Digital gestütztes Fortbilden und Unterrichten in der ökonomischen und wirtschaftsberuflichen Bildung – Abschlussband des Verbundprojekts WÖRLD

1 Relevanz und Zielstellungen

Künstliche Intelligenz (KI) und ihre zahlreichen Anwendungen stehen spätestens seit der Veröffentlichung von ChatGPT der breiten Öffentlichkeit zur Verfügung. KI kann als „machine that can learn, reason, and act independently when faced with new situations“ definiert werden (Gethmann et al., 2022, S. 8). Mit der steigenden Zahl an KI-Anwendungen für den Bildungsbereich (futuretools.io listet unter „education“ 3.960 Tools auf, Stand: 07.01.26) verändert sich zunehmend das Arbeitsfeld von Lehrkräften. Eine Befragung von 7.000 Schülerinnen und Schülern (SuS) aus sieben europäischen Ländern zeigt, dass sie KI-Anwendungen u. a. nutzen, um Informationen zu recherchieren (56 % der SuS), sich Begriffe und Konzepte erklären zu lassen (45 %) oder Aufgabenlösungen zu generieren (31 %). 47 % der SuS berichten, dass zumindest ChatGPT regelmäßig im Unterricht eingesetzt wird (Vodafone Stiftung, 2025, S. 9–10). In repräsentativen Befragungen, die 2024 unter Lehrkräften in Deutschland durchgeführt wurden, gaben 51 % an, mindestens einmal KI für schulische Zwecke eingesetzt zu haben (Bitkom Research, 2024, S. 8). Im deutschen Schulbarometer waren es sogar 69 %, davon 31 % mit mehrmaliger bis täglicher Nutzung von KI-Anwendungen im Monat (Robert Bosch Stiftung, 2025, S. 33). Dabei nutzen Lehrkräfte KI-Anwendungen für verschiedene Aufgaben, wie die Erstellung von Texten, Aufgaben, Klausuren, Bildern und Videos sowie für die Bildbearbeitung, den Schriftverkehr, die Recherche bzw. Analyse, die Wissensvermittlung im Unterricht oder für individuelles Feedback (Bitkom Research, 2024, S. 9; Philologenverband Nordrhein-Westfalen, 2024, S. 6).

Wenn Lehrkräfte KI zur Bewältigung ihrer beruflichen Aufgaben einsetzen, benötigen sie grundlegende KI-Kompetenzen^[1]. Sie befähigen Lehrkräfte einerseits „to critically evaluate AI technologies; communicate and collaborate effectively with AI; and use AI as a tool online … and in the workplace“ (Long & Magerko, 2020, S. 4). Andererseits wird betont, dass auch das Wissen um die ethischen Herausforderungen von KI (z. B. Datenschutz, Fehleranfälligkeit) und die Anpassung und Entwicklung neuer pädagogischer Strategien zu den KI-Kompetenzen von Lehrkräften zählen (Bekiaridis & Attwell, 2023, S. 18; Miao & Cukurova, 2024). Im Zuge der kontinuierlichen Entwicklungen im Bereich der KI zeigen Studien jedoch, dass Lehrkräfte ihre KI-Kompetenzen als unzureichend erachten (Berger et al., 2024, S. 45, 87). Wahrgenommene Kompetenzdefizite können durch Lehrkräftefortbildungen reduziert werden. Eine Grundlage für die Entwicklung von Fortbildungen bildet die Analyse der Bedarfe von Lehrkräften (siehe Kap. 2.1). Sie stellt sicher, dass die Inhalte und Methoden der Fortbildung auf die benötigten und vorhandenen Kompetenzen der Teilnehmenden abgestimmt sind. Der Forschungsstand zur bedarfsorientierten Gestaltung von Lehrkräftefortbildungen ist allerdings begrenzt (Richter et al., 2024, S. 621). Daher besteht die erste Zielstellung des vorliegenden Beitrags in der Untersuchung der KI-bezogenen Bedarfe von Lehrkräften.

Die Forschung zur dritten Phase der Lehrkräftebildung hat Erfolgsfaktoren zur Gestaltung von Fortbildungen identifiziert (siehe Kap. 2.2), die dazu beitragen, dass Lehrkräfte sich fortbilden und die erworbenen Kompetenzen in ihren Berufsalltag integrieren. Mit der zweiten Zielstellung untersucht der Beitrag, welche Gestaltungshinweise sich aus den identifizierten Bedarfen für die konkrete Umsetzung von Lehrkräftefortbildungen zur Förderung von KI-Kompetenzen ableiten lassen.

Kapitel 2 gibt einen Überblick über die KI-Bedarfe als Grundlage von Lehrkräftefortbildungen. Thematische Bedarfe von Lehrkräften werden anhand theoretischer Modelle konkretisiert. Anschließend wird der aktuelle Forschungsstand zu Erfolgsfaktoren für die Gestaltung von Lehrkräftefortbildungen dargestellt. In Kapitel 3 wird die Methodik der Bedarfserhebung beschrieben, bei der 93 Lehrkräfte aus drei Bundesländern zu ihren Bedarfen bezüglich KI-Kompetenzen und KI-Themen befragt wurden. Basierend auf den Ergebnissen der Befragung (Kap. 4) werden in Kapitel 5 Hinweise für die Gestaltung von KI-Fortbildungen im Lehrberuf skizziert, die für die Entwicklung eines Online-Selbstlernkurses genutzt wurden, welcher seit November 2024 kostenfrei von Lehrkräften absolviert werden kann.^[2]

2 KI-Bedarfe von Lehrkräften und die Gestaltung von Lehrkräftefortbildungen

2.1 KI-Bedarfe von Lehrkräften

Nach Noe (2010, S. 104) können eine Vielzahl von „Pressure Points“ dazu führen, dass ein Fortbildungsbedarf entsteht. KI als neue Technologie kann für Lehrkräfte den Bedarf an KI-Fortbildungen erhöhen, da sich Arbeitsprozesse verändern und Leistungssteigerungen in Aussicht stehen können. Für die Entwicklung von Fortbildungen, die wirksam in der Förderung spezifischer Kompetenzen von Lehrkräften sind, gilt die Analyse des Fortbildungsbedarfs als entscheidende Grundlage (Kauffeld, 2016, S. 18). Die Bedarfsanalyse ermöglicht eine hohe Passung der Fortbildungsinhalte und ­‑methoden mit den Kompetenzbedarfen der Teilnehmenden. Der Fokus auf Kompetenzen bildet einen Zugang zur Bedarfsanalyse (Noe, 2010, S. 127–139). Kompetenzmodelle unterstützen hierbei die Identifikation und Beschreibung entsprechender Kompetenzen (Kauffeld, 2016, S. 16). Ein weiterer Zugang zur Bedarfsanalyse bietet die Personenanalyse. Hierbei werden u. a. Personenmerkmale bestimmt, die die Teilnahme an Fortbildungen und das Lernen beeinflussen (z. B. thematisches Interesse, Fortbildungsmotivation; Noe, 2010, S. 113). Nachfolgend werden zunächst für Lehrkräfte relevante KI-Kompetenzmodelle vorgestellt. Anschließend erfolgt die Beschreibung von Merkmalen von Lehrkräften, die für eine Personenanalyse in Frage kommen.

2.1.1 KI-Kompetenzmodelle

Ähnlich zu Gronau und Vladova (2021, S. 88) konstatieren Ng et al. (2022), dass „existing [AI] frameworks focused more on students’ learning; few of them investigate how to enhance teachers’ AI digital competence“ (S. 137). Mittlerweile existieren jedoch mehrere theoretische Ansätze zur Modellierung von KI-Kompetenzen von Lehrkräften (z. B. DigCompEdu AI Supplement, Bekiaridis & Attwell, 2023; AI PACK, Lorenz & Romeike, 2023). Als Grundlage für eine Erhebung der KI-Bedarfe von Lehrkräften werden zwei Modelle herangezogen, die aktuell die Forschungslandschaft in diesem Bereich prägen (Lucas & Lioy, 2025, S. 4; Meß et al., im Druck, o.S.): das Modell von Ng et al. (2021a) und das UNESCO AI Competency Framework for Teachers (AI CFT; Miao & Cukurova, 2024). Ng et al. (2021a) führten ein exploratives Review zu „AI literacy“ durch. Sie identifizierten 30 peer-reviewed Artikel, in denen vier Elemente von AI literacy wiederkehrend angeführt werden (siehe Tabelle 1)^[3].

Tabelle 1: AI-literacy-Modell von Ng et al. (2021a, S. 4)

KI-Literalität	Definition
KI wissen und verstehen	Kenntnis grundlegender Funktionen von KI und wie KI-Anwendungen eingesetzt werden können
KI anwenden	Anwendung von KI-Wissen, -Konzepten und -Anwendungen in verschiedenen Szenarien
KI evaluieren und kreieren	Übergeordnete Denkleistungen (z. B. Bewerten, Einschätzen, Vorhersagen, Gestalten) bei der Nutzung von KI-Anwendungen
KI-Ethik	Auf den Menschen ausgerichtete ethisch-moralische Aspekte in Bezug auf KI (z. B. Fairness, Verantwortlichkeit, Transparenz, Ethik, Sicherheit)

AI literacy lehnt sich einerseits an das Verständnis traditioneller Literalitäten (Lesen/Schreiben, Rechnen) an und beschreibt grundlegende kognitive Fähigkeiten in Bezug auf KI (Ng et al., 2021a, S. 1). Andererseits integrierten Ng et al. (2021a, S. 4–5) die ersten drei Elemente (Wissen und Verstehen, Anwenden, Evaluieren und Kreieren) in die Taxonomie kognitiver Fähigkeiten nach Bloom et al. (1956). Diese beschreibt sechs aufeinander aufbauende Stufen kognitiver Fähigkeiten, die sich in ihrer kognitiven Komplexität unterscheiden. Eine Stufe muss beherrscht werden, damit Lernende Fähigkeiten auf der nächsthöheren Stufe erwerben können. Die Einordnung der drei genannten Elemente der AI literacy in das Bloom-Modell ist in Abbildung 1 dargestellt. Ng et al. (2021a) orientierten sich sowohl an der Taxonomie von Bloom et al. (1956) als auch an deren Überarbeitung durch Anderson und Krathwohl (2001).

Abbildung 1: Kategorisierung der AI-literacy-Elemente (links) in die Bloom-Taxonomie (adaptiert nach Ng et al., 2021a; Anmerkung: Ng et al. verwenden „Use information in new situations“ bei „Know“ und „Apply“, entsprechend Bloom et al. [1956] wurde dies bei „wissen“ ersetzt)

Das Modell bezieht sich in erster Linie auf die kognitiven KI-Kompetenzen von SuS. Es kann auch auf Lehrkräfte angewendet werden, da sie diese Kompetenzen zunächst selbst erwerben müssen, um sie bei den SuS fördern zu können (OECD, 2023, S. 191).

Die UNESCO entwickelte ein Modell, das sich ebenfalls an der Bloom’schen Taxonomie orientiert (AI CFT; Miao & Cukurova, 2024) und originär auf Lehrkräfte ausgerichtet ist. Es umfasst fünf Kompetenzbereiche auf drei Entwicklungsstufen (Tabelle 2).

Tabelle 2: AI Competency Framework for Teachers (Miao & Cukurova, 2024, S. 22)

Entwicklungs-stufe	Kompetenzbereiche
	menschen-zentrierte Haltung	KI-Ethik	KI-Grundlagen und KI-Anwendungen	KI-Pädagogik	KI für die berufliche Entwicklung
erwerben	menschliche Handlungs-fähigkeit	ethische Grundsätze	grundlegende KI-Techniken und KI-Anwendungen	KI-unterstützter Unterricht	KI als Wegbereiter für lebenslanges berufliches Lernen
vertiefen	menschliche Verantwort-lichkeit	sichere und verantwortungs-volle Nutzung	Anwendungs-fertigkeiten	KI-Pädagogik-integration	KI zur Verbesserung des organisationalen Lernens
kreieren	soziale Verantwortung	gemeinsam ethische Regeln schaffen	gestalten mit KI	KI-gestützte pädagogische Transformation	KI zur Unterstüt-zung des beruf-lichen Wandels

Der Bereich ‚menschenzentrierte Haltung‘ umfasst Werte und Einstellungen in Bezug auf die Interaktion zwischen Menschen und KI. ‚KI-Ethik‘ bezieht sich auf wesentliche ethische Grundsätze, rechtliche Grundlagen und praktische ethische Regeln im Umgang mit KI. ‚KI-Grundlagen und KI-Anwendungen‘ umfasst konzeptionelles KI-Wissen und KI-Fertigkeiten. ‚KI-Pädagogik‘ bezieht sich auf die Auswahl und Integration von KI-Anwendungen in pädagogische Strategien. ‚KI für die berufliche Entwicklung‘ beschreibt den Einsatz von KI für lebenslanges berufliches Lernen und berufliche Veränderungsprozesse (Miao & Cukurova, 2024, S. 21). Entlang der Entwicklungsstufen erwerben Lehrkräfte ihre KI-Kompetenzen in fünf Kompetenzbereichen. Im Gegensatz zum Modell von Ng et al. (2021a) differenziert das AI CFT in geringerem Maße entlang der Entwicklungsstufen. Dafür orientiert es sich deutlich stärker an den Anforderungen des Lehrberufs (z. B. pädagogische Strategien, Verantwortung für SuS) und bezieht sich nicht nur auf kognitive Fähigkeiten und Anwendungswissen, sondern auch auf Einstellungen, Werte, ethische Aspekte (die bei Ng et al., 2021a, zwar Teil der AI literacy sind, aber nicht im taxonomischen Modell vorkommen) sowie die KI-Nutzung für die berufliche Entwicklung.

2.1.2 Lehrkräftebezogene KI-Bedarfe

Individuelle Merkmale und Verhaltensweisen von Lehrkräften können als Indikatoren für einen Fortbildungsbedarf angesehen werden (Faulstich & Zeuner, 2010, S. 44–45). Dazu gehören u. a., sich des Fortbildungsbedarfs bewusst zu sein, das Interesse an fortbildungsrelevanten Themen, das Interesse und die Teilnahme an Fortbildungen sowie die Nutzung neuer Technologien (Noe, 2010, S. 114, 129). Bezogen auf KI kann ein Bewusstsein für den Fortbildungsbedarf durch den kognitiven Vergleich des vorhandenen (Ist-Wert) und des erwünschten Kompetenzniveaus (Soll-Wert) geschaffen werden. Hierbei ist anzunehmen, dass nicht nur die Ist-Kompetenzniveaus zwischen und innerhalb von Lehrkräften variieren (z. B. Celik, 2023; Ehmann et al., 2024), sondern auch die Soll-Kompetenzniveaus. Aus dem Ist-Soll-Vergleich können Lehrkräfte unmittelbar Rückschlüsse darauf ziehen, in welchen Kompetenzbereichen Ist-Soll-Unterschiede bestehen und wo diese am größten sind. Dieser Vergleich kann zur Motivation führen, die Unterschiede durch eine Fortbildung zu verringern (Martens, 2024, S. 11–12). Auch aus Sicht des Fortbildungspersonals sind Ist-Soll-Informationen bedeutsam, da sie ihnen ermöglichen, KI-Fortbildungen gezielt an den Einschätzungen der Lehrkräfte auszurichten und somit zum Beispiel die KI-Kompetenzen mit den größten Ist-Soll-Unterschieden stärker in den Blick zu nehmen.

Auf Basis eines Ist-Soll-Vergleiches wird im Beitrag die Forschungsfrage 1 (F1) untersucht:

F1: Wie schätzen Lehrkräfte ihre KI-Kompetenzen entlang der Taxonomiestufen aktuell ein und welche Kompetenzniveaus wünschen sie sich?

Da Lehrkräfte aufgrund ihrer Ausbildung mit der Bloom’schen Taxonomie vertraut sind und diese in ihrem Berufsalltag zur Planung von Lehr-Lern-Prozessen und zur Förderung ihrer SuS einsetzen (Le & Pinkwart, 2016, S. 158), sollten sie in der Lage sein, Auskunft über den Ist- und den Soll-Stand ihrer KI-Kompetenzen entlang der Taxonomie zu geben. Die uns bekannten Studien untersuchen ausschließlich den Ist-Stand der KI-Kompetenzen von Lehrkräften (z. B. Celik, 2023; Ehmann et al., 2024), sodass der empirische Vergleich mit dem Soll wichtige neue Erkenntnisse ermöglicht.

Das Interesse von Lehrkräften an KI-Themen und KI-Fortbildungen ist ein weiterer Indikator für ihre Bedarfe in Bezug auf KI-Kompetenzen (Noe, 2010, S. 114–116) und zugleich eine Form intrinsischer Motivation (Krapp, 2005). Intrinsisch motivierte Handlungen werden ausgeführt, weil die Tätigkeit (z. B. das Absolvieren einer KI-Fortbildung) oder die Beschäftigung mit dem Tätigkeitsgegenstand (z. B. KI) an sich als belohnend empfunden wird. Interesse ist mit der Orientierung an einem Tätigkeitsgegenstand und nicht mit der Orientierung an einer Tätigkeit verbunden (Rheinberg & Engeser, 2018, S. 426). Davon zu unterscheiden ist die extrinsische Motivation, bei der Lehrkräfte an Fortbildungen teilnehmen, weil dies entweder von „außen“ durch andere Personen (z. B. Vorgesetzte), Organisationen (z. B. Bildungsministerien) oder die Gesellschaft erwartet wird oder der Anreiz für die Tätigkeit außerhalb der Tätigkeit, nämlich in den erwarteten Handlungsergebnissen, liegt (z. B. Karriereförderung; vgl. Deci & Ryan, 2012).

Neben der kognitiven Kompetenzdimension – etwa in Form einer wahrgenommenen Ist-Soll-Wissensdiskrepanz – ist die motivationale Dimension ein wesentlicher Treiber für die Fortbildungsteilnahme (Lipowsky & Rzejak, 2019, S. 37). Rzejak et al. (2014) unterscheiden vier motivationale Aspekte, die die Entscheidung zur Fortbildungsteilnahme beeinflussen: Soziale Interaktion, externale Erwartungsanpassung, Karriere- und Entwicklungsorientierung. Für Lehrkräfte, die an einer Fortbildung teilnehmen, sind vor allem jene Aspekte ausschlaggebend, die eine intrinsische Motivation kennzeichnen (S. 152). Das AI CFT differenziert zahlreiche KI-Themen, die den Lehrberuf betreffen (z. B. Grundlagenwissen, pädagogische Strategien, sichere und verantwortungsvolle Nutzung). Auf Grundlage dieses Modells untersucht der Beitrag:

F2: Welche KI-bezogenen Themen interessieren Lehrkräfte?

Neben individuellen Merkmalen kann auch das Verhalten der Merkmalsträger (z. B. Lehrkräfte) in beruflichen Situationen auf einen Fortbildungsbedarf hinweisen. So können u. a. die Teilnahme an Fortbildungen oder die Nutzung entsprechender Medien bzw. Technologien als verhaltensbezogene Bedarfsindikatoren angesehen werden (Hoffmann & Richter, 2016). Auch wenn subjektive Aspekte den Bericht verhaltensbezogener Indikatoren beeinflussen (z. B. Zugänglichkeit der Erinnerung, Stimmung während der Befragung), ist das beobachtbare Verhalten in beruflichen Anforderungsszenarien ein Element der Kompetenz. Es ist jedoch zu diskutieren, ob eine niedrige oder hohe Fortbildungsquote (bezogen auf einen konkreten Lerngegenstand) einen Fortbildungsbedarf anzeigt. Eine niedrige Teilnahmequote könnte auf einen Bedarf (und auf Herausforderungen bei der Teilnahme an Fortbildungen) hinweisen, wenn Lehrkräfte Interesse an entsprechenden Fortbildungen oder Themen haben, aber aufgrund verschiedener Faktoren (z. B. geringes Fortbildungsangebot, hohe Arbeitsbelastung, Krankheit, Teilnahmehürden) nicht an Fortbildungen teilnehmen können. Ähnliches lässt sich für die Nutzung von KI-Anwendungen argumentieren, wenngleich die hinderlichen Faktoren hier andere sind (z. B. kein Zugang zu kostenfreien Anwendungen, Einarbeitungsaufwand, negative Einstellungen). Insofern sind bei der Beurteilung der Fortbildungsquote und Nutzungshäufigkeit weitere Aspekte zu berücksichtigen, um auf einen Bedarf zu schließen. Vor diesem Hintergrund untersucht der Beitrag folgende Forschungsfragen:

F3: Wie viele KI-Fortbildungen haben Lehrkräfte bisher besucht?

F4: In welchem Zusammenhang steht die Anzahl der besuchten KI-Fortbildungen mit dem Interesse an KI-Fortbildungen und KI-Themen?

F5: Wie häufig nutzen Lehrkräfte KI-Anwendungen und welche werden am häufigsten genutzt?

F6: In welchem Verhältnis steht die Häufigkeit der KI-Nutzung zur Einstellung gegenüber der KI-Nutzung?

2.2 Erfolgsfaktoren von Lehrkräftefortbildungen

Die angeführten Bedarfe von Lehrkräften gelten als erste Grundlage für die Entwicklung von Lehrkräftefortbildungen. Daneben werden auch wissenschaftlich fundierte Qualitätskriterien herangezogen, welche zur Wirksamkeit von Lehrkräftefortbildungen im Sinne der Weiterentwicklung professioneller Handlungskompetenzen beitragen. Die Wirksamkeit einer Lehrkräftefortbildung kann schließlich auch – vermittelt über die Kompetenzzuwächse auf Seiten der Lehrkräfte – das Lernen der SuS positiv beeinflussen (vgl. Lipowsky & Rzejak, 2019, 2023). Vor dem Hintergrund der zweiten Zielstellung des Beitrages (siehe Kap. 1) werden im Folgenden konkrete Qualitätskriterien für Lehrkräftefortbildungen erläutert, die sich der inhaltlichen oder der methodisch-didaktischen Gestaltungsdimension zuordnen lassen.

Hinsichtlich der inhaltlichen Gestaltung betonen Lipowsky und Rzejak (2023, S. 129–130), dass wirksame Fortbildungen für Lehrkräfte auf empirischen Befunden der Unterrichtsforschung basieren. Damit werden Merkmale der sogenannten Tiefenstruktur des Unterrichts angesprochen. Dazu zählen zum Beispiel die kognitive Aktivierung und die metakognitive Unterstützung der Lernenden, die inhaltliche Klarheit des Unterrichts sowie die Qualität des Feedbacks. Wenn Fortbildungen diese Merkmale in das Zentrum ihrer Arbeit rücken, sind auch positive Effekte auf das Lernen der SuS zu erwarten (Lipowsky & Rzejak, 2019, S. 24). Wirksame Fortbildungen zielen zudem auf die zentralen Anforderungen des Unterrichts ab, indem sie Kernpraktiken – wie Feedback geben, Sachverhalte erklären und Unterrichtsgespräche führen – mit fundiertem wissenschaftlichem Wissen verknüpfen und weiterentwickeln. Diese Fokussierung auf Kernpraktiken stärkt die unmittelbare Relevanz für das tägliche Handeln der Lehrkräfte und entspricht dem Bedürfnis nach praxisnahen Fortbildungsinhalten (Lipowsky & Rzejak, 2023, S. 130). Auch die inhaltliche Ausrichtung spielt eine wesentliche Rolle: Die Inhalte sollen einerseits fachlich in die Tiefe gehen und andererseits zur Auseinandersetzung mit den Lernprozessen der SuS anregen (Lipowsky & Rzejak, 2023, S. 131–132). Darüber hinaus ist der unterrichtspraktische Bezug ein weiterer Aspekt, da die Motivation zur Umsetzung der vermittelten Inhalte maßgeblich von der wahrgenommenen Nützlichkeit sowie der Umsetzbarkeit in der schulischen Praxis abhängt. Fach- und inhaltsspezifisch ausgerichtete Fortbildungen können eine hohe Wirksamkeit im Sinne eines Lernerfolges auf Seiten der SuS erzielen (Lipowsky & Rzejak, 2019, S. 23). Das Fortbildungspersonal steht vor der Aufgabe, den praktischen Wert der Inhalte anhand konkreter Beispiele zu verdeutlichen und die Umsetzbarkeit der Inhalte im Schulalltag zu gewährleisten (Lipowsky & Rzejak, 2023, S. 135–136). Die Einbindung wissenschaftlicher Expertise ist ein kritischer Erfolgsfaktor bei der Konzeption von Fortbildungen. Da das Fortbildungspersonal ohne Zusatzqualifikation häufig nicht über das notwendige vertiefte Wissen verfügt, ist der Rückgriff auf fundierte wissenschaftliche Erkenntnisse unerlässlich. Stark strukturierte Fortbildungen, die mit eher geringen Freiheitsgraden für die Lehrkräfte verbunden sind, aber auf gesicherten wissenschaftlichen Evidenzen basieren, haben auch auf das Lernen von SuS positive Effekte (Lipowsky & Rzejak, 2019, S. 25). Ein letzter, zentraler Aspekt bei der inhaltlichen Gestaltung von Fortbildungen ist die gezielte Förderung des Wirksamkeitserlebens. Lehrkräfte sollen in der Fortbildung erkennen, dass sich die Weiterentwicklung ihres Unterrichtshandelns positiv auf den Lernerfolg der SuS auswirkt (Lipowsky & Rzejak, 2023, S. 126). In Fortbildungen sollten daher Gelegenheiten geschaffen werden, in denen Lehrkräfte unmittelbar die positiven Effekte ihres veränderten Handelns erleben können.

Bei der methodisch-didaktischen Gestaltung von wirksamen Fortbildungen ist es wichtig, die Input-, Erprobungs- und Reflexionsphasen miteinander zu verknüpfen. Dabei wird den Lehrkräften die Möglichkeit gegeben, Fortbildungsinhalte im eigenen Unterricht zu erproben, anzuwenden und diese zu reflektieren (Lipowsky & Rzejak, 2023, S. 132–133). Wirksame Fortbildungskonzepte beinhalten Feedbackkomponenten, die primär das Lehrkräfteverhalten evaluieren. Hierbei wird überprüft, inwieweit das angestrebte Verhalten in der Praxis umgesetzt wird (Lipowsky & Rzejak, 2019, S. 28). Ein weiteres Kriterium der methodisch-didaktischen Gestaltung von Fortbildungen betrifft deren Strukturierung. Demnach sollte eine Fortbildung zielgerichtet und nachvollziehbar aufgebaut sein. Dies erleichtert es den Lehrkräften, ihre Aufmerksamkeit auf die Fortbildungsinhalte zu richten und sie effektiv zu verarbeiten (Sims et al., 2021, S. 20). Die Inhalte einer Fortbildung sollten klar strukturiert, abwechslungsreich gestaltet und möglichst realitätsnah auf die Praxis der Lehrkräfte bezogen sein (Sims et al., 2021, S. 6). Die zeitliche Planung sollte inhaltsädaquat gestaltet und mediengestützte Lernressourcen effektiv eingesetzt werden (Rzejak et al., 2024, S. 218). Lehrkräfte sind in Fortbildungen gezielt zu unterstützen. Hierzu könnten die Hilfestellungen flexibel an die individuellen Lernvoraussetzungen angepasst, die Teilnehmenden aktiv in die Reflexion ihres eigenen Lernens einbezogen und gemeinsame, herausfordernde Ziele vereinbart werden (Sims et al., 2021, S. 9). Auch die Dauer der Fortbildungen ist im Rahmen der methodisch-didaktischen Gestaltung ein wichtiger Faktor. Während sehr kurze Fortbildungsangebote häufig nicht ausreichend Gelegenheiten zur praktischen Anwendung der Inhalte bieten, können lang andauernde Formate für Lehrkräfte eine Teilnahmehürde darstellen. Virtuelle Formate bieten hier Vorteile, da Anfahrtswege entfallen und bei asynchronen Lernformaten eine flexible Nutzung möglich ist. Der Forschungsstand zum Zusammenhang zwischen der Fortbildungsdauer und -wirksamkeit zeigt ein uneinheitliches Bild und ist abhängig von den spezifischen Zielen, Rahmenbedingungen und Themen der Fortbildung (Lipowsky & Rzejak, 2019, S. 20–22). Auf Basis des Forschungsstandes zu den Qualitätsdimensionen von Lehrkräftefortbildungen sowie den zu ermittelnden KI-Bedarfen von Lehrkräften, soll F7 beantwortet werden:

F7: Wie muss eine KI-Fortbildung gestaltet sein, um den Qualitätsansprüchen gerecht zu werden?

3 Untersuchungsdesign, Instrumente und Stichprobe der Befragung

Zur Erhebung der KI-Bedarfe wurde eine quantitative Studie anhand eines Online-Fragebogens durchgeführt. Zunächst wurden soziodemografische und berufliche Fragen beantwortet. Anschließend folgten Fragen zur Ist-Soll-Einschätzung eigener KI-Kompetenzen, zur bisherigen Teilnahme und zum Interesse an KI-Fortbildungen, zum Interesse an KI-Themen, zur Nutzung von KI-Anwendungen und zur Einstellung gegenüber der Nutzung von KI im beruflichen Kontext.

Ist-Soll-Einschätzung eigener KI-Kompetenzen (F1). Auf Basis der von Ng et al. (2021a) adaptierten Taxonomie kognitiver, KI-bezogener Fähigkeiten wurde ein Instrument entwickelt, mit dem Lehrkräfte Auskunft über ihr aktuelles und erwünschtes KI-Kompetenzniveau geben. Für jede der sechs Taxonomiestufen gaben die Lehrkräfte zwei Einschätzungen (Ist- und Soll-Stand) auf einer Skala von 0 („keine KI-Kompetenz auf der jeweiligen Taxonomiestufe“) bis 10 („extrem stark ausgeprägte KI-Kompetenz auf der jeweiligen Taxonomiestufe“) ab. Zu jeder Stufe wurden beispielhafte Erläuterungen gegeben (Tabelle 3).

Tabelle 3: Beispielhafte Erläuterungen der KI-Kompetenzstufen

Taxonomiestufe	Erläuterung
wissen	KI-Wissen besitzen und wiedergeben können
verstehen	KI-Wissen (in eigenen Worten) erläutern und die Bedeutung von KI rekonstruieren können
anwenden	KI-Wissen im Lehrberuf umsetzen können
analysieren	Bestandteile und Merkmale von KI sowie Zusammenhänge dieser identifizieren und unterscheiden können
evaluieren	KI beurteilen und für Beurteilung adäquate Kriterien festlegen können
kreieren	KI entwickeln oder trainieren können

Um eine allgemeine Einschätzung des KI-Kompetenzbedarfs der Lehrkräfte zu erhalten, gaben die Lehrkräfte an, wie gut sie sich „generell auf ein Arbeiten mit KI in ihrem Beruf vorbereitet fühlen“ (1 = „sehr schlecht“ bis 5 = „sehr gut“).

Interesse an KI-Themen (F2). Die Lehrkräfte wurden nach ihrem Interesse gefragt, mehr über konkrete KI-Themen wissen bzw. entsprechende Fertigkeiten erwerben zu wollen. Die Themen wurden auf Basis der Kompetenzbereiche des AI CFT formuliert und beziehen sich auf vier Bereiche (siehe Tabelle 5). Der Bereich „KI für die berufliche Entwicklung“ ist nur mit einem Item vertreten, da hier der Schul- bzw. Unterrichtsbezug nicht gegeben ist. Das Interesse an den einzelnen Themen gaben die Lehrkräfte auf einer Skala von 0 („überhaupt kein Interesse/Bedarf“) bis 4 („sehr großes Interesse/Bedarf“) an.

Verhaltensbezogene Fortbildungsbedarfe (F3–F6). Die Lehrkräfte gaben an, wie viele KI-bezogene Fortbildungen sie in den letzten zwei Jahren besucht haben (0, 1, 2, 3, > 3; der letzten Kategorie wurde der Wert 4 zugeordnet) und ob sie sich „mehr Fortbildungen zum Thema ‚KI im Lehrberuf‘ wünschen“ (ja, nein). Die aktuelle Nutzung von KI-Anwendungen im beruflichen Kontext wurde durch Fragen zur Nutzungshäufigkeit erfasst. Die Lehrkräfte gaben an, wie häufig sie KI-Chatbots, KI-Schreibassistenten, KI-Präsentationstools und KI-Bildgeneratoren nutzen. Zu jeder Frage wurden mehrere Beispiele von konkreten KI-Anwendungen genannt (z. B. ChatGPT, DeepL, Plus AI, DALL-E). Die Antwortmöglichkeiten waren: 1 („nie“), 2 („seltener als einmal pro Monat“), 3 („einmal pro Monat“), 4 („einmal pro Woche“), 5 („einmal täglich“) und 6 („mehrmals täglich“). Zusätzlich wurde nach der Nutzung konkreter KI-Anwendungen im Beruf gefragt (ja, nein). Es wurden Anwendungen ausgewählt, die entweder einen hohen Bekanntheitsgrad haben (ChatGPT), speziell auf den Lehrberuf abzielen (teachino, SchulKI, to teach) oder Funktionalitäten aufweisen, die im Lehrberuf nützlich sind (Murf.ai: z. B. Educasts und Lernvideos erstellen; perplexity: Chatbot mit Quellenangaben; SlidesGPT: Präsentationen erstellen). Abschließend beantworteten die Lehrkräfte eine Frage zu ihrer Einstellung gegenüber der Nutzung von KI-Anwendungen im Beruf („Ich halte es für sinnvoll, bei meinen beruflichen Angelegenheiten KI zu nutzen“; 1 = „stimme gar nicht zu“ bis 5 = „stimme voll und ganz zu“).

An der Befragung nahmen 93 Lehrkräfte aus Sachsen, Thüringen und Hessen teil (64,5 % weiblich, Alter: M = 42,22 Jahre, SD = 9,23, Min = 27, Max = 63). Die Lehrkräfte aus Sachsen (n = 44) und Hessen (n = 40) nahmen im Rahmen von Workshops zu „KI-Tools zur Unterrichtsunterstützung“ und „KI-Kompetenzen für Lehrkräfte“ teil. Die Lehrkräfte aus Thüringen (n = 9) nahmen unabhängig von einem Workshop an der Befragung teil. Die Lehrkräfte arbeiten an allgemeinbildenden Gymnasien (29 %), Oberschulen/Realschulen (46,2 %), berufsbildenden Schulen (10,8 %), Gesamtschulen (7,5 %), sonderpädagogischen Einrichtungen bzw. Förderschulen (3,2 %), Grundschulen (2,2 %) oder Gemeinschaftsschulen (1,1 %). Die durchschnittliche Beschäftigungsdauer als Lehrkraft beträgt 12,16 Jahre (SD = 8,95).

4 Ergebnisse der Bedarfsanalyse

4.1 Ist-Soll-Einschätzung eigener KI-Kompetenzen (F1)

Tabelle 4 zeigt die Ergebnisse der Ist-Soll-Einschätzung.

Tabelle 4: Ist-Soll-Vergleich der KI-Kompetenzen von Lehrkräften entlang der Taxonomiestufen

Taxonomiestufe	Ist		Soll
	M	SD	M	SD	MtD	d
wissen	3,02	1,84	7,07	2,39	–4,21***	–2,16***
verstehen	2,78	2,02	6,70	2,45	–4,02***	–1,60***
anwenden	3,02	2,17	7,35	2,57	–4,55***	–1,63***
analysieren	2,05	2,04	6,00	2,45	–4,10***	–1,69***
evaluieren	2,45	2,20	6,42	2,45	–4,28***	–1,77***
kreieren	1,43	2,15	4,63	2,92	–3,21***	–0,98***

Anmerkung. n = 84–85; Skala: 0 („keine KI-Kompetenz“) bis 10 („extrem stark ausgeprägte KI-Kompetenz“). M_tD = 20 %-getrimmter Differenzwert, Analyse: robuste ANOVA mit Messwiederholung (Ist-Soll) und Mehrfachvergleichen (Kontraste), Signifikanz berechnet anhand Perzentil-Bootstrap-Methode, Signifikanz ist stets niedriger als family-wise error rate, ermittelt nach der Hochberg-Methode; d = Effektstärke, robuste, standardisierte Differenz nach Algina et al., 2005, ähnlich zu Cohen’s d (vgl. Wilcox, 2022, S. 248–249, 398–399, 497–499).

^***p < ,001.

Die Selbsteinschätzung des aktuellen Kompetenzniveaus der Lehrkräfte variiert über die sechs Taxonomiestufen. Die Bereiche „KI wissen“ und „KI anwenden“ weisen die höchsten Werte (M = 3,02) und der Bereich „KI kreieren“ den niedrigsten Wert (M = 1,43) auf. Alle Mittelwerte liegen im unteren Drittel der Skala. Die Sollwerte der Lehrkräfte zeigen ebenfalls Unterschiede: Im Bereich „KI wissen“ wurde der stärkste Kompetenzwunsch geäußert (M = 7,07), während im Bereich „KI kreieren“ der niedrigste Sollwert vorliegt (M = 4,63). Die Ist-Soll-Differenzen wurden einer robusten Varianzanalyse mit Messwiederholung und Mehrfachvergleichen unterzogen (Wilcox, 2022, S. 497–499). Alle Sollwerte sind größer als die zugehörigen Istwerte (ps_d < ,001). Der größte Unterschied findet sich im Bereich „KI wissen“ (d = –2,16). Der geringste Unterschied besteht im Bereich „KI kreieren“ (d = –0,98). Die Bewertung der allgemeinen KI-Kompetenzen fällt im Mittel „schlecht“ aus (M = 2,31, SD = 0,91). Nur 8,7 % der Lehrkräfte fühlen sich „gut“ bis „sehr gut“ auf ein Arbeiten mit KI vorbereitet.

4.2 Interesse an KI-Themen (F2)

Die Ergebnisse der einzelnen Themenbereiche, in denen sich die Lehrkräfte mehr KI-Wissen oder KI-Fertigkeiten wünschen, sind in Tabelle 5 dargestellt.

Tabelle 5: Interesse der Lehrkräfte an KI-Themen (geordnet nach abnehmendem Mittelwert)

Nr.	KI-Themen	AI CFT Kompetenzbereich	M	SD
8	1KI-Anwendungen in meinem Fach	KI-Pädagogik	3,57	0,73
9	1KI-Anwendungen für die Unterrichtsvorbereitung	KI-Pädagogik	3,49	0,77
13	1Chatbots (z. B. ChatGPT, Gemini etc.) und ihre Anwendungsmöglichkeiten im Lehrberuf	KI-Grundlagen und KI-Anwendungen	3,38	0,76
12	1Pädagogische Strategien für die Nutzung von KI im Unterricht	KI-Pädagogik	3,31	0,71
16	Prüfen in Zeiten von KI	KI-Grundlagen und KI-Anwendungen	3,22	0,98
10	1KI-Anwendungen für die Unterrichtsnachbereitung	KI-Pädagogik	3,21	0,85
11	1Pädagogische Vorteile von KI	KI-Pädagogik	3,20	0,78
3	2Chancen und Risiken von KI im Bildungskontext	Menschenzentrierte Haltung	3,16	0,96
2	KI-Kompetenzen von Lehrkräften	KI für die berufliche Entwicklung	3,04	1,02
17	Rechtliche Hinweise zum Einsatz von KI im Unterricht	KI-Ethik	2,95	1,09
4	2Richtlinien bzgl. Sicherheit und Privatsphäre bei KI-Nutzung	KI-Ethik	2,94	1,14
5	2Gesellschaftliche Auswirkungen von KI	Menschenzentrierte Haltung	2,91	1,03
15	Adaptive Lernumgebungen bzw. intelligente tutorielle Systeme und ihre Anwendungsmöglichkeiten im Lehrberuf	KI-Grundlagen und KI-Anwendungen	2,80	1,02
6	2Ethische Prinzipien in Zusammenhang mit KI	KI-Ethik	2,76	1,07
7	2Ethische Implikationen kritisch bewerten und anwenden	KI-Ethik	2,65	0,99
1	Funktionsweise von KI	KI-Grundlagen und KI-Anwendungen	2,53	1,12
14	Roboter und ihre Anwendungsmöglichkeiten im Lehrberuf	KI-Grundlagen und KI-Anwendungen	2,29	1,14

Anmerkung. Ns = 74–86. Skala: 0 („überhaupt kein Interesse/Bedarf“) bis 4 („sehr großes Interesse/Bedarf“). ¹Items des Faktors ‚unterrichtsbezogener Einsatz von KI‘. ²Items des Faktors ‚ethische Aspekte von KI‘.

Die Items wurden einer explorativen Faktorenanalyse mittels ungewichteter kleinster Quadrate unterzogen. Diese Extraktionsmethode eignet sich für kleine Stichproben und eine geringe Anzahl zu erwartender Faktoren (Jung, 2013). Eine Parallelanalyse wies auf zwei Faktoren hin. Anschließend wurden die Faktoren mit der Oblimin-Methode rotiert und die Items anhand des Marker Index (Gallucci & Perugini, 2007) ausgewählt. Dieses Verfahren führte zu einer Lösung, bei der fünf Items auf dem ersten (Item-Nr. 3, 4, 5, 6, 7) und sechs Items auf dem zweiten Faktor luden (Item-Nr. 8, 9, 10, 11, 12, 13; Varianzaufklärung: Faktor 1 = 33,90 %, Faktor 2 = 16,70 %, ₁ = ,85, ₂ = ,87; r₁₂ = ,38, p < ,001). Die Items des ersten Faktors beziehen sich inhaltlich auf ‚ethische Aspekte von KI‘, während die Items des zweiten Faktors den ‚unterrichtsbezogenen Einsatz von KI‘ betreffen. Die Lehrkräfte zeigten ein größeres Interesse an dem ‚unterrichtsbezogenen KI-Einsatz‘ (20 %-getrimmter Mittelwert M_t = 3,40) als am Bereich ‚ethische Aspekte von KI‘ (M_t = 2,98, p < ,001). Vergleichsweise hoch war das Interesse an KI-Anwendungen im eigenen Fach (M = 3,57) und für die Unterrichtsvorbereitung (M = 3,49). Ein geringerer Fortbildungsbedarf wird hingegen in Bezug auf Roboter (M = 2,29), der Funktionsweise von KI (M = 2,53) sowie der Kompetenz, ethische Implikationen kritisch bewerten und anwenden zu können (M = 2,65), gesehen. Insgesamt zeigt sich über alle Themen ein hohes Interesse an KI (M = 3,02, SD = 0,35).

4.3 Verhaltensbezogene Fortbildungsbedarfe

Teilnahme an KI-Fortbildungen (F3, F4). Die Lehrkräfte gaben an, dass sie in den letzten zwei Jahren im Mittel an 1,03 KI-Fortbildungen teilgenommen haben (SD = 1,25). 45,2 % der Lehrkräfte nahmen an keiner KI-Fortbildung teil, 29 % an einer KI-Fortbildung, 10,8 % an zwei KI-Fortbildungen und je 7,5 % an drei bzw. an mehr als drei KI-Fortbildungen.

Um den Bedarf an KI-Fortbildungen zu untersuchen, wurde die Fortbildungsteilnahme mit dem Interesse an KI-Fortbildungen und KI-Themen in Beziehung gesetzt (F4). Die allermeisten Lehrkräfte (88,2 %) gaben an, dass sie sich mehr Fortbildungen zu „KI im Lehrberuf“ wünschen. Die 11 Lehrkräfte, die keinen Fortbildungsbedarf äußerten, absolvierten in den letzten zwei Jahren keine (n = 7), eine (n = 3) bzw. zwei (n = 1) KI-Fortbildungen. Lehrkräfte mit vs. ohne KI-Fortbildungswunsch unterschieden sich nicht in der Fortbildungshäufigkeit (Differenz der 20 %-getrimmten Mittelwerte = –0,47, p = ,112). Die Fortbildungsteilnahme korrelierte nicht mit den Faktoren des Interesses an KI-Themen (ethische Aspekte von KI, unterrichtsbezogener Einsatz von KI; rs ≤ |,14|, ps ≥ ,264). Auch die einzelnen Interessen-Items korrelierten – bei Beachtung des Fehlers 1. Art für multiples Testen – nicht mit der Fortbildungsteilnahme (rs < |,20|, ps ≥ ,038). Zusammenfassend ist das insgesamt hohe Interesse an KI-Fortbildungen unabhängig von der Anzahl bisher besuchter KI-Fortbildungen.

KI-Nutzung (F5, F6). Die Lehrkräfte gaben im Median an, KI-Anwendungen „einmal im Monat“ (Chatbots, M = 2,10, SD = 1,50) oder „nie“ (Schreibassistenten, Präsentationstools, Bildgeneratoren, Ms ≤ 0,95, SDs ≤ 1,35) zu nutzen. 74,2 % der Lehrkräfte verwendeten bisher keine KI-Präsentationsanwendungen. KI-Bildgeneratoren, Schreibassistenten und Chatbots nutzten weniger Lehrkräfte „nie“ (57,0 %, 55,9 % bzw. 17,2 %). Auf die Frage, welche konkreten KI-Anwendungen im Beruf genutzt werden, gaben 72,6 % der Lehrkräfte an, ChatGPT zu verwenden. Wenige Lehrkräfte nutzten auch to teach (9,6 %), perplexity (5,4 %), SchulKI (2,2 %) oder SlidesGPT (1,1 %). Teachino und Murf.ai wurden von keiner Lehrkraft genutzt. Um den Fortbildungsbedarf zu ermitteln (F6), wurde die KI-Nutzung mit der Einstellung zur KI-Nutzung in Beziehung gesetzt. Insgesamt zeigten die Lehrkräfte eine positive Einstellung (M = 3,96, SD = 0,85). Die Nutzung von Chatbots und KI-Bildgeneratoren korrelierte positiv mit der Einstellung zur KI-Nutzung (r = ,58 und ,35, ps < ,001), während die Nutzung anderer KI-Arten nicht mit der Einstellung korrelierte (rs ≤ –,02, ps ≥ ,855). Der Zusammenhang zwischen der Nutzung konkreter KI-Anwendungen und der Einstellung zur KI-Nutzung wurde anhand von Unterschiedstests geprüft, da die KI-Nutzung dichotom skaliert ist. Allerdings wurde der Test nur für die Nutzung von ChatGPT durchgeführt, da die Nutzergruppen der anderen KI-Anwendungen sehr klein waren (ns < 9). Lehrkräfte, die ChatGPT nutzen, wiesen eine positivere Einstellung zur KI-Nutzung auf (20 %‑getrimmter M_t = 4,32) als jene, die ChatGPT nicht nutzen (M_t = 3,53, p = ,001). Um neben der ChatGPT-Nutzung ein weiteres Maß der KI-Nutzung zu erhalten, wurde die Nutzung von to teach, perplexity, SchulKI und SlidesGPT summiert. 68 Lehrkräfte nutzten keine der vier KI-Anwendungen, 14 Lehrkräfte nutzten eine Anwendung und eine Lehrkraft nutzte zwei Anwendungen. Für den Unterschiedstest wurde die Lehrkraft mit zwei Anwendungen zur Gruppe mit einer Anwendung zugeordnet. Die Gruppen ohne vs. mit Nutzung einer KI-Anwendung unterschieden sich nicht in ihrer Einstellung zur KI-Nutzung (Differenz M_t1–2 = –0,09, p = ,833).

5 Diskussion

5.1 Implikationen für KI-Fortbildungen

Die Befragung zeigt, dass die Lehrkräfte in ihren KI-Kompetenzen gefördert werden sollten. Neben den geringen Ist-Kompetenzen und den Ist-Soll-Differenzen wird dies durch den Befund deutlich, dass sich die Lehrkräfte „schlecht“ auf ein Arbeiten mit KI vorbereitet fühlen (F1). Den größten Bedarf sehen die Lehrkräfte bei der Anwendung von KI. Alle kognitiven Kompetenzbereiche – mit Ausnahme von „KI kreieren“ – sind den Lehrkräften wichtig, wobei sich hier auch die größten Ist-Soll-Diskrepanzen zeigen. KI-Fortbildungen sollten sich daher insbesondere auf diese Bereiche konzentrieren.

Auch aus motivationaler Sicht besteht bei den Lehrkräften ein Bedarf, da sie ein großes Interesse an KI-Themen (F2) und KI-Fortbildungen zeigen. In KI-Fortbildungen möchten sich die Lehrkräfte mit dem unterrichtsbezogenen Einsatz von KI, Prüfen und KI-Kompetenzen auseinandersetzen. Ethische Aspekte von KI, aber auch die Funktionsweise von KI, Roboter, adaptive Lernumgebungen und intelligente tutorielle Systeme sollen hingegen in geringerem Umfang behandelt werden. Ein Grund für das geringere Interesse an den zwei zuletzt genannten Themen könnte sein, dass solche Systeme in Deutschland (noch) nicht flächendeckend eingesetzt werden (KMK, 2024, S. 4). Es ist zu erwarten, dass die Aussicht auf die Einführung solcher Systeme den Bedarf entsprechend steigern wird. Auch das Interesse an der Funktionsweise von KI ist vergleichsweise gering. Allerdings ist anzumerken, dass sich die Lehrkräfte zugleich mehr ‚KI wissen‘ und ‚KI verstehen‘ wünschen (siehe Soll-KI-Kompetenzen). Auch im Sinne des AI CFT sollten Fortbildungen dazu dienen, den Lehrkräften KI-Grundlagenwissen zu vermitteln, um darauf aufbauend weitere KI-Kompetenzen zu erwerben.

Ein weiterer Hinweis auf einen Fortbildungsbedarf zeigt sich in der Diskrepanz zwischen dem hohen Interesse an KI-Themen und KI-Fortbildungen im Vergleich zur eher geringen Teilnahme an KI-Fortbildungen (F4). Im Mittel besuchten die Lehrkräfte eine KI-Fortbildung, obgleich 45 % angaben, bisher keine KI-Fortbildung besucht zu haben. Demgegenüber äußerten die Lehrkräfte ein hohes Interesse an KI-Themen und nahezu alle Lehrkräfte wünschten sich mehr KI-Fortbildungen. Die geringe Teilnahmequote kann verschiedene Ursachen haben. Einerseits sind KI-Anwendungen erst seit ca. drei Jahren allgemein verfügbar, sodass das Fortbildungsangebot die Nachfrage möglicherweise nicht deckt. Daschner (2023, S. 16) weist in diesem Zusammenhang darauf hin, dass es in Deutschland kaum belastbare Daten zum Fortbildungsangebot für Lehrkräfte und dessen Nutzung gibt. Andererseits könnten auch der Nutzen von KI für die Aufgabenbewältigung im Lehrberuf noch unbekannt sein und die Qualität von KI-Fortbildungen als gering wahrgenommen werden (Lipowsky & Rzejak, 2023, S. 127; Richter et al., 2018, S. 1035–1037). Vor diesem Hintergrund könnte die Verfügbarkeit von Fortbildungen verbessert werden, indem diese als Online-Selbstlernkurse konzipiert werden. Zudem sollte die Relevanz des Fortbildungsthemas nicht erst in der Fortbildung, sondern bereits bei der Bewerbung deutlich gemacht werden. Dies würde den zu erwartenden Nutzen von Anfang an verdeutlichen und damit die Wahrscheinlichkeit der Fortbildungsteilnahme erhöhen (Richter et al., 2018, S. 1026; Rzejak et al., 2014, S. 148-149).

Die geringe KI-Nutzung (F5), die sich insgesamt auf ChatGPT konzentriert, weist auf einen hohen Fortbildungsbedarf hin. Zumal – mit Ausnahme der Nutzung von Chatbots und ChatGPT – eine Diskrepanz zwischen der KI-Nutzung und der positiven Einstellung zur KI-Nutzung (F6) besteht. Dies könnte darauf hindeuten, dass den befragten Lehrkräften die Vielzahl an KI-Anwendungen, die im Bildungsbereich eingesetzt werden können, kaum bekannt ist. Dementsprechend sollten Fortbildungen den Lehrkräften die Einsatzmöglichkeiten von KI in der Bildung und verschiedene KI-Anwendungen näherbringen, zumal thematisch das Interesse am unterrichtsbezogenen Einsatz von KI am größten ist. Das Kennenlernen des Funktionsumfangs und weiterer KI-Anwendungen ermöglicht den Lehrkräften einen breiteren Zugang zu KI und zeigt ihnen auf, in welcher Form KI sie im Lehrberuf unterstützen kann.

5.2 Limitationen und Ausblick auf den KIWi-MOOC

Die Ergebnisse dieses Beitrages sind unter Einschränkungen zu betrachten. Die meisten Lehrkräfte (90,3 %) nahmen an der Befragung im Rahmen eines KI-Workshops teil. Insofern handelt es sich größtenteils um eine selbstselektierte Gruppe. Die Befragungsergebnisse sind aber gerade deshalb für das Fortbildungspersonal relevant. Von der Einschränkung ausgenommen sind die angegebenen Soll-Kompetenzen, da es sich hierbei um einen Standard handelt, der weniger davon abhängig sein dürfte, ob eine Lehrkraft an einer Fortbildung teilnimmt oder nicht. Die Ist-Soll-Einschätzungen der KI-Kompetenzen basieren auf Selbstberichten, die zudem mit jeweils nur einem Item erhoben wurden. Um die Validität der Ist-Einschätzungen zu überprüfen, sind die Zusammenhänge mit KI-Kompetenzen zu untersuchen, die mit standardisierten Selbstberichtsskalen (z. B. Carolus et al., 2023), aber auch mit Single-Choice-Tests erhoben werden (z. B. Hornberger et al., 2023). Selbsteinschätzungen persönlicher Merkmale hängen von der sozialen Erwünschtheit der Merkmale ab. Die Ergebnisse müssen auch vor dem Hintergrund der geringen Stichprobengröße beurteilt werden. Um dem zu begegnen, wurden robuste, statistische Verfahren eingesetzt, die auch bei solchen Stichprobengrößen hinsichtlich der statistischen Fehlerwahrscheinlichkeiten günstiger abschneiden als parametrische Tests (Wilcox, 2022). Dennoch sollten größere Stichproben, insbesondere außerhalb von Lehrkräftefortbildungen, herangezogen werden, um die externe Validität der Ergebnisse zu erhöhen.

Die Bedarfserhebung und die Untersuchung der Wirksamkeit von Lehrkräftefortbildungen wurden im Rahmen des Projektes KIWi-MOOC (Ein Massive Open Online Course zur Förderung und Erfassung von KI-Kompetenzen von [angehenden] Lehrkräften in der Domäne Wirtschaft) durchgeführt. Das Projekt ist Teil des Projektverbunds WÖRLD (Wirtschaftspädagogik und Ökonomische Bildung: Lehrkräftebildung und Unterricht digital; Leitung: Prof. Dr. Jens Klusmeyer, Universität Kassel) im Kompetenzverbund lernen:digital (2025, S. 8). Die Erkenntnisse aus der vorliegenden Untersuchung wurden genutzt, um eine KI-Fortbildung zur Förderung der KI-Kompetenzen von Wirtschaftslehrkräften (KIWi-MOOC) zu entwickeln (F7). Der Kurs wurde als Online-Selbstlernkurs im Format eines Massive Open Online Course (MOOC) konzipiert und in Moodle erstellt. Er befähigt Lehrkräfte KI sowohl als Unterrichtsgegenstand als auch als Werkzeug zur Gestaltung von Lehr- und Lernprozessen einzusetzen. Den Lehrkräften stehen sieben Module zur Verfügung, die je nach Interesse und Bedarf absolviert werden können. Jedem Modul sind Lernziele vorangestellt, die auf Basis der AI-CFT-Kompetenzen entwickelt wurden. Modul 1 führt in die Grundlagen von KI und dessen Potenziale in der Bildung ein. Modul 2 behandelt KI in der Wirtschaft. Modul 3 stellt eine Vielzahl an KI-Anwendungen und KI-Systemen für die Gestaltung von Lernprozessen vor. Chatbots und soziale Roboter sind das Thema von Modul 4. In Modul 5 setzen sich Lehrkräfte mit adaptiven Lernumgebungen und intelligenten tutoriellen Systemen auseinander. Ethisch-moralische Fragen und Implikationen in Zusammenhang mit KI in der Bildung werden in Modul 6 behandelt. Den Abschluss bildet Modul 7, in dem es um den Transfer des Gelernten in die Praxis geht. Auch wenn die Bedarfserhebung gezeigt hat, dass Roboter, adaptive Lernumgebungen und intelligente tutorielle Systeme nicht die höchste Priorität haben, entschieden wir uns bewusst für ihre Thematisierung, um (angehenden) Lehrkräften einen Ausblick zu geben, wie die Zukunft der Bildung mit KI aussehen könnte.

Der KIWi-MOOC adressiert KI-Kompetenzen entlang der Entwicklungsstufen ‚Erwerben‘ und ‚Vertiefen‘ des AI CFT. Der Bereich ‚KI für die berufliche Entwicklung‘ hat keinen Unterrichtsbezug und wird daher nicht thematisiert. Die Entwicklung des KIWi-MOOCs erfolgte nach dem Design-Based-Research-Ansatz in Zusammenarbeit mit Lehrkräftefortbildungspersonal und Lehramtsstudierenden, die den Kurs evaluierten (eine umfassende Darstellung der Kursentwicklung findet sich in Meß et al., 2025). Der MOOC nutzt verschiedene mediendidaktische Elemente: Texte, die auf Basis wissenschaftlicher Literatur erstellt wurden, vermitteln zentrale Inhalte. Grafiken, Videos und weitere Online-Ressourcen visualisieren die Inhalte. Aufgaben mit unterschiedlichen Anforderungsniveaus unterstützen die kognitive Aktivierung der Lehrkräfte, den Kompetenzerwerb sowie den Transfer in die Praxis.

Der Kurs richtet sich vornehmlich an (angehende) Wirtschaftslehrkräfte. Dies zeigt sich zum einen darin, dass im Modul 2 explizit KI-bezogene Themen in der Wirtschaft vermittelt werden, zum anderen sind wirtschaftsbezogene Themen Gegenstand verschiedener Anwendungsaufgaben in anderen Modulen. Der Kurs ist aber auch für Lehrkräfte anderer Fachdidaktiken geeignet, da er grundlegende KI-Kenntnisse und Anwendungsmöglichkeiten vermittelt.

Förderhinweis

Das Projekt „Ein Massive Open Online Course zur Förderung und Erfassung von KI-Kompetenzen in der Domäne Wirtschaft (KIWi-MOOC)“ durchgeführt. wurde finanziert durch die Europäische Union – NextGenerationEU und gefördert durch das Bundesministerium für Bildung, Familie, Senioren, Frauen und Jugend (BMBFSFJ). Die geäußerten Ansichten und Meinungen sind ausschließlich die des Autors/der Autorin und spiegeln nicht unbedingt die Ansichten der Europäischen Union, Europäischen Kommission oder des Bundesministeriums für Bildung, Familie, Senioren, Frauen und Jugend wider. Weder Europäische Union, Europäische Kommission noch Bundesministerium für Bildung, Familie, Senioren, Frauen und Jugend können für sie verantwortlich gemacht werden. Förderkennzeichen: Pädagogische Hochschule Schwäbisch Gmünd: 01JA23S02F, Universität Leipzig: 01JA23S02G.

^[1] Im Beitrag wird bewusst von grundlegenden Kompetenzen in Bezug auf KI gesprochen. Damit wird eine Abgrenzung zu einem tiefergehenden Verständnis, wie bspw. in der Domäne der (Wirtschafts-)Informatik, vorgenommen.

^[2] Es ist ausdrücklich erwünscht, dass dieser Artikel zum Transfer des Kurses in die Praxis beiträgt. Für Informationen zum Kurs siehe https://www.wifa.uni-leipzig.de/ifw/forschung/kiwi-mooc

^[3] Ng et al. (2021b) beschreiben in einem Konferenzbeitrag ein sehr ähnliches Modell. Die Komponente ‚KI wissen und verstehen‘ schließt jedoch auch das Wissen ein, wie KI unter Beachtung ethischer Aspekte im Alltag eingesetzt werden kann. Die Komponenten der AI literacy im Modell von Ng et al. (2021a) überlappen sich hingegen weniger. Daher wird dieses Modell im Beitrag verwendet.