Was verändert sich, wenn KI nicht mehr nur antwortet, sondern beginnt, Aufgaben selbstständig in mehreren Schritten zu bearbeiten?
Mit dieser Frage habe ich letzte Woche mit dem Team der Lehrkräfte der OFFH-Schule in St. Gallen gearbeitet. Die Schule ist auf Hochbegabung spezialisiert. Das Thema des Auftrags lautete: «KI-Agenten in der Bildungsarbeit einsetzen – Chancen und Perspektiven». Dabei ging es bewusst nicht nur um Theorie. Die Lehrkräfte sollten selbst ausprobieren, bauen, prüfen und reflektieren.
Vom Prompt zum Arbeitsprozess
Viele Menschen erleben generative KI noch im vertrauten Frage-Antwort-Modus: Ich formuliere einen Prompt, die KI liefert eine Antwort. Agentisches Arbeiten erweitert dieses Muster. Ein Auftrag wird in Teilaufgaben zerlegt, in einer sinnvollen Reihenfolge bearbeitet und anhand definierter Kriterien überprüft. Je nach System kann die KI dabei auf Wissensquellen, Werkzeuge und festgelegte Regeln zurückgreifen.
Der entscheidende Punkt ist nicht, dass die KI plötzlich selbstständig im menschlichen Sinn denkt. Entscheidend ist, dass wir ihr komplexere Arbeitsprozesse übertragen können. Damit verschiebt sich auch die Rolle der Anwenderinnen und Anwender: Gute Fragen bleiben wichtig, reichen aber nicht mehr aus. Bildungsfachleute müssen Ziele präzisieren, Prozesse strukturieren, Qualitätskriterien festlegen, Zwischenergebnisse beurteilen und die Verantwortung für das Resultat behalten.
Ausprobieren, bauen und experimentieren
Diese Verschiebung wurde im Workshop praktisch erfahrbar. Die Teilnehmenden arbeiteten mit drei unterschiedlichen Zugängen:
NotebookLM: Sie erschlossen und verarbeiteten eigene Wissensbestände. Dadurch wurde sichtbar, wie stark die Qualität der Ergebnisse von Auswahl, Umfang und Verlässlichkeit der bereitgestellten Quellen abhängt.
Ein eigener Skill: Sie gaben der KI eine klar definierte Fähigkeit mit Regeln, Vorgehensweisen und Qualitätsansprüchen. Aus einem spontanen Prompt wurde eine wiederverwendbare Arbeitsanweisung.
Eine einfache agentische Struktur: Sie bearbeiteten einen konkreten Auftrag nicht mit einer einzigen Eingabe, sondern in mehreren aufeinander aufbauenden Schritten. Planung, Ausführung und Prüfung wurden als Prozess gedacht.
Und weil Lernen auch spielerisch sein darf, wurde es am Nachmittag musikalisch: Mit Suno entstand ein eigener kritischer Song über den Einsatz von KI-Agenten in der Bildung. Gerade dieses Format öffnete einen zusätzlichen Reflexionsraum. Chancen und Vorbehalte mussten verdichtet, sprachlich zugespitzt und gemeinsam bewertet werden.
Was KI-Agenten für die Bildungsarbeit verändern
KI-Agenten sind für Schulen und Bildungsorganisationen vor allem dort interessant, wo wiederkehrende oder mehrstufige Aufgaben anfallen: bei der Recherche, der Aufbereitung von Materialien, der Entwicklung differenzierter Lernangebote, der Erstellung erster Feedbackentwürfe oder der Planung von Lernsequenzen. Sie können Lehrkräfte entlasten und Varianten schneller sichtbar machen.
Doch die technische Möglichkeit ist noch kein didaktischer Mehrwert. Ein agentischer Prozess kann Fehler ebenso systematisch weitertragen wie gute Entscheidungen. Unklare Ziele führen zu unklaren Resultaten; ungeprüfte Quellen zu überzeugend formulierten Fehlinformationen. Und wer einen ganzen Arbeitsprozess delegiert, riskiert, nicht nur die Ausführung, sondern auch zentrale Denkleistungen auszulagern.
Die zentrale Kompetenz lautet deshalb nicht: möglichst viel an KI delegieren. Sondern: bewusst entscheiden, was delegiert werden darf – und was in menschlicher Verantwortung bleiben muss.
Die Architektur der KI-Didaktik
An dieser Stelle bietet Joscha Falcks Modell der «Architektur der KI-Didaktik» eine hilfreiche Orientierung. Falck fragt nicht zuerst nach dem nächsten Tool, sondern nach den Bedingungen, unter denen Lernen mit KI überhaupt lernwirksam bleibt. Sein Modell verbindet mehrere Ebenen:
Das Fundament: eine kritisch-aufgeschlossene Haltung gegenüber KI sowie transparente, gemeinsam ausgehandelte und verbindliche Regeln.
Die didaktische Entscheidung: KI kann thematisiert, integriert, reflektiert oder bewusst limitiert werden. Nicht maximale Nutzung zählt, sondern die Passung zu Lernziel, Fach und Lerngruppe.
Die kognitive Aktivierung: Aufgaben sollen Reibung erzeugen und eigenes Denken unvermeidbar machen. Falck nennt dies «Provokation durch Design».
Die sichtbare Eigenleistung: Lernende zeigen ihren Prozess, ihre Urteilsfähigkeit, ihre Reflexion und den Transfer auf neue Situationen.
Das Dach: Selbstreguliertes Lernen verbindet Orientierung, aktive Steuerung und Selbstbeobachtung.
Für agentische KI ist dieses Modell besonders relevant. Je mehr Schritte ein System übernimmt, desto wichtiger wird ein Aufgabendesign, das menschliche Entscheidungen sichtbar hält. Lernende sollten beispielsweise begründen, warum sie einen Vorschlag übernehmen, welche Alternative sie verwerfen, wo sie die KI korrigieren und wie sie die Qualität eines Ergebnisses beurteilen. Nicht jeder Schritt muss ohne KI entstehen. Aber die eigene Auseinandersetzung muss erkennbar bleiben.
Quelle: Joscha Falck: Architektur der KI-Didaktik – Bedingungen für lernwirksamen Unterricht im KI-Zeitalter (veröffentlicht am 19. Mai 2026; zuletzt aktualisiert am 13. Juli 2026).
Selbstregulation: der vielleicht wichtigste Future Skill
Eine aktuelle Studie von Shuangshuang Li, Jin Tian, Mengting Chen und Ziyue Wang schärft diesen Gedanken empirisch. Untersucht wurden 1’024 Studierende an fünf chinesischen Universitäten. Die Forschenden analysierten, wie die Nutzung generativer KI mit kritischem, kreativem und computationalem Denken zusammenhängt – und welche moderierende Rolle selbstreguliertes Lernen dabei spielt.
Das Ergebnis ist deutlich differenzierter als die einfache Frage, ob KI dem Denken nützt oder schadet: Bei Studierenden mit geringer Selbstregulation hing eine stärkere GenAI-Nutzung negativ mit allen drei untersuchten Denkfähigkeiten zusammen. Bei hoher Selbstregulation zeigte sich dagegen ein positiver Zusammenhang mit kritischem und computationalem Denken; beim kreativen Denken war der Zusammenhang nicht signifikant.
Die Studie belegt damit keine einfache Kausalität, und ihre Ergebnisse lassen sich nicht ungeprüft von chinesischen Hochschulen auf jede Schulstufe übertragen. Sie liefert aber einen wichtigen Hinweis: Nicht die Nutzung von KI allein entscheidet über die Qualität des Lernens. Bedeutsam ist, ob Lernende Ziele setzen, Strategien wählen, ihr Verständnis überwachen, Ergebnisse prüfen und ihr Vorgehen anpassen können.
Prompting lässt sich relativ schnell lernen. Selbstregulation nicht. Sie braucht wiederholte Übung, Rückmeldung und Lernarrangements, in denen Lernende Verantwortung für ihren Prozess übernehmen. Genau deshalb gehört sie nicht an den Rand der KI-Bildung, sondern in deren Zentrum.
Fünf Konsequenzen für Lehrkräfte und Bildungsfachleute
1. Mit dem Lernziel beginnen. Nicht das verfügbare Tool bestimmt den Einsatz. Zuerst muss klar sein, welche fachliche oder überfachliche Kompetenz aufgebaut werden soll.
2. Delegation sichtbar machen. Lernende dokumentieren, welche Aufgaben sie der KI übertragen, welche Zwischenergebnisse entstanden sind und wo sie selbst entschieden haben.
3. Prüfen als eigenen Lernschritt gestalten. Quellen, Annahmen, Widersprüche und Qualitätskriterien werden nicht nachträglich kontrolliert, sondern von Beginn an in den Arbeitsprozess eingebaut.
4. Aufgaben mit Reibung entwickeln. Begründete Entscheidungen, Vergleiche, Perspektivwechsel und Transferaufgaben erschweren die bloße Übernahme eines KI-Outputs und fördern kognitive Aktivierung.
5. Selbstregulation explizit fördern. Vor dem KI-Einsatz Ziele klären, währenddessen das Vorgehen beobachten und danach Nutzen, Grenzen und Abhängigkeiten reflektieren.
Fazit: Verantwortung lässt sich nicht delegieren
Der Auftrag an der OFFH-Schule hat gezeigt, wie produktiv der Zugang zu KI-Agenten sein kann, wenn Lehrkräfte nicht nur zuschauen, sondern selbst ausprobieren, bauen und reflektieren. NotebookLM, ein eigener Skill und eine einfache agentische Struktur machten erfahrbar, wie aus einzelnen Prompts mehrstufige Arbeitsprozesse werden.
Die eigentliche Bildungsaufgabe beginnt jedoch dort, wo die technische Faszination endet. KI-Agenten verlangen präzisere Aufträge, transparente Regeln, klug gestaltete Lernaufgaben und eine konsequente Qualitätsprüfung. Vor allem verlangen sie Lernende und Lehrende, die ihren eigenen Arbeits- und Lernprozess steuern können.
Die entscheidende Frage lautet deshalb nicht: Was kann die KI für uns erledigen? Sondern: Welche Denkprozesse wollen wir stärken, welche Entscheidungen müssen Menschen treffen – und wie sorgen wir dafür, dass Verantwortung sichtbar und wirksam bleibt?
Quellen, weiterführende Lektüre und Podcast-Episoden
Podcastepisode Nr. 167 KI in der Erwachsenenbildung – Franz Pregler (17.09.26, Education Minds GmbH): https://education-minds-podcast.podigee.io/190-neue-episode
Falck, Joscha (2026): Architektur der KI-Didaktik. Bedingungen für lernwirksamen Unterricht im KI-Zeitalter.
Li, Shuangshuang; Tian, Jin; Chen, Mengting; Wang, Ziyue (2026): Enhancing or Hindering? Journal of Intelligence, 14(9), 208. DOI: 10.3390/jintelligence14090208.