Erstellung von Kursen und Lernmaterial

Kurse vorzubereiten dauert lange: Gliederungen, Folien, Handouts und Übungen müssen geschrieben, auf das passende Niveau gebracht, mit dem Lehrplan abgeglichen und aktuell gehalten werden. Generative KI erstellt diese Materialien aus Lernzielen und vertrauenswürdigen Quelltexten in Minuten als Entwurf. Die Lehrperson bleibt Autorin oder Autor: Sie steuert, prüft und gibt frei. Die Hauptrisiken sind Sachfehler, Urheberrecht und fehlende Abstimmung mit dem Lehrplan.

Problem & Nutzen

• Heute: Lehrkräfte, Trainerinnen und Trainer sowie Dozierende erstellen Materialien von Hand, kopieren aus alten Foliensätzen oder kaufen Verlagsinhalte. Differenzierte Fassungen (Niveaustufen, Sprachen, barrierefreie Formate) entstehen aus Zeitmangel selten.
• Nutzen der KI: erste Entwürfe in Minuten, einheitliche Struktur (Ziele, Aktivitäten, Kontrollfragen), schnelle Anpassung an Niveau, Sprache oder Umfang sowie Auffrischung veralteter Materialien.
• Belege: Die Oak National Academy (England) berichtet auf Grundlage qualitativer Forschung mit rund 60 Lehrkräften, dass ihr KI-Unterrichtsassistent Aila etwa 3,5 Stunden Planungszeit pro Woche einspare. Das ist eine vom Anbieter berichtete, selbstselektierte Zahl und keine unabhängige Studie [1][2].
• Voraussetzung: Der Nutzen hängt von der Verankerung in geprüftem Material ab. Freie Generierung ohne Quellen ist die Hauptursache für Fehler.

Varianten

• Schullehrkraft: Unterrichtsplan + Folien + Arbeitsblatt, abgestimmt auf einen Lehrplan; zu Differenzierung und Assistenzfunktionen für Lehrkräfte siehe EDU-009.
• Hochschule: Vorlesungsfolien, Literaturlisten, Fallstudien und Übungsblätter aus den eigenen Skripten und Aufsätzen der Dozierenden; oft über LMS-Plug-ins (Moodle, ILIAS).
• Betriebliche Weiterbildung: Onboarding- und Compliance-Module aus Arbeitsanweisungen und Richtlinien; siehe EDU-006.
• Verlage & OER: Entwurf und Lokalisierung offener Bildungsressourcen in großem Umfang.
• Private Lernende: selbst erstellte Lernhilfen aus eigenen Quellen; siehe EDU-016.

So funktioniert es

1. Lehrplan / Lernziele + Zielgruppe
2. Quellen einlesen (PDF/DOCX/Folien
3. Text; OCR bei Bedarf; Chunking + Embedding)
4. Abruf relevanter Passagen aus geprüften Quellen (RAG)
5. Gliederung erzeugen (Module, Ziele, Zeitplanung)
6. Abschnitte entwerfen mit Quellenangaben (Text, Beispiele, Aktivitäten)
7. Formate erzeugen (PPTX, DOCX, H5P, SCORM/xAPI, LMS-Import)
8. automatische Prüfungen (Lesbarkeitsniveau, Abdeckung des Lehrplans, Quellenbelege)
9. Prüfung & Überarbeitung durch die Lehrperson
10. Veröffentlichung im LMS

• Verankerung (Grounding): Die Suche (Retrieval) über eigenes oder offen lizenziertes Material der Lehrperson, bei der jede Aussage mit einer Textstelle verknüpft ist, verringert Halluzinationen (siehe KNOW-002).
• Strukturierte Ausgabe: Das LLM liefert JSON (Ziele, Folien, Aufgaben), aus dem Vorlagen Dateien erzeugen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Lehrperson gibt jedes Lernobjekt frei, bevor Lernende es sehen. Veröffentlichte KI-generierte Texte sollten dort als solche gekennzeichnet werden, wo es rechtlich vorgeschrieben ist (Art. 50 KI-Verordnung, siehe unten).

Datenaufbereitung

Die wichtigsten Eingaben sind Lehrpläne, Lernziele, eigene Skripte, Foliensätze, Lehrbücher und OER. In einem KMU oder einer Schule liegen sie auf Dateiablagen, im LMS, in persönlichen Ordnern der Lehrkräfte, in E-Mail-Anhängen und teilweise auf Papier. Typische Lücken: veraltete Dubletten desselben Foliensatzes, eingescannte Handouts ohne Textebene, fehlende Lernziele je Dokument, ungeklärter Urheberrechtsstatus von Fremdmaterial und Wissen, das nur im Kopf einer einzelnen Trainerin oder eines einzelnen Trainers existiert.

Schritte der Aufbereitung: einen verbindlichen Satz aktuellen Quellenmaterials in einem Ordner oder einer Wissensbasis sammeln (siehe PREP-013); eingescannte Handouts per OCR erfassen (siehe PREP-006); einfache Metadaten wie Thema, Niveau und Lizenz ergänzen (siehe PREP-010); einige Musterbeispiele guter Materialien als Stilvorlagen bereithalten (siehe PREP-016); personenbezogene Daten wie Namen von Lernenden aus wiederverwendeten Materialien entfernen. Folien und PDFs mit einem Dokumentenparser in sauberen Text umwandeln (siehe DOC-014).

Aufwand: gering. Für reines Entwerfen aus Prompts wird fast nichts benötigt; für verankerte Generierung sind etwa 10 bis 20 Prozent des Gesamtaufwands zu erwarten, überwiegend für das Sammeln und Verschlagworten der Quellen. Die schnellen Schritte zur Datenreife finden Sie in GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil ausgereifte, in der EU betreibbare Autorenwerkzeuge zu KMU-tauglichen Preisen existieren und das Entwerfen von Materialien ein Standardprozess ist.
• Großunternehmen: Weg B, weil die Entwürfe über eine API im eigenen LMS, in den Lehrplänen und in der Inhaltsbibliothek verankert sein sollten.
• Entwicklung: Weg C, weil ein Open-Weight-Stack mit RAG über eigene Quellen volle Kontrolle bietet und auf HW2 läuft.
• Öffentliche Hand: Weg B auf einer souveränen EU- oder deutschen Cloud, weil Vergaberegeln und Schuldatenschutz-Vorgaben ein Hosting in der EU begünstigen.
• Privatpersonen: Weg A, weil fertige Apps die Unterrichtsplanung für einzelne Lehrkräfte und Lernende ohne Einrichtung abdecken.

Weg A — Kaufen (Standardsoftware) (für die meisten empfohlen)

• Werkzeuge für Lehrkräfte/LMS: Microsoft Copilot in PowerPoint/Word/Teams for Education, Google Gemini for Education (Classroom, Slides, NotebookLM), Canva Magic Studio for education, MagicSchool, Diffit (Texte auf Niveaustufen), Curipod, Twee (Sprachunterricht), Oaks Aila (britischer Lehrplan, kostenlos).
• Aus der EU oder in der EU gehostet: fobizz (DE, schulorientierte KI-Werkzeuge u. a. für Text- und Bilderzeugung), Mebis/telli-artige staatliche Schulangebote, wo verfügbar; Gamma stammt aus den USA - Hosting prüfen.
• Autorensysteme: Articulate Rise/Storyline AI Assistant, Genially, H5P mit KI-Plug-ins, Moodle-KI-Subsystem (anbieterkonfigurierbar, kann auf ein selbst betriebenes Modell zeigen) [3].
• Weg A wählen, wenn: wenige Lehrkräfte oder Trainer, geringes Volumen, keine besondere Integration; einen Auftragsverarbeitungsvertrag (AVV), Datenhaltung in der EU und den Ausschluss der Eingaben vom Training prüfen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Mistral Large/Medium (EU-Anbieter), Claude, Gemini, GPT über EU-Regionen (Azure OpenAI EU, Vertex AI EU, AWS Bedrock Frankfurt/Paris); strukturierte Ausgaben für JSON-Schemata.
• Stack: Embeddings + Vektorspeicher (pgvector, Qdrant), Dokumentenparser (Docling, Mistral OCR), PPTX/DOCX-Erzeugung (python-pptx, docx-Bibliotheken), H5P/xAPI-Export, LMS-Anbindung über LTI 1.3.
• Bild/Audio: Bilderzeugung für Illustrationen (Lizenzierung und Kennzeichnung nach Art. 50 prüfen), TTS für Audioversionen von Texten.
• Weg B wählen, wenn: Sie lehrplanspezifische Prompts, eine eigene Inhaltsbibliothek oder eine LMS-Anbindung wünschen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-LLMs wie die offenen Veröffentlichungen von Mistral Small/Medium, Qwen3, Llama, Gemma oder gpt-oss, betrieben mit vLLM oder Ollama; mehrsprachige Embeddings wie BGE-M3.
• Werkzeuge: Open WebUI oder LibreChat als Oberfläche, Moodle/ILIAS/Open edX als LMS, H5P als Inhaltsformat, Docling für die Aufnahme. Oaks KI-Unterrichtsassistent ist auf GitHub als Open Source veröffentlicht [4].
• Hardware: HW2 versorgt eine Hochschulfakultät oder ein Schulnetz mit einem quantisierten Modell von etwa 30B; HW3 für größere Modelle und viele gleichzeitige Nutzende.
• Weg C wählen, wenn: eine Schulbehörde oder Hochschule Daten von Lernenden und Beschäftigten im eigenen Haus halten muss.

Weg D — Eigenes Training

Selten nötig. Feintuning lohnt sich nur für einen Verlag oder ein Ministerium mit einem großen, einheitlich gestalteten Korpus (Hausstil, Lehrplan-Taxonomie, Bewertungsraster-Formate). Prompting + Retrieval deckt fast alle Fälle ab.

Stand der Technik (2026)

• Führende und starke offene Modelle entwerfen schlüssige Unterrichtsabfolgen, Folien und Texte auf Niveaustufen; Werkzeuge verketten Gliederung → Folien → Quiz in einem Ablauf, und Produkte im „Notebook“-Stil erzeugen aus hochgeladenen Quellen Zusammenfassungen, Audio-Übersichten und Lernhilfen.
• Quellenbasierte Generierung mit Zitaten ist bewährte gute Praxis; lehrplanbezogenes Retrieval (wie in Aila, das sich überwiegend auf Oaks eigene geprüfte Ressourcen stützt) macht Entwürfe erst brauchbar [1].
• Interaktive Inhalte (H5P, SCORM, Simulationen) lassen sich inzwischen als Code oder JSON erzeugen.
• Grenzen: Sachfehler und erfundene Quellenangaben, flache Didaktik (Aktivitätenlisten ohne Abfolge), kulturelle und geschlechtsbezogene Verzerrungen in Beispielen, ungleiche Qualität in kleineren Sprachen, falsche Schwierigkeitsgrade und uneinheitliche Bilder. Mathematik- und Naturwissenschaftsinhalte brauchen fachliche Prüfung.
• Erzeugtes Material neigt zur Gleichförmigkeit; Lehrkräfte berichten, dass sie es vor der Nutzung bearbeiten und anpassen müssen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: EDU-002 (Quizfragen), EDU-009 (Unterrichtsplanung, Differenzierung), EDU-006 (betriebliches Microlearning), EDU-016 (Lernwerkzeuge aus eigenen Materialien), KNOW-011 (Erzeugung von FAQ/Wissensbasis).
• Bausteine: RAG-Pipeline (KNOW-002), Dokumentenparser (DOC-014), Übersetzung/Lokalisierung (LANG-009), barrierefreie Ausgabe (DOC-026: PDF/UA, Alternativtexte).
• Ein selbst betriebenes LLM + Vektorspeicher auf HW2/HW3 kann alle diese Anwendungen bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage; Lizenz pro Lehrkraft oder Einrichtung, oft in bestehenden Suiten enthalten.
• Weg B: 1-3 Monate für eine Pipeline mit LMS-Export und Prüfablauf; Token-Kosten sind im Verhältnis zur Arbeitszeit gering.
• Weg C: 2-4 Monate inkl. Betrieb; ein GPU-Server.
• Kennzahlen: Vorbereitungszeit je Unterrichtsstunde/Modul, Anteil der KI-Entwürfe, die mit kleinen Änderungen übernommen werden, in der Prüfung gefundene Fehlerquote, Lehrplanabdeckung, Lernergebnisse und Zufriedenheit der Lernenden, Barrierefreiheits-Konformität.

Menschen & Veränderung

Binden Sie von Anfang an die Geschäftsleitung für KI-Richtlinie und Budget, die Abteilungsleitung bzw. die Leitung der Weiterbildung als Prozessverantwortliche sowie die Lehrkräfte oder Trainer ein, die das Werkzeug nutzen werden, denn sie bleiben die Autorinnen und Autoren. Die IT kümmert sich um Konten und LMS-Anbindung; die oder der Datenschutzbeauftragte wird früh einbezogen, vor allem wenn Daten von Lernenden oder Klassenlisten in Prompts gelangen könnten (AVV mit dem Anbieter; eine DSFA ist für reines Entwerfen von Inhalten meist nicht nötig).

Betriebsrat: im typischen Fall nein, weil das Werkzeug Materialien erzeugt und keine Beschäftigten bewertet. Relevant wird er, wenn Nutzungsprotokolle je Beschäftigtem ausgewertet werden (§ 87 Abs. 1 Nr. 6 BetrVG, objektive Eignung genügt); zudem muss der Betriebsrat über geplante KI-gestützte Arbeitsverfahren rechtzeitig unterrichtet werden (§ 90 Abs. 1 Nr. 3 BetrVG). In Schulen und öffentlichen Stellen hat der Personalrat vergleichbare Rechte.

KI-Kompetenz: Die KI-Verordnung verlangt in Art. 4 Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; bieten Sie einen kurzen Workshop zu Prompting, Faktenprüfung und Urheberrecht an. Beginnen Sie mit einer Pilotgruppe aus zwei oder drei motivierten Lehrkräften, benennen Sie KI-Botschafter und kommunizieren Sie offen, dass die Lehrperson jedes Material freigibt. Typische Bedenken sind Qualität, Urheberrecht und die Sorge vor Kompetenzverlust; begegnen Sie ihnen mit Prüfregeln und einer Richtlinie zur zulässigen Nutzung. Siehe GUIDE-007, GUIDE-006 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Inhaltserzeugung selbst gilt in der Regel als Anwendung mit begrenztem/minimalem Risiko. Art. 50 verlangt die maschinenlesbare Kennzeichnung synthetischer Bild-/Audio-/Videoinhalte und die Offenlegung KI-generierter Texte, die veröffentlicht werden, um die Öffentlichkeit zu informieren, es sei denn, ein Mensch hat sie redaktionell geprüft und trägt die Verantwortung; Deepfake-artige Inhalte müssen gekennzeichnet werden. Art. 4 (KI-Kompetenz) gilt für Beschäftigte [5]. Fließen erzeugte Inhalte in Bewertung, Zulassung oder Steuerung des Lernens ein (Anhang III Nr. 3), kann diese nachgelagerte Nutzung hochriskant sein (siehe EDU-002, EDU-003, EDU-007). Emotionserkennung in Schulen ist nach Art. 5 verboten.
• DSGVO: Laden Sie keine Daten von Schülerinnen und Schülern hoch; verwenden Sie anonymisierte oder fiktive Beispiele. Arbeiten von Lernenden als Quellenmaterial brauchen eine Rechtsgrundlage; bei Minderjährigen ist besondere Sorgfalt nötig (Datenschutz-Folgenabschätzung bei schulweitem Einsatz, Genehmigung der Behörde in den deutschen Ländern).
• Urheberrecht: Das Hochladen von Verlagslehrbüchern in KI-Werkzeuge kann gegen Lizenzen verstoßen; prüfen Sie Schul-/Hochschul- lizenzen und die Schranke für Text und Data Mining (EU-DSM-Richtlinie Art. 3-4). Das Urheberrecht an Ergebnissen ist unsicher; bevorzugen Sie offen lizenzierte Quellen (CC BY).
• Qualität: halluzinierte Fakten und Verzerrungen; mindern Sie diese durch Verankerung in Quellen, Prüflisten für Reviewende und die Freigabe durch Fachexperten.

Erste Schritte

1. Wählen Sie ein Fach oder einen Kurs und listen Sie Lernziele und die zu verwendenden geprüften Quellen auf.
2. Testen Sie zwei Werkzeuge aus Weg A an einer echten Unterrichtseinheit; vergleichen Sie die gesparte Zeit und die Zahl der Sachkorrekturen.
3. Legen Sie eine Prüfliste (Richtigkeit, Niveau, Verzerrungen, Lizenz, Barrierefreiheit) und einen Hinweis zur KI-Nutzung für Lernende fest.
4. Prüfen Sie den Datenschutz: Vertrag, Hosting in der EU, keine Daten von Lernenden in Prompts, Zustimmung von Betriebsrat oder Schulbehörde.
5. Wächst das Volumen, ergänzen Sie Retrieval über die eigene Bibliothek und LMS-Export (H5P/SCORM).

Quellen

1. Schools Week - Meet Aila, Oak Academy's new AI assistant - https://schoolsweek.co.uk/meet-aila-oak-academys-new-ai-assistant-2/
2. Oak National Academy - Free, AI-powered lesson assistant - https://www.thenational.academy/ai
3. Moodle Docs - AI subsystem - https://docs.moodle.org/en/AI_subsystem
4. Oak National Academy - oak-ai-lesson-assistant (GitHub) - https://github.com/oaknational
5. Regulation (EU) 2024/1689 (AI Act), Art. 4, 5, 50 and Annex III - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. Oak National Academy - Building AI that's safe for the classroom - https://www.thenational.academy/blog/building-ai-that-s-safe-for-the-classroom-what-we-have-learned-with-aila