PRISMA: Ein Modell für dynamische Schulentwicklung im Zeitalter des Wandels

KI ist nicht nur ein weiteres Werkzeug. Sie verschiebt Grundfragen von Schule: Was gilt als Eigenleistung, wenn Texte und Lösungen auf Knopfdruck entstehen? Welche Prüfungsformate bleiben valide, wenn klassische Schreibprodukte leichter delegierbar werden? Und welche Rolle hat eine Lehrkraft, wenn der traditionelle Wissensvorsprung neben einer nahezu unbegrenzten Informationsfülle digitaler Systeme steht? Am Carl-Fuhlrott-Gymnasium (CFG) in Wuppertal haben wir diese Fragen nicht als Störgeräusch behandelt, sondern als Auftrag zur Schulentwicklung, der im Januar 2026 mit dem ersten Preis des KI-Schulpreises (Gesamtkonzept) ausgezeichnet wurde.

Als KI-Schulkoordinator war mir am Anfang unserer Bestrebungen früh klar: Ein starres Konzept wird angesichts der rasanten KI-Entwicklung und der tiefgreifenden Auswirkungen von KI auf Schule schneller alt als es umgesetzt ist. Was es braucht, ist ein Rahmen, der Entscheidungen strukturiert und trotzdem beweglich bleibt, der neue Entwicklungen aufnehmen kann, ohne jedes Mal bei null zu beginnen. Genau daraus ist PRISMA entstanden, ein Modell für dynamische Schulentwicklung, das für die globale Schul- und Unterrichtsentwicklung, aber gleichzeitig für die Fachschaftsarbeit oder Planung einzelner Unterrichtsstunden tragfähig ist.

PRISMA-Modell

PRISMA dient als Analysewerkzeug und bündelt sechs Perspektiven, die bei jeder KI-Integration bewusst mitgedacht werden: Potenziale, Risiken, Integration, Skills, Mehrwert, Analyse. Die Perspektiven greifen ineinander. Sie sind kein Ablaufplan, sondern ein Prisma: Je nachdem, aus welchem Winkel man eine Maßnahme betrachtet, werden andere Aspekte sichtbar. Exemplarisch sollen nachfolgend auch einige Umsetzungsbeispiele für die einzelnen Aspekte dargestellt werden, um Hürden für die Umsetzung des PRISMA-Modells abzubauen.          

P – Potenziale: Wo KI Lernen und Schule realistisch stärkt

Der erste Schritt ist bewusst pragmatisch: Wo verbessert KI Lernprozesse wirklich, statt nur Eindruck zu machen? Dass KI Lernleistung steigern kann, ist mittlerweile in einer Meta-Analyse über 51 Studien (Nov 2022 bis Feb 2025) klar erkennbar, allerdings gerade dann, wenn KI didaktisch eingebettet ist und KI die Lösungen nicht vorgibt, sondern als Lernpartner fungiert (vgl. Wang & Fan, 2025). So lernten Physik-Studierende in Harvard mit einem KI-Tutor doppelt so viel in weniger Zeit im Vergleich zum aktiven Lernen in der Klasse ohne KI. Der sehr hohen Effektstärke in dieser Studie gemäß (1,3 ohne Ceiling Effect) erreichte ein durchschnittlicher Physikstudent der Gruppe, die den KI-Tutoren benutzte, das Niveau der Top 10 % Spitzenstudenten der Vergleichsgruppe im klassischen Unterricht (Kestin et al., 2025).

Entscheidend ist also nicht die bloße Verfügbarkeit, sondern die didaktische Einbettung des KI-Tools. Bedeutsam ist hier zugleich die begleitende Einsicht, sich beständig über Tools, Studien und KI-Modelle zu informieren, um Potenziale einschätzen zu können. Es empfiehlt sich schulisch, Neugier zu kultivieren, statt die Überforderung mit dem Thema hinzunehmen, z. B. durch Pilotprojekte, die evaluiert und dann skaliert werden können.

Potenziale sind dabei in diversen Ebenen von Schule und Bildung identifizier- und nutzbar, darunter:

• Personalisiertes Lernen: KI kann Erklärungen, Beispiele und Übungsvarianten an Lernstand und Tempo anpassen und so Heterogenität besser auffangen.

• Feedback: Häufigeres, kriteriales Feedback wird möglich, und kann zu lernförderlichen Korrekturschleifen führen.

• Erhöhte Lernmotivation: Interaktive Unterstützung kann das Engagement stärken, wenn sie auf Lernziele ausgerichtet ist.

• Multimodales Lernen: Motivierend wirken gleichsam über KI schneller und ansprechender entworfene Bildungsinhalte, die unterschiedliche Sinnes- und Informationskanäle ansprechen (Text, Bild, Ton etc.).

• Ästhetisierung von Bildungsmaterialien: Unterrichtsvorbereitung wird insbesondere hinsichtlich der Ästhetisierung der Inhalte durch KI zeitökonomischer und damit für Lernende zugänglicher.

• Erhöhte Lernleistung: Leistungsgewinne zeigen sich vor allem dort, wo KI Denkprozesse begleitet und nicht bloß Ergebnisse produziert.

• Zugänglichkeit und Inklusion: Sprachliche Vereinfachung, alternative Darstellungen, Leitfragen und Visualisierungen können Lernzugänge im Sinne der Binnendifferenzierung eröffnen und sind durch entsprechende KI-Tools schneller produzier- und reproduzierbar.

• Demokratisierung des Lernens: Wo Unterstützung für den Schüler früher von den Ressourcen der Eltern abhing, ist sie nun digital für alle zugänglicher. 

• Zeitersparnis und Entlastung: Routineanteile, insbesondere in der Unterrichtsvorbereitung, lassen sich verschlanken, damit mehr Zeit für Diagnostik, Beziehung und Lernbegleitung bleibt.

Praktische Implikationen:             

KI muss in Anleitung durch die Lehrkraft von Lernenden gezielt als intelligenter Sparringspartner eingesetzt werden, nicht als Fluchtmöglichkeit vor der eigenen kognitiven Anstrengung. Diese Leitidee ist Bestandteil einer übergreifenden KI-Vision: KI ersetzt den Menschen nicht, im Zentrum steht die „Human Agency“. Lernende bleiben Piloten ihres Lernprozesses und verwirklichen mit den unzähligen Möglichkeiten von KI ihre Ziele.

Gleichzeitig müssen didaktische Rahmenbedingungen diesen Anspruch unterstützen und institutionalisierte und kultivierte Leitplanken etabliert werden, die eine Beförderung der Potenziale von KI unter Verminderung ihrer negativen Implikationen sicherstellen.

Wir setzen am CFG deshalb unter anderem auf selbst konzipierte didaktische KI-Agenten (z. B. in Sidekick) und Agenten-Netzwerke, die miteinander korrespondieren und Verantwortlichkeiten weiterreichen können, infolgedessen also selbstständiger arbeiten als herkömmliche KI-Chatbots. Sie sind gleichsam so entwickelt, dass sie als Lerntutoren agieren und individuelle Lernwege ermöglichen.

Auch ist es sinnvoll, den größten Engpass vieler Unterrichtssituationen zu adressieren: Feedback. Unter anderem mit FelloFish lässt sich individuelles KI-Feedback einführen, um formative Rückmeldung, also Feedback im Verlauf von Lernprozessen und Unterrichtsreihen, zu ermöglichen. Wissenschaftlich sind die Legitimationsgründe dafür seit Langem bekannt: Feedback weist beispielsweise bei der Förderung der Schreibkompetenz mit 0,80 eine hohe Effektstärke auf (Graham und Perin, 2007) und wirkt besonders dann, wenn es Lernenden Orientierung über Ziel, aktuellen Stand und nächste Schritte gibt (vgl. Hattie & Timperley, 2007).

Dieses Potenzial bleibt im Schulalltag oft ungenutzt, da Feedback häufig erst am Ende eines Prozesses (summativ) und als bloße Note erfolgt. Wisniewski et al. (2020) klassifizieren solche Rückmeldungen als „Low Information Feedback“, das kaum Orientierung bietet. Lernwirksam ist hingegen „High Information Feedback“, das konkrete Daten zu Fehlkonzepten und Lösungsstrategien liefert. Einer Metaanalyse von Kaliisa et al. (2025) zufolge ist KI-gestütztes Feedback außerdem genauso effektiv und lernförderlich wie humanes Feedback.

Der Einsatz von KI-Feedback bietet folglich eine Lösung für das Zeit-Ressourcen-Dilemma. Es ermöglicht passgenau die empirisch gebotene hohe Frequenz an individuellem Feedback als Rückmeldung zu einem Lernzwischenstand, die eine einzelne Lehrkraft kaum leisten kann. KI ist deshalb kein „Korrekturroboter“, sondern ein Mittel, um Feedback in sinnvolle Lernschleifen zu überführen. Wichtig ist hier begleitend die gemeinsame kritische Reflexion der KI-Antworten mit allen Lernenden, um den Umgang mit dem Tool sukzessive in lernförderliche Bahnen zu lenken und psychologische Hürden im Umgang mit Feedback respektive Kritik abzubauen.

R – Risiken: Wo KI Lernprozesse verhindert  

Wer Potenziale sehen will, muss Risiken ernst nehmen. Dabei geht es nicht nur um eine Liste möglicher Nebenwirkungen des schulischen KI-Einsatzes, sondern um einen ganzheitlichen Umgang mit einem neuen Handlungsraum. KI verändert Lern- und Leistungssituationen, erzeugt neue Versuchungen (Delegation des eigenen Denkens), neue Unsicherheiten (Validität der KI-Informationen), neue Abhängigkeiten, und sie berührt Grundüberzeugungen pädagogischer Professionalität.

Drei Risikofelder sind für Schule unabhängig von grundlegenderen Risikodiskursen im Spannungsfeld von KI und Gesellschaft insgesamt aufgrund ihrer täglich spürbaren Implikationen für eine reflektierte KI-Integration besonders hervorzuheben:

1. Cognitive Offloading

Erstens das Auslagern von Denkleistungen (Cognitive Offloading), das unter KI-Bedingungen besonders attraktiv wird. Dies verdeutlicht der OECD Digital Education Outlook 2026 unter Bezugnahme auf eine aktuelle Studie von Bastani et al. (2024). In einem Experiment mit türkischen Oberstufenschülern im Mathematikunterricht zeigte sich ein paradoxer Effekt: Während die Schüler mit Unterstützung eines Standard-KI-Modells („GPT Base“) in der Übungsphase 48 % mehr Aufgaben korrekt lösten, wendete sich das Blatt in der anschließenden Prüfung ohne KI-Hilfe drastisch. Dort schnitten diese Schüler um 17 % schlechter ab als die Vergleichsgruppe, die ohne KI geübt hatte.

Die Studie zeigt zugleich, dass die Konfiguration des KI-Modells entscheidend ist. Eine pädagogisch konzipierte Tutor-Variante („GPT Tutor“), die keine direkten Antworten gibt, sondern stattdessen auf Hinweise und Selbst-Erklärungen setzt, steigerte die Übungsleistung sogar bis zu 127 %, konnte aber im Gegensatz zum noch strukturierteren und sequenzierteren Lernen mit den KI-Tutoren in der Harvard-Studie die Prüfungsergebnisse im Vergleich zur Kontrollgruppe ohne KI nicht verbessern.

Der OECD-Bericht warnt in diesem Zusammenhang davor, dass generative KI als „Krücke“ funktioniert, die zwar kurzfristig die Performance steigert, aber den eigentlichen Lernprozess und den Aufbau eigener Kompetenzen langfristig hemmt (Crutch-Effekt). Im Zusammenspiel beider Befunde (Bastani und Kestin) spricht folglich vieles dafür, dass negative Effekte vor allem dann auftreten, wenn KI als Antwortmaschine genutzt werden kann, während große Gewinne wahrscheinlicher werden, wenn der Tutor Lernende in kognitive Arbeit hineinführt und Offloading systematisch begrenzt.          

2. Fairness 

Zweitens ist für die unterrichtliche Arbeit mit KI die Annahme problematisch, man könne die KI-Nutzung eines Schülers zuverlässig „erkennen“ und so administrativ lösen. Hier zeigen Studien, dass Lehrkräfte KI-Texte in studentischen Essays nur begrenzt zuverlässig identifizieren und ihre Trefferquote überschätzen (vgl. Fleckenstein et al., 2024). Spätestens, wenn Lernende über genügend Prompting-Kompetenz verfügen, um den Sprachstil der KI an den entwicklungsbedingt eigenen anzupassen, wird die Identifikation von KI-Lösungen, die als Schülerleistung ausgegeben werden, zum psychologisierenden Ratespiel mit negativen Folgen für die Fairness. Wenn Schüler zu Vermittlungsinstanzen zwischen KI-Antworten und Lehrkraft werden, sind die Grundbedingungen für eine konstruktive Diagnostik ad absurdum geführt und in der Folge individuelle Förderung verunmöglicht. 

3. Reaktanz

Drittens sind für Schul- und Unterrichtsentwicklung jedoch gleichsam die erheblichen Vorbehalte des Kollegiums gegenüber KI relevant, gespeist aus Datenschutzsorgen, Ablehnung von „Modewellen“ oder Kompetenzverlust und der Sorge, pädagogische Arbeit werde entwertet. Gerade deshalb ist eine produktive, transparente Berücksichtigung der Risiken so wichtig. Nicht, um KI zu „rechtfertigen“, sondern um Akzeptanz über Professionalität herzustellen. KI-Integrations-Vorhaben, die über die Interessen und Sorgen des Kollegiums hinweg etabliert werden, scheitern. Sie rufen Reaktanz hervor, also Trotzreaktionen bei gefühlter Freiheitseinschränkung. 

Gleichzeitig hat Schule den Auftrag, auf eine Arbeitswelt vorzubereiten, die zunehmend von KI geprägt sein wird. Daraus entstehen unterrichtsentwicklungstechnische Zugzwänge: Unterricht, Lehrerrolle und das Selbstverständnis von Schule müssen teilweise neu justiert werden – ein Prozess, der bisweilen als schmerzhaft erlebt wird, gerade wenn etablierte Routinen und professionelle Identität in Frage stehen.

Mindestens die folgenden Risikofelder müssen deshalb nicht nur bedacht, sondern auch pädagogisch mit einer produktiven Unterrichts- und Schulentwicklung beantwortet werden:

• Auslagerung des Denkens: KI wird genutzt, um kognitive Arbeit zu vermeiden.

• Algorithmische Verzerrung: Modelle können Bias reproduzieren, was didaktische und moralische Folgen hat.

• Bewertung und Fairness: Wenn Lernprodukte leichter delegierbar und kopierbar werden, geraten Vergleichbarkeit und Validität klassischer Formate unter Druck.

• Datenschutz: Je nach Tool können personenbezogene Daten und Lernprodukte in problematische Verarbeitungswege geraten.

• Halluzination und Übervertrauen: Unter Unsicherheit folgen Menschen KI-Ratschlägen oft zu stark (vgl. Klingbeil et al., 2024), obwohl die KI zu Halluzinationen neigen kann.   

Praktische Implikationen: 

Risiken werden nicht über Verbote oder Detektion „abgeräumt“, sondern über durchdachte Konzepte minimiert und anschließend überprüfbar gemacht. Dazu gehört auch, analoge und digitale Settings im Unterricht klar zu unterscheiden, um Bewertungssituationen KI-resilienter zu machen und Cognitive Offloading zu verhindern. Solange Prüfungen (z. B. das Abitur) papierbasiert sind, müssen Schüler weiterhin systematisch auf diese Prüfungskultur vorbereitet werden. Kulturtechniken wie Schreiben, Argumentieren und Rechnen bleiben zudem auch ohne KI zu üben und sind der hermeneutische Schlüssel zur Bildung insgesamt.

Sinnvoll ist zudem eine alters- und jahrgangsbezogene Progression: In jüngeren Jahrgängen stärker über KI informieren, sie einordnen und Wissen aufbauen, in späteren Jahrgängen zunehmend auch mit KI arbeiten, aber mit klarer didaktischer Rahmung und Transparenzstandards und immer im Sinne der Lernprogression des individuellen Schülers. Ein früher KI-Einsatz z. B. in der Grundschule oder in der Erprobungsstufe muss dem entwicklungspsychologischen Status der Lernenden gerecht werden und stärker als in älteren Jahrgängen dazu befähigen, selbstgesteuert und verantwortungsvoll mit KI umzugehen. Vertretbar sind in den jüngeren Jahrgangstufen auch KI-Anwendungen wie Feedback Tools oder KI-gestützte Leseförderung, die eine Auslagerung des eigenen Denkens durch das App-Design erschweren. 

Die Wirksamkeit des eigenen KI-Konzepts, welches die reflektierten Risiken als elementaren Bestandteil seines Entstehungsprozesses berücksichtigt, wird im Sinne von PRISMA nicht behauptet, sondern im Analyseschritt, dem letzten Baustein, überprüft.

Diese Logik führt direkt zum nächsten PRISMA-Baustein: Integration ist keine Toolfrage, sondern die synthetische Antwort auf Potenziale und Risiken.

I – Integration: Wie KI Teil der Schulkultur wird, statt Projekt einzelner Enthusiasten

Integration heißt: KI gehört nicht in eine Werkzeugkiste einzelner Lehrkräfte, sondern in die Strukturen, Routinen und Entwicklungsprozesse einer Schule. Implementationsforschung ist hier sehr deutlich: Die Wirkung einer Innovation hängt stark von der Qualität der Umsetzung ab; ohne tragfähige Strukturen und Unterstützung bleibt vieles zufällig (vgl. Durlak & DuPre, 2008; Fixsen et al., 2005).

Praktische Implikationen:

Integration beginnt sinnvollerweise mit Pilotprojekten, die klein genug sind, um kontrolliert zu lernen, aber klar genug, um skalierbar zu werden. Danach folgt die bewusste Entscheidung: Beibehalten, anpassen, ausweiten oder beenden. Dazu braucht es erstens Verantwortungsstrukturen wie einer KI-Schul- und Fachkoordination, zweitens interne Fortbildung und drittens Formate, in denen Erfahrungen zentral gesammelt, geteilt und kritisch diskutiert werden, damit aus Einzelpraxis kollektive Professionalität wird. Als Beispiel kann eine regelmäßige KI-Sprechstunde dienen, ergänzt durch kurze interne Inputs aus dem Kollegium, die wir an unserer Schule unter anderem in einem „digitalen Kaffeetrinken“ bündeln. Damit die Pilotprojekte einzelner Enthusiasten schulisch expandieren kann, bedarf es der Unterstützung einer mutigen Schulleitung, einer Kultur der Neugier und Offenheit sowie passender Gegebenheiten, um Begeisterung im Kollegium zu wecken.

S – Skills: Welche Kompetenzen Menschen brauchen, damit KI nicht entmündigt

KI ist und bleibt – ob wir wollen oder nicht – in Schule. Die zentrale schulische Frage lautet deshalb nicht „Dürfen wir KI benutzen?“, sondern: Welche Skills machen KI-Nutzung lernförderlich und verantwortlich? Das passt zu Konzepten von AI-Literacy, die KI-Kompetenz als Bündel aus Verständnis, kritischer Prüfung und verantwortlicher Nutzung beschreiben.

Dabei verschiebt KI den Kompetenzfokus teilweise kontraintuitiv: Manche Fähigkeiten werden nicht weniger wichtig, sondern wichtiger, gerade weil KI vieles „übernehmen“ kann. Dazu zählen vor allem

(1) Selbststeuerung und Langfristigkeit (Ziele verfolgen trotz ständiger Abkürzungsoptionen),

(2) kritisches und reflektiertes Denken (Prüfen, Begründen, Einordnen),

(3) Diskurskompetenz (argumentieren, zuhören, differenzieren) sowie

(4) personale und soziale Kompetenzen, weil analytische Standardaufgaben schneller automatisierbar werden.

Insofern muss Schule sich in einer von KI-geprägten Welt nicht nur der Vermittlung von Wissen über und dem reflektierten Umgang mit KI widmen, sondern insbesondere auch der Persönlichkeitsbildung.

Praktische Implikationen:             

Skills sollten explizit als Lernziele gesetzt werden: digitale Mündigkeit (Datenschutz, Quellenkritik, Bias), Prüfroutinen, Dokumentation und Metakognition (Wann hilft KI, wann schadet sie?). Eine tragende Säule unserer Medienbildung am CFG sind die Medienscouts. Als Differenzierungskurs organisiert, planen sie mit Unterstützung einer Lehrkraft selbstständig peer-edukativ Workshops und Projekte für ihre jüngeren Mitschüler zu Themen wie Deepfakes, Social Bots oder Cyber Mobbing.

Ein weiteres sinnvolles Element ist ein KI-Führerschein mit Theorie- und Praxisteil, in dem Grundbegriffe, Grenzen, Standards und reflektierte Nutzung systematisch behandelt werden. An unserer Schule führen wir mit dem KI-Führerschein auch unsere KI-Schulregeln ein, die sich aus der wissenschaftlichen Analyse von Potenzialen und Risiken von KI in Schule speisen.

KI-Schulregeln am CFG

Zielführendes Prompting sollte insbesondere für komplexe und spezifische Anfragen geschult werden und ist gerade deshalb vor allem für jüngere Schüler wichtig, weil die meisten KI-Modelle einen Sprachusus pflegen, der zuvorderst Erwachsene adressiert und damit Sprachbarrieren schafft. Um Hürden dazu abzubauen, habe ich auf Basis der aktuellsten Forschung zum Prompting ein schülerorientiertes Prompting-Framework (RAKETE) mit einem dazugehörigen Bot entworfen, der Prompts automatisch mit dem Nutzer analysiert und verbessert.

M – Mehrwert: Woran man erkennt, ob es pädagogisch wirklich besser wird

Im PRISMA-Modell sind Potenziale (P) und Mehrwert (M) untrennbar miteinander verbunden, markieren jedoch unterschiedliche Stadien des Unterrichts-entwicklungsprozesses. Während P das Versprechen oder die pragmatische Erwartungshaltung beschreibt, wo KI theoretisch unterstützen könnte, fungiert M als Hypothese. Diese wird nicht einfach behauptet, sondern transformiert sich erst im Zusammenspiel mit der Analyse (A) zum empirischen Beweis der Wirksamkeit eines KI-gestützten Vorhabens.

Ein Potenzial (P) ist beispielsweise die zeitnahe, unermüdliche Verfügbarkeit von Rückmeldungen durch KI. Der eigentliche Mehrwert (M) liegt jedoch darin, dass Feedback seinen bedrohlichen Charakter als „Urteil“ verliert und zu einem Werkzeug der Gestaltung wird. Der Schüler empfängt nicht mehr passiv eine Note, sondern nutzt die KI aktiv, um seinen Entwurf iterativ zu verbessern, wodurch er sich vom Objekt der Bewertung zum Subjekt des Lernprozesses wandelt. Ob dieser Mündigkeitsgewinn eintritt, prüft die Analyse (A), indem sie misst, ob Schüler Feedback-Vorschläge konstruktiv nutzen.

Diese Unterscheidung und der Fokus auf den Mehrwert ist notwendig, weil insbesondere der Vergleich mit bewährten und vor allem analogen Methoden differenziert betrachtet werden muss und die Einführung von KI einer neuen Risiko-Nutzen-Abwägung bedarf: Da KI spezifische neue Risiken wie Bias, Datenschutzprobleme oder den Verlust an Validität bei Schreibprodukten mit sich bringt, reicht ein bloßer „Gleichstand“ zu herkömmlichem Unterricht nicht aus. Der Mehrwert (M) im PRISMA-Modell ist daher keine bloße Effizienzsteigerung, sondern der Netto-Gewinn (z. B. durch Inklusion oder Feedbacktiefe), der diese unvermeidbaren neuen Risiken rechtfertigt.

Genau deshalb gilt: Vorhaben werden nur dann umgesetzt, wenn die vorherigen Perspektiven (Potenziale, Risiken, Integration, Skills) in ihrer Gesamtheit plausibel auf Mehrwert zulaufen. Ob dieser Mehrwert tatsächlich eintritt, wird nicht vermutet, sondern im nächsten Schritt empirisch geprüft.

A – Analyse: Wie PRISMA dynamisch und produktiv bleibt

Wenn wir als Mehrwert (M) die Hypothese aufstellen, dass eine KI-Integration das Lernen qualitativ verbessert, darf diese Annahme nicht im Ungefähren bleiben. Die Phase der Analyse (A) dient dazu, diese Hypothese empirisch zu überprüfen und Schulentwicklung aus dem Bereich der Anekdoten („Ich habe das Gefühl, es läuft gut“) in den Bereich der Evidenz zu überführen. Analyse ist hierbei kein abschließendes Tribunal, sondern der Motor des gesamten Modells: Sie liefert die Daten, um den Kurs korrigieren, Methoden anpassen oder – wenn nötig – Projekte auch beenden zu können.

Damit der Mehrwert im Sinne von PRISMA messbar wird, darf der Blick nicht verengt nur auf Noten fallen. Eine wissenschaftsorientierte Evaluation muss vielschichtiger sein und umfasst idealerweise sieben Kernbereiche, die ein ganzheitliches Bild der Veränderung zeichnen:

1. Nutzungshäufigkeit und -arten: Wird das Tool tatsächlich so genutzt, wie in der Integration (I) geplant, oder entstehen unerwartete Nutzungsmuster (z. B. reine Spielerei)?

2. Lerneffektivität: Nehmen die Lernenden subjektiv wahr, dass sie den Stoff besser durchdringen?

3. Akademische Integrität: Verführt das Tool zum Betrug oder stärkt es die Redlichkeit? Dies prüft direkt die Wirksamkeit der etablierten KI-Regeln.

4. Kompetenzentwicklung: Wachsen die Skills (S) oder stagniert die Medienkompetenz?

5. Abhängigkeit und Wohlbefinden: Fühlen sich Schüler durch die KI entlastet und unterstützt, oder entsteht ein Gefühl der Ohnmacht und Abhängigkeit?

6. Einstellungen und Zukunftserwartungen: Verändert sich das Mindset der Lernenden gegenüber der Technologie positiv-kritisch?

7. Unterstützung und Infrastruktur: Greifen die schulischen Rahmenbedingungen?

Indem wir diese Dimensionen abfragen (z. B. durch einen bald auf in meinem Newsletter veröffentlichten PRISMA-Evaluationsbogen oder den Abgleich mit aktuellen Studien), wird sichtbar, ob das ursprüngliche Potenzial (P) (das technische Versprechen) tatsächlich in einen pädagogischen Mehrwert (M) transformiert wurde oder ob wir bei den Risiken (R) oder Skills (S) nachsteuern müssen. Analyse ist somit gelebte Implementationsforschung. Sie macht sichtbar, was tatsächlich wirkt, und ermöglicht eine produktive Neujustierung.

Arbeiten mit dem PRISMA-Modell

Das Modell kann als Grundlage für die Schul- und Unterrichtsentwicklung genutzt werden, um entweder – wie überwiegend in diesem Beitrag – grundlegende und fachübergreifende Potenziale und Risiken synthetisch in mehrwertorientierte KI-Integrationsmöglichkeiten zu überführen oder fachspezifische Überlegungen zu einer produktiven KI-Integration anzustellen. Letztere können perspektivisch auch direkt mit der Lehrplanarbeit verknüpft werden. Als Strukturvorlage dient dafür zum Beispiel diese Tabelle, die im Anschluss, ggf. auch mit Hilfe von KI, mit bestehenden schulinternen Curricula verglichen werden kann, um Anknüpfungspunkte zu finden:

Vorlage PRISMA-Fachintegration Blog.docx

DOCX herunterladen • 21KB

Schluss: PRISMA als Haltung für eine Schule, die handlungsfähig bleibt

PRISMA ist kein Tool und kein Poster. Es ist eine Haltung. Schule bleibt handlungsfähig in einer Zeit, in der Wandel nicht Ausnahme, sondern Normalform ist. Das Modell schützt vor zwei typischen Fehlern. Erstens vor Technikgläubigkeit („KI wird alles lösen“) und zweitens vor Abwehrreflexen („Dann verbieten wir es eben“). Stattdessen zwingt PRISMA zu der Frage: Was ist der pädagogische Gewinn von KI in Schule und Unterricht, und wie sichern wir ihn dauerhaft ab?

Die Antwort darauf entscheidet darüber, ob wir KI lediglich verwalten oder ob wir Bildung in einer digitalisierten Welt neu und menschlich gestalten. Denn am Ende geht es bei PRISMA nicht darum, dass die Schule technischer wird, sondern dass die Menschen in ihr handlungsfähig bleiben. Wer weiß, warum er etwas tut (Mehrwert) und wie er es umsetzt (Integration), muss den Wandel nicht fürchten, sondern kann ihn als Werkzeug für bessere und zeitgemäße Bildung nutzen.

Literatur

• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Gene-rative AI without guardrails can harm learning: Evidence from high school mathe-matics. Proceedings of the National Academy of Sciences, 122(26), e2422633122.

• Durlak, J. A., & DuPre, E. P. (2008). Implementation matters: A review of research on the influence of implementation on program outcomes and the factors affec-ting implementation. American Journal of Community Psychology, 41, 327–350.

• Fixsen, D. L., Naoom, S. F., Blase, K. A., Friedman, R. M., & Wallace, F. (2005). Im-plementation Research: A Synthesis of the Literature. National Implementation Research Network.

• Fleckenstein, J., Meyer, J., Jansen, T., Keller, S. D., Köller, O., & Möller, J. (2024). Do teachers spot AI? Evaluating the detectability of AI-generated texts among stu-dent essays. Computers and Education: Artificial Intelligence, 6, 100209.

• Graham, S., & Perin, D. (2007). Writing Next: Effective Strategies to Improve Wri-ting of Adolescents in Middle and High Schools. A Report to Carnegie Corporati-on of New York. New York: Carnegie Corporation.

• Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112.

• Kaliisa, R., Misiejuk, K., López-Pernas, S., & Saqr, M. (2025). How does artificial in-telligence compare to human feedback? A meta-analysis of performance, feed-back perception, and learning dispositions. Educational Psychology.

• Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outper-forms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), 17458.

• Klingbeil, A., Grützner, C., & Schreck, P. (2024). Trust and reliance on AI: An expe-rimental study on the extent and costs of overreliance on AI. Computers in Hu-man Behavior, 160, 108352.

• OECD (2026). OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. OECD Publishing.

• Wang, J., & Fan, W. (2025). The Effect of ChatGPT on Students' Learning Perfor-mance, Learning Perception, and Higher-Order Thinking: Insights from a Meta-Analysis. Humanities and Social Sciences Communications, 12, Article No. 621.

• Wisniewski, B., Zierer, K., & Hattie, J. (2020). The Power of Feedback Revisited: A Meta-analysis of Educational Feedback Research. Frontiers in Psychology, 10, 487662.