06. Juli 2026: Viele KI-Anfragen zur Unterrichtsvorbereitung beginnen mit einem naheliegenden Auftrag: „Erstelle ein Arbeitsblatt zu linearem Wachstum.“ Oder: „Plane eine Stunde zur Weimarer Republik.“
Das ist verständlich. Häufig führen solche Anfragen aber zu Ergebnissen, die allgemein klingen, ordentlich aussehen und trotzdem nicht recht zur eigenen Unterrichtssituation passen. Das System weiß zu wenig darüber, wofür der Entwurf gebraucht wird.
Im ersten Beitrag ging es deshalb um die Zeitfrage: Eine schnelle Ausgabe ist noch keine tragfähige Unterrichtsvorbereitung. Hier schließt die nächste Frage an. Wenn KI sinnvoll unterstützen soll, braucht sie Kontext. Nicht als technische Zusatzinformation, sondern als Teil fachlicher und didaktischer Klärung.
Nicht der Prompt ist der Anfang
Bei KI ist schnell von Prompting die Rede. Das ist nicht falsch, aber es verschiebt die Aufmerksamkeit auf die Formulierung selbst. Dann entsteht der Eindruck, als liege der Unterschied zwischen einem schwachen und einem brauchbaren Ergebnis vor allem in einem geschickten Satz.
Für Unterrichtsvorbereitung ist meistens etwas anderes entscheidend. Ein KI-System kann nur mit dem arbeiten, was es über Ziel, Lerngruppe, Vorwissen, Material und Unterrichtsfunktion erfährt. Wenn diese Informationen fehlen, ergänzt es sie selbst.
Ein Auftrag wie „Mach mir ein Arbeitsblatt zu linearem Wachstum“ enthält ein Thema. Mehr aber kaum. Unklar bleibt, welche Klasse gemeint ist, ob das Thema eingeführt, geübt oder überprüft werden soll, welche Begriffe schon bekannt sind und welche Denkhandlung im Mittelpunkt steht.
Anders wirkt ein Auftrag, der die Unterrichtssituation mitdenkt: Eine Klasse soll lineares und exponentielles Wachstum nicht nur berechnen, sondern begrifflich unterscheiden. Einige Lernende verwechseln konstante Zunahme mit prozentualem Wachstum. Am Ende soll eine kurze Begründung sichtbar werden.
Der zweite Auftrag ist nicht deshalb hilfreicher, weil er länger ist. Er enthält mehr Unterricht. Genau darum geht es beim Context-Crafting.
Was Kontext leistet
Context-Crafting meint nicht, möglichst viele Informationen in ein System zu kopieren. Es geht darum, die Informationen auszuwählen, die für die Qualität des Ergebnisses einen Unterschied machen.
Für Unterrichtsvorbereitung sind das grundlegende Dinge: Was sollen Lernende am Ende verstehen, unterscheiden oder sicherer anwenden können? Was weiß die Lerngruppe bereits? Welche Schwierigkeiten sind wahrscheinlich? Soll der Vorschlag ein Einstieg sein, eine Übung, eine Sicherung, eine Diagnose oder ein Transferimpuls?
Diese Fragen sind keine KI-Spezialfragen. Sie gehören zur normalen Unterrichtsvorbereitung. Neu ist nur, dass sie expliziter werden. Ein KI-System produziert je nach Werkzeug auch dann eine Antwort, wenn solche Informationen fehlen.
Wie komfortabel Kontext bereitgestellt wird, hängt vom Werkzeug ab. Manche Umgebungen erlauben Dateien, Projektbereiche oder wiederkehrende Materialien. In einem einfachen Chat entsteht dadurch häufiger Copy-and-Paste-Arbeit. Lange Texte oder mehrere Anhänge helfen nur, wenn Modell und Kontextfenster dafür ausgelegt sind.
Ziel, Lerngruppe, Aufgabe
Nicht jede Anfrage braucht denselben Kontext. Für eine neue Lernaufgabe, eine Differenzierung oder eine Diagnose ist mehr Klärung sinnvoll.
Ein erstes Kontextfeld ist das Ziel. Ein Thema allein ist selten ausreichend. „Brüche“, „Weimarer Republik“ oder „Photosynthese“ sagt wenig darüber, was Lernende daran tun sollen. Sollen sie einen Zusammenhang erklären, ein Verfahren üben, eine Quelle auswerten oder ein Urteil begründen? Je genauer diese Lernhandlung benannt ist, desto besser kann ein System passende Vorschläge machen.
Ein zweites Feld ist die Lerngruppe. Ein Material für eine Klasse, die den Grundbegriff sicher verwendet, kann anders aussehen als ein Material für eine Klasse, in der zentrale Begriffe noch unsicher sind. Auch sprachliche Voraussetzungen, Routinen oder bekannte Fehlvorstellungen verändern, was als Vorschlag brauchbar ist.
Ein drittes Feld ist die Aufgabe selbst. Gute Aufgaben sind nicht nur Beschäftigung. Sie fordern eine fachliche Auseinandersetzung heraus. Wenn die gewünschte Denkhandlung unklar bleibt, entstehen leicht Aufgaben, die formal zum Thema passen, aber wenig über das Lernen aussagen. KI kann hier helfen, Varianten zu entwickeln. Die Richtung braucht aber eine Setzung.
Besonders deutlich wird die Bedeutung von Kontext bei Differenzierung. Viele Systeme können schnell leichtere und schwierigere Varianten erzeugen. Das klingt hilfreich, bleibt aber oft zu grob.
Für Unterricht ist die wichtigere Frage: Welche Hürde soll unterstützt werden? Geht es um Sprache, um fehlendes Vorwissen, um einen fachlichen Fehlbegriff, um die Struktur der Aufgabe oder um Unsicherheit beim Begründen?
Auch Niveaustufen sind in der Praxis schwierig. Begriffe wie leicht, mittel, schwer oder ein allgemeiner Sprachstand bleiben oft ungenau. Hilfreicher sind Referenztexte oder Beispielaufgaben für die gewünschte Schwierigkeit.
Je nachdem sehen Hilfen unterschiedlich aus. Manchmal helfen Satzstarter, manchmal ein Beispiel oder ein Zwischenschritt. Manchmal sollte gerade nicht vereinfacht werden, weil sonst die fachliche Denkhandlung verloren geht. Dann geht es nicht darum, Anspruch zu senken, sondern Zugang zu ermöglichen.
Solche Informationen kann ein KI-System nur berücksichtigen, wenn sie im Auftrag sichtbar werden. Sonst entstehen Differenzierungen, die nach Stufen aussehen, aber nicht unbedingt die tatsächliche Lernhürde treffen.
Zu gutem Kontext gehört auch die Frage, woran ein brauchbares Ergebnis erkennbar sein soll. Für Unterrichtsvorbereitung reicht „verständlich“ oft nicht aus. Verständlichkeit ist wichtig, aber nicht das einzige Kriterium.
Je nach Vorhaben können fachliche Richtigkeit, Aufgabenqualität, kognitive Aktivierung, Strukturierung, Passung zur Lerngruppe, sprachliche Zugänglichkeit oder Möglichkeiten zur Diagnose wichtiger sein. Bei anspruchsvolleren Vorhaben können auch Qualitätsrahmen helfen, etwa Materialien zum wirksamen Unterricht des IBBW. Sie klären, welche Qualität gemeint ist.
Wenn ein System eine Aufgabe entwickeln soll, kann es einen Unterschied machen, ob nur „erstelle eine Aufgabe“ gefragt wird oder ob klar ist: Die Aufgabe soll eine Begründung verlangen, typische Fehlvorstellungen sichtbar machen und in zehn Minuten auswertbar sein.
Guter Kontext bedeutet nicht, alles einzugeben. Eine überladene Anfrage kann unübersichtlich werden. Manchmal gewichtet ein System Nebenaspekte zu stark oder verliert die eigentliche Funktion aus dem Blick.
Hilfreich ist deshalb eine einfache Prüffrage: Welche Information verändert voraussichtlich die Qualität der Ausgabe?
Bei einer Diagnoseaufgabe ist das Vorwissen zentral, bei einer Formatierung als Tabelle vermutlich weniger.
Context-Crafting ist also keine möglichst lange Eingabe. Es ist eine Auswahlentscheidung.
Der Vorschlag bleibt ein Vorschlag
Auch mit gutem Kontext bleibt Prüfung notwendig. KI kennt die konkrete Unterrichtssituation nur über die Informationen, die sie erhält. Sie weiß nicht, wie eine Klasse auf eine Aufgabe reagiert, welche Beispiele im letzten Unterricht schon funktioniert haben oder welche Begriffe noch unsicher sind.
Besserer Kontext erhöht die Chance auf brauchbare Vorschläge. Er ersetzt aber nicht die Entscheidung, ob Ziel, Aufgabe, Sprache, Anspruch und Unterrichtslogik tragen. Eine gute KI-Ausgabe bleibt ein Zwischenstand, der geprüft und in die eigene Planung integriert wird.
Das zeigt sich oft nach der Ausgabe. Wenn ein Vorschlag zu allgemein bleibt, fehlte häufig Zielklarheit. Wenn die Differenzierung beliebig bleibt, sind die Lernhürden wahrscheinlich nicht genau genug beschrieben.
Context-Crafting ist deshalb nicht nur ein Schritt vor der Eingabe. Es ist auch ein Diagnoseinstrument nach der Ausgabe: Welche Information hätte dem System geholfen, brauchbarer zu arbeiten?
Der Aufwand braucht einen Nutzen
Context-Crafting kostet Zeit. Wer einem System Ziel, Lerngruppe, Materialstand, Hürden und Qualitätskriterien beschreibt, hat bereits einen Teil der Unterrichtsvorbereitung geleistet.
Das ist wichtig für die Einordnung. Für kleine Routinearbeiten ist ein knapper Auftrag oft ausreichend. Für anspruchsvollere Unterrichtsvorbereitung wird Kontext wichtiger: bei neuen Lernaufgaben, Differenzierung, Diagnose, Materialüberarbeitung oder Unterrichtsphasen, in denen fachliche Denkprozesse sichtbar werden sollen.
Damit führt der Beitrag zurück zur Ausgangsfrage der Reihe. KI entlastet nicht automatisch, nur weil sie schnell antwortet. Manchmal lohnt sich der zusätzliche Kontext, weil der Vorschlag dadurch deutlich brauchbarer wird. Manchmal ist ein kleiner, klar begrenzter Workflow sinnvoller.
Im nächsten Beitrag geht es deshalb genauer um Entlastung: Wann wird KI-Nutzung im Gesamtprozess tatsächlich einfacher, und wann entsteht nur neue Arbeit an anderer Stelle?