Handelsübliche Chatbots laden Schüler:innen dazu ein, ihre Aufgaben an sie abzugeben, und überfordern viele von ihnen mit ihrem komplexen Output. Eine sinnvolle Alternative sind KI-Agenten, die von Lehrkräften für ausgewählte fachliche Lernziele entwickelt werden und dann in deren Auftrag mit den Schüler:innen interagieren. Das ist die didaktische Kernidee des Forschungsprojekts „KIMADU“ der Universität Siegen („Künstliche Intelligenz im Mathematik- und Deutschunterricht“). Der Beitrag erklärt das Ausgangsproblem, beschreibt Varianten didaktischer KI-Agenten, skizziert KIMADU und stellt schließlich den „KRAFT+Agenten“ vor. Mit diesem frei zugänglichen Agenten können Lehrkräfte im Dialog, schrittweise und in überschaubarer Zeit eigene KI-Agenten für ihren Deutschunterricht konzipieren.
Allzweck-KIs und das Ghostwriter-Problem
Chatbots wie ChatGPT und Claude sind „Allzweck-KIs“. Sie werden für einen globalen Massenmarkt entwickelt und sind darauf ausgelegt, fast jede Aufgabe zu erfüllen. Für die Tech-Unternehmen ist besonders der Einsatz in beruflichen Domänen lukrativ. Bei Anthropic etwa macht das Geschäftskundensegment ca. 85 % des Umsatzes aus (Stand: Mai 2026, Carvão 2026). Die Unternehmenskunden wiederum erhoffen sich davon effizientere Arbeitsabläufe. Dieses ökonomische Ziel steht in auffälligem Kontrast zum Ziel der Schule. Schließlich geht es dort nicht um Effizienz, sondern um Bildung – und damit um Lernprozesse, die per se mit einem hohen Aufwand und viel Zeit verbunden sind.
Allzweck-KIs gefährden diese Lernprozesse, weil Schüler:innen sie häufig als „Ghostwriter“ in Anspruch nehmen und so Aufgaben umgehen, z. B. Hausaufgaben (Lehnen/Steinhoff 2025, S. 5-7). In einer Umfrage des Bitkom (2025, 29) beispielsweise stimmen 23 % der befragten Schüler:innen zwischen 14 und 19 Jahren der folgenden Aussage zu: „Ich mache Hausaufgaben kaum noch selbst, sondern lasse sie von einer KI lösen.“ Weitere Umfrageergebnisse verdeutlichen, wie Schüler:innen, die weiterführende Schulen besuchen, die Folgen dieser Praxis einschätzen: 37 % gehen davon aus, von der KI „abhängig“ zu werden“ (Vodafone Stiftung 2025, 20), und 48% nehmen an, dass KI Schüler:innen „dumm“ macht (Bitkom 2025, 29).
Allzweck-KIs als Ghostwriter zu nutzen, ist auch die Folge einer Überforderung. Denn ChatGPT, Claude & Co. sind inhaltlich und sprachlich auf erwachsene Nutzer:innen zugeschnitten. Um sie lernförderlich zu nutzen, fehlen vielen Schüler:innen die erforderlichen Kompetenzen. Eine empirische Studie zum Schreiben mit KI, die ich geleitet habe, hat beispielsweise gezeigt, dass Achtklässler:innen eines Gymnasiums, die ChatGPT nutzen konnten, wie sie wollten, nur knappe Prompts formulierten und den Output meist ungeprüft hinnahmen (Bodora et al. 2025). Wie ergeht es da erst den gut 15 % der Neuntklässler:innen, die selbst einfache Texte nicht im Zusammenhang verstehen (Schneider/Boemmel 2023, 67)?
Beide Probleme – das Ghostwriting und die Überforderung – können sich verfestigen, wenn Chatbots im Unterricht ausgeklammert werden und Schüler:innen sie als „Shadow AIs“ nutzen, das heißt heimlich und auf eigene Faust. Dieses Ausklammern hat mit grundsätzlichen Bedenken der Lehrkräfte, aber auch mit den technischen Bedingungen zu tun: 49% der Lehrkräfte an weiterführenden Schulen beklagen eine schlechte technische Ausstattung und 45% geben an, dass ihnen keine KI-Schullizenz zur Verfügung steht (Bitkom 2026, 5 und 8). In dieser pädagogisch und technologisch prekären Konstellation ist die Sorge vieler Lehrkräfte nachvollziehbar, dass Chatbots negative Auswirkungen auf die Problemlösefähigkeit (62 %), das kritische Denken (67 %) und soziale und kommunikative Fähigkeiten (67 %) ihrer Schüler:innen haben (Robert Bosch Stiftung 2026, 39).
Der Einwand, dass sprachliche Kompetenzen, die im Unterricht ohne Chatbots erworben werden, auf die Kommunikation mit Chatbots übertragen werden können, greift nur bis zu einem gewissen Punkt. Denn die Kommunikationssituationen unterscheiden sich erheblich. Das Schreiben mit Chatbots etwa ist, wie das Whatsappen unter Menschen, nicht „textorientiert“ (monologisch, verbal, langsam, planend und revidierend), sondern „interaktionsorientiert“ (dialogisch, multimodal, schnell und spontan) (Storrer 2018). Hinzu kommen besondere Anforderungen der Interaktion mit KI wie das kontext-, rollen- und formatsteuernde Prompten oder der Umgang mit schnell erzeugtem, überzeugend klingendem, aber potentiell fehlerhaftem Output.
Didaktik-KIs: Plattform-Agenten und Agentic Learning Workflows/AI Learning Companions
Der Gegenentwurf zur „Shadow AI“ ist die, wie man sagen könnte, „Daylight AI“: Lehrkräfte holen Chatbots aus dem Schatten der Heimlichkeit ins Licht der Klasse. Dabei kann es z. B. um die zugrundeliegende Technologie, die wirtschaftlichen und politischen Hintergründe, die unterschiedlichen Nutzungsweisen, datenschutzrechtliche Aspekte oder ethische Fragen gehen. Diese Haltung findet unter Lehrkräften immer mehr Anklang. 66 % der Lehrkräfte an weiterführenden Schulen sehen Chatbots inzwischen als „Chance für die Bildung“, und 30 % von ihnen setzen sie mittlerweile mindestens einmal pro Woche für schulische Zwecke ein (Bitkom 2026, 6-7).
Um Chatbots im Unterricht zu nutzen, bieten sich „Didaktik-KIs“ an. Dazu gehören neben ausgefeilten Anwendungen wie fellofish auch „KI-Agenten“. Dabei handelt es sich um vorkonfigurierte Chatbots für unterschiedliche Fächer und Aufgaben. Sie finden sich auf der öffentlich finanzierten Plattform AIS.chat oder der kommerziellen Plattform fobizz. Solche „Plattform-Agenten“ tragen so illustre Namen wie „Dexter Differenzierungsassistent“ oder „Lumis Lerntipp-Assistent“. Und sie folgen einem globalen Trend: Allzweck-KIs werden zunehmend durch KI-Agenten mit spezifischen Aufträgen ergänzt („Custom Chatbots“).
Weßels (2025) beschreibt in diesem Zusammenhang das Zukunftsszenario der „Agentic Learning Workflows“. Damit meint sie, dass Schüler:innen von KI-Agenten wie von persönlichen Assistenten kontinuierlich sowie fächer- und aufgabenübergreifend auf ihrem individuellen Lernweg begleitet werden. Die Agenten kommunizieren multilingual und multimodal, analysieren den Kompetenzstand der Lerner:innen, motivieren sie, passen das Anforderungsniveau und die Unterstützung an und schlagen lernförderliche Übungen vor. Ein verwandtes Konzept sind die von Khosravi et al. (2026) beschriebenen „AI Learning Companions“ („adaptive, pedagogically informed, LLM-powered agents designed for integration into learning environments“).
Die Ambitionsniveaus von Plattform-Agenten und Agentic Learning Workflows bzw. Learning Companions unterscheiden sich deutlich: Erstere sollen bei einzelnen Aufgaben helfen, Letztere aufgabenübergreifend. Was beiden Agenten-Varianten zum gegenwärtigen Zeitpunkt fehlt, ist eine tragfähige wissenschaftliche Basis. Plattform-Agenten werden derzeit i. d. R. ohne wissenschaftlichen Anspruch entwickelt – ähnlich wie klassische Online-Unterrichtsmaterialien. Und Agentic Learning Workflows bzw. Learning Companions folgen zwar (auch) Ideen aus der Forschung, sind aber empirisch noch nicht hinreichend geprüft. Vor allem aber ist unklar, wie es gelingen soll, einen derart breiten Einsatzbereich von Chatbots wissenschaftlich fundieren.
KIMADU und didaktische Agenten
Eine sinnvolle Alternative zu den vorgestellten Varianten sind KI-Agenten, die auf spezifische fachdidaktische Ziele ausgerichtet und im zugehörigen, eng umrissenen Forschungsbereich wissenschaftlich abgesichert werden können. Das ist die didaktische Kernidee des Forschungsprojekts KIMADU („Künstliche Intelligenz im Mathematik- und Deutschunterricht“, kimadu.de) (Corvacho del Toro/Fuhlrott/Steinhoff 2025). KIMADU wird vom Ministerium für Schule und Bildung des Landes NRW gefördert, von Prof. Dr. Ingo Witzke (Didaktik der Mathematik) und mir an der Universität Siegen geleitet und in Zusammenarbeit mit 25 weiterführenden Schulen in NRW durchgeführt (s. Abb. 1).
Abb. 1: KIMADU-Projektschulen
Pro Schule arbeiten wir mit je einer Mathematik- und einer Deutsch-Lehrkraft sowie der oder dem Digitalisierungsbeauftragten zusammen. Da diese Lehrkräfte auch als Multiplikator:innen für ihre Kollegien fungieren, erreichen wir mit KIMADU im Idealfall ca. 15.000 Schüler:innen. Damit das gelingt, ist KIMADU als Entwicklungsprojekt angelegt, in dem Forscher:innen und Lehrkräfte gemeinsam zu Ergebnissen gelangen. Dafür findet ein regelmäßiger Austausch im Rahmen von Präsenzveranstaltungen, Online-Follow-ups, Online-Sprechstunden und Schulbesuchen statt. Außerdem wird viel Wert auf die Vernetzung der Schulen gelegt: Die Lehrkräfte kooperieren in bezirks- und schulformenübergreifenden „professionellen Lerngemeinschaften“.
Das zentrale Praxisanliegen des Projekts ist der lernförderliche Einsatz von Chatbots im Mathematik- und Deutschunterricht in der Sekundarstufe I. Dafür werden KI-Agenten entwickelt, die mit den NRW-Curricula der beiden Fächer harmonieren. Ein weiteres wichtiges Anliegen ist die Erarbeitung innovativer Prüfungsformate, in die Chatbots integriert werden (Steinhoff 2026). Den zentralen Forschungsgegenstand des Projekts bilden die „Beliefs“ von Lehrkräften und Schüler:innen der Projektschulen zur KI-Nutzung im Unterricht, d. h. ihre individuellen Überzeugungen und Einstellungen. Hier geht es zum Beispiel um die Frage, welche Chancen und Risiken sie mit dem Einsatz von KI im Unterricht verbinden.
Das KIMADU-Team an der Universität Siegen besteht aus zwei fachspezifischen Teilprojekten mit gemeinsamen und fachspezifischen Schwerpunkten. Das Deutsch-Teilprojekt bilden Benjamin Bäumer, Dr. Mareike Fuhlrott, Niklas Hahne, Carina Krajczewski, Dr. Kerstin Leimbrink und ich. Die KI-Agenten, die in diesem Teilprojekt in Zusammenarbeit mit den Deutsch-Lehrkräften entstehen, nennen wir „didaktische Agenten“ (Corvacho del Toro/Fuhlrott/Steinhoff 2025). Damit betonen wir den fachdidaktischen Anspruch, den wir an die Agenten richten – wissenschaftlich und unterrichtspraktisch. Didaktische Agenten können Lernpartner für Schüler:innen sein (z. B. für das Vorbereiten von Referaten), aber auch Lehrpartner für Lehrkräfte (z. B. für das Formulieren guter Schreibaufgaben).
Primärer und didaktischer Systemprompt
Mit einem didaktischen Agenten wird die „DNA“ eines handelsüblichen KI-Modells spezifiziert. Auf den primären Systemprompt des Modells – einen Textblock, der sein grundlegendes Verhalten steuert – wird ein sekundärer Systemprompt gelegt, der dieses Verhalten auf eine bestimmte didaktische Aufgabe ausrichtet. Dieser Prompt, den wir im Deutsch-Teilprojekt „didaktischen Systemprompt“ nennen, bestimmt, wie die KI im Auftrag der Lehrkraft handelt. Die Schüler:innen sehen nur den „Phänotyp“ der Systemprompts – den Chatverlauf.
Für die technische Umsetzung didaktischer Agenten eignen sich die bereits erwähnten Plattformen AIS.chat und fobizz. Dort gibt es Konfigurationsmasken, die helfen, den Agenten zu spezifizieren. Die Masken ermöglichen es den Nutzer:innen u. a., aus einer Liste gängiger KI-Modelle ein bestimmtes Modell auszuwählen (z. B. Claude), ein Bild für den Agenten festzulegen, ihm einen Namen zu geben, seine Aufgabe zu umreißen, den didaktischen Systemprompt einzufügen, ausgewählte Texte und Materialien als „Wissensbasis“ des Agenten hochzuladen und Plug-Ins zu aktivieren (z. B. eine Websuche) (Stand: August 2026).
Das KRAFT+-Modell und didaktische Agenten
Um Lehrkräfte dabei zu unterstützen, didaktische Systemprompts zu formulieren, haben wir im Deutsch-Teilprojekt das „KRAFT+-Modell“ entwickelt. Es ist ein Scaffold (ein zeitlich begrenztes Lerngerüst), das wir mit Bezug zu relevanten Forschungserkenntnissen konstruiert haben, etwa zu Systemprompts im Bildungsbereich (u. a. Karpouzis, et al. 2024) und lernförderlichen sprachdidaktischen Konzepten (u. a. Steinhoff, 2018). Das Akronym „KRAFT+“ bezieht sich auf sechs Elemente, die mit je einer Leitfrage verbunden sind (s. Abb. 2).
Abb. 2: Das KRAFT+-Modell
Mit dem KRAFT+-Modell lassen sich didaktische Agenten entwickeln, die einige Merkmale mit den beschriebenen Agentic Learning Workflows bzw. Learning Companions teilen (im Detail: Fuhlrott/Corvacho del Toro 2026). Dazu gehört, dass dem Chatbot eine lernförderliche Rolle zugewiesen werden kann. Der Chatbot kann z. B. jedes Ghostwriting ablehnen und allein als Partner oder Tutor auftreten (Lehnen/Steinhoff 2025, S. 5-7). Sofern es zum Lernziel passt, können auch Rollen wie „Critical Friend“ oder „Advocatus Diaboli“ sinnvoll sein (Witzke/Dilling/Pepin i. Dr.). Eine weitere wichtige Gemeinsamkeit mit Agentic Learning Workflows bzw. Learning Companions ist die Möglichkeit, den Output des Agenten an das fachliche Wissen und sprachliche Können der Lerner:innen anzupassen.
Auf der Grundlage des KRAFT+-Modells haben Projektmitarbeiter:innen und Lehrkräfte in KIMADU mittlerweile mehr als 100 didaktische Agenten zu ganz unterschiedlichen fachlichen Lernprozessen erarbeitet: zum Lesen von Sachtexten und literarischen Texten, zum Schreiben von Sach- und literarischen Texten, zum Feedback zu Schülertexten, zur Grammatikanalyse, zur Rechtschreibung und Zeichensetzung, zur Gesprächsanalyse und zum mündlichen Argumentieren sowie zur Wortschatzarbeit. Ein fester Bestandteil der Erarbeitung der Agenten ist ein regelmäßiger Austausch zwischen den Beteiligten, z. B. im Rahmen der Fachtage (s. Abb. 3):
Abb. 3: KIMADU-Lehrkräfte diskutieren in einem Forum des Deutsch-Fachtags am 7.10.2025 in Düsseldorf über den didaktischen Agenten „SAM – Lernpartner zur Meinungsbildung“ (Foto: Universität Siegen, privat)
Seit Dezember 2025 stehen interessierten Lehrkräfte auf der Online-Plattform lernen-digital.nrw des MSB NRW Materialien zu elf ausgewählten Deutsch-Agenten als Open Educational Resources zur Verfügung: https://www.lernen-digital.nrw/forschungsvorhaben-kimadu-ki-im-mathematik-und-deutschunterricht. Die Materialien umfassen einen didaktisch-methodischen Kommentar, eine Dialogvorschau, eine schulisch-didaktische Kontextualisierung, den didaktischen Systemprompt, Nutzungshinweise (s. Abb. 4) und eine TXT-Version des Systemprompts, mit dem die Agenten leicht im eigenen Unterricht eingesetzt werden können.
Abb. 4: Auszug aus einem Steckbrief für den didaktischen Agenten „SAM – Lernpartner zur Meinungsbildung“
Der KRAFT+-Agent
Ausgehend vom KRAFT+-Modell haben wir im Deutsch-Projektteam den „KRAFT+-Agenten“ für Lehrkräfte entwickelt: https://kimadu.de/wp-content/uploads/kraft-plus-agent/kraftplus.html (Redaktion und Umsetzung: Benjamin Bäumer und Carina Krajczewski). Der KRAFT+-Agent ist ein „Meta-Agent“, also ein Agent für Agenten. Mit ihm können Lehrkräfte eigene didaktische Agenten für alle Kompetenzbereiche des Deutschunterrichts in der Sekundarstufe I konzipieren – im Dialog, schrittweise und in überschaubarer Zeit. Der Systemprompt kann zudem im Chatverlauf getestet werden. Man chattet mit dem eigenen Agenten dann so, wie die Schüler:innen mit ihm chatten würden. Anschließend kann man den Systemprompt so lange weiterentwickeln, bis er den eigenen Erwartungen entspricht. Am Ende erhält man einen didaktischen Systemprompt in Form eines Textblocks, der so, wie er ist, in die Agenten-Maske von AIS.chat oder fobizz eingetragen werden kann.
Ein besonderes Qualitätsmerkmal des KRAFT+-Agenten ist seine intensive Erprobung und Evaluation durch die KIMADU-Deutsch-Lehrkräfte. Die Lehrkräfte haben mit einem Prototypen des Agenten eigene didaktische Agenten für einen Fachtag erstellt und uns dann in einer Umfrage ein detailliertes Feedback gegeben. Auf der Grundlage dieses Feedbacks haben wir den KRAFT+Agenten optimiert und dabei u. a. Versionen für unterschiedliche Zielgruppen von Lehrkräften entwickelt: „Einsteiger“ (keine Vorkenntnisse, ca. 45 bis 70 Minuten), „Fortgeschritten“ (KRAFT+-Modell bekannt, ca. 20 bis 30 Minuten) und „Profi“ (erfahrene Agenten-Entwickler:innen, Zeitaufwand sehr individuell). Diese Versionen erlauben allen interessierten Lehrkräften einen Zugang zur Gestaltung eigener didaktischen Agenten. Damit eignen sie sich auch und gerade für die schulinterne Weiterbildung.
Weitere Informationen zum KRAFT+Agenten finden sich hier: https://kimadu.de/wp-content/uploads/kraft-plus-agent/kraftplus.html. Die Webseite enthält eine umfangreiche Begleitdokumentation, projekt-, curriculums- und fachbezogene Wissensbibliotheken, die mit dem didaktischen Systemprompt verknüpft werden können, eine Anleitung aus der Mathematikdidaktik für die Einrichtung des Agenten auf einer Lernplattform, einen Aushang für das Lehrerzimmer und das folgende Überblicksvideo:
Corvacho del Toro, I./Fuhlrott, M./Steinhoff, T. (2025): Didaktische Agenten. KI als Lehr-/Lernpartner im Deutschunterricht im Forschungsprojekt KIMADU. In: Fürstenberg, M./Müller, H.-G. (Hrsg.): DeutschGPT – Deutschunterricht im Dialog mit Künstlicher Intelligenz. 65-86. Berlin. https://link.springer.com/content/pdf/10.57088/978-3-7329-8796-2_3
Fuhlrott, M./Corvacho del Toro, I. (2026): Didaktische Agenten als Lernpartner. Wie generative KI Schüler:innen beim Lösen von Lese- und Schreibaufgaben unterstützen kann. In: MiDU 8/1. 1-18. https://www.doi.org/10.18716/ojs/midu/2026.1.13
Schneider, R./Boemmel, Q. (2023): Kompetenzstudenbesetzungen im Fach Deutsch. In: Stanat, P. et al. (Hrsg.): IQB-Bildungstrend 2022. Sprachliche Kompetenzen am Ende der 9. Jahrgangsstufe im dritten Ländervergleich. Münster/New York. 53-95. https://doi.org/10.31244/9783830997771
Steinhoff, T. (2026): Zur Zukunft des Schreibens in Schule und Universität: Delegation, Konservation oder Transformation? In: Ballestracci, S. et al. (Hrsg.): Wissenschaftliche Textkommunikation im Zeichen Künstlicher Intelligenz am Beispiel der Germanistik in Deutschland, Frankreich und Italien. Florenz. 233-250. http://dx.doi.org/10.36253/lea-1824-484x-10
Storrer, A. (2018). Interaktionsorientiertes Schreiben im Internet. In: Deppermann, A./Reineke, S. (Hrsg.): Sprache im kommunikativen, interaktiven und kulturellen Kontext. Berlin/Boston. 219-244.
Witzke, I./Dilling, F./Pepin, B. (im Druck): KI-gestützte Förderung mathematischen Argumentierens – ein Werkstattbericht zu Rollen didaktischer KI-Agenten und Schüler*innen-Agency.
