Generative KI verändert Schule nicht automatisch. Sie macht zunächst einmal sichtbar, wie Schule bisher funktioniert. Genau darin liegt ihre eigentliche Sprengkraft.
Viele Diskussionen über KI im Bildungsbereich beginnen mit der Frage: Wie können wir KI sinnvoll einsetzen? Diese Frage ist verständlich, aber sie greift oft zu kurz. Sie richtet den Blick zuerst auf das Werkzeug. Pädagogisch interessanter ist eine andere Frage:
Was verändert sich durch KI an der Logik von Lernen, Aufgaben und Leistungsnachweisen – und was bleibt erstaunlich stabil?
Das SAMR-Modell kann dabei helfen. Allerdings nur, wenn wir es nicht als Stufenleiter verstehen. Nicht als Modell, das suggeriert: Je weiter oben, desto besser. Nicht als Rangliste für gute und schlechte KI-Nutzung. Sondern als Analyseinstrument. Als Lupe.
Die entscheidende Frage lautet dann:
Bleibt die Logik von Aufgabe, Produkt und Leistungsnachweis gleich – oder verändert sie sich durch KI grundlegend?
Warum SAMR für KI überhaupt interessant ist
Das SAMR-Modell beschreibt ursprünglich, wie digitale Technologien Lern- und Arbeitsprozesse verändern können. Die vier Begriffe stehen für:
- Substitution: Ein digitales Werkzeug ersetzt ein analoges oder bisheriges Werkzeug.
- Augmentation: Das Werkzeug verbessert einen bestehenden Prozess funktional.
- Modification: Die Aufgabe wird durch das Werkzeug deutlich umgestaltet.
- Redefinition: Es entstehen Aufgaben- oder Lernformen, die ohne die Technologie kaum denkbar wären.
Auf den ersten Blick passt dieses Modell gut zu KI. Schließlich kann KI ein bestehendes Werkzeug ersetzen, Arbeit erleichtern, Prozesse verändern oder neue Formen des Lernens ermöglichen. Trotzdem muss man vorsichtig sein. Gerade bei KI besteht die Gefahr, dass SAMR sehr schnell zu einer Innovationsrhetorik wird: Substitution sei niedrig, Redefinition hoch; links sei alt, rechts sei modern; wer gute Schule machen wolle, müsse möglichst schnell zu R.
Diese Lesart ist problematisch. Denn pädagogische Qualität entsteht nicht dadurch, dass eine Aufgabe möglichst spektakulär aussieht. Eine aufwendig wirkende KI-Aktivität kann fachlich schwach sein. Eine einfache Nutzung auf Substitutionsebene kann dagegen sinnvoll sein, wenn sie einem klaren Lernziel dient.
Deshalb ist eine andere Lesart hilfreicher:
SAMR fragt nicht: Wie hoch ist der KI-Einsatz?
SAMR fragt: Welche Struktur von Lernen bleibt erhalten – und welche verändert sich?
Damit wird das Modell interessant. Es hilft nicht dabei, KI-Nutzung zu bewerten wie auf einer Skala von schlecht bis gut. Es hilft dabei, genauer hinzusehen.
Das eigentliche Problem: Produkt und Denkprozess fallen auseinander
KI trifft Schule an einer empfindlichen Stelle. Viele schulische Aufgaben beruhen auf einer stillschweigenden Annahme:
Lehrende geben Aufgaben. Lernende produzieren ein Artefakt. Dieses Artefakt gilt als Nachweis von Denken.
Das Artefakt kann ein Text sein, eine Präsentation, ein Arbeitsblatt, eine Zusammenfassung, eine Erörterung, ein Protokoll, ein Plakat oder eine digitale Abgabe. In vielen Fällen wird aus dem Produkt auf den Lernprozess geschlossen. Wer einen guten Text abgibt, hat offenbar verstanden. Wer eine strukturierte Präsentation hält, hat offenbar gearbeitet. Wer eine differenzierte Stellungnahme formuliert, hat offenbar gedacht.
Diese Annahme war nie völlig unproblematisch. Auch vor KI konnten Texte abgeschrieben, Aufgaben von Eltern unterstützt, Vorlagen übernommen oder Produkte geschönt werden. Aber generative KI verschärft das Problem. Sie macht es einfacher, schnell und überzeugend Produkte zu erzeugen, die aussehen wie Denkleistung.
Damit trennt KI Produkt und Denkprozess stärker voneinander.
Ein Text ist nicht mehr automatisch ein verlässlicher Beleg dafür, dass die Person, die ihn abgibt, den Gedankengang selbst entwickelt hat. Eine sauber gegliederte Antwort beweist nicht mehr ohne Weiteres, dass fachliches Verständnis vorliegt. Eine sprachlich starke Reflexion kann inhaltlich hohl sein. Eine differenzierte Position kann übernommen, simuliert oder nur oberflächlich angepasst sein.
Das bedeutet nicht, dass Texte, Produkte und Artefakte wertlos werden. Aber ihre Aussagekraft verändert sich. Wer weiterhin so tut, als sei das abgegebene Produkt der zentrale Nachweis für Lernen, übersieht eine grundlegende Verschiebung.
Genau hier kann SAMR als Analysewerkzeug helfen.
S: Substitution – KI ersetzt ein Werkzeug, die Aufgabenlogik bleibt gleich
Auf der Ebene der Substitution ersetzt KI ein vorhandenes Werkzeug. Die Aufgabe selbst bleibt im Kern unverändert.
Ein Beispiel: Lernende schreiben einen Text und nutzen KI, um ihn sprachlich zu verbessern oder zu korrigieren. Früher hätten sie vielleicht ein Wörterbuch, eine Rechtschreibprüfung, eine Grammatikprüfung oder eine Mitschülerin gefragt. Jetzt nutzen sie ein KI-System.
Das kann sinnvoll sein. Gerade bei sprachlicher Entlastung, Barrierefreiheit oder Überarbeitung kann KI helfen. Lernende mit Unsicherheiten im Ausdruck erhalten Unterstützung. Formulierungen können klarer werden. Fehler werden schneller sichtbar.
Aber die Grundstruktur bleibt gleich:
- Die Aufgabe lautet weiterhin: Produziere einen Text.
- Der Text wird abgegeben.
- Der Text gilt als Leistung.
Die KI-Nutzung verändert also das Werkzeug, aber nicht die Aufgabenlogik. Das ist nicht automatisch schlecht. Es ist nur wichtig, es genau so zu benennen.
Substitution wird problematisch, wenn sie pädagogisch überschätzt wird. Wenn also ein traditionelles Aufgabenformat unverändert bleibt, aber durch KI moderner wirkt. Dann entsteht leicht der Eindruck von Innovation, obwohl im Kern alles beim Alten bleibt.
Die Analysefrage lautet:
Würde ich im Kern dasselbe auch ohne KI tun?
Wenn ja, bewegen wir uns wahrscheinlich auf der Ebene der Substitution.
A: Augmentation – KI verbessert den Prozess, aber die Struktur bleibt gleich
Auf der Ebene der Augmentation verbessert KI einen bestehenden Prozess funktional. Sie macht ihn schneller, individueller, komfortabler oder adaptiver. Die Grundstruktur bleibt aber weiterhin erhalten.
Ein Beispiel: Lernende erhalten von KI Feedback zu einem Text. Die KI schlägt eine bessere Gliederung vor, markiert unklare Argumente, bietet Formulierungshilfen oder gibt Hinweise zur Verständlichkeit. Das ist mehr als reine Korrektur. Die Lernenden erhalten zusätzliche Unterstützung im Arbeitsprozess.
Auch das kann pädagogisch wertvoll sein. KI kann Feedback beschleunigen. Sie kann Lernenden helfen, Zwischenstände zu überarbeiten. Sie kann Differenzierung ermöglichen, wenn Lehrkräfte nicht jedem Entwurf sofort ausführlich Rückmeldung geben können.
Aber auch hier bleibt häufig die grundlegende Aufgabenstruktur stabil:
Die Aufgabe wird effizienter, adaptiver oder komfortabler – aber sie bleibt im Kern dieselbe.
Das ist der entscheidende Punkt. Augmentation ist oft die Ebene, auf der viele schulische KI-Nutzung zunächst landet. Bestehende Arbeitsformen werden verbessert: bessere Texte, bessere Zusammenfassungen, bessere Präsentationen, bessere Übungsaufgaben, bessere Rückmeldungen.
Das kann entlastend und lernförderlich sein. Aber es verändert noch nicht zwangsläufig, was als Leistung gilt. Der Blick bleibt häufig auf das Produkt gerichtet.
Die Analysefrage lautet:
Wird nur das bestehende Verfahren verbessert – oder verändert sich auch, was sichtbar, reflektiert und bewertet wird?
Wenn das Verfahren besser wird, aber die Logik gleich bleibt, bewegen wir uns auf der Ebene der Augmentation.
M: Modification – Der Prozess wird sichtbar und bewertbar
Auf der Ebene der Modification verändert sich die Aufgabe selbst. KI ist dann nicht nur ein Werkzeug im Hintergrund, sondern Teil eines Arbeitsprozesses, der sichtbar gemacht, reflektiert und bewertet wird.
Ein Beispiel: Lernende geben nicht nur einen fertigen Text ab. Sie dokumentieren auch, wie sie gearbeitet haben:
- Welche Prompts wurden verwendet?
- Welche Vorschläge der KI wurden übernommen, verändert oder verworfen?
- Welche Quellen wurden geprüft?
- Welche inhaltlichen Entscheidungen wurden getroffen?
- Wo gab es Unsicherheiten?
- Wie wurde der Text überarbeitet?
- Welche Verantwortung übernehmen die Lernenden für das Endprodukt?
Damit verschiebt sich der Fokus. Nicht nur das Produkt zählt, sondern auch der Weg dorthin.
Das ist eine deutliche Veränderung. Die Aufgabe lautet nicht mehr einfach: Schreibe eine Erörterung. Sie lautet eher: Entwickle eine begründete Position, nutze KI als mögliches Werkzeug, dokumentiere deinen Denk- und Arbeitsprozess, prüfe die Qualität der Vorschläge und begründe deine Entscheidungen.
Die Leistung liegt dann nicht allein im fertigen Text. Sie liegt auch in der Fähigkeit, mit KI-Ausgaben kritisch umzugehen, Alternativen zu prüfen, Quellen einzubeziehen, Entscheidungen zu treffen und Überarbeitungen nachvollziehbar zu machen.
Das ist pädagogisch bedeutsam, weil KI nicht nur als Abkürzung erscheint, sondern als Anlass, den Denkprozess sichtbarer zu machen.
Auf dieser Ebene verändert sich also die Nachweislogik:
Nicht nur das Produkt zählt, sondern auch Reflexion, Prüfung und Bearbeitungsprozess.
Für Schule ist das eine wichtige Verschiebung. Denn sie reagiert auf das Problem, dass Produkte allein weniger aussagekräftig werden. Wenn KI Produkt und Denkprozess stärker voneinander trennt, muss Schule Wege finden, den Denkprozess wieder sichtbar zu machen.
Die Analysefrage lautet:
Wird der Prozess Teil der Leistung?
Wenn ja, bewegen wir uns auf der Ebene der Modification.
R: Redefinition – Lernarchitektur neu denken
Die Ebene der Redefinition wird oft missverstanden. Häufig werden hier spektakuläre Beispiele genannt: Lernende chatten mit historischen Figuren, führen simulierte Debatten mit literarischen Charakteren oder lassen sich virtuelle Expertinnen und Experten erzeugen. Solche Szenarien können motivierend sein. Sie können auch didaktisch sinnvoll eingebettet werden. Aber sie sind nicht automatisch Redefinition.
Eine KI-generierte Debatte mit einer historischen Figur ist zunächst einmal nur eine Simulation. Sie kann fachlich interessant sein, sie kann aber auch bloß gut klingendes Wahrscheinlichkeitsrauschen produzieren. Entscheidend ist nicht, ob die Aufgabe neuartig wirkt. Entscheidend ist, ob sich die Lernarchitektur verändert.
Redefinition bedeutet nicht: Jetzt machen wir etwas, das beeindruckend nach KI aussieht.
Redefinition bedeutet eher:
Was als Lernen, Leistung und Kompetenznachweis gilt, wird neu bestimmt.
Ein Beispiel: Lernende arbeiten mit KI, Quellen, Daten, Feedbackschleifen und fachlichen Kriterien an einer komplexen Fragestellung. Bewertet wird nicht nur ein Endprodukt, sondern die Qualität der Urteilsbildung. Dazu gehören:
- die Auswahl und Prüfung von Quellen,
- der Umgang mit Unsicherheit,
- die Begründung von Entscheidungen,
- die Reflexion über KI-Ausgaben,
- die Überarbeitung eigener Positionen,
- die Fähigkeit, fachliche Kriterien anzuwenden,
- die Verantwortung für das Ergebnis.
Dann geht es nicht mehr nur darum, ein Produkt abzugeben. Es geht darum, einen begründeten Denk- und Arbeitsprozess zu gestalten. KI ist dabei weder Zauberwerkzeug noch Ersatz für Denken. Sie ist ein Element in einer komplexeren Lernarchitektur.
Das verändert auch die Rolle der Lehrkraft. Sie bewertet nicht nur ein Endprodukt, sondern gestaltet Lernumgebungen, in denen Denken sichtbar, prüfbar und verantwortbar wird. Sie fragt nicht nur: Ist das Ergebnis richtig? Sondern auch: Wie ist dieses Ergebnis entstanden? Welche Entscheidungen wurden getroffen? Was wurde geprüft? Was wurde verworfen? Was wurde gelernt?
Auf dieser Ebene wird die klassische Logik von Aufgabe -> Produkt -> Bewertung durch komplexere Formen des Lernens und Nachweisens ersetzt.
Die Analysefrage lautet:
Verändert sich nicht nur das Werkzeug, sondern das Verständnis von Lernen?
Wenn ja, nähern wir uns der Ebene der Redefinition.
Mehr Veränderung ist nicht automatisch besser
Eine wichtige Klarstellung: Mehr Veränderung bedeutet nicht automatisch bessere Pädagogik.
Es gibt Situationen, in denen Substitution völlig angemessen ist. Wer KI nutzt, um sprachliche Hürden zu reduzieren, Texte barriereärmer zu machen oder formale Fehler zu erkennen, kann damit sinnvolle Unterstützung leisten.
Auch Augmentation kann sehr wirksam sein. Individuelles Feedback, adaptive Übung, Strukturierungshilfen oder alternative Erklärungen können Lernprozesse verbessern, ohne dass die gesamte Aufgabenarchitektur verändert werden muss.
Modification und Redefinition sind ebenfalls nicht automatisch überlegen. Eine komplexe KI-Aufgabe kann Lernende überfordern. Sie kann fachlich unscharf werden. Sie kann viel Prozess produzieren, aber wenig Erkenntnis. Sie kann die Technik in den Mittelpunkt rücken und das Lernen verdrängen.
Deshalb sollte SAMR nicht als Bewertungsraster für gute KI-Nutzung verstanden werden. Die Stufen beschreiben nicht Qualität. Sie beschreiben den Grad der strukturellen Veränderung.
Die bessere Frage lautet nicht:
Wie kommen wir möglichst oft zu R?
Sondern:
Welche Form der KI-Nutzung passt zum Lernziel, zum Kontext und zur gewünschten Form des Leistungsnachweises?
Manchmal ist eine einfache Nutzung genau richtig. Manchmal muss die Aufgabe grundlegend umgebaut werden. Und manchmal ist die beste Entscheidung, KI gar nicht einzusetzen.
SAMR als Spurensuche
Wenn SAMR als Analyseinstrument genutzt wird, kann es helfen, Unterricht, Aufgaben und Prüfungsformate genauer zu betrachten. Besonders hilfreich sind dabei Fragen wie:
Wer trifft die Entscheidungen?
Entscheidet die KI, welche Lösung gut ist? Entscheiden die Lernenden? Entscheidet die Lehrkraft? Werden Entscheidungen begründet?
Ist der Prozess sichtbar?
Wird nur ein fertiges Produkt abgegeben? Oder wird nachvollziehbar, wie es entstanden ist?
Welche Rolle haben die Lernenden?
Sind sie Ausführende, die eine Aufgabe erledigen? Oder übernehmen sie Verantwortung für Auswahl, Prüfung, Überarbeitung und Begründung?
Was gilt als Nachweis?
Zählt nur das Endprodukt? Oder zählen auch Quellenarbeit, Reflexion, Revision und mündliche Verteidigung?
Wird Denken herausgefordert?
Hilft KI dabei, genauer zu fragen, besser zu prüfen und differenzierter zu urteilen? Oder wird Denken lediglich ausgelagert?
Diese Fragen führen weg von einer oberflächlichen Tool-Debatte. Sie richten den Blick auf die pädagogische Struktur.
Konsequenzen für Aufgaben und Leistungsnachweise
Wenn generative KI die Aussagekraft klassischer Produkte verändert, müssen Aufgabenformate nicht sofort vollständig abgeschafft werden. Aber sie müssen genauer begründet werden.
Ein traditioneller Schreibauftrag kann weiterhin sinnvoll sein. Doch die Frage ist: Was soll daran gelernt und nachgewiesen werden?
Geht es um sprachliche Gestaltung? Um fachliche Argumentation? Um Quellenarbeit? Um Urteilskraft? Um eigenständige Strukturierung? Um Reflexion? Um den Umgang mit KI? Je nachdem verändert sich die Aufgabe.
Mögliche Konsequenzen sind:
- Prozessdokumentation stärker einbeziehen
Lernende halten fest, wie sie gearbeitet haben: Prompts, Quellen, Überarbeitungen, Entscheidungen, Unsicherheiten. - Produkte mündlich absichern
Ein abgegebener Text kann durch ein kurzes Gespräch ergänzt werden. Lernende erklären zentrale Entscheidungen, begründen Formulierungen und reagieren auf Rückfragen. - Aufgaben stärker situieren
Aufgaben werden an konkrete Materialien, lokale Kontexte, Unterrichtsgespräche oder gemeinsame Vorarbeiten gebunden. Dadurch wird bloße Standardproduktion weniger tragfähig. - Bewertungskriterien verändern
Nicht nur sprachliche Glätte zählt, sondern fachliche Präzision, Quellenkritik, Begründung, Reflexion und verantworteter KI-Einsatz. - KI-Nutzung transparent machen
Nicht jede KI-Nutzung muss verboten werden. Aber sie muss offengelegt und pädagogisch eingeordnet werden. Transparenz ist eine Voraussetzung für faire Bewertung. - Mehr Zwischenstände einbauen
Wenn nur das Endprodukt zählt, wird KI zur Abkürzung. Wenn Zwischenstände, Feedback und Revision Teil des Lernprozesses sind, verändert sich die Aufgabe. - Denkhandlungen stärker fokussieren
Nicht „Erstelle ein Produkt“ steht im Mittelpunkt, sondern: vergleichen, prüfen, gewichten, beurteilen, begründen, überarbeiten, verteidigen.
Diese Veränderungen sind anspruchsvoll. Sie bedeuten mehr als neue Regeln für KI. Sie betreffen die Grundstruktur von Unterricht und Leistungsbewertung.
Zwischen Verbot und Euphorie
Die Diskussion über KI in Schule pendelt oft zwischen zwei Polen. Auf der einen Seite steht die Sorge vor Betrug, Täuschung und Kontrollverlust. Auf der anderen Seite steht die Hoffnung auf Effizienz, Individualisierung und Innovation.
Beides greift zu kurz, wenn es isoliert betrachtet wird.
Ein reines Verbot stabilisiert oft nur alte Strukturen, ohne deren Schwächen zu bearbeiten. Es versucht, die bisherige Aufgabenlogik zu retten, obwohl deren Voraussetzungen brüchig geworden sind.
Eine unkritische KI-Euphorie ist ebenso problematisch. Sie verwechselt technische Möglichkeiten mit pädagogischem Fortschritt. Nicht alles, was mit KI möglich ist, ist auch lernförderlich. Und nicht alles, was neu wirkt, verändert die Lernkultur.
Zwischen Verbot und Euphorie braucht es eine nüchterne, pädagogisch präzise Perspektive. Genau hier kann SAMR hilfreich sein: nicht als Antwort, sondern als Analysehilfe.
Es zwingt uns zu fragen:
Bleibt Schule im Kern bei einer Aufgabenerledigungskultur, nur mit besseren Werkzeugen?
Oder entstehen Lernformen, in denen Denken, Prüfen, Entscheiden und Verantworten sichtbarer werden?
Fazit: KI führt nicht nur ein neues Werkzeug ein
Mit KI wird nicht nur ein neues Werkzeug eingeführt. Sichtbar wird vor allem, welche pädagogischen Routinen unverändert bleiben – und welche neu gedacht werden müssen.
Das SAMR-Modell kann helfen, diese Veränderung zu beschreiben. Aber nur, wenn es nicht als Leiter missverstanden wird. Es geht nicht darum, möglichst weit nach oben zu kommen. Es geht darum, genauer zu erkennen, was sich verändert.
Substitution und Augmentation zeigen, wo bestehende Strukturen erhalten oder verbessert werden. Modification zeigt, wo Prozesse sichtbar und bewertbar werden. Redefinition verweist auf die tiefere Frage, was künftig überhaupt als Lernen, Leistung und Nachweis gelten soll.
Damit wird SAMR zu einer Lupe. Es hilft, KI-Nutzung nicht nur technisch, sondern pädagogisch zu betrachten.
Die entscheidende Frage bleibt:
Nutzen wir KI, um alte Routinen effizienter fortzusetzen – oder nutzen wir den Moment, um Lernen und Leistungsnachweise neu zu durchdenken?
Hinweis und Quellen
SAMR wird hier als heuristisches Analysemodell verwendet, nicht als wissenschaftlich hartes Bewertungsraster. Die Grundbegriffe gehen auf Ruben R. Puentedura zurück. Kritische Einordnungen weisen unter anderem darauf hin, dass SAMR ohne Kontext, Lernziel und pädagogische Begründung leicht zu hierarchisch oder produktorientiert gelesen wird.
- Ruben R. Puentedura: SAMR – A Brief Introduction: https://hippasus.com/rrpweblog/archives/2015/10/SAMR_ABriefIntro.pdf
- Erica R. Hamilton, Joshua M. Rosenberg, Mete Akcaoglu (2016): The Substitution Augmentation Modification Redefinition (SAMR) Model: a Critical Review and Suggestions for its Use: https://eric.ed.gov/?id=EJ1110736