Blickpunkt Schule 4 2026

Dabei lohnt es sich, auch die Perspektiven der Schülerin nen und Schüler bewusst einzubeziehen. Sie bringen eige ne Erfahrungen, Fragen und Nutzungsweisen im Umgang mit KI mit, die für schulische Transformationsprozesse wertvoll sein können. Ihre aktive Beteiligung ermöglicht nicht nur Mitgestaltung, sondern fördert auch Wertschät zung und Identifikation mit dem gemeinsamen Entwick lungsprozess. So wird KI nicht zu einer weiteren Aufgabe auf der ohnehin langen Liste schulischer Anforderungen, sondern zu einem Anlass, Zusammenarbeit zu transfor mieren, vorhandene Expertise sichtbar zu machen und Innovation gemeinsam zu gestalten. Keine Kontrollillusion, sondern kluge Gestaltung Kontrollillusionen helfen nicht: Schon heute ist es schwer zu unterscheiden, ob ein Text selbst geschrieben, stark un terstützt oder weitgehend generiert wurde. Mit Wearables, KI-Agenten und multimodalen Systemen stößt bloße Überwachung weiter an Grenzen. Dauerhafte Antworten liegen weniger im Detektieren als im Gestalten: Aufgaben müssen Denken sichtbar machen, Prüfungen eigene Ur teilskraft einfordern und Unterricht reflektierte KI-Nut zung einüben, statt sie in eine heimliche Parallelwelt zu verdrängen. Das SAM-Modell ersetzt keine Fachlichkeit. Im Gegenteil: Es schützt Fachlichkeit vor der Versuchung, sich von tech nisch erzeugter Plausibilität verdrängen zu lassen. Im Deutschunterricht heißt Methodenkompetenz etwas ande res als in Mathematik, Geschichte, Biologie oder Kunst. Aber die Grundfrage ist überall dieselbe: Können Schülerinnen und Schüler mit Unterstützung von KI bessere Fragen stel len, fundiertere Prüfentscheidungen treffen und begründet urteilen – oder lassen sie sich das Urteil abnehmen? Mehr menschliche Urteilskraft Die zentrale bildungspolitische Frage unserer Zeit lautet längst nicht mehr, ob wir KI im Klassenzimmer pauschal zulassen oder verbieten. Die drängendere Aufgabe ist es, klar zu definieren, welche originären Denk- und Urteilsleis tungen wir unseren Schülerinnen und Schülern auf keinen Fall von einer Maschine abnehmen lassen dürfen. Der zuvor beschriebene Dreischritt bleibt zentral: das eigene Ziel klä ren, Unterstützung dosiert nutzen und die Ergebnisse ein schließlich ihrer Unsicherheiten prüfen und begründet be werten. KI kann Denken erweitern, aber auch verdecken, wenn sie zentrale Schritte übernimmt, bevor diese verstan den sind. Die Stärke des SAM-Modells liegt gerade in seiner Be grenzung. Es will nicht das nächste vollständige Kom petenzraster sein. Es erinnert an drei menschliche Leistun gen, die durch technische Fortschritte nicht überflüssig werden: den eigenen Prozess steuern, Unsicherheit aushal ten und fachlich prüfen. Wenn Schule diese Fähigkeiten

stärkt, bleibt KI ein Gegenstand von Bildung – und wird nicht zu ihrem Ersatz. So rücken unmissverständlich die psychologischen und menschlichen Voraussetzungen für eine gelingende Ko operation mit künstlicher Intelligenz in den Fokus. Bildung im KI-Zeitalter bedeutet also keineswegs einen Verlust an Menschlichkeit. Im Gegenteil: Sie fordert von uns, bewuss ter menschlich, fachlich profilierter und noch kritisch-re flexiver zu agieren. Denn am Ende entscheidet sich die Zu kunft der Bildung nicht an der Frage, wie perfekt wir die Werkzeuge von morgen bedienen, sondern daran, ob wir uns das Denken von ihnen abnehmen lassen: Urteilskraft statt Tooltraining ist das Versprechen – das SAM-Modell ein Schlüssel dazu. Literatur und Quellen Bei der Entwicklung und Überarbeitung des Textes sowie der Abbildungen wurden generative KI Systeme unterstützend eingesetzt. Auswahl, fachliche Prüfung und Verantwortung für die Inhalte liegen bei den Autorinnen und Autoren. Bennett, N., & Lemoine, G. J. (2014): What VUCA really means for you. Harvard Busi ness Review, 92, 27–42. Eickelmann, B., Bos, W., Gerick, J., Goldhammer, F., Schaumburg, H., Schwippert, K., Senkbeil, M., & Vahrenhold, J. (Hrsg.). (2024): ICILS 2023 #Deutschland. Compu ter- und informationsbezogene Kompetenzen und Kompetenzen im Bereich Com putational Thinking von Schüler*innen im internationalen Vergleich. Waxmann. Europäische Union. (2024): Verordnung (EU) 2024/1689 über künstliche Intelligenz (AI Act), insbesondere Art. 3 Nr. 56 und Art. 4 KI-Kompetenz. https://eur-lex. europa.eu/eli/reg/2024/1689/oj Gigerenzer, G., Gaissmaier, W., Kurz-Milcke, E., Schwartz, L. M., & Woloshin, S. (2007): Helping doctors and patients make sense of health statistics. Psychologi cal Science in the Public Interest, 8, 53–96. https://doi.org/10.1111/j.1539-6053. 2008.00033.x Hillen, M. A., Gutheil, C. M., Strout, T. D., Smets, E. M. A., & Han, P. K. J. (2017): Tole rance of uncertainty: Conceptual analysis, integrative model, and implications for healthcare. Social Science & Medicine, 180, 62–75. https://doi.org/10.1016/ j.socscimed.2017.03.024 KMK. (2024): Handlungsempfehlung für die Bildungsverwaltung zum Umgang mit Künstlicher Intelligenz in schulischen Bildungsprozessen (Beschluss vom 10. Okto ber 2024). https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_ beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf Long, D., & Magerko, B. (2020): What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (S. 1–16). Association for Computing Machinery. https://doi. org/10.1145/3313831.3376727 Merton, R. K. (1968): The Matthew effect in science. Science, 159(3810), 56–63. https://doi.org/10.1126/science.159.3810.56 OECD & European Commission. (2026): Empowering learners for the age of AI: An AI literacy framework for primary and secondary education. OECD Publishing. https://doi.org/10.1787/65cd27d4-en Risko, E. F., & Gilbert, S. J. (2016): Cognitive offloading. Trends in Cognitive Sciences, 20, 676–688. https://doi.org/10.1016/j.tics.2016.07.002 Rogoff, K. (2026, 2. Juni): The AI economy’s permanent underclass. Project Syndi cate. https://www.project-syndicate.org/commentary/ai-boom-threatens-to leave-billions-of-people-behind-by-kenneth-rogoff-2026-06 Stanovich, K. E. (1986): Matthew effects in reading: Some consequences of indivi dual differences in the acquisition of literacy. Reading Research Quarterly, 21, 360– 407. https://doi.org/10.1598/RRQ.21.4.1 UNESCO. (2024): AI competency framework for teachers. https://www.unesco.org/ en/articles/ai-competency-framework-teachers Walberg, H. J., & Tsai, S. (1983): Matthew effects in education. American Educational Research Journal, 20, 359–373. https://doi.org/10.3102/0002831202 0003359 Wissenschaftsrat. (2026): Intellektuelle Souveränität: Empfehlungen für die Hoch schulbildung in Zeiten von generativer KI (Drs. 3319-26). https://doi.org/10.57674/ 1evx-t906 Zimmerman, B. J. (2000): Attaining self-regulation: A social cognitive perspective. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Hrsg.), Handbook of self-regulation (S. 13–39). Academic Press. https://doi.org/10.1016/B978-0121098 90-2/50031-7

Titelthema

9

SCHULE 4|2026