{"id":1012,"date":"2026-03-17T08:19:00","date_gmt":"2026-03-17T08:19:00","guid":{"rendered":"https:\/\/urff.app\/?p=1012"},"modified":"2026-09-26T14:17:40","modified_gmt":"2026-09-26T14:17:40","slug":"skill-modell-ki-unterricht-grundschule","status":"publish","type":"post","link":"https:\/\/urff.app\/en\/skill-modell-ki-unterricht-grundschule\/","title":{"rendered":"The SKILL Model: How Much Guidance Does Learning with AI Need?"},"content":{"rendered":"\n<div class=\"skillpost\">\n\n<style>\n  .skillpost{line-height:1.72;max-width:780px;margin:0 auto;color:inherit}\n  .skillpost p{margin:0 0 1.1em}\n  .skillpost h2{font-size:1.5em;line-height:1.25;margin:1.8em 0 .5em;font-weight:700}\n  .skillpost h3{font-size:1.18em;margin:1.4em 0 .4em;font-weight:700}\n  .skillpost .lead{font-size:1.12em;color:inherit;opacity:.85;margin:0 0 1.4em}\n  .skillpost .byline{font-size:.82em;color:inherit;opacity:.6;margin:0 0 1.2em;letter-spacing:.01em}\n  .skillpost .kasten{border-left:4px solid #274B85;background:#f2f6fc;color:#22324a;padding:14px 18px;border-radius:0 8px 8px 0;margin:1.4em 0}\n  .skillpost .kasten p{margin:0 0 .6em}\n  .skillpost .kasten p:last-child{margin:0}\n  .skillpost .praxis{border:1px solid #d9e3f1;background:#fbfcfe;color:#22324a;padding:14px 18px;border-radius:10px;margin:1.4em 0}\n  .skillpost .praxis h3{margin:0 0 .5em;font-size:1.05em}\n  .skillpost .praxis ol{margin:0;padding-left:1.3em}\n  .skillpost .praxis li{margin:.35em 0}\n  .skillpost ul{margin:0 0 1.1em;padding-left:1.3em}\n  .skillpost li{margin:.3em 0}\n  .skillpost table.begriffe{width:100%;border-collapse:collapse;font-size:.92em;margin:1em 0 1.4em}\n  .skillpost table.begriffe th,.skillpost table.begriffe td{text-align:left;vertical-align:top;padding:8px 10px;border-top:1px solid #e4eaf3}\n  .skillpost table.begriffe th{background:#f4f7fc;font-weight:700}\n  .skillpost table.begriffe tr:last-child td{border-bottom:1px solid #e4eaf3}\n  .skillpost .quellen{font-size:.86em;opacity:.8}\n  .skillpost .quellen li{margin:.25em 0}\n\n  \/* ===== SKILL-Spektrum (interaktiv, gekapselt unter .skv) ===== *\/\n  .skillpost .skv{\n    --navy:#16263f;--blue:#274B85;--blue2:#2f5fa6;--ink:#1f2c3f;--muted:#62718a;\n    --line:#e4eaf3;--soft:#f5f8fc;--amber:#c1842f;--amberL:#ead0aa;--blueL:#bcd5f3;\n    font-family:-apple-system,BlinkMacSystemFont,\"Segoe UI\",Roboto,Helvetica,Arial,sans-serif;\n    color:var(--ink);line-height:1.55;border:1px solid var(--line);border-radius:18px;\n    padding:20px 20px 18px;margin:1.6em 0;background:#fff;\n    box-shadow:0 1px 2px rgba(22,38,63,.04),0 10px 30px -18px rgba(22,38,63,.25)}\n  .skillpost .skv *{box-sizing:border-box}\n  .skillpost .skv .skv-top{display:flex;flex-wrap:wrap;gap:10px 16px;align-items:flex-start;justify-content:space-between;margin-bottom:4px}\n  .skillpost .skv h3{font-size:18px;font-weight:700;color:var(--navy);margin:0 0 3px;letter-spacing:-.01em}\n  .skillpost .skv .skv-sub{font-size:13px;color:var(--muted);margin:0;max-width:52ch}\n  .skillpost .skv .skv-spec{position:relative;margin:14px 0 6px}\n  .skillpost .skv svg.skv-svg{display:block;width:100%;height:auto;touch-action:none;cursor:grab;user-select:none}\n  .skillpost .skv svg.skv-svg.drag{cursor:grabbing}\n  .skillpost .skv .skv-ovbox{transition:transform .18s cubic-bezier(.22,.61,.36,1)}\n  .skillpost .skv .skv-hl{transition:x .22s cubic-bezier(.22,.61,.36,1),width .22s cubic-bezier(.22,.61,.36,1)}\n  .skillpost .skv .skv-ph{transition:transform .09s linear}\n  .skillpost .skv .skv-ctrls{margin-top:4px}\n  .skillpost .skv .skv-slabel{display:flex;justify-content:space-between;align-items:baseline;font-size:12px;color:var(--muted);margin:0 2px 6px}\n  .skillpost .skv .skv-slabel b{color:var(--navy);font-size:12.5px}\n  .skillpost .skv input[type=range]{width:100%;margin:0;accent-color:var(--blue2);height:24px}\n  .skillpost .skv .skv-tabs{display:grid;grid-template-columns:repeat(3,1fr);gap:8px;margin-top:12px}\n  .skillpost .skv .skv-tab{border:1px solid var(--line);background:#fff;border-radius:12px;padding:9px 10px;cursor:pointer;text-align:left;transition:border-color .15s,background .15s,box-shadow .15s;min-width:0;font:inherit}\n  .skillpost .skv .skv-tab .tn{display:flex;align-items:center;gap:7px;font-size:13px;font-weight:700;color:var(--navy);line-height:1.2}\n  .skillpost .skv .skv-tab .tnum{display:inline-flex;align-items:center;justify-content:center;width:19px;height:19px;border-radius:50%;background:var(--soft);color:var(--muted);font-size:11.5px;font-weight:700;flex:0 0 auto;transition:background .15s,color .15s}\n  .skillpost .skv .skv-tab .td{font-size:11.5px;color:var(--muted);margin:4px 0 0;line-height:1.3}\n  .skillpost .skv .skv-tab[aria-pressed=true]{border-color:var(--blue);background:#f3f7fd;box-shadow:0 1px 2px rgba(39,75,133,.12)}\n  .skillpost .skv .skv-tab[aria-pressed=true] .tnum{background:var(--blue);color:#fff}\n  .skillpost .skv .skv-card{border:1px solid var(--line);border-radius:14px;background:#fff;overflow:hidden;margin-top:14px}\n  .skillpost .skv .skv-chead{display:flex;align-items:center;justify-content:space-between;gap:10px;flex-wrap:wrap;padding:13px 16px;background:linear-gradient(180deg,#1b2f4d,#16263f);color:#fff}\n  .skillpost .skv .skv-chead .ct{font-size:15px;font-weight:700;letter-spacing:-.01em}\n  .skillpost .skv .skv-chead .cs{font-size:11.5px;color:#c5d4ea}\n  .skillpost .skv .skv-body{transition:opacity .16s ease,transform .16s ease}\n  .skillpost .skv .skv-body.swap{opacity:0;transform:translateY(6px)}\n  .skillpost .skv .skv-facets{display:grid;grid-template-columns:repeat(4,1fr);gap:1px;background:var(--line);border-bottom:1px solid var(--line)}\n  .skillpost .skv .skv-fc{background:#fff;padding:11px 13px}\n  .skillpost .skv .skv-fc .fn{font-size:11px;font-weight:700;color:var(--navy);line-height:1.2;margin:0 0 7px;min-height:2.4em;display:flex;align-items:flex-start}\n  .skillpost .skv .skv-seg{display:flex;gap:3px;margin:0 0 7px}\n  .skillpost .skv .skv-seg i{height:5px;flex:1;border-radius:3px;background:#e7edf5;transition:background .2s}\n  .skillpost .skv .skv-fc .fd{font-size:11.5px;color:var(--ink);margin:0;line-height:1.35}\n  .skillpost .skv .skv-fields{display:grid;grid-template-columns:1fr 1fr;gap:1px;background:var(--line)}\n  .skillpost .skv .skv-field{background:#fff;padding:12px 15px}\n  .skillpost .skv .skv-field .fk{display:flex;align-items:center;gap:7px;font-size:10.5px;font-weight:700;color:var(--blue);text-transform:uppercase;letter-spacing:.04em;margin:0 0 5px}\n  .skillpost .skv .skv-field .fv{font-size:13px;margin:0;color:var(--ink);line-height:1.4}\n  .skillpost .skv .skv-field svg{width:14px;height:14px;flex:0 0 auto;stroke:var(--blue);fill:none;stroke-width:1.7;stroke-linecap:round;stroke-linejoin:round}\n  .skillpost .skv .skv-field.wide{grid-column:1 \/ -1;background:#fbfcfe}\n  .skillpost .skv .skv-pk{display:flex;align-items:center;gap:7px;font-size:10.5px;font-weight:700;color:var(--blue);text-transform:uppercase;letter-spacing:.04em;margin:0;padding:12px 15px 9px;border-top:1px solid var(--line)}\n  .skillpost .skv .skv-pk svg{width:14px;height:14px;flex:0 0 auto;stroke:var(--blue);fill:none;stroke-width:1.7;stroke-linecap:round;stroke-linejoin:round}\n  .skillpost .skv .skv-ptab{width:100%;border-collapse:collapse;table-layout:fixed;font-size:12.5px;line-height:1.4;margin:0}\n  .skillpost .skv .skv-ptab th,.skillpost .skv .skv-ptab td{width:50%;text-align:left;vertical-align:top;padding:9px 14px;border:0;border-top:1px solid var(--line)}\n  .skillpost .skv .skv-ptab th+th,.skillpost .skv .skv-ptab td+td{border-left:1px solid var(--line)}\n  .skillpost .skv .skv-ptab thead th{font-size:12.5px;font-weight:700;color:var(--navy);background:#f4f7fc}\n  .skillpost .skv .skv-ptab .pt-sub{color:var(--muted);font-size:11.5px}\n  .skillpost .skv .skv-ptab .pt-txt{display:block;margin-top:4px;color:var(--ink)}\n  .skillpost .skv .skv-ptab .pt-lbl{display:inline-block;font-size:10px;font-weight:700;padding:1px 8px;border-radius:20px;text-transform:uppercase;letter-spacing:.03em}\n  .skillpost .skv .skv-ptab .pt-amber{background:#fdf4e3;color:#9a6520}\n  .skillpost .skv .skv-ptab .pt-green{background:#e3f1ea;color:#1c6a50}\n  .skillpost .skv .skv-src{font-size:10.5px;color:var(--muted);margin:9px 2px 0;text-align:right}\n  @media(max-width:640px){\n    .skillpost .skv .skv-facets{grid-template-columns:1fr 1fr}\n  }\n  @media(max-width:540px){\n    .skillpost .skv .skv-tabs{grid-template-columns:1fr}\n    .skillpost .skv .skv-tab .td{display:none}\n    .skillpost .skv .skv-facets{grid-template-columns:1fr}\n    .skillpost .skv .skv-fields{grid-template-columns:1fr}\n    .skillpost .skv .skv-fc .fn{min-height:0}\n  }\n\n  .skillpost .skv .skv-vorfrage{font-size:12.5px;color:#4a5a75;background:#f4f6f9;border:1px solid #dfe5ee;border-radius:10px;padding:8px 12px;margin:0 0 12px}\n  .skillpost .skv .skv-zone{font-size:11px;font-weight:700;letter-spacing:.06em;text-transform:uppercase;color:#62718a;margin:14px 0 4px}\n  .skillpost .skv .skv-tabs{display:flex;gap:8px;margin-top:8px}\n  .skillpost .skv .skv-tab{border:1px solid var(--line);background:#fff;border-radius:999px;padding:5px 12px 5px 6px;cursor:pointer;font:inherit;font-size:12.5px;font-weight:600;color:var(--navy);display:inline-flex;align-items:center;gap:7px}\n  .skillpost .skv .skv-tab .tnum{display:inline-flex;align-items:center;justify-content:center;width:20px;height:20px;border-radius:50%;background:var(--soft);color:var(--muted);font-size:11.5px;font-weight:700}\n  .skillpost .skv .skv-tab[aria-pressed=true]{border-color:var(--blue);background:#f3f7fd}\n  .skillpost .skv .skv-tab[aria-pressed=true] .tnum{background:var(--blue);color:#fff}\n  .skillpost .skv .skv-rtabs{display:flex;gap:0;border-bottom:1px solid var(--line);background:#fbfcfe}\n  .skillpost .skv .skv-rtab{flex:1;border:0;border-bottom:3px solid transparent;background:transparent;padding:10px 8px;cursor:pointer;font:inherit;font-size:13px;font-weight:600;color:var(--muted)}\n  .skillpost .skv .skv-rtab[aria-selected=true]{color:var(--navy);border-bottom-color:var(--blue)}\n  .skillpost .skv .skv-panel{min-height:0}\n  .skillpost .skv .skv-det{border-top:1px solid var(--line);padding:9px 15px}\n  .skillpost .skv .skv-det summary{cursor:pointer;font-size:12.5px;font-weight:600;color:var(--blue)}\n  .skillpost .skv .skv-det p{font-size:13px;margin:6px 0 0;line-height:1.45}\n  .skillpost .skv .skv-src a{color:var(--blue)}\n\n  \/* ---- Schaubild: Abk\u00fcrzung vs. Denkpartner ---- *\/\n  .skillpost .journey{background:#faf8f2;border:1px solid #e7e2d6;border-radius:14px;padding:16px 12px 10px;margin:1.6em 0}\n  .skillpost .journey svg{display:block;width:100%;height:auto;font-family:-apple-system,BlinkMacSystemFont,\"Segoe UI\",Roboto,Helvetica,Arial,sans-serif}\n  .skillpost .journey .cap{font-size:12px;color:#6f6f69;text-align:center;margin:8px 0 2px}\n  .skillpost .jrny-arc{fill:none;stroke:#9e2420;stroke-width:2.8;stroke-linecap:round;opacity:0;animation:sk-fade .7s ease .45s forwards}\n  .skillpost .jrny-path{stroke-dasharray:560;stroke-dashoffset:560;animation:sk-draw 1s ease 1.6s forwards}\n  .skillpost .jrny-path-head{opacity:0;animation:sk-fade .4s ease 2.4s forwards}\n  .skillpost .jrny-arc-head{fill:#9e2420;opacity:0;animation:sk-fade .45s ease 1.45s forwards}\n  .skillpost .jrny-red-lbl{fill:#9e2420;opacity:0;animation:sk-fade .6s ease .2s forwards}\n  .skillpost .jrny-green{opacity:0;animation:sk-rise .6s ease 2.2s forwards}\n  .skillpost .jrny-green-lbl{fill:#1f7a45;opacity:0;animation:sk-fade .6s ease 2.4s forwards}\n  @keyframes sk-fade{to{opacity:1}}\n  @keyframes sk-draw{to{stroke-dashoffset:0}}\n  @keyframes sk-rise{from{opacity:0;transform:translateY(7px)}to{opacity:1;transform:translateY(0)}}\n  @media (prefers-reduced-motion:reduce){.skillpost .jrny-arc,.skillpost .jrny-arc-head,.skillpost .jrny-red-lbl,.skillpost .jrny-green,.skillpost .jrny-green-lbl,.skillpost .jrny-path,.skillpost .jrny-path-head{animation:none;opacity:1;stroke-dashoffset:0;transform:none}}\n<\/style>\n\n<p class=\"byline\">Christian Urff, P\u00e4dagogische Hochschule Weingarten \u00b7 Konzeptbeitrag, Stand September 2026<\/p>\n\n<p class=\"lead\">Ob generative KI dem Lernen n\u00fctzt oder schadet, h\u00e4ngt von der Passung ab: Wie viel Lenkung braucht diese Person bei dieser Aufgabe, damit sie mit der KI denkt, statt das Denken abzugeben? Das SKILL-Modell koppelt didaktische Lenkung an Kompetenz. Der Name leitet sich aus dieser Kopplung ab: Kompetenz (\u201eskill\u201c) und Lenkung sind nicht getrennt voneinander, sondern miteinander verwoben zu denken. Lenkung wird \u00fcber drei Hebel beschrieben (Scaffolding, Leitplanken, Kontextualisierung) und kann vom Werkzeug wie von der Lehrkraft ausgehen; drei Stufen (Stark gelenkt, Begleitet, Selbstgesteuert) markieren Orientierungsmarken auf einem Kontinuum. Lehrkr\u00e4fte k\u00f6nnen damit Werkzeuge ausw\u00e4hlen und Einsatzformen planen, Entwicklerinnen und Entwickler k\u00f6nnen Lernanwendungen verorten, und f\u00fcr die Forschung formuliert das Modell eine pr\u00fcfbare Grundannahme.<\/p>\n\n<div class=\"kasten\">\n<p><strong>Grundidee:<\/strong> Je geringer die Kompetenz einer Person, KI in einer konkreten Lernsituation lernwirksam zu nutzen, desto mehr didaktische Lenkung braucht der Einsatz: durch Scaffolding, Leitplanken und Kontextualisierung im Werkzeug, durch die Begleitung der Lehrkraft oder durch beides. Mit wachsender Kompetenz wird vor allem die Lenkung zur\u00fcckgenommen, die unabh\u00e4ngig vom Bearbeitungsstand greift, bis die Person die KI selbstgesteuert als Denkpartner nutzen kann. Gemeint ist dabei nicht Fachwissen allein: Die F\u00e4higkeit, das eigene Verstehen einzusch\u00e4tzen und den Zugriff auf die L\u00f6sung zur\u00fcckzustellen, entwickelt sich langsamer und ist nicht allein fachgebunden; hohes Fachwissen in einer Sache legt eine h\u00f6here Stufe nahe, begr\u00fcndet sie aber nicht. Ma\u00dfstab bleibt, ob die Person beim Einsatz selbst denkt; der Leitsatz des Modells lautet \u201eDenken mit KI unterst\u00fctzen, nicht ersetzen\u201c.<\/p>\n<p><strong>Praktische Bedeutung:<\/strong> Wenn KI eingesetzt werden soll, ist zu kl\u00e4ren, welche Stufe f\u00fcr wen bei welcher Aufgabe passt. Die drei Stufen <em>1 Stark gelenkt, 2 Begleitet, 3 Selbstgesteuert<\/em> und die vier Planungsfragen machen die Entscheidung konkret. Die Stufen beschreiben die Passung f\u00fcr eine Person; Werkzeuge hei\u00dfen eingebettet, teiloffen oder offen. Wer nur planen will, liest die vier Planungsfragen und die \u00dcbersicht am Ende.<\/p>\n<p><strong>Geltungsbereich:<\/strong> Das Modell empfiehlt keinen KI-Einsatz. Sein erster Schritt ist die Vorfrage, ob KI in dieser Lernsituation \u00fcberhaupt gebraucht wird; \u201ekein KI-Einsatz\u201c ist eine regul\u00e4re Antwort des Modells. H\u00e4ufig ist der Verzicht die bessere Wahl, gerade dort, wo Grundlagen entstehen.<\/p>\n<p><strong>Drei Ebenen:<\/strong> Der Beitrag trennt die theoretische Grundannahme (Kompetenz und Lenkung wirken zusammen auf das Lernen, gemessen ohne KI), die praktische Heuristik (vier Teilkompetenzen, Minimum-Regel, drei Stufen, Planungsfragen) und das Forschungsprogramm (wie Kompetenz und Lenkung zu messen sind und ob die vorhergesagte Wechselwirkung besteht). Die Heuristik ist aus der Grundannahme abgeleitet, aber nicht mit ihr identisch; sie kann sich als verbesserungsbed\u00fcrftig erweisen, ohne dass die Grundannahme f\u00e4llt.<\/p>\n<\/div>\n\n<figure class=\"journey\" style=\"background:#fff;border-color:#e4eaf3;padding:10px 8px 8px\">\n<svg xmlns=\"http:\/\/www.w3.org\/2000\/svg\" style=\"width:100%;height:auto;display:block\" viewBox=\"0 0 1000 660\" role=\"img\" font-family=\"-apple-system,BlinkMacSystemFont,'Segoe UI',Roboto,Helvetica,Arial,sans-serif\">\n<title>Passung von Kompetenz und Lenkung: Doppelskala mit Vorfrage und Teilkompetenzen<\/title>\n<defs>\n  <linearGradient id=\"gk\" x1=\"0\" y1=\"0\" x2=\"1\" y2=\"0\"><stop offset=\"0\" stop-color=\"#2f5fa6\" stop-opacity=\".15\"\/><stop offset=\"1\" stop-color=\"#2f5fa6\" stop-opacity=\".55\"\/><\/linearGradient>\n  <linearGradient id=\"gl\" x1=\"0\" y1=\"0\" x2=\"1\" y2=\"0\"><stop offset=\"0\" stop-color=\"#c1842f\" stop-opacity=\".6\"\/><stop offset=\"1\" stop-color=\"#c1842f\" stop-opacity=\".15\"\/><\/linearGradient>\n  <marker id=\"wa\" viewBox=\"0 0 10 10\" refX=\"8\" refY=\"5\" markerWidth=\"7\" markerHeight=\"7\" orient=\"auto\"><path d=\"M2 1L8 5L2 9\" fill=\"none\" stroke=\"#5f6f8a\" stroke-width=\"1.4\" stroke-linecap=\"round\" stroke-linejoin=\"round\"\/><\/marker>\n<\/defs>\n<text x=\"500\" y=\"38\" text-anchor=\"middle\" font-size=\"21\" font-weight=\"700\" fill=\"#16263f\">Passung von Kompetenz und Lenkung<\/text>\n<text x=\"500\" y=\"61\" text-anchor=\"middle\" font-size=\"13\" fill=\"#62718a\">Je geringer die Kompetenz der Person, desto mehr Lenkung braucht der KI-Einsatz. Mit wachsender Kompetenz wird sie zur\u00fcckgenommen.<\/text>\n\n<!-- Vorfrage -->\n<rect x=\"60\" y=\"80\" width=\"880\" height=\"34\" rx=\"7\" fill=\"#f4f6f9\" stroke=\"#d7dee9\"\/>\n<text x=\"500\" y=\"102\" text-anchor=\"middle\" font-size=\"12.5\" fill=\"#3a4a63\"><tspan font-weight=\"700\">Vorfrage:<\/tspan> Leistet KI hier etwas, das Material, Gespr\u00e4ch und eigenes Probieren nicht leisten? Wenn nein: kein KI-Einsatz. Wenn ja: Stufe w\u00e4hlen.<\/text>\n\n<!-- Doppelskala -->\n<text x=\"70\" y=\"150\" font-size=\"13\" font-weight=\"700\" fill=\"#2c5896\">Kompetenz der Person<\/text>\n<text x=\"930\" y=\"150\" text-anchor=\"end\" font-size=\"11.5\" fill=\"#62718a\">gering \u2192 hoch<\/text>\n<path d=\"M70,172 L930,158 L930,186 L70,172 Z\" fill=\"url(#gk)\"\/>\n<text x=\"70\" y=\"216\" font-size=\"13\" font-weight=\"700\" fill=\"#9a6520\">N\u00f6tige didaktische Lenkung<\/text>\n<text x=\"930\" y=\"216\" text-anchor=\"end\" font-size=\"11.5\" fill=\"#62718a\">hoch \u2192 niedrig<\/text>\n<path d=\"M70,226 L70,254 L930,240 Z\" fill=\"url(#gl)\"\/>\n<line x1=\"70\" y1=\"268\" x2=\"930\" y2=\"268\" stroke=\"#8a97ad\" stroke-width=\"1.2\"\/>\n<line x1=\"357\" y1=\"262\" x2=\"357\" y2=\"274\" stroke=\"#8a97ad\"\/><line x1=\"643\" y1=\"262\" x2=\"643\" y2=\"274\" stroke=\"#8a97ad\"\/>\n<g font-size=\"12.5\" fill=\"#16263f\" text-anchor=\"middle\">\n  <text x=\"213\" y=\"292\" font-weight=\"700\">Stufe 1 \u00b7 Stark gelenkt<\/text><text x=\"213\" y=\"309\" font-size=\"11\" fill=\"#62718a\">Werkzeug eingebettet \u00b7 Begleitung normal<\/text>\n  <text x=\"500\" y=\"292\" font-weight=\"700\">Stufe 2 \u00b7 Begleitet<\/text><text x=\"500\" y=\"309\" font-size=\"11\" fill=\"#62718a\">Werkzeug teiloffen \u00b7 Begleitung mittel<\/text>\n  <text x=\"787\" y=\"292\" font-weight=\"700\">Stufe 3 \u00b7 Selbstgesteuert<\/text><text x=\"787\" y=\"309\" font-size=\"11\" fill=\"#62718a\">Werkzeug offen \u00b7 Begleitung gering<\/text>\n<\/g>\n<text x=\"500\" y=\"332\" text-anchor=\"middle\" font-size=\"11\" fill=\"#62718a\">Orientierungsmarken auf einem Kontinuum \u00b7 \u00dcberg\u00e4nge flie\u00dfend \u00b7 gegenstandsgebunden: dieselbe Person kann je Fach anders stehen<\/text>\n\n<!-- Kompetenz-Kasten -->\n<rect x=\"60\" y=\"352\" width=\"410\" height=\"30\" rx=\"6\" fill=\"#274B85\"\/>\n<text x=\"265\" y=\"372\" text-anchor=\"middle\" font-size=\"12.5\" font-weight=\"700\" fill=\"#fff\" letter-spacing=\".04em\">VIER TEILKOMPETENZEN<\/text>\n<g font-size=\"11.5\" fill=\"#4a5a75\">\n  <rect x=\"60\" y=\"388\" width=\"410\" height=\"40\" rx=\"6\" fill=\"#eef3fb\" stroke=\"#c9d6ea\"\/><text x=\"72\" y=\"405\" font-weight=\"700\" fill=\"#16263f\" font-size=\"12.5\">Fachwissen in der Sache<\/text><text x=\"72\" y=\"421\">Antworten fachlich beurteilen, plausible Fehler erkennen<\/text>\n  <rect x=\"60\" y=\"434\" width=\"410\" height=\"40\" rx=\"6\" fill=\"#eef3fb\" stroke=\"#c9d6ea\"\/><text x=\"72\" y=\"451\" font-weight=\"700\" fill=\"#16263f\" font-size=\"12.5\">Kritische KI-Kompetenz<\/text><text x=\"72\" y=\"467\">Grenzen, erfundene Angaben und gef\u00e4llige Antworten pr\u00fcfen<\/text>\n  <rect x=\"60\" y=\"480\" width=\"410\" height=\"40\" rx=\"6\" fill=\"#eef3fb\" stroke=\"#c9d6ea\"\/><text x=\"72\" y=\"497\" font-weight=\"700\" fill=\"#16263f\" font-size=\"12.5\">Selbstregulation<\/text><text x=\"72\" y=\"513\">Planen, \u00fcberwachen, bewerten; L\u00f6sung zur\u00fcckstellen; Hilfe dosiert holen<\/text>\n  <rect x=\"60\" y=\"526\" width=\"410\" height=\"40\" rx=\"6\" fill=\"#eef3fb\" stroke=\"#c9d6ea\"\/><text x=\"72\" y=\"543\" font-weight=\"700\" fill=\"#16263f\" font-size=\"12.5\">Sprachliche und kognitive Voraussetzungen<\/text><text x=\"72\" y=\"559\">Fragen formulieren, l\u00e4ngere Antworten lesen und verarbeiten<\/text>\n<\/g>\n\n<!-- Lenkung-Kasten -->\n<rect x=\"530\" y=\"352\" width=\"410\" height=\"30\" rx=\"6\" fill=\"#9a6520\"\/>\n<text x=\"735\" y=\"372\" text-anchor=\"middle\" font-size=\"12.5\" font-weight=\"700\" fill=\"#fff\" letter-spacing=\".04em\">ZWEI QUELLEN DER LENKUNG<\/text>\n<g font-size=\"11.5\" fill=\"#6b4d1f\">\n  <rect x=\"530\" y=\"388\" width=\"410\" height=\"84\" rx=\"6\" fill=\"#fbf4e8\" stroke=\"#e6d3b3\"\/>\n  <text x=\"542\" y=\"405\" font-weight=\"700\" fill=\"#5a3a0c\" font-size=\"12.5\">Lenkung im Werkzeug<\/text>\n  <text x=\"542\" y=\"423\">Scaffolding: gestufte Hilfe, die zur\u00fcckgenommen wird<\/text>\n  <text x=\"542\" y=\"440\">Leitplanken: was die KI nicht tut, z. B. keine L\u00f6sung vorab<\/text>\n  <text x=\"542\" y=\"457\">Kontextualisierung: Aufgabe, Fachkontext, Rolle hinterlegt<\/text>\n  <rect x=\"530\" y=\"480\" width=\"410\" height=\"86\" rx=\"6\" fill=\"#fbf4e8\" stroke=\"#e6d3b3\"\/>\n  <text x=\"542\" y=\"497\" font-weight=\"700\" fill=\"#5a3a0c\" font-size=\"12.5\">Begleitung durch die Lehrkraft<\/text>\n  <text x=\"542\" y=\"515\">Vorbereiten: Aufgabe, Auftrag und Rolle der KI festlegen<\/text>\n  <text x=\"542\" y=\"532\">Begleiten: im Gespr\u00e4ch bleiben, eingreifen, Stichproben<\/text>\n  <text x=\"542\" y=\"549\">Nachbereiten: ohne KI erkl\u00e4ren und pr\u00fcfen lassen<\/text>\n<\/g>\n<text x=\"735\" y=\"586\" text-anchor=\"middle\" font-size=\"11\" fill=\"#62718a\">Werkzeug und Lehrkraft teilen sich die Lenkung; nur begrenzt gegeneinander aufrechenbar<\/text>\n<text x=\"265\" y=\"586\" text-anchor=\"middle\" font-size=\"10.5\" fill=\"#62718a\">ungleiches Profil \u00b7 vorl\u00e4ufig z\u00e4hlt die schw\u00e4chste (Minimum-Regel, zu pr\u00fcfen)<\/text>\n\n<!-- Fehlpassungen -->\n<g>\n  <rect x=\"60\" y=\"604\" width=\"410\" height=\"42\" rx=\"7\" fill=\"#fcecec\" stroke=\"#f0b3b3\"\/>\n  <text x=\"265\" y=\"621\" text-anchor=\"middle\" font-size=\"12\" font-weight=\"700\" fill=\"#7a1f1f\">Zu wenig Lenkung<\/text>\n  <text x=\"265\" y=\"637\" text-anchor=\"middle\" font-size=\"11\" fill=\"#993c3c\">KI wird zur Abk\u00fcrzung: Leistung steigt, Lernen bleibt aus<\/text>\n  <rect x=\"530\" y=\"604\" width=\"410\" height=\"42\" rx=\"7\" fill=\"#fcecec\" stroke=\"#f0b3b3\"\/>\n  <text x=\"735\" y=\"621\" text-anchor=\"middle\" font-size=\"12\" font-weight=\"700\" fill=\"#7a1f1f\">Zu viel nicht-kontingente Lenkung<\/text>\n  <text x=\"735\" y=\"637\" text-anchor=\"middle\" font-size=\"11\" fill=\"#993c3c\">Struktur bremst Fortgeschrittene: Expertise-Umkehr-Effekt<\/text>\n<\/g>\n<\/svg>\n\n<figcaption class=\"cap\">Passung als Doppelskala: Die Kompetenz der Person bestimmt, wie viel didaktische Lenkung n\u00f6tig ist; die Stufen sind Orientierungsmarken auf diesem Kontinuum. Werkzeug und Lehrkraft teilen sich die Lenkung. Zu wenig Lenkung macht die KI zur Abk\u00fcrzung. Zu viel bremst Fortgeschrittene, allerdings nur, wenn die Lenkung unabh\u00e4ngig vom Bearbeitungsstand greift; kontingentes Scaffolding kann das nicht.<\/figcaption>\n<\/figure>\n\n<p class=\"lead\" style=\"font-size:.95em;opacity:.8\"><strong>Methode.<\/strong> Der Beitrag ist ein theoretischer Konzeptartikel. Das Modell wurde in einer narrativen, nicht systematischen Synthese entwickelt und an Erfahrungen aus der Entwicklung mathematikdidaktischer Lernanwendungen r\u00fcckgebunden. Die Literatur wurde bis September 2026 \u00fcber wissenschaftliche Suchdienste und R\u00fcckw\u00e4rtsrecherche in den Referenzlisten zentraler Arbeiten zusammengetragen. Aufgenommen wurden Metaanalysen und experimentelle Studien zu instruktionaler Lenkung und Scaffolding, experimentelle und quasi-experimentelle Studien zu generativer KI mit einem Lernma\u00df ohne verf\u00fcgbare KI, entwicklungspsychologische Arbeiten zu Monitoring und Quellenbewertung sowie einschl\u00e4gige Rahmenpapiere. Preprints sind als solche gekennzeichnet und entsprechend gewichtet. Es handelt sich um eine gezielte, nicht um eine ersch\u00f6pfende Auswahl; das Modell ist empirisch nicht gepr\u00fcft.<\/p>\n<p class=\"lead\" style=\"font-size:.95em;opacity:.8\"><strong>KI-Einsatz.<\/strong> Bei Recherche und Redaktion kamen KI-Werkzeuge zum Einsatz; Auswahl, Pr\u00fcfung der Quellen und Verantwortung f\u00fcr den Inhalt liegen beim Autor.<\/p>\n<p class=\"lead\" style=\"font-size:.95em;opacity:.8\"><strong>Zitiervorschlag.<\/strong> Urff, C. (2026). <em>Das SKILL-Modell: Wie viel Lenkung braucht Lernen mit KI? Ein Orientierungsrahmen f\u00fcr die kompetenzabh\u00e4ngige Gestaltung des KI-Einsatzes in Schule und Grundschule<\/em> (Version 1.0) [Working Paper]. Zenodo. <a href=\"https:\/\/doi.org\/10.5281\/zenodo.22520845\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.5281\/zenodo.22520845<\/a> \u00b7 Als PDF: <a href=\"https:\/\/urff.app\/wp-content\/uploads\/2026\/09\/Urff_2026_SKILL-Modell.pdf\" target=\"_blank\" rel=\"noopener\">Urff_2026_SKILL-Modell.pdf<\/a><\/p>\n\n<h2>Empirische Ausgangslage<\/h2>\n<p>Ein Feldexperiment an einer gro\u00dfen Schule in der T\u00fcrkei mit knapp tausend Sch\u00fclerinnen und Sch\u00fclern der Klassen 9 bis 11 macht das Problem deutlich (Bastani et al., 2025). Klassen wurden per Zufall einer von drei Bedingungen zugeteilt und \u00fcbten in vier 90-min\u00fctigen Sitzungen, die etwa 15 Prozent des im Halbjahr behandelten Mathematikstoffs abdeckten. Wer dabei eine Chatbot-Oberfl\u00e4che ohne didaktische Einschr\u00e4nkungen nutzen durfte (Bedingung \u201eGPT Base\u201c), schnitt in der \u00dcbungsphase um 48 Prozent besser ab als die Kontrollgruppe (bezogen auf deren Leistungsniveau, nicht in Prozentpunkten). In der anschlie\u00dfenden Pr\u00fcfung ohne KI schnitt dieselbe Gruppe um 17 Prozent schlechter ab als die Kontrollgruppe. Eine zweite Variante desselben Sprachmodells, die per Prompt angewiesen war, von Lehrkr\u00e4ften gestaltete gestufte Hinweise zu geben und Endergebnisse zur\u00fcckzuhalten, lag in der \u00dcbungsphase noch deutlicher \u00fcber der Kontrollgruppe (etwa 127 Prozent), erreichte in der Pr\u00fcfung ohne KI aber nur deren Niveau. Beide KI-Gruppen arbeiteten mit demselben Sprachmodell; unterschiedlich war das Antwortverhalten. Das B\u00fcndel aus gestuften Hinweisen und gesperrtem Endergebnis verhinderte den Einbruch; welcher Bestandteil daf\u00fcr ausschlaggebend war, trennt das Design nicht, und die Autorinnen und Autoren verweisen zus\u00e4tzlich auf unterschiedliche Gelegenheiten zur Ergebniskontrolle. Einen Lernvorteil gegen\u00fcber dem \u00dcben ohne KI belegt die Studie nicht.<\/p>\n<p>Der Befund steht nicht allein. Lehmann et al. (2025) finden in zwei pr\u00e4registrierten Laborexperimenten keinen Gesamteffekt von Sprachmodellen auf das Lernergebnis. In explorativen Analysen und einer begleitenden Felderhebung h\u00e4ngt die Wirkung davon ab, wie genutzt wird: Wer die KI Lernaktivit\u00e4ten abnehmen l\u00e4sst, bearbeitet mehr Themen und versteht das einzelne Thema schlechter; wer sie erg\u00e4nzend als Tutor nutzt, versteht besser. Wie stark der Effekt ausf\u00e4llt, h\u00e4ngt vom Vorwissen ab; in der Sprache der Forschung moderiert das Vorwissen den Zusammenhang. Die Arbeit ist ein Preprint, die Befunde zur Moderation sind explorativ.<\/p>\n<p>\u00c4hnlich beim Schreiben. Fan et al. (2025) verglichen bei 117 Studierenden das Schreiben mit ChatGPT, mit einer menschlichen Fachperson, mit einer aus Schreibanalytik abgeleiteten Checkliste und ohne Unterst\u00fctzung. Die ChatGPT-Gruppe verbesserte ihre Texte am st\u00e4rksten, unterschied sich im Wissenszuwachs und im Transfer aber nicht von den anderen Gruppen; H\u00e4ufigkeit und Abfolge ihrer selbstregulativen Prozesse verschoben sich deutlich. Die Autorinnen und Autoren sprechen von metakognitiver Tr\u00e4gheit.<\/p>\n<p>Metaanalytisch f\u00e4llt die Bilanz zun\u00e4chst positiv aus. Deng et al. (2025) berichten auf Basis von 69 Artikeln mit experimentellem oder quasi-experimentellem Design positive Effekte von ChatGPT auf die Lernleistung, auf affektiv-motivationale Zust\u00e4nde und auf Denkf\u00e4higkeiten h\u00f6herer Ordnung, einen verringerten mentalen Aufwand und keinen Effekt auf die Selbstwirksamkeit; zugleich weisen sie auf kurze Interventionsdauern, seltene verz\u00f6gerte Nachtests und methodische Schw\u00e4chen der Prim\u00e4rstudien hin. Der verringerte Aufwand ist zweideutig: Er kann Entlastung bedeuten oder das Ausbleiben der Anstrengung, die dauerhaftes Behalten erst erm\u00f6glicht. Weidlich et al. (2025) zeigen dar\u00fcber hinaus, dass in dieser Literatur der Beitrag der Technologie regelm\u00e4\u00dfig mit dem Beitrag der zus\u00e4tzlich eingef\u00fchrten Instruktionsmethode vermischt ist, sodass Sammeleffekte nur begrenzt interpretierbar sind. Eine der derzeit umfangreichsten Metaanalysen findet auf Basis von 68 Studien und 337 Effektst\u00e4rken einen mittleren Gesamteffekt (SMD = 0,45) bei sehr hoher Heterogenit\u00e4t; st\u00e4rkere Effekte zeigen sich in kurzen Interventionen mit kleineren Stichproben (Han et al., 2025), das \u00fcbliche Muster einer Verzerrung durch kleine Studien.<\/p>\n<p>Wo verz\u00f6gert gemessen wird, kippt das Bild. Barcaui (2025) lie\u00df 120 Studierende ein Thema mit freiem ChatGPT-Zugang oder herk\u00f6mmlich erarbeiten und pr\u00fcfte 45 Tage sp\u00e4ter unangek\u00fcndigt; in die Auswertung gingen 85 Personen ein. Die ChatGPT-Gruppe erreichte 57,5 Prozent richtige Antworten gegen\u00fcber 68,5 Prozent in der Vergleichsgruppe (d = 0,68). Der Ausfall von 35 der 120 randomisierten Personen bis zum Nachtest schr\u00e4nkt die Aussagekraft ein; ob er sich zwischen den Gruppen unterschied, wird nicht berichtet. Effektst\u00e4rken gelten nach der gel\u00e4ufigen Konvention ab etwa 0,2 als klein, ab 0,5 als mittel und ab 0,8 als gro\u00df (Cohen, 1988); f\u00fcr randomisierte Feldstudien im Bildungsbereich sind diese Schwellen zu streng (Kraft, 2020).<\/p>\n<p>Umgekehrt berichten Kestin et al. (2025) aus einem randomisierten Crossover-Experiment mit Zuweisung auf Ebene der Arbeitsgruppen, an dem von 233 Kursteilnehmenden 194 Physikstudierende einer selektiven Universit\u00e4t teilnahmen, f\u00fcr einen gezielt nach Lehr-Lern-Prinzipien gestalteten KI-Tutor h\u00f6here Lernzuw\u00e4chse in k\u00fcrzerer Zeit als f\u00fcr aktivierenden Pr\u00e4senzunterricht. Der Tutor gab gestufte Hinweise und keine fertigen L\u00f6sungen; getestet wurde jeweils unmittelbar nach der Sitzung, ein verz\u00f6gerter Behaltenstest fehlt. Die KI-Bedingung fand zu Hause und im selbst gew\u00e4hlten Tempo statt, die Vergleichsbedingung im Pr\u00e4senzunterricht; Lernumgebung, Tempokontrolle und Medium variieren mit, sodass der Effekt nicht allein dem Tutordesign zuzurechnen ist.<\/p>\n<p>F\u00fcr die Zuordnung zu einer Stufe gibt die Studie von Kestin et al. wenig her. Ein themenbezogener Vortest wurde erhoben, geht aber nur in die Berechnung der Lernzuw\u00e4chse ein und wird nicht als Moderator berichtet; da das Thema f\u00fcr alle neu war, liegen die Werte nahe am Boden. Ma\u00dfe, die sich als Stufenindikator im Sinne dieses Modells nutzen lie\u00dfen, werden nicht berichtet, weder ein aussagekr\u00e4ftiges Vorwissensma\u00df noch Selbstregulation oder kritische KI-Kompetenz. Institution und Studienfach taugen daf\u00fcr nicht: Sie sind bereichs\u00fcbergreifende Stellvertreter, w\u00e4hrend das Modell die Kompetenz gegenstandsgebunden bestimmt, und im neu zu erarbeitenden Physikthema war das Fachwissen der Teilnehmenden gering. Der Befund ist mit dem Modell vereinbar, pr\u00fcft es aber nicht; ob Lenkung Fortgeschrittenen in der Sache schadet, bleibt hier offen. Nach der Instruktionsforschung bremst Lenkung dann, wenn sie unabh\u00e4ngig vom Bearbeitungsstand ausgel\u00f6st wird, vorhandenes Wissen redundant wiederholt oder eigene Strategien \u00fcberschreibt; gestufte Hilfe auf Anforderung f\u00e4llt nicht darunter.<\/p>\n<p>Zu unterscheiden ist die Menge der Lenkung von ihrer Kontingenz, also davon, ob sie auf den aktuellen Stand der Person reagiert. Damit diese Unterscheidung die Grundannahme nicht gegen Widerlegung abschirmt, wird sie im Abschnitt \u201eGrenzen und offene Fragen\u201c vorab operationalisiert. Ob ein KI-Einsatz n\u00fctzt, entscheidet sich an der Gestaltung des Werkzeugs, an der Person, die es nutzt, und daran, was gemessen wird.<\/p>\n<p>Die bildungspolitische Diskussion hat diesen Punkt aufgenommen. Die St\u00e4ndige Wissenschaftliche Kommission der Kultusministerkonferenz (SWK, 2024) empfiehlt f\u00fcr die Grundschule und den Beginn der Sekundarstufe I weitgehende Zur\u00fcckhaltung gegen\u00fcber offenen Sprachmodellen und eine Konzentration auf die basalen Kompetenzen; die Bildungsministerkonferenz (2024) betont die p\u00e4dagogische Rahmung jeder KI-Nutzung. Das SKILL-Modell nimmt diese Empfehlungen auf und begr\u00fcndet sie \u00fcber Kompetenz statt \u00fcber das Alter. Die Empfehlungen selbst bleiben altersbezogen; die zugrunde liegende Logik ist es nicht. Sie greift \u00fcberall dort, wo die Voraussetzungen f\u00fcr eine lernwirksame KI-Nutzung erst entstehen, also auch bei Erwachsenen in einem f\u00fcr sie neuen Fachgebiet. Das Alter beh\u00e4lt daneben eigenes Gewicht, wie der Abschnitt zu den theoretischen Grundlagen zeigt.<\/p>\n\n<h2>Unterscheidung von Leistung und Lernen<\/h2>\n<p>Lernende k\u00f6nnen mit KI besser abschneiden und trotzdem weniger lernen. Yan et al. (2025) trennen daf\u00fcr zwei Gr\u00f6\u00dfen, die im Alltag leicht verschmelzen: die Leistung w\u00e4hrend der Nutzung und das, was ohne das Werkzeug bleibt. Lernen zeigt sich erst im zweiten Fall. Salomon et al. (1991) haben daf\u00fcr fr\u00fch die Unterscheidung zwischen Effekten <em>mit<\/em> einer Technologie und Effekten <em>der<\/em> Technologie vorgeschlagen: Was die Leistung im Zusammenspiel hebt, muss nicht als F\u00e4higkeit zur\u00fcckbleiben. Die Unterscheidung ist in der Lernpsychologie alt. Bjork und Bjork (2011) sprechen von w\u00fcnschenswerten Erschwernissen: Bedingungen, die die aktuelle Leistung senken, aber das dauerhafte Behalten und die \u00dcbertragung auf neue Aufgaben (Transfer) erh\u00f6hen, weil sie eigene Abrufversuche, Fehler und Umwege erzwingen. Kapur (2016) systematisiert die Befundlage zum produktiven Scheitern und argumentiert, dass ein zun\u00e4chst erfolgloses eigenes Ringen mit einer Aufgabe das sp\u00e4tere Verstehen f\u00f6rdert, sofern es anschlie\u00dfend im Unterricht aufgegriffen wird. Diese Phase \u00fcberspringt eine KI, die auf Anfrage die L\u00f6sung liefert.<\/p>\n<p>Das Auslagern kognitiver Arbeit ist dabei an sich nichts Neues; Menschen nutzen Notizen, Taschenrechner und Suchmaschinen, um ihr Arbeitsged\u00e4chtnis zu entlasten (Risko &amp; Gilbert, 2016). Auch Kinder verf\u00fcgen ab etwa vier Jahren \u00fcber solche Strategien und setzen sie bei steigender Aufgabenschwierigkeit vermehrt ein; sie tun dies jedoch weniger selektiv und weniger selbstinitiiert als Erwachsene und lagern teils zu viel, teils zu wenig aus (Armitage &amp; Gilbert, 2025). Problematisch wird es, wenn das Ausgelagerte selbst das Lernziel ist. Eine KI, die den L\u00f6sungsweg schreibt, entlastet vom Lernen selbst.<\/p>\n<p>Hinzu kommt ein zweiter Mechanismus: Fl\u00fcssig formulierte Erkl\u00e4rungen erzeugen ein Gef\u00fchl von Verstehen, das mit dem tats\u00e4chlichen K\u00f6nnen wenig zu tun haben muss. Rozenblit und Keil (2002) zeigen an erwachsenen Stichproben eine Illusion der Erkl\u00e4rungstiefe: Menschen halten ihr Verst\u00e4ndnis f\u00fcr vollst\u00e4ndiger, als es der Versuch offenlegt, den Zusammenhang selbst auszuformulieren. Die Illusion ist spezifisch f\u00fcr Erkl\u00e4rungswissen und f\u00e4llt f\u00fcr Fakten, Prozeduren und Erz\u00e4hlungen schw\u00e4cher aus. Beide Mechanismen bilden eine Kette: fl\u00fcssige Erkl\u00e4rung, Gef\u00fchl des Verstehens, ausbleibende eigene Anstrengung, schw\u00e4chere Leistung ohne KI.<\/p>\n<p>F\u00fcr einen Zwischenschritt dieser Kette liegt Evidenz vor: Fisher et al. (2015) zeigen in neun Experimenten, dass bereits das Nachschlagen einer Erkl\u00e4rung im Internet die Einsch\u00e4tzung des eigenen Wissens erh\u00f6ht; Zugang zu Information wird mit eigenem Verstehen verwechselt, auch dann noch, wenn die Quelle nicht mehr verf\u00fcgbar ist. Offen ist weniger der Mechanismus als seine Reichweite: ob eine dialogisch erzeugte, auf die eigene Frage zugeschnittene KI-Erkl\u00e4rung st\u00e4rker wirkt als ein Suchergebnis und wie stark er bei Kindern ausf\u00e4llt; eine Illusion der Erkl\u00e4rungstiefe zeigen f\u00fcr Ger\u00e4te und ihre Funktionsweise bereits Zweit- und Viertkl\u00e4ssler, nicht dagegen Kindergartenkinder und nicht f\u00fcr Handlungsabl\u00e4ufe, und sie erkennen deren Unzutreffen erst nach dem eigenen Erkl\u00e4rversuch (Mills &amp; Keil, 2004). Belegt ist der Endpunkt der Kette, schw\u00e4chere Leistung ohne KI (Bastani et al., 2025) und verschobene Selbstregulation ohne Wissenszuwachs (Fan et al., 2025).<\/p>\n<p>Erste neurophysiologische Befunde deuten in dieselbe Richtung: Beim Schreiben mit einem Sprachmodell war die Gehirnaktivit\u00e4t schw\u00e4cher vernetzt, und die Teilnehmenden konnten kurz danach eigene S\u00e4tze nicht korrekt wiedergeben und berichteten die geringste Autorschaft an ihrem Text (Kosmyna et al., 2025). Die Arbeit ist ein nicht begutachteter Preprint mit 54 erwachsenen Teilnehmenden; eine methodische Erwiderung kritisiert Stichprobengr\u00f6\u00dfe, EEG-Auswertung und Reproduzierbarkeit (Stankovi\u0107 et al., 2026). Die EEG-Ma\u00dfe erlauben keine Aussage \u00fcber Lernergebnisse; der Befund ist als Hinweis zu lesen, nicht als Beleg.<\/p>\n\n<figure class=\"journey\">\n<svg viewBox=\"0 0 1000 470\" role=\"img\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <title>KI als Abk\u00fcrzung \u00fcberspringt den L\u00f6sungsprozess, KI als Denkpartner begleitet ihn.<\/title>\n  <g>\n    <line x1=\"221\" y1=\"250\" x2=\"779\" y2=\"250\" stroke=\"#d8d2c4\" stroke-width=\"3.4\"><\/line>\n    <path class=\"jrny-path\" d=\"M221,250 H779\" stroke=\"#1f7a45\" stroke-width=\"4.4\" fill=\"none\" stroke-linecap=\"round\"><\/path>\n    <path class=\"jrny-path-head\" d=\"M448,241 L461,250 L448,259 Z\" fill=\"#1f7a45\"><\/path>\n    <path class=\"jrny-path-head\" d=\"M770,241 L783,250 L770,259 Z\" fill=\"#1f7a45\"><\/path>\n    <circle cx=\"175\" cy=\"250\" r=\"46\" fill=\"#f0ece2\" stroke=\"#d8d2c4\" stroke-width=\"1.5\"><\/circle>\n    <g fill=\"none\" stroke=\"#2b2f36\" stroke-width=\"2.4\" stroke-linejoin=\"round\" stroke-linecap=\"round\">\n      <path d=\"M162,233 H180 L188,241 V267 H162 Z\" fill=\"#f0ece2\"><\/path>\n      <path d=\"M180,233 V241 H188\"><\/path>\n      <path d=\"M167,248 H183 M167,254 H183 M167,260 H177\"><\/path>\n    <\/g>\n    <circle cx=\"500\" cy=\"250\" r=\"46\" fill=\"#f0ece2\" stroke=\"#d8d2c4\" stroke-width=\"1.5\"><\/circle>\n    <g stroke=\"#2b2f36\" stroke-width=\"2.4\" stroke-linecap=\"round\">\n      <circle cx=\"500\" cy=\"250\" r=\"7.5\" fill=\"none\"><\/circle>\n      <line x1=\"511\" y1=\"250\" x2=\"516\" y2=\"250\"><\/line>\n      <line x1=\"507.8\" y1=\"257.8\" x2=\"511.3\" y2=\"261.3\"><\/line>\n      <line x1=\"500\" y1=\"261\" x2=\"500\" y2=\"266\"><\/line>\n      <line x1=\"492.2\" y1=\"257.8\" x2=\"488.7\" y2=\"261.3\"><\/line>\n      <line x1=\"489\" y1=\"250\" x2=\"484\" y2=\"250\"><\/line>\n      <line x1=\"492.2\" y1=\"242.2\" x2=\"488.7\" y2=\"238.7\"><\/line>\n      <line x1=\"500\" y1=\"239\" x2=\"500\" y2=\"234\"><\/line>\n      <line x1=\"507.8\" y1=\"242.2\" x2=\"511.3\" y2=\"238.7\"><\/line>\n    <\/g>\n    <circle cx=\"825\" cy=\"250\" r=\"46\" fill=\"#f0ece2\" stroke=\"#d8d2c4\" stroke-width=\"1.5\"><\/circle>\n    <g stroke=\"#2b2f36\" stroke-width=\"2.4\" stroke-linecap=\"round\" stroke-linejoin=\"round\">\n      <line x1=\"816\" y1=\"231\" x2=\"816\" y2=\"270\"><\/line>\n      <path d=\"M816,233 L840,239 L816,246 Z\" fill=\"#2b2f36\"><\/path>\n    <\/g>\n    <g fill=\"#2b2f36\" font-size=\"19\" font-weight=\"600\" text-anchor=\"middle\">\n      <text x=\"175\" y=\"332\">Aufgabe<\/text>\n      <text x=\"500\" y=\"332\">L\u00f6sungsprozess<\/text>\n      <text x=\"825\" y=\"332\">L\u00f6sung<\/text>\n    <\/g>\n    <g fill=\"#6f6f69\" font-size=\"13\" text-anchor=\"middle\">\n      <text x=\"500\" y=\"352\">Hier findet das Lernen statt: probieren, irren, pr\u00fcfen, begr\u00fcnden<\/text>\n    <\/g>\n  <\/g>\n  <path class=\"jrny-arc\" d=\"M182,208 Q500,72 810,206\" stroke-dasharray=\"11 9\"><\/path>\n  <path class=\"jrny-arc-head\" d=\"M824,212 L806.9,211.1 L811.7,200.1 Z\"><\/path>\n  <text class=\"jrny-red-lbl\" x=\"500\" y=\"54\" text-anchor=\"middle\" font-size=\"25\" font-weight=\"700\">KI als Abk\u00fcrzung<\/text>\n  <text class=\"jrny-red-lbl\" x=\"500\" y=\"80\" text-anchor=\"middle\" font-size=\"15\" font-weight=\"500\">Leistung steigt, Lernen bleibt aus<\/text>\n  <g class=\"jrny-green\">\n    <line x1=\"500\" y1=\"372\" x2=\"500\" y2=\"404\" stroke=\"#1f7a45\" stroke-width=\"4\" stroke-linecap=\"round\"><\/line>\n    <path d=\"M500,365 L493,377 L507,377 Z\" fill=\"#1f7a45\"><\/path>\n    <path d=\"M500,411 L493,399 L507,399 Z\" fill=\"#1f7a45\"><\/path>\n  <\/g>\n  <text class=\"jrny-green-lbl\" x=\"500\" y=\"443\" text-anchor=\"middle\" font-size=\"25\" font-weight=\"700\">KI als Denkpartner<\/text>\n  <text class=\"jrny-green-lbl\" x=\"500\" y=\"465\" text-anchor=\"middle\" font-size=\"15\" font-weight=\"500\">fragt, gibt gestufte Hinweise, l\u00e4sst Fehler zu<\/text>\n<\/svg>\n<figcaption class=\"cap\">Als Abk\u00fcrzung liefert die KI das Ergebnis und \u00fcberspringt den L\u00f6sungsprozess. Als Denkpartner begleitet sie ihn mit Fragen, gestuften Hinweisen und Raum f\u00fcr Fehler.<\/figcaption>\n<\/figure>\n<p>Daraus ergibt sich die Grundsatzfrage, an der sich jeder KI-Einsatz beim Lernen messen lassen muss: \u00dcbernimmt die KI einen kognitiven Prozess, oder unterst\u00fctzt sie die Lernenden dabei, ihn selbst auszuf\u00fchren? \u00dcbernahme ist nicht an sich ein Fehler; sie wird es, wenn der \u00fcbernommene Prozess das ist, was gelernt werden soll. Die Grenze verl\u00e4uft dabei nicht erst beim Endergebnis: Auch ein Hinweis, der den entscheidenden Schritt vorwegnimmt, \u00fcbernimmt den Prozess.<\/p>\n\n<h2>Kompetenz als Bezugsgr\u00f6\u00dfe: theoretische Grundlagen<\/h2>\n<p>Das SKILL-Modell richtet den Grad der Lenkung an der Kompetenz aus, KI in einer konkreten Sache lernwirksam zu nutzen, und nicht am Alter oder an der Klassenstufe.<\/p>\n<p><strong>Die erste Wurzel dieser Entscheidung ist das Scaffolding.<\/strong> Vygotsky (1978) beschreibt Lernen als Bewegung durch die Zone der n\u00e4chsten Entwicklung: Was ein Kind heute mit Unterst\u00fctzung kann, kann es morgen allein. Unabh\u00e4ngig davon pr\u00e4gten Wood et al. (1976) das Bild des Ger\u00fcsts, das nur so lange steht, wie es gebraucht wird; beide Traditionen wurden erst sp\u00e4ter aufeinander bezogen. Van de Pol et al. (2010) nennen drei Merkmale, die ein Ger\u00fcst von blo\u00dfer Hilfe unterscheiden: Es ist kontingent, reagiert also auf den aktuellen Stand; es wird zur\u00fcckgenommen (Fading); und es \u00fcbertr\u00e4gt Verantwortung an die Lernenden.<\/p>\n<p>In der Unterrichtsforschung ist dies als \u201egradual release of responsibility\u201c bekannt (Pearson &amp; Gallagher, 1983): Verantwortung wandert schrittweise von der Lehrkraft zu den Lernenden. Rowe (2026) hat dieses Prinzip mit dem GRAIT-Modell auf KI \u00fcbertragen und unterscheidet die schrittweise Freigabe kognitiver Verantwortung von der schrittweisen Freigabe der Technik, gestaffelt nach nachgewiesener Bereitschaft in der Sache.<\/p>\n<p>F\u00fcr das schrittweise Zur\u00fccknehmen von Hilfe liefern Renkl und Atkinson (2003) die klassische empirische Grundlage: Der \u00dcbergang vom ausgearbeiteten Beispiel zum eigenen L\u00f6sen gelingt am besten, wenn L\u00f6sungsschritte nach und nach ausgeblendet werden. F\u00fcr computergest\u00fctztes Scaffolding in den MINT-F\u00e4chern belegt die Metaanalyse von Belland et al. (2017) auf Basis von 144 Studien einen mittleren Effekt (g = 0,46). Eine Gr\u00f6\u00dfenordnung f\u00fcr gestufte Hilfe insgesamt liefert VanLehn (2011): Tutorsysteme mit schrittweiser Hilfe erreichen gegen\u00fcber keiner Tutorierung etwa d = 0,76, menschliche Tutorierung etwa d = 0,79; die lange kolportierte \u00dcberlegenheit menschlicher Tutorierung um zwei Standardabweichungen best\u00e4tigt sich nicht. Kulik und Fletcher (2016) berichten in ihrer Metaanalyse einen Median von 0,66 Standardabweichungen und zeigen zugleich, dass lokal entwickelte Tests gr\u00f6\u00dfere Effekte ergeben als standardisierte.<\/p>\n<p><strong>Zweitens das Zusammenspiel von Vorwissen und Lenkung.<\/strong> Kirschner et al. (2006) fassen in einer viel diskutierten Bestandsaufnahme die Befunde zusammen, nach denen Anf\u00e4ngerinnen und Anf\u00e4nger von minimal gelenktem Lernen selten profitieren; die Erwiderung von Hmelo-Silver et al. (2007) h\u00e4lt dem entgegen, dass problem- und forschungsbasierte Ans\u00e4tze in der Regel selbst stark ger\u00fcstet sind und die Gleichsetzung mit unangeleitetem Entdecken deshalb nicht haltbar ist. Die Metaanalyse von Lazonder und Harmsen (2016) st\u00fctzt diese Einsch\u00e4tzung: \u00dcber 72 Studien zum forschenden Lernen hinweg wirkt Lenkung mittel auf die Lernergebnisse (d = 0,50) und mittel bis stark auf Lernaktivit\u00e4ten (d = 0,66) und Aufgabenerfolg (d = 0,71). Zu Altersunterschieden kommen Lazonder und Harmsen zu keinem konsistenten Befund und halten die Zahl der Studien ausdr\u00fccklich f\u00fcr zu gering, um sie abschlie\u00dfend zu beurteilen. F\u00fcr das SKILL-Modell folgt daraus nicht, dass Alter irrelevant w\u00e4re, sondern dass es ein grober Stellvertreter f\u00fcr den Stand der Kompetenzen ist.<\/p>\n<p>Zugleich gilt die Umkehrung, in der Lehr-Lern-Forschung als Expertise-Umkehr-Effekt bekannt: Eine enge Lenkung, die Anf\u00e4ngerinnen und Anf\u00e4ngern hilft, behindert Fortgeschrittene, weil die dargebotene Struktur mit dem Wissen konkurriert, das die Lernenden bereits geordnet abgespeichert haben, und Arbeitsged\u00e4chtnis bindet (Kalyuga et al., 2003; Kalyuga, 2007; Sweller et al., 2019). Eine Metaanalyse \u00fcber 60 Studien best\u00e4tigt den Effekt, zeigt aber zugleich, dass das Geben von Hilfe f\u00fcr Anf\u00e4ngerinnen und Anf\u00e4nger st\u00e4rker wiegt als ihr Vorenthalten bei Fortgeschrittenen (Tetzlaff et al., 2025); f\u00fcr die Grundschule sowie f\u00fcr Geistes- und Sprachwissenschaften ist die Befundlage dort weniger klar, und f\u00fcr die starke Fassung des Modells ist das eine Mahnung zur Vorsicht. F\u00fcr Tutorsysteme haben Koedinger und Aleven (2007) dieses Spannungsfeld als \u201eassistance dilemma\u201c beschrieben: Wann ist es lernf\u00f6rderlicher, Informationen zu geben, und wann, sie zur\u00fcckzuhalten, damit die Lernenden sie selbst hervorbringen? Beides kann schaden. Zu fr\u00fche Hilfe verhindert die Eigenkonstruktion, ausbleibende Hilfe l\u00e4sst Lernende in unproduktiven Sackgassen stecken. Der Ort des Optimums verschiebt sich mit der Kompetenz. Diese Verschiebung ist die Grundbewegung des SKILL-Spektrums: Mit wachsender Kompetenz sinkt die n\u00f6tige Lenkung.<\/p>\n<p><strong>Drittens die Entwicklung von Metakognition und epistemischer Wachsamkeit.<\/strong> Ob jemand eine KI als Denkpartner nutzen kann, setzt voraus, das eigene Verstehen einsch\u00e4tzen und fremde Aussagen pr\u00fcfen zu k\u00f6nnen. Beides entwickelt sich \u00fcber Jahre. Zu unterscheiden sind das Einsch\u00e4tzen des eigenen Verstehens (Monitoring) und die daran anschlie\u00dfende Steuerung des eigenen Vorgehens (Kontrolle). Das Monitoring kann vorausschauend erfolgen, vor der Bearbeitung, oder r\u00fcckblickend, nach ihr (Nelson &amp; Narens, 1990); beide entwickeln sich unterschiedlich schnell. Innerhalb des Monitorings unterscheidet Schraw (2009) f\u00fcnf G\u00fctema\u00dfe: absolute und relative Genauigkeit, Verzerrung, Streuung und Diskrimination. Hier sind zwei Gr\u00f6\u00dfen zentral. Absolute Genauigkeit und Verzerrung zusammengenommen, im Folgenden abk\u00fcrzend Kalibrierung genannt, ein Sammelbegriff, den Schraw selbst nicht f\u00fchrt, beschreiben, ob die Einsch\u00e4tzung im Mittel zutrifft; die Diskrimination beschreibt, ob eine Person zwischen eigenen richtigen und falschen Antworten unterscheidet. In den vorliegenden Untersuchungen \u00fcbersch\u00e4tzen sich Kinder im fr\u00fchen Grundschulalter deutlich und unterscheiden gleichwohl \u00fcber dem Zufall zwischen richtigen und falschen Antworten (Kolloff et al., 2023; im \u00dcberblick Roebers, 2017). F\u00fcr das Modell folgt daraus, dass die Lenkung auf Stufe 1 weniger die Urteilsf\u00e4higkeit im Einzelfall ersetzen muss als die globale Entscheidung, wie viel Aufwand eine Aufgabe noch verlangt.<\/p>\n<p>Destan und Roebers (2015) teilten 93 Sechsj\u00e4hrige nach der Genauigkeit ihrer Gesamteinsch\u00e4tzung in Kinder, die sich untersch\u00e4tzten, realistisch einsch\u00e4tzten oder \u00fcbersch\u00e4tzten: Wer sich untersch\u00e4tzte, unterschied in den Konfidenzurteilen deutlich besser zwischen richtigen und falschen Antworten als Kinder, die sich \u00fcbersch\u00e4tzten; die Gruppen unterschieden sich auch in nachgelagerten Kontrollprozessen; ein Zusammenhang der globalen Einsch\u00e4tzungsgenauigkeit mit den erhobenen exekutiven Funktionen (kognitive Flexibilit\u00e4t, Inhibition, Arbeitsged\u00e4chtnis) zeigte sich dagegen nicht. Die Studie ist querschnittlich angelegt und zeigt Zusammenh\u00e4nge, keine Wirkrichtung; die Annahme des Modells, dass Selbsteinsch\u00e4tzung und Impulskontrolle gemeinsam die Stufe bestimmen, findet in ihr auf der Ebene individueller Unterschiede keine St\u00fctze.<\/p>\n<p>Eine quer- und l\u00e4ngsschnittliche Studie mit 305 Kindern der Klassen 2 und 4 (im Mittel 7,6 und 9,6 Jahre), von denen 274 ein Jahr sp\u00e4ter erneut untersucht wurden, zeigt, dass sich sowohl die r\u00fcckblickende Einsch\u00e4tzung der eigenen Arbeit als auch die daran anschlie\u00dfende Kontrolle \u00fcber dieses Jahr verbessern, die vorausschauenden Pendants dagegen nicht, mit Ausnahme der vorausschauenden Kontrolle bei den Zweitkl\u00e4sslern; die Kontrolle blieb auch dort suboptimal, wo sie sich verbesserte, nach Deutung der Autorinnen und Autoren als Folge eines weiterhin \u00fcberoptimistischen Monitorings. Den Zugewinn der r\u00fcckblickenden Kontrolle f\u00fchren sie auf Aufgabenvertrautheit zur\u00fcck, die Verbesserung des r\u00fcckblickenden Monitorings auf Entwicklung, gest\u00fctzt auf den Vergleich mit einer eigenen Querschnittsstichprobe von 144 Kindern und entsprechend vorl\u00e4ufig (Bayard et al., 2021). Kinder erkennen also eher, wie gut sie eine Aufgabe gel\u00f6st haben, als sie vorher einsch\u00e4tzen k\u00f6nnen, wie schwer sie wird; \u00fcber das Grundschulalter hinaus l\u00e4sst sich aus dieser Studie nichts ableiten.<\/p>\n<p>F\u00fcr die anschlie\u00dfende Entwicklung liegt Evidenz aus dem Jugendalter vor: Weil et al. (2013) trennten bei 56 Personen zwischen 11 und 41 Jahren die Aufgabenleistung von der metakognitiven Diskrimination und fanden bei durch ein Staircase-Verfahren konstant gehaltener Leistung einen Anstieg dieser Diskrimination innerhalb der Adoleszenz; zur Kalibrierung sagt die Studie nichts; sie beschreiben den Verlauf als h\u00f6chsten Stand im sp\u00e4ten Jugendalter mit anschlie\u00dfendem Plateau; diese Deutung st\u00fctzen ihre Daten nur teilweise, denn die Erwachsenen lagen im Mittel unter den Jugendlichen. Der Alterseffekt beruht auf einer einzigen Korrelation in der Jugendgruppe (r = .38, n = 28), die Stichprobe ist klein und querschnittlich, enth\u00e4lt zwischen 17 und 19 Jahren niemanden, innerhalb der Erwachsenengruppe stieg die Genauigkeit mit dem Alter nicht weiter an, und die Aufgabe ist eine Wahrnehmungsaufgabe ohne Fachbezug. Der Befund ist deshalb ein Hinweis auf eine \u00fcber das Grundschulalter hinausreichende Entwicklung, keine belastbare Verlaufskurve.<\/p>\n<p>Roebers (2017) ordnet Monitoring und exekutive Funktionen, also Planen, Aufmerksamkeitskontrolle und Impulshemmung, einem gemeinsamen Rahmen kognitiver Selbstregulation zu; sie arbeitet Gemeinsamkeiten wie verbleibende Unterschiede beider Forschungstraditionen heraus und schl\u00e4gt die Integration als Rahmen vor, nicht als belegte Identit\u00e4t. Roebers selbst nimmt an, dass exekutive Funktionen der metakognitiven Kontrolle fr\u00fch vorausgehen und f\u00fcr sie notwendig, aber nicht hinreichend sind; sie h\u00e4lt die empirische Grundlage jedoch f\u00fcr d\u00fcnn: Nur wenige Arbeiten pr\u00fcfen die Verbindung auf latenter Ebene, es liegen Nullbefunde vor, und Intelligenz wurde bislang nicht kontrolliert. Die Wirkrichtung ist damit nicht entschieden.<\/p>\n<p>Wer das eigene Verstehen ungenau einsch\u00e4tzt, kann kaum entscheiden, wann eine KI-Hilfe angemessen ist und wann sie das Lernen ersetzt. F\u00fcr Tutorsysteme ist die entsprechende Fehlregulation dokumentiert: Lernende holen Hilfe zu fr\u00fch, zu sp\u00e4t oder zu ausgiebig (Aleven et al., 2016).<\/p>\n<p>F\u00fcr KI-gest\u00fctzte Systeme zeigen Darvishi et al. (2024) in einer achtw\u00f6chigen Untersuchung mit 1625 Studierenden zur Qualit\u00e4t von Peer-R\u00fcckmeldungen in der Hochschullehre, dass verf\u00fcgbare KI-Hilfe die Selbstregulation untergr\u00e4bt und die Leistung einbricht, sobald die Hilfe zur\u00fcckgenommen wird; eine Checkliste zur Selbstbeobachtung, die anstelle der KI-Hinweise eingesetzt wurde, fing den Einbruch nur teilweise auf und blieb hinter der KI-Unterst\u00fctzung zur\u00fcck; die Kombination aus beidem war der KI allein nicht \u00fcberlegen. Die Autorinnen und Autoren folgern, dass die Studierenden sich auf die KI verlie\u00dfen, statt von ihr zu lernen. Das macht die Forderung dringlicher, das vom Werkzeug \u00fcbernommene Monitoring auf Stufe 1 im Unterricht zum Thema zu machen, zeigt aber auch, dass eine begleitende Checkliste daf\u00fcr nicht gen\u00fcgt. Zielgr\u00f6\u00dfe war dort die Qualit\u00e4t von R\u00fcckmeldungen, nicht fachliches Lernen; f\u00fcr generative Tutoren im Unterricht steht die Pr\u00fcfung aus.<\/p>\n<p>\u00c4hnliches gilt f\u00fcr das Pr\u00fcfen von Informationen. Sperber et al. (2010) fassen unter epistemischer Wachsamkeit Mechanismen, die zwei Dinge pr\u00fcfen: die Vertrauensw\u00fcrdigkeit der Quelle, also ihre Kompetenz und ihr Wohlwollen, und die Plausibilit\u00e4t und Koh\u00e4renz des Inhalts. \u00dcber den ersten dieser beiden Mechanismen verf\u00fcgen Kinder fr\u00fch: Sie gewichten bisherige Zuverl\u00e4ssigkeit, Expertise und die \u00dcbereinstimmung mehrerer Auskunftspersonen; zugleich stellen Kinder bei unerwarteten Ausk\u00fcnften eigene \u00dcberzeugungen zur\u00fcck und folgen Auskunftspersonen mitunter aus sozialen, nicht aus epistemischen Gr\u00fcnden (Harris et al., 2018). Zugleich ist die Pr\u00fcfhaltung nicht der Regelfall: Kinder setzen ihre Pr\u00fcff\u00e4higkeiten unregelm\u00e4\u00dfig und situationsabh\u00e4ngig ein und \u00fcbernehmen Ausk\u00fcnfte kooperativer Erwachsener im Zweifel (Mills, 2013). Eine einflussreiche, an S\u00e4uglingsbefunden entwickelte Theorie deutet diese Bereitschaft als Anpassung an die Weitergabe verallgemeinerbaren Wissens (Csibra &amp; Gergely, 2009); ihre Annahme, ostensive Hinweisreize wirkten spezifisch, hielt zumindest f\u00fcr das Blickfolgen sechs Monate alter S\u00e4uglinge einer Pr\u00fcfung mit zus\u00e4tzlichen, nicht-ostensiven Aufmerksamkeitsbedingungen nicht stand (Szufnarowska et al., 2014), und die Theorie ist auch konzeptuell bestritten (Heyes, 2016). Auch die inhaltliche Pr\u00fcfung ist Kindern nicht fremd: Sie erkennen Unwissen, Inkompetenz und T\u00e4uschung und widersprechen auff\u00e4llig unplausiblen Aussagen, doch entwickelt sich diese kritische Haltung langsam und bleibt stark davon abh\u00e4ngig, wie deutlich eine Unstimmigkeit hervortritt (Mills, 2013).<\/p>\n<p>Diese Pr\u00fcfmechanismen sind an menschlichen Quellen entstanden, und die Merkmale, an denen sie ansetzen, sind bei einem Sprachmodell nicht informativ; seine Fehler treten gerade nicht auff\u00e4llig hervor, sondern sind in fl\u00fcssige, gut geformte Sprache eingebettet. Ein Sprachmodell t\u00e4uscht nicht absichtlich; seine Fehler entstehen ohne Motiv. Trainings- und Produktentscheidungen bringen aber systematische Neigungen in die Ausgabe. Die bekannteste ist die Tendenz, der fragenden Person zuzustimmen, \u00fcber mehrere Systeme hinweg nachgewiesen und auf das Training an menschlichen Pr\u00e4ferenzurteilen zur\u00fcckzuf\u00fchren (Sharma et al., 2024). Fl\u00fcssigkeit, Freundlichkeit und Selbstsicherheit sind daher von der Richtigkeit des Inhalts entkoppelt, und die Ausgabe hat keine erkennbare Herkunft, an der sich Zuverl\u00e4ssigkeit ablesen lie\u00dfe.<\/p>\n<p>Eine bereichsabh\u00e4ngige Selektivit\u00e4t wenden Kinder auch auf technische Quellen an: In zwei Studien mit 4- bis 5-J\u00e4hrigen und 7- bis 8-J\u00e4hrigen w\u00e4hlten die \u00e4lteren Kinder (7 bis 8 Jahre) bei Sachfragen h\u00e4ufiger den Sprachassistenten als die j\u00fcngeren (4 bis 5 Jahre), w\u00e4hrend beide Altersgruppen bei pers\u00f6nlichen Ausk\u00fcnften \u00fcber eine anwesende Person den Menschen bevorzugten (Girouard-Hallam &amp; Danovitch, 2022); die Befunde zeigen nicht alle in dieselbe Richtung, denn unter 3- bis 5-J\u00e4hrigen folgten die J\u00fcngeren einem ungenauen menschlichen Informanten eher als einem ungenauen Roboter, die \u00c4lteren behandelten beide gleich (Li &amp; Yow, 2024; verk\u00f6rperter Roboter, Benennung vertrauter Objekte, N = 120); die Stichprobe stammt aus \u00fcberwiegend wei\u00dfen US-Familien der oberen Mittelschicht, und gepr\u00fcft wurde ein eigens konstruierter Sprachassistent mit vorgegebenen Antworten, kein generatives Modell. Gerade in dem Bereich, in dem ein Sprachmodell plausibel klingende Fehler produziert, w\u00e4chst das Vertrauen in die maschinelle Quelle mit dem Alter. Die Last liegt damit auf der inhaltlichen Pr\u00fcfung, die Fachwissen voraussetzt. Erfahrung mit dem Werkzeug bringt diese Pr\u00fcfkompetenz nicht von selbst mit: Nutzungsroutine und Verst\u00e4ndnis der Funktionsweise fallen bei Kindern auseinander (Danovitch, 2019).<\/p>\n<p>Diese Entwicklungsbefunde machen plausibel, warum j\u00fcngere Lernende in der Regel mehr Lenkung brauchen. Sie belegen es nicht: Anders als beim Vorwissen, f\u00fcr das die Expertise-Umkehr eine gepr\u00fcfte Wechselwirkung von Personenmerkmal und Instruktionsform liefert, pr\u00fcfen erst wenige Studien individuelle Unterschiede im Monitoring oder in der Selbstregulation als Moderator des Nutzens von Lenkung, und sie fallen \u00fcberwiegend negativ aus: Herold und Seufert (2025) fanden bei 102 Studierenden eine Moderation durch das Vorwissen, und diese nur f\u00fcr das Verstehen, nicht f\u00fcr Behalten und Transfer, dagegen keine Moderation durch die metakognitive Kompetenz; Hofer und Reinhold (2025) fanden bei 332 Sechstkl\u00e4sslerinnen und Sechstkl\u00e4sslern Wechselwirkungen von Personenmerkmal und Scaffolding nur in einer der beiden untersuchten Schulformen. Beide Pr\u00fcfungen stammen nicht aus dem Grundschulalter, f\u00fcr das das Modell die st\u00e4rkste Lenkung vorsieht.<\/p>\n<p>N\u00e4her an der Sache liegen erste Arbeiten zur Metakognition im Umgang mit generativer KI: Stadler et al. (2024) finden bei Studierenden gegen\u00fcber der Websuche geringere kognitive Belastung bei zugleich flacherer Argumentation; umgekehrt verbesserte in einem randomisierten Experiment mit Studierenden eine modellgest\u00fctzte Vorhersage der eigenen Testleistung mit Reflexionsimpulsen die Kalibrierung der zuvor \u00fcberkonfidenten Teilnehmenden, ein kleiner Subgruppeneffekt (Lee et al., 2025). Ein Werkzeug kann Monitoring also auch trainieren statt ersetzen; das ist die pr\u00fcfbare Alternative zur Annahme, die \u00dcbernahme des Monitorings auf Stufe 1 sei nur eine Entlastung auf Zeit. Die \u00dcbertragung auf Monitoring und Selbstregulation ist damit nicht nur ungepr\u00fcft, sondern von den vorliegenden Pr\u00fcfungen bislang unbest\u00e4tigt; sie steht und f\u00e4llt mit der im Abschnitt zu den Grenzen skizzierten Untersuchung.<\/p>\n<p>Wirksam ist dabei der Stand der Kompetenzen, nicht das Alter. Der Schluss zur\u00fcck, wer viel wei\u00df, sei auch bereit f\u00fcr eine h\u00f6here Stufe, gilt allerdings nur eingeschr\u00e4nkt. Fachwissen ist gegenstandsgebunden und kann in einem Gebiet rasch wachsen; darauf st\u00fctzt sich ein Teil der inhaltlichen Pr\u00fcfung unmittelbar.<\/p>\n<p>Die Genauigkeit der Selbsteinsch\u00e4tzung verbessert sich dagegen nach den vorliegenden, noch schmalen Hinweisen \u00fcber einen langen, bis in die Adoleszenz reichenden Zeitraum (Weil et al., 2013). Bei den exekutiven Funktionen verlaufen die Komponenten unterschiedlich. Die deutlichsten Zuw\u00e4chse der Inhibition liegen im Vorschulalter, doch verbessern sich auch einfache Hemmaufgaben bis in die Adoleszenz weiter, w\u00e4hrend Arbeitsged\u00e4chtnis und kognitive Flexibilit\u00e4t \u00fcber Kindheit und Jugend eher stetig zunehmen. Die Befundlage gilt den Autoren selbst als uneinheitlich (Best &amp; Miller, 2010). F\u00fcr das Modell einschl\u00e4gig ist eine Variante, die die \u00fcblichen neutralen Verfahren nur unvollst\u00e4ndig abbilden: eine verf\u00fcgbare Belohnung zugunsten eines sp\u00e4teren Ziels zur\u00fcckzustellen. Zelazo und Carlson (2012) ordnen sie den \u201ehei\u00dfen\u201c exekutiven Funktionen zu und halten f\u00fcr diese einen eigenen, m\u00f6glicherweise verz\u00f6gerten Verlauf f\u00fcr wahrscheinlich, verweisen aber zugleich auf Arbeiten, die keine getrennten Faktoren f\u00fcr hei\u00dfe und k\u00fchle exekutive Funktionen finden. Der eigenst\u00e4ndige Verlauf ist damit eine begr\u00fcndete Annahme, kein gesicherter Befund.<\/p>\n<p>Ob diese Verl\u00e4ufe auf Reifung, auf kumulierte Erfahrung oder auf beides zur\u00fcckgehen, ist mit \u00fcberwiegend querschnittlichen Daten nicht zu entscheiden (siehe oben zu Bayard et al., 2021). F\u00fcr das Modell gen\u00fcgt der deskriptive Befund: Durch Fachwissen in einem einzelnen Gebiet lassen sich diese Anteile nicht aufwiegen. Ein Kind, das in einer Sache viel wei\u00df, kann darum plausible Fehler in dieser Sache durchaus finden und dennoch nicht die Selbststeuerung mitbringen, die Stufe 3 verlangt.<\/p>\n<p>Das Alter setzt den Selbstregulationsanteilen deshalb eine Erwartung, keine Grenze: Es macht bestimmte Auspr\u00e4gungen unwahrscheinlich, sagt \u00fcber die einzelne Person aber wenig und taugt nicht als Zuordnungsregel. Die genannten Befunde beschreiben Gruppenmittel mit erheblicher Streuung zwischen Personen und Aufgaben; sie begr\u00fcnden die Reihenfolge der Stufen, ersetzen aber keine individuelle Einsch\u00e4tzung.<\/p>\n\n<h2>Abgrenzung zu verwandten Modellen<\/h2>\n<p>Verwandte Modelle liegen vor. Rowe (2026) staffelt im GRAIT-Modell den KI-Zugang nach nachgewiesener Bereitschaft in der Sache (Wissen, Fertigkeit, epistemisches Verst\u00e4ndnis, KI-Kompetenz) und unterscheidet drei Phasen: unabh\u00e4ngige Kognition ohne KI, geteilte Kognition und schlie\u00dflich ausgelagerte und umverteilte Kognition. Die Leitfrage ist dieselbe wie hier.<\/p>\n<p>Praktisch am weitesten verbreitet ist die AI Assessment Scale (Perkins et al., 2024), die den zul\u00e4ssigen KI-Einsatz in f\u00fcnf Stufen von \u201ekein KI-Einsatz\u201c bis \u201evollst\u00e4ndiger KI-Einsatz\u201c staffelt und vor allem der Transparenz und Pr\u00fcfungsintegrit\u00e4t dient; in der \u00fcberarbeiteten Fassung (Perkins et al., 2025) sind die Stufen neu benannt und ausdr\u00fccklich nicht mehr hierarchisch gemeint. Bezugsgr\u00f6\u00dfe bleibt in beiden Fassungen die Aufgabe oder das Pr\u00fcfungsformat, nicht die Person; dieselbe Einstufung gilt f\u00fcr alle Lernenden einer Kohorte.<\/p>\n<p>Molenaar (2022b) beschreibt unter dem Begriff der hybriden Intelligenz, wie sich Erkennen, Diagnostizieren und Handeln zwischen Lehrkraft und Technik verteilen, und staffelt diese Verteilung in sechs Grade der Automatisierung; in einer zweiten Arbeit (Molenaar, 2022a) macht sie daraus eine normative Forderung: Adaptive Lernumgebungen \u00fcbernehmen die Regulation von 10- bis 14-J\u00e4hrigen, was die Entwicklung ihrer Selbstregulation gef\u00e4hrdet, weshalb die Kontrolle schrittweise zur\u00fcckzugeben ist. Diesen Gedanken teilt das SKILL-Modell; Molenaars Arbeiten sind ihm am n\u00e4chsten. Drei Unterschiede bleiben: Molenaar bestimmt die R\u00fcckgabe der Kontrolle \u00fcber den Automatisierungsgrad des Systems, SKILL \u00fcber eine in vier Teilkompetenzen aufgeschl\u00fcsselte, gegenstandsgebundene Kompetenz der Person; Molenaar betrachtet die adaptive Lernumgebung, SKILL das Zusammenspiel von Werkzeug und Lehrkraft als gemeinsam zu verteilende Gr\u00f6\u00dfe; und Molenaars Stufung ist beschreibend, w\u00e4hrend SKILL daraus eine Auswahlregel f\u00fcr Werkzeuge ableitet. Die Verteilung von Unterst\u00fctzung auf mehrere Instanzen ist zudem als verteiltes Scaffolding beschrieben (Puntambekar &amp; H\u00fcbscher, 2005), und Tabak (2004) hat mit dem Begriff der Synergie gefasst, dass Software und Lehrkraft dieselbe Lernbed\u00fcrftigkeit adressieren und sich wechselseitig verst\u00e4rken k\u00f6nnen.<\/p>\n<p>Das ICAP-Modell (Chi &amp; Wylie, 2014) ordnet Lernaktivit\u00e4ten nach dem Grad der Beteiligung von passiv \u00fcber aktiv und konstruktiv bis interaktiv und sagt in dieser Reihenfolge steigende Lernergebnisse voraus; eine KI, die fertige L\u00f6sungen liefert, verschiebt Lernende nach dieser Ordnung von konstruktiv nach passiv, wobei diese \u00dcbertragung auf generative KI eine Ableitung ist und nicht gepr\u00fcft. TPACK (Mishra &amp; Koehler, 2006) und das SAMR-Modell (in der Beschreibung von Hamilton et al., 2016) beschreiben das Wissen der Lehrkraft beziehungsweise den Grad der technologischen Ver\u00e4nderung einer Aufgabe; beide bestimmen den Lenkungsgrad eines Werkzeugs nicht. SAMR liegt keine begutachtete Prim\u00e4rpublikation zugrunde, und es wird wegen fehlender Kontextsensitivit\u00e4t, seiner Hierarchieannahme und seiner Produktorientierung kritisiert (Hamilton et al., 2016).<\/p>\n<p>Das SKILL-Modell setzt an drei Stellen anders an. Die Bezugsgr\u00f6\u00dfe ist die Kompetenz, KI lernwirksam zu nutzen, aufgeschl\u00fcsselt in vier Teilkompetenzen und teilweise gegenstandsgebunden: Dieselbe Person kann in einem vertrauten Fach die Obergrenze aussch\u00f6pfen, die ihre bereichs\u00fcbergreifenden Anteile setzen, und in einem neuen Gebiet auf Stufe 1 zur\u00fcckfallen, w\u00e4hrend der umgekehrte Sprung nicht vorgesehen ist. Gegen\u00fcber aufgabenbezogenen Rahmen wie der AI Assessment Scale bleibt entscheidend, dass die Zuordnung personenbezogen erfolgt und innerhalb einer Kohorte variiert. Lenkung wird zudem als Zusammenspiel von Werkzeug und Lehrkraft gefasst und an eine Stufenentscheidung gekoppelt.<\/p>\n<p>Die Unterscheidung der beiden Quellen ist nicht neu: Saye und Brush (2002) trennen fest im Werkzeug verankerte Ger\u00fcste (hard scaffolds), die vorab geplant sind und f\u00fcr alle gleich wirken, von situativ erzeugten Ger\u00fcsten der Lehrkraft (soft scaffolds), die diagnostisch reicher, aber knapp sind; das verteilte Scaffolding und Tabaks Synergiebegriff beschreiben ihr Zusammenwirken. Neu ist die normative Wendung: Fehlende Lenkung im Werkzeug muss in der Situation von der Lehrkraft hergestellt werden, und weil personelle Lenkung nur punktuell verf\u00fcgbar ist, begrenzt sie, welche Werkzeuge in welchem Setting vertretbar sind. Aus einer Beschreibung wird eine Auswahlregel. Und Lenkung wird in drei Hebel zerlegt, sodass sich Werkzeuge beschreiben lassen, die etwa vollst\u00e4ndige Kontextualisierung mit geringer Hilfedichte verbinden; eine Stufenlogik ohne Hebel kann diese Kombination nicht abbilden. Die Trennung ist analytisch und in einer Richtung asymmetrisch: Kontextualisierung ohne Leitplanken ist ohne Weiteres herstellbar, belastbare Leitplanken setzen dagegen eine Einbettung auf Anwendungsebene voraus (Abschnitt \u201eBegriffskl\u00e4rung\u201c). Ob sich die drei Hebel empirisch unabh\u00e4ngig variieren lassen, ist offen und im Forschungsteil als eigene Frage gef\u00fchrt.<\/p>\n<p>GRAIT staffelt dagegen entlang erreichter Meilensteine im Curriculum und bezieht ein, ob Lernende die Ausgabe schon bewerten k\u00f6nnen, reguliert aber den Zugang zur Technik als Ganzes. Molenaars Automatisierungsgrade lassen sich innerhalb der SKILL-Stufen als Beschreibung der Regulationsverteilung nutzen. Was das Modell nicht leistet: Es enth\u00e4lt kein Diagnoseinstrument f\u00fcr die Stufenzuordnung und ist empirisch nicht gepr\u00fcft.<\/p>\n\n<h2>Teilkompetenzen<\/h2>\n<p>Die Kompetenz, KI lernwirksam zu nutzen, ist situations- und gegenstandsgebunden. Vier Teilkompetenzen bestimmen sie; sie lassen sich unabh\u00e4ngig vom Lernergebnis erfassen und halten die Bezugsgr\u00f6\u00dfe des Modells damit pr\u00fcfbar:<\/p>\n<ul>\n  <li><strong>Fachwissen in der Sache.<\/strong> Wer wenig \u00fcber das Thema wei\u00df, kann die fachliche Qualit\u00e4t einer Antwort nicht beurteilen und \u00fcbersieht plausible Fehler (Kalyuga, 2007; Kirschner et al., 2006). Wer die schriftliche Division noch nicht sicher beherrscht, sieht einer sauber gesetzten, aber falschen Rechnung die Fehlstelle nicht an. Erfassbar \u00fcber Vortests, unabh\u00e4ngig vom KI-Einsatz.<\/li>\n  <li><strong>Kritische KI-Kompetenz.<\/strong> Grenzen des Werkzeugs, erfundene Angaben und gef\u00e4llige Antworten erkennen und Ausgaben systematisch pr\u00fcfen. Die Kompetenzrahmen der UNESCO (2024) sowie von OECD und Europ\u00e4ischer Kommission (2026) f\u00fchren diese F\u00e4higkeit als wesentlichen Bestandteil von KI-Bildung; Ng et al. (2021) unterscheiden Kennen, Anwenden, Bewerten und ethisches Reflektieren. Erfassbar vor dem Einsatz an standardisiertem Material, und zwar in zwei getrennten Anteilen: fachliche Fehlererkennung in einem Gebiet, dessen Vorwissen separat erhoben und statistisch kontrolliert wird, sowie quellen- und formbezogene Pr\u00fcfindikatoren, die kein Fachwissen verlangen, etwa das Erkennen zustimmender Anpassung an die Fragestellung (Sharma et al., 2024), erfundener Belegangaben und fehlender Herkunft der Ausgabe. Ohne diese Trennung misst der Indikator im Wesentlichen Fachwissen; die Abgrenzung gegen\u00fcber dem Vorwissenstest ist vor der konfirmatorischen Analyse zu berichten.<\/li>\n  <li><strong>Selbstregulation.<\/strong> Wer selbstreguliert lernt, bereitet sich vor, beobachtet sich beim Arbeiten und schaut anschlie\u00dfend zur\u00fcck (Zimmerman, 2002), gest\u00fctzt auf Zielsetzung und Selbstwirksamkeit. F\u00fcr den KI-Einsatz hei\u00dft das: entscheiden k\u00f6nnen, wann die KI als Denkpartner sinnvoll ist und wann nicht. Dazu geh\u00f6rt die Impulskontrolle, die L\u00f6sung nicht sofort abzurufen. Sie greift auf inhibitorische Kontrolle zur\u00fcck, die zu den exekutiven Funktionen z\u00e4hlt; exekutive Funktionen sind fr\u00fch angelegt, verst\u00e4rken sich aber \u00fcber Kindheit und Jugend hinweg weiter, wobei ihre Komponenten unterschiedlich verlaufen (Best &amp; Miller, 2010). Anspruchsvoll ist hier weniger das Unterdr\u00fccken eines Impulses in einer neutralen Aufgabe, wie es die klassischen Verfahren erfassen, als das Zur\u00fcckstellen einer verf\u00fcgbaren und unmittelbar erfolgreichen Handlung zugunsten eines Lernziels, das erst sp\u00e4ter sichtbar wird; diese Anforderung enth\u00e4lt eine motivationale Komponente, die die \u00fcblichen Ma\u00dfe exekutiver Funktionen nicht abbilden. Dazu geh\u00f6rt die adaptive Hilfesuche, von Newman (2002) als Strategie der Selbstregulation gefasst, die auf k\u00fcnftige Selbstst\u00e4ndigkeit zielt: einen Hinweis statt der L\u00f6sung anfordern, und nur so viel wie n\u00f6tig; dass Lernende Hilfe erst nach einem eigenen Versuch abrufen sollten und dies regelm\u00e4\u00dfig verfehlen, ist f\u00fcr Tutorsysteme dokumentiert (Aleven et al., 2016). Fan et al. (2025) zeigen, dass sich gerade diese Prozesse unter freier KI-Nutzung verschieben. Erfassbar \u00fcber verhaltensnahe Prozessdaten aus KI-fernen Aufgaben, etwa Zeitverteilung, Wiederholungswahl und Hilfeanforderung nach einem eigenen Versuch, nicht am Verlauf des laufenden Einsatzes; Selbstausk\u00fcnfte kommen erg\u00e4nzend hinzu, gen\u00fcgen allein aber nicht, weil sie mit verhaltensnahen Ma\u00dfen nur schwach \u00fcbereinstimmen (Rovers et al., 2019).<\/li>\n  <li><strong>Sprachliche und kognitive Voraussetzungen.<\/strong> Eine Frage pr\u00e4zise formulieren, eine l\u00e4ngere Antwort lesen und im Arbeitsged\u00e4chtnis halten, Kontext bereitstellen. Eine lange KI-Antwort belastet das Arbeitsged\u00e4chtnis zus\u00e4tzlich zur Aufgabe; bei geringem Vorwissen fehlen die Schemata, die diese Last auffangen (Sweller et al., 2019). Ein Kind der dritten Klasse tippt \u201ewarum ist das falsch\u201c, bekommt acht S\u00e4tze zur\u00fcck und liest ab dem dritten nicht mehr mit. Die Antwort war fachlich richtig, hat dem Kind aber nicht geholfen. Sprachliche Fertigkeiten und Arbeitsged\u00e4chtnis werden hier geb\u00fcndelt, weil sie im KI-Dialog denselben Engpass bilden, die Verarbeitung der Antwort; f\u00fcr die Modellpr\u00fcfung sind sie getrennt zu erheben. Erfassbar \u00fcber Lese- und Formulierungsproben sowie eine Arbeitsged\u00e4chtnisspanne.<\/li>\n<\/ul>\n<p>Wer in einem oder mehreren dieser Bereiche am Anfang steht, braucht mehr Lenkung. Diese Lernenden stellen die n\u00f6tige Struktur nicht selbst her: Sie geben der KI keine Rolle vor und liefern ihr keinen Fachkontext, weil sie noch nicht wissen, dass beides den Unterschied macht. Mit wachsender Kompetenz kehrt sich die Anforderung um. Dann st\u00f6rt redundante Struktur, und das Werkzeug muss sich \u00f6ffnen lassen. F\u00fcr die Stufenzuordnung in der Praxis legt dieser Beitrag vorl\u00e4ufig die niedrigste Teilkompetenz zugrunde (Minimum-Regel): Eine einzelne fehlende Voraussetzung, etwa geringe Impulskontrolle bei hohem Fachwissen, wird dann nicht durch die \u00fcbrigen aufgewogen. Die Regel ist eine konservative Entscheidungsheuristik, kein Bestandteil der Grundannahme. Ob die vier Teilkompetenzen tats\u00e4chlich jede f\u00fcr sich notwendig sind oder einander teilweise ersetzen k\u00f6nnen, ist offen und im Forschungsteil als eigene Frage benannt. Konservativ ist die Regel, weil sie im Zweifel mehr Lenkung vorsieht. Ihr Preis ist, dass eine kleine Ver\u00e4nderung in einer einzelnen Teilkompetenz die Zuordnung kippen kann, obwohl Kompetenz und Lenkung stetige Gr\u00f6\u00dfen sind; in der Praxis wird das abgefedert, indem die Hebel innerhalb der Stufe unterschiedlich eingestellt werden. Wie sich die vier Teilkompetenzen \u00f6konomisch erfassen lassen, ist offen (Abschnitt \u201eGrenzen und offene Fragen\u201c).<\/p>\n\n<h2>Vorfrage: ob KI in dieser Lernsituation gebraucht wird<\/h2>\n<p>Das Modell hat zwei Schritte. Der erste ist die Vorfrage, ob KI in dieser Lernsituation \u00fcberhaupt einen Beitrag leistet; erst wenn sie bejaht wird, folgt als zweiter Schritt die Wahl der Stufe. Die Vorfrage ist damit Bestandteil des Modells, nicht sein Vorspann, und \u201ekein KI-Einsatz\u201c ist eine seiner regul\u00e4ren Antworten. Ohne diese Stellung k\u00f6nnte das Modell so gelesen werden, als sei der Einsatz gesetzt und nur noch die Dosierung offen. Viele Lernziele werden aber ohne KI besser erreicht: weil die T\u00e4tigkeit, die die KI \u00fcbernehmen w\u00fcrde, das ist, was ge\u00fcbt werden soll, oder weil Material, Gespr\u00e4ch und eigenes Probieren ausreichen. Ein Kind, das Zahlen zerlegt, braucht Pl\u00e4ttchen und eine Frage, keinen Chatbot. Die Vorfrage ist der Stufenlogik deshalb vorgelagert: Nur wenn sie bejaht wird, stellt sich die Frage nach der passenden Stufe. Wird sie bejaht und sind die Voraussetzungen gering, f\u00fchrt das zu Stufe 1; h\u00e4ufig f\u00e4llt die Vorfrage aber schon negativ aus. International kommt die OECD (2026) in ihrer Synthese der vorliegenden Evidenz zu demselben Schluss: Generative KI unterst\u00fctzt Lernen, wenn klare didaktische Prinzipien sie f\u00fchren; wird die Aufgabe ohne p\u00e4dagogische Rahmung an sie ausgelagert, steigt die Leistung, ohne dass Lernen entsteht.<\/p>\n<p>Das gilt altersunabh\u00e4ngig, hat aber in der Grundschule besonderes Gewicht. Dort entstehen die Grundlagen, an denen sich sp\u00e4ter jede KI-Antwort messen lassen muss: Lesen, Schreiben, Zahlvorstellungen, erste Erfahrungen mit dem eigenen Denken und seinen Fehlern. Die Entwicklungsbefunde zu Monitoring und epistemischer Wachsamkeit st\u00fctzen die Zur\u00fcckhaltung, die die SWK (2024) f\u00fcr diese Phase empfiehlt. Auf Stufe 1 bleibt der Einsatz auf wenige, klar umrissene Situationen begrenzt: solche, in denen ein eingebettetes Werkzeug etwas leistet, das anders nicht zu haben ist, etwa geduldige R\u00fcckmeldung zum eigenen L\u00f6sungsweg, sprachliche Entlastung oder Zug\u00e4nge f\u00fcr Kinder mit Beeintr\u00e4chtigungen. F\u00fcr die \u00fcbrigen Lernsituationen gen\u00fcgt der regul\u00e4re Unterricht.<\/p>\n<p>Vor der didaktischen Entscheidung steht zudem eine rechtliche. Frei zug\u00e4ngliche Chatbots setzen in ihren Nutzungsbedingungen ein Mindestalter voraus, in der Regel 13 Jahre oder das im Land geltende Mindestalter, f\u00fcr Minderj\u00e4hrige teils nur mit Erlaubnis der Sorgeberechtigten oder \u00fcber elterlich verwaltete Konten; f\u00fcr einwilligungsbasierte Dienste gilt daneben Art. 8 DSGVO, in Deutschland mit einer Altersgrenze von 16 Jahren. In der Grundschule scheidet die Nutzung mit eigenem Konto damit aus. F\u00fcr den Einsatz in der Schule gelten die Vorgaben der DSGVO und der L\u00e4nder zur Auftragsverarbeitung.<\/p>\n<p>Die KI-Verordnung der EU (Europ\u00e4ische Union, 2024) betrifft Schulen in vier Punkten. Erstens ist der Einsatz von KI-Systemen zur Ableitung von Emotionen in Bildungseinrichtungen seit dem 2. Februar 2025 verboten (Art. 5 Abs. 1 Buchst. f); erfasst sind Systeme, die Emotionen oder Absichten aus biometrischen Daten ableiten (Art. 3 Nr. 39), ausgenommen solche aus medizinischen Gr\u00fcnden oder Sicherheitsgr\u00fcnden. Zweitens m\u00fcssen Anbieter und Betreiber Ma\u00dfnahmen ergreifen, um die KI-Kompetenz ihres Personals und der in ihrem Auftrag mit Betrieb und Nutzung befassten Personen zu f\u00f6rdern (Art. 4); die Pflicht adressiert die Schule als Betreiberin, nicht die Lernenden.<\/p>\n<p>Drittens gelten Systeme, die \u00fcber Zugang, Zulassung oder Zuweisung entscheiden, Lernergebnisse bewerten, das angemessene Bildungsniveau einer Person beurteilen oder Pr\u00fcfungen \u00fcberwachen, als Hochrisikosysteme (Anhang III Nr. 3 Buchst. a bis d; Art. 6 Abs. 3 nimmt Systeme ohne erhebliches Risiko aus, Systeme mit Profiling nat\u00fcrlicher Personen gelten aber stets als hochriskant). Die Pflichten f\u00fcr diese Hochrisikosysteme greifen nach der \u00c4nderungsverordnung (EU) 2026\/1744 vom 8. Juli 2026 erst ab dem 2. Dezember 2027, f\u00fcr Anhang-I-Systeme ab dem 2. August 2028; dieselbe Verordnung hat die Pflicht aus Art. 4 von einem sicherzustellenden Kenntnisstand auf eine Ma\u00dfnahmenpflicht zur\u00fcckgenommen (Europ\u00e4ische Union, 2026). Viertens gelten seit dem 2. August 2026 die Transparenzpflichten des Art. 50: Anbieter m\u00fcssen KI-Systeme, die unmittelbar mit Personen interagieren, so gestalten, dass diese \u00fcber die Interaktion informiert werden. Die Kennzeichnungspflicht der Betreiber nach Art. 50 Abs. 4 ist enger, als oft angenommen: Sie greift bei Bild-, Ton- und Videoinhalten nur f\u00fcr Deepfakes und bei Texten nur, wenn diese ver\u00f6ffentlicht werden, um die \u00d6ffentlichkeit \u00fcber Angelegenheiten von \u00f6ffentlichem Interesse zu informieren, und auch dort nicht, wenn der Inhalt redaktionell verantwortet ist. F\u00fcr KI-gest\u00fctzt erstelltes Unterrichtsmaterial folgt daraus keine gesetzliche Kennzeichnungspflicht; f\u00fcr den Unterricht hei\u00dft Art. 50 vor allem, gegen\u00fcber den Lernenden offenzulegen, wenn sie mit einem KI-System arbeiten.<\/p>\n<p>F\u00fcr das Modell hei\u00dft das: Diese Schranken kn\u00fcpfen am Alter an, nicht an der Kompetenz, und sind der Stufenlogik \u00e4u\u00dferlich. Wo sie greifen, in der Grundschule und weitgehend in der Sekundarstufe I, ist die eingebettete L\u00f6sung h\u00e4ufig die einzige zul\u00e4ssige, weil die Lehrkraft rechtliche Anforderungen nicht durch Begleitung ersetzen kann. F\u00fcr Erwachsene, die in einem neuen Fachgebiet auf Stufe 1 stehen, ist die Werkzeugwahl allein eine didaktische.<\/p>\n\n<h2>Begriffskl\u00e4rung: didaktische Lenkung<\/h2>\n<p><strong>Didaktische Lenkung<\/strong> bezeichnet in diesem Beitrag alles, was den Handlungsspielraum der Lernenden im Sinne des Lernziels formt. Der Begriff ist weiter gefasst als der Begriff <em>guidance<\/em> der Instruktionsforschung (Kirschner et al., 2006; Lazonder &amp; Harmsen, 2016), der gegebene Unterst\u00fctzung meint; er schlie\u00dft hier zus\u00e4tzlich das gezielte Zur\u00fcckhalten von Information ein. Neu ist dieser zweite Anteil nicht: Reiser (2004) unterscheidet innerhalb des Scaffolding das Strukturieren, das Komplexit\u00e4t senkt, vom Problematisieren, das Lernende gezielt auf Schwierigkeiten st\u00f6\u00dft, statt sie zu umgehen; beide Mechanismen setzen etwas hinzu. Leitplanken arbeiten anders: Sie entziehen eine verf\u00fcgbare Handlungsm\u00f6glichkeit. Sie sind damit die werkzeugseitige Antwort auf das Assistance Dilemma (Koedinger &amp; Aleven, 2007) und auf die Frage, wie sich die Phase des eigenen Ringens sch\u00fctzen l\u00e4sst, die Kapur (2016) vom Lernergebnis her begr\u00fcndet. Neu ist, dass dieses Zur\u00fcckhalten als eigener, unabh\u00e4ngig einstellbarer Hebel gef\u00fchrt wird. Die Effektst\u00e4rken der genannten Metaanalysen beziehen sich gleichwohl auf gegebene Unterst\u00fctzung und lassen sich auf das Zur\u00fcckhalten nicht \u00fcbertragen. Daraus folgt eine Asymmetrie in der Belegbasis: F\u00fcr Scaffolding liegen metaanalytische Effektsch\u00e4tzungen vor (Belland et al., 2017; Lazonder &amp; Harmsen, 2016). F\u00fcr Kontextualisierung als eigenst\u00e4ndigen Hebel fehlt eine solche Sch\u00e4tzung; sie wird aus der Literatur zu Vorwissen und Lenkung abgeleitet. F\u00fcr Leitplanken als gezieltes Zur\u00fcckhalten st\u00fctzt sich das Modell auf zwei Einzelstudien in je eigenen Kontexten (Bastani et al., 2025; Bu\u00e7inca et al., 2021). Zwei der drei Hebel sind damit nur schwach belegt, und der Hebel, auf dem Stufe 1 beruht, am schw\u00e4chsten.<\/p>\n<p>Eine dritte Studie pr\u00fcft den Kontrast unmittelbar: Bassner et al. (2026) verglichen in einem randomisierten Experiment mit 275 Studierenden eines Programmier-Grundkurses einen Tutor mit gestuften Hinweisen und zur\u00fcckgehaltener L\u00f6sung, unbeschr\u00e4nktes ChatGPT und eine Bedingung ohne KI. Beide KI-Bedingungen f\u00fchrten zu besseren \u00dcbungsergebnissen und weniger Frustration, w\u00e4hrend sich der KI-freie Wissenstest zwischen allen drei Bedingungen nicht unterschied. Der Befund wiederholt die Trennung von Leistung und Lernen, st\u00fctzt aber nicht die Erwartung, dass Leitplanken im KI-freien Ma\u00df einen Vorteil erzeugen. Er wurde unmittelbar nach einer 90-min\u00fctigen Sitzung an einer hochschulischen Stichprobe erhoben, also nicht in dem Kompetenzbereich, f\u00fcr den das Modell den Vorteil vorhersagt; die Beweislast verschiebt er dennoch zulasten der Grundannahme.<\/p>\n<p>In dieselbe Richtung weist ein randomisiertes Experiment mit 334 Studierenden, die einen Lehrbuchtext 25 Minuten lang bearbeiteten und anschlie\u00dfend ohne KI und ohne Text gepr\u00fcft wurden: Gegen\u00fcber der Gruppe ohne Zugang schnitt die Gruppe mit unbeschr\u00e4nktem Zugang zu einem KI-Tutor um 0,34 Standardabweichungen besser ab, w\u00e4hrend sich der beschr\u00e4nkte Zugang, KI erst nach eigenst\u00e4ndigem Lesen, nicht signifikant von der Gruppe ohne Zugang unterschied; der direkte Vergleich beider KI-Bedingungen fiel mit 0,21 Standardabweichungen zugunsten des unbeschr\u00e4nkten Zugangs aus und verfehlte die Signifikanz knapp (Fischer et al., 2025; Preprint). Der Befund spricht nicht gegen Leitplanken, l\u00e4sst den erwarteten Vorteil aber offen; auch hier fehlt ein verz\u00f6gerter Nachtest, und die Stichprobe ist hochschulisch. Der Begriff der didaktischen Lenkung ist dem Sammelwort \u201eVorstrukturierung\u201c vorzuziehen, weil er drei Dinge unterscheidbar macht, die bei KI-Werkzeugen analytisch getrennt sind:<\/p>\n<table class=\"begriffe\">\n  <thead><tr><th style=\"width:24%\">Hebel<\/th><th>Was er tut<\/th><th style=\"width:34%\">Beispiel<\/th><\/tr><\/thead>\n  <tbody>\n    <tr><td><strong>Scaffolding<\/strong><br><span style=\"opacity:.7\">adaptive Hilfe<\/span><\/td><td>Gestufte Hinweise, R\u00fcckfragen und R\u00fcckmeldungen, die sich am aktuellen Stand orientieren und zur\u00fcckgenommen werden, sobald sie nicht mehr n\u00f6tig sind (Fading).<\/td><td>Der Tutor fragt erst \u201eWas ist gesucht?\u201c, dann \u201eWelche Angaben brauchst du?\u201c, bevor er einen Rechenweg andeutet.<\/td><\/tr>\n    <tr><td><strong>Leitplanken<\/strong><br><span style=\"opacity:.7\">Guardrails<\/span><\/td><td>Feste Grenzen dessen, was die KI tut oder nicht tut. Sie sch\u00fctzen den L\u00f6sungsprozess, wenn er selbst Lernziel ist.<\/td><td>Die KI gibt keine Endergebnisse aus, bevor ein eigener Versuch vorliegt; sie bleibt beim Thema.<\/td><\/tr>\n    <tr><td><strong>Kontextualisierung<\/strong><br><span style=\"opacity:.7\">Einbettung von Aufgabe und Rolle<\/span><\/td><td>Lernziel, Aufgabe, fachlicher Hintergrund und die Rolle der KI sind im Werkzeug hinterlegt und m\u00fcssen nicht von der Person hergestellt werden.<\/td><td>Ein Sachrechen-Tutor kennt die Aufgabe, die Klassenstufe und typische Fehlvorstellungen.<\/td><\/tr>\n  <\/tbody>\n<\/table>\n<p>Bei Leitplanken sind zwei Dimensionen zu trennen: was sie didaktisch verlangen, etwa keine L\u00f6sung vor einem eigenen Versuch, und wie verl\u00e4sslich sie technisch durchgesetzt werden. Die erste Dimension ist der Hebel der Lenkung; die zweite entscheidet, ob ein Werkzeug Stufe 1 erm\u00f6glicht. In dieser zweiten Dimension sind Leitplanken unterschiedlich belastbar. Eine im Systemprompt hinterlegte Rolle l\u00e4sst sich im Gespr\u00e4ch aushebeln: Sprachmodelle sind auf Hilfsbereitschaft trainiert und geben L\u00f6sungen preis, wenn Lernende dr\u00e4ngen, Autorit\u00e4t behaupten oder das Thema wechseln. Zhao et al. (2026) zeigen das systematisch: Ein eigens auf das Umgehen p\u00e4dagogischer Vorgaben feinabgestimmter simulierter Lernender entlockt g\u00e4ngigen KI-Tutoren in mehrschrittigen Dialogen die L\u00f6sung, mit erheblichen Unterschieden zwischen den Modellen; rein kontextbasierte Versuche ohne solche Feinabstimmung scheitern h\u00e4ufiger, und einfache Schutzma\u00dfnahmen senken die Quote, beseitigen sie aber nicht. Die Studie beziffert die obere Grenze der Angreifbarkeit; wie leicht Lernende im Unterricht diese Grenzen verschieben, ist nicht untersucht.<\/p>\n<p>Verl\u00e4sslich wirken Grenzen, die au\u00dferhalb des Dialogs liegen, etwa eine Freigabe des Endergebnisses erst nach einem eigenen Versuch, ein begrenzter Antwortraum oder eine Pr\u00fcfung der Ausgabe vor der Anzeige. Bu\u00e7inca et al. (2021) zeigen in einem Entscheidungsexperiment mit 199 Erwachsenen, dass ein erzwungenes eigenes Urteil vor der KI-Ausgabe die \u00dcbernahme falscher Vorschl\u00e4ge deutlicher verringert als blo\u00dfe Erkl\u00e4rungen. F\u00fcr die \u00dcbertragung ist der Befund dreifach eingeschr\u00e4nkt. Erstens beruht er auf einer einzelnen Online-Stichprobe an einer Alltagsaufgabe ohne Lernziel. Zweitens bewerteten die Teilnehmenden gerade die Gestaltungen am schlechtesten, die die \u00dcbernahme falscher Vorschl\u00e4ge am st\u00e4rksten senkten. Drittens n\u00fctzten diese Gestaltungen vor allem Personen mit hoher Bereitschaft zur kognitiven Anstrengung. Ausgerechnet die Gruppe, der Stufe 1 solche Zw\u00e4nge zumutet, k\u00f6nnte also am wenigsten davon profitieren; ob sich der Befund auf Lernaufgaben und Kinder \u00fcbertr\u00e4gt, ist ungepr\u00fcft.<\/p>\n<p>Anbieterseitige Lernmodi wie der Study Mode in ChatGPT oder Guided Learning in Gemini sollen das Verhalten in die didaktisch gew\u00fcnschte Richtung verschieben, garantieren die Grenzen aber nicht; f\u00fcr die Gemini-Variante liegt eine Darstellung des Anbieters vor (LearnLM Team, 2024). Zu Guided Learning berichtet Google DeepMind (2026) eine pr\u00e4registrierte randomisierte Feldstudie \u00fcber acht Wochen mit 1763 Lernenden der Sekundarstufe I an zw\u00f6lf Schulen in Sierra Leone und einen Effekt von 0,26 Standardabweichungen auf die Mathematikleistung; nach Angaben des Berichts erreichten 69 Prozent der Lernenden die Nutzungsvorgaben, eine getrennte Angabe von Zuweisungs- und Nutzungseffekt fehlt; die Studie stammt vom Anbieter, ist nicht begutachtet, und der Bericht nennt nicht, was die Vergleichsklassen erhielten; verglichen wurde eine lehrkraftgef\u00fchrte Lektionsreihe mit regul\u00e4rem Unterricht, sodass die Studie den hier interessierenden Kontrast zwischen gelenkter und offener Nutzung nicht pr\u00fcft. Eine anbieterunabh\u00e4ngige Pr\u00fcfung der Lernwirkung dieser Modi steht aus. Maurya et al. (2025) haben im Benchmark MRBench die Antworten aktueller Sprachmodelle mit denen erfahrener und unerfahrener menschlicher Tutorinnen und Tutoren verglichen und 1596 Einzelantworten aus 192 Dialogen entlang acht p\u00e4dagogischer Dimensionen bewertet: Die Systeme erkennen Fehler, verorten sie und geben Hinweise, ohne die L\u00f6sung preiszugeben, aber sehr unterschiedlich verl\u00e4sslich, und keines erreicht \u00fcber alle acht Dimensionen hinweg das Niveau erfahrener Tutorinnen und Tutoren, wobei die Arbeit auch bei den menschlichen Vergleichsgruppen L\u00fccken feststellt. Ein Lernmodus l\u00e4sst sich zudem abschalten oder durch einen zweiten Zugang umgehen.<\/p>\n<p>Auf Stufe 1 m\u00fcssen die Leitplanken deshalb belastbar sein, also au\u00dferhalb des Dialogs verankert: entweder auf Anwendungsebene oder dadurch, dass die Lehrkraft den Dialog selbst f\u00fchrt und die Ausgabe pr\u00fcft, bevor sie die Lernenden erreicht. Eine per Prompt oder Modus gesetzte Rolle, die die Lernenden selbst bedienen, bleibt im Dialog aushebelbar und reicht nur f\u00fcr Stufe 2. Belastbare Leitplanken setzen damit eine Einbettung auf Anwendungsebene oder eine durchg\u00e4ngige personelle Vermittlung voraus; die drei Hebel sind analytisch getrennt, in der Praxis aber nur teilweise unabh\u00e4ngig.<\/p>\n<p>Der Lenkungsgrad eines Werkzeugs ergibt sich aus dem Zusammenspiel der drei Hebel. Die Hebel skalieren Dichte und Reichweite der Hilfen; ihre Kontingenz ist keine Stufengr\u00f6\u00dfe, sondern auf allen Stufen Qualit\u00e4tsmerkmal. Damit diese Festlegung nicht gegen Widerlegung abschirmt, ist Kontingenz vor einer Erhebung an Merkmalen des Werkzeugs zu bestimmen, unabh\u00e4ngig vom Lernergebnis. Kontingenz betrifft dabei allein Umfang und Inhalt der Hilfe: Sie richtet sich nach einem im Dialog beobachtbaren Indikator des Bearbeitungsstands, etwa der Art des Fehlers, der Zahl der Versuche oder der angeforderten Hinweisstufe, nicht nach einem festen Ablauf, und eine Regel f\u00fcr ihre R\u00fccknahme ist hinterlegt und im Protokoll nachweisbar ausgel\u00f6st. Ob \u00fcberhaupt erst nach einem eigenen Versuch geholfen wird, geh\u00f6rt dagegen zum Hebel der Leitplanken und bleibt aus der Kontingenzdefinition ausgeklammert, weil beide Hebel im Forschungsteil gegeneinander gekreuzt werden. Ob eine Bedingung diese Merkmale erf\u00fcllt hat, pr\u00fcft ein Manipulationscheck an den Dialogprotokollen, nicht der Lernerfolg; eine Hilfe, die Fortgeschrittene gebremst hat, darf nicht nachtr\u00e4glich zur nicht-kontingenten erkl\u00e4rt werden. Besteht eine Bedingung den Manipulationscheck und zeigt sich f\u00fcr Fortgeschrittene gleichwohl ein Nachteil, ist das ein Befund gegen die Auffassung, kontingente Hilfe k\u00f6nne nicht bremsen; er ist als solcher zu berichten. Daraus folgt eine Einschr\u00e4nkung der Achse: Weil Scaffolding hier als kontingente Hilfe definiert ist, kann seine Erh\u00f6hung den f\u00fcr Fortgeschrittene erwarteten Nachteil definitionsgem\u00e4\u00df nicht erzeugen; dieser geht auf Leitplanken und Kontextualisierung zur\u00fcck sowie auf Hilfen, die den Modellsinn verfehlen, etwa eine feste Hinweisreihenfolge. F\u00fcr Werkzeuge sind beschreibende Bezeichnungen klarer als \u201evorstrukturiert\u201c: <em>eingebettet<\/em> oder <em>app-integriert<\/em> f\u00fcr KI, die in einer Lernanwendung mit hinterlegter Aufgabe und fester Rolle arbeitet; <em>teiloffen<\/em> f\u00fcr ein offenes Werkzeug, in dem Rolle und Auftrag vorbereitet, aber im Dialog ver\u00e4nderbar sind; <em>offen<\/em> f\u00fcr ein Werkzeug ohne hinterlegte Vorgaben. Diese Bezeichnungen betreffen nur das Werkzeug; wie viel personelle Begleitung hinzukommt, bestimmt erst die Stufe des Einsatzes. Die Achse hei\u00dft bewusst \u201eLenkung\u201c und nicht \u201eUnterst\u00fctzung\u201c: Auch das Ausgeben einer fertigen L\u00f6sung ist eine Unterst\u00fctzung, obwohl sie dem Lernen schadet.<\/p>\n<p>Drei Gr\u00f6\u00dfen sind zu unterscheiden und werden im Folgenden sprachlich getrennt gehalten. Das Kompetenzniveau (gering, mittel, hoch) beschreibt die Person. Der Lenkungsgrad eines Werkzeugs (hoch, mittel, niedrig) beschreibt, wie weit die drei Hebel im Werkzeug eingestellt sind: eingebettet, teiloffen oder offen. Der dritte Hebel hei\u00dft Kontextualisierung, damit \u201eeingebettet\u201c dem Werkzeugtyp vorbehalten bleibt. Die Stufe des Einsatzes (1 Stark gelenkt, 2 Begleitet, 3 Selbstgesteuert) bezeichnet den Passungsbereich: das Kompetenzniveau der Person zusammen mit dem Arrangement aus Werkzeuglenkung und personeller Begleitung, das dazu passt. Die Stufe wird \u00fcber die Person bestimmt; welches Arrangement sie einl\u00f6st, zeigen die Tabellen. Dieselbe Stufe ist deshalb mit verschiedenen Werkzeugen erreichbar, solange die Begleitung den Unterschied ausgleicht; wo im Folgenden \u201eStufe 1\u201c steht, ist die Stufe des Einsatzes gemeint, nicht der Werkzeugtyp.<\/p>\n<p>Auch der Begriff \u201eKI-Kompetenz\u201c braucht eine Pr\u00e4zisierung. Gemeint ist die <strong>lernbezogene KI-Kompetenz in der Sache<\/strong>, also die F\u00e4higkeit, KI bei diesem Gegenstand so zu nutzen, dass eigenes K\u00f6nnen entsteht. Sie ist teilweise gegenstandsgebunden: Fachwissen und, in schw\u00e4cherem Ma\u00df, die kritische Pr\u00fcfung von KI-Ausgaben variieren bei derselben Person von Fach zu Fach. Selbstregulation und die sprachlich-kognitiven Voraussetzungen gelten \u00fcblicherweise als bereichs\u00fcbergreifender. Die neuere Befundlage bewegt sich allerdings in die Gegenrichtung: Exekutive Kontrolle wird zunehmend als ziel- und kontextgebunden beschrieben (Doebel, 2020), metakognitives Monitoring h\u00e4ngt zwischen Arithmetik und Rechtschreibung bei Zweitkl\u00e4sslern noch nicht zusammen, bei Drittkl\u00e4sslern dagegen schon (Bellon et al., 2020; Kohortenvergleich, kein L\u00e4ngsschnitt), und metakognitive Profile unterscheiden sich auch darin, wie weit sie \u00fcber Aufgaben reichen (van Loon &amp; Roebers, 2024). Unter der im Abschnitt \u201eTeilkompetenzen\u201c eingef\u00fchrten Minimum-Regel setzen die bereichs\u00fcbergreifenden Anteile eine Obergrenze, die das Fachwissen im einzelnen Gebiet nur unterschreiten, nicht anheben kann. Diese Obergrenzenannahme steht damit nicht nur unbelegt da, sondern quer zu dieser Entwicklung. Sie wird hier als konservative Arbeitsannahme beibehalten, weil sie im Zweifel mehr Lenkung vorsieht; erweisen sich Selbstregulation und Monitoring als weitgehend gegenstandsgebunden, entf\u00e4llt sie, und die Stufe w\u00e4re f\u00fcr jedes Gebiet getrennt zu bestimmen. Diese Alternative ist mit dem Kompetenzma\u00df der Modellpr\u00fcfung mitzupr\u00fcfen. Im Folgenden hei\u00dft sie kurz lernbezogene KI-Kompetenz. Damit die Definition nicht zirkul\u00e4r wird, bestimmt das Modell die Kompetenz nicht \u00fcber das Lernergebnis, sondern \u00fcber die vier Teilkompetenzen. Vollst\u00e4ndig unabh\u00e4ngig vom Einsatz erfassbar sind davon Fachwissen sowie sprachliche und kognitive Voraussetzungen; kritische KI-Kompetenz und Selbstregulation werden \u00fcber das Verhalten in KI-nahen Situationen erschlossen und sind deshalb vor dem Einsatz an standardisiertem Material zu erheben, nicht am Verlauf des laufenden Einsatzes. Der Begriff KI-Kompetenz wird im Beitrag in drei Bedeutungen gebraucht, die auseinanderzuhalten sind: lernbezogene KI-Kompetenz als Bezugsgr\u00f6\u00dfe des Modells, kritische KI-Kompetenz als eine ihrer Teilkompetenzen und KI-Kompetenz im Sinne von Artikel 4 der KI-Verordnung als F\u00f6rderpflicht der Betreiberinnen und Betreiber.<\/p>\n\n<h2>Lenkung durch Werkzeug und Lehrkraft<\/h2>\n<p>Wie viel Lenkung ein Werkzeug mitbringt, beschreibt zun\u00e4chst nur das Werkzeug. Lenkung kann aber ebenso von Personen kommen, vor allem von der Lehrkraft, die den Einsatz vorbereitet, im Raum begleitet und nachbereitet. Erst beide Quellen zusammen ergeben die Stufe des Einsatzes: Die Stufe beantwortet die Frage, wie viel Lenkung dieses Kind braucht, der Werkzeugtyp die Frage, wie viel Lenkung dieses Programm mitbringt. Sie sind dabei nicht beliebig gegeneinander austauschbar: Lenkung aus dem Werkzeug wirkt kontinuierlich, in jeder Interaktion und auch dann, wenn niemand danebensitzt; Lenkung durch die Lehrkraft ist diagnostisch reicher und flexibler, steht aber nur punktuell und nicht f\u00fcr alle Lernenden gleichzeitig zur Verf\u00fcgung. Fehlt Lenkung im Werkzeug, muss die Lehrkraft sie in dem Moment herstellen, in dem sie gebraucht wird, und nur so lange, wie sie das leisten kann.<\/p>\n<p>Erste Hinweise st\u00fctzen diese Annahme. Die laufend fortgeschriebene, nicht begutachtete Metaanalyse von Strohmaier et al. (2026) zu generativer KI im Mathematiklernen findet in ihrer vierten Fassung auf Basis von 27 Studien einen positiven Gesamteffekt (g = 0,49; Kredibilit\u00e4tsintervall 0,24 bis 0,75, das bayesianische Gegenst\u00fcck zum Konfidenzintervall) und keinen Hinweis auf Publikationsverzerrung. Am deutlichsten unterscheiden sich die Studien darin, ob die KI den regul\u00e4ren Unterricht erg\u00e4nzt oder die Lehrkraft ersetzt; als Erg\u00e4nzung wirkt sie st\u00e4rker. Sp\u00e4tere Fassungen k\u00f6nnen abweichen.<\/p>\n<p>In dieselbe Richtung weist ein randomisierter Feldversuch, in dem nicht die Lernenden, sondern rund 900 Tutorinnen und Tutoren KI-Unterst\u00fctzung erhielten: Ihre 1800 Lernenden beherrschten Themen um vier Prozentpunkte h\u00e4ufiger, bei den zuvor am schlechtesten bewerteten Tutorinnen und Tutoren um neun (Wang et al., 2025; Preprint).<\/p>\n<p>Einen ersten Hinweis darauf, dass Stufe 2 in der Praxis funktioniert, liefert ein randomisierter Feldversuch in Nigeria: Ein generisches, nicht eingebettetes Sprachmodell wurde sechs Wochen lang in einem lehrkraftbegleiteten Nachmittagsprogramm eingesetzt und erbrachte einen Gesamteffekt von 0,31 Standardabweichungen, im Zielfach Englisch 0,23 und in der regul\u00e4ren Englischpr\u00fcfung des dritten Trimesters 0,21 (De Simone et al., 2025); randomisiert wurde auf Sch\u00fclerebene, mit von den Autorinnen und Autoren berichteten \u00dcbertragungseffekten auf die Vergleichsgruppe, und verglichen wurde mit einer Gruppe ohne zus\u00e4tzliche Lerngelegenheit, sodass der Effekt die KI-Nutzung mit zus\u00e4tzlicher Unterrichtszeit vermengt, worauf die Autorinnen und Autoren selbst hinweisen. Der Befund zeigt, dass ein offenes Werkzeug mit dichter Begleitung wirken kann, nicht, dass es dem gelenkten \u00fcberlegen w\u00e4re. Alle drei Befunde betreffen die Verteilung der Lenkung; ob sich Werkzeuglenkung und Begleitung in den hier angenommenen Kombinationen gegeneinander aufrechnen lassen, bleibt offen (Abschnitt \u201eGrenzen und offene Fragen\u201c).<\/p>\n<p>In einer Klasse liegen die Stufen in der Regel nebeneinander. Praktikabel ist dann, das Werkzeug an der niedrigsten vorkommenden Stufe auszurichten und die Begleitung dort zur\u00fcckzunehmen, wo die Lernenden weiter sind, und nicht umgekehrt, weil ein zu offenes Werkzeug f\u00fcr die Unsichersten nicht durch Aufsicht auszugleichen ist.<\/p>\n<p>Auch auf Stufe 1 kann deshalb ein offener Chatbot eingesetzt werden, soweit die rechtlichen Voraussetzungen vorliegen; in der Grundschule regelm\u00e4\u00dfig nur ohne eigenes Konto der Kinder, also \u00fcber einen Zugang der Lehrkraft im Plenum. Dann liegt fast die gesamte Lenkung bei der Lehrkraft. Sie w\u00e4hlt Aufgabe und Ausschnitt, stellt die Anweisung an die KI selbst bereit, arbeitet im Plenum oder in kleinen Gruppen, unterbricht, wenn die KI eine L\u00f6sung vorwegnimmt, und l\u00e4sst die Kinder anschlie\u00dfend ohne KI erkl\u00e4ren, was sie herausgefunden haben. Das ist m\u00f6glich, aber aufwendig, und es funktioniert nur so lange, wie die Lehrkraft tats\u00e4chlich pr\u00e4sent ist. Ein eingebettetes Werkzeug leistet dieselbe Lenkung dauerhaft, auch in der Freiarbeit oder zu Hause. Umgekehrt l\u00e4sst sich ein eingebettetes Werkzeug auf Stufe 3 fast ohne Begleitung nutzen; dort kann seine Struktur allerdings st\u00f6ren. Die Stufe des Einsatzes ergibt sich also aus zwei Fragen: Wie viel Lenkung bringt das Werkzeug mit, und wie viel personelle Begleitung kommt hinzu? Auch hier gibt es keine scharfen Grenzen. Die Begleitung wird Schritt f\u00fcr Schritt zur\u00fcckgenommen, so wie ein Ger\u00fcst nicht auf einmal abgebaut wird.<\/p>\n<p>Personelle Lenkung setzt Einblick voraus. Lehrkraftansichten, die anzeigen, wer feststeckt, wer Hinweise \u00fcberspringt und wo dieselbe Fehlvorstellung auftritt, k\u00f6nnen Aufmerksamkeit dorthin verlagern, wo sie gebraucht wird. Holstein et al. (2018) zeigten das f\u00fcr eine an ein Tutorsystem gekoppelte Mixed-Reality-Brille im Mathematikunterricht der Sekundarstufe I: In einem Experiment mit drei Bedingungen lernten 286 Sch\u00fclerinnen und Sch\u00fcler in 18 Klassen bei acht Lehrkr\u00e4ften mehr, wenn die Lehrkraft Echtzeitanalysen zu Lernstand, Metakognition und Verhalten erhielt. F\u00fcr R\u00fcckmeldeansichten in generativen KI-Anwendungen steht eine vergleichbare Pr\u00fcfung aus. Auf Stufe 1 und 2 geh\u00f6rt eine Lehrkraftansicht deshalb konzeptuell zur Lenkung; ohne sie bleibt die Begleitung auf Stichproben angewiesen. Rechtlich ist dabei zu unterscheiden: Eine Ansicht, die Bearbeitungsverl\u00e4ufe sichtbar macht und der Lehrkraft die Deutung \u00fcberl\u00e4sst, ist unkritisch; ein System, das den Lernstand selbst bewertet und daraus Zuweisungen oder Leistungsurteile ableitet, f\u00e4llt unter Anhang III Nr. 3 der KI-Verordnung und unterliegt den Pflichten f\u00fcr Hochrisikosysteme. R\u00fcckmeldeansichten sind deshalb so zu gestalten, dass sie Beobachtung st\u00fctzen, statt Bewertung zu automatisieren.<\/p>\n<table class=\"begriffe\">\n  <thead><tr><th style=\"width:18%\">Stufe des Einsatzes<\/th><th>Eingebettetes Werkzeug (Lenkung hoch)<\/th><th>Teiloffenes Werkzeug (Lenkung mittel)<\/th><th>Offenes Werkzeug (Lenkung niedrig)<\/th><\/tr><\/thead>\n  <tbody>\n    <tr><td><strong>1 \u00b7 Stark gelenkt<\/strong><br><span style=\"opacity:.7\">geringe Kompetenz<\/span><\/td><td>Begleitung normal: Einf\u00fchrung, Beobachtung, Aufgreifen im Unterricht. Nutzung auch in Freiarbeit oder zu Hause m\u00f6glich.<\/td><td>Nicht ausreichend, wenn die Lernenden den Dialog selbst f\u00fchren: Die per Prompt oder Lernmodus gesetzte Rolle ist aushebelbar und erzeugt eine Sicherheit, die sie nicht einl\u00f6st. F\u00fchrt die Lehrkraft den Dialog, gilt dieselbe Regelung wie f\u00fcr das offene Werkzeug.<\/td><td>Begleitung intensiv: Die Lehrkraft f\u00fchrt den Dialog selbst, im Plenum oder in Kleingruppen; gemeinsame Vorbereitung, feste Regeln, Nachbereitung ohne KI. Nicht f\u00fcr die unbeaufsichtigte Nutzung.<\/td><\/tr>\n    <tr><td><strong>2 \u00b7 Begleitet<\/strong><br><span style=\"opacity:.7\">mittlere Kompetenz<\/span><\/td><td>Begleitung gering: Werkzeug wird ge\u00f6ffnet, Ergebnisse werden besprochen.<\/td><td>Begleitung mittel: klarer Auftrag, vorbereitete Rolle, Stichproben, Reflexion der Nutzung. Der Regelfall dieser Stufe.<\/td><td>Begleitung mittel bis gering: Auftrag und Transparenzregeln, Stichproben, Nutzung reflektieren.<\/td><\/tr>\n    <tr><td><strong>3 \u00b7 Selbstgesteuert<\/strong><br><span style=\"opacity:.7\">hohe Kompetenz<\/span><\/td><td>Kaum Begleitung n\u00f6tig; eingebaute Struktur kann bremsen.<\/td><td>Kaum Begleitung n\u00f6tig; vorbereitete Rolle ist entbehrlich.<\/td><td>Kaum Begleitung n\u00f6tig: Transparenzregeln vereinbaren, gelegentlich reflektieren, Lernen weiterhin ohne KI pr\u00fcfen.<\/td><\/tr>\n  <\/tbody>\n<\/table>\n\n<h2>Das SKILL-Spektrum<\/h2>\n<p>Das Spektrum ordnet Werkzeuge und Einsatzformen entlang der Kompetenz. Drei Stufen strukturieren es: <em>Stark gelenkt<\/em>, <em>Begleitet<\/em> und <em>Selbstgesteuert<\/em>. Die Namen beschreiben die Passung f\u00fcr eine Person, nicht das Werkzeug. Sie sind Orientierungsmarken auf einem Kontinuum mit flie\u00dfenden \u00dcberg\u00e4ngen. Eine Person kann in der Sache schon weit sein, im Pr\u00fcfen von KI-Antworten aber noch am Anfang stehen. Nach der vorl\u00e4ufigen Minimum-Regel wird sie dann Stufe 1 zugeordnet; die Hebel lassen sich innerhalb dieser Stufe aber unterschiedlich einstellen, sodass die Lenkung dort zur\u00fcckgenommen wird, wo die Person weiter ist, ohne dass sich die Stufe \u00e4ndert.<\/p>\n<p>Die Stufen lassen sich an zwei Entwicklungsgr\u00f6\u00dfen ablesen. Stufe 1 gilt, solange die Selbsteinsch\u00e4tzung der eigenen L\u00f6sungsg\u00fcte systematisch und deutlich \u00fcber der tats\u00e4chlichen Leistung liegt und sich dieser Abstand auch dann nicht erkennbar verringert, wenn sich die R\u00fcckmeldung ausdr\u00fccklich auf die Einsch\u00e4tzung selbst bezieht und nicht nur auf die Leistung, und solange fremde Aussagen nur bei deutlich hervortretender Unstimmigkeit oder bei vorliegendem Quellenhinweis zur\u00fcckgewiesen werden; Monitoring und Leitplanken \u00fcbernimmt dann \u00fcberwiegend das Werkzeug. Im ersten Schuljahr f\u00e4llt die \u00dcbersch\u00e4tzung so durchg\u00e4ngig aus, dass der Indikator dort kaum zwischen Kindern trennt; er ist im fr\u00fchen Grundschulalter als Erwartungswert zu lesen und erst danach als individuelles Unterscheidungsmerkmal, dessen Schwelle empirisch zu bestimmen w\u00e4re. Reines Leistungsfeedback taugt f\u00fcr diese Pr\u00fcfung nicht, weil es in den vorliegenden Untersuchungen die Einsch\u00e4tzungsg\u00fcte nicht verbessert hat (Kolloff et al., 2023; Buehler et al., 2025).<\/p>\n<p>Dass sich die Selbsteinsch\u00e4tzung im fr\u00fchen Grundschulalter durch R\u00fcckmeldung nicht ohne Weiteres verbessern l\u00e4sst, ist dokumentiert: Kolloff et al. (2023) gaben 112 Kindern im ersten Schuljahr (7 bis 8 Jahre) \u00fcber sechs Sitzungen entweder reines Leistungsfeedback oder zus\u00e4tzlich Feedback \u00fcber die \u00dcbereinstimmung von Leistung und eigenem Urteil; die Kinder unterschieden in allen Sitzungen \u00fcber dem Zufall zwischen richtigen und falschen Antworten und \u00fcbersch\u00e4tzten sich zugleich durchgehend, doch verbesserte keine der beiden Varianten diese Unterscheidung. Die Studie f\u00fchrte keine Kontrollgruppe ohne Feedback mit; beide Bedingungen erhielten R\u00fcckmeldung. Der Indikator f\u00fcr Stufe 1 bezieht sich auf die Kalibrierung, der gepr\u00fcfte Nullbefund auf die Diskrimination. F\u00fcr die Kalibrierung liegt ein deskriptiver Hinweis vor, weil die \u00dcbersch\u00e4tzung \u00fcber alle sechs Sitzungen bestehen blieb; ein kontrollierter Trainingsvergleich fehlt jedoch, da beide Bedingungen R\u00fcckmeldung erhielten.<\/p>\n<p>Buehler et al. (2025) fanden in einem verwandten Paradigma derselben Arbeitsgruppe, erg\u00e4nzt um eine aktive Kontrollgruppe und ein Pr\u00e4-Post-Design, dagegen einen kleinen Zuwachs im Unsicherheitsmonitoring, allerdings nur f\u00fcr das metakognitive und nicht f\u00fcr das leistungsbezogene Feedback und nur in gemischten Modellen, nicht in den erg\u00e4nzend berichteten Varianzanalysen; die Autorinnen und Autoren mahnen selbst zur Vorsicht. Der Zuwachs betrifft damit erneut die Diskrimination, nicht die Kalibrierung, auf die sich der Indikator bezieht. Ein kontrollierter Nachweis, dass sich der Abstand zwischen Selbsteinsch\u00e4tzung und Leistung im fr\u00fchen Grundschulalter durch R\u00fcckmeldung auf die Einsch\u00e4tzung selbst verringern l\u00e4sst, steht aus; der Indikator setzt ihn voraus und ist insoweit eine Setzung. Er ist deshalb als Muster \u00fcber mehrere Gelegenheiten hinweg zu lesen, nicht als Ergebnis eines einzelnen R\u00fcckmeldeversuchs. Gemeint ist ein Ausma\u00df, kein Alles-oder-nichts: Eine gewisse \u00dcbersch\u00e4tzung des eigenen Verstehens bleibt bis ins Erwachsenenalter bestehen (Rozenblit &amp; Keil, 2002) und schlie\u00dft die h\u00f6heren Stufen nicht aus.<\/p>\n<p>Stufe 2 beginnt, wo Fehler in fremden Antworten selbst gefunden werden und Hilfe erst nach einem eigenen Versuch geholt wird; das Monitoring des eigenen Stands wandert zur Person, die Leitplanken h\u00e4lt weiterhin das Werkzeug. Zwei Voraussetzungen kommen hier zusammen: die inhaltliche Pr\u00fcfung fremder Aussagen (Sperber et al., 2010; Mills, 2013) und die r\u00fcckblickende Einsch\u00e4tzung des eigenen Ergebnisses, die sich im Grundschulalter als einzige der gepr\u00fcften metakognitiven Fertigkeiten \u00fcber ein Jahr hinweg verbesserte (Bayard et al., 2021). Die Reihenfolge l\u00e4sst sich damit entwicklungspsychologisch plausibilisieren, ohne als Stufenfolge belegt zu sein. F\u00fcr das Jugendalter, in dem Stufe 2 und 3 typischerweise erreicht werden, liegen erst wenige Arbeiten vor: Brown und Gummerum (2025) verglichen zwei Altersgruppen (11 bis 16 Jahre, n = 153; 16 bis 20 Jahre, n = 222) und fanden bei den \u00c4lteren eine ausgepr\u00e4gtere selektive Nutzung fehlerfreier Online-Quellen, besonders bei inhaltlichen gegen\u00fcber orthografischen Fehlern; ein vorgeschalteter Genauigkeitshinweis ver\u00e4nderte diese Auswahl nicht. Der Vergleich ist querschnittlich und erlaubt keinen Verlauf. F\u00fcr generative Modelle als Auskunftsquelle steht eine entsprechende Untersuchung aus. Aus Mills\u2019 Rahmenmodell folgt keine Reihenfolge, nach der die Pr\u00fcfung der Quelle der Pr\u00fcfung des Inhalts entwicklungslogisch vorausginge: Beide Mechanismen sind bereits im Vorschulalter nachweisbar, die inhaltliche Pr\u00fcfung allerdings deutlich schw\u00e4cher ausgepr\u00e4gt; was sich entwickelt, ist die Empfindlichkeit f\u00fcr weniger auff\u00e4llige Unstimmigkeiten und die Regelm\u00e4\u00dfigkeit, mit der die Pr\u00fcfung \u00fcberhaupt einsetzt (Mills, 2013).<\/p>\n<p>Stufe 3 setzt voraus, dass auch subtile, sprachlich gut eingebettete Unstimmigkeiten erkannt werden, f\u00fcr die weder ein Quellenhinweis noch eine auff\u00e4llige Abweichung vom Erwartbaren einen Anhaltspunkt gibt, und dass der eigene Lernstand ohne R\u00fcckmeldung eingesch\u00e4tzt wird; dass dieser anspruchsvollste Indikator erst hier steht, passt zu dem Befund, dass sich das vorausschauende Monitoring im Grundschulalter \u00fcber ein Jahr hinweg nicht verbesserte (Bayard et al., 2021).<\/p>\n<p>Die \u00dcbernahme des Monitorings durch das Werkzeug auf Stufe 1 ist eine Entlastung auf Zeit, kein Dauerzustand. Selbstreguliertes Lernen ist bereits im Grundschulalter durch Unterricht f\u00f6rderbar: Dignath und B\u00fcttner (2008) berichten in getrennten Metaanalysen f\u00fcr Grundschule (49 Studien) und Sekundarstufe (35 Studien) \u00fcber 357 Effektst\u00e4rken einen mittleren Gesamteffekt von d = 0,69 \u00fcber alle Ergebnisvariablen, also Schulleistung, Strategienutzung und Motivation zusammen; f\u00fcr die Schulleistung allein fallen die Werte je Schulstufe niedriger aus, und die Effekte fallen h\u00f6her aus, wenn die Trainings metakognitive Reflexion einschlie\u00dfen, also vermitteln, wann, warum und wie eine Strategie einzusetzen ist. Die Effekte stammen \u00fcberwiegend aus kurzen, von Forschenden durchgef\u00fchrten Trainings; sie halten jedoch \u00fcber die Zeit: In einer Metaanalyse von 48 Interventionen fiel der Effekt im Follow-up h\u00f6her aus als unmittelbar danach (g = 0,63 gegen\u00fcber 0,50; der Zuwachs selbst ist mit g = 0,12 klein), und Lernende aus sozial benachteiligten Verh\u00e4ltnissen profitierten langfristig am st\u00e4rksten (de Boer et al., 2018). Ob sich dadurch auch die Genauigkeit der Selbsteinsch\u00e4tzung verbessert, f\u00fchrt keine der beiden Metaanalysen als Ergebnisvariable. Zur Lenkung auf Stufe 1 geh\u00f6rt deshalb, dass das vom Werkzeug \u00fcbernommene Monitoring im Unterricht zum Thema wird: einsch\u00e4tzen vor der R\u00fcckmeldung, Einsch\u00e4tzung und Ergebnis vergleichen, den eigenen Weg ohne KI erkl\u00e4ren. Ohne diesen Anteil stabilisiert Stufe 1 die Voraussetzung, die sie \u00fcberwinden soll.<\/p>\n<p>In der interaktiven Darstellung l\u00e4sst sich der Punkt frei verschieben; alternativ ist eine der drei Stufen w\u00e4hlbar. Die Darstellung zeigt zu jeder Stufe die passende Auspr\u00e4gung der vier Teilkompetenzen, die Einstellung der drei Lenkungshebel, den n\u00f6tigen Umfang der Begleitung, die Aufgabe der Lehrkraft und die Anzeichen daf\u00fcr, dass die n\u00e4chste Stufe erreicht ist.<\/p>\n\n<!-- ================= INTERAKTIVE GRAFIK ================= -->\n<div class=\"skv\" id=\"skv\">\n  <p class=\"skv-vorfrage\"><strong>Vorfrage:<\/strong> Leistet KI hier etwas, das Material, Gespr\u00e4ch und eigenes Probieren nicht leisten? Wenn nein, beginnt das Spektrum nicht.<\/p>\n  <div class=\"skv-top\"><h3>Spektrum erkunden<\/h3><p class=\"skv-sub\">Punkt entlang der Achse ziehen oder eine Stufe w\u00e4hlen.<\/p><\/div>\n\n  <p class=\"skv-zone\">Wo steht die Person?<\/p>\n  <div class=\"skv-spec\">\n    <svg class=\"skv-svg\" id=\"skv-svg\" viewBox=\"0 0 800 170\" role=\"img\" aria-label=\"Doppelskala: Kompetenz der Person und n\u00f6tige Lenkung, ziehbar\">\n      <defs>\n        <linearGradient id=\"skv-gAx\" x1=\"0\" y1=\"0\" x2=\"1\" y2=\"0\"><stop offset=\"0\" stop-color=\"#c1842f\"><\/stop><stop offset=\"1\" stop-color=\"#2f5fa6\"><\/stop><\/linearGradient>\n      <\/defs>\n      <text x=\"70\" y=\"22\" font-size=\"12\" font-weight=\"700\" fill=\"#2c5896\">Kompetenz der Person<\/text>\n      <text x=\"760\" y=\"22\" text-anchor=\"end\" font-size=\"11\" fill=\"#62718a\">gering \u2192 hoch<\/text>\n      <path d=\"M70,44 L760,30 L760,50 L70,44 Z\" fill=\"#2f5fa6\" fill-opacity=\".28\"><\/path>\n      <text x=\"70\" y=\"82\" font-size=\"12\" font-weight=\"700\" fill=\"#9a6520\">N\u00f6tige Lenkung (Werkzeug + Begleitung)<\/text>\n      <text x=\"760\" y=\"82\" text-anchor=\"end\" font-size=\"11\" fill=\"#62718a\">hoch \u2192 niedrig<\/text>\n      <path d=\"M70,92 L70,116 L760,104 Z\" fill=\"#c1842f\" fill-opacity=\".32\"><\/path>\n      <rect x=\"70\" y=\"128\" width=\"690\" height=\"6\" rx=\"3\" fill=\"url(#skv-gAx)\" opacity=\".55\"><\/rect>\n      <g fill=\"#62718a\" font-size=\"12\" font-weight=\"600\" text-anchor=\"middle\">\n        <line x1=\"332\" y1=\"124\" x2=\"332\" y2=\"138\" stroke=\"#8a97ad\" stroke-width=\"1\"><\/line>\n        <line x1=\"560\" y1=\"124\" x2=\"560\" y2=\"138\" stroke=\"#8a97ad\" stroke-width=\"1\"><\/line>\n        <text id=\"skv-zl0\" x=\"201\" y=\"158\">1 \u00b7 Stark gelenkt<\/text>\n        <text id=\"skv-zl1\" x=\"446\" y=\"158\">2 \u00b7 Begleitet<\/text>\n        <text id=\"skv-zl2\" x=\"660\" y=\"158\">3 \u00b7 Selbstgesteuert<\/text>\n      <\/g>\n      <g class=\"skv-ph\" id=\"skv-ph\">\n        <line x1=\"0\" y1=\"26\" x2=\"0\" y2=\"136\" stroke=\"#16263f\" stroke-width=\"1.5\" stroke-opacity=\".55\"><\/line>\n        <circle cx=\"0\" cy=\"131\" r=\"8\" fill=\"#16263f\" stroke=\"#fff\" stroke-width=\"2.5\"><\/circle>\n      <\/g>\n      <g class=\"skv-ovbox\" id=\"skv-ovbox\">\n        <rect x=\"0\" y=\"28\" width=\"150\" height=\"22\" rx=\"6\" fill=\"#2c5896\"><\/rect><text id=\"skv-chipK\" x=\"75\" y=\"43\" text-anchor=\"middle\" font-size=\"11.5\" font-weight=\"700\" fill=\"#fff\">Kompetenz: gering<\/text>\n        <rect x=\"0\" y=\"94\" width=\"150\" height=\"22\" rx=\"6\" fill=\"#9a6520\"><\/rect><text id=\"skv-chipL\" x=\"75\" y=\"109\" text-anchor=\"middle\" font-size=\"11.5\" font-weight=\"700\" fill=\"#fff\">Lenkung: hoch<\/text>\n      <\/g>\n    <\/svg>\n    <input id=\"skv-range\" type=\"range\" min=\"0\" max=\"100\" value=\"18\" step=\"1\" aria-label=\"Kompetenz zur lernwirksamen Nutzung von KI\">\n    <div class=\"skv-tabs\" role=\"group\" aria-label=\"Stufe direkt w\u00e4hlen\">\n      <button type=\"button\" class=\"skv-tab\" id=\"skv-t0\" aria-pressed=\"true\"><span class=\"tnum\">1<\/span>Stark gelenkt<\/button>\n      <button type=\"button\" class=\"skv-tab\" id=\"skv-t1\" aria-pressed=\"false\"><span class=\"tnum\">2<\/span>Begleitet<\/button>\n      <button type=\"button\" class=\"skv-tab\" id=\"skv-t2\" aria-pressed=\"false\"><span class=\"tnum\">3<\/span>Selbstgesteuert<\/button>\n    <\/div>\n  <\/div>\n\n  <p class=\"skv-zone\">Was folgt daraus?<\/p>\n  <div class=\"skv-card\">\n    <div class=\"skv-chead\"><span class=\"ct\" id=\"skv-ct\">Stufe 1 \u00b7 Stark gelenkt<\/span><span class=\"cs\" id=\"skv-cs\"><\/span><\/div>\n    <div class=\"skv-rtabs\" role=\"tablist\">\n      <button type=\"button\" class=\"skv-rtab\" id=\"skv-r0\" role=\"tab\" aria-selected=\"true\">Person<\/button>\n      <button type=\"button\" class=\"skv-rtab\" id=\"skv-r1\" role=\"tab\" aria-selected=\"false\">Werkzeug<\/button>\n      <button type=\"button\" class=\"skv-rtab\" id=\"skv-r2\" role=\"tab\" aria-selected=\"false\">Lehrkraft<\/button>\n    <\/div>\n    <div class=\"skv-body\" id=\"skv-body\">\n      <div class=\"skv-panel\" id=\"skv-p0\">\n        <div class=\"skv-facets\">\n          <div class=\"skv-fc\"><p class=\"fn\">Fachwissen in der Sache<\/p><div class=\"skv-seg\" id=\"skv-seg0\"><i><\/i><i><\/i><i><\/i><\/div><p class=\"fd\" id=\"skv-fd0\"><\/p><\/div>\n          <div class=\"skv-fc\"><p class=\"fn\">Kritische KI-Kompetenz<\/p><div class=\"skv-seg\" id=\"skv-seg1\"><i><\/i><i><\/i><i><\/i><\/div><p class=\"fd\" id=\"skv-fd1\"><\/p><\/div>\n          <div class=\"skv-fc\"><p class=\"fn\">Selbstregulation<\/p><div class=\"skv-seg\" id=\"skv-seg2\"><i><\/i><i><\/i><i><\/i><\/div><p class=\"fd\" id=\"skv-fd2\"><\/p><\/div>\n          <div class=\"skv-fc\"><p class=\"fn\">Sprache und Kognition<\/p><div class=\"skv-seg\" id=\"skv-seg3\"><i><\/i><i><\/i><i><\/i><\/div><p class=\"fd\" id=\"skv-fd3\"><\/p><\/div>\n        <\/div>\n      <\/div>\n      <div class=\"skv-panel\" id=\"skv-p1\" hidden>\n        <div class=\"skv-fields\">\n          <div class=\"skv-field\"><p class=\"fk\">Werkzeug<\/p><p class=\"fv\" id=\"skv-werk\"><\/p><\/div>\n          <div class=\"skv-field\"><p class=\"fk\">Rolle der KI<\/p><p class=\"fv\" id=\"skv-rolle\"><\/p><\/div>\n          <div class=\"skv-field wide\"><p class=\"fk\">Hilfedichte \u00b7 Leitplanken \u00b7 Kontextualisierung<\/p><p class=\"fv\" id=\"skv-guard\"><\/p><\/div>\n        <\/div>\n      <\/div>\n      <div class=\"skv-panel\" id=\"skv-p2\" hidden>\n        <div class=\"skv-fields\">\n          <div class=\"skv-field\"><p class=\"fk\">Personelle Begleitung<\/p><p class=\"fv\" id=\"skv-begl\"><\/p><\/div>\n          <div class=\"skv-field\"><p class=\"fk\">Was die Lehrkraft tut<\/p><p class=\"fv\" id=\"skv-lk\"><\/p><\/div>\n          <div class=\"skv-field wide\"><p class=\"fk\">Beispiel aus dem Unterricht<\/p><p class=\"fv\" id=\"skv-bsp\"><\/p><\/div>\n        <\/div>\n      <\/div>\n      <details class=\"skv-det\"><summary>Werkzeugwahl auf dieser Stufe: eingebettet oder offen?<\/summary><p id=\"skv-offen\"><\/p><\/details>\n      <details class=\"skv-det\"><summary>Woran man erkennt, dass die n\u00e4chste Stufe passt<\/summary><p id=\"skv-next\"><\/p><\/details>\n      <details class=\"skv-det\"><summary>Typisches Risiko auf dieser Stufe<\/summary><p id=\"skv-lernrisk\"><\/p><\/details>\n    <\/div>\n  <\/div>\n  <p class=\"skv-src\">Vorab zu kl\u00e4ren: <a href=\"#skill-planungsfragen\">Lernwerkzeug oder Nachteilsausgleich?<\/a> \u00b7 Die Stufen sind Orientierungsmarken auf einem Kontinuum. Stufenidee nach Pearson &amp; Gallagher (1983) und Rowe (2026); Abw\u00e4gen von Geben und Zur\u00fcckhalten nach Koedinger &amp; Aleven (2007); Teilkompetenzen nach UNESCO (2024) sowie OECD &amp; Europ\u00e4ische Kommission (2026).<\/p>\n<\/div>\n<!-- ================ ENDE INTERAKTIVE GRAFIK ================ -->\n\n<h2>Folgerungen f\u00fcr KI im Unterricht<\/h2>\n<p>Auch erfahrene Personen k\u00f6nnen bei einem neuen oder wenig vertrauten Gegenstand \u00fcber geringes relevantes Vorwissen verf\u00fcgen. Die offene Nutzung frei zug\u00e4nglicher Chatbots kann deshalb nicht der Normalfall des Lernens sein; sie ist die dritte Stufe. F\u00fcr die meisten Lernsituationen in der Schule ist Stufe 1 oder 2 angemessen: KI, die in eine Lernanwendung eingebettet ist und im Hintergrund einer didaktisch gestalteten Umgebung arbeitet, oder ein offenes Werkzeug mit klarem Auftrag, vorbereiteter Rolle und Begleitung durch die Lehrkraft. In beiden F\u00e4llen bleibt die Lehrkraft Teil des Arrangements. Die Frage lautet, welche Anteile der Lenkung sie \u00fcbernimmt und welche das Werkzeug.<\/p>\n<p>Das Modell hat eine Gerechtigkeitsdimension. Wenn lernwirksame KI-Nutzung Vorwissen, sprachliche Sicherheit, Selbstregulation und technisches Verst\u00e4ndnis voraussetzt, profitieren zuerst diejenigen, die all das schon mitbringen. Lehmann et al. (2025) berichten eine solche Schere entlang des Vorwissens bei Studierenden; der Befund ist explorativ. Ob sich die Schere auch entlang sozialer Herkunft \u00f6ffnet, ist damit nicht gezeigt, liegt aber nahe, weil die genannten Voraussetzungen selbst herkunftsabh\u00e4ngig verteilt sind. Eingebettete Werkzeuge senken die Einstiegsh\u00fcrde und lassen sich mit wachsender Kompetenz \u00f6ffnen. Das Modell erwartet deshalb, dass sie die Ergebnisse gleichm\u00e4\u00dfiger verteilen als der offene Chatbot, der zwar allen offensteht, den aber vor allem diejenigen produktiv nutzen, die die genannten Voraussetzungen schon mitbringen. Diese Erwartung ist nicht gepr\u00fcft. Die Befundlage ist gemischt: Lehmann et al. (2025) berichten explorativ eine Schere entlang des Vorwissens, Fischer et al. (2025) die gr\u00f6\u00dften Gewinne bei geringem Vorwissen, und Bastani et al. (2025) fanden in pr\u00e4registrierten Moderatoranalysen kaum Hinweise auf heterogene Effekte; ihre Streuungsanalyse zeigt eine Kompression der Leistungsspanne nur im gest\u00fctzten \u00dcben, nicht in der Pr\u00fcfung ohne KI. Keine dieser Studien pr\u00fcft den Kontrast zwischen eingebettetem und offenem Werkzeug. Au\u00dferhalb des Bildungsbereichs weist ein randomisierter Feldversuch in die erwartete Richtung: Bei Kleinunternehmerinnen und Kleinunternehmern in Kenia verschlechterte der Zugang zu einem KI-Assistenten die Ergebnisse der zuvor schw\u00e4cheren H\u00e4lfte, w\u00e4hrend die st\u00e4rkere profitierte (Otis et al., 2026). Auf Lernergebnisse \u00fcbertragbar ist das nicht. Solange weder differenzielle Effekte f\u00fcr diesen Kontrast noch Streuungsma\u00dfe vorliegen, bleibt der Satz eine Hypothese.<\/p>\n<p>F\u00fcr Lehrkr\u00e4fte gilt die Logik ebenfalls. Wer fachlich sicher ist und Erfahrung mit Sprachmodellen hat, kann offene Werkzeuge f\u00fcr Planung, Materialerstellung und Organisation produktiv einsetzen. Andere brauchen Werkzeuge, die ohne ausgepr\u00e4gte Prompting-Kompetenz funktionieren: mit hinterlegten Rollen, fachlich gepr\u00fcften Wissensbest\u00e4nden, vorbereiteten Bausteinen und gezielten R\u00fcckfragen. Auch hier sollte sich das Werkzeug \u00f6ffnen lassen, sobald die Souver\u00e4nit\u00e4t w\u00e4chst. Der europ\u00e4ische Referenzrahmen f\u00fcr die Digitalkompetenz Lehrender (Redecker, 2017) beschreibt dieselbe Bewegung von der Anwendung vorbereiteter Ressourcen zu deren eigenst\u00e4ndiger Gestaltung.<\/p>\n\n<div class=\"praxis\" id=\"skill-planungsfragen\">\n<h3>Vier Fragen zur Planung eines KI-Einsatzes<\/h3>\n<p style=\"margin:0 0 .6em;font-size:.95em\">Mit den vier Fragen wird eine einzelne Unterrichtssituation geplant und die Stufe gew\u00e4hlt; mit der \u00dcbersicht danach werden die Sch\u00fclerinnen und Sch\u00fcler eingesch\u00e4tzt.<\/p>\n<ol>\n  <li><strong>Leistet KI hier etwas, das ich mit Material, Gespr\u00e4ch und eigenem Probieren nicht erreiche?<\/strong> Wenn nein, kein KI-Einsatz.<\/li>\n  <li><strong>Was sollen die Kinder lernen, und welchen kognitiven Prozess w\u00fcrde die KI dabei \u00fcbernehmen?<\/strong> Ist das genau der, den sie lernen sollen, braucht der L\u00f6sungsprozess Leitplanken; ist er es nicht, darf die KI ihn \u00fcbernehmen. F\u00fcr Kinder mit Beeintr\u00e4chtigungen wird die KI dann vom Lernwerkzeug zum Mittel der Teilhabe, etwa als Vorlesefunktion beim Lernziel Textverst\u00e4ndnis; hier ist Fading nicht das Ziel, die Unterst\u00fctzung darf bleiben.<\/li>\n  <li><strong>Wie sicher sind die Lernenden in der Sache, im Pr\u00fcfen von KI-Antworten und in der Selbststeuerung?<\/strong> Je unsicherer, desto eher Stufe 1: KI in einer Lernanwendung mit fester Rolle, oder ein offener Chatbot, den ich selbst intensiv vor- und nachbereite und im Raum begleite. Mittlere Sicherheit: Stufe 2 mit klarem Auftrag und Begleitung. Erst bei hoher Sicherheit Stufe 3. Werkzeuglenkung und meine Begleitung m\u00fcssen zusammen zur Kompetenz passen. Drei Anhaltspunkte: Findet die Person Fehler in einer KI-Antwort selbst? Fragt sie nach einem eigenen Versuch oder davor? Kann sie nach einer Aufgabe einsch\u00e4tzen, was ihr davon ohne KI wieder gelingen w\u00fcrde (Stufe 2), und vor einer neuen Aufgabe, wo ihr Verstehen endet (Stufe 3)? Dreimal nein spricht f\u00fcr Stufe 1, dreimal ja f\u00fcr Stufe 3; die \u00dcbersicht am Ende f\u00fchrt die Indikatoren aus.<\/li>\n  <li><strong>Woran erkenne ich nachher, ob gelernt wurde?<\/strong> An einer Leistung ohne KI, an Erkl\u00e4rungen in eigenen Worten, am Transfer auf eine neue Aufgabe. Nicht an der Qualit\u00e4t des Produkts, das mit KI entstanden ist.<\/li>\n<\/ol>\n<\/div>\n\n<div class=\"praxis\">\n<h3>Beispiel: Sachaufgaben in Klasse 4<\/h3>\n<p style=\"margin:0\">Klasse 4, Sachaufgaben. Ein Kind liest langsam und bleibt oft schon am Text h\u00e4ngen. Frage 1: Material und Gespr\u00e4ch helfen beim Rechnen, aber nicht bei der Textmenge; eine KI, die den Text vorliest und nach dem Gesuchten fragt, leistet hier etwas Eigenes. Frage 2: Gelernt werden soll das Modellieren, nicht das Lesen; das Vorlesen darf die KI \u00fcbernehmen und dauerhaft behalten, den L\u00f6sungsweg nicht. Frage 3: Das Kind h\u00e4lt KI-Antworten f\u00fcr richtig und fragt lieber, als selbst anzufangen; also Stufe 1, ein eingebetteter Tutor mit Vorlesefunktion und gesperrtem Endergebnis, dazu die Lehrkraft, die die R\u00fcckmeldungen im Gespr\u00e4ch aufgreift. Frage 4: Nach zwei Wochen erkl\u00e4rt das Kind eine neue Aufgabe ohne KI in eigenen Worten; ob der L\u00f6sungsweg verstanden ist, zeigt sich daran, nicht an den gel\u00f6sten Aufgaben in der App. Beim Werkzeug kommt es darauf an, dass sich die Vorlesefunktion unabh\u00e4ngig von den \u00fcbrigen Hilfen steuern l\u00e4sst, damit sie als Teilhabemittel bleiben kann, w\u00e4hrend die Hinweise zum L\u00f6sungsweg zur\u00fcckgenommen werden. In der \u00dcbersicht am Ende steht das Kind bei allen Indikatoren auf Stufe 1; die Zuordnung wird nach zwei Wochen an denselben Indikatoren erneut gepr\u00fcft.<\/p>\n<\/div>\n\n<h2>\u00dcbersicht: Indikatoren und Einsatzszenarien je Stufe<\/h2>\n<p>Die folgende \u00dcbersicht ist eine Planungshilfe, kein Diagnoseinstrument: Ihre Stufenzuordnung beruht auf theoretischer Ableitung und ist empirisch nicht validiert; sie ersetzt weder die fachliche Einsch\u00e4tzung der Lehrkraft noch eine Pr\u00fcfung des Lernens ohne KI. Dasselbe gilt f\u00fcr das Handout. Die \u00dcbersicht fasst f\u00fcr Lehrkr\u00e4fte zusammen, woran sich die Stufen bei den Lernenden erkennen lassen, welche Einsatzszenarien passen, wie viel Begleitung n\u00f6tig ist und woran Fortschritt sichtbar wird. Die Spalte \u201eWoran Fortschritt erkennbar ist\u201c nennt ausschlie\u00dflich beobachtbares Verhalten. Ob gelernt wurde, wird getrennt und ohne KI gepr\u00fcft (vierte Planungsfrage); st\u00fctzte sich die Stufenzuordnung darauf, setzte sie voraus, was sie erkl\u00e4ren soll. Die Indikatoren dienen der formativen Einsch\u00e4tzung im Unterricht. Als Ma\u00df der Kompetenz f\u00fcr die empirische Pr\u00fcfung des Modells taugen sie nicht, weil mehrere von ihnen, etwa das Nachfragen erst nach einem eigenen Versuch, genau das Verhalten sind, das die Lenkung erzeugen soll; dort wird die Kompetenz vor der Intervention mit KI-fernen Ma\u00dfen erhoben (Abschnitt \u201eF\u00fcr die Forschung\u201c). Die \u00dcbersicht steht auch als <a href=\"https:\/\/urff.app\/wp-content\/uploads\/2026\/09\/skill-modell-handout.pdf\" target=\"_blank\" rel=\"noopener\">Handout (PDF, zwei Seiten A4 quer)<\/a> zum Ausdrucken bereit.<\/p>\n<table class=\"begriffe\">\n  <thead><tr><th style=\"width:15%\">Stufe des Einsatzes<\/th><th>Indikatoren bei den Sch\u00fclerinnen und Sch\u00fclern<\/th><th>Passende Einsatzszenarien<\/th><th>Begleitung durch die Lehrkraft<\/th><th>Woran Fortschritt erkennbar ist<\/th><\/tr><\/thead>\n  <tbody>\n    <tr><td><strong>1 \u00b7 Stark gelenkt<\/strong><br><span style=\"opacity:.7\">geringe Kompetenz<\/span><\/td>\n      <td>Kann fachliche Richtigkeit kaum beurteilen; h\u00e4lt KI-Antworten f\u00fcr zuverl\u00e4ssig; \u00fcbernimmt Antworten und h\u00e4lt die eigene L\u00f6sung meist f\u00fcr besser, als sie ist, bemerkt im Einzelfall aber durchaus, welche Antworten unsicher sind; l\u00e4ngere Antworten \u00fcberfordern. Typisch bei neuem Thema und geringem Vorwissen.<\/td>\n      <td>Nur in wenigen, klar umrissenen Situationen. Wenn KI: Tutor in einer Lernanwendung mit hinterlegter Aufgabe; gestufte Hinweise statt L\u00f6sungen; Ergebnis gesperrt bis zum eigenen Versuch. Freiarbeit und \u00dcben zu Hause nur mit eingebettetem Werkzeug. Offener Chatbot nur im Plenum oder in Kleingruppen mit Lehrkraft im Gespr\u00e4ch.<\/td>\n      <td>Eingebettetes Werkzeug: einf\u00fchren, beobachten, aufgreifen; das vom Werkzeug \u00fcbernommene Monitoring zum Thema machen (vorher einsch\u00e4tzen, mit dem Ergebnis vergleichen, den eigenen Weg ohne KI erkl\u00e4ren). Offener Chatbot: intensiv, gemeinsam vorbereiten, Anweisung an die KI selbst stellen, im Raum bleiben, eingreifen, ohne KI nachbereiten.<\/td>\n      <td>L\u00f6st nach einem Hinweis selbst weiter; fragt nach einem eigenen Versuch statt vor ihm; erkl\u00e4rt den eigenen Weg in eigenen Worten; erkennt unpassende Hinweise.<\/td><\/tr>\n    <tr><td><strong>2 \u00b7 Begleitet<\/strong><br><span style=\"opacity:.7\">mittlere Kompetenz<\/span><\/td>\n      <td>Erkennt grobe Fehler und pr\u00fcft Teilergebnisse; kennt Grenzen der KI; stellt eigene Fragen, gibt Kontext aber noch nicht gezielt vor; sch\u00e4tzt unmittelbar nach der Bearbeitung realistisch ein, wie gut die eben bearbeitete Aufgabe gelungen ist, und leitet daraus ab, was davon ohne KI wieder gelingen w\u00fcrde.<\/td>\n      <td>Offenes Werkzeug mit vorbereiteter Rolle und klarem Auftrag; zwei KI-L\u00f6sungswege vergleichen und begr\u00fcndet ausw\u00e4hlen; KI-Erkl\u00e4rungen auf Fehler pr\u00fcfen; KI-R\u00fcckmeldung zum eigenen Entwurf einholen und \u00fcberarbeiten.<\/td>\n      <td>Mittel: Auftrag und Rolle bereitstellen, Stichproben, Ergebnisse ohne KI erkl\u00e4ren lassen, Nutzung gemeinsam reflektieren.<\/td>\n      <td>Findet Fehler in KI-Antworten selbst; gibt Kontext und Ziel vor; begr\u00fcndet, wann KI sinnvoll war und wann nicht.<\/td><\/tr>\n    <tr><td><strong>3 \u00b7 Selbstgesteuert<\/strong><br><span style=\"opacity:.7\">hohe Kompetenz<\/span><\/td>\n      <td>Durchschaut auch plausible Fehler; pr\u00fcft systematisch an Quellen; plant, \u00fcberwacht und bewertet den Einsatz selbst; sch\u00e4tzt in der Regel zutreffend ein, wo das eigene Verstehen endet, bevor sich das in einer Aufgabe zeigt; eine Rest\u00fcbersch\u00e4tzung bleibt auch hier.<\/td>\n      <td>Frei genutzter Chatbot als Denkpartner: Gegenargumente einholen, Entw\u00fcrfe kritisieren lassen, Recherche mit Quellenpr\u00fcfung, eigene Rollen gestalten. Eingebettete Struktur st\u00f6rt nur, wenn sie Bekanntes redundant wiederholt oder nicht abschaltbar ist.<\/td>\n      <td>Gering: Transparenzregeln, gelegentliche Reflexion, Lernen weiterhin ohne KI pr\u00fcfen.<\/td>\n      <td>Nutzt KI gezielt und begr\u00fcndet; wechselt bei einem neuen Fachgebiet von sich aus in eine engere Stufe zur\u00fcck; erkennt selbst, wenn die KI zur Abk\u00fcrzung geworden ist.<\/td><\/tr>\n  <\/tbody>\n<\/table>\n<p style=\"font-size:.92em;opacity:.85\">Die Indikatoren beschreiben beobachtbares Verhalten, keine Altersgruppen. Die Entwicklungsbefunde setzen ihnen aber einen Erwartungskorridor: Das vorausschauende Einsch\u00e4tzen des eigenen Lernstands, das Stufe 3 verlangt, verbesserte sich im Grundschulalter \u00fcber ein Jahr hinweg nicht (Bayard et al., 2021); f\u00fcr die anschlie\u00dfende Entwicklung liegt nur indirekte Evidenz vor: Weil et al. (2013) berichten einen Anstieg der metakognitiven Diskrimination, nicht der Kalibrierung, und dies in einer Wahrnehmungsaufgabe. F\u00fcr das vorausschauende Monitoring, das Stufe 3 verlangt, liegt jenseits des Grundschulalters keine einschl\u00e4gige Evidenz vor; Bayard et al. (2021) zeigen, dass es sich in zwei Kohorten \u00fcber je ein Jahr hinweg nicht verbesserte, von Klasse 2 zu 3 und von Klasse 4 zu 5, nicht, dass es sich sp\u00e4ter verbessert. Dass dieser Indikator erst auf Stufe 3 steht, ist eine Setzung, keine Ableitung. Der Unterschied zu Stufe 2 liegt nicht darin, ob \u00fcberhaupt vorausschauend geurteilt wird, sondern im Bezugspunkt: Auf Stufe 2 wird \u00fcber eine eben bearbeitete Aufgabe geurteilt, auf Stufe 3 \u00fcber eine noch nicht bearbeitete; dass Urteile mit dem n\u00e4heren Bezugspunkt genauer ausfallen, ist f\u00fcr Erwachsene gut belegt und mit Bayard et al. (2021) vereinbar, dort aber nicht gepr\u00fcft. Zudem ist metakognitive Genauigkeit zwischen Dom\u00e4nen nur teilweise gekoppelt: In einer \u00dcbersichtsarbeit mit eingebetteter Metaanalyse \u00fcber 19 Experimente fanden Rouault et al. (2018) einen starken Zusammenhang zwischen Sinnesmodalit\u00e4ten (r = 0,55), zwischen Wahrnehmung und Ged\u00e4chtnis dagegen keinen belastbaren (r = 0,09), was sie unter anderem auf begrenzte Testst\u00e4rke und auf Unterschiede im Aufgabenformat zur\u00fcckf\u00fchren; beide Teilanalysen beruhen auf 9 beziehungsweise 10 Effektst\u00e4rken. Mazancieux et al. (2020) fanden mit einem hierarchisch-bayesianischen Verfahren bei 181 Erwachsenen f\u00fcnf von sechs Aufgabenpaaren korreliert; deutlich zwischen visueller Wahrnehmung und semantischem Ged\u00e4chtnis, nicht belastbar dagegen zwischen Wahrnehmung und episodischem Ged\u00e4chtnis, und sie schlie\u00dfen auf ein Zusammenwirken dom\u00e4nen\u00fcbergreifender und dom\u00e4nenspezifischer Anteile. Beide Arbeiten betreffen interindividuelle Unterschiede bei Erwachsenen, nicht die Frage, ob sich ein Entwicklungsverlauf von einer Wahrnehmungs- auf eine fachliche Aufgabe \u00fcbertr\u00e4gt; f\u00fcr fachliches Monitoring im Grundschulalter fand ein Vergleich zweier unabh\u00e4ngiger Querschnittsstichproben bereichs\u00fcbergreifende Zusammenh\u00e4nge zwischen Arithmetik und Rechtschreibung erst bei Drittkl\u00e4sslern (n = 147), nicht bei Zweitkl\u00e4sslern (n = 77); die Deutung als Entwicklungsverlauf stammt von den Autorinnen und Autoren, das Design pr\u00fcft sie nicht (Bellon et al., 2020). Die \u00dcbertragung des an einer Wahrnehmungsaufgabe gewonnenen Verlaufs bleibt damit eine Annahme. Die f\u00fcr Stufe 3 angenommenen Voraussetzungen d\u00fcrften im Grundschulalter nach der derzeitigen Evidenz deshalb nur selten vollst\u00e4ndig vorliegen, auch bei hohem Fachwissen; die Aussage betrifft Gruppenmittel, nicht das einzelne Kind, und umgekehrt sagt ein h\u00f6heres Alter f\u00fcr sich genommen nichts \u00fcber die Stufe. Zusammen mit der Minimum-Regel wirkt der Erwartungskorridor in der Praxis wie eine Altersschranke f\u00fcr Stufe 3, allerdings auf zwei verschiedenen Wegen. Individuell greift die Regel nur, wenn die Selbstregulationsanteile bei diesem Kind gemessen niedrig ausfallen; ein Kind mit hohen Werten in allen vier Teilkompetenzen wird von ihr nicht ausgeschlossen. F\u00fcr Klassen und Jahrg\u00e4nge folgt die Schranke daraus, dass niedrige Werte im Grundschulalter der Regelfall sind. Dass beides praktisch zusammenf\u00e4llt, ist eine bewusste konservative Setzung dieses Beitrags, kein aus den Daten abgeleiteter Befund; wie h\u00e4ufig die Ausnahme ist, bleibt eine empirische Frage, und best\u00e4tigt sich in der Pr\u00fcfung der kompensatorische Summenwert, entf\u00e4llt die Schranke.<\/p>\n\n<h2>Folgerungen f\u00fcr die Entwicklung von Lernanwendungen<\/h2>\n<p>F\u00fcr die Konzeption von Lernanwendungen dient der Ordnungsrahmen dazu, eine Anwendung zu verorten. Sie wird zwischen eingebetteter KI und offenem Chatbot positioniert, ausgehend von der Zielgruppe und ihrer erwartbaren Kompetenz. Daraus folgen konkrete Entscheidungen: Wie viel Fachkontext ist hinterlegt, welche Ausgaben sind gesperrt, wann und wie wird Hilfe gestuft, wie wird Fading umgesetzt, welche Daten sieht die Lehrkraft. Vier Gestaltungsprinzipien, die sich aus den hier referierten Befunden ableiten lassen (fachdidaktische Fundierung der R\u00fcckmeldungen, Dosierung nach dem Prinzip \u201eerst du, dann ich\u201c, eigene T\u00e4tigkeit vor der KI-Ausgabe und Verzahnung mit dem umgebenden Lernarrangement), f\u00fchrt <a href=\"https:\/\/urff.app\/mehr-als-antworten-forschungsbasierte-anforderungen-an-ki-gestuetzte-lernbegleitung-im-mathematikunterricht\/\" target=\"_blank\" rel=\"noopener\" title=\"Gestaltungsprinzipien f\u00fcr KI-Lernbegleitung\">ein eigener Beitrag<\/a> aus. Gepr\u00fcft sind sie nicht.<\/p>\n\n<h2>Grenzen und offene Fragen<\/h2>\n<p>Das SKILL-Modell ist ein Ordnungsrahmen, kein empirisch gepr\u00fcftes Wirkmodell. Seine drei Stufen vereinfachen bewusst: Kompetenz und Lenkung sind stetige Gr\u00f6\u00dfen, die \u00dcberg\u00e4nge flie\u00dfend, und die Teilkompetenzen entwickeln sich nicht im Gleichschritt. F\u00fcnf Fragen bleiben offen. Die Diagnose: Wie l\u00e4sst sich die lernbezogene KI-Kompetenz einer Person \u00f6konomisch erfassen, sodass die Stufenzuordnung nicht auf Vermutungen beruht? Das Fading: Wann und in welchen Schritten sollte Lenkung zur\u00fcckgenommen werden, und woran erkennt ein Werkzeug diesen Zeitpunkt? Die genannte Fehlregulation der Hilfesuche (Aleven et al., 2016; Darvishi et al., 2024) zeigt, dass adaptive Regeln daf\u00fcr erst in Ans\u00e4tzen erprobt sind.<\/p>\n<p>Die Verrechnung: Dass generative KI st\u00e4rker wirkt, wenn sie den Unterricht erg\u00e4nzt, statt die Lehrkraft zu ersetzen, ist als Moderator zwischen Studien metaanalytisch dokumentiert (Strohmaier et al., 2026, vierte Fassung); ein randomisierter Vergleich innerhalb einer Studie liegt nicht vor, und der Kontrast vermengt die Begleitung mit dem Umfang des Unterrichts insgesamt. Ob sich Werkzeuglenkung und Begleitung in den vom Modell angenommenen Kombinationen gegeneinander aufrechnen lassen, also viel Werkzeuglenkung mit wenig Begleitung gegen\u00fcber wenig Werkzeuglenkung mit viel Begleitung, ist nicht untersucht.<\/p>\n<p>Die \u00dcbertragbarkeit: Die meisten belastbaren Studien stammen aus der Sekundarstufe und der Hochschule. F\u00fcr die Grundschule liegen erste kontrollierte Untersuchungen vor, etwa zu einer KI-gest\u00fctzten Sachrechenumgebung (Liu et al., 2025) und zum Vergleich von Chatbot- und lehrkraftgeleitetem Lesen (Zhou et al., 2026), doch messen sie die Leistung bei verf\u00fcgbarer Unterst\u00fctzung und unmittelbar nach der Intervention. Studien, die im Grundschulalter verz\u00f6gert und ohne KI pr\u00fcfen oder Lenkungsgrade gegeneinanderstellen, fehlen.<\/p>\n<p>Die Richtung: Das Modell nimmt an, dass mit wachsender lernbezogener KI-Kompetenz weniger Lenkung n\u00f6tig wird. Fernandes et al. (2026) berichten dagegen f\u00fcr Erwachsene, dass die Leistung unter KI-Nutzung steigt, w\u00e4hrend sich die metakognitive Genauigkeit von ihr entkoppelt, und dass h\u00f6here selbstberichtete KI-Kompetenz mit geringerer, nicht h\u00f6herer metakognitiver Genauigkeit einhergeht. Trifft das zu, ist der Zusammenhang zwischen Werkzeugroutine und Urteilsf\u00e4higkeit nicht monoton, und die kritische KI-Kompetenz muss am Pr\u00fcfverhalten gemessen werden, nicht an Erfahrung oder Selbsteinsch\u00e4tzung. Der Befund zur KI-Kompetenz ist korrelativ; die Leistungsbefunde stammen aus einer quasi-experimentellen Studie mit externer Vergleichsgruppe und einer randomisierten Studie, in der sich beide Gruppen \u00fcbersch\u00e4tzten, die Gruppe ohne KI eher st\u00e4rker, sodass KI die \u00dcbersch\u00e4tzung nicht erzeugt, sondern die Leistung ohne entsprechenden Zuwachs der Selbsteinsch\u00e4tzung anhebt; erhoben wurde an Erwachsenen. Der Befund geh\u00f6rt gleichwohl in das Pr\u00fcfprogramm der Grundannahme.<\/p>\n<p>Ob sich Lenkungsgrade in Lernergebnisse \u00fcbersetzen, ist zudem offen. F\u00fctterer et al. (2026) verglichen in einem randomisierten Feldversuch mit 371 Lernenden der Klassen 7 bis 9 zwei KI-gest\u00fctzte Interventionen zur Selbstregulation, eine motivationale und eine strategiebezogene, mit Standard-ChatGPT \u00fcber sechs Unterrichtsstunden. F\u00fcr Wissenszuwachs, Anstrengung und Strategienutzung fand sich kein Vorteil gegen\u00fcber der Kontrollbedingung; die motivationale Variante entwickelte den wahrgenommenen Nutzen lediglich g\u00fcnstiger als die strategiebezogene, nicht g\u00fcnstiger als Standard-ChatGPT. Gepr\u00fcft wurden dort vorgeschaltete Lernstrategie-Prompts, nach der hier vorgeschlagenen Ordnung durchweg Varianten der Stufe 2, und nicht der Kontrast zwischen anwendungsseitigen Leitplanken und offener Nutzung. Ein direkter Test der Modellannahme steht damit aus; das Ergebnis mahnt aber, dass didaktische Zus\u00e4tze nicht von sich aus wirken. Dieselbe Mahnung enth\u00e4lt der Nullbefund von Bassner et al. (2026) im KI-freien Wissenstest (Abschnitt \u201eBegriffskl\u00e4rung\u201c). Auch die Gerechtigkeitserwartung aus dem Abschnitt \u201eFolgerungen f\u00fcr KI im Unterricht\u201c bleibt aus diesem Grund ungepr\u00fcft.<\/p>\n<h3>F\u00fcr die Forschung: die Grundannahme als pr\u00fcfbare Hypothese<\/h3>\n<p>Der folgende Abschnitt richtet sich an Forschende; f\u00fcr die Unterrichtsplanung ist er entbehrlich. Vorab ist festzulegen, was als nicht-kontingente Lenkung gilt: Lenkung, die unabh\u00e4ngig vom Bearbeitungsstand ausgel\u00f6st wird, etwa eine feste Hinweisreihenfolge, nicht abschaltbare Zwischenschritte oder eine vorgegebene Aufgabengliederung.<\/p>\n<p>Die Grundannahme lautet: Je geringer die lernbezogene KI-Kompetenz, desto gr\u00f6\u00dfer der Vorteil eines stark gelenkten gegen\u00fcber einem offenen Werkzeug in einem verz\u00f6gerten Test ohne KI; als Entscheidungsschwelle f\u00fcr die konfirmatorische Pr\u00fcfung wird ein Vorteil von mindestens d = 0,30 f\u00fcr Personen festgelegt, die eine Standardabweichung unterhalb des Kompetenzmittels liegen. Die Schwelle l\u00e4sst sich nicht aus den vorliegenden Metaanalysen ableiten, deren Sch\u00e4tzungen (Belland et al., 2017: g = 0,46; Lazonder &amp; Harmsen, 2016: d = 0,50) gegebene Unterst\u00fctzung betreffen, w\u00e4hrend der vorhergesagte Kontrast wesentlich auf Leitplanken und Kontextualisierung beruht. Sie ist keine Aussage der Grundannahme, sondern der kleinste Effekt, der f\u00fcr die hier skizzierte Studie noch von Interesse w\u00e4re. Begr\u00fcndet ist sie so: Kraft (2020) stuft in Feldstudien Effekte ab 0,20 als gro\u00df ein, allerdings bezogen auf breite, standardisierte Leistungsma\u00dfe gegen\u00fcber dem regul\u00e4ren Unterricht. Zwei Umst\u00e4nde verschieben den Ma\u00dfstab in entgegengesetzte Richtungen. Der hier vorhergesagte Kontrast vergleicht zwei aktive KI-Bedingungen bei gleicher Aufgabe und Zeit, was kleinere Effekte erwarten l\u00e4sst; zugleich wird mit forschungseigenen Ma\u00dfen gemessen, bei denen Effektst\u00e4rken systematisch etwa doppelt so hoch ausfallen wie bei unabh\u00e4ngigen Instrumenten (Cheung &amp; Slavin, 2016). Die Schwelle von 0,30 ist deshalb keine aus Kraft abgeleitete Gr\u00f6\u00dfe, sondern eine praktische Setzung: Sie markiert den kleinsten Effekt, der Beschaffung, Einarbeitung und Begleitung einer Werkzeugentscheidung im Unterricht rechtfertigen w\u00fcrde. Diese Abw\u00e4gung ist normativ; sie macht die Pr\u00fcfung bewusst streng und erh\u00f6ht das Risiko, einen realen, aber kleinen Effekt als praktisch unerheblich einzustufen. Wird mit einem unabh\u00e4ngigen, standardisierten Ma\u00df gemessen, ist die Schwelle in der Pr\u00e4registrierung abzusenken; entscheidend ist, dass sie vor der Erhebung feststeht.<\/p>\n<p>Gegen die vorliegende Evidenz ist sie ambitioniert. Von den beiden Studien, die den Kontrast im KI-freien Ma\u00df bislang pr\u00fcfen, findet nur Bastani et al. (2025) einen Vorteil der gelenkten gegen\u00fcber der offenen Variante, dort hielt die gelenkte Bedingung das Kontrollniveau, w\u00e4hrend die offene 17 Prozent darunter lag; Bassner et al. (2026) finden keinen. Gegen\u00fcber dem \u00dcben ohne KI zeigt in beiden Studien auch die gelenkte Variante keinen Vorteil, und beide messen unmittelbar, nicht verz\u00f6gert. Die Grundannahme behauptet die Wechselwirkung: Der Vorteil starker Lenkung ist bei geringer Kompetenz wesentlich gr\u00f6\u00dfer als bei hoher. Ihre starke Fassung behauptet zus\u00e4tzlich eine Expertise-Umkehr: Bei hoher Kompetenz zeigt nicht-kontingente Lenkung keinen Vorteil oder einen Nachteil. F\u00fcr kontingente Lenkung macht das Modell keine gesonderte Vorhersage: Weil Kontingenz hier bedeutet, dass Hilfe nur nach Bedarf und nur im n\u00f6tigen Umfang greift, w\u00e4re ein ausbleibender Nachteil eine Folge der Begriffsbestimmung, kein Befund. Pr\u00fcfbar ist allein, ob die als kontingent implementierte Bedingung im Manipulationscheck tats\u00e4chlich bedarfsabh\u00e4ngig ausl\u00f6ste; misslingt das, gilt sie als nicht-kontingent. Als bedarfsabh\u00e4ngig gilt eine Bedingung nur, wenn die Ausl\u00f6seregel vor der Erhebung als beobachtbare Funktion des Protokolls festgeschrieben ist und im Protokoll nachweislich zu unterschiedlichen Hilfeumf\u00e4ngen bei unterschiedlichen Lernenden gef\u00fchrt hat; der blo\u00dfe Nachweis, dass eine Regel hinterlegt war, gen\u00fcgt nicht.<\/p>\n<p>Formal ist dies eine Wechselwirkung von Personenmerkmal und Instruktionsform, in der Tradition der Forschung zu Aptitude-Treatment-Interaktionen (Cronbach &amp; Snow, 1977); der Expertise-Umkehr-Effekt ist ihr am besten belegter Vertreter. Diese Tradition mahnt zur Vorsicht: Interaktionseffekte fallen kleiner aus als Haupteffekte, verlangen gr\u00f6\u00dfere Stichproben und replizieren h\u00e4ufig nicht, wenn das Personenmerkmal unscharf gemessen ist. Die Grundannahme ist deshalb nur so belastbar wie das Ma\u00df der lernbezogenen KI-Kompetenz, das sie voraussetzt.<\/p>\n<p>Die folgenden Kriterien setzen zudem eine Pr\u00e4zision voraus, die ein einzelner Feldversuch mit Randomisierung auf Klassenebene kaum erreicht: Der Ausschluss einer Wechselwirkung von |\u0394d| = 0,20 verlangt ein Vielfaches der Fallzahl, die f\u00fcr ihren Nachweis n\u00f6tig w\u00e4re. Die Pr\u00fcfung ist deshalb gestuft anzulegen: Eine erste Studie pr\u00fcft konfirmatorisch nur den bedingten Vorteil starker Lenkung im unteren Kompetenzbereich; der Ausschluss der Moderation insgesamt bleibt einer Mehrstandortstudie oder einer prospektiven Metaanalyse vorbehalten. Bis dahin gilt die Grundannahme als ungepr\u00fcft, nicht als best\u00e4tigt.<\/p>\n<p>Als widerlegt gilt die Grundannahme in drei F\u00e4llen: wenn ein \u00c4quivalenztest f\u00fcr die Differenz der bedingten Effekte bei einer Standardabweichung unter und \u00fcber dem Kompetenzmittel gegen die Grenze |\u0394d| = 0,20 signifikant ausf\u00e4llt, Lenkung also unabh\u00e4ngig von der Kompetenz wirkt; wenn f\u00fcr den unteren Kompetenzbereich (eine Standardabweichung unter dem Mittel) die obere Grenze des 95-Prozent-Konfidenzintervalls f\u00fcr den Vorteil starker Lenkung unter d = 0,30 liegt, wobei dieses Kriterium nicht die Richtungsaussage widerlegt, sondern ihre praktische Relevanz, denn ein kleinerer gleichgerichteter Effekt bliebe m\u00f6glich, rechtfertigte aber keine Werkzeugentscheidung im Unterricht; oder wenn die Wechselwirkung das entgegengesetzte Vorzeichen hat, der Vorteil starker Lenkung bei hoher Kompetenz also den bei geringer Kompetenz \u00fcbersteigt und das Konfidenzintervall dieser Differenz die Null ausschlie\u00dft. Die starke Fassung gilt dar\u00fcber hinaus als widerlegt, wenn sich bei hoher Kompetenz ein Vorteil auch f\u00fcr nicht-kontingente Lenkung zeigt, dessen Konfidenzintervall die Null ausschlie\u00dft; die Grundannahme bleibt davon unber\u00fchrt, solange der Vorteil bei geringer Kompetenz wesentlich gr\u00f6\u00dfer ist. Nicht signifikante Befunde ohne diese Pr\u00e4zision gelten als unentschieden, nicht als Widerlegung. Die Zuordnung einer Bedingung zu kontingent oder nicht-kontingent wird vor der Datenerhebung festgeschrieben.<\/p>\n<p>Ein Design daf\u00fcr pr\u00e4registriert Hypothesen, Auswertungsplan und Abbruchregeln. Es erhebt die vier Teilkompetenzen vor der Intervention mit KI-fernen Ma\u00dfen, die von der Lenkung nicht beeinflusst sind: ein Vorwissenstest, die Fehlererkennung an vorgelegten KI-Antworten, ein Selbstregulationsma\u00df sowie Lese- und Arbeitsged\u00e4chtnisproben. Die Verhaltensindikatoren der \u00dcbersicht bleiben der formativen Einsch\u00e4tzung vorbehalten; als Moderator w\u00fcrden sie die Pr\u00fcfung zirkul\u00e4r machen, weil sie teilweise Wirkungen der Lenkung sind. Die Teilwerte werden nach einer vorab festgelegten Regel zu einem kontinuierlichen Moderator auf Personenebene verdichtet.<\/p>\n<p>Als erste konfirmatorische Spezifikation wird der gleichgewichtete Summenwert aus standardisierten Teilwerten vorab festgelegt, weil er der messgenaueste Kandidat ist. Die Minimum-Regel aus dem Abschnitt \u201eTeilkompetenzen\u201c ist keine Aussage der Grundannahme, sondern die Praxisheuristik dieses Beitrags. Weil die Praxisempfehlungen auf ihr beruhen, wird sie als vorab registrierte zweite Hypothese mit eigener Alpha-Korrektur gef\u00fchrt: Sagt das Minimum den Lernzuwachs unter Lenkung besser vorher als der Summenwert, sind die Teilkompetenzen als notwendige Bedingungen zu behandeln; bleibt die Regel unbest\u00e4tigt, w\u00e4hrend sich der Summenwert best\u00e4tigt, sind \u00dcbersicht und Handout auf eine kompensatorische Zuordnung umzustellen. Die Minimum-Regel ist messtheoretisch anspruchsvoller, weil das Minimum aus vier fehlerbehafteten Werten nach unten verzerrt und weniger reliabel ist als jedes Einzelma\u00df. Das wiegt schwer, weil im Grundschulalter zwar die Monitoring-Urteile selbst intern konsistent ausfallen, die personenbezogenen Genauigkeitsma\u00dfe dagegen gering reliabel sind und \u00fcber sechs Monate erheblich schwanken (Roebers et al., 2021), und weil sich dort latente Profile finden, die sich nicht nur im Niveau, sondern auch darin unterscheiden, wie weit Monitoring und Kontrolle \u00fcber zwei verschiedene Aufgaben hinweg reichen; in Klasse 4 bleiben schwache Profile \u00fcber ein Jahr hinweg stabil, in Klasse 2 nicht (van Loon &amp; Roebers, 2024). Die Teilkompetenzen sind deshalb mit mehreren Indikatoren zu erheben, und ihre Reliabilit\u00e4t ist vor der konfirmatorischen Analyse zu berichten; andernfalls ist ein ausbleibender Interaktionseffekt nicht von Messfehlerd\u00e4mpfung zu unterscheiden.<\/p>\n<p>Die vier Teilkompetenzen als getrennte Moderatoren dienen als Robustheitspr\u00fcfung. Zeigt sich der erwartete Interaktionsterm unter keiner der vorab benannten Regeln, gilt die Grundannahme als nicht gest\u00fctzt; zeigt er sich nur unter einzelnen, bleibt offen, ob es an der Bezugsgr\u00f6\u00dfe oder an der Annahme liegt, und die Frage ist in einer eigenen Studie mit unabh\u00e4ngig validiertem Kompetenzma\u00df zu entscheiden.<\/p>\n<p>Randomisiert wird auf Klassenebene, um \u00dcbertragungseffekte zu vermeiden. Verglichen werden bei gleicher Aufgabe und gleicher Zeit vier Bedingungen desselben Modells, die gestufte Hinweise (ja\/nein) und eine Sperre des Endergebnisses (ja\/nein) kreuzen, erg\u00e4nzt um einen f\u00fcnften Arm: \u00dcben ohne KI. Erst diese Kreuzung trennt, was das B\u00fcndel bei Bastani et al. (2025) vermischt, n\u00e4mlich den Beitrag der gestuften Hilfe vom Beitrag der Leitplanke.<\/p>\n<p>Weil alle vier Zellen dieselbe hinterlegte Aufgabe und Rolle teilen, halten sie den dritten Hebel konstant; die Grundannahme in ihrer Fassung \u201estark gelenkt gegen\u00fcber offen\u201c verlangt deshalb einen sechsten Arm, in dem dasselbe Basismodell in derselben Oberfl\u00e4che, aber ohne hinterlegte Aufgabe, ohne Fachkontext und ohne Rollenvorgabe antwortet, bei identischer Aufgabe und Zeit. Ein handels\u00fcbliches Produkt als Vergleichsarm w\u00e4re ungeeignet, weil es Kontextualisierung mit Modellgeneration, Oberfl\u00e4che und Antwortstil vermengt und damit den Medienvergleichsfehler wiederholt, den Weidlich et al. (2025) beschreiben; wie realistisch eine so entkleidete Bedingung gegen\u00fcber der tats\u00e4chlichen Chatbot-Nutzung ist, begrenzt die externe Validit\u00e4t. Dieser Arm ist an die rechtlichen Voraussetzungen gebunden und im Grundschulalter nur \u00fcber einen von der Lehrkraft gef\u00fchrten Zugang darstellbar; das vollst\u00e4ndige Design ist deshalb prim\u00e4r in der Sekundarstufe zu realisieren. Der KI-freie Arm ist unverzichtbar, weil sich in bisherigen Feldversuchen die stark gelenkte Variante der Kontrollgruppe ohne KI nur anglich (Bastani et al., 2025); ohne ihn bliebe die Vorfrage des Modells ungepr\u00fcft.<\/p>\n<p>Gemessen wird eine und vier Wochen sp\u00e4ter ohne KI, erg\u00e4nzt um eine Transferaufgabe, eine m\u00fcndliche Erkl\u00e4rung des eigenen Wegs und die Streuung der Ergebnisse als eigene Zielgr\u00f6\u00dfe.<\/p>\n<p>Die Fallzahl folgt aus einer Poweranalyse f\u00fcr diese Wechselwirkung zwischen Klassen- und Personenebene; ma\u00dfgeblich sind neben der Zahl der Klassen die Zahl der Lernenden je Klasse und die Streuung des Kompetenzma\u00dfes innerhalb der Klassen; f\u00fcr einen bedingten Effekt von d = 0,30 ist mit einer dreistelligen Zahl von Klassen zu rechnen. L\u00e4sst sich diese nicht erreichen, ist die Kreuzung auf den zentralen Kontrast (starke Lenkung gegen\u00fcber offen, plus KI-freier Arm) zu reduzieren und die Hebelzerlegung in einer eigenen Studie zu pr\u00fcfen. Ein Manipulationscheck pr\u00fcft an den Dialogprotokollen, ob die Leitplanken gehalten haben; Prozessdaten wie die Zeit bis zur ersten Hilfeanfrage und eigene L\u00f6sungsversuche davor dienen als vermittelnde Gr\u00f6\u00dfen.<\/p>\n<p>Zwei weitere Annahmen lassen sich pr\u00fcfen. Die Verrechnungsannahme verlangt ein Design, das Werkzeuglenkung (eingebettet gegen\u00fcber offen) und Begleitung (intensiv gegen\u00fcber gering) kreuzt und f\u00fcr die beiden gemischten Zellen vergleichbare Ergebnisse vorhersagt. Das Verh\u00e4ltnis der Hebel verlangt, Kontextualisierung und Leitplanken faktoriell zu kreuzen; die Modellannahme lautet hier nicht Additivit\u00e4t, sondern Wechselwirkung: Leitplanken ohne Einbettung auf Anwendungsebene sollten schw\u00e4cher wirken als dieselben Leitplanken mit Einbettung, weil sie im Dialog aushebelbar bleiben. L\u00e4sst sich die Zelle \u201eLeitplanken ohne Kontextualisierung\u201c nicht herstellen, ist die Zerlegung in drei Hebel f\u00fcr die Praxis auf zwei zusammenzuf\u00fchren. Ein solches Design wird im Projekt <a href=\"https:\/\/urff.app\/prima-ki\/\" data-type=\"page\" data-id=\"507\">PRIMA-KI<\/a> vorbereitet, das KI-gest\u00fctzte Lernbegleitung im Mathematikunterricht der Grundschule erprobt.<\/p>\n<p>Weitere Grenzen: Die Beispielbasis beruht \u00fcberwiegend auf Mathematik, Programmieren und Schreiben; ob der Zusammenhang von Kompetenz und Lenkung in st\u00e4rker interpretativen oder gestalterischen F\u00e4chern gleich verl\u00e4uft, ist offen. Die zitierten Befunde sind an bestimmte Modellgenerationen gebunden; ver\u00e4ndern sich F\u00e4higkeiten und Antwortstile generativer Modelle, k\u00f6nnen sich die Effekte verschieben. Und das Modell klammert Kriterien aus, die in der Praxis mitentscheiden: Datenschutz, Kosten, Verf\u00fcgbarkeit und rechtliche Vorgaben.<\/p>\n\n<h2>Fazit<\/h2>\n<p>Wer entscheiden muss, ob und wie KI in einer Stunde vorkommt, geht die vier Planungsfragen durch und ordnet die Lernenden mit der \u00dcbersicht einer Stufe zu. Die Lenkung wird zur\u00fcckgenommen, wenn die Lernenden zeigen, dass sie ohne sie weiterkommen, und nicht, wenn das Werkzeug es erlaubt. Ob das Modell h\u00e4lt, entscheidet die im Abschnitt zu den Grenzen skizzierte Pr\u00fcfung.<\/p>\n\n<h2>H\u00e4ufige Fragen<\/h2>\n<h3>Was ist das SKILL-Modell?<\/h3>\n<p>Ein Ordnungsrahmen f\u00fcr den Einsatz von KI beim Lernen in Schule und Unterricht. Grundregel: Je geringer die Kompetenz einer Person, KI in einer konkreten Sache lernwirksam zu nutzen, desto mehr didaktische Lenkung braucht der Einsatz, aus dem Werkzeug oder durch die Lehrkraft. Mit wachsender Kompetenz wird die Lenkung zur\u00fcckgenommen. Der Name ist kein Akronym, sondern leitet sich aus dieser Grundregel ab: Kompetenz (\u201eskill\u201c) und Lenkung sind miteinander verwoben zu denken.<\/p>\n<h3>Sollte KI in der Grundschule eingesetzt werden?<\/h3>\n<p>Zur\u00fcckhaltend und begrenzt. Das Modell empfiehlt keinen KI-Einsatz; es ordnet ihn, wenn er sinnvoll ist. In der Grundschule entstehen die Grundlagen, an denen sich sp\u00e4ter jede KI-Antwort messen muss; die Selbsteinsch\u00e4tzung des eigenen Verstehens und das Pr\u00fcfen fremder Aussagen sind noch in der Entwicklung. Wenn KI, dann eingebettet in eine Lernanwendung mit fester Rolle oder intensiv durch die Lehrkraft begleitet, und nur dort, wo sie etwas leistet, das Material, Gespr\u00e4ch und eigenes Probieren nicht leisten.<\/p>\n<h3>Warum kann ein Chatbot beim Lernen schaden?<\/h3>\n<p>Weil er den L\u00f6sungsprozess \u00fcberspringen kann. In einem Feldexperiment mit knapp tausend Sch\u00fclerinnen und Sch\u00fclern stieg die Leistung beim \u00dcben mit freiem Chatbot-Zugang; in der Pr\u00fcfung ohne KI lag dieselbe Gruppe dann um 17 Prozent unter dem Leistungsniveau der Kontrollgruppe (Bastani et al., 2025). Leistung mit KI ist nicht dasselbe wie Lernen. Eine Variante mit didaktischen Leitplanken, die Hinweise statt L\u00f6sungen gibt, erreichte in der Pr\u00fcfung wieder das Niveau der Gruppe ohne KI.<\/p>\n<h3>Reichen die Lernmodi von ChatGPT oder Gemini?<\/h3>\n<p>Sie verschieben das Verhalten in die gew\u00fcnschte Richtung, garantieren die Grenzen aber nicht: Sprachmodelle geben L\u00f6sungen preis, wenn Lernende dr\u00e4ngen oder das Thema wechseln (Zhao et al., 2026), und ein Lernmodus l\u00e4sst sich abschalten. F\u00fcr Stufe 2 reicht er, f\u00fcr Stufe 1 nicht; dort m\u00fcssen die Grenzen au\u00dferhalb des Dialogs liegen, oder die Lehrkraft f\u00fchrt den Dialog selbst.<\/p>\n<h3>Was bedeutet didaktische Lenkung?<\/h3>\n<p>Alles, was den Handlungsspielraum der Lernenden im Sinne des Lernziels formt. Bei KI-Werkzeugen wirkt sie \u00fcber drei Hebel: Scaffolding (gestufte Hilfe, die zur\u00fcckgenommen wird), Leitplanken (was die KI nicht tut, etwa L\u00f6sungen vorwegnehmen) und Kontextualisierung (Aufgabe, Fachkontext und Rolle sind hinterlegt). Dazu kommt die personelle Begleitung durch die Lehrkraft.<\/p>\n\n<h2>Literatur<\/h2>\n<ul class=\"quellen\">\n<li>Aleven, V., Roll, I., McLaren, B. M., &amp; Koedinger, K. R. (2016). Help helps, but only so much: Research on help seeking with intelligent tutoring systems. <em>International Journal of Artificial Intelligence in Education, 26<\/em>(1), 205\u2013223. <a href=\"https:\/\/doi.org\/10.1007\/s40593-015-0089-1\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s40593-015-0089-1<\/a><\/li>\n<li>Armitage, K. L., &amp; Gilbert, S. J. (2025). The nature and development of cognitive offloading in children. <em>Child Development Perspectives, 19<\/em>(2), 108\u2013115. <a href=\"https:\/\/doi.org\/10.1111\/cdep.12532\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/cdep.12532<\/a><\/li>\n<li>Barcaui, A. (2025). ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention. <em>Social Sciences &amp; Humanities Open, 12<\/em>, Artikel 102287. <a href=\"https:\/\/doi.org\/10.1016\/j.ssaho.2025.102287\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.ssaho.2025.102287<\/a><\/li>\n<li>Bassner, P., Lenk-Ostendorf, B., Beinstingel, R., Wasner, T., &amp; Krusche, S. (2026). Less stress, better scores, same learning: The dissociation of performance and learning in AI-supported programming education. <em>Computers and Education: Artificial Intelligence, 10<\/em>, Artikel 100537. <a href=\"https:\/\/doi.org\/10.1016\/j.caeai.2025.100537\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.caeai.2025.100537<\/a><\/li>\n<li>Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakc\u0131, \u00d6., &amp; Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. <em>Proceedings of the National Academy of Sciences, 122<\/em>(26), e2422633122. <a href=\"https:\/\/doi.org\/10.1073\/pnas.2422633122\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1073\/pnas.2422633122<\/a><\/li>\n<li>Bayard, N. S., van Loon, M. H., Steiner, M., &amp; Roebers, C. M. (2021). Developmental improvements and persisting difficulties in children&#8217;s metacognitive monitoring and control skills: Cross-sectional and longitudinal perspectives. <em>Child Development, 92<\/em>(3), 1118\u20131136. <a href=\"https:\/\/doi.org\/10.1111\/cdev.13486\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/cdev.13486<\/a><\/li>\n<li>Belland, B. R., Walker, A. E., Kim, N. J., &amp; Lefler, M. (2017). Synthesizing results from empirical research on computer-based scaffolding in STEM education: A meta-analysis. <em>Review of Educational Research, 87<\/em>(2), 309\u2013344. <a href=\"https:\/\/doi.org\/10.3102\/0034654316670999\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.3102\/0034654316670999<\/a><\/li>\n<li>Bellon, E., Fias, W., &amp; De Smedt, B. (2020). Metacognition across domains: Is the association between arithmetic and metacognitive monitoring domain-specific? <em>PLOS ONE, 15<\/em>(3), Artikel e0229932. <a href=\"https:\/\/doi.org\/10.1371\/journal.pone.0229932\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1371\/journal.pone.0229932<\/a><\/li>\n<li>Best, J. R., &amp; Miller, P. H. (2010). A developmental perspective on executive function. <em>Child Development, 81<\/em>(6), 1641\u20131660. <a href=\"https:\/\/doi.org\/10.1111\/j.1467-8624.2010.01499.x\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/j.1467-8624.2010.01499.x<\/a><\/li>\n<li>Bildungsministerkonferenz. (2024). <em>Handlungsempfehlung f\u00fcr die Bildungsverwaltung zum Umgang mit K\u00fcnstlicher Intelligenz in schulischen Bildungsprozessen<\/em> [Beschluss vom 10.10.2024]. <a href=\"https:\/\/www.kmk.org\/\" target=\"_blank\" rel=\"noopener\">https:\/\/www.kmk.org\/<\/a><\/li>\n<li>Bjork, E. L., &amp; Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher, R. W. Pew, L. M. Hough, &amp; J. R. Pomerantz (Hrsg.), <em>Psychology and the real world: Essays illustrating fundamental contributions to society<\/em> (S. 56\u201364). Worth Publishers.<\/li>\n<li>Brown, P., &amp; Gummerum, M. (2025). Trust issues: Adolescents\u2019 epistemic vigilance towards online sources. <em>British Journal of Developmental Psychology, 43<\/em>(3), 578\u2013594. <a href=\"https:\/\/doi.org\/10.1111\/bjdp.12559\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/bjdp.12559<\/a><\/li>\n<li>Bu\u00e7inca, Z., Malaya, M. B., &amp; Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. <em>Proceedings of the ACM on Human-Computer Interaction, 5<\/em>(CSCW1), Artikel 188. <a href=\"https:\/\/doi.org\/10.1145\/3449287\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1145\/3449287<\/a><\/li>\n<li>Buehler, F. J., Ghetti, S., &amp; Roebers, C. M. (2025). Repeated feedback can benefit seven-year-olds&#8216; uncertainty monitoring in a memory task. <em>Journal of Cognitive Enhancement, 9<\/em>(2), 230\u2013243. <a href=\"https:\/\/doi.org\/10.1007\/s41465-025-00322-8\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s41465-025-00322-8<\/a><\/li>\n<li>Cheung, A. C. K., &amp; Slavin, R. E. (2016). How methodological features affect effect sizes in education. <em>Educational Researcher, 45<\/em>(5), 283\u2013292. <a href=\"https:\/\/doi.org\/10.3102\/0013189X16656615\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.3102\/0013189X16656615<\/a><\/li>\n<li>Chi, M. T. H., &amp; Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. <em>Educational Psychologist, 49<\/em>(4), 219\u2013243. <a href=\"https:\/\/doi.org\/10.1080\/00461520.2014.965823\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1080\/00461520.2014.965823<\/a><\/li>\n<li>Cohen, J. (1988). <em>Statistical power analysis for the behavioral sciences<\/em> (2. Aufl.). Lawrence Erlbaum.<\/li>\n<li>Cronbach, L. J., &amp; Snow, R. E. (1977). <em>Aptitudes and instructional methods: A handbook for research on interactions<\/em>. Irvington.<\/li>\n<li>Csibra, G., &amp; Gergely, G. (2009). Natural pedagogy. <em>Trends in Cognitive Sciences, 13<\/em>(4), 148\u2013153. <a href=\"https:\/\/doi.org\/10.1016\/j.tics.2009.01.005\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.tics.2009.01.005<\/a><\/li>\n<li>Danovitch, J. H. (2019). Growing up with Google: How children&#8217;s understanding and use of internet-based devices relates to cognitive development. <em>Human Behavior and Emerging Technologies, 1<\/em>(2), 81\u201390. <a href=\"https:\/\/doi.org\/10.1002\/hbe2.142\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1002\/hbe2.142<\/a><\/li>\n<li>Darvishi, A., Khosravi, H., Sadiq, S., Ga\u0161evi\u0107, D., &amp; Siemens, G. (2024). Impact of AI assistance on student agency. <em>Computers &amp; Education, 210<\/em>, Artikel 104967. <a href=\"https:\/\/doi.org\/10.1016\/j.compedu.2023.104967\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.compedu.2023.104967<\/a><\/li>\n<li>de Boer, H., Donker, A. S., Kostons, D. D. N. M., &amp; van der Werf, G. P. C. (2018). Long-term effects of metacognitive strategy instruction on student academic performance: A meta-analysis. <em>Educational Research Review, 24<\/em>, 98\u2013115. <a href=\"https:\/\/doi.org\/10.1016\/j.edurev.2018.03.002\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.edurev.2018.03.002<\/a><\/li>\n<li>De Simone, M. E., Tiberti, F., Barron Rodriguez, M., Manolio, F., Mosuro, W., &amp; Dikoru, E. J. (2025). <em>From chalkboards to chatbots: Evaluating the impact of generative AI on learning outcomes in Nigeria<\/em> (Policy Research Working Paper 11125). World Bank. <a href=\"https:\/\/documents.worldbank.org\/en\/publication\/documents-reports\/documentdetail\/099548105192529324\" target=\"_blank\" rel=\"noopener\">https:\/\/documents.worldbank.org\/en\/publication\/documents-reports\/documentdetail\/099548105192529324<\/a><\/li>\n<li>Deng, R., Jiang, M., Yu, X., Lu, Y., &amp; Liu, S. (2025). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. <em>Computers &amp; Education, 227<\/em>, Artikel 105224. <a href=\"https:\/\/doi.org\/10.1016\/j.compedu.2024.105224\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.compedu.2024.105224<\/a><\/li>\n<li>Destan, N., &amp; Roebers, C. M. (2015). What are the metacognitive costs of young children&#8217;s overconfidence? <em>Metacognition and Learning, 10<\/em>(3), 347\u2013374. <a href=\"https:\/\/doi.org\/10.1007\/s11409-014-9133-z\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s11409-014-9133-z<\/a><\/li>\n<li>Dignath, C., &amp; B\u00fcttner, G. (2008). Components of fostering self-regulated learning among students: A meta-analysis on intervention studies at primary and secondary school level. <em>Metacognition and Learning, 3<\/em>(3), 231\u2013264. <a href=\"https:\/\/doi.org\/10.1007\/s11409-008-9029-x\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s11409-008-9029-x<\/a><\/li>\n<li>Doebel, S. (2020). Rethinking executive function and its development. <em>Perspectives on Psychological Science, 15<\/em>(4), 942\u2013956. <a href=\"https:\/\/doi.org\/10.1177\/1745691620904771\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1177\/1745691620904771<\/a><\/li>\n<li>Europ\u00e4ische Union. (2024). Verordnung (EU) 2024\/1689 des Europ\u00e4ischen Parlaments und des Rates zur Festlegung harmonisierter Vorschriften f\u00fcr k\u00fcnstliche Intelligenz (KI-Verordnung). <em>Amtsblatt der Europ\u00e4ischen Union<\/em>, L, 2024\/1689. <a href=\"https:\/\/data.europa.eu\/eli\/reg\/2024\/1689\/oj\" target=\"_blank\" rel=\"noopener\">https:\/\/data.europa.eu\/eli\/reg\/2024\/1689\/oj<\/a><\/li>\n<li>Europ\u00e4ische Union. (2026). Verordnung (EU) 2026\/1744 des Europ\u00e4ischen Parlaments und des Rates zur \u00c4nderung der Verordnung (EU) 2024\/1689 (Digital Omnibus zur k\u00fcnstlichen Intelligenz). <em>Amtsblatt der Europ\u00e4ischen Union<\/em>, L, 2026\/1744. <a href=\"https:\/\/eur-lex.europa.eu\/eli\/reg\/2026\/1744\/oj\" target=\"_blank\" rel=\"noopener\">https:\/\/eur-lex.europa.eu\/eli\/reg\/2026\/1744\/oj<\/a><\/li>\n<li>Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., &amp; Ga\u0161evi\u0107, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. <em>British Journal of Educational Technology, 56<\/em>(2), 489\u2013530. <a href=\"https:\/\/doi.org\/10.1111\/bjet.13544\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/bjet.13544<\/a><\/li>\n<li>Fernandes, D., Villa, S., Nicholls, S., Haavisto, O., Buschek, D., Schmidt, A., Kosch, T., Shen, C., &amp; Welsch, R. (2026). AI makes you smarter but none the wiser: The disconnect between performance and metacognition. <em>Computers in Human Behavior, 175<\/em>, Artikel 108779. <a href=\"https:\/\/doi.org\/10.1016\/j.chb.2025.108779\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.chb.2025.108779<\/a><\/li>\n<li>Fischer, M., Rau, H. A., &amp; Rilke, R. M. (2025). <em>AI tutoring enhances student learning without crowding out reading effort<\/em> (IZA Discussion Paper Nr. 18338). Institute of Labor Economics. <a href=\"https:\/\/docs.iza.org\/dp18338.pdf\" target=\"_blank\" rel=\"noopener\">https:\/\/docs.iza.org\/dp18338.pdf<\/a><\/li>\n<li>Fisher, M., Goddu, M. K., &amp; Keil, F. C. (2015). Searching for explanations: How the Internet inflates estimates of internal knowledge. <em>Journal of Experimental Psychology: General, 144<\/em>(3), 674\u2013687. <a href=\"https:\/\/doi.org\/10.1037\/xge0000070\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1037\/xge0000070<\/a><\/li>\n<li>F\u00fctterer, T., Bardach, L., Kuhn, J., Keller, S. D., &amp; Gerjets, P. (2026). Enhancing school students&#8216; self-regulated learning through generative AI support: A randomized controlled trial. <em>Educational Psychology Review, 38<\/em>(1), Artikel 42. <a href=\"https:\/\/doi.org\/10.1007\/s10648-026-10133-8\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s10648-026-10133-8<\/a><\/li>\n<li>Girouard-Hallam, L. N., &amp; Danovitch, J. H. (2022). Children&#8217;s trust in and learning from voice assistants. <em>Developmental Psychology, 58<\/em>(4), 646\u2013661. <a href=\"https:\/\/doi.org\/10.1037\/dev0001318\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1037\/dev0001318<\/a><\/li>\n<li>Google DeepMind. (2026, 9. Juni). <em>Gemini&#8217;s guided learning: Results from a randomized controlled trial in Sierra Leone<\/em> [Technischer Bericht des Anbieters]. <a href=\"https:\/\/deepmind.google\/blog\/measuring-the-impact-of-learning-with-ai-in-sierra-leone-and-beyond\/\" target=\"_blank\" rel=\"noopener\">https:\/\/deepmind.google\/blog\/measuring-the-impact-of-learning-with-ai-in-sierra-leone-and-beyond\/<\/a><\/li>\n<li>Hamilton, E. R., Rosenberg, J. M., &amp; Akcaoglu, M. (2016). The Substitution Augmentation Modification Redefinition (SAMR) model: A critical review and suggestions for its use. <em>TechTrends, 60<\/em>(5), 433\u2013441. <a href=\"https:\/\/doi.org\/10.1007\/s11528-016-0091-y\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s11528-016-0091-y<\/a><\/li>\n<li>Han, X., Peng, H., &amp; Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review and meta-analysis of experimental studies. <em>Educational Research Review, 48<\/em>, Artikel 100714. <a href=\"https:\/\/doi.org\/10.1016\/j.edurev.2025.100714\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.edurev.2025.100714<\/a><\/li>\n<li>Harris, P. L., Koenig, M. A., Corriveau, K. H., &amp; Jaswal, V. K. (2018). Cognitive foundations of learning from testimony. <em>Annual Review of Psychology, 69<\/em>, 251\u2013273. <a href=\"https:\/\/doi.org\/10.1146\/annurev-psych-122216-011710\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1146\/annurev-psych-122216-011710<\/a><\/li>\n<li>Herold, A., &amp; Seufert, T. (2025). Who regulates? Effects of scaffolding in system- and self-regulated learning. <em>Frontiers in Psychology, 16<\/em>, Artikel 1543024. <a href=\"https:\/\/doi.org\/10.3389\/fpsyg.2025.1543024\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.3389\/fpsyg.2025.1543024<\/a> (Korrigendum: <a href=\"https:\/\/doi.org\/10.3389\/fpsyg.2025.1642170\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.3389\/fpsyg.2025.1642170<\/a>)<\/li>\n<li>Heyes, C. (2016). Born pupils? Natural pedagogy and cultural pedagogy. <em>Perspectives on Psychological Science, 11<\/em>(2), 280\u2013295. <a href=\"https:\/\/doi.org\/10.1177\/1745691615621276\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1177\/1745691615621276<\/a><\/li>\n<li>Hmelo-Silver, C. E., Duncan, R. G., &amp; Chinn, C. A. (2007). Scaffolding and achievement in problem-based and inquiry learning: A response to Kirschner, Sweller, and Clark (2006). <em>Educational Psychologist, 42<\/em>(2), 99\u2013107. <a href=\"https:\/\/doi.org\/10.1080\/00461520701263368\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1080\/00461520701263368<\/a><\/li>\n<li>Hofer, S. I., &amp; Reinhold, F. (2025). Scaffolding of learning activities: Aptitude-treatment-interaction effects in math? <em>Learning and Instruction, 99<\/em>, Artikel 102177. <a href=\"https:\/\/doi.org\/10.1016\/j.learninstruc.2025.102177\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.learninstruc.2025.102177<\/a><\/li>\n<li>Holstein, K., McLaren, B. M., &amp; Aleven, V. (2018). Student learning benefits of a mixed-reality teacher awareness tool in AI-enhanced classrooms. In C. Penstein Ros\u00e9, R. Mart\u00ednez-Maldonado, H. U. Hoppe, R. Luckin, M. Mavrikis, K. Porayska-Pomsta, B. McLaren &amp; B. du Boulay (Hrsg.), <em>Artificial intelligence in education<\/em> (Lecture Notes in Computer Science, Bd. 10947, S. 154\u2013168). Springer. <a href=\"https:\/\/doi.org\/10.1007\/978-3-319-93843-1_12\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/978-3-319-93843-1_12<\/a><\/li>\n<li>Kalyuga, S. (2007). Expertise reversal effect and its implications for learner-tailored instruction. <em>Educational Psychology Review, 19<\/em>(4), 509\u2013539. <a href=\"https:\/\/doi.org\/10.1007\/s10648-007-9054-3\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s10648-007-9054-3<\/a><\/li>\n<li>Kalyuga, S., Ayres, P., Chandler, P., &amp; Sweller, J. (2003). The expertise reversal effect. <em>Educational Psychologist, 38<\/em>(1), 23\u201331. <a href=\"https:\/\/doi.org\/10.1207\/S15326985EP3801_4\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1207\/S15326985EP3801_4<\/a><\/li>\n<li>Kapur, M. (2016). Examining productive failure, productive success, unproductive failure, and unproductive success in learning. <em>Educational Psychologist, 51<\/em>(2), 289\u2013299. <a href=\"https:\/\/doi.org\/10.1080\/00461520.2016.1155457\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1080\/00461520.2016.1155457<\/a><\/li>\n<li>Kestin, G., Miller, K., Klales, A., Milbourne, T., &amp; Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. <em>Scientific Reports, 15<\/em>(1), Artikel 17458. <a href=\"https:\/\/doi.org\/10.1038\/s41598-025-97652-6\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1038\/s41598-025-97652-6<\/a><\/li>\n<li>Kirschner, P. A., Sweller, J., &amp; Clark, R. E. (2006). Why minimal guidance during instruction does not work: An analysis of the failure of constructivist, discovery, problem-based, experiential, and inquiry-based teaching. <em>Educational Psychologist, 41<\/em>(2), 75\u201386. <a href=\"https:\/\/doi.org\/10.1207\/s15326985ep4102_1\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1207\/s15326985ep4102_1<\/a><\/li>\n<li>Koedinger, K. R., &amp; Aleven, V. (2007). Exploring the assistance dilemma in experiments with Cognitive Tutors. <em>Educational Psychology Review, 19<\/em>(3), 239\u2013264. <a href=\"https:\/\/doi.org\/10.1007\/s10648-007-9049-0\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s10648-007-9049-0<\/a><\/li>\n<li>Kolloff, K., Roebers, C. M., &amp; Buehler, F. J. (2023). 7- and 8-year-olds&#8216; struggle with monitoring: Inaccuracy persists despite feedback. <em>Zeitschrift f\u00fcr Entwicklungspsychologie und P\u00e4dagogische Psychologie, 55<\/em>(2\u20133), 91\u2013109. <a href=\"https:\/\/doi.org\/10.1026\/0049-8637\/a000276\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1026\/0049-8637\/a000276<\/a><\/li>\n<li>Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., &amp; Maes, P. (2025). <em>Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task<\/em> [Preprint]. arXiv. <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2506.08872\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.48550\/arXiv.2506.08872<\/a><\/li>\n<li>Kraft, M. A. (2020). Interpreting effect sizes of education interventions. <em>Educational Researcher, 49<\/em>(4), 241\u2013253. <a href=\"https:\/\/doi.org\/10.3102\/0013189X20912798\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.3102\/0013189X20912798<\/a><\/li>\n<li>Kulik, J. A., &amp; Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A meta-analytic review. <em>Review of Educational Research, 86<\/em>(1), 42\u201378. <a href=\"https:\/\/doi.org\/10.3102\/0034654315581420\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.3102\/0034654315581420<\/a><\/li>\n<li>Lazonder, A. W., &amp; Harmsen, R. (2016). Meta-analysis of inquiry-based learning: Effects of guidance. <em>Review of Educational Research, 86<\/em>(3), 681\u2013718. <a href=\"https:\/\/doi.org\/10.3102\/0034654315627366\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.3102\/0034654315627366<\/a><\/li>\n<li>LearnLM Team, Google. (2024). <em>LearnLM: Improving Gemini for learning<\/em> [Preprint]. arXiv. <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2412.16429\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.48550\/arXiv.2412.16429<\/a><\/li>\n<li>Lee, H., Stinar, F., Zong, R., Valdiviejas, H., Wang, D., &amp; Bosch, N. (2025). Learning behaviors mediate the effect of AI-powered support for metacognitive calibration on learning outcomes. In <em>Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems<\/em> (S. 1\u201318). Association for Computing Machinery. <a href=\"https:\/\/doi.org\/10.1145\/3706598.3713960\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1145\/3706598.3713960<\/a><\/li>\n<li>Lehmann, M., Cornelius, P. B., &amp; Sting, F. J. (2025). <em>AI meets the classroom: When do large language models harm learning?<\/em> [Preprint]. arXiv. <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2409.09047\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.48550\/arXiv.2409.09047<\/a><\/li>\n<li>Li, X., &amp; Yow, W. Q. (2024). Younger, not older, children trust an inaccurate human informant more than an inaccurate robot informant. <em>Child Development, 95<\/em>(3), 988\u20131000. <a href=\"https:\/\/doi.org\/10.1111\/cdev.14048\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/cdev.14048<\/a><\/li>\n<li>Liu, J., Sun, D., Sun, J., Wang, J., &amp; Yu, P. L. H. (2025). Designing a generative AI enabled learning environment for mathematics word problem solving in primary schools: Learning performance, attitudes and interaction. <em>Computers and Education: Artificial Intelligence, 9<\/em>, Artikel 100438. <a href=\"https:\/\/doi.org\/10.1016\/j.caeai.2025.100438\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.caeai.2025.100438<\/a><\/li>\n<li>Maurya, K. K., Srivatsa, K. A., Petukhova, K., &amp; Kochmar, E. (2025). Unifying AI tutor evaluation: An evaluation taxonomy for pedagogical ability assessment of LLM-powered AI tutors. In <em>Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics: Human Language Technologies<\/em> (Bd. 1, S. 1234\u20131251). Association for Computational Linguistics. <a href=\"https:\/\/doi.org\/10.18653\/v1\/2025.naacl-long.57\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.18653\/v1\/2025.naacl-long.57<\/a><\/li>\n<li>Mazancieux, A., Fleming, S. M., Souchay, C., &amp; Moulin, C. J. A. (2020). Is there a G factor for metacognition? Correlations in retrospective metacognitive sensitivity across tasks. <em>Journal of Experimental Psychology: General, 149<\/em>(9), 1788\u20131799. <a href=\"https:\/\/doi.org\/10.1037\/xge0000746\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1037\/xge0000746<\/a><\/li>\n<li>Mills, C. M. (2013). Knowing when to doubt: Developing a critical stance when learning from others. <em>Developmental Psychology, 49<\/em>(3), 404\u2013418. <a href=\"https:\/\/doi.org\/10.1037\/a0029500\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1037\/a0029500<\/a><\/li>\n<li>Mills, C. M., &amp; Keil, F. C. (2004). Knowing the limits of one&#8217;s understanding: The development of an awareness of an illusion of explanatory depth. <em>Journal of Experimental Child Psychology, 87<\/em>(1), 1\u201332. <a href=\"https:\/\/doi.org\/10.1016\/j.jecp.2003.09.003\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.jecp.2003.09.003<\/a><\/li>\n<li>Mishra, P., &amp; Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. <em>Teachers College Record, 108<\/em>(6), 1017\u20131054. <a href=\"https:\/\/doi.org\/10.1111\/j.1467-9620.2006.00684.x\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/j.1467-9620.2006.00684.x<\/a><\/li>\n<li>Molenaar, I. (2022a). The concept of hybrid human-AI regulation: Exemplifying how to support young learners&#8216; self-regulated learning. <em>Computers and Education: Artificial Intelligence, 3<\/em>, Artikel 100070. <a href=\"https:\/\/doi.org\/10.1016\/j.caeai.2022.100070\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.caeai.2022.100070<\/a><\/li>\n<li>Molenaar, I. (2022b). Towards hybrid human-AI learning technologies. <em>European Journal of Education, 57<\/em>(4), 632\u2013645. <a href=\"https:\/\/doi.org\/10.1111\/ejed.12527\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/ejed.12527<\/a><\/li>\n<li>Nelson, T. O., &amp; Narens, L. (1990). Metamemory: A theoretical framework and new findings. In G. H. Bower (Hrsg.), <em>Psychology of learning and motivation<\/em> (Bd. 26, S. 125\u2013173). Academic Press. <a href=\"https:\/\/doi.org\/10.1016\/S0079-7421(08)60053-5\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/S0079-7421(08)60053-5<\/a><\/li>\n<li>Newman, R. S. (2002). How self-regulated learners cope with academic difficulty: The role of adaptive help seeking. <em>Theory Into Practice, 41<\/em>(2), 132\u2013138. <a href=\"https:\/\/doi.org\/10.1207\/s15430421tip4102_10\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1207\/s15430421tip4102_10<\/a><\/li>\n<li>Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., &amp; Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. <em>Computers and Education: Artificial Intelligence, 2<\/em>, Artikel 100041. <a href=\"https:\/\/doi.org\/10.1016\/j.caeai.2021.100041\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.caeai.2021.100041<\/a><\/li>\n<li>OECD. (2026). <em>OECD digital education outlook 2026: Exploring effective uses of generative AI in education<\/em>. OECD Publishing. <a href=\"https:\/\/doi.org\/10.1787\/062a7394-en\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1787\/062a7394-en<\/a><\/li>\n<li>OECD &amp; Europ\u00e4ische Kommission. (2026). <em>Empowering learners for the age of AI: An AI literacy framework for primary and secondary education<\/em>. OECD Publishing. <a href=\"https:\/\/doi.org\/10.1787\/65cd27d4-en\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1787\/65cd27d4-en<\/a><\/li>\n<li>Otis, N. G., Clarke, R., Delecourt, S., Holtz, D., &amp; Koning, R. (2026). The uneven impact of generative artificial intelligence on entrepreneurial performance: Evidence from a field experiment in Kenya. <em>Management Science<\/em>. Vorab-Onlinever\u00f6ffentlichung. <a href=\"https:\/\/doi.org\/10.1287\/mnsc.2024.06909\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1287\/mnsc.2024.06909<\/a><\/li>\n<li>Pearson, P. D., &amp; Gallagher, M. C. (1983). The instruction of reading comprehension. <em>Contemporary Educational Psychology, 8<\/em>(3), 317\u2013344. <a href=\"https:\/\/doi.org\/10.1016\/0361-476X(83)90019-X\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/0361-476X(83)90019-X<\/a><\/li>\n<li>Perkins, M., Furze, L., Roe, J., &amp; MacVaugh, J. (2024). The Artificial Intelligence Assessment Scale (AIAS): A framework for ethical integration of generative AI in educational assessment. <em>Journal of University Teaching and Learning Practice, 21<\/em>(6). <a href=\"https:\/\/doi.org\/10.53761\/q3azde36\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.53761\/q3azde36<\/a><\/li>\n<li>Perkins, M., Roe, J., &amp; Furze, L. (2025). Reimagining the Artificial Intelligence Assessment Scale: A refined framework for educational assessment. <em>Journal of University Teaching and Learning Practice, 22<\/em>(7). <a href=\"https:\/\/doi.org\/10.53761\/rrm4y757\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.53761\/rrm4y757<\/a><\/li>\n<li>Puntambekar, S., &amp; H\u00fcbscher, R. (2005). Tools for scaffolding students in a complex learning environment: What have we gained and what have we missed? <em>Educational Psychologist, 40<\/em>(1), 1\u201312. <a href=\"https:\/\/doi.org\/10.1207\/s15326985ep4001_1\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1207\/s15326985ep4001_1<\/a><\/li>\n<li>Redecker, C. (2017). <em>European framework for the digital competence of educators: DigCompEdu<\/em> (Y. Punie, Hrsg.). Publications Office of the European Union. <a href=\"https:\/\/doi.org\/10.2760\/159770\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.2760\/159770<\/a><\/li>\n<li>Reiser, B. J. (2004). Scaffolding complex learning: The mechanisms of structuring and problematizing student work. <em>Journal of the Learning Sciences, 13<\/em>(3), 273\u2013304. <a href=\"https:\/\/doi.org\/10.1207\/s15327809jls1303_2\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1207\/s15327809jls1303_2<\/a><\/li>\n<li>Renkl, A., &amp; Atkinson, R. K. (2003). Structuring the transition from example study to problem solving in cognitive skill acquisition: A cognitive load perspective. <em>Educational Psychologist, 38<\/em>(1), 15\u201322. <a href=\"https:\/\/doi.org\/10.1207\/S15326985EP3801_3\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1207\/S15326985EP3801_3<\/a><\/li>\n<li>Risko, E. F., &amp; Gilbert, S. J. (2016). Cognitive offloading. <em>Trends in Cognitive Sciences, 20<\/em>(9), 676\u2013688. <a href=\"https:\/\/doi.org\/10.1016\/j.tics.2016.07.002\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.tics.2016.07.002<\/a><\/li>\n<li>Roebers, C. M. (2017). Executive function and metacognition: Towards a unifying framework of cognitive self-regulation. <em>Developmental Review, 45<\/em>, 31\u201351. <a href=\"https:\/\/doi.org\/10.1016\/j.dr.2017.04.001\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.dr.2017.04.001<\/a><\/li>\n<li>Roebers, C. M., van Loon, M. H., Buehler, F. J., Bayard, N. S., Steiner, M., &amp; Aeschlimann, E. A. (2021). Exploring psychometric properties of children&#8217;s metacognitive monitoring. <em>Acta Psychologica, 220<\/em>, Artikel 103399. <a href=\"https:\/\/doi.org\/10.1016\/j.actpsy.2021.103399\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.actpsy.2021.103399<\/a><\/li>\n<li>Rouault, M., McWilliams, A., Allen, M. G., &amp; Fleming, S. M. (2018). Human metacognition across domains: Insights from individual differences and neuroimaging. <em>Personality Neuroscience, 1<\/em>, Artikel e17. <a href=\"https:\/\/doi.org\/10.1017\/pen.2018.16\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1017\/pen.2018.16<\/a><\/li>\n<li>Rovers, S. F. E., Clarebout, G., Savelberg, H. H. C. M., de Bruin, A. B. H., &amp; van Merri\u00ebnboer, J. J. G. (2019). Granularity matters: Comparing different ways of measuring self-regulated learning. <em>Metacognition and Learning, 14<\/em>(1), 1\u201319. <a href=\"https:\/\/doi.org\/10.1007\/s11409-019-09188-6\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s11409-019-09188-6<\/a><\/li>\n<li>Rowe, L. (2026). From gradual release of responsibility to gradual release of technology: A case for the staged use of AI in formal education. <em>Education Sciences, 16<\/em>(8), Artikel 1291. <a href=\"https:\/\/doi.org\/10.3390\/educsci16081291\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.3390\/educsci16081291<\/a><\/li>\n<li>Rozenblit, L., &amp; Keil, F. (2002). The misunderstood limits of folk science: An illusion of explanatory depth. <em>Cognitive Science, 26<\/em>(5), 521\u2013562. <a href=\"https:\/\/doi.org\/10.1207\/s15516709cog2605_1\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1207\/s15516709cog2605_1<\/a><\/li>\n<li>Salomon, G., Perkins, D. N., &amp; Globerson, T. (1991). Partners in cognition: Extending human intelligence with intelligent technologies. <em>Educational Researcher, 20<\/em>(3), 2\u20139. <a href=\"https:\/\/doi.org\/10.3102\/0013189X020003002\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.3102\/0013189X020003002<\/a><\/li>\n<li>Saye, J. W., &amp; Brush, T. (2002). Scaffolding critical reasoning about history and social issues in multimedia-supported learning environments. <em>Educational Technology Research and Development, 50<\/em>(3), 77\u201396. <a href=\"https:\/\/doi.org\/10.1007\/BF02505026\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/BF02505026<\/a><\/li>\n<li>Schraw, G. (2009). A conceptual analysis of five measures of metacognitive monitoring. <em>Metacognition and Learning, 4<\/em>(1), 33\u201345. <a href=\"https:\/\/doi.org\/10.1007\/s11409-008-9031-3\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s11409-008-9031-3<\/a><\/li>\n<li>Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., &amp; Perez, E. (2024). Towards understanding sycophancy in language models. In <em>The Twelfth International Conference on Learning Representations (ICLR 2024)<\/em>. <a href=\"https:\/\/openreview.net\/forum?id=tvhaxkMKAn\" target=\"_blank\" rel=\"noopener\">https:\/\/openreview.net\/forum?id=tvhaxkMKAn<\/a><\/li>\n<li>Sperber, D., Cl\u00e9ment, F., Heintz, C., Mascaro, O., Mercier, H., Origgi, G., &amp; Wilson, D. (2010). Epistemic vigilance. <em>Mind &amp; Language, 25<\/em>(4), 359\u2013393. <a href=\"https:\/\/doi.org\/10.1111\/j.1468-0017.2010.01394.x\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/j.1468-0017.2010.01394.x<\/a><\/li>\n<li>Stadler, M., Bannert, M., &amp; Sailer, M. (2024). Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry. <em>Computers in Human Behavior, 160<\/em>, Artikel 108386. <a href=\"https:\/\/doi.org\/10.1016\/j.chb.2024.108386\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.chb.2024.108386<\/a><\/li>\n<li>St\u00e4ndige Wissenschaftliche Kommission der Kultusministerkonferenz [SWK]. (2024). <em>Large Language Models und ihre Potenziale im Bildungssystem<\/em> [Impulspapier]. <a href=\"https:\/\/doi.org\/10.25656\/01:28303\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.25656\/01:28303<\/a><\/li>\n<li>Stankovi\u0107, M., Hirche, E., Kollatzsch, S., &amp; Doetsch, J. N. (2026). <em>Comment on: Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing tasks<\/em> [Preprint]. arXiv. <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2601.00856\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.48550\/arXiv.2601.00856<\/a><\/li>\n<li>Strohmaier, A., B\u00f6defeld, S., Straser, O., &amp; Reinhold, F. (2026). <em>LLAMA LIMA: A living meta-analysis on the effects of generative AI on learning mathematics<\/em> (Version 4) [Preprint]. arXiv. <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2601.18685\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.48550\/arXiv.2601.18685<\/a><\/li>\n<li>Sweller, J., van Merri\u00ebnboer, J. J. G., &amp; Paas, F. (2019). Cognitive architecture and instructional design: 20 years later. <em>Educational Psychology Review, 31<\/em>(2), 261\u2013292. <a href=\"https:\/\/doi.org\/10.1007\/s10648-019-09465-5\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s10648-019-09465-5<\/a><\/li>\n<li>Szufnarowska, J., Rohlfing, K. J., Fawcett, C., &amp; Gredeb\u00e4ck, G. (2014). Is ostension any more than attention? <em>Scientific Reports, 4<\/em>, Artikel 5304. <a href=\"https:\/\/doi.org\/10.1038\/srep05304\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1038\/srep05304<\/a><\/li>\n<li>Tabak, I. (2004). Synergy: A complement to emerging patterns of distributed scaffolding. <em>Journal of the Learning Sciences, 13<\/em>(3), 305\u2013335. <a href=\"https:\/\/doi.org\/10.1207\/s15327809jls1303_3\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1207\/s15327809jls1303_3<\/a><\/li>\n<li>Tetzlaff, L., Simonsmeier, B. A., Peters, T., &amp; Brod, G. (2025). A cornerstone of adaptivity: A meta-analysis of the expertise reversal effect. <em>Learning and Instruction, 98<\/em>, Artikel 102142. <a href=\"https:\/\/doi.org\/10.1016\/j.learninstruc.2025.102142\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.learninstruc.2025.102142<\/a><\/li>\n<li>UNESCO. (2024). <em>AI competency framework for students<\/em>. <a href=\"https:\/\/doi.org\/10.54675\/JKJB9835\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.54675\/JKJB9835<\/a><\/li>\n<li>Van de Pol, J., Volman, M., &amp; Beishuizen, J. (2010). Scaffolding in teacher\u2013student interaction: A decade of research. <em>Educational Psychology Review, 22<\/em>(3), 271\u2013296. <a href=\"https:\/\/doi.org\/10.1007\/s10648-010-9127-6\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s10648-010-9127-6<\/a><\/li>\n<li>van Loon, M. H., &amp; Roebers, C. M. (2024). Development of metacognitive monitoring and control skills in elementary school: A latent profile approach. <em>Metacognition and Learning, 19<\/em>(3), 1065\u20131089. <a href=\"https:\/\/doi.org\/10.1007\/s11409-024-09400-2\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s11409-024-09400-2<\/a><\/li>\n<li>VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. <em>Educational Psychologist, 46<\/em>(4), 197\u2013221. <a href=\"https:\/\/doi.org\/10.1080\/00461520.2011.611369\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1080\/00461520.2011.611369<\/a><\/li>\n<li>Vygotsky, L. S. (1978). <em>Mind in society: The development of higher psychological processes<\/em> (M. Cole, V. John-Steiner, S. Scribner &amp; E. Souberman, Hrsg.). Harvard University Press.<\/li>\n<li>Wang, R. E., Ribeiro, A. T., Robinson, C. D., Loeb, S., &amp; Demszky, D. (2025). <em>Tutor CoPilot: A human-AI approach for scaling real-time expertise<\/em> [Preprint]. arXiv. <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2410.03017\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.48550\/arXiv.2410.03017<\/a><\/li>\n<li>Weidlich, J., Ga\u0161evi\u0107, D., Drachsler, H., &amp; Kirschner, P. A. (2025). ChatGPT in education: An effect in search of a cause. <em>Journal of Computer Assisted Learning, 41<\/em>(5), Artikel e70105. <a href=\"https:\/\/doi.org\/10.1111\/jcal.70105\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/jcal.70105<\/a><\/li>\n<li>Weil, L. G., Fleming, S. M., Dumontheil, I., Kilford, E. J., Weil, R. S., Rees, G., Dolan, R. J., &amp; Blakemore, S.-J. (2013). The development of metacognitive ability in adolescence. <em>Consciousness and Cognition, 22<\/em>(1), 264\u2013271. <a href=\"https:\/\/doi.org\/10.1016\/j.concog.2013.01.004\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1016\/j.concog.2013.01.004<\/a><\/li>\n<li>Wood, D., Bruner, J. S., &amp; Ross, G. (1976). The role of tutoring in problem solving. <em>Journal of Child Psychology and Psychiatry, 17<\/em>(2), 89\u2013100. <a href=\"https:\/\/doi.org\/10.1111\/j.1469-7610.1976.tb00381.x\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/j.1469-7610.1976.tb00381.x<\/a><\/li>\n<li>Yan, L., Greiff, S., Lodge, J. M., &amp; Ga\u0161evi\u0107, D. (2025). Distinguishing performance gains from learning when using generative AI. <em>Nature Reviews Psychology, 4<\/em>(7), 435\u2013436. <a href=\"https:\/\/doi.org\/10.1038\/s44159-025-00467-5\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1038\/s44159-025-00467-5<\/a><\/li>\n<li>Zelazo, P. D., &amp; Carlson, S. M. (2012). Hot and cool executive function in childhood and adolescence: Development and plasticity. <em>Child Development Perspectives, 6<\/em>(4), 354\u2013360. <a href=\"https:\/\/doi.org\/10.1111\/j.1750-8606.2012.00246.x\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1111\/j.1750-8606.2012.00246.x<\/a><\/li>\n<li>Zhao, J., Kne\u017eevi\u0107, M., &amp; K\u00e4ser, T. (2026). Evaluating answer leakage robustness of LLM tutors against adversarial student attacks. In <em>Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics<\/em> (S. 30588\u201330617). Association for Computational Linguistics. <a href=\"https:\/\/aclanthology.org\/2026.acl-long.1412\/\" target=\"_blank\" rel=\"noopener\">https:\/\/aclanthology.org\/2026.acl-long.1412\/<\/a><\/li>\n<li>Zhou, W., Wang, R., Xiong, Y., Zhang, X., Liu, X., Lin, C., Zheng, H., Yin, L., Zheng, D., Xie, B., &amp; Shu, Q. (2026). Chatbot versus preservice teacher-led reading in primary schools: The roles of engagement and learner differences. <em>Reading and Writing<\/em>. Vorab-Onlinever\u00f6ffentlichung. <a href=\"https:\/\/doi.org\/10.1007\/s11145-026-10775-8\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/s11145-026-10775-8<\/a><\/li>\n<li>Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. <em>Theory Into Practice, 41<\/em>(2), 64\u201370. <a href=\"https:\/\/doi.org\/10.1207\/s15430421tip4102_2\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1207\/s15430421tip4102_2<\/a><\/li>\n<\/ul>\n\n<script>\n(function(){\n  var LX=70,RX=760,W=RX-LX;\n  function cx(c){return LX+(c\/100)*W;}\n  var levelW=[\"gering\",\"mittel\",\"hoch\"], strW=[\"hoch\",\"mittel\",\"niedrig\"];\n  var ovTitle=[\"Stufe 1 \u00b7 Stark gelenkt\",\"Stufe 2 \u00b7 Begleitet\",\"Stufe 3 \u00b7 Selbstgesteuert\"];\n  var hebel=[\"Hilfedichte hoch \u00b7 Leitplanken fest \u00b7 Kontextualisierung vollst\u00e4ndig\",\"Hilfedichte mittel \u00b7 Leitplanken teilweise \u00b7 Kontextualisierung durch Auftrag\",\"Hilfedichte auf Anforderung \u00b7 Leitplanken selbst gesetzt \u00b7 Kontextualisierung durch die Person\"];\n  var facets=[\n    [\"Kann die fachliche Richtigkeit einer Antwort kaum beurteilen.\",\"Erkennt grobe Fehler, pr\u00fcft Teilergebnisse nach.\",\"Durchschaut auch plausible, subtile Fehler.\"],\n    [\"H\u00e4lt KI-Ausgaben f\u00fcr zuverl\u00e4ssig; Fl\u00fcssigkeit wirkt wie Richtigkeit.\",\"Kennt Grenzen, pr\u00fcft gelegentlich Quellen und Rechenwege.\",\"Rechnet mit Verzerrungen und gef\u00e4lligen Antworten, pr\u00fcft systematisch.\"],\n    [\"\u00dcbernimmt Antworten; kann das eigene Verstehen kaum einsch\u00e4tzen.\",\"Stellt eigene Fragen, gibt Kontext und Ziel aber noch nicht gezielt vor.\",\"Plant, \u00fcberwacht und bewertet den Einsatz; nutzt KI bewusst als Denkpartner.\"],\n    [\"Kurze Fragen, kurze Antworten; l\u00e4ngere Texte \u00fcberfordern.\",\"Formuliert verst\u00e4ndlich, braucht bei langen Antworten Hilfe.\",\"Formuliert pr\u00e4zise, liest kritisch, h\u00e4lt Zwischenergebnisse im Blick.\"]\n  ];\n  var st=[\n    {werk:\"KI in eine Lernanwendung eingebettet, z. B. ein Tutor in einer Mathe-App mit hinterlegter Aufgabe und Fachwissen.\",\n     rolle:\"Leiser Begleiter im Hintergrund: fragt nach, gibt gestufte Hinweise, liefert keine fertigen L\u00f6sungen.\",\n     guard:\"Fachkontext eingebaut; Endergebnis erst nach einem eigenen Versuch; Hilfe wird mit dem Lernfortschritt zur\u00fcckgefahren.\",\n     begl:\"Normal: einf\u00fchren, beobachten, aufgreifen. Das vom Werkzeug \u00fcbernommene Monitoring zum Thema machen: einsch\u00e4tzen, vergleichen, ohne KI erkl\u00e4ren.\",\n     lk:\"W\u00e4hlt Anwendung und Aufgabe, f\u00fchrt ein, sieht in der Lehrkraftansicht, wo Kinder Hilfe anfordern, und greift dort auf.\",\n     bsp:\"Beim Sachrechnen fragt der Tutor \u201eWas ist gesucht? Welche Angaben hast du?\u201c und markiert Passendes im Text. Erst nach dem eigenen Ansatz folgt ein Hinweis zum Rechenweg.\",\n     offen:\"Nur wo rechtlich zul\u00e4ssig, in der Grundschule also \u00fcber den Zugang der Lehrkraft im Plenum. Die Lehrkraft ersetzt die fehlende Lenkung: gemeinsam vorbereiten, im Gespr\u00e4ch bleiben, eingreifen, ohne KI nachbereiten. Das funktioniert nur, solange sie pr\u00e4sent ist.\",\n     next:\"Kinder l\u00f6sen nach einem Hinweis selbst weiter, fragen erst nach einem eigenen Versuch, erkl\u00e4ren ihren Weg in eigenen Worten und erkennen unpassende Hinweise.\",\n     risiko:\"Zu viel Struktur f\u00fcr Kinder, die schon weiter sind (Expertise-Umkehr). Hilfe wird aus Gewohnheit angefordert statt gebraucht.\"},\n    {werk:\"Offenes Werkzeug mit Struktur: vorbereitete Rolle, klarer Auftrag, begrenzter Umfang, Lehrkraft im Raum.\",\n     rolle:\"Gespr\u00e4chspartner zu einem vorgegebenen Thema; h\u00e4lt sich an die vorbereitete Rolle, soweit der Dialog es zul\u00e4sst.\",\n     guard:\"Rolle und Fachrahmen sind vorgegeben, den Aufgabenkontext geben die Lernenden ein. Leitplanken kommen aus Auftrag und Begleitung, nicht aus der Anwendung.\",\n     begl:\"Mittel: Auftrag und Rolle bereitstellen, Stichproben w\u00e4hrend der Arbeit, Nutzung danach reflektieren.\",\n     lk:\"Formuliert den Auftrag, stellt Prompt oder Rolle bereit, l\u00e4sst Ergebnisse ohne KI erkl\u00e4ren und pr\u00fcft stichprobenartig.\",\n     bsp:\"Die Lernenden lassen sich zwei L\u00f6sungswege erkl\u00e4ren, vergleichen sie und begr\u00fcnden schriftlich, welchen sie f\u00fcr \u00fcberzeugender halten.\",\n     offen:\"Auf dieser Stufe ist das offene Werkzeug mit Auftrag der Normalfall; ein eingebettetes Werkzeug braucht hier nur eine Besprechung der Ergebnisse.\",\n     next:\"Lernende finden Fehler in KI-Antworten selbst, geben Kontext gezielt vor und begr\u00fcnden, wann sie die KI gefragt haben und wann nicht.\",\n     risiko:\"Zu fr\u00fcher Wechsel in die offene Nutzung, bevor verl\u00e4ssliches Pr\u00fcfen gelingt. Sprachliche Anforderungen steigen und benachteiligen einzelne Lernende.\"},\n    {werk:\"Offenes, allgemeines Werkzeug ohne Voreinstellung, z. B. ein Chatbot.\",\n     rolle:\"Denkpartner oder L\u00f6sungsautomat, je nachdem, wie die Person ihn einsetzt.\",\n     guard:\"Rolle, Kontext und Grenzen setzt die Person selbst; das kritische Pr\u00fcfen liegt vollst\u00e4ndig bei ihr.\",\n     begl:\"Gering: Transparenzregeln vereinbaren, gelegentlich reflektieren, Lernen weiterhin ohne KI pr\u00fcfen.\",\n     lk:\"Vereinbart Regeln zur Transparenz, fordert Reflexion \u00fcber die Nutzung ein.\",\n     bsp:\"Die Person l\u00e4sst sich Gegenargumente zur eigenen Position geben, pr\u00fcft sie an Quellen und \u00fcberarbeitet ihre Argumentation.\",\n     offen:\"Das offene Werkzeug ist hier die passende Wahl; eingebettete Struktur st\u00f6rt nur, wenn sie Bekanntes redundant wiederholt oder nicht abschaltbar ist.\",\n     next:\"Das Fading ist abgeschlossen. Bei einem neuen Fachgebiet wechselt die Person von sich aus wieder in eine engere Stufe.\",\n     risiko:\"Nutzung als Abk\u00fcrzung statt als Denkpartner, unkontrollierte Ergebnisse, metakognitive Tr\u00e4gheit; bei neuen Themen f\u00e4llt die Kompetenz zur\u00fcck.\"}\n  ];\n  var zoneC=[18,54,86];\n  function g(id){return document.getElementById(id);}\n  var range=g(\"skv-range\"),svg=g(\"skv-svg\"); if(!range||!svg)return;\n  var lastZone=-1; function zoneOf(c){return c<38?0:(c<71?1:2);}\n  function moveCont(c){\n    var x=cx(c); g(\"skv-ph\").setAttribute(\"transform\",\"translate(\"+x.toFixed(1)+\",0)\");\n    var half=75, ocx=Math.max(LX+half,Math.min(RX-half,x));\n    g(\"skv-ovbox\").setAttribute(\"transform\",\"translate(\"+(ocx-half).toFixed(1)+\",0)\");\n    var si=zoneOf(c); g(\"skv-chipK\").textContent=\"Kompetenz: \"+levelW[si]; g(\"skv-chipL\").textContent=\"Lenkung: \"+strW[si];\n  }\n  function paintZone(si){\n    var s=st[si]; g(\"skv-ct\").textContent=ovTitle[si]; g(\"skv-cs\").textContent=hebel[si];\n    for(var f=0;f<4;f++){g(\"skv-fd\"+f).textContent=facets[f][si]; var seg=g(\"skv-seg\"+f).children; for(var k=0;k<3;k++){seg[k].style.background=(k<=si)?\"#2f5fa6\":\"#e7edf5\";}}\n    [\"werk\",\"rolle\",\"guard\",\"begl\",\"lk\",\"bsp\",\"offen\",\"next\"].forEach(function(k){g(\"skv-\"+k).textContent=s[k];});\n    g(\"skv-lernrisk\").textContent=s.risiko;\n    for(var t=0;t<3;t++){g(\"skv-t\"+t).setAttribute(\"aria-pressed\",t===si); var zl=g(\"skv-zl\"+t); zl.setAttribute(\"fill\",t===si?\"#16263f\":\"#62718a\"); zl.setAttribute(\"font-weight\",t===si?\"700\":\"600\");}\n  }\n  function render(){var c=+range.value,si=zoneOf(c); moveCont(c); if(si!==lastZone){ if(lastZone===-1){paintZone(si);lastZone=si;} else {var b=g(\"skv-body\"); b.classList.add(\"swap\"); lastZone=si; setTimeout(function(){paintZone(si);b.classList.remove(\"swap\");},150);} }}\n  function selectZone(si){range.value=zoneC[si];render();}\n  function compFromEvent(e){var r=svg.getBoundingClientRect(); var vx=(e.clientX-r.left)\/r.width*800; return Math.max(0,Math.min(100,Math.round((vx-LX)\/W*100)));}\n  var dragging=false;\n  svg.addEventListener(\"pointerdown\",function(e){dragging=true;svg.classList.add(\"drag\");try{svg.setPointerCapture(e.pointerId);}catch(x){}range.value=compFromEvent(e);render();e.preventDefault();});\n  svg.addEventListener(\"pointermove\",function(e){if(!dragging)return;range.value=compFromEvent(e);render();});\n  svg.addEventListener(\"pointerup\",function(){dragging=false;svg.classList.remove(\"drag\");});\n  svg.addEventListener(\"pointercancel\",function(){dragging=false;svg.classList.remove(\"drag\");});\n  range.addEventListener(\"input\",render);\n  for(var t=0;t<3;t++){(function(i){g(\"skv-t\"+i).addEventListener(\"click\",function(){selectZone(i);});})(t);}\n  for(var r=0;r<3;r++){(function(i){g(\"skv-r\"+i).addEventListener(\"click\",function(){for(var j=0;j<3;j++){g(\"skv-r\"+j).setAttribute(\"aria-selected\",j===i);g(\"skv-p\"+j).hidden=(j!==i);}});})(r);}\n  render();\n})();\n<\/script>\n<script type=\"application\/ld+json\">{\"@context\": \"https:\/\/schema.org\", \"@graph\": [{\"@type\": \"ScholarlyArticle\", \"sameAs\": \"https:\/\/doi.org\/10.5281\/zenodo.22520845\", \"identifier\": {\"@type\": \"PropertyValue\", \"propertyID\": \"DOI\", \"value\": \"10.5281\/zenodo.22520845\"}, \"headline\": \"Das SKILL-Modell: Wie viel Lenkung braucht Lernen mit KI?\", \"alternativeHeadline\": \"Kompetenzabh\u00e4ngige Gestaltung des KI-Einsatzes in Schule und Grundschule\", \"description\": \"Das SKILL-Modell: ein Orientierungsrahmen f\u00fcr KI im Unterricht und in der Grundschule. Je geringer die Kompetenz, desto mehr didaktische Lenkung durch Werkzeug oder Lehrkraft. Mit Praxisfragen, interaktivem Spektrum und Handout.\", \"inLanguage\": \"de\", \"author\": {\"@type\": \"Person\", \"name\": \"Christian Urff\", \"affiliation\": {\"@type\": \"Organization\", \"name\": \"P\u00e4dagogische Hochschule Weingarten\"}, \"url\": \"https:\/\/urff.app\/kontakt\/\"}, \"publisher\": {\"@type\": \"Person\", \"name\": \"Christian Urff\", \"url\": \"https:\/\/urff.app\"}, \"datePublished\": \"2026-06-17\", \"dateModified\": \"2026-09-06\", \"mainEntityOfPage\": \"https:\/\/urff.app\/skill-modell-ki-unterricht-grundschule\/\", \"image\": \"https:\/\/urff.app\/wp-content\/uploads\/2026\/09\/skill-passung-waage.png\", \"keywords\": [\"SKILL-Modell\", \"KI im Unterricht\", \"KI in der Grundschule\", \"K\u00fcnstliche Intelligenz Schule\", \"KI-Kompetenz\", \"Scaffolding\", \"didaktische Lenkung\", \"generative KI Lernen\"], \"about\": [\"K\u00fcnstliche Intelligenz in der Bildung\", \"Mathematikdidaktik\", \"Grundschule\"], \"license\": \"https:\/\/creativecommons.org\/licenses\/by\/4.0\/\"}, {\"@type\": \"FAQPage\", \"mainEntity\": [{\"@type\": \"Question\", \"name\": \"Was ist das SKILL-Modell?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Ein Ordnungsrahmen f\u00fcr den Einsatz von KI beim Lernen in Schule und Unterricht. Grundregel: Je geringer die Kompetenz einer Person, KI in einer konkreten Sache lernwirksam zu nutzen, desto mehr didaktische Lenkung braucht der Einsatz, aus dem Werkzeug oder durch die Lehrkraft. Mit wachsender Kompetenz wird die Lenkung zur\u00fcckgenommen. Der Name ist kein Akronym, sondern leitet sich aus dieser Grundregel ab: Kompetenz (\u201eskill\u201c) und Lenkung sind miteinander verwoben zu denken.\"}}, {\"@type\": \"Question\", \"name\": \"Sollte KI in der Grundschule eingesetzt werden?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Zur\u00fcckhaltend und begrenzt. Das Modell empfiehlt keinen KI-Einsatz; es ordnet ihn, wenn er sinnvoll ist. In der Grundschule entstehen die Grundlagen, an denen sich sp\u00e4ter jede KI-Antwort messen muss; die Selbsteinsch\u00e4tzung des eigenen Verstehens und das Pr\u00fcfen fremder Aussagen sind noch in der Entwicklung. Wenn KI, dann eingebettet in eine Lernanwendung mit fester Rolle oder intensiv durch die Lehrkraft begleitet, und nur dort, wo sie etwas leistet, das Material, Gespr\u00e4ch und eigenes Probieren nicht leisten.\"}}, {\"@type\": \"Question\", \"name\": \"Warum kann ein Chatbot beim Lernen schaden?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Weil er den L\u00f6sungsprozess \u00fcberspringen kann. In einem Feldexperiment mit knapp tausend Sch\u00fclerinnen und Sch\u00fclern stieg die Leistung beim \u00dcben mit freiem Chatbot-Zugang; in der Pr\u00fcfung ohne KI lag dieselbe Gruppe dann um 17 Prozent unter dem Leistungsniveau der Kontrollgruppe (Bastani et al., 2025). Leistung mit KI ist nicht dasselbe wie Lernen. Eine Variante mit didaktischen Leitplanken, die Hinweise statt L\u00f6sungen gibt, erreichte in der Pr\u00fcfung wieder das Niveau der Gruppe ohne KI.\"}}, {\"@type\": \"Question\", \"name\": \"Reichen die Lernmodi von ChatGPT oder Gemini?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Sie verschieben das Verhalten in die gew\u00fcnschte Richtung, garantieren die Grenzen aber nicht: Sprachmodelle geben L\u00f6sungen preis, wenn Lernende dr\u00e4ngen oder das Thema wechseln, und ein Lernmodus l\u00e4sst sich abschalten. F\u00fcr Stufe 2 reicht er, f\u00fcr Stufe 1 nicht; dort m\u00fcssen die Grenzen au\u00dferhalb des Dialogs liegen, oder die Lehrkraft f\u00fchrt den Dialog selbst.\"}}, {\"@type\": \"Question\", \"name\": \"Was bedeutet didaktische Lenkung?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Alles, was den Handlungsspielraum der Lernenden im Sinne des Lernziels formt. Bei KI-Werkzeugen wirkt sie \u00fcber drei Hebel: Scaffolding (gestufte Hilfe, die zur\u00fcckgenommen wird), Leitplanken (was die KI nicht tut, etwa L\u00f6sungen vorwegnehmen) und Kontextualisierung (Aufgabe, Fachkontext und Rolle sind hinterlegt). Dazu kommt die personelle Begleitung durch die Lehrkraft.\"}}]}]}<\/script>\n<\/div>\n\n","protected":false},"excerpt":{"rendered":"<p>Das SKILL-Modell: ein Orientierungsrahmen f\u00fcr KI im Unterricht und in der Grundschule. Je geringer die Kompetenz, desto mehr didaktische Lenkung durch Werkzeug oder Lehrkraft. Mit Praxisfragen, interaktivem Spektrum und Handout.<\/p>","protected":false},"author":1,"featured_media":1411,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[12,17,19,20,22,24,18,23,21],"class_list":["post-1012","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized","tag-genai","tag-grundschule","tag-ki-im-unterricht","tag-ki-in-der-grundschule","tag-ki-kompetenz","tag-kuenstliche-intelligenz-schule","tag-primarstufe","tag-scaffolding","tag-skill-modell"],"_links":{"self":[{"href":"https:\/\/urff.app\/en\/wp-json\/wp\/v2\/posts\/1012","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/urff.app\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/urff.app\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/urff.app\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/urff.app\/en\/wp-json\/wp\/v2\/comments?post=1012"}],"version-history":[{"count":36,"href":"https:\/\/urff.app\/en\/wp-json\/wp\/v2\/posts\/1012\/revisions"}],"predecessor-version":[{"id":1462,"href":"https:\/\/urff.app\/en\/wp-json\/wp\/v2\/posts\/1012\/revisions\/1462"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/urff.app\/en\/wp-json\/wp\/v2\/media\/1411"}],"wp:attachment":[{"href":"https:\/\/urff.app\/en\/wp-json\/wp\/v2\/media?parent=1012"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/urff.app\/en\/wp-json\/wp\/v2\/categories?post=1012"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/urff.app\/en\/wp-json\/wp\/v2\/tags?post=1012"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}