Was Lehrkräfte wirklich können müssen: Praxis vor Messung

30. März 2026 KI+Bildung
Wie internationale Forschung bestätigt, was in dieser Reihe von Anfang an Grundlage war – und warum die Brücke zur Praxis noch gebaut werden muss

Aus Perspektive eines Praktikers, nicht eines Forschers.

Das sage ich nicht defensiv – sondern als Positionierung. Wenn ich KI in der Lehre einsetze, stelle ich selten vorher Hypothesen auf. Ich entscheide spontan: Im Seminarraum, mit einer konkreten Gruppe, unter echten Bedingungen.
Deswegen verfolge ich die Forschung zur KI-Kompetenz von Lehrkräften mit einer bestimmten Grundhaltung: Ich finde es wichtig, dass Menschen diesen Themen nachgehen und Kompetenzen messbar machen wollen. Aber mich interessiert zuerst die andere Frage: Wie sorgen wir dafür, dass überhaupt erst praktisch anwendbare Kompetenzen entstehen – bevor wir anfangen, sie zu messen?
Drei Quellen haben mich in letzter Zeit beschäftigt. Zusammen ergeben sie ein Bild, das diese Reihe aus einer unerwarteten Richtung bestätigt.

Quelle 1: Die Grundlagendefinition

Long & Magerko (CHI 2020) liefern das Fundament. Sie definieren KI-Kompetenz als die Fähigkeit, KI kritisch zu bewerten, effektiv mit ihr zu kommunizieren und sie sinnvoll im Alltag, bei der Arbeit und im privaten Leben einzusetzen. Das Paper synthetisiert eine breite interdisziplinäre Literatur zu konkreten Kernkompetenzen und schlägt Gestaltungshinweise für lernerzentrierte KI-Technologien vor.
Es ist ein starkes konzeptionelles Fundament – aber es richtet sich an alle Menschen, nicht spezifisch an Lehrkräfte. Und es bleibt auf der Ebene der Definition: Was KI-Kompetenz ist, nicht wie man sie entwickelt.
Was das Modell besagt: Long & Magerko synthetisieren 30 interdisziplinäre Quellen zu 17 Kernkompetenzen, gruppiert in fünf Kategorien: KI erkennen, KI verstehen, KI evaluieren, KI nutzen und KI reflektieren. Ergänzt werden sie durch fünf Designprinzipien für lernerzentrierte KI-Technologien. Das Papier ist bis heute das meistzitierte Fundament der internationalen KI-Literacy-Forschung.
Kritische Einordnung: Das Modell richtet sich an alle Menschen – nicht spezifisch an Lehrkräfte. Die 17 Kompetenzen sind nicht nach Priorität geordnet und bieten keine Entwicklungslogik: Was lernt man zuerst, was setzt was voraus? Wer dieses Modell liest und fragt „Was tue ich jetzt konkret?“, bleibt ohne Antwort. Als Fundament unverzichtbar – als Handlungsanleitung schwer ausreichend.
→ Long & Magerko (2020): What is AI Literacy?

Quelle 2: Das Messmodell für Lehrkräfte

Delcker, Heil & Ifenthaler (2024) bauen darauf auf und fokussieren explizit auf Lehrkräfte. Auf Basis einer Literaturrecherche, Experteninterviews und einer Befragung von 480 Berufsschullehrkräften in Deutschland entwickeln sie ein Modell mit sechs Kompetenzdimensionen:
  1. Theoretisches KI-Wissen – Grundverständnis von Machine Learning, Algorithmen, Daten
  2. Rechtlicher Rahmen & Ethik – DSGVO, Datenschutz, Transparenz, Fairness
  3. Implikationen von KI – gesellschaftliche und arbeitsmarktbezogene Folgen
  4. Haltung gegenüber KI – Offenheit, kritische Reflexion, eigene Überzeugungen
  5. Lehren & Lernen mit KI – konkrete didaktische Anwendung
  6. Laufende Professionalisierung – Netzwerke, Weiterbildung, kontinuierliche Entwicklung
Der zentrale Befund: Diese Kompetenzen sind bei den befragten Lehrkräften heute sehr ungleich ausgeprägt. Und das Instrument, das Delcker et al. entwickeln, ist ein Werkzeug zur Messung dieser Selbstwahrnehmung – kein Lernpfad, der dorthin führt.
Das ist der Moment, wo meine Praktikerperspektive ins Spiel kommt: Messen, was nicht vorhanden ist, verändert nichts. Zuerst braucht es Lerngelegenheiten, die diese Kompetenzen aufbauen. Dann erst macht Messung Sinn.
Was das Modell besagt: Auf Basis von Literaturrecherche, Experteninterviews und einer Befragung von 480 deutschen Berufsschullehrkräften entwickeln Delcker, Heil & Ifenthaler sechs Kompetenzdimensionen speziell für Lehrkräfte: Theoretisches KI-Wissen, Rechtlicher Rahmen & Ethik, Implikationen von KI, Haltung gegenüber KI, Lehren & Lernen mit KI und Laufende Professionalisierung. Es ist das bislang systematischste Modell für diese Berufsgruppe – und für den deutschen Bildungskontext besonders relevant.
Kritische Einordnung: Das Instrument misst Selbstwahrnehmung – was Lehrkräfte über ihre eigene Kompetenz denken, nicht was sie tatsächlich können. Und es fehlt die Brücke von der Diagnose zur Handlung: Wer weiß, dass er in Dimension 5 schwach ist, weiß noch nicht, was er verändern soll. Stark als Messmodell – begrenzt als Entwicklungsinstrument.
→ Delcker, Heil & Ifenthaler (2024): Teachers‘ AI Competence

Quelle 3: Das Framework mit Praxisnähe

Das AILit Framework (OECD & EU-Kommission, Mai 2025) ist das aktuellste und institutionell stärkste Dokument. Es ist eine gemeinsame Initiative von OECD und Europäischer Kommission, speist in die PISA-2029-Erhebung ein und richtet sich explizit an Lehrkräfte, Schulleitungen, Bildungspolitik und Lerndesigner:innen.
Was mich besonders überrascht hat: Es liefert tatsächlich Szenarien. Zu jeder der 22 Kompetenzen gibt es ein Primar- und ein Sekundarszenario – konkret, kurz, direkt einsetzbar, und in vielen Fällen ohne direkten Zugang zu KI-Tools umsetzbar.
Was das Framework besagt: Vier Domänen mit insgesamt 22 Kompetenzen – und zu jeder Kompetenz ein konkretes Primar- und Sekundarszenario. Es richtet sich explizit an Lehrkräfte, Schulleitungen und Lerndesigner/-innen, speist in die PISA-2029-Erhebung ein und ist das aktuellste und institutionell stärkste Modell im Feld. Der entscheidende Unterschied zu den beiden anderen: Es liefert nicht nur Definitionen, sondern zeigt, was die Kompetenzen in der Unterrichtspraxis konkret bedeuten.
Kritische Einordnung: Das Framework ist ein Entwurf – die classroom-ready Materialien für Curriculum, Assessment und Professionalisierung kommen laut Dokument erst 2026. Es beschreibt, was sein soll – den Weg dorthin müssen Praktikerinnen und Praktiker noch bauen.
Das Framework beschreibt vier Domänen, die zeigen, wie Lernende – und damit auch Lehrende – mit KI in Beziehung treten:
Engaging with AI – KI in alltäglichen Situationen erkennen, Outputs kritisch bewerten, Chancen und Grenzen beurteilen. Beispielszenario (Sekundarstufe): Schüler:innen prompten ein Sprachmodell mit Fragen zu historischen Ereignissen und bewerten Genauigkeit und Bias anhand verlässlicher Quellen.
Creating with AI – Mit KI im kreativen oder problemlösenden Prozess kollaborieren, Outputs durch gezielte Prompts und Feedback verfeinern, Fragen von Urheberschaft und Verantwortung klären. Beispielszenario: Schüler:innen nutzen einen KI-Coding-Assistenten zur Fehlersuche und reflektieren anschließend, wie das Tool ihren Denkprozess beeinflusst hat.
Managing AI – KI bewusst für strukturierte Aufgaben einsetzen, damit Menschen sich auf Kreativität, Empathie und Urteilsvermögen konzentrieren können. Klare Instruktionen geben, Aufgaben delegieren, Verantwortung behalten. Beispielszenario: Schüler:innen nutzen KI für Brainstorming und Hintergrundrecherche beim Science Fair, bestimmen aber selbst über Design, Durchführung und Interpretation.
Designing AI – Verstehen, wie KI-Systeme funktionieren, welche Daten sie trainieren und welche Designentscheidungen ihren Output beeinflussen. Das Ziel ist nicht das Entwickeln kommerzieller Produkte, sondern das Aufbauen von Handlungsfähigkeit. Beispielszenario: Schüler:innen erkunden, wie ein einfaches Modell trainiert werden kann, um Recyclingmaterialien zu erkennen – und beschreiben, welchen Einfluss die Datenbasis auf die Modellleistung hat.
→ AILit Framework – OECD/EU-Kommission (2025)

Was mich beim Lesen der Szenarien getroffen hat

Als ich die vier Domänen mit ihren Szenarien las, habe ich sie sofort wiedererkannt. Nicht weil ich das Framework kannte – sondern weil es beschreibt, was ich in den letzten fünf Artikeln aus der Perspektive des Praktikers entwickelt habe. Nur von der anderen Seite.
Das Framework fragt: Was sollen Lernende können? Ich habe gefragt: Was muss ich als Lehrkraft tun, damit das gelingt? Wir beschreiben dasselbe.
Hier der Versuch eines Mappings:
AILit-Domäne Meine Rolle Use Case Kernfrage
Engaging with AI > KI als Analyse-Unterstützer > Use Case: Lernbedarfsanalyse (Welche Muster zeigt die KI – und was bedeuten sie für meine Gruppe?)
Creating with AI > KI als Lernraum-Gestalter > Use Case: Lernszenarien (Welche didaktischen Entwürfe entstehen, wenn KI Teaching Statement und Lernbedarfe verknüpft?)
Managing AI > Der Stratege > Use Case Teaching Statement (Wer führt – und wie stelle ich sicher, dass KI für mich arbeitet, nicht umgekehrt?)
Designing AI > KI als Perspektivwechsel-Partner und KI als kritischer Moderator > Use Case: Perspektivwechsel und Kritischer Moderator (Wie habe ich meinen Prompt gebaut – und was sagt das über meine Annahmen?)
Die Domäne „Designing AI“ verdient dabei besondere Aufmerksamkeit. Das Framework formuliert es so: Das Ziel ist nicht das Entwickeln kommerzieller Produkte, sondern das Aufbauen von Handlungsfähigkeit – und das Verständnis der Prinzipien, die KI-Systeme steuern. Das ist genau das, was ich mit dem kritischen Moderator und dem Perspektivwechsel-Partner meine: nicht KI bedienen, sondern KI verstehen. Die eigenen Prompt-Entscheidungen reflektieren. Die Annahmen sichtbar machen, die in jeden Auftrag an eine KI eingeflossen sind.
Eine Lehrkraft, die das kann, unterrichtet anders. Sie stellt andere Fragen. Und sie befähigt ihre Studierenden, selbst andere Fragen zu stellen.
Was trotzdem noch fehlt
Ich sage das ohne Kritik, aber mit Klarheit.
Das AILit Framework ist ein Entwurf. Die classroom-ready Exemplare für Curriculum, Assessment und Professionalisierung kommen laut Dokument erst 2026. Die Forschung von Delcker et al. misst Kompetenzen, die viele Lehrkräfte noch gar nicht entwickeln konnten – weil die gezielten Lernangebote fehlen. Und Long & Magerko haben 2020 ein Fundament gelegt, das seitdem vielfach zitiert, aber selten in konkrete Fortbildungsformate übersetzt wurde.
Das ist der Spalt, den Praktikerinnen und Praktiker füllen müssen. Nicht statt der Forschung – sondern zwischen Forschung und Unterrichtsraum.
Genau das hat diese Artikelreihe versucht.
Die fünf Rollen – jetzt im Kontext
Kein Rezept. Kein Messmodell. Sondern konkrete Rollen, Praxisbeispiele und Use Cases, die zeigen: So kann KI in der Lehre funktionieren – heute, mit vorhandenen Mitteln, unter realen Bedingungen.
→ Artikel 1: Der Stratege – Warum Lehre mit KI eine Führungsfrage ist | LinkedIn-Artikel
Use Case: Teaching Statement als KI-Betriebssystem | AILit-Domäne: Managing AI
→ Artikel 2: KI als Analyse-Unterstützer – Muster sichtbar machen, nicht interpretieren | LinkedIn-Artikel
Use Case: Lernbedarfsanalyse | AILit-Domäne: Engaging with AI
→ Artikel 3: KI als Lernraum-Gestalter – Vorschläge für Struktur, Ablauf und Szenarien | LinkedIn-Artikel
Use Case: Didaktische Lernszenarien | AILit-Domäne: Creating with AI
→ Artikel 4: KI als Perspektivwechsel-Partner – Reflexion unterstützen, Einordnung ermöglichen | LinkedIn-Artikel
Use Case: Perspektivwechsel & sokratische Reflexion | AILit-Domäne: Designing AI
→ Artikel 5: KI als kritischer Moderator – Prozesse sichtbar machen, nicht glätten | LinkedIn-Artikel
Use Case: Advocatus Diaboli & Prozessreflexion | AILit-Domäne: Designing AI

Der Mensch führt. Die KI unterstützt. Die Verantwortung bleibt menschlich. Immer.

Erst Kompetenz aufbauen. Dann messen.

Quellen & weiterführende Literatur
#KIinderLehre #AILiteracy #Hochschuldidaktik #AILit #OECDEducation #KIKompetenz #Lehrende #PädagogischeArchitektur #HigherEducation #PraxisVorMessung
Comments

There are no comments yet.

Leave a comment