KI-Agenten

Was sagt die Forschung?

Evidenzniveau: hoch. Die Einordnung folgt der Evidenzbibliothek KI-Agenten.

Die aktuelle Literatur unterscheidet zwischen einfachen Antwortsystemen, aufgabenorientierten Workflow-Agenten und kooperativen Multi-Agenten-Setups. Für Schulen ist diese Unterscheidung zentral, weil mit der Autonomie des Systems auch die Anforderungen an Aufsicht, Verifikation und Dokumentation steigen.

Verifizierte Leitlinien zeigen, dass Agentennutzung nur dann lernwirksam und verantwortbar bleibt, wenn Auftragsrahmen, Eingriffsrechte und Qualitätskriterien vorab definiert sind. Ohne diese Klärung wird aus didaktischer Unterstützung schnell intransparente Automatisierung.

Praxis: Unterrichts- und Umsetzungsideen

Die Szenarien sind als Mini-Formate für die Sek I und für schulinterne Entwicklungsarbeit gedacht. Sie verbinden fachliche Zielklarheit, transparente Agentennutzung und evaluierbare Prozessschritte.

Unterrichtspraktische Umsetzung: Agenten-Landkarte im Fachteam (Rahmen:Sek I Fachteam , 30 Min.): Lehrpersonen ordnen bestehende KI-Tools entlang einer gemeinsamen Agenten-Taxonomie und definieren Einsatzgrenzen.

Auftragsklarheit vor Toolwahl (Rahmen:Sek I Informatik , 25 Min.): Eine Unterrichtsaufgabe wird erst fachlich zerlegt und danach entschieden, ob ein Assistenz- oder Workflow-Agent passt.

Rollenklarheit im Pilot (Rahmen:Schulteam , 35 Min.): Ein Pilot wird mit klarer Trennung von Agentenfunktion, menschlicher Aufsicht und Abnahmeverantwortung geplant.

Was sagt die Forschung?

Evidenzniveau: mittel. Die Einordnung folgt der Evidenzbibliothek KI-Agenten.

Empirische Studien zu LLM-Nutzung zeigen, dass ungesteuerte Volldelegation die Tiefe der Verarbeitung reduzieren kann. Für Agentensysteme ist das besonders relevant, weil mehrere Schritte automatisch ablaufen und dadurch Lernhandlungen unsichtbar werden.

Didaktisch wirksam sind Settings mit gezielter kognitiver Aktivierung: Lernende müssen Annahmen prüfen, Entscheidungen begründen und fehlerhafte Agentenvorschläge korrigieren. Vertrauen in Agenten wird so kalibriert statt blind aufgebaut.

Praxis: Unterrichts- und Umsetzungsideen

Die Szenarien sind als Mini-Formate für die Sek I und für schulinterne Entwicklungsarbeit gedacht. Sie verbinden fachliche Zielklarheit, transparente Agentennutzung und evaluierbare Prozessschritte.

Unterrichtspraktische Umsetzung: Offloading-Protokoll (Rahmen:Sek I , 25 Min.): Lernende markieren pro Arbeitsschritt, was delegiert wurde und welche Begründung den Delegationsentscheid trägt.

Vertrauenskalibrierung (Rahmen:Sek I , 35 Min.): Ein Agentenvorschlag wird systematisch mit Gegenbeispielen getestet und anschließend fachlich bewertet.

Produktive Reibung einbauen (Rahmen:Unterrichtsplanung , 20 Min.): Lehrpersonen ergänzen Aufgaben um verpflichtende Zwischenschritte ohne Agentenunterstützung.

Was sagt die Forschung?

Evidenzniveau: mittel. Die Einordnung folgt der Evidenzbibliothek KI-Agenten.

Studien und Praxisberichte zeigen Potenziale bei individualisiertem Feedback, sprachlicher Unterstützung und strukturierter Aufgabenbegleitung. Diese Effekte sind jedoch abhängig von klaren Lernzielen und verbindlichen Bewertungsrastern.

Für die Sek I gilt: Differenzierung mit Agenten funktioniert, wenn Lernende nicht nur Antworten erhalten, sondern Rückfragen begründen, Lösungswege erklären und Transferaufgaben bearbeiten.

Praxis: Unterrichts- und Umsetzungsideen

Die Szenarien sind als Mini-Formate für die Sek I und für schulinterne Entwicklungsarbeit gedacht. Sie verbinden fachliche Zielklarheit, transparente Agentennutzung und evaluierbare Prozessschritte.

Unterrichtspraktische Umsetzung: Mehrstufige Aufgabenpfade (Rahmen:Sek I , 45 Min.): Eine Aufgabe wird in Basis-, Transfer- und Vertiefungsstufe geplant; Agenten liefern jeweils passende Hilfen.

Feedback mit Rubric (Rahmen:Sek I , 30 Min.): Lernende erhalten Agentenfeedback entlang eines klaren Bewertungsrasters und müssen zwei Punkte begründet überarbeiten.

Sprachsensible Unterstützung (Rahmen:Sek I , 25 Min.): Agentenhilfen werden für unterschiedliche Sprachstände bereitgestellt, die Fachkriterien bleiben jedoch einheitlich.

Was sagt die Forschung?

Evidenzniveau: mittel. Die Einordnung folgt der Evidenzbibliothek KI-Agenten.

Internationale Rahmenwerke betonen, dass AI Literacy nicht bei Prompting endet. Lernende müssen Aufgaben präzisieren, Agentenentscheidungen nachvollziehen, Quellen prüfen und Ergebnisse in fachliche Kriterien zurückübersetzen.

Für die Sek I ist eine stufenweise Progression zentral: zuerst transparente Assistenznutzung, dann kontrollierte Delegation, zuletzt begründete Steuerung komplexerer Agentenketten mit dokumentierter Eigenleistung.

Praxis: Unterrichts- und Umsetzungsideen

Die Szenarien sind als Mini-Formate für die Sek I und für schulinterne Entwicklungsarbeit gedacht. Sie verbinden fachliche Zielklarheit, transparente Agentennutzung und evaluierbare Prozessschritte.

Unterrichtspraktische Umsetzung: Kompetenzraster im Unterricht (Rahmen:Sek I , 40 Min.): Lernende dokumentieren je Aufgabe, welche Schritte selbst bearbeitet und welche durch Agenten unterstützt wurden.

Progressionsstufe definieren (Rahmen:Fachschaft , 30 Min.): Teams ordnen Jahrgänge verbindlich den Stufen Beobachten, Steuern, Begründen zu.

Lehrplanabgleich (Rahmen:Schulinterne Weiterbildung , 30 Min.): Aufgaben werden gegen Fachziele geprüft und um Verifikations- sowie Reflexionskriterien erweitert.

Was sagt die Forschung?

Evidenzniveau: hoch. Die Einordnung folgt der Evidenzbibliothek KI-Agenten.

Risiken bei Agentensystemen gehen über klassische Chat-Fehler hinaus: Halluzinationen können in Folgehandlungen eingehen, Bias kann sich über wiederholte Entscheidungen verstärken und Fehlsteuerung bleibt oft erst spät sichtbar.

Wirksame Gegenmaßnahmen kombinieren technische Guardrails mit didaktischen Prüfaufträgen. Entscheidend ist eine klare Pflicht zur Quellenprüfung, Gegenprüfung und nachvollziehbaren Fehlerdokumentation.

Praxis: Unterrichts- und Umsetzungsideen

Die Szenarien sind als Mini-Formate für die Sek I und für schulinterne Entwicklungsarbeit gedacht. Sie verbinden fachliche Zielklarheit, transparente Agentennutzung und evaluierbare Prozessschritte.

Unterrichtspraktische Umsetzung: Halluzinationen-Jagd (Rahmen:Sek I , 30 Min.): Lernende identifizieren fehlerhafte Agentenaussagen und belegen Korrekturen mit Primärquellen.

Bias-Test im Fachteam (Rahmen:Fachschaft , 35 Min.): Gleiche Aufgabe wird mit variierenden Parametern getestet, Abweichungen werden dokumentiert und bewertet.

Abbruchkriterien trainieren (Rahmen:Schulteam , 25 Min.): Teams definieren klare Trigger, wann Agentenprozesse gestoppt und manuell übernommen werden.

Was sagt die Forschung?

Evidenzniveau: hoch. Die Einordnung folgt der Evidenzbibliothek KI-Agenten.

Rechts- und Datenschutzanforderungen betreffen Agentensysteme in besonderem Maße, weil sie mit mehreren Datenquellen und automatischen Handlungsschritten arbeiten können. Deshalb müssen Zweckbindung, Datenminimierung und Verantwortlichkeit technisch wie organisatorisch verankert werden.

Erfolgreiche Implementierung folgt einem klaren Ablauf: Risikoanalyse, Freigabe, Pilot, Dokumentation, Schulung und laufende Überprüfung. So entsteht eine belastbare Praxis statt punktueller Einzellösungen.

Praxis: Unterrichts- und Umsetzungsideen

Die Szenarien sind als Mini-Formate für die Sek I und für schulinterne Entwicklungsarbeit gedacht. Sie verbinden fachliche Zielklarheit, transparente Agentennutzung und evaluierbare Prozessschritte.

Unterrichtspraktische Umsetzung: Datenschutz-Check vor Pilot (Rahmen:IT/Datenschutz , 30 Min.): Ein Agentenszenario wird auf Datenkategorien, Zugriffspfade und Löschkonzept geprüft.

Freigabeboard simulieren (Rahmen:Schulleitung/IT , 30 Min.): Teams entscheiden anhand eines standardisierten Kriterienrasters über Pilotfreigabe oder Nachbesserung.

Implementierungsfahrplan (Rahmen:Steuergruppe , 40 Min.): Ein 90-Tage-Plan verbindet Rollen, Schulung, Kommunikation und Evaluationspunkte.

Was sagt die Forschung?

Evidenzniveau: hoch. Die Einordnung folgt der Evidenzbibliothek KI-Agenten.

Governance für KI-Agenten braucht klar definierte Verantwortlichkeiten, Freigabestufen und Eingriffsrechte. Vor allem bei agentischen Kettenprozessen ist Human-in-the-loop kein optionales Add-on, sondern ein Sicherheitskern.

Technische Schutzmaßnahmen entfalten nur Wirkung, wenn sie organisatorisch verankert sind: Rollen, Protokollierung, Auditzyklen und Eskalationspfade müssen verbindlich hinterlegt werden.

Praxis: Unterrichts- und Umsetzungsideen

Die Szenarien sind als Mini-Formate für die Sek I und für schulinterne Entwicklungsarbeit gedacht. Sie verbinden fachliche Zielklarheit, transparente Agentennutzung und evaluierbare Prozessschritte.

Unterrichtspraktische Umsetzung: HITL-Design im Steuerteam (Rahmen:Schulleitung/IT , 40 Min.): Teams definieren, bei welchen Schritten menschliche Bestätigung zwingend ist.

Freigabe-Ampel für Agenten (Rahmen:Steuergruppe , 35 Min.): Agenten werden nach Risiko, Datensensitivität und Aufsichtsbedarf in Freigabeklassen eingeordnet.

Audit-Probe (Rahmen:IT & Behörden , 30 Min.): Ein Testfall prüft, ob Logs, Rollenrechte und Eingriffsmöglichkeiten im Ernstfall funktionieren.