Die KI-Lehrperson kommt – und sie macht Unterricht skalierbar

Was mit «KI-Lehrperson» gemeint ist

Gemeint ist nicht ein Chatfenster, das Hausaufgaben löst, und nicht die heutige optionale KI-Hilfe in Ziffli. Gemeint ist ein System, das denselben Kern von Unterricht erbringt, der bisher an knappe menschliche Zeit gebunden war: erklären, nachfragen, üben lassen, Fehler kommentieren, Tempo und Schwierigkeit anpassen – im Prinzip in jedem kognitiven Schulfach, für jede lernende Person mit Gerät und Netz.

Das ist eine Aussage über Unterrichtskapazität, nicht über Betreuung, Aufsicht, Sport, Werken oder rechtliche Beurteilung. Diese Aufgaben bleiben bei Schule und Erwachsenen. Die These betrifft den Teil, der sich als Sprache, Aufgabe und Rückmeldung darstellen lässt.

Das Engpassproblem ist seit vierzig Jahren bekannt

ITS-Median (Kulik & Fletcher, 2016)

0,66 SD

50 kontrollierte Evaluationen; vom 50. auf das 75. Perzentil

Menschliche Nachhilfe (VanLehn, 2011)

0,79 SD

Median gegenüber keiner Nachhilfe; ITS-Median 0,76 SD

Benjamin Bloom beschrieb 1984 das «2-Sigma-Problem»: In den zugrunde liegenden Studien lag die Leistung nach Einzelunterricht plus Mastery Learning rund zwei Standardabweichungen über dem konventionellen Klassenunterricht. Bloom selbst hielt flächendeckenden menschlichen Einzelunterricht für zu teuer. Die offene Frage war, ob sich ähnliche Wirkungen ohne eine Lehrperson pro Kind erreichen lassen.

Spätere Übersichtsarbeiten korrigieren die Grössenordnung, nicht die Richtung. Kurt VanLehn (2011) fand für menschlichen Nachhilfeunterricht einen Median von etwa 0,79 Standardabweichungen gegenüber keiner Nachhilfe, für intelligente Tutorensysteme etwa 0,76. Kulik und Fletcher (2016) werteten 50 kontrollierte Evaluationen aus: Der Median lag bei 0,66 Standardabweichungen, also etwa vom 50. auf das 75. Perzentil. Ma und Kollegen (2014) fanden gegenüber lehrpersonengeführtem Grossgruppenunterricht eine Effektstärke von g = 0,42.

Die ältere Generation dieser Systeme war fachlich eng: Algebra, Physikaufgaben, medizinische Fälle. Der Bau eines Tutors pro Stoffgebiet war teuer. Deshalb blieb der Nutzen auf wenige Domänen begrenzt. Das begrenzte nicht die Logik von Einzelunterricht, sondern die Produktionskosten der Software.

Was generative Modelle an der Kostenstruktur ändern

Klassische Tutorensysteme modellierten Stoff und typische Fehler von Hand. Grosse Sprachmodelle können über Fächer hinweg erklären und nachfragen, ohne dass für jedes Thema ein eigenes Expertensystem gebaut wird. Das ist der technische Grund, warum eine allgemeine KI-Lehrperson überhaupt denkbar wird – nicht, weil heutige Chatbots bereits fehlerfrei unterrichten.

Kestin und Kolleginnen und Kollegen (2025) verglichen in einem randomisierten Crossover-Versuch an der Harvard University (N = 194) einen pädagogisch konstruierten GPT-4-Tutor mit aktivem Präsenzunterricht in einem Physik-Einführungskurs. Die Lernzuwächse in der KI-Gruppe waren signifikant höher, die mediane Bearbeitungszeit kürzer (49 statt 60 Minuten). Eine Quantilregression schätzte die Effektstärke auf 0,73 bis 1,3 Standardabweichungen, unter anderem wegen eines Deckeneffekts im Posttest. 83 Prozent der Studierenden bewerteten die Erklärungen als mindestens so gut wie die der Kurslehrpersonen. Der Tutor war kein ungeführter Chat: Lösungen waren vorgegeben, die Interaktion schrittweise, das Modell sollte nicht die Antwort vorwegnehmen.

Ungesteuerte Nutzung ist ein anderer Fall. Die OECD schreibt im Digital Education Outlook 2026, generative KI könne Lernen stützen, wenn klare didaktische Regeln gelten. Ohne diese Regeln steige oft die Aufgabenleistung, ohne dass Verständnis zunehme. Das ist ein Gestaltungsbefund, kein Beleg gegen Tutoren.

Pilotprogramme sind laufend, nicht hypothetisch

Estland AI Leap, erstes Jahr

154 / 156 Gymnasien

Laut TI-Hüpe, Juni 2026; rund 20’000 Lernende der Klassen 10–11

JAMES 2024, Schweiz

71 %

12- bis 19-Jährige mit Erfahrung zu ChatGPT und vergleichbaren Tools; 34 % mindestens wöchentlich

Estland hat 2025 das nationale Programm AI Leap gestartet. Laut dem Jahresbericht 2026 nahmen 154 von 156 Gymnasien teil, rund 5’000 Lehrpersonen und 20’000 Schülerinnen und Schüler der 10. und 11. Klasse. Lehrpersonen erhielten im August 2025 Zugang zu bezahltem ChatGPT oder Gemini. Ab Januar 2026 stand Schülerinnen und Schülern die Lern-App ITI zur Verfügung, die Fragen stellt statt fertige Lösungen zu liefern. 94 Prozent der teilnehmenden Lehrpersonen nutzten KI beruflich, 63 Prozent gestalteten Unterricht um. Mehr als 12’000 Lernende verwendeten ITI, etwa 4’000 wöchentlich aktiv. Die Universität Tartu untersucht die Wirkung zusammen mit Stanford und OpenAI.

Im Kanton Zürich gilt KI in der Volksschule laut Volksschulamt als «wertvolle Ressource». Die fünf Leitsätze verlangen unter anderem Zugang unabhängig von Herkunft und sozioökonomischem Status sowie rechtskonforme Nutzung. An der Sekundarstufe II laufen beschaffte Schul-Lizenzen und Pilotanwendungen. Das ist noch keine KI-Lehrperson im Unterricht aller Primarklassen. Es zeigt, dass Schulverwaltungen den Einsatz nicht mehr als ferne Option behandeln.

Die JAMES-Studie 2024 (ZHAW, rund 1’000 Jugendliche von 12 bis 19 Jahren in der Schweiz) fand: 71 Prozent hatten bereits Erfahrung mit ChatGPT oder vergleichbaren Programmen, 34 Prozent nutzten solche Werkzeuge mindestens wöchentlich. Die Nutzung ist also schon da. Die offene Frage ist, ob sie als Lösungsgenerator oder als Tutor organisiert wird.

• Estland AI Leap: Jahresbericht
• Kanton Zürich: KI in der Volksschule

Warum das den Zugang zu Unterricht verbreitert

Menschlicher Einzelunterricht wirkt, skaliert aber über Arbeitszeit. UNESCO und die Teacher Task Force bezifferten 2024 den zusätzlichen Bedarf auf 44 Millionen Lehrpersonen bis 2030, um Primar- und Sekundarschulbildung weltweit zu sichern. Das ist ein Kapazitätsproblem, das sich nicht allein durch Stellenpläne lösen lässt.

In der Schweiz nahmen 2011/12 über 34 Prozent der Jugendlichen in der 8./9. Klasse bezahlte Nachhilfe in Anspruch, zwei Drittel davon regelmässig. Laut SKBF stammen sie besonders häufig aus sozial privilegierten Elternhäusern. Bezahlter Einzelunterricht ist also schon vor der KI ungleich verteilt. Software mit geringen Grenzkosten kann diese Verteilung ändern, sobald Gerät, Netz und eine didaktisch gebundene Anwendung vorhanden sind.

Oreopoulos und Low (2026) berichten aus einem zweijährigen Cluster-RCT in 18 Middle Schools in Tennessee: Die Zuweisung zu Khan Academy mit dem KI-Tutor Khanmigo hob die Mathematikleistung um 1,26 nationale Perzentilränge pro Semester, etwa 0,06 bis 0,08 Standardabweichungen über ein Schuljahr. Die Kosten lagen bei rund 15 US-Dollar pro Lernendem und Jahr. Die Gewinne ähnelten denen von Khan Academy ohne KI. Die bindende Grösse war die Nutzung: 96 Prozent probierten Khanmigo mindestens einmal, die mediane Schülerin schrieb dem Tutor aber nur an einem Drittel der Übungstage. Das ist kein Gegenbeweis zur Skalierbarkeit, sondern der Hinweis, dass Zugang allein nicht genügt – die Interaktion muss im Lernablauf liegen.

Was die Befunde nicht zeigen – und warum das die Richtung nicht widerlegt

Kein vorliegendes System unterrichtet bereits «alles für alle» in geprüfter Qualität. Die Harvard-Studie betrifft zwei Physikstunden an einer Hochschule. Khanmigo in Tennessee zeigte kleine Effekte, begrenzt durch Engagement. Estlands Lernwirkung wird erst ausgewertet. Halluzinationen, Datenschutz, Altersgrenzen und die Versuchung, Antworten zu kopieren, sind dokumentierte Risiken. UNESCO verlangt dafür Regulierung, Datenschutz und altersangemessene Nutzung, nicht den Verzicht auf die Technik.

Diese Punkte betreffen Konstruktion, Evaluation und Schulregeln. Sie ändern drei harte Fakten nicht: Einzelunterricht ist wirksamer als undifferenzierter Klassenunterricht. Software nähert sich in abgegrenzten Studien menschlichen Tutoreneffekten. Die Grenzkosten digitaler Wiederholung liegen weit unter denen zusätzlicher Lehrpersonen oder privater Nachhilfestunden.

Soziale Schule, Präsenz, Aufsicht und Leistungsbeurteilung bleiben Aufgaben von Menschen und Institutionen. Eine KI-Lehrperson ersetzt diesen Rahmen nicht. Sie kann den Teil übernehmen, der bisher knappe Fachzeit war: geduldige, fachlich breite Erklärung zur Zeit der lernenden Person. Wer diesen Teil knapper hält, als die Technik erlaubt, belässt ihn bei den Haushalten, die ihn kaufen können.

• Unterricht im Sinne von Erklärung, Übung und Rückmeldung ist skalierbar, sobald er in Software liegt.
• Breite über Fächer entsteht, weil generative Modelle nicht mehr pro Stoffgebiet von Hand modelliert werden müssen.
• Wirkung hängt von didaktischer Bindung und tatsächlicher Nutzung ab, nicht vom blossen Vorhandensein eines Chatfensters.
• Datenschutz, Richtigkeit und Altersgrenzen sind Produkt- und Schulregeln, analog zu Lehrmitteln.
• Zifflis heutige KI-Hilfe ist eine begrenzte Fragerunde, keine KI-Lehrperson.

• Wie Ziffli die heutige KI-Hilfe begrenzt
• Ratgeber: KI-Tutoren in der Primarschule
• Chancengerechtigkeit und Schulleistung