, die Erwartungssteuerung und die Korrigierbarkeit betreffen. Diese Leitlinien stützen das Prinzip des Human-in-the-loop: Die KI agiert nicht autonom, sondern innerhalb eines vom Menschen gesetzten und überwachten Rahmens.
Die KI Kollaboration Schule ermöglicht es, die Interaktionen zwischen Mensch und Maschine zu optimieren und die Lernqualität zu steigern.
Die Notwendigkeit menschlicher Kontrolle ist nicht nur normativ, sondern empirisch begründet. Die Forschung zur Mensch-Automatisierungs-Interaktion warnt seit Langem vor automation bias – der unkritischen Übernahme maschineller Vorschläge (Parasuraman & Riley, 1997). Bei generativen Sprachmodellen kommt das Phänomen der Halluzination hinzu: Ji et al. (2023) unterscheiden intrinsische (der Quelle widersprechende) von extrinsischer (durch die Quelle nicht verifizierbarer) Halluzination. Beide Befunde begründen, warum Verifikation kein optionaler Zusatz, sondern ein konstitutiver Bestandteil verantwortbarer KI-Nutzung sein muss.
3. Methodik
Der Beitrag folgt einem autoethnografischen Zugang. Die Autoethnografie verbindet die systematische Analyse persönlicher Erfahrung mit der Reflexion ihres kulturellen und institutionellen Kontexts (Ellis, Adams & Bochner, 2011). Datengrundlage sind dokumentierte Arbeitsprozesse aus rund zwölf Monaten Tätigkeit an der Schnittstelle von Bildung und Technologie, darunter die Betreuung einer E-Portfolio-Plattform, die Überarbeitung digitaler Lerninhalte sowie die Automatisierung wiederkehrender Auswertungsprozesse.
Aus diesem Material wurden zwei Ergebnisebenen abstrahiert: erstens ein wiederkehrendes prozedurales Muster (Abschnitt 4), zweitens eine Typologie von Anwendungsfällen (Abschnitt 5). Die Grenzen des Zugangs sind offenzulegen: Es handelt sich um eine Einzelfallbetrachtung ohne Anspruch auf statistische Verallgemeinerbarkeit; die analytische Reichweite liegt in der konzeptuellen Übertragbarkeit des Modells, nicht in der Repräsentativität der Person.
4. Ergebnis I: Das Vier-Phasen-Modell
Über die Fälle hinweg zeigt sich ein stabiles prozedurales Muster aus vier Phasen.
Ein zentrales Element der KI Kollaboration Schule ist die kontinuierliche Anpassung der Lehrmethoden an die sich verändernden Technologien.
(1) Spezifikation. Die Aufgabe wird präzise umrissen, einschliesslich expliziter Freiheitsgrade (etwa: „optimiere die Bedienung und prüfe zugleich die Inhalte»). Die Spezifikationsgüte korreliert unmittelbar mit der Ergebnisgüte.
(2) Klärung. Bei Unterbestimmtheit wird das System angehalten, Rückfragen zu stellen, statt zu raten. Dieser dialogische Zwischenschritt verlagert Mehrdeutigkeit nach vorne und steht im Einklang mit der Leitlinie, Erwartungen früh zu klären (Amershi et al., 2019).
(3) Verifikation. Kein Ergebnis wird ungeprüft übernommen: Code wird ausgeführt und getestet, Sachaussagen werden gegen aktuelle Quellen kontrolliert, und vor jedem Eingriff in Bestandssysteme wird ein Backup erstellt. Diese Phase operationalisiert die in Abschnitt 2.2 referierten Risiken (automation bias, Halluzination).
In der KI Kollaboration Schule ist die Verifikation der Ergebnisse eine wesentliche Voraussetzung für erfolgreiches Lernen und Lehren.
(4) Entscheidung und Dokumentation. Die fachliche, didaktische oder rechtliche Entscheidung trifft der Mensch. Ergebnisse, Pfade und offene Punkte werden in einem persistenten Projektgedächtnis festgehalten, was Anschlussfähigkeit und Reproduzierbarkeit sichert.
5. Ergebnis II: Vier Falltypen
Die Analyse der Falltypen in der KI Kollaboration Schule zeigt, wie vielfältig die Anwendungen von KI sein können.
Falltyp A – Systeminfrastruktur. Die Betreuung einer E-Portfolio-Plattform umfasste die Entwicklung eines Export-Plugins, die Anbindung an ein Identitätsmanagement per Single-Sign-on sowie die Diagnose eines nach einem Upgrade auftretenden Datenbankfehlers. Bemerkenswert ist die Kompetenzverschiebung: Ohne klassische Entwicklerinnen-Ausbildung liess sich ein komplexes System souverän betreuen – unter der Bedingung, dass jede Änderung verstanden und verantwortet wurde.
Ein Beispiel für die KI Kollaboration Schule ist die Integration von KI in das Lernmanagementsystem, um personalisierte Lernwege zu schaffen.
Falltyp B – Lerninhalte. Bei der Überarbeitung eines interaktiven Prüfungsquiz (72 Aufgaben) wurden Bedienung und Inhalt parallel bearbeitet. Die inhaltliche Verifikation deckte einen Anzeigefehler auf, der drei Musterlösungen unterdrückte – ein Fehler, der manueller Sichtung mit hoher Wahrscheinlichkeit entgangen wäre. Aus denselben Daten wurden anschliessend acht formatierte Dokumente generiert (single source, multiple Formate).
Die KI Kollaboration Schule fördert die Entwicklung kreativer Lerninhalte, die auf die Bedürfnisse der Lernenden abgestimmt sind.
Falltyp C – Datenverarbeitung. Die Erstellung von 23 individuellen Auswertungen einer Lernendenbefragung wurde durch lokale Skripte automatisiert. Die Architektur war datenschutzkonform gestaltet: Die Verarbeitung erfolgte vollständig lokal, ohne Datenübertragung an externe Dienste (vgl. Abschnitt 6.3).
Durch die KI Kollaboration Schule wird der Datenschutz besonders wichtig, um die Privatsphäre der Lernenden zu schützen.
Die KI Kollaboration Schule hat das Potenzial, die Art und Weise, wie Lernende und Lehrende interagieren, grundlegend zu verändern.
Falltyp D – Lernmanagementsystem. Im Zusammenspiel mit der Lernplattform verschob sich die Tätigkeit vom manuellen Zusammenstellen einzelner Elemente hin zur Beschreibung von Lernsituationen, deren strukturelles Gerüst maschinell erzeugt und anschliessend didaktisch verfeinert wurde.
6. Diskussion
Die Diskussion über die KI Kollaboration Schule zeigt, dass der Einsatz von KI im Bildungsbereich immer stärker in den Fokus rückt.
6.1 Kompetenzverschiebung statt Kompetenzersatz
Quer zu den Fällen zeigt sich, dass nicht fehlendes Fachwissen durch die Maschine ersetzt, sondern vorhandenes Fachurteil auf neue Tätigkeitsfelder ausgedehnt wird. Diese Beobachtung lässt sich mit dem TPACK-Rahmen (Mishra & Koehler, 2006) lesen: Produktiv wird KI-Einsatz dort, wo technologisches, pädagogisches und inhaltliches Wissen zusammenwirken. Die Lehrperson bleibt die Instanz, die beurteilt, ob ein maschinell erzeugtes Gerüst didaktisch trägt.
Der Erfolg der KI Kollaboration Schule basiert auf einer soliden Grundlage von technischem Wissen und didaktischen Fähigkeiten.
6.2 Verifikation als didaktische Kernpraxis
Die Verifikationsphase (4.3) ist die praktische Antwort auf Halluzination und automation bias. Gerade bei versions- und zeitabhängigen Sachverhalten ist eine Stützung auf das Modellgedächtnis unzulässig; die Rückbindung an aktuelle Quellen ist obligatorisch. Das eigene Nichtverstehen einer vorgeschlagenen Lösung ist als Warnsignal zu lesen – ein Punkt, der über die Fachpraxis hinaus auch für den Unterricht selbst bedeutsam ist: Schülerinnen und Schüler benötigen ebendiese Verifikationskompetenz.
6.3 Datenschutz by Design
In der Bildung wiegt der Datenschutz besonders schwer; in der Schweiz ist seit dem 1. September 2023 das revidierte Datenschutzgesetz in Kraft. Entscheidend ist eine analytische Trennung: Programmcode mit KI erstellen ist nicht identisch mit Personendaten an eine KI übermitteln. Für die Code-Erstellung genügt die Datenstruktur; die realen Inhalte müssen das lokale System nicht verlassen. Im beschriebenen Falltyp C bestätigte eine technische Prüfung der Skripte das Fehlen jeglicher Netzwerk- oder Cloud-Aufrufe – die Personendaten verliessen das Gerät nicht. Bei vollständig lokaler Verarbeitung entfällt zudem die Notwendigkeit eines Auftragsbearbeitungsverhältnisses mit einem externen Anbieter.
7. Limitationen
Die Limitationen der KI Kollaboration Schule müssen berücksichtigt werden, um das volle Potenzial auszuschöpfen.
Die Aussagekraft des Beitrags ist durch seine Methodik begrenzt: Eine autoethnografische Einzelfallstudie erlaubt keine statistische Generalisierung und ist gegenüber Selbstselektions- und Bestätigungstendenzen nicht immun. Übertragbar ist nicht das individuelle Ergebnis, sondern das Modell. Künftige Arbeiten könnten das Vier-Phasen-Modell in Mehrfallstudien oder in Begleitforschung zu Fortbildungen prüfen und insbesondere die Frage adressieren, wie sich Verifikationskompetenz im Kollegium systematisch aufbauen lässt.
8. Fazit
Der produktive Kern der Mensch-KI-Zusammenarbeit liegt weniger in der Geschwindigkeit als in der Erweiterung des individuellen Möglichkeitsraums: Aufgaben, die zuvor an Zeit- oder Spezialisierungsgrenzen scheiterten, werden bearbeitbar – nicht durch Allkompetenz des Menschen, sondern durch eine disziplinierte Kollaborationsform. Das vorgeschlagene Modell – Spezifikation, Klärung, Verifikation, Entscheidung – ist bewusst werkzeugunabhängig formuliert und damit auf andere Bildungskontexte übertragbar. Seine Wirksamkeit beruht nicht auf der Leistungsfähigkeit eines bestimmten Systems, sondern auf der Qualität des menschlichen Rahmens, in den es eingebettet ist. Damit liefert der Beitrag zugleich eine praxisnahe Antwort auf die von Zawacki-Richter et al. (2019) aufgeworfene Frage nach dem Ort der Lehrenden im KI-Diskurs: Er liegt in der verantwortungsvollen Gestaltung der Zusammenarbeit selbst.
Abschließend lässt sich sagen, dass die KI Kollaboration Schule die Zukunft der Bildung maßgeblich beeinflussen wird.
Literaturverzeichnis
Amershi, S., Weld, D., Vorvoreanu, M., Fourney, A., Nushi, B., Collisson, P., Suh, J., Iqbal, S., Bennett, P. N., Inkpen, K., Teevan, J., Kikin-Gil, R., & Horvitz, E. (2019). Guidelines for Human-AI Interaction. Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, 1–13. https://doi.org/10.1145/3290605.3300233
Davenport, T. H., & Kirby, J. (2015, Juni). Beyond Automation. Harvard Business Review, 93(6). https://hbr.org/2015/06/beyond-automation
Ellis, C., Adams, T. E., & Bochner, A. P. (2011). Autoethnography: An Overview. Forum Qualitative Sozialforschung / Forum: Qualitative Social Research, 12(1), Art. 10.
Engelbart, D. C. (1962). Augmenting Human Intellect: A Conceptual Framework (Summary Report AFOSR-3223). Stanford Research Institute.
Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, 55(12), Art. 248. https://doi.org/10.1145/3571730
Mishra, P., & Koehler, M. J. (2006). Technological Pedagogical Content Knowledge: A Framework for Teacher Knowledge. Teachers College Record, 108(6), 1017–1054.
Parasuraman, R., & Riley, V. (1997). Humans and Automation: Use, Misuse, Disuse, Abuse. Human Factors, 39(2), 230–253.
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16, Art. 39. https://doi.org/10.1186/s41239-019-0171-0
— [Name], [Funktion/Organisation]
