Lehrkräfte-Assistent: Unterrichtsplanung & Differenzierung

Lehrkräfte verbringen viele unbezahlte Stunden mit der Vorbereitung, und die Klassen sind heterogener denn je: unterschiedliche Leseniveaus, Schülerinnen und Schüler ohne Deutschkenntnisse, Lernförderung und besonders Leistungsstarke in einem Raum. Ein LLM-basierter Lehrkräfte-Assistent entwirft Unterrichtspläne passend zum Lehrplan und erstellt dieselbe Aufgabe in mehreren Fassungen (einfachere Sprache, Hilfestellungen, Erweiterung). Die Lehrkraft prüft, passt an und verantwortet das Ergebnis; das Werkzeug arbeitet an Materialien, nicht an Urteilen über einzelne Schülerinnen und Schüler.

Problem & Nutzen

• Heute: Die Unterrichtsvorbereitung ist Handarbeit: Schulbücher und Portale durchsuchen, Arbeitsblätter von Hand anpassen, getrennte Fassungen für schwächere und stärkere Schülerinnen und Schüler erstellen. Differenzierung ist weithin gewünscht, wird aber aus Zeitmangel oft übersprungen.
• KI-Nutzen: ein erster Entwurf in Minuten (Struktur, Zeitplanung, Methoden, Materialien), automatische Niveauanpassung von Texten und Aufgaben, Übersetzungen und Varianten in vereinfachter Sprache, Ideen für Hilfestellungen. Die eingesparte Zeit fließt in Rückmeldungen und Beziehungsarbeit.
• Belege: Die Lehrkräftebefragung der OECD (Teaching and Learning International Survey, TALIS 2024) berichtet über die KI-Nutzung von Lehrkräften und über die Arbeitsbelastung; das britische Bildungsministerium (UK Department for Education) hat Leitlinien und Evaluationsmaterial zu generativer KI in der Bildung veröffentlicht, auch zur Unterrichtsplanung [1][2]. Eine von der EEF finanzierte randomisierte Studie (NFER, 10 Wochen, Lehrkräfte der Jahrgänge 3–6 in England, veröffentlicht im Okt. 2026) ergab, dass Oaks Aila die Vorbereitung von Unterricht und Material um etwa 49 Minuten pro Woche verkürzte, ohne Hinweis auf geringere Materialqualität, wobei das Werkzeug nur einen kleinen Teil der Stunden unterstützte [9]. Zeitersparnis-Versprechen der Anbieter gelten als unbewiesen, bis sie in der eigenen Schule gemessen wurden. Die Qualität allgemeiner Ergebnisse ist gemischt: Pläne wirken oft plausibel, sind aber ohne Überarbeitung durch die Lehrkraft didaktisch flach.

Varianten

• Lehrkraft an Grund- oder weiterführender Schule: Unterrichtsreihen, gestufte Arbeitsblätter, klassenspezifische Hilfestellungen.
• Berufsausbildung (VET) und Erwachsenenbildung: kompetenzorientierte Lernsituationen (z. B. deutsche Lernfelder), praxisbezogene Aufgaben.
• Inklusion & Sprachförderung: vereinfachtes Deutsch (Leichte/Einfache Sprache), DaZ-Materialien, mehrsprachige Glossare, Unterstützung für legasthenie-freundliche Formate.
• Hochschule: Seminarpläne und Übungsaufgaben für Tutorien (siehe EDU-001).
• Vertretungs- und Aufgabenpläne für Vertretungsstunden; Entwürfe für die Elternkommunikation.
• Privat / Eltern im Homeschooling: einfache Prompts mit einem allgemeinen Assistenten; dieselben Vorbehalte.

So funktioniert es

1. teacher request (topic, grade, time, goals, class profile - anonymous)
2. retrieval over curriculum standards + own/OER materials (RAG)
3. draft lesson plan (phases, methods, timing, materials, assessment idea)
4. differentiation engine (levels, language, scaffolds, extensions)
5. format/export (docx, slides, LMS, H5P)
6. TEACHER REVIEW & edit
7. use in class
8. feedback
9. saved in school library

• Lehrplanbezug: Lehrplandokumente (z. B. deutsche Lehrpläne/Bildungsstandards) werden in Abschnitte zerlegt und eingebettet (Embeddings), sodass jeder Plan die Kompetenz nennt, die er adressiert; das verringert erfundene Standards.
• Differenzierung: Eine Ausgangsaufgabe wird entlang der Dimensionen umgeschrieben, die die Lehrkraft auswählt (Leseniveau, Sprachniveau, Hilfestellungen, offene vs. geführte Aufgabe); das Lernziel bleibt dasselbe.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Lehrkraft gibt jedes Ergebnis frei; die inhaltliche Prüfung (Daten, Formeln, Quellen) ist verpflichtend. Klassenprofile werden zusammengefasst beschrieben („3 Lernende mit Leseniveau A2“), nicht namentlich.

Datenaufbereitung

Die wichtigsten Eingaben sind der Lehrplan bzw. die Bildungsstandards, der schulinterne Lehrplan, Schulbücher und OER sowie die eigenen früheren Unterrichtsentwürfe der Lehrkräfte. Sie liegen typischerweise als PDFs des Ministeriums, auf schulischen Dateiablagen, in Lernplattformen (z. B. Moodle, Teams) und in privaten Ordnern der Lehrkräfte. Typische Lücken: Lehrpläne nur als Scans oder lange PDFs, veraltete Planfassungen, doppelte Arbeitsblätter, keine Schlagwörter für Klassenstufe, Thema oder Niveau sowie urheberrechtlich geschützte Schulbuchseiten, die nicht frei hochgeladen werden dürfen.

Aufbereitungsschritte: den aktuellen Lehrplan und die internen Standards in einem Ordner sammeln, eingescannte Seiten per OCR umwandeln (siehe PREP-006), veraltete Fassungen aussortieren, Dateien nach Klassenstufe, Fach und Thema benennen (PREP-010) und eine kleine Auswahl guter Beispielpläne als Vorlagen zusammenstellen (PREP-016). Klassenprofile müssen ohne Namen als pseudonymisierte Beschreibung verfasst werden (PREP-022). Lizenzen prüfen, bevor Schulbuchinhalte indexiert werden.

Werkzeuge: Paperless-ngx oder eine einfache OCR-Pipeline für Scans, eine gemeinsame Ablage mit einheitlicher Benennung und der eingebaute Wissens-Upload des gewählten Assistenten. Grober Anteil am Aufwand: gering, etwa 10-20 Prozent; ein erstes nutzbares Setup braucht ein bis zwei Tage, da der Assistent auch ganz ohne private Daten funktioniert. Siehe auch DOC-014 zur Umwandlung von Dokumenten in sauberen Text.

Umsetzungswege

Welcher Weg für wen

• public: B - Schulen und Behörden sollten eine staatliche oder souveräne, in der EU gehostete Plattform mit API-Zugang nutzen, weil Schülerdaten, Vergaberegeln und Souveränität dies gegenüber einem Verbraucherprodukt nahelegen.
• smb: A - Privatschulen, Bildungsanbieter und Nachhilfeunternehmen erhalten einen ausgereiften, in der EU hostbaren Lehrkräfte-Assistenten zu niedrigen Preisen pro Nutzer; der Prozess ist Standard.
• developer: B - auf KI-Modell-APIs in EU-Regionen und dem Lehrplan als Retrieval-Quelle aufbauen; Selbstbetrieb lohnt sich für diese Last selten.
• private: A - ein gehosteter Assistent (oder eine lokale App wie LM Studio für sensible Notizen) deckt die individuelle Unterrichtsvorbereitung ab.

Weg A — Kaufen (Standardsoftware) (empfohlen für Privatschulen, Bildungsanbieter und einzelne Lehrkräfte)

• Schulspezifische Assistenten: fobizz (DE, in der EU gehostete KI-Werkzeuge für Lehrkräfte), Telekom/Schulcloud und staatlich bereitgestellte Dienste wie telli aus Baden-Württemberg und ähnliche Angebote der Länder (prüfen Sie Ihr Bundesland), Aila der Oak National Academy (UK), Khanmigo-Werkzeuge für Lehrkräfte (Khan Academy), MagicSchool, Brisk Teaching, Diffit (Texte auf verschiedenen Niveaus), Eduaide.
• Suiten: Gemini in Google Classroom / Workspace for Education, Microsoft 365 Copilot und Microsoft Learning Zone / Teach-Modul, Canva for Education Magic Write.
• Prüfen: EU-Hosting oder AVV mit Standardvertragsklauseln (SCC), kein Training mit Eingaben, Altersbeschränkungen, Lehrplanabdeckung für Ihr Land, Export in Ihr LMS (Moodle, itslearning, Schulportal).
• A wählen, wenn: eine Schule oder Behörde einen aufwandsarmen Rollout mit einem geprüften AVV wünscht.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Mistral (EU-Anbieter), Claude, Gemini, GPT über EU-Regionen (Azure OpenAI EU Data Zone, Vertex AI EU, Bedrock EU); strukturierte Ausgabe für JSON-Schemata von Unterrichtsentwürfen.
• Stack: RAG über Lehrplan und OER (Embeddings + Vektordatenbank), SSO über den Identitätsanbieter der Schule, LTI- Anbindung an das LMS, Filter für personenbezogene Daten bei Prompts, Protokollierung ohne Schülerdaten.
• B wählen, wenn: ein Ministerium, eine Schulbehörde oder ein EdTech-Unternehmen viele Schulen versorgt und eine eigene Lehrplananbindung oder ein Werkzeug im eigenen Erscheinungsbild wünscht.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-Modelle der Klasse Mistral Small / Mixtral, Qwen3, Llama, Gemma, betrieben mit vLLM oder Ollama; Embeddings wie BGE-M3 oder multilingual-e5.
• Oberfläche/Stack: Open WebUI oder LibreChat, Qdrant/pgvector, Docling zum Einlesen von Schulbüchern und PDFs.
• Hardware: HW2 versorgt eine Schule oder einen kleinen Schulbezirk mit einem quantisierten Modell von ca. 30B; HW3 für einen regionalen Dienst. Die Qualität kleiner Modelle bei vereinfachter deutscher Sprache muss getestet werden.
• C wählen, wenn: eine Kommune oder Schulbehörde Datensouveränität wünscht.

Weg D — Eigenes Training

Selten nötig. Feintuning mit hochwertigen, rechtlich freigegebenen Unterrichtsentwürfen oder Texten auf verschiedenen Niveaus kann für eine bestimmte Sprache (z. B. Leichte Sprache) oder die Steuerung der Lesbarkeit hilfreich sein; die meisten Verbesserungen kommen stattdessen aus RAG und Prompt-Vorlagen.

Stand der Technik (2026)

• Lehrplanbasierte Generierung mit Verweis auf die Standards ist der wichtigste Qualitätstreiber; allgemeine Chat-Prompts liefern allgemeine Pläne.
• Lesbarkeitssteuerung: LLMs können Texte auf Ziel-Niveaus nach GER (CEFR) oder Klassenstufen umschreiben, doch das tatsächliche Niveau weicht oft ab; mit Lesbarkeitsmetriken oder Klassifikatoren und einer Durchsicht durch die Lehrkraft prüfen.
• Multimodal: Foto einer Schulbuchseite oder handschriftlichen Aufgabe → differenzierte Fassung per VLM.
• Agentische Suiten verbinden Planung, Arbeitsblätter, Folien und das Einstellen ins LMS (Gemini in Classroom, Copilot, MagicSchool).
• Grenzen: erfundene Fakten und Quellen, kulturell oder altersunpassende Beispiele, Verzerrungen (Bias) bei generierten Namen und Szenarien, Didaktik „von der Stange“, Urheberrechtsprobleme beim Kopieren von Schulbuch- inhalten, übermäßiges Verlassen auf die KI, das das eigene pädagogische Denken der Lehrkräfte schwächt. Differenzierung durch ein LLM ist keine Diagnose des Förderbedarfs von Lernenden.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (llm-general + RAG + guardrails): EDU-001 Kursmaterial, EDU-002 Quizaufgaben, EDU-016 Lernwerkzeuge, KNOW-002 Unternehmens-RAG; ein selbst betriebenes LLM kann mehrere davon bedienen.
• Nachgelagert: EDU-003 Rückmeldung zu Schülerarbeiten, EDU-005 adaptive Lernpfade, LANG-009 Übersetzung von Materialien; EDU-017 Screening ist ein eigener Anwendungsfall nahe der Hochrisiko-Einstufung.
• Verwandte Planung: OPT-013 Stundenplanung.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage; für Lehrkräfte oft kostenlos oder pro Schule/Land lizenziert.
• Weg B: 2-4 Monate für einen produktiven Dienst mit Lehrplan-RAG und LMS-Anbindung.
• Weg C: 2-4 Monate plus Betrieb durch die IT der Schulbehörde.
• Kennzahlen: von Lehrkräften berichtete Vorbereitungszeit (befragt, nicht angenommen), Anteil der Entwürfe, die mit Änderungen genutzt werden, Qualitätsbewertung durch Lehrkräfte, Rate sachlicher Fehler bei Stichproben, Nutzungsquote, Anzahl differenzierter Fassungen pro Einheit.

Menschen & Veränderung

Beziehen Sie die Leitung früh für KI-Richtlinie und Budget ein (GUIDE-007), die Fachbereichsleitung oder Schulleitung als Prozessverantwortliche und die Lehrkräfte von Anfang an als tägliche Nutzer. Die IT klärt Konten und Plattform; die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte prüft den AVV und die Regeln für Schülerdaten, und eine Datenschutz-Folgenabschätzung (DSFA) ist erforderlich, sobald Schülerdaten oder Leistungsbewertungen in das Werkzeug gelangen (GUIDE-005). Einstellung oder Beurteilung von Personen ist nicht betroffen.

Betriebsrat: abhängig vom Einzelfall. Der Assistent plant Unterricht und beurteilt kein Personal, doch ein Produkt, das die individuelle Nutzung protokolliert, ist zur Verhaltensüberwachung geeignet; daher gilt in Betrieben mit Betriebsrat die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG, und § 90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-gestützte Arbeitsverfahren. An öffentlichen Schulen ist der Personalrat nach dem Personalvertretungsgesetz des jeweiligen Landes der Ansprechpartner.

KI-Kompetenz: Die KI-Verordnung (AI Act) Art. 4 verlangt von Anbietern und Betreibern, die KI-Kompetenz des Personals zu fördern; bieten Sie daher kurze praktische Einheiten zu Prompting, Faktenprüfung und Bias an (GUIDE-006). Beginnen Sie mit einer Pilotgruppe von zwei bis fünf freiwilligen Lehrkräften, benennen Sie Vorreiter (Champions) und sammeln Sie deren Rückmeldungen (GUIDE-008, GUIDE-009). Typische Bedenken: Verlust an Unterrichtsqualität, Mehrarbeit, Kompetenzverlust und Urheberrecht. Begegnen Sie ihnen mit der Aussage, dass die Lehrkraft stets prüft und entscheidet und dass keine Schülernamen in Prompts gelangen.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise begrenztes/minimales Risiko: Die Erstellung von Unterrichtsmaterial ist keine Anwendung nach Anhang III. Anhang III Nr. 3 (Bildung) ist hochriskant für Zulassung, Bewertung von Lernergebnissen, Beurteilung des angemessenen Bildungsniveaus und Überwachung verbotenen Verhaltens bei Prüfungen. Die Grenze wird überschritten, wenn der Assistent einzelne Lernende bewertet, sie Niveaus zuordnet oder in Benotungs- und Versetzungsentscheidungen einfließt; dann siehe EDU-003/EDU-005. Die Transparenzpflicht nach Art. 50 gilt für als solche veröffentlichte KI-generierte Inhalte; die KI-Kompetenzpflicht nach Art. 4 gilt für Schulen und Lehrkräfte. Verbot nach Art. 5: Emotionserkennung bei Lernenden in Bildungseinrichtungen ist verboten; keine Erkennung von Gefühlsregungen ergänzen. Die Pflichten nach Anhang III gelten ab dem 2. Dezember 2027 gemäß dem Digital Omnibus zur KI (Verordnung (EU) 2026/1744).
• DSGVO: Geben Sie keine Schülernamen, Noten, Diagnosen oder Daten zu sonderpädagogischem Förderbedarf in nicht geprüfte Werkzeuge ein; Daten zu Lernstörungen sind nahe an besonderen Kategorien, und Kinder verdienen erhöhten Schutz (Erwägungsgrund 38). Nutzen Sie von der Schule zugelassene Werkzeuge, einen AVV und eine DSFA, wo Schülerdaten verarbeitet werden; deutsche Landesschulgesetze und Datenschutzbehörden geben spezifische Hinweise.
• Urheberrecht: Rechte der Schulbuchverlage beachten; OER und eigenes Material bevorzugen.
• Gegenmaßnahmen: Freigabe durch die Lehrkraft, anonyme Klassenprofile, Quellenangaben, Checkliste zur Faktenprüfung, Bias-Prüfung, Transparenz gegenüber Lernenden und Eltern über KI-unterstütztes Material.

Erste Schritte

1. Ein Fachteam und 2-3 wiederkehrende Aufgaben wählen (gestuftes Arbeitsblatt, Text auf verschiedenen Niveaus, Stundengerüst).
2. Ein geprüftes Werkzeug (Weg A) mit AVV auswählen und eine schulische Regel klären, welche Daten eingegeben werden dürfen.
3. Prompt-Vorlagen mit Lehrplanbezügen und Ihren Differenzierungsdimensionen erstellen.
4. Einen 6-wöchigen Pilot durchführen, Rückmeldungen zu Zeitaufwand und Qualität sammeln, Stichproben auf Fakten prüfen.
5. Gute Prompts und Pläne in einer Schulbibliothek teilen und das Personal schulen (KI-Kompetenz, Art. 4).

Quellen

1. OECD - TALIS 2024 results - https://www.oecd.org/en/about/programmes/talis.html
2. UK Department for Education - Generative AI in education - https://www.gov.uk/government/publications/generative-artificial-intelligence-in-education
3. Regulation (EU) 2024/1689 (AI Act), Annex III and Art. 5 - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
4. UNESCO - Guidance for generative AI in education and research - https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
5. European Commission - Ethical guidelines on the use of AI and data in teaching and learning for educators - https://education.ec.europa.eu/news/ethical-guidelines-on-the-use-of-artificial-intelligence-and-data-in-teaching-and-learning-for-educators
6. Oak National Academy - Aila lesson assistant - https://labs.thenational.academy/
7. Khan Academy - Khanmigo for teachers - https://www.khanmigo.ai/teachers
8. fobizz - AI tools for teachers - https://fobizz.com/
9. Education Endowment Foundation — Lesson planning using AI lesson assistant Aila (Teacher Choices trial, NFER evaluation, Oct 2026) — https://educationendowmentfoundation.org.uk/projects-and-evaluation/projects/aila-teacher-choices-trial