Bekenntnisse des (Mathe-)Hochstaplers - Was fachfremder Unterricht (mit KI) über Unterricht verrät

Über KI-gestützte Unterrichtsplanung, den Wert überfachlicher Didaktik und die Frage, warum wir unsere Workflows überdenken sollten.

Im ersten Halbjahr habe ich fachfremd Mathematik in einer fünften Klasse unterrichtet, was den Realitäten einer Personaldecke geschuldet war, die an vielen Schulen in Niedersachsen längst nicht mehr das hergibt, was Stundentafeln und Lehrpläne vorsehen. Lehrermangel ist kein abstraktes bildungspolitisches Schlagwort; er manifestiert sich ganz konkret darin, dass eine fünfte Klasse einen Mathematiklehrer braucht und die Schulleitung mit dem arbeiten muss, was sie hat. In diesem Fall: ein Fremdsprachenlehrer für Englisch und Spanisch, der sich über die neue Herausforderung durchaus gefreut hat und sie sich auch zugetraut hat, der aber eben weder Mathematik studiert noch als Prüfungsfach im Abitur belegt hatte. Mathe war in der Schule immer mein Fach, bis zum Ende, aber eben nicht als Prüfungsfach, und der Weg ins Studium führte in eine andere Richtung. Fachfremd im reinsten Wortsinn also, ein Hochstapler in der Mathematik, wenn man so will, wenngleich einer, der seine Grenzen kannte.

Wer selbst schon einmal fachfremd unterrichtet hat, kennt das Gefühl: Man steht vor einem Stoff, den man inhaltlich durchaus durchdringt, bei dem einem aber das fachspezifische Repertoire fehlt, jene routinierten Erklärwege und erprobten Darstellungsformen, die man im eigenen Fach über Jahre aufgebaut hat. Selbstverständlich habe ich diesen Unterricht deshalb nicht im Alleingang gestaltet. Die Fachkolleginnen und Fachkollegen der Mathematik waren von Beginn an eingebunden: Ich hatte Zugang zu ihren Planungen, konnte mich zu fachlichen Fragen austauschen und wurde bei der Einordnung von Leistungsständen unterstützt, was für die Qualitätssicherung unerlässlich war. Gleichwohl lag es an mir, den konkreten Unterricht zu planen, die Stunden durchzuführen, die Klasse zu führen und die Beziehung zu den Schülerinnen und Schülern aufzubauen. Und genau hier habe ich angefangen, intensiv mit KI zu arbeiten: Ich habe die Buchseiten hochgeladen, das Curriculum als Referenzrahmen genutzt und gemeinsam mit KI die Stunden strukturiert, wobei ich jedes Ergebnis durch das gefiltert habe, was ich als erfahrener Lehrer über guten Unterricht weiß, unabhängig vom Fach.

Was mich allerdings überrascht hat, war nicht die Erfahrung selbst, sondern das, was danach kam. Nach dem Halbjahreswechsel sprachen mich Schülerinnen und Schüler dieser Klasse an, unabhängig voneinander und über mehrere Wochen hinweg, und sagten, dass sie meinen Unterricht vermissten. Dass sie es richtig gut gefunden hätten. Dass es ihnen Spaß gemacht hätte. Nun sind Schülerrückmeldungen kein objektives Maß für Unterrichtsqualität, das weiß ich, und ich habe weder spezielle Lernstandserhebungen durchgeführt noch Leistungsdaten erhoben, die einen belastbaren Vergleich ermöglichen würden. Aber das Feedback hat mich zum Nachdenken gebracht, und ich möchte dieses Nachdenken an den Anfang stellen, weil es der Auslöser für alles ist, was folgt. Denn die naheliegende Reaktion wäre gewesen, das als nettes Kompliment zu verbuchen und weiterzumachen. Stattdessen habe ich angefangen, mir Fragen zu stellen:

Lag es daran, dass ich einfach nett war und die Kinder mich als Person mochten? Lag es an der Art, wie ich den Unterricht mit KI-Unterstützung vorbereitet habe? Oder lag es daran, dass ich mir gerade weil ich kein Mathematiker bin, grundsätzlich mehr Gedanken darüber gemacht habe, wie der Stoff bei Zehnjährigen tatsächlich ankommen kann? Diesen Fragen wollte ich auf den Grund gehen.

Was ich anders gemacht habe

Um zu verstehen, warum der Unterricht bei den Schülerinnen und Schülern offenbar so gut ankam, musste ich zunächst rekonstruieren, was ich eigentlich anders gemacht hatte. Denn eines war klar: Ich hatte keinen Mathemethodenkoffer, keine Sammlung erprobter Einstiege für Bruchrechnung, keine über Jahre verfeinerten Erklärmodelle für den Übergang von der Arithmetik zur Algebra. Was ich hatte, war etwas anderes, nämlich ein über Jahre gewachsenes Repertoire an überfachlichen didaktischen Kompetenzen, das sich im Fremdsprachenunterricht bewährt hatte und das ich, ohne es zunächst bewusst zu reflektieren, auf den Mathematikunterricht übertragen habe.

Konkret bedeutete das: Ich habe jede Stunde vom Lernziel her gedacht, nicht vom Schulbuch her. Ich habe mir überlegt, wo Schülerinnen und Schüler Scaffolding brauchen, wo man differenzieren muss, wie der Übergang von einer rezeptiven in eine produktive Phase gelingen kann und wie man eine Stunde so abschließt, dass der Lernzuwachs sichtbar wird. All das sind Prinzipien, die ich in Englisch und Spanisch seit Jahren anwende, Backward Design, kognitive Aktivierung, sprachsensible Aufgabenstellungen, und die in Mathematik nicht weniger wirksam sind, zumal guter Unterricht in seinen Grundstrukturen fachübergreifend funktioniert, so meine Theorie.

Entscheidend war dabei die Rolle der KI. Ich habe die Seite(n) und Aufgabe(n) des Lehrwerks hochgeladen, das Curriculum daneben gelegt und mit ChatGPT, Claude und NotebookLM gemeinsam erarbeitet, wie sich der Stoff sinnvoll strukturieren lässt: Wo kann man differenzieren? Welche Einstiegsaktivierung knüpft an das Vorwissen der vorangegangenen Stunde an? Welche Übungsformate eignen sich, um den Lerngegenstand zu festigen, ohne in monotone Wiederholung zu verfallen? Die KI lieferte dabei Vorschläge, die ich anschließend durch mein didaktisches Urteil gefiltert habe. Nicht alles, was generiert wurde, war brauchbar, manches war zu abstrakt, manches zu kleinschrittig und banal, manches schlicht am Niveau der Lerngruppe vorbei, aber: als Ausgangspunkt, als Denkpartner, der Varianten anbietet, über die ich dann entscheide, war diese Zusammenarbeit ausgesprochen gewinnbringend.

Was mir dabei erst im Nachhinein aufgefallen ist: Gerade weil ich kein Mathematiker bin, habe ich mir bei jedem einzelnen Schritt die Frage gestellt, ob das, was ich vermitteln möchte, für einen Zehnjährigen tatsächlich nachvollziehbar ist. In meinen eigenen Fächern passiert mir das nicht immer so bewusst, weil vieles längst automatisiert ist, weil ich Erklärwege verinnerlicht habe, die mir selbstverständlich erscheinen, die es für die Schülerinnen und Schüler aber keineswegs sind. Im Mathematikunterricht fehlte mir diese Automatisierung, weshalb ich gezwungen war, jeden Denkschritt bewusst zu durchlaufen. Und genau das, so meine Vermutung, hat den Unterschied gemacht: nicht weniger Fachwissen als die Fachkollegen, sondern mehr Bewusstheit für den Vermittlungsprozess, geboren aus der eigenen Unsicherheit. Eine Beobachtung, die, wie sich herausstellen sollte, nicht nur meine eigene Unterrichtspraxis betrifft, sondern eine grundsätzlichere Frage aufwirft.

Was die Forschung dazu sagt

Tatsächlich gibt es in der Bildungsforschung einen Befund, der meine Beobachtung nicht nur stützt, sondern ihr ein theoretisches Fundament gibt. Lee Shulman hat bereits in den 1980er Jahren ein Konzept eingeführt, das die Frage, was Lehrkräfte wissen müssen, um wirksam zu unterrichten, grundlegend neu gerahmt hat: Pedagogical Content Knowledge, kurz PCK. Shulmans Kerngedanke ist dabei so einfach wie weitreichend: Weder reines Fachwissen noch allgemeine pädagogische Kompetenz allein machen guten Unterricht aus. Entscheidend ist vielmehr die Verschmelzung beider Dimensionen, also das Wissen darüber, wie man bestimmte fachliche Inhalte so aufbereitet, darstellt und vermittelt, dass Lernende sie tatsächlich durchdringen können. Dazu gehört das Wissen um typische Fehlvorstellungen, um wirksame Analogien und Darstellungsformen, um die Stolperstellen, an denen Schülerinnen und Schüler regelmäßig scheitern (Shulman 1986, 1987). Empirisch untermauert wurde dieses Konzept unter anderem durch die COACTIV-Studie, in der Baumert, Kunter und Kollegen an einer repräsentativen Stichprobe deutscher Mathematiklehrkräfte zeigen konnten, dass PCK ein stärkerer Prädiktor für die Lernfortschritte der Schülerinnen und Schüler ist als das reine Fachwissen der Lehrkraft, wobei die positiven Effekte über kognitive Aktivierung und individuelle Lernunterstützung vermittelt wurden (Baumert et al. 2010). Die Art, wie man Wissen vermittelt, hat also einen größeren Einfluss auf den Lernerfolg als die schiere Menge an Fachwissen allein.

Damit ist allerdings nur ein Teil meiner Frage beantwortet. Denn wenn PCK so entscheidend ist, warum scheint es dann bisweilen so zu sein, dass Fachexpertise den Blick für die Bedürfnisse der Lernenden eher verstellt als schärft? Auch hierzu gibt es einen aufschlussreichen Forschungsstrang. Nathan, Koedinger und Alibali haben 2001 den Begriff des “Expert Blind Spot” geprägt und damit ein Phänomen beschrieben, das unmittelbar an meine Erfahrung anschließt: Fortgeschrittenes Fachwissen kann dazu führen, dass Lehrkräfte die Schwierigkeiten, die Anfängerinnen und Anfänger beim Verstehen neuer Konzepte haben, systematisch unterschätzen (Nathan, Koedinger & Alibali 2001). Der Fachexperte denkt in automatisierten Strukturen und verinnerlichten Abkürzungen, die für ihn selbstverständlich geworden sind, und vergisst dabei, dass die Schülerinnen und Schüler diese Strukturen erst noch aufbauen müssen. Dieses Phänomen ist verwandt mit dem älteren “Curse of Knowledge” aus der Verhaltensökonomie: Wer etwas weiß, kann sich nicht mehr vorstellen, wie es sich anfühlt, es nicht zu wissen (Camerer, Loewenstein & Weber 1989).

Nun möchte ich an dieser Stelle betonen, dass der Expert Blind Spot kein Vorwurf an Fachlehrkräfte ist, sondern die Beschreibung eines kognitiven Bias, dem jeder Experte unterliegt, auch ich in meinen eigenen Fächern. Ich bin mir sicher, dass ich in Englisch und Spanisch regelmäßig über Dinge hinweggehe, die für meine Schülerinnen und Schüler alles andere als selbstverständlich sind, ohne es zu bemerken. Der Punkt ist ein anderer: Im Mathematikunterricht fehlte mir diese Automatisierung, weshalb ich jeden Denkschritt bewusst durchlaufen musste und damit, so meine Hypothese, näher an der Perspektive der Lernenden war. Ob das Fehlen von Expertise in einem Fach tatsächlich systematisch zu verständlicherem Unterricht führt, ist meines Wissens nicht direkt untersucht worden. Meine Erfahrung legt es nahe, aber das ist eine Hypothese, kein bewiesener Zusammenhang, weshalb ich sie hier auch explizit als solche kennzeichnen möchte.

Interessant ist in diesem Kontext auch die Forschungslage zum fachfremden Unterrichten, die sich insgesamt als heterogen darstellt: Porsch und Whannell zeigen in ihrem systematischen Review, dass die vorliegenden Studien zu unterschiedlichen Ergebnissen gelangen und insbesondere aufgrund definitorischer und methodischer Unterschiede keine eindeutigen Aussagen über den Zusammenhang zwischen Lehrerqualifikation und Schülerleistungen möglich sind, auch wenn zugleich Hinweise auf die Bedeutung fachlicher und fachdidaktischer Kompetenzen bestehen (Porsch & Whannell 2019). Dee und Cohodes zeigten mit US-amerikanischen Daten, dass fachlich zertifizierte Lehrkräfte in manchen Fächern zwar höhere Testergebnisse erzielen, jedoch nicht besser darin sind, das intellektuelle Engagement der Schülerinnen und Schüler zu fördern (Dee & Cohodes 2008). Die Gleichung “Fachlehrkraft gleich besserer Unterricht” ist also deutlich weniger eindeutig, als man intuitiv annehmen würde, zumal die Rahmenbedingungen, die Planungsqualität und das didaktische Können der Lehrkraft offenbar eine mindestens ebenso große Rolle spielen wie die formale Fachqualifikation.

Was sich aus diesen Forschungssträngen ergibt, lässt sich nicht zu einer einfachen Formel verdichten, aber es legt einen Gedanken nahe, den ich im Folgenden weiterverfolgen möchte:

Wenn didaktisches Können der stärkere Hebel für guten Unterricht ist und wenn Expertise paradoxerweise blinde Flecken erzeugen kann, was passiert dann, wenn man einer Lehrkraft, die dieses didaktische Können mitbringt, ein Werkzeug an die Hand gibt, das die Lücke zwischen vorhandenem und fehlendem Fachwissen verkleinert? Die Forschung gibt darauf (noch) keine direkte Antwort. Aber meine Erfahrung hat mir eine vorläufige gegeben:

Der Assistent, der die Schwelle senkt

Genau diese Frage hat mich dazu gebracht, meinen eigenen Workflow noch einmal grundsätzlich zu betrachten, und zwar nicht nur im Hinblick auf den fachfremden Mathematikunterricht, sondern auf meine gesamte Unterrichtspraxis. Denn was ich im ersten Halbjahr in Mathematik gemacht habe, war im Kern nichts anderes als das, was ich in Englisch und Spanisch seit geraumer Zeit praktiziere: KI-gestützte Unterrichtsplanung, bei der ich die inhaltlichen Vorgaben und mein didaktisches Wissen zusammenbringe und die KI als Denkpartner nutze, der mir Strukturen, Materialien und Varianten vorschlägt, über die ich dann auf Basis meiner professionellen Einschätzung entscheide.

Der Unterschied war lediglich, dass mir in Mathematik die fachliche Routine fehlte und die KI-Unterstützung deshalb eine andere Funktion übernahm: nicht nur Beschleunigung eines Prozesses, den ich auch allein hätte bewältigen können, sondern tatsächliche Kompensation einer Wissenslücke. Ich konnte Aufgaben und Planungen hochladen und mit KI gemeinsam erarbeiten, welche Erklärwege für den jeweiligen Lerngegenstand sinnvoll sind, welche Aufgabenformate sich eignen, wo typische Verständnisschwierigkeiten liegen und wie man differenzieren kann. Das Curriculum lieferte den verbindlichen Rahmen, die Fachkollegen die fachliche Absicherung, die KI die operative Unterstützung bei der konkreten Stundenplanung, und ich selbst das didaktische Urteil, das all diese Elemente zu einer funktionierenden Unterrichtsstunde zusammenfügt.

Die Forschung zu KI in der Unterrichtsplanung ist noch jung, und ich möchte hier bewusst keine Befunde überinterpretieren. Als Indiz, nicht als Beleg, sei eine groß angelegte Studie mit über tausend Lehrkräften in Indien erwähnt, die einen KI-gestützten Planungsassistenten nutzten: Das Tool reduzierte die Planungszeit und den arbeitsbezogenen Stress und förderte gleichzeitig einen Wandel hin zu aktivitätsbasierter Pädagogik, wobei die Lehrkräfte den KI-Output nicht einfach übernahmen, sondern aktiv auf ihre eigene Expertise zurückgriffen (Shiksha-Copilot-Studie 2025). Die Übertragbarkeit auf das deutsche Schulsystem ist naturgemäß begrenzt, und robuste Langzeitdaten zu der Frage, ob KI-geplanter Unterricht tatsächlich zu besseren Schülerleistungen führt, fehlen noch weitgehend. Ich ordne meine eigene Erfahrung deshalb als das ein, was sie ist: ein Praxisbericht, gestützt durch angrenzende Forschungsbefunde, aber kein empirisch validiertes Modell.

Was ich hingegen mit einiger Sicherheit sagen kann: Die Kombination aus überfachlichem didaktischem Können und KI-Unterstützung hat es mir ermöglicht, fachfremden Unterricht auf einem Niveau zu gestalten, das den Schülerinnen und Schülern, soweit ich das beurteilen kann, keinen Nachteil verschafft hat. John Hattie hat es in der letzten Folge des Kompass-KI-Podcasts von Hendrik Haverkamp auf den Punkt gebracht: Nicht KI ersetzt den Lehrer, sondern ein Lehrer mit KI ersetzt den Lehrer ohne KI (Kompass KI, Folge 10). Das ist in seiner Zuspitzung polemisch, trifft aber einen wahren Kern: KI ersetzt nicht das Urteil der Lehrkraft, sondern multipliziert deren vorhandene Kompetenzen. Und wer diese Möglichkeit nicht nutzt, verschenkt Potenzial.

“AI will never replace a teacher. A teacher using AI will replace a teacher” - John Hattie, Kompass KI Podcast

Dabei hilft KI wohlgemerkt bei der Planung, nicht bei der Durchführung. Im Unterricht selbst steht man allein vor der Klasse, und dort zählen Erfahrung, Beziehungsarbeit und pädagogisches Gespür, also genau jene Kompetenzen, die keine KI ersetzen kann und die sich nur über Jahre aufbauen lassen.

Die Kehrseite

Nun wäre es allerdings naiv, diese Erfahrung ohne Gegenprobe stehen zu lassen. Die Forschung zur Mensch-KI-Zusammenarbeit beschreibt zwei Phänomene, die auch für den schulischen Kontext unmittelbar relevant sind und die ich aus eigener Erfahrung bestätigen kann.

Das erste trägt in der Fachliteratur den Namen “Automation Bias” und beschreibt die Tendenz, sich übermäßig auf automatisierte Empfehlungen zu verlassen, insbesondere dann, wenn ein System über längere Zeit zuverlässig erscheint (Parasuraman & Manzey 2010). Was zunächst als rationale Aufmerksamkeitsverteilung beginnt, kann sich schleichend zu einer Gewohnheit entwickeln, bei der das eigene Urteil nicht mehr systematisch gegen den KI-Output geprüft wird. Für den fachfremden Unterricht ist dieses Risiko logischerweise besonders brisant: Wer sich in einem Stoff unsicher fühlt, ist naturgemäß stärker versucht, einen überzeugend formulierten Vorschlag der KI zu übernehmen, ohne ihn kritisch zu hinterfragen (zu können). Hinzu kommt, dass aktuelle Sprachmodelle durch ihre konversationelle Flüssigkeit das Risiko erhöhen, fehlerhafte Ausgaben für korrekt zu halten, gerade weil sie so überzeugend formuliert sind. Ich war mir dieses Risikos bewusst und habe bei fachlichen Unsicherheiten gegengeprüft, mit dem Schulbuch, mit den Fachkolleginnen und Fachkollegen, bisweilen auch schlicht mit dem gesunden Menschenverstand. Aber ich wäre unaufrichtig, wenn ich behauptete, das in jeder Situation perfekt umgesetzt zu haben. Die Versuchung, einen plausibel klingenden KI-Vorschlag einfach zu übernehmen, ist real, und sie wächst mit dem Zeitdruck des Schulalltags.

Das zweite Risiko ist die Perfektionismus-Falle. KI macht es verführerisch leicht, Materialien zu generieren und wiederholt zu verfeinern, Varianten zu erstellen, Differenzierungen einzubauen, immer noch eine alternative Einstiegsaktivierung zu generieren. Das Problem dabei ist, dass der Zusammenhang zwischen Zeitinvestition und Qualitätsgewinn einer S-Kurve folgt: Der Sprung von “nichts” auf “gut” gelingt schnell, der Versuch, von “sehr gut” auf “perfekt” zu kommen, verschlingt unverhältnismäßig viel Zeit bei abnehmendem Ertrag. Ich kenne diese Versuchung von mir selbst, zumal ich durchaus zur Perfektion neige. Die Erkenntnis, die sich daraus ergibt: Guter Unterricht entsteht nicht aus perfekter Planung, sondern aus guter Planung, bewusster Durchführung und ehrlicher Reflexion.

Zurück im eigenen Fach und den (Fremd-)Sprachen

Die Erfahrung mit dem fachfremden Mathematikunterricht hat etwas sichtbar gemacht, das im eigenen Fachunterricht oft unsichtbar bleibt, weil es dort in der Routine aufgeht: Die Werkzeuge, die mir ermöglicht haben, Mathematik auf einem offenbar guten Niveau zu unterrichten, obwohl ich kein Mathematiker bin, sind dieselben Werkzeuge, die auch meinen Fremdsprachenunterricht tragen. Backward Design, kognitive Aktivierung, bewusste Differenzierung, Spaced Practice, die konsequente Orientierung am Lernziel statt am Lehrwerk, all das sind Prinzipien, die ich in Englisch und Spanisch seit Jahren anwende und die ich im Mathematikunterricht gewissermaßen neu entdeckt habe, weil ich sie dort bewusster einsetzen musste als in einem Fach, in dem vieles bereits automatisiert abläuft.

Was die Mathe-Erfahrung hinzugefügt hat, ist nicht ein neues Werkzeug, sondern eine neue Perspektive auf ein vertrautes: die Erkenntnis, wie mächtig die Kombination aus didaktischem Können und KI-Unterstützung tatsächlich ist, wenn man sie systematisch einsetzt. Im Fremdsprachenunterricht war KI schon länger eine Hilfe, aber im Mathematikunterricht, wo mir die fachliche Routine fehlte, wurde aus einer Hilfe eine tragende Säule. Das hat mich dazu gebracht, auch meinen Fremdsprachenunterricht noch einmal mit anderen Augen zu betrachten: Nutze ich KI dort wirklich so systematisch, wie ich es könnte?

Zwei Beispiele aus meinem Fremdsprachenalltag illustrieren, was ich damit meine. Das erste ist operativ: Auf der Autofahrt zur Schule fiel mir auf, dass mir für die nächste Englischstunde eine Einstiegsaktivierung fehlte, eine Wiederholung der bisherigen Inhalte zur Schottland-Einheit. Per Spracheingabe formuliert, von KI generiert, in der nächsten Stunde lag es auf Papier vor den Siebtklässlern. Fünf Minuten, von der Idee zum fertigen Arbeitsblatt, differenziert in zwei Varianten (mit und ohne Scaffolds):

Das zweite Beispiel geht etwas tiefer: Als ich eine neue Einheit zum Thema “Persuasive (Blog) Writing” plante, habe ich die KI nicht nur nach Materialien geprompted, sondern gemeinsam mit der KI die Einheit vom Lernziel her strukturiert, mit Differenzierungsstufen, die mir aus meiner eigenen Fachperspektive so nicht eingefallen wären, weil ich bestimmte Zugänge als selbstverständlich vorausgesetzt hätte. Genau hier liegt der Punkt: KI hilft nicht nur dabei, schneller Arbeitsblätter zu produzieren, sondern kann vor allem auch den Blick auf die eigene Planung verändern, indem sie Varianten und Zugänge sichtbar macht, die man aus der Routine heraus übersieht.

Worauf es mir dabei ankommt: Es geht nicht um eine Verabsolutierung des Digitalen (darum soll es ohnehin nie gehen). Meine Siebtklässler arbeiten z.B. in der momentanen Phase des Schuljahres eher weniger digital, und das Arbeitsblatt, das KI generiert hat, kam analog zum Einsatz. In einer anderen Klasse könnte dasselbe Prinzip zu einem digitalen Quiz führen, in einer dritten zu einem mündlichen Sprechanlass. Das Werkzeug ist flexibel, die Anwendung richtet sich nach dem pädagogischen Kontext. Es geht nicht um Technologie als Selbstzweck, sondern um die Frage, wie man die verfügbare Zeit so nutzt, dass am Ende durchdachterer, lernförderlicher und kompetenzorientierter Unterricht dabei herauskommt.

Wie das konkret und systematisch aussehen kann, lässt sich in einem Planungszyklus beschreiben, der aus vier Schichten besteht und sich mit jeder Einheit wiederholt:

Am Anfang steht die didaktische Wissensbasis: ein Projekt, in dem man alles zusammenführt, was die Grundlage für die Planung bildet, die Buchseite(n) der Einheit als Steinbruch, das Kerncurriculum (ggf. auch das schulinterne Curriculum), die eigenen fachdidaktischen Positionen und aktuelle Forschungsbefunde. Diese Wissensbasis (in meinem konkreten Fall kommen vor allem noch hinzu: Alle möglichen gesamlten Werke, d.h. Notizen und Zitate aus Readwise, die ich konstant weiter pflege mit Input aus Fachliteratur, Artikeln und Podcasts) ist der Schritt, den die meisten überspringen, und genau deshalb produziert KI bei vielen Lehrkräften generischen Output: Wer ohne Kontext promptet, bekommt beliebige Ergebnisse; wer auf einer gepflegten Wissensbasis arbeitet, bekommt Output, der die eigene Unterrichtsphilosophie widerspiegelt. Darauf folgt die Grobplanung der Einheit, bei der rückwärts von der Lernaufgabe und der Prüfungsleistung her gedacht wird, ob Klassenarbeit, alternatives Prüfungsformat oder Sprechprüfung:

• Wie viele Stunden stehen realistisch zur Verfügung?

• Welche Schwerpunktkompetenzen setze ich?

• Welche Teilschritte führen die Lernenden zur Lernaufgabe hin?

In der dritten Schicht wird es operativ: die Wochenplanung, bei der konkrete Stunden entstehen, jeweils mit Reaktivierung von Vorwissen im Sinne spiralcurricularen Spaced Practice, einer Erarbeitungsphase, einer Sicherungsphase und einer Schülerreflexion am Stundenende, bei der die Lernenden ihren eigenen Lernprozess einschätzen:

• Wie könnte ein Titel für die heutige Stunde lauten?

• Was habe ich gelernt?

• Womit hatte ich noch Schwierigkeiten?

KI unterstützt dabei nicht nur bei der Materialerstellung, sondern auch bei spontanen Anpassungen zwischendurch, wie das Schottland-Beispiel zeigt. Die vierte Schicht schließt den Kreis: meine eigene Reflexion und Nachjustierung.

• Was hat funktioniert?

• Wo muss nachgesteuert werden?

Die Erkenntnisse fließen zurück in die Planung und langfristig in die Wissensbasis selbst.

Der Planungszyklus:

Was daraus folgt

Was sich aus den vorangegangenen Überlegungen ergibt, reicht über meinen persönlichen Einzelfall hinaus. Für Fachlehrkräfte liegt die Erkenntnis in der Frage, ob das eigene Fachwissen bisweilen den Blick auf die Lernperspektive der Schülerinnen und Schüler verstellt. Sich regelmäßig zu fragen, ob man etwas so erklärt, weil es für die Lernenden sinnvoll ist, oder weil es einem selbst so offensichtlich erscheint, ist keine Schwäche, sondern ein Zeichen professioneller Reflexion. KI kann dabei helfen, indem sie den Blick auf alternative Erklärwege und Aufgabenzugänge öffnet, die man aus der eigenen Fachperspektive heraus möglicherweise nicht in Betracht gezogen hätte.

Für Lehrkräfte, die fachfremd unterrichten, und dazu zählen angesichts der Personalsituation an deutschen Schulen mehr Kolleginnen und Kollegen als man gemeinhin annimmt, liegt die Erkenntnis in einer vorsichtigen Entwarnung: Fachfremder Unterricht ist keine ideale Situation, aber er ist auch per se kein schlechtes Urteil für die Lerngruppe. Wer didaktisches Können mitbringt, sorgfältig plant und den Austausch mit den Fachkolleginnen und Fachkollegen sucht, kann mit KI-Unterstützung Unterricht gestalten, der den Schülerinnen und Schülern keinen Nachteil verschafft. Voraussetzung bleibt, dass man die eigenen Grenzen kennt. Und für diejenigen, die am Beginn ihrer beruflichen Laufbahn stehen, ob im Referendariat oder im Studium, kann der beschriebene Workflow als Gerüst dienen: KI-gestützte Planung schließt die Lücke zwischen theoretischem Wissen und praktischer Routine nicht, Erfahrung lässt sich nicht abkürzen, aber sie kann den Prozess beschleunigen, indem sie als Sparringspartner dient, an dem man die eigenen Entscheidungen schärfen kann.

Eines möchte ich abschließend in aller Deutlichkeit sagen, weil es in der Begeisterung über die Möglichkeiten bisweilen untergeht: Was ich hier beschreibe, ist eine Umgangsweise mit einer Situation, die es so nicht geben müsste. Fachfremder Unterricht ist eine Folge des (Fach-)Lehrkräftemangels, und die Tatsache, dass man ihn mit KI-Unterstützung besser gestalten kann als ohne, ist kein Argument dafür, den Lehrkräftemangel achselzuckend hinzunehmen. Die Forderung nach einer ausreichenden Lehrkräfteversorgung und nach qualifiziertem Fachunterricht bleibt bestehen, und dieser Artikel bzw. Bericht soll nicht als Legitimation für das Gegenteil gelesen werden. Was er zeigen soll, ist, dass es Wege gibt, mit der Situation professionell umzugehen, und dass die Erkenntnisse, die sich daraus ergeben, über den Einzelfall hinausreichen.

Zu einigen der Fragen, die dieser Artikel aufwirft, insbesondere zur Schnittmenge von fachfremdem Unterricht und KI-Unterstützung, gibt es noch keine belastbare Forschung (zumindest konnte ich keine finden). Ich halte es für ein lohnendes Forschungsfeld und verstehe diesen Artikel als Beitrag zu einer Diskussion, die an vielen Schulen längst geführt wird, nur eben selten auf der Basis systematischer Reflexion.

Thomas Manns Felix Krull war kein gewöhnlicher Betrüger. Er war jemand, der durch genaue Beobachtung und Anpassungsfähigkeit Rollen ausfüllte, für die andere den “richtigen Stammbaum” oder jahrelange Vorbereitung brauchten. Er glich das fehlende formale Zertifikat durch eine so überzeugende Performance aus, dass er das Original oft übertraf. Als Metapher für die fachfremde Lehrkraft im Zeitalter der KI funktioniert das, zumal der “Hochstapler” in der Mathematik ja nichts vorgetäuscht hat ;-) sondern etwas sichtbar gemacht hat, das sonst unsichtbar bleibt: dass guter Unterricht weniger an einer Fachbezeichnung hängt, als wir oft annehmen.

Diese Erfahrung hat mich nicht übermütig gemacht. Sie hat mich nachdenklich gemacht, und dieses Nachdenken hält an. Nachdenklich über meinen eigenen Fremdsprachenunterricht: Wo habe ich Expert Blind Spots, die mir nicht auffallen, weil ich den “Stoff” so gut kenne, dass ich vergesse, wie er sich für jemanden anfühlt, der ihm zum ersten Mal begegnet? Sie hat mich auch nachdenklich gemacht über den effizienten und richtigen Einsatz von KI: Nutze ich die Möglichkeiten wirklich so systematisch, wie ich es könnte? Und nachdenklich über die Debatte um Unterrichtsqualität insgesamt: Reden wir eigentlich über die richtigen Dinge, wenn wir über guten Unterricht reden?

Die Fünftklässler, die mich nach dem Halbjahreswechsel angesprochen haben, wussten von alledem natürlich nichts. Sie wussten nicht, was Pedagogical Content Knowledge ist, sie hatten noch nie vom Expert Blind Spot gehört, und der Name Shulman sagte ihnen mit Sicherheit nichts. Was sie wussten, war etwas viel Einfacheres und viel Wichtigeres: dass sie einen Unterricht erlebt hatten, in dem sie sich abgeholt fühlten: durchdacht, klar, an ihnen orientiert. Und genau das zu liefern, ob in Mathematik, in Englisch, in Spanisch oder in jedem anderen Fach, dafür gibt es heute, mit den Werkzeugen, die uns zur Verfügung stehen, finde ich, keine Ausrede mehr.

Weiterführende Quellen und Links

Baumert, J., Kunter, M., Blum, W., Brunner, M., Voss, T., Jordan, A., Klusmann, U., Krauss, S., Neubrand, M. & Tsai, Y.-M. (2010). Teachers’ Mathematical Knowledge, Cognitive Activation in the Classroom, and Student Progress. American Educational Research Journal, 47(1), 133–180.

Camerer, C., Loewenstein, G. & Weber, M. (1989). The Curse of Knowledge in Economic Settings: An Experimental Analysis. Journal of Political Economy, 97(5), 1232–1254.

Dee, T.S. & Cohodes, S.R. (2008). Out-of-Field Teaching and Student Achievement: Evidence from Matched-Pairs Comparisons. Stanford Center for Education Policy Analysis.

Hattie, J. (2026). Interview im Kompass KI Podcast, Folge 10. Moderation: Hendrik Haverkamp & Benedikt Wisniewski.

Nathan, M.J., Koedinger, K.R. & Alibali, M.W. (2001). Expert Blind Spot: When Content Knowledge Eclipses Pedagogical Content Knowledge. Proceedings of the Third International Conference on Cognitive Science (ICCS 2001).

Parasuraman, R. & Manzey, D.H. (2010). Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors, 52(3), 381–410.

Porsch, R. & Whannell, R. (2019). Out-of-Field Teaching Affecting Students and Learning: What Is Known and Unknown. In: Hobbs, L. & Törner, G. (Hrsg.), Examining the Phenomenon of “Teaching Out-of-field”. Springer.

Shiksha Copilot (2025). Teacher-AI Collaboration for Curating and Customizing Lesson Plans in Low-Resource Schools. https://arxiv.org/abs/2507.00456

Shulman, L.S. (1986). Those Who Understand: Knowledge Growth in Teaching. Educational Researcher, 15(2), 4–14.

Shulman, L.S. (1987). Knowledge and Teaching: Foundations of the New Reform. Harvard Educational Review, 57(1), 1–22.