Start Allgemein Aufgaben-Remix 5×4 – Aufgaben gestalten unter KI-Bedingungen

Allgemein

Aufgaben-Remix 5×4 – Aufgaben gestalten unter KI-Bedingungen

Unter KI-Bedingungen entscheidet sich die Qualität von Unterricht in besonderem Maße an der Gestaltung von Aufgaben. Dieser Beitrag stellt mit dem „5x4 Aufgaben-Remix“ ein Planungsverfahren vor, mit dem sich bestehende Aufgaben im KI-Kontext weiterentwickeln lassen. Für Schulleitungen genauso wie die Ausbildung ist das Modell weniger als Unterrichtsrezept von Interesse denn als gemeinsame Denkfigur, die Unterrichtsentwicklung, Professionalisierung und schulinterne Fortbildung miteinander verbindet.

12. November 2026

Inhaltsverzeichnis verstecken

1 Die 5×4-Matrix für Aufgabenplanung im Überblick

2 Ausgangspunkt: Aufgabenkultur und Aufgabenentwicklung

3 Das 3×3-Modell für KI-resilientere Aufgaben – guter Aufschlag von Manuel Flick

4 Planung mit der 5×4-Matrix: 2 Ebenen, 5+1 Fragen, 20 Bausteine

5 Der Einstieg: Aufgaben remixen mit dem Planungsgedanken „Eine Setzung, zwei Züge, eine Kopplung“

6 Anwendung: Zwei Praxisbeispiele für die 5×4-Matrix

7 Theoretische Einordnung der 5×4-Aufgabenentwicklung

8 Grenzen und offene Fragen

9 Grundlagen und verwendete Quellen

Die 5×4-Matrix für Aufgabenplanung im Überblick

Direkt zur 5×4-Website mit allen Informationen und Materialien

Ausgangspunkt: Aufgabenkultur und Aufgabenentwicklung

Arbeite ich mit Kollegien zu Aufgabenkultur unter KI-Bedingungen, erlebe ich meist einen ähnlichen Effekt: Die Diagnose wird geteilt, Modelle und Frameworks stoßen auf Verständnis, die Praxisbeispiele überzeugen – schwieriger wird es aber bei der Frage: „Wo fange ich an, wenn ich eine klassische (Haus-)Aufgabe, die ich seit Jahren so stelle, unter KI-Bedingungen weiterentwickeln will?“

Dass diese Weiterentwicklung nötig ist, beschreibe ich häufiger mit einem aus anderem Kontext bekannten Bild: mit Push- und Pull-Faktoren für „KI-Outsourcing“. Eine Aufgabe, die etwas lieblos nur „Mache X bis zum Zeitpunkt Z“ verlangt und am Ende allein das abgegebene Produkt bewertet, wirkt wie ein Push-Faktor. Sie legt Schülerinnen und Schülern den Weg über die KI geradezu nahe. Diesen Druck erzeugen in diesem Fall gar nicht unbedingt die Lernenden, sondern wir selber mit unserer Aufgabengestaltung.

Auf der anderen Seite steht der Pull-Faktor generativer KI selbst: das mit LLM verbundene Versprechen, es besser, schneller und schöner zu können als man selbst, und das zu jedem beliebigen Thema. Dieser Pull-Faktor ist dort am größten, wo Lernen anstrengend wird – bei den „desirable difficulties“, für das Lernen eben wünschenswerten Anstrengungen. Kommen beide Faktoren zusammen, liegt KI-Outsourcing nahe: Zwischenschritte werden übersprungen, ohne sie je erlernt oder beherrscht zu haben.

Aufgaben-Remix 5×4 - Aufgaben gestalten unter KI-Bedingungen 1

Deshalb tue ich mich mit dem Begriff „KI-resiliente Aufgaben“ auch etwas schwer. Es geht weniger darum, Aufgaben gegen KI abzudichten, als darum, den Push-Faktor auf unserer Seite lern- und eigenständigkeitsfreundlich zu gestalten und den Pull-Faktor möglichst zu schwächen. So z.B. durch mehrphasige Formate, durch Relevanz für die Lernenden, durch eine Anstrengung, deren Sinn erkennbar ist, und durch die damit verbundene Möglichkeit, mit den Schülerinnen und Schülern selbst diese Frage zum Thema zu machen. Denn es geht auch darum, offenzulegen, was es bedeutet, wichtige Lernprozesse an KI auszulagern. Die OECD bringt das Problem auf die griffige Unterscheidung Task Performance statt Learning, Joscha Falck hat sie für die deutsche Schulpraxis präzise aufgegriffen: Dass eine Aufgabe erledigt ist, sagt noch nichts darüber, ob gelernt wurde.

Und hier setzt der Aufgaben-Remix 5×4 an, der ausdrücklich das WARUM und WOZU – die Bedeutsamkeit und den Zweck einer Aufgabe und das, was gelernt werden soll – mit dem WORAN verknüpft, also der Frage, woran am Ende sichtbar wird, dass eine Eigenleistung vorliegt. Damit setzt die 5×4-Matrix am zentralen Push-Faktor an, nämlich an der Aufgabenstellung selbst. Ein Baukasten allein genügt dafür nicht, denn es braucht eine grundlegende Denkfigur für Aufgabenplanung, eine überschaubare Folge von Entscheidungen, die sich an möglichst jeder bestehenden Aufgabe durchspielen lässt. Diese Sequenz fehlt vielen Modellen, weshalb gute Vorlagen häufig im Fortbildungsraum bleiben, statt in die Unterrichtspraxis einzugehen. Deshalb gehört zu diesem Vorschlag auch gleich eine (in Fortbildungen erprobte) Werkstatt, in der sich der 5×4-Remix an fachtypischen Aufgaben ausprobieren lässt.

Das 3×3-Modell für KI-resilientere Aufgaben – guter Aufschlag von Manuel Flick

Manuel Flick hat mit dem 3×3-Modell in sehr praktikabler Weise und frühzeitig auf den Anpassungsdruck hingewiesen, dem schulische Aufgaben in Zeiten von genKI unterliegen. Er ordnet in seiner Planungsmatrix für KI-resilientere Aufgaben 9 Bausteine in 3 Dimensionen: Darstellungsform (In welchem Format wird die Leistung gezeigt?), Aufgabenfokus (Welche Denk- und Entscheidungsleistung wird gefordert?) und Rahmenbedingungen (In welchem Setting wird die Leistung erbracht?). Ein wichtiger Hinweis seinerseits war schon bei der Vorstellung der Matrix, dass einzelne Maßnahmen wenig bewirken und erst die Kombination mehrerer Bausteine aus unterschiedlichen Dimensionen etwas bewirke, zugleich aber auch nicht jedes Aufgabenformat unter hohem Anpassungsdruck stehe (z.B. Aufgaben für Aneignung und Übung).

In der Fortbildungsarbeit zeigen sich jedoch gerade in intensiven Workshop-Phasen, die Aufgabenkultur im Kontext von Schulentwicklung sehen, bei dieser auf die isolierte Aufgabe fokussierten Matrix einige wiederkehrende Leerstellen:

- Der Zweck der Aufgabe: Das Modell beschreibt, wie eine Aufgabe robuster wird, nicht aber, wozu sie im Lernprozess dient. Eine Übungsaufgabe zur Automatisierung braucht etwas anderes als ein Leistungsnachweis. Ohne diese Frage geraten Kollegien in den Sog, jede Aufgabe in ein Projekt zu verwandeln.
- Die Rolle der KI bleibt implizit: Sie steckt in den Bausteinen, wird aber nicht zur Entscheidung. In der Praxis ist sie die erste Frage, die Lernende stellen – und die häufigste Ursache für Unsicherheit auf beiden Seiten.
- Es fehlen Konstanten, die alle Aufgaben durchziehen sollten: Kriterientransparenz, Rückmeldung im Prozess und Reflexion sind keine Bausteine, die man wählen kann, sondern Bedingungen, ohne die die gewählten Bausteine wirkungslos bleiben.
- Ein die Weiterarbeit strukturierender Einstieg fehlt: Neun Felder sind ein Angebot, keine Handlungsanweisung. Ohne Startroutine und Begrenzung („zwei Züge, nicht fünf“) bleibt die Auswahl beliebig oder überfordert.

Planung mit der 5×4-Matrix: 2 Ebenen, 5+1 Fragen, 20 Bausteine

Der auf Grundlage der Erfahrungen und Rückmeldungen in mehreren Workshops zu Aufgaben- und Prüfungskultur entwickelte „5×4 Aufgaben-Remix“ fügt nichts hinzu, was das 3×3-Modell (Flick) irgendwie »falsch« machen würde, sondern ergänzt aus einer erweiterten didaktischen Perspektive das, was Lehrkräfte brauchen, um Aufgaben durch „Remix“ weiterzuentwickeln. Er ist zugleich in kollegialer Zusammenarbeit mit Manuel Flick, Joscha Falck und Bob Blume überarbeitet worden. Das Modell unterscheidet zwei Ebenen, und diese Unterscheidung ist vermutlich auch der wichtigste Punkt: Vier der sechs (5+1) Fragen sind allgemeindidaktisch – sie gehören elementar zur didaktischen Analyse und wären auch ohne generative KI zu stellen. Nur zwei Fragen entstehen unmittelbar aus der neuen Situation.

Ebene 1 · WOZU? – Zweck im Lernprozess

Die erste Frage ist die, die am häufigsten übersprungen wird. Sie entscheidet über alles Weitere: Eine Aufgabe zum Üben darf und soll anders aussehen als ein Leistungsnachweis. Sie schützt außerdem vor dem Missverständnis, Aufgaben unter KI-Bedingungen müssten immer aufwendige Projekte sein.

Baustein	Was gemeint ist	Beispiel aus der Praxis
Z 01 Erarbeiten	Neues erschließen, Vorwissen aktivieren, erste eigene Zugriffe bilden.	Eigene Hypothese formulieren, bevor recherchiert wird
Z 02 Üben & Sichern	Verstandenes automatisieren – mit produktiver Anstrengung statt Abkürzung.	Kurze hilfsmittelfreie Übungsphase mit Selbstkontrolle
Z 03 Anwenden & Vertiefen	Wissen in komplexeren, bedeutsamen Zusammenhängen nutzen.	Fallstudie mit Gegenwartsbezug, Planspiel
Z 04 Nachweisen	Können zeigen – als Leistungsnachweis mit offengelegten Kriterien.	Ersetzende Leistungsüberprüfung, Präsentation mit Kolloquium

Ebene 1 · WAS? – Denkleistung

Diese Dimension entspricht dem Aufgabenfokus im 3×3-Modell und ist um einen vierten Baustein erweitert. Das Erklären für andere gilt in der Forschung zu generativem Lernen als besonders wirksam – und ist zugleich der härteste Test für Verstehen.

Baustein	Was gemeint ist	Beispiel aus der Praxis
D 01 Urteilen & Position beziehen	Kriterien wählen, abwägen, Gegenargumente prüfen und einordnen.	Eigene These zuerst, KI liefert danach Einwände
D 02 Prozess gestalten	Planen, überarbeiten, Entscheidungen festhalten und begründen.	Entwurfsstände mit Änderungsbegründung
D 03 Transferieren & verknüpfen	Auf neue, unbekannte Situationen übertragen, mehrstufig denken.	Planspiel mit verändertem Szenario
D 04 Erklären & anleiten	Verstandenes für andere aufbereiten und auf Rückfragen reagieren.	Lernvideo oder Mini-Workshop für den Parallelkurs

Ebene 1 · WIE? – Setting & Sozialform

Diese Dimension entspricht den Rahmenbedingungen im 3×3-Modell, wurde aber an zwei Stellen geschärft: Kooperation wird um die individuelle Verantwortlichkeit ergänzt, und die zeitliche Staffelung kommt als eigener Baustein hinzu. Zweiphasige Formate haben sich in der Praxis als der wirksamste einzelne Hebel erwiesen, weil sie Eigenleistung und KI-Nutzung nacheinander sichtbar machen, statt sie zu vermischen.

Baustein	Was gemeint ist	Beispiel aus der Praxis
S 01 Beaufsichtigt & begleitet	Der Kern der Arbeit entsteht in Präsenz, die Hilfsmittel sind definiert.	Input zu Hause, Anwendung im Unterricht
S 02 Kooperativ mit Einzelrechenschaft	Erst allein, dann im Austausch – jeder Beitrag bleibt zurechenbar.	Ich – Du – Wir mit festen Rollen, Peer-Feedback
S 03 Kontext- & ortsgebunden	Eigene Daten, lokale Bezüge, reale Personen.	Interview, Messung, Archiv- oder Betriebsbesuch
S 04 Zeitlich gestaffelt	Zwei Phasen mit unterschiedlichen Regeln statt einer großen Abgabe.	Entwurf ohne KI, Überarbeitung mit KI und Dokumentation

Ebene 2 · WOMIT? – Rolle der KI (Setzung)

Die erste Frage der KI-Schicht macht explizit, was im 3×3-Modell mitgedacht, aber nicht entschieden wird. Sie greift die Unterscheidung von Tutor-, Sparringspartner- und Taschenrechner-Modell auf und verbindet sie mit den Aufgabenkategorien von Joscha Falck: KI kann begrenzt, integriert, reflektiert oder selbst zum Gegenstand gemacht werden. Wichtig ist die Reihenfolge: erst der Kern, dann die Schicht. Wer mit der KI-Rolle beginnt, landet beim Werkzeug statt beim Lernen.

WOMIT ist ausdrücklich eine Setzung und kein Zug. Jede Aufgabe hat bereits einen Wert in dieser Spalte, meist einen unausgesprochenen. Ihn festzulegen ist Pflicht – es verändert aber die Anforderung der Aufgabe nicht. Eine Öffnung in Richtung K 02 bis K 04 ist eine Erlaubnis, kein Umbau: Die Aufgabe verlangt hinterher dasselbe wie vorher, nur unter erleichterten Bedingungen.

Baustein	Was gemeint ist	Beispiel aus der Praxis
K 01 Ohne KI – begründet begrenzt	Bewusste Begrenzung, damit eine Kompetenz überhaupt aufgebaut werden kann. Die Begründung wird mitgeteilt.	Hilfsmittelfreie Phase in Präsenz
K 02 KI als Tutor	Hinweise, Erklärungen und Feedback in klar benannten Phasen, mit Leitplanken.	Rückmeldung zum eigenen Entwurf, dokumentierte Änderungen
K 03 KI als Sparringspartner	Gegenpositionen, Perspektivwechsel, Prüfsteine für das eigene Denken.	Drei Einwände erzeugen und am Material prüfen
K 04 KI als Gegenstand	Das KI-Produkt wird selbst geprüft, verglichen und eingeordnet.	KI-Infografik auf Fehler und Lücken prüfen

Ebene 2 · WORAN? – Evidenz der Eigenleistung

Diese Dimension fragt nicht nach der Darstellungsform, sondern nach der Evidenz, dass eine Leistung von den Lernenden selber kommt. Der Unterschied ist durchaus relevant, weil Formate hier regelmäßig mit Nachweisen verwechselt werden: Ein Erklärvideo ist ein Format, kein Nachweis, denn es lässt sich vollständig aus KI-Material herstellen. Auch die Begriffe mündlich, analog, multimodal und öffentlich helfen an dieser Stelle nicht weiter – die ersten drei sind Modalitäten, der Adressatenbezug liegt quer dazu, und keiner beantwortet direkt die Frage, woher die Sicherheit über die Eigenleistung stammt.

Die Leitfrage lautet deshalb: Woher stammt die Sicherheit, dass diese Leistung von den Lernenden kommt? Die vier Bausteine folgen einem einzigen Einteilungsgrund, nämlich der Art der Nichtdelegierbarkeit.

Der Ausgangspunkt: E 00, die Produkt-Evidenz. Sie benennt, wovon jeder Zug in dieser Dimension ausgeht. Die klassische Aufgabe mit Produkt-Evidenz stützt sich zunächst allein auf das abgegebene Ergebnis. Genau diese Quelle verliert unter KI-Bedingungen bzw. je nach KI-Öffnungsgrad und Setting mehr oder weniger stark ihre Aussagekraft – und deshalb steht sie nicht als fünfter Baustein in der Reihe, sondern davor als Ausgangspunkt. Damit wird verständlich, warum die Frage nach der Evidenz überhaupt gestellt werden muss.

Baustein	Was gemeint ist	Beispiel aus der Praxis
E 01 Echtzeit-Evidenz	Die Leistung entsteht im Moment und hält Rückfragen stand, die über das Vorbereitete hinausgehen.	Fachgespräch, Verteidigung, Präsenzphase
E 02 Prozess-Evidenz	Die Evidenz liegt in Zwischenständen, Versionen und dokumentierten Entscheidungen.	Entwurfsstände, Revisionen, Arbeitsprotokoll
E 03 Kontext-Evidenz	Die Leistung bezieht sich auf Material, das kein Modell kennt.	Eigene Daten, Unterrichtsgeschehen, lokaler Ortsbezug
E 04 Verkörperte Evidenz	Die Leistung ist an Person, Hand oder Stimme gebunden.	Werkstück, Experiment, eigene Aufnahme

Zwei Abgrenzungen, die im Gespräch immer wieder nötig sind
Modalität ist keine Dimension: Mündlich, analog, multimodal und öffentlich beschreiben, wie ein Evidenztyp ausgestaltet wird. Ein Fachgespräch ist die mündliche Ausgestaltung von Echtzeit-Evidenz, ein Werkstück die verkörperte Variante davon. Die Begriffe sind nützlich – aber sie stehen eine Ebene tiefer.
Kern und Schicht dürfen sich überschneiden: Prozess-Evidenz (E 02) und die Denkleistung Prozess gestalten (D 02) berühren dasselbe Phänomen, ebenso Echtzeit-Evidenz (E 01) und das beaufsichtigte Setting (S 01). Der Unterschied liegt dann eher in der Blickrichtung: Der Kern beschreibt, was die Lernenden tun; die Schicht beschreibt, woraus die Bewertung ihre (größere) Sicherheit mit Blick auf eigenständiges Denken zieht. Wenn beides zusammenfällt, ist das kein Fehler.

Quer zu beiden Ebenen: 3 Konstanten

Die drei Konstanten stehen nicht zur Auswahl, sondern stellen Bedingungen dar, unter denen die gewählten Bausteine überhaupt wirken – und diese drei Konstanten sind wohl auch dem geschuldet, was die Unterrichtsforschung immer wieder deutlich hervorhebt.

Aufgaben-Remix 5×4 - Aufgaben gestalten unter KI-Bedingungen 6

Der Einstieg: Aufgaben remixen mit dem Planungsgedanken „Eine Setzung, zwei Züge, eine Kopplung“

Der eigentliche Beitrag des Modells liegt vielleicht weniger in den zwanzig Bausteinen zur Aufgabengestaltung als in der Frage, welche „Denkfigur“ bei der Aufgabengestaltung unter KI-Bedingungen künftig handlungsleitend sein sollte – der Planungsgedanke:

Die folgende Startroutine beantwortet die Frage nach dem ersten Schritt:

Stresstest: Die bestehende Aufgabe in ein Sprachmodell geben. Nicht nur prüfen, ob die KI sie löst, sondern wie gut – und ob die Lösung schon für eine ausreichende Bewertung reichen würde. Erst dieser Moment erzeugt bei vielen Kolleginnen und Kollegen den Handlungsimpuls.
Kernleistung benennen: In einem Satz festhalten: Was genau sollen die Lernenden warum können, das ihnen die KI nicht abnehmen soll? Dieser Satz beantwortet WOZU und WAS und ist die eigentliche didaktische Entscheidung.
Setzen, ziehen, benennen: Die Rolle der KI festlegen, einen Zug im Kern und einen in WORAN machen, die Konstanten ergänzen und die Aufgabe so formulieren, wie die Lernenden sie erhalten – inklusive Evidenzform und Bewertungskriterien.

Anwendung: Zwei Praxisbeispiele für die 5×4-Matrix

Praxisbeispiel 1 – Geschichte

Praxisbeispiel 2 – Mathematik

Theoretische Einordnung der 5×4-Aufgabenentwicklung

Angebot und Nutzung: Warum Aufgabenqualität nicht Lernqualität ist

Das Angebots-Nutzungs-Modell nach Andreas Helmke beruht auf einer einfachen, folgenreichen Einsicht: Unterricht ist ein Angebot, das von Lernenden aktiv genutzt werden muss. Zwischen Angebot und Lernerfolg liegen Mediationsprozesse – Wahrnehmung, Interpretation, Motivation, kognitive Anstrengung –, die sich der direkten Steuerung entziehen. Für unser Thema folgt daraus zweierlei: Erstens kann eine noch so gut geplante Aufgabe ins Leere laufen, wenn sie nicht als relevant/bedeutsam wahrgenommen wird. Zweitens ist „KI-Resilienz“ kein Qualitätsmerkmal an sich – entscheidend ist, ob die Aufgabe kognitive Aktivität auslöst.

Die Weiterentwicklung durch Vieluf et. al. (2020), die Unterricht als Ko-Konstruktion von Lehrenden und Lernenden beschreiben, schärft das noch: Die Regeln für den KI-Einsatz und die Kriterien guter Leistung sind mit den Lernenden auszuhandeln, nicht nur über sie zu verhängen. Ein wichtiger Aspekt auch für die Unterrichtsentwicklung einer Schule, z.B. mit dem KURS-Prozess.

Kognitive Belastung und wünschenswerte Erschwernisse

Die Cognitive Load Theory unterscheidet intrinsische, extrinsische und lernbezogene Belastung. Generative KI kann extrinsische Last senken – und zugleich jene produktive Anstrengung verdrängen, die Lernen erst ausmacht. Das Konzept der desirable difficulties (Bjork & Bjork 2011) benennt es konkret: Ein gewisses Maß an Schwierigkeit ist für dauerhaftes Behalten und Verstehen unverzichtbar. Übersetzt in Aufgabendesign heißt das: Nicht jede Erleichterung ist eine Verbesserung. Die Dimension WOMIT trifft genau hier eine bewusste Entscheidung, gerade auch für die Begrenzung.

Empirisch gestützt wird dies durch die Feldstudie von Bastani und Kolleginnen (2025) mit knapp 1.000 Schülerinnen und Schülern im Mathematikunterricht: Ein ungesteuerter Chatbot verbesserte die Leistung in den Übungsphasen deutlich, verschlechterte sie aber in der anschließenden Prüfung ohne KI. Eine Tutor-Variante, die nur schrittweise Hinweise statt fertiger Lösungen gab, verhinderte diesen Effekt weitgehend, und zwar bei identischen Aufgaben. Entscheidend war also nicht die Aufgabe, sondern die Rahmung der KI-Nutzung. Für das Modell heißt das: Die Setzung in WOMIT verändert nicht, was eine Aufgabe verlangt, wohl aber, wie sie genutzt wird. Deshalb braucht jede Öffnung Leitplanken – und eine Evidenzquelle, die zeigt, ob trotzdem gelernt wurde.

Deskilling, Skill-Skipping und die Frage nach dem Sinn

Der Deutsche Ethikrat hat mit dem Begriff des Deskillings beschrieben, wie Fähigkeiten verkümmern, wenn Technologien sie dauerhaft übernehmen und das Vertrauen in die eigenen Fähigkeiten schwindet. In der Schulpraxis zeigt sich das als „KI-Outsourcing“ bzw. „Skill-Skipping“: Zwischenschritte werden übersprungen, bevor sie je beherrscht wurden. Die pädagogische Antwort darauf sollte in meinen Augen aber nicht (mehr) Kontrolle, sondern (mehr) Aufklärung und Begründung sein – Lernende müssen verstehen, wofür sich die Anstrengung lohnt und was passiert, wenn sie eigenständiges Denken an Maschinen auslagern. Diese Frage nach dem Bildungsgehalt einer Aufgabe hat Wolfgang Klafki mit der Gegenwarts- und Zukunftsbedeutung sowie der exemplarischen Bedeutung lange vor jeder KI-Debatte gestellt, weshalb sie im Modell aber auch gleich an erster Stelle steht.

Basisdimensionen der Unterrichtsqualität

Klassenführung, konstruktive Unterstützung und kognitive Aktivierung gelten als die Tiefenstrukturen, die Lernen wirksam machen – unabhängig davon, welche Methoden und Sozialformen zum Einsatz kommen (Trautwein, Sliwka & Dehmel 2022). Für den Aufgaben-Remix bedeutet das: Die verfügbaren Bausteine sind die Oberflächenstruktur und am Ende nur so viel wert, wie sie kognitive Aktivierung erzeugen und konstruktive Unterstützung ermöglichen. Genau deshalb sind die Rückmeldeschleife und die Zieltransparenz als Konstanten gesetzt und nicht als wählbare Bausteine optional einplanbar (wobei das in der Praxis natürlich je nach Planung auch anders möglich ist).

Kooperation, Deeper Learning und formatives Feedback

Aus dem Kooperativen Lernen stammt der Hinweis, dass Gruppenarbeit nur dann lernwirksam ist, wenn individuelle Verantwortlichkeit gesichert bleibt – die Struktur Ich – Du – Wir ist dafür das bekannteste Muster (Brüning & Saum). Unter KI-Bedingungen gewinnt dieser Punkt zusätzliche Bedeutung: Kooperation ohne Einzelrechenschaft lädt zur stillen Delegation ein. Aus dem Deeper-Learning-Ansatz (Sliwka) kommt der Lernweg von der Aneignung über die Ko-Konstruktion zur authentischen Leistung vor einem echten Publikum. Und aus der Feedbackforschung stammt die vielleicht wichtigste Konsequenz: Rückmeldung wirkt im Prozess, nicht an dessen Ende. Alles Elemente, die ich versucht habe in der Aufgaben-Remix-Matrix einzubinden und teils auch zu gewichten.

Evidenz als Frage der Validität, nicht der Kontrolle

Die Frage nach der Evidenz der Eigenleistung lässt sich als Kontrollfrage missverstehen: Wie verhindere ich Täuschung? Die Forschung zu Leistungsbewertung schlägt eine andere Rahmung vor. Dawson, Bearman, Dollinger und Boud (2024) argumentieren im Hochschulkontext, dass Täuschung vor allem deshalb ein Problem ist, weil sie die Validität einer Bewertung gefährdet, also die Frage, ob eine Note tatsächlich aussagt, was eine Schülerin oder ein Schüler kann. Validität sei daher der hilfreichere Begriff. Zugleich weisen sie darauf hin, dass Maßnahmen gegen Täuschung die Validität sogar verschlechtern können, etwa wenn sie Lernende benachteiligen, die mit einem Format schlechter zurechtkommen.

Für WORAN folgt daraus: Gesucht ist nicht die sicherste, sondern die passendste Evidenz. Sie soll zur Kernleistung passen und allen Schülerinnen und Schülern faire Chancen lassen. Diese Rahmung schließt an Helmkes Einwand gegen den Resilienzbegriff an: Es geht nicht um Kontrolle, sondern um eine gültige(re) Aussage über Lernen.

Grenzen und offene Fragen

Ein Planungsmodell sollte immer mit dem Hinweis darauf veröffentlicht werden, was es gerade nicht leistet. Die folgenden drei Grenzen sind grundsätzlicherer Art, sie lassen sich also nicht einfach durch eine weitere Überarbeitung beheben. Die beiden offenen Fragen im Anschluss sind dagegen anders gelagert: Sie bezeichnen Konzept-Arbeit, die noch aussteht, die aber im Berufsalltag leider kaum verfügbare Zeit und Fachaustausch erfordert (wer übernimmt?).

Wichtige Grenzen dieses Vorschlags

Keine Kontrollillusion. Kein Aufgabendesign verhindert, dass Lernende außerhalb des Unterrichts mit generativer KI arbeiten. Wer das Modell als Sicherungsinstrument liest, wird es zwangsläufig für unzureichend halten. Es erhöht die Wahrscheinlichkeit, dass Denken stattfindet und dass dieses Denken sichtbar wird – und verschiebt damit die Beweislast. Mehr kann ein Aufgabenformat unter den gegenwärtigen technischen Bedingungen nicht leisten, und ein Modell, das mehr verspräche, wäre unseriös.

Aufwand. Jeder zusätzliche Baustein kostet Unterrichts- und Korrekturzeit. Genau deshalb ist die Begrenzung auf eine Setzung und zwei Züge kein Kompromiss, sondern Teil der Konstruktion: Sie ist auch eine Schutzregel für Lehrkräfte. Ein Verfahren, das sich im Schulalltag nicht zweimal durchhalten lässt, verändert die Aufgabenkultur nicht, sondern belastet nur die Kolleginnen und Kollegen, die es ernst nehmen.

Fachspezifik. Was eine Kernleistung ist, unterscheidet sich zwischen Chemie, Spanisch und Sport erheblich – und damit auch, welche Evidenz überhaupt in Frage kommt. Das Modell liefert die Fragen und die Bausteine, nicht die fachlichen Antworten. Diese Konkretisierung gehört in die Fachgruppe und ist dort besser aufgehoben als in einem allgemeinen Planungsraster.

Offene Fragen

Wie kommen die Lernenden in das Verfahren hinein? Das Modell ist durchgehend aus der Planungssicht der Lehrkraft formuliert. Die Aushandlung der Regeln mit den Lernenden ist mitgedacht – die Konstante Reflexion greift sie auf –, aber sie ist nicht modelliert. Für die Selbstlernkompetenz ist gerade dies die interessantere Frage: Wie lernen Schülerinnen und Schüler, eigene Kriterien für ihren KI-Einsatz zu entwickeln? Hier liegt die nächste Entwicklungsaufgabe.

Was davon hält einer empirischen Prüfung stand? Das Modell ist theoretisch begründet und in Fortbildungen sowie im eigenen Unterricht erprobt, aber nicht empirisch validiert. Welche Bausteine unter KI-Bedingungen tatsächlich wirken und welche nur plausibel klingen, ist offen. Das gilt für alle derzeit diskutierten Modelle gleichermaßen und ist kein Argument gegen ihre Nutzung – wohl aber eines für Zurückhaltung bei Wirksamkeitsbehauptungen.