Christian Urff, Pädagogische Hochschule Weingarten, 2026

Ob künstliche Intelligenz beim Lernen eingesetzt werden sollte, lässt sich nicht pauschal beantworten. Ihr lernbezogener Mehrwert hängt davon ab, wie sie in den Lernprozess eingebettet ist. Dasselbe KI-System kann in einer Situation produktiv unterstützen und in einer anderen Denkprozesse verkürzen, überlagern oder verhindern. Die entscheidende Frage lautet daher: Für wen, zu welchem Zeitpunkt, mit welchem Ziel und in welcher Form kann KI lernförderlich eingesetzt werden? Das SKILL-Modell bietet dafür einen Orientierungsrahmen. Es hilft, KI-gestützte Lernwerkzeuge auszuwählen, kritisch zu prüfen und so zu gestalten, dass sie Denken anregen, strukturieren und vertiefen, statt es zu ersetzen.

Wie KI eingesetzt wird, ist entscheidend

Ein Feldexperiment von Bastani und Kollegen (2025) mit rund tausend Lernenden im Mathematikunterricht zeigt diesen Unterschied. Lernende, die beim Üben einen Standard-Chatbot nutzen durften, lösten zunächst mehr Aufgaben richtig. Ohne die KI-Hilfe schnitten sie später jedoch schlechter ab als Lernende, die zuvor ohne KI gearbeitet hatten. Eine vorstrukturierte Variante desselben Sprachmodells, die gestufte Hinweise statt fertiger Lösungen gab, vermied diesen Effekt. Nicht das zugrunde liegende Modell, sondern seine didaktische Gestaltung führte zu unterschiedlichen Lernergebnissen.

Die Debatte sollte deshalb nicht zwischen Verbot und Begeisterung stehen bleiben. Entscheidend ist die didaktische Einbettung. Zu klären ist, unter welchen Bedingungen KI Lernprozesse tatsächlich unterstützt.

Leistung ist nicht gleich Lernen

Eine bessere Leistung während der KI-Nutzung bedeutet nicht automatisch, dass mehr gelernt wurde (Yan et al., 2025). Ein Werkzeug kann ein Ergebnis sofort liefern und damit Lernerfolg vortäuschen, obwohl sich kein tragfähiges Können entwickelt. Nachhaltiges Lernen setzt voraus, dass Lernende sich mit einer Sache auseinandersetzen, eigene Lösungswege entwickeln, Fehler machen und ihre Überlegungen prüfen. Wer diese kognitive Arbeit an die KI auslagert und lediglich deren Ergebnis nachvollzieht, verarbeitet den Inhalt oft weniger tief. Plausibel formulierte Erklärungen können zudem ein Verstehensgefühl erzeugen, ohne dass das zugrunde liegende Wissen eigenständig aufgebaut wurde. Besonders Lernende mit geringem Vorwissen erkennen diese Diskrepanz häufig nicht. Sie beenden das Üben zu früh und können das vermeintlich Verstandene später ohne KI weder sicher anwenden noch übertragen. Eine geeignete Vorstrukturierung kann dem entgegenwirken. Die zweite Variante im Experiment von Bastani et al. (2025) steuerte die Nutzung so, dass die KI als Denkpartner und nicht als Abkürzung diente. Das ist besonders wichtig, wenn Lernende diese Form der Nutzung noch nicht selbst regulieren können.

Ausrichtung an Kompetenz

Für einen lernwirksamen KI-Einsatz sind Alter und Klassenstufe weniger aussagekräftig als die Kompetenz, KI in einer konkreten Sache lernförderlich zu nutzen. Das gilt für Lernende ebenso wie für Lehrende. Dabei wirken mehrere Teilkompetenzen zusammen:

• Fachwissen zum bearbeiteten Thema, um die fachliche Qualität einer KI-Antwort beurteilen zu können.
• Kritische KI-Kompetenz, um Grenzen, Halluzinationen und plausibel formulierte Fehler zu erkennen.
• Selbstregulation, um zu entscheiden, wann die KI als Denkpartner sinnvoll ist und wann sie zur bloßen Antwortmaschine wird.
• Kognitive und sprachliche Voraussetzungen, um passende Anfragen zu formulieren und die Antworten zu verarbeiten.

Wer in einem oder mehreren dieser Bereiche noch geringe Kompetenzen besitzt, benötigt mehr Vorstrukturierung. Ein unklarer Auftrag, ein ungeeignetes Rollenverständnis oder fehlender fachlicher Kontext können besonders Anfängern schaden. Zugleich ist nicht zu erwarten, dass Lernende die nötige Struktur selbst konfigurieren, etwa durch Rollenprompts oder die gezielte Bereitstellung von Kontextwissen. Mit wachsender Kompetenz verändert sich die Anforderung: Eine enge Führung, die Anfängern hilft, kann Fortgeschrittene behindern. Dieser Expertise-Umkehr-Effekt spricht gegen ein einheitliches Nutzungskonzept. Gestaltung und Einsatz sollten deshalb an Kompetenzstufen gekoppelt werden, etwa an die UNESCO-Progression Verstehen, Anwenden und Gestalten (2024) oder an die sechs Niveaus von DigCompEdu (Redecker, 2017).

Das SKILL-Modell fasst diesen Zusammenhang zusammen. Es dient als Leitlinie für die Konzeption, Bewertung und Auswahl KI-gestützter Werkzeuge in Bildungsprozessen.

Das SKILL-Spektrum zum Ausprobieren

Das folgende Spektrum lässt sich interaktiv erkunden. Bewegen Sie den Punkt entlang der Diagonale oder nutzen Sie den Schieberegler. Die Anzeige zeigt, welche Rahmenbedingungen und welche Rolle der KI zu unterschiedlichen Kompetenzniveaus passen.

Folgerungen für die Einbettung in Lernprozesse

Menschen sind in dem, was sie gerade lernen, häufig Anfänger. Bildung setzt gerade voraus, dass Lernende noch nicht alles wissen und zuverlässig einschätzen können. Deshalb sollte eine offene, unregulierte Nutzung frei zugänglicher Chatbots nicht den Standard bilden. Für viele Lernsituationen sind vorstrukturierte, anwendungsintegrierte und barrierearme Werkzeuge geeigneter. Die KI arbeitet dabei im Hintergrund einer didaktisch gestalteten Lernumgebung; fachlicher Kontext und Schutzmechanismen sind bereits integriert. Das ist auch eine Frage der Bildungsgerechtigkeit. Wenn eine lernwirksame Nutzung umfangreiches Vorwissen, technisches Verständnis, sprachliche Sicherheit und eine präzise Kontextualisierung voraussetzt, profitieren vor allem bereits kompetente Personen. Integrierte Strukturen senken diese Hürden und können mit wachsender Kompetenz schrittweise zurückgenommen werden. Das gilt auch für Lehrkräfte. Wer über fachliche und KI-bezogene Erfahrung verfügt, kann offene Chatbots produktiv für Unterricht und Organisation einsetzen. Andere Lehrkräfte benötigen Werkzeuge, die ohne ausgeprägte Prompting-Kompetenz zugänglich sind. Ein KI-gestütztes Planungstool könnte dafür integrierte Prompts, vorbereitete Bausteine, gezielte Rückfragen und fachlich fundierte Wissensbestände verbinden. Mit wachsender Souveränität ließe es sich zunehmend öffnen, etwa durch eigene Prompterweiterungen.

Lernwerkzeug oder Nachteilsausgleich?

Der Einsatzzweck bestimmt ebenfalls, wie stark eine Lernumgebung vorstrukturiert sein sollte und ob einzelne Schritte abgekürzt werden dürfen. Die zentrale Frage lautet: Soll die ausgelagerte Tätigkeit selbst gelernt werden? Geht es beispielsweise um das Rechnen im Anfangsunterricht, muss der Lösungsprozess vor einer zu frühen Antwortausgabe geschützt werden. Ist die ausgelagerte Tätigkeit dagegen nicht Teil des Lernziels, kann die KI sie übernehmen. Für Lernende mit Beeinträchtigungen kann KI deshalb nicht nur Lernwerkzeug, sondern auch Mittel zur Teilhabe sein. Beim Lernziel Textverständnis kann etwa eine Vorlesefunktion eine Barriere ausgleichen, ohne das eigentliche Lernziel zu umgehen. In solchen Fällen darf die Unterstützung dauerhaft verfügbar bleiben.

Der SKILL-Check: Werkzeuge auswählen und bewerten

Die fünf Buchstaben von SKILL stehen zugleich für fünf Leitfragen zur Auswahl und Bewertung KI-gestützter Lernwerkzeuge:

• S – Scaffolding: Passt die Vorstrukturierung und Unterstützungstiefe zur Kompetenz, und lässt sie sich schrittweise zurücknehmen?
• K – Kognitive Aktivierung: Muss die Person selbst denken und handeln?
• I – Integration: Ist der Einsatz an ein Lernziel und eine tragfähige Aufgabe gebunden, und behält die Lehrkraft den Überblick über die Bearbeitung?
• L – Lernprozess: Bleiben Fehler als Lerngelegenheit erhalten, und welche metakognitiven Strategien werden angeregt?
• L – Langfristige Entwicklung: Wächst die Selbststeuerung oder die Abhängigkeit?

Bedeutung für die Konzeption und Entwicklung von KI-gestützten Anwendungen

Das SKILL-Modell kann die Konzeption und Entwicklung KI-gestützter Lernanwendungen strukturieren. Es verortet eine Anwendung zwischen anwendungsintegrierter KI und offenem Chatbot und berücksichtigt dabei Zielgruppe und erwartetes Kompetenzniveau. Daraus ergeben sich konkrete Gestaltungsentscheidungen. Erste empirische Hinweise lassen sich unter vier Prinzipien bündeln: Fundierung (auf welcher fachlichen Grundlage entstehen die Rückmeldungen?), Dosierung („erst du, dann ich“), Aktivierung (eigene Tätigkeit anregen statt passiven Konsum fördern) und Einbettung (Verknüpfung mit tragfähigen hybriden Lernarrangements). Mehr zu diesen Gestaltungsprinzipien.

Fazit

Generative KI entfaltet ihren lernbezogenen Wert erst durch die Passung zur Aufgabe, zur Person und zum Lernsetting. Entscheidend ist daher, bei wem, wann und in welchem Umfang ihr Einsatz dem Lernen dient. Frei zugängliche Chatbots reichen dafür häufig nicht aus. Sie stellen hohe Anforderungen an Vorwissen, sprachliche Fähigkeiten und Selbstregulation und können Lernprozesse im ungünstigen Fall beeinträchtigen. Geeigneter sind barrierearme, vorstrukturierte und fachlich eingebettete Werkzeuge, die mit wachsender Kompetenz schrittweise geöffnet werden. Lernwirksamkeit entsteht im Zusammenspiel von Aufgabe, Vorstrukturierung und pädagogischer Begleitung. Die zentrale Faustregel lautet: Denken mit KI unterstützen, nicht ersetzen.

Literatur

• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
• Yan, L., Greiff, S., Lodge, J. M., & Gašević, D. (2025). Distinguishing performance gains from learning when using generative AI. Nature Reviews Psychology, 4(7), 435–436. https://doi.org/10.1038/s44159-025-00467-5
• Kalyuga, S. (2007). Expertise reversal effect and its implications for learner-tailored instruction. Educational Psychology Review, 19(4), 509–539. https://doi.org/10.1007/s10648-007-9054-3
• Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
• UNESCO. (2024). AI competency framework for students. https://doi.org/10.54675/JKJB9835
• Redecker, C. (2017). European framework for the digital competence of educators: DigCompEdu (Y. Punie, Ed.). Publications Office of the European Union. https://doi.org/10.2760/159770