KI-Modelle – schnell kreiert, schwer geprüft

Wie hilfreich sind KI-Modelle für Schul- und Unterrichtsentwicklung wirklich?

Scrollen wir einmal durch die einschlägige Literatur und die sozialen Netzwerke innerhalb des schulischen Kosmos, so begegnen uns zahlreiche Modelle zur Unterrichts- und Schulentwicklung, zur Digitalität und KI, zu Projekt- und Change-Management. Phasenmodelle, Stufenmodelle, Kreismodelle, Koordinatensysteme, Faustformeln und vor allem: Akronyme. Viele kommen als Grafik daher, sind hübsch eingebettet in farbenfrohe und wohlstrukturierte Übersichten. Besonders dicht gedrängt stehen sie, so mein Eindruck, derzeit beim Thema KI.

Ein neues Modell zu entwerfen, kostete früher immens viel Zeit. Beobachtungen wollten gesammelt, geordnet und aufgeschrieben werden; Systematiken gebrainstormt, praktisch überprüft, über Bord geworfen und neu entwickelt werden; grafische Veranschaulichungen skizziert, nachgebessert und ins Reine gezeichnet werden. Heute genügen eine Idee und wenige Zeilen für einen Prompt in einem der branchenüblichen KI-Sprachmodelle, um ein pfiffiges Akronym samt plausibler Erläuterung und ansprechendem Schaubild zu erhalten. Die Kosten für die Entwicklung eines Modells sind damit drastisch gesunken. Sein Nutzen auch?

Nur allzu gern lassen wir uns von der Optik ablenken. Wer einmal die Textelemente aus einer der zahlreichen KI-generierten Infografiken, wie sie tagtäglich in Social Media veröffentlicht werden, extrahiert, der erhält zumeist nicht mehr als eine Liste mit substantiellen Schlagworten, zumeist Substantiven, die jedoch selbst herzlich wenig Erklärungs- und Neuigkeitswert beinhalten.

Daraus ergibt sich die ketzerische Ausgangsfrage dieses Beitrags: Wie hilfreich sind solcherlei Modelle wirklich?

Ich möchte damit ausdrücklich kein Urteil über einzelne Modelle fällen und schon gar keines über ihre Urheberinnen und Urheber. In vielen Modellen stecken Kreativität, Erfahrungswissen und Fleiß, und Lehrkräfte, Schulleitungen und Steuergruppen arbeiten oft gut mit ihnen. Dieser Beitrag ist auch keineswegs ein Abgesang auf Modelle im Allgemeinen – im Gegenteil geht es mir sogar um deren Ehrenrettung! Dabei ist mir die Frage wichtig, woran sich erkennen lässt, wofür ein Modell taugt und wo seine Reichweite endet. Wo ich im Folgenden konkret werde, beziehe ich mich deshalb auf Rahmen und Modelle, die von Institutionen oder aus der Forschung stammen, sorgfältig erarbeitet sind und eine große Reichweite haben: das AI Literacy Framework von Europäischer Kommission und OECD (European Commission & OECD, 2026), das ISAR-Modell zu den Wirkungen von KI auf das Lernen (Bauer et al., 2025) und den um KI aktualisierten KMK-Kompetenzrahmen, den die Bildungsministerkonferenz im Oktober 2026 beschlossen hat (KMK, 2026). Als Prüfsteine eignen sie sich gerade deshalb, weil sie nicht im Vorbeigehen entstanden sind.

Wenn die Form über den Inhalt regiert

Akronyme sind praktisch. Sie lassen sich leicht merken, sie stiften Wiedererkennung und sie lassen sich gut vermarkten. Allerdings bringen sie eine Bauvorgabe mit: Ein Akronym aus sechs Buchstaben verlangt sechs Elemente, die mit genau diesen Buchstaben beginnen. Fehlt für einen Buchstaben der treffende Begriff, rückt ein weniger treffender nach. Gibt es ein siebtes Element, das sich nicht unterbringen lässt, fällt es heraus. Der Verdacht drängt sich auf, dass hier gelegentlich die Form über den Inhalt bestimmt. Was nicht passt, wird passend gemacht.

Mit KI hat dieses Phänomen eine zweite Ebene bekommen. Zum einen lassen sich Modelle mit KI schneller erzeugen. Zum anderen entsteht eine eigene Gattung von Modellen über KI: Kompetenzrahmen für den KI-Einsatz, Stufenmodelle der KI-Integration, Formeln für gute Prompts. An ihnen wird sichtbar, wie gering die Halbwertzeit eines Modells sein kann. KI ist im Schulalltag ein vergleichsweise junges Phänomen. Doch die KI-Systeme haben sich schon in diesem kurzen Zeitraum in einem so rasanten Tempo verändert, mit dem eine einmal veröffentlichte Grafik nur schwer Schritt halten kann. Eine Prompt-Formel, die einem Sprachmodell jeden Arbeitsschritt vorschreiben musste, dürfte an Nutzen verlieren, sobald die Systeme selbst nachfragen und planen. Der Wandel vom vielgepriesenen Prompt Engineering zur längst verbreiteten agentischen KI verdeutlicht dies. Selbst sorgfältig erarbeitete Rahmen bleiben davon nicht unberührt: Zwischen dem Entwurf des AI Literacy Framework im Mai 2025 und seiner Endfassung im Juni 2026 wurde aus der Domäne Design AI die Domäne Shape AI (European Commission & OECD, 2026) – vom Entwerfen zum Mitgestalten, eine kleine, aber bedeutsame Verschiebung. Modelle zu KI lassen sich deshalb sinnvoll nur als vorläufig begreifen: zirkulär, iterativ, als Perpetual Beta, also als Zustand, der dauerhaft unfertig bleibt und fortlaufend überarbeitet werden muss (O’Reilly, 2005).

Wenn Modelle mehr versprechen, als sie halten können

Problematisch wird es dort, wo ein Modell mehr verspricht oder mehr zugeschrieben bekommt, als es leisten kann. Folgende Risiken sehe ich dabei:

Das Heilsversprechen - Ein Modell definiert, ordnet und fokussiert. Ob eine Schule dadurch besser wird, entscheidet sich an anderer Stelle: in Gesprächen, in Entscheidungen, im Unterricht. Heikel ist ein Modell, das Wirksamkeit in Aussicht stellt, ohne zu sagen, worauf sich diese Aussicht stützt, oder dessen Entstehungshintergrund im Dunkeln bleibt. Ein Modell, das sich offen als Praxisheuristik ausweist, lässt sich als solche verwenden. Eines, das von sich in Anspruch nimmt, sich in der Praxis bewährt zu haben, bleibt einen empirischen Nachweis zumeist schuldig und argumentiert mit nichts anderem als anekdotischer Evidenz.

Die 1:1-Übertragung - Modelle entstehen in einem bestimmten Kontext: an einer Schule, in einer Beratungspraxis, in einem Unternehmen. Was dort funktionierte, muss an einer Schule mit anderem Kollegium, anderer Geschichte und anderen Rahmenbedingungen noch lange nicht funktionieren. Schulen sind lose gekoppelte Systeme, in denen ein Beschluss der Schulleitung den Unterricht nicht automatisch erreicht. Jedes Modell braucht deshalb eine Übersetzung in die eigene Schule. Das gilt auch für internationale Rahmen: Ein Kompetenzrahmen, der für viele Bildungssysteme zugleich formuliert ist, kennt weder den Lehrplan eines Bundeslandes noch die Ausstattung, die Sorgen und die Vorerfahrungen eines bestimmten Kollegiums.

Die illegitime Komplexitätsreduktion - Jedes Modell verkürzt; darin besteht ja gerade eine seiner Leistungen. Legitim ist eine Verkürzung immer dann, wenn das Weggelassene für den jeweiligen Zweck entbehrlich ist. Illegitim wird sie, wenn ausgerechnet das herausfällt, worauf es ankommt: Widersprüche im Kollegium, Machtfragen, die Geschichte früherer Vorhaben, die Belastung der Beteiligten. Wichtig bleibt: Ein Modell ist keine Antwort auf eine Frage und keine Lösung für ein Problem. Es ist immer ein Erklärungsansatz, eine Strukturierungshilfe, eine Handlungsempfehlung. Damit soll die Komplexität schulischer Entwicklungen nicht reduziert, sondern handhabbar werden.

Lineare Modelle für zirkuläre Prozesse - Viele Prozessmodelle legen eine Abfolge nahe: erst analysieren, dann Ziele setzen, dann planen, umsetzen und evaluieren. Schulentwicklung verläuft jedoch zumeist anders. Ziele verschieben sich während der Umsetzung, sinnvolle Planung erfordert ein iteratives Vorgehen, die Umsetzungsphase braucht formative Evaluation – und mittendrin stellt man fest, dass man schon bei der Analyse einen ungünstigen Fokus gesetzt hat. Auch eine Kreisdarstellung ändert daran wenig, solange der Kreis nur in einer Richtung durchlaufen werden darf. Ein lineares Modell erweckt dann den Eindruck, eine Schule sei vom Weg abgekommen, obwohl sie lediglich agil damit umgeht, was notwendig ist, um ein Ziel doch noch zu erreichen.

Alte Modelle in neuen Schläuchen - Manches Modell zur KI ist ein älteres Modell mit neuem Etikett. Das SAMR-Modell von Ruben Puentedura mit seinen vier Stufen Substitution, Augmentation, Modification und Redefinition ist rund zwei Jahrzehnte alt (Puentedura, 2006), stammt also aus einer Zeit lange vor den heutigen Sprachmodellen, und wird inzwischen auch auf KI angewendet. Hamilton, Rosenberg und Akcaoglu (2016) haben schon vor rund zehn Jahren herausgearbeitet, dass dem Modell eine begutachtete Grundlage fehlt, dass seine Hierarchie starr ist und dass es das Produkt der Technologienutzung stärker gewichtet als den Lernprozess, auf den es doch eigentlich ankomme. Als Gesprächsanlass im Kollegium kann SAMR dennoch nützlich sein. Neue Erkenntnisse über KI im Unterricht dürfen wir allerdings nicht erwarten, wenn ein altes Modell lediglich umetikettiert wird. Dass es auch anders geht, zeigt das ISAR-Modell (Bauer et al., 2025). Es knüpft ausdrücklich an SAMR an, verzichtet aber auf die Stufe Modification und ergänzt eine neue Kategorie: die Inversion. Maßstab ist dabei der Vergleich mit einer Lernsituation ohne KI. Die Tiefe der kognitiven Verarbeitung, die ISAR in Anlehnung an das ICAP-Modell fasst (Chi & Wylie, 2014), dient als Ausgangs- und Zielzustand: Bei der Inversion nimmt sie ab, etwa weil Lernende sich zu sehr auf KI verlassen. Bei der Substitution bleibt sie unverändert, KI übernimmt lediglich eine Funktion gleichwertig. Bei der Augmentation bleibt sie ebenfalls gleich, wird aber durch zusätzliche Lernunterstützung wie adaptives Feedback oder Scaffolding angereichert. Erst bei der Redefinition führt der KI-Einsatz zu tieferer Verarbeitung. Damit nimmt ISAR einen Teil der Kritik an SAMR auf und benennt ein Risiko, das vor den Sprachmodellen kaum im Blick war. Doch auch hier lohnt der zweite Blick. Die Autorinnen und Autoren legen selbst offen, dass ihre Belege unterschiedlich weit tragen: Für Substitution, Augmentation und Redefinition stützen sie sich vor allem auf Meta-Analysen zu intelligenten tutoriellen Systemen, also nicht auf generative KI; die Inversion beruht bislang auf wenigen ersten Studien. Wer ISAR als Grafik weiterreicht, ohne diese Einschränkungen mitzuliefern, macht aus einem vorsichtigen Forschungsvorschlag ein vermeintlich gesichertes Stufenmodell.

Der Diskurs auf der Metaebene - Ein Kollegium, das darüber streitet, in welcher Phase eines Modells es sich befindet oder welcher Buchstabe des Akronyms gerade an der Reihe ist, spricht über das Modell statt über seine Schule. Damit geht das Gespräch am Kern des schulischen Bedarfs vorbei: an der Frage, was die Schülerinnen und Schüler dieser Schule brauchen und was die Lehrkräfte dafür benötigen. Manchmal bleiben wir nur allzu gern abstrakt, um ja nicht konkret werden zu müssen; Modelle verstärken dieses Muster zusätzlich.

Fach- und Prozessberatung in einem - Ein Modell kann eine inhaltliche Aussage treffen, etwa darüber, was guten Unterricht ausmacht. Es kann aber auch ein Prozessgerüst liefern, also darüber Auskunft geben, wie eine Schule zu einer Entscheidung kommt. Vermischt ein Modell beides, verschwimmt die Grenze zwischen Fach- und Prozessberatung. Edgar Schein hat die Prozessberatung deutlich von einem Expertenmodell abgegrenzt, in dem Beratende die Lösung liefern (Schein, 1999). Königswieser, Sonuç und Gebhardt (2006) sprechen von Komplementärberatung, die Fach- und Prozesswissen verbindet, ohne sie zu verwechseln. Für die Schule ist es wichtig zu wissen, welche der beiden Aussagen ein Modell eigentlich trifft: Möchte es bei der Prozessstrukturierung dienlich sein oder möchte es eine fachliche Orientierung anliefern? Der aktualisierte KMK-Kompetenzrahmen etwa trifft eine fachliche, normative Aussage darüber, was Schülerinnen und Schüler im Umgang mit KI können sollen. Wie eine Schule dorthin gelangt, lässt er offen: Stundenumfänge, Jahrgangsstufen und Unterrichtsreihen gibt er nicht vor (KMK, 2026). Das ist folgerichtig, denn so bleibt die Gestaltung des Prozesses bei der Schule. Sie muss diese Aufgabe dann aber auch tatsächlich übernehmen.

Warum Modelle trotzdem nützen

Bei aller Kritik ist das Bedürfnis nach Modellen gut nachvollziehbar. Menschen suchen Ordnung, wo die Lage unübersichtlich ist. Schulentwicklung ist es in hohem Maße; der Diskurs um Künstliche Intelligenz mindestens ebenso. Die Kognitionspsychologie beschreibt mit dem Begriff Chunking, wie wir Informationen zu größeren Einheiten bündeln, damit das Arbeitsgedächtnis sie bewältigen kann (Miller, 1956). Wie viele solcher Einheiten gleichzeitig verfügbar sind, wird heute eher mit etwa vier angegeben als mit den sieben, die Miller nannte (Cowan, 2001). Das 4K-Modell, der PDCA-Zyklus, das bereits erwähnte SAMR-Modell, die vier Seiten einer Nachricht, die SWOT-Analyse, das GROW-Modell oder die vier Schritte der Gewaltfreien Kommunikation sind dafür nur einige prominente Beispiele. Ein Modell mit wenigen, klar benannten Elementen kommt diesem Drang nach Einfachheit und Struktur entgegen. Es gibt einen Anfang vor, wo sonst Ratlosigkeit herrschen könnte, und erhöht so die Handlungsfähigkeit der Beteiligten.

Hinzu kommt der Wunsch nach einer gemeinsamen Sprache. Ein Kollegium, das sich auf Begriffe verständigt hat, muss nicht in jeder Konferenz aufs Neue klären, was mit Ziel, Maßnahme oder Evaluation gemeint ist.

George Box hat das Verhältnis von Modell und Wirklichkeit in einen pointierten Satz gefasst: „Essentially, all models are wrong, but some are useful“ (Box & Draper, 1987). Modelle sind notwendig, um sich in komplexen Lagen zu orientieren. Hinreichend sind sie hingegen nicht. Ob ein Modell nützt, hängt davon ab, wie es verwendet wird.

Sieben Fragen an ein Modell

Die folgenden Fragen lassen sich an jedes Modell richten, das uns in einer Fortbildung, einem Fachbeitrag oder einem Social-Media-Post begegnet. Sie dienen weniger dazu, Modelle auszusortieren, als dazu, ihre Reichweite zu bestimmen.

• Woher stammt das Modell? Wer hat es entwickelt, in welchem Kontext und mit welchem Interesse? Ist offengelegt, ob es aus der Forschung, aus der Beratungspraxis, aus Unternehmen oder aus einer einzelnen Schule kommt? Die Herkunft aus der Unternehmensberatung spricht nicht gegen ein Modell, wohl aber für eine sorgfältige Übersetzung in die schulische Realität. Ein Rahmen, den die Europäische Kommission und die OECD für viele Bildungssysteme zugleich formulieren, folgt anderen Interessen als ein Modell, das eine Fachschaft für sich entwickelt hat.

• Was behauptet das Modell? Beschreibt es, wie Entwicklung verläuft (deskriptiv), schreibt es vor, wie sie zu verlaufen hat (präskriptiv), bewertet es Entwicklung (normativ) oder bietet es eine Heuristik an, also eine Suchhilfe ohne Wahrheitsanspruch (systemisch)? Dazu gehört die Frage, welche Vorstellung von guter Schule das Modell transportiert, ohne sie auszusprechen. Der KMK-Kompetenzrahmen ist normativ: Er legt fest, was Schülerinnen und Schüler können sollen. Das ISAR-Modell ist in erster Linie deskriptiv: Es ordnet, welche Wirkungen KI auf das Lernen haben kann.

• Worauf stützt sich das Modell? Kontrollierte Studien, systematische Fallanalysen, Erfahrungsberichte oder Plausibilität haben jeweils ihren Wert, doch sie haben eine unterschiedliche Reichweite. Der Bekanntheitsgrad eines Modells ersetzt keinen Beleg und macht es mitnichten „richtiger“. Umgekehrt kann ein Modell, das keine Evidenz beansprucht, sie auch nicht schuldig bleiben. Kritisch wird es jedoch dort, wo eine Wirkung behauptet, aber nicht belegt wird.

• Wofür ist das Modell gemacht? Für welche Anlässe, welche Organisationsgröße, welchen Grad an Komplexität? Ein Modell für einen umfassenden Transformationsprozess hilft bei der Verbesserung des derzeitigen Vertretungskonzepts womöglich wenig weiter.

• Was blendet das Modell aus? Jedes Modell lässt etwas weg. Ein Phasenmodell verdeckt, dass Phasen sich überlagern. Ein Stufenmodell erzeugt ein Oben und Unten. Ein Kompetenzraster kann den Eindruck erwecken, Entwicklung bestehe im Abhaken. Ein KI-Kompetenzrahmen für Schülerinnen und Schüler sagt wenig darüber, was Lehrkräfte brauchen, um ihn umzusetzen. Der aktualisierte KMK-Rahmen enthält beispielsweise keine verbindlichen Vorgaben zur Qualifizierung von Lehrkräften oder zu zusätzlichen Ressourcen (KMK, 2026).

• Passt das Modell zu unserer Schule? Schulen sind komplexe Systeme, Lehrkräfte entscheiden im Unterricht weitgehend eigenständig, und jede Schule ist eingebunden in ein Gefüge aus Schulaufsicht, Schulträger und Ministerium. Ein Modell, das diese Bedingungen nicht berücksichtigt, ist deshalb nicht wertlos, muss aber womöglich an die vorherrschenden Rahmenbedingungen angepasst werden, damit es einen Mehrwert liefert.

• Wie alt ist das Modell? Wann ist ein Modell entstanden, wann wurde es zuletzt überarbeitet, auf welchen Stand bezieht es sich? Für Modelle zur KI ist diese Frage besonders dringlich, weil sich ihr Gegenstand so schnell wandelt. Wer einem Modell Version und Datum beifügt, gibt zu erkennen, dass er damit rechnet, dass sich das Modell selbst irgendwann überholt. Aufschlussreich ist hier die Aktualisierung des KMK-Kompetenzrahmens vom Oktober 2026: Sie behält die sechs Kompetenzbereiche bei, die die Strategie „Bildung in der digitalen Welt“ seit 2016 kennt, und ergänzt sie jeweils um KI-bezogene Anforderungen (KMK, 2016; KMK, 2026). Das sichert den Anschluss an bestehende Lehrpläne und Medienkonzepte. Offen bleibt jedoch, ob ein Raster aus der Zeit vor den Sprachmodellen die Verschiebungen durch KI angemessen erfasst. Genügt hier ein neues Kapitel für ein bewährtes Modell – oder hätte es womöglich ein neues Modell gebraucht?

Mit diesen Fragen im Gepäck kann jede Schule, jede Steuergruppe und jede Beratungsinstanz selbst entscheiden, wofür sie ein Modell zu Rate zieht: als Landkarte, als Gesprächsanlass, als Checkliste oder als Fahrplan. Sie weiß dann jedoch um seine Reichweite und um seine Grenzen.

Was daraus folgt

Aus den sieben Fragen ergeben sich einige Konsequenzen für die Arbeit in Schulen und für die Schulentwicklungsberatung, die ich als Anregungen verstanden wissen möchte.

Weniger ist mehr. Eine Schule dürfte mit einem Prozessmodell und einer Handvoll Tools gut auskommen. Mehrere Modelle nebeneinander erzeugen mehrere Sprachen, mehrere Handlungslogiken und mehrere Erwartungshorizonte. Die Übersetzung und Vermittlung zwischen ihnen kostet Energie, die der eigentlichen Arbeit fehlt. Für KI gilt das in besonderer Weise: Wer neben dem Schulentwicklungsmodell noch einen internationalen Kompetenzrahmen, den Landesrahmen, ein Wirkungsmodell und eine Prompt-Formel einführt, beschäftigt das Kollegium vor allem mit Übersetzungsarbeit.

Eine schuleigene Lernlandkarte. Statt ein fremdes Modell zu übernehmen, kann eine Schule ihren eigenen Entwicklungsweg sichtbar machen: Welche Vorhaben haben wir in den vergangenen Jahren angestoßen? Was ist aus ihnen geworden? Wo stehen wir und wohin wollen wir? Eine solche Landkarte zeigt Zusammenhänge, die ein allgemeines Modell gar nicht kennen kann.

Eigene Modelle gestalten. Aus der Lernlandkarte kann ein eigenes Modell erwachsen. Ein Kollegium, das sein Modell eigenhändig baut, weiß, was es fokussiert und was es ausblendet. Eigene Modelle erhöhen Verständlichkeit, Orientierung und Identifikation. Damit sind sie oftmals besser geeignet als mehrfach wiedergekäute, fremde Modelle. Hier kann KI durchaus hilfreich sein, etwa um ein eigenes Modell zu entwickeln und intern zu verwenden. (Das muss aber nicht gleich in einem Social Media-Post landen, in dem eine Eins-zu-eins-Übertragbarkeit auf andere Schulen suggeriert wird.)

Ein Selbstversuch: das B8N-Modell im Prüfraster

Auch ich habe Modelle und Akronyme entwickelt, etwa die BODI-Analyse (Sawatzki, 2026) oder ein Stufenmodell zur De-Implementierung (Sawatzki et al., i.V.) Ein komplexeres Modell ist das B8N-Modell wirksamer Schulentwicklung (Sawatzki, 2026). Es soll hier einmal exemplarisch die sieben Fragen durchlaufen, geleitet von der Frage: Wozu könnte es hilfreich sein? Im Anschluss zeige ich an einem KI-Vorhaben, wie es sich in der Praxis einsetzen lässt.

B8N wird be-acht-en gelesen. Das B steht für Beteiligung, die Acht für acht Elemente von der Datenerhebung bis zur Steuerung, das N für Nachhaltigkeit.

• Herkunft: Entstanden ist das Modell in der Beratung von Schulen, nicht in einem Forschungsprojekt. Es ist damit ein Praxismodell und als solches zu lesen.

• Behauptung: Die acht Bestandteile sind Elemente und keine Phasen. Das Modell behauptet, dass sie für wirksame Schulentwicklung bedeutsam sind, nicht aber, in welcher Reihenfolge sie zu bearbeiten wären. Je nach Lage kann ein einzelnes Element für eine Schule relevant werden oder mehrere zugleich. Die liegende Acht steht für diese Bewegung ohne festen Anfang und ohne festes Ende. B8N ist damit überwiegend eine Heuristik.

• Stützung: Zu den einzelnen Elementen liegt jeweils Forschung vor, etwa zur Arbeit mit Daten in der Schulentwicklung (Schildkamp, Poortman & Handelzalts, 2016) oder zur Wirkung von Zielen (Locke & Latham, 2002). Eine Untersuchung, die B8N mit einem anderen Vorgehen verglichen hätte, gibt es nicht. Belegt sind die einzelnen Elemente, nicht ihre Kombination.

• Reichweite: Gedacht ist B8N für Vorhaben auf Ebene der ganzen Schule, die viele Beteiligte betreffen und sich über einen längeren Zeitraum erstrecken. Ein schuleigenes KI-Curriculum ist dafür ein typischer Fall. Für die Einführung eines einzelnen KI-Werkzeugs in einer Fachschaft oder die Weiterentwicklung einer einzelnen Unterrichtsreihe ist es zu aufwändig.

• Ausblendung: Machtverhältnisse, Konflikte und die Geschichte früherer Vorhaben kommen im Modell nicht eigens vor. Beteiligung wird zwar als Bedingung vorangestellt, doch wie mit Widerspruch umzugehen ist, sagt das Modell nicht. Auch die Zahl der Elemente ist eine Setzung. Ziele und Prioritäten ließen sich zusammenfassen, die Umsetzung in mehrere Elemente aufteilen. Acht ist eine Entscheidung für Übersichtlichkeit, die sich auch anders hätte treffen lassen.

• Passung zur Schule: Indem das Modell Beteiligung als Bedingung voranstellt, trägt es der professionellen Eigenständigkeit von Lehrkräften Rechnung. In einer lose gekoppelten Organisation lässt sich Entwicklung allerdings nicht anordnen. Ob das Modell daher zur Schulkultur und zu den aktuellen Schulstrukturen passt, steht auf einem anderen Blatt geschrieben.

• Halbwertzeit: Die Elemente beziehen sich auf grundsätzliche Fragen der Organisationsentwicklung, die sich mit der nächsten technologischen Entwicklungsstufe nicht erübrigen werden. Wie die Elemente im Einzelnen auszugestalten sind, kann sich hingegen sehr wohl ändern. KI etwa wird die Datenerhebung und -auswertung erheblich verändern. Das Modell ist deshalb als Arbeitsstand zu verstehen; für die Umsetzung seiner einzelnen Elemente braucht es jeweils aktuelle, anschlussfähige Instrumente.

Aus diesem Probelauf ergibt sich, wofür das B8N-Modell taugt: als Landkarte, auf der eine Steuergruppe verortet, woran sie gerade arbeitet, und als Suchhilfe für die Frage, welches Element in einem Vorhaben bislang zu kurz gekommen ist. Weniger taugt es als Fahrplan, der Schritt für Schritt abgearbeitet wird – und schon gar nicht als Garantie für Wirksamkeit.

Dieser „Selbstversuch“ soll verdeutlichen, dass es keine per se guten und schlechten, falschen und richtigen Modelle gibt, sondern nützliche und weniger nützliche, passende und weniger passende, plausible und weniger plausible. Hierfür bedarf es jedoch der Prüfung – und genau hierfür sind die sieben Prüfkriterien gemacht und gedacht.

B8N in der Anwendung: ein schuleigenes KI-Curriculum

Ob sich B8N als Heuristik und als Strukturierungshilfe auch auf ein KI-bezogenes Schul- und Unterrichtsentwicklungsvorhaben übertragen lässt, soll nachfolgend einmal an einem konstruierten, aber typischen Beispiel angetestet werden. Eine Gesamtschule möchte wissen, wo ihr Kollegium im Umgang mit KI steht. Am Anfang steht deshalb die Datenerhebung: Die Steuergruppe lädt alle Lehrkräfte ein, den KI-Kompetenz-Analyzer von Susanne Alles und Manuel Flick zu nutzen (Alles & Flick, 2025). Er erfasst mit 24 Leitfragen eine Selbsteinschätzung in den vier Bereichen Verstehen, Anwenden, Reflektieren und Mitgestalten.

Beteiligung als Bedingung zeigt sich schon in dieser Phase: Die Teilnahme ist freiwillig und anonym. Bereits vorab ist geklärt, wofür die Ergebnisse verwendet werden und wer an deren Auswertung und Übertragung beteiligt sein wird.

Die Datenauswertung ergibt ein deutliches Bild. Viele Lehrkräfte setzen KI bereits im Unterricht ein, doch jede auf ihre Weise: Die einen lassen Arbeitsblätter erstellen, die anderen erlauben KI bei Hausaufgaben, wieder andere untersagen sie. Im Bereich Anwenden schätzen sich die Lehrkräfte deutlich stärker ein als im Bereich Reflektieren. Es wird wenig untereinander abgesprochen und abgestimmt. Gespräche in den Fachschaften bestätigen den Befund: Der Einsatz von KI im Unterricht ist verbreitet, aber unsystematisch. Dabei bleibt mitzudenken, dass eine Selbsteinschätzung Kompetenz nicht misst, sondern wiedergibt, wie Lehrkräfte sie wahrnehmen.

Aus diesem Befund erwächst das Vorhaben, ein schuleigenes KI-Curriculum zu entwickeln, das festlegt, welche KI-Kompetenzen Schülerinnen und Schüler in welchem Jahrgang und in welchem Fach erwerben sollen. Dafür holt die Steuergruppe neben den Fachschaften auch Schülervertretung und Elternvertretung ins Boot.

Für die Ziele kommt der KMK-Rahmen ins Spiel. Er zeigt an, was verbindlich ist; die Entscheidung, was die Schule besonders in den Fokus rückt, nimmt ihr allerdings auch der Rahmen nicht ab.

Die Prioritäten zwingen zu einer Auswahl. Eine Schule wird kaum in einem Schuljahr alle Kompetenzen in allen Jahrgängen verankern. Sie entscheidet sich zunächst für die Jahrgänge 7 und 8 und, passend zum Befund aus der Auswertung, für zwei Schwerpunkte: die kritische Prüfung KI-generierter Inhalte und abgestimmte Regeln für das Schreiben mit KI.

Als Maßnahmen folgen ein Pädagogischer Tag, eine abgestimmte Unterrichtsreihe pro beteiligtes Fach und eine schulweite Vereinbarung, wie KI-Nutzung in Hausaufgaben und Leistungsnachweisen kenntlich gemacht wird.

In der Umsetzung zeigt sich dann, was auf dem Papier nicht sichtbar war: Ein Werkzeug ändert über die Sommerferien seinen Funktionsumfang, eine Unterrichtsreihe wirkt nach einem halben Jahr überholt, die Kennzeichnungsregel lässt sich kaum überprüfen. Hier greift die Steuerung. Die Steuergruppe arbeitet keinen Zyklus bis zum Ende ab, sondern springt dorthin, wo es nötig ist: zurück zu den Daten, etwa mit einer zweiten Runde des Analyzers nach einem Schuljahr, zurück zu den Zielen, wenn sich ein Schwerpunkt als zu ehrgeizig erweist.

Nachhaltigkeit bedeutet beim KI-Curriculum deshalb nicht, ein fertiges Dokument abzuheften. Es bedeutet, einen festen Termin für die Überarbeitung einzuplanen, das Curriculum zu versionieren und zu datieren und Zuständigkeiten so zu verteilen, dass es nicht an einer einzelnen engagierten Lehrkraft hängt. So wird das Curriculum selbst zu dem, was dieser Beitrag für Modelle zu KI fordert: zu einem Perpetual Beta.

Fazit: Notwendig, aber nicht hinreichend

Modelle geben Orientierung, eine gemeinsame Sprache und einen Anfang. Was sie nicht abnehmen, sind die Gespräche, Entscheidungen und Mühen, aus denen Entwicklung tatsächlich besteht. An ein Modell richtet sich deshalb weniger die Frage, ob es stimmt, als die Frage, wozu es dient. Für Modelle zu KI gilt das in besonderer Weise, denn ihr Gegenstand verändert sich schneller, als sie überarbeitet werden können. Wer mit ihnen arbeitet, sollte deshalb stets ihre Aktualität im Blick haben.

Weiterführendes Angebot

Das B8N-Modell beinhaltet konkrete Schulentwicklungsinstrumente und Projektmanagementtools, welche auf https://tools.ish-gruppe.de/ zu finden sind und dort kontinuierlich weiterentwickelt werden.

Für eine konkrete schulinterne Unterstützung biete ich mit meinem Institut systemische Schulentwicklungsbegleitung an: https://ish-gruppe.de/

Transparenzhinweis

Der Beitrag wurde im Oktober und November 2026 mit Unterstützung von Claude Opus 5.5 erstellt. Die KI wurde zur Literaturrecherche, zur kritischen Einordnung der Rahmenmodelle und für Querverweise innerhalb des Textes verwendet.

Literatur

Alles, S. & Flick, M. (2025): KI-Kompetenz-Analyzer für Lehrende und Lernende. Online: https://www.manuelflick.de/blog/ki-kompetenz-analyzer-fuer-lehrende-und-lernende

Bauer, E., Greiff, S., Graesser, A. C., Scheiter, K. & Sailer, M. (2025): Looking Beyond the Hype. Understanding the Effects of AI on Learning. In: Educational Psychology Review, 37(2), Artikel 45. https://doi.org/10.1007/s10648-025-10020-8

Box, G. E. P. & Draper, N. R. (1987): Empirical Model-Building and Response Surfaces. New York: Wiley.

Chi, M. T. H. & Wylie, R. (2014): The ICAP Framework. Linking Cognitive Engagement to Active Learning Outcomes. In: Educational Psychologist, 49(4), S. 219–243.

Cowan, N. (2001): The magical number 4 in short-term memory. A reconsideration of mental storage capacity. In: Behavioral and Brain Sciences, 24(1), S. 87–114.

European Commission & OECD (2026): Empowering Learners for the Age of AI. An AI Literacy Framework for Primary and Secondary Education. Online: https://ailiteracyframework.org

Hamilton, E. R., Rosenberg, J. M. & Akcaoglu, M. (2016): The Substitution Augmentation Modification Redefinition (SAMR) Model. A Critical Review and Suggestions for its Use. In: TechTrends, 60(5), S. 433–441.

KMK (2016): Bildung in der digitalen Welt. Strategie der Kultusministerkonferenz. Berlin.

KMK (2026): KMK-Kompetenzrahmen „Bildung in der digitalen Welt“ – Aktualisierung im Kontext Künstlicher Intelligenz. Beschluss der Bildungsministerkonferenz vom 16.10.2026 für die Kultusministerkonferenz. Berlin: Sekretariat der Kultusministerkonferenz.

Königswieser, R., Sonuç, E. & Gebhardt, J. (2006): Komplementärberatung. Das Zusammenspiel von Fach- und Prozess-Know-how. Stuttgart: Klett-Cotta.

Locke, E. A. & Latham, G. P. (2002): Building a practically useful theory of goal setting and task motivation. A 35-year odyssey. In: American Psychologist, 57(9), S. 705–717.

Miller, G. A. (1956): The magical number seven, plus or minus two. Some limits on our capacity for processing information. In: Psychological Review, 63(2), S. 81–97.

O’Reilly, T. (2005): What Is Web 2.0. Design Patterns and Business Models for the Next Generation of Software. Online: https://www.oreilly.com/pub/a/web2/archive/what-is-web-20.html

Puentedura, R. R. (2006): Transformation, Technology, and Education. Online: https://hippasus.com/resources/tte/

Sawatzki, Dennis (2026). Datengestützte Schulentwicklung. Von Daten zu Taten – und wieder zurück. In: Schulleitung und Schulentwicklung 135 (5/2026). RAABE Verlag, Stuttgart.

Sawatzki, D., Kuhn, M., Ludwig, A. & Ludwig, K. (in Vorbereitung): De-Implementierung in der Schule.

Schein, E. H. (1999): Process Consultation Revisited. Building the Helping Relationship. Reading, MA: Addison-Wesley.

Schildkamp, K., Poortman, C. L. & Handelzalts, A. (2016): Data teams for school improvement. In: School Effectiveness and School Improvement, 27(2), S. 228–254.

Stachowiak, H. (1973): Allgemeine Modelltheorie. Wien, New York: Springer.

Weick, K. E. (1976): Educational Organizations as Loosely Coupled Systems. In: Administrative Science Quarterly, 21(1), S. 1–19.