10. Juli 2026: Schlechte KI-Ausgaben sind oft gar nicht das schwierigste Problem. Wenn ein Text fachlich danebenliegt, eine Aufgabe nicht zur Lerngruppe passt oder ein Vorschlag am Auftrag vorbeigeht, ist die Entscheidung vergleichsweise einfach: verwerfen, nachsteuern, anders weiterarbeiten.
Anspruchsvoller sind die Ergebnisse, die zunächst überzeugen. Ein Material sieht vollständig aus. Die Aufgaben sind sauber formuliert. Der Text liest sich flüssig. Ein Verlaufsplan wirkt geordnet. Gerade dann entsteht leicht der Eindruck, dass die wichtigste Arbeit bereits erledigt sei.
Genau hier beginnt Qualitätsprüfung. Nicht, weil solche Ergebnisse automatisch schwach wären. Sondern weil die Oberfläche allein noch nicht zeigt, ob ein Material fachlich stimmt, didaktisch trägt und im Unterricht sinnvoll eingesetzt werden kann.
Im vorherigen Beitrag ging es darum, dass gutes Material noch kein guter Unterricht ist. Dieser Beitrag geht einen Schritt weiter: Wie lässt sich einschätzen, ob ein KI-Ergebnis nicht nur gut aussieht, sondern belastbar ist?
Wenn die Oberfläche Vertrauen erzeugt
KI-Ergebnisse wirken häufig schneller fertig als andere Zwischenstände. Bei menschlicher Vorbereitung bleiben Spuren des Arbeitens sichtbar: Notizen, Lücken, offene Entscheidungen, halbe Formulierungen. Ein KI-System liefert dagegen oft eine geordnete Fassung mit Überschriften, Aufgaben, Tabellen oder Differenzierungen.
Das ist hilfreich. Es macht Vorschläge leichter lesbar und gibt der Weiterarbeit eine Form. Gleichzeitig kann genau diese Form den Blick verstellen. Was vollständig aussieht, wirkt schneller wie geprüft.
Für Unterrichtsmaterialien ist das heikel. Qualität zeigt sich nicht nur an Sprache, Struktur oder Layout. Ein Arbeitsblatt kann ordentlich aussehen und trotzdem am Lernziel vorbeigehen. Ein Lesetext kann verständlich sein und dennoch einen Zusammenhang verkürzen. Eine Aufgabe kann anspruchsvoll wirken und trotzdem keine klare fachliche Denkhandlung auslösen.
Die erste Frage lautet deshalb nicht: Sieht das Ergebnis gut aus? Sondern: Woran würde ich erkennen, dass es trägt?
Produktqualität: Dieses Material prüfen
Die erste Ebene ist die Produktqualität. Sie fragt nach dem konkreten Material, das vorliegt: Ist dieser Text, diese Aufgabe, dieses Arbeitsblatt oder dieser Verlaufsplan brauchbar?
Dazu gehört die fachliche Prüfung. Stimmen Begriffe, Beispiele und Zusammenhänge? Sind Vereinfachungen vertretbar? Entstehen falsche Vorstellungen? Gibt es Formulierungen, die präzise klingen, fachlich aber nicht sauber tragen?
Dazu gehört auch die didaktische Prüfung. Passt das Material zum Lernziel? Fordert die Aufgabe die gewünschte Denkhandlung heraus? Wird sichtbar, was Lernende daran verstehen, üben, begründen oder anwenden sollen? Gibt es einen sinnvollen Anschluss an Sicherung, Auswertung oder Weiterarbeit?
Und schließlich geht es um die konkrete Unterrichtssituation. Ist der Umfang realistisch? Passt die Sprache zur Lerngruppe? Ist klar, wann und wie das Material eingesetzt wird? Funktioniert es unter den vorhandenen Bedingungen?
Diese Fragen sind nicht neu. Lehrpersonen prüfen auch Materialien, die nicht mit KI erstellt wurden. Neu ist die Geschwindigkeit, mit der KI brauchbar wirkende Entwürfe erzeugt. Dadurch wächst die Gefahr, formale Vollständigkeit mit Qualität zu verwechseln.
Prozessqualität: Den Weg dorthin prüfen
Für professionelle KI-Nutzung reicht die Prüfung des einzelnen Materials aber nicht aus. Zusätzlich stellt sich eine zweite Frage: Wie ist dieses Ergebnis entstanden?
Das ist die Ebene der Prozessqualität. Sie richtet den Blick auf den Arbeitsweg. Welche Informationen wurden dem System gegeben? War das Lernziel klar? Wurde die Lerngruppe beschrieben? Gab es vorhandenes Material, Bildungsplanbezug oder Qualitätskriterien? Wie viel Nachsteuerung war nötig? Welche Fehler traten auf? Welche Teile wurden fachlich oder didaktisch überarbeitet?
Diese Fragen werden besonders wichtig, wenn ein Ergebnis weitergegeben oder in Fortbildungen gezeigt wird. Ein einzelnes gutes Beispiel kann beeindrucken. Für die Praxis ist aber entscheidend, ob andere Lehrpersonen den Weg nachvollziehen und auf eigene Themen übertragen können.
Ein gutes KI-Ergebnis belegt noch keinen guten KI-Workflow.
Zufall, Steuerung oder robuster Ablauf?
Ein brauchbares Ergebnis kann auf unterschiedliche Weise entstehen.
Manchmal passt es eher zufällig. Das Thema ist naheliegend, das System greift auf passende Muster zurück, die Ausgabe trifft den richtigen Ton. Beim nächsten Thema funktioniert derselbe Auftrag deutlich schlechter.
Manchmal entsteht Qualität durch gute Steuerung. Die Lehrperson hat Ziel, Kontext, Materialstand und Kriterien präzise eingebracht, Zwischenergebnisse geprüft und nachgesteuert. Das Ergebnis ist gut, weil der Prozess gut geführt wurde.
Und manchmal entsteht ein robuster Ablauf. Eine wiederkehrende Arbeitsweise führt unter ähnlichen Bedingungen zuverlässig zu brauchbaren Ergebnissen: etwa bei sprachlicher Vereinfachung vorhandener Texte, bei Aufgabenvarianten oder bei der Prüfung auf typische Fehlvorstellungen.
Von außen ist diese Unterscheidung schwer zu erkennen. Wer nur das fertige Material sieht, weiß nicht, ob es Zufall, gute Steuerung oder ein belastbarer Ablauf war. Deshalb ist es für Fortbildungen und Fachschaften wenig hilfreich, nur das fertige Ergebnis zu zeigen. Aussagekräftiger ist der Weg dorthin: Auftrag, Kontext, Zwischenschritte, Prüfung und Anpassung.
Qualität braucht nachvollziehbare Entscheidungen
Für den Alltag braucht daraus kein aufwendiges Verfahren zu werden. Hilfreich ist eine einfache Gewohnheit: Bei guten KI-Ergebnissen nicht nur das Material speichern, sondern auch die entscheidenden Bedingungen.
Was war der Auftrag? Welche Informationen waren wichtig? Wo wurde korrigiert? Was hat gut funktioniert? Was war überraschend schwach? Wo lag der eigentliche Aufwand?
Solche Notizen können kurz bleiben. Sie verändern aber den Umgang mit KI-Materialien. Aus einem einzelnen Produkt wird ein nachvollziehbarer Arbeitsstand. Andere können besser einschätzen, ob das Material zu ihrem Kontext passt. Die eigene Wiederverwendung wird leichter. Und in Fortbildungen lässt sich nicht nur zeigen, was KI erzeugt hat, sondern wie das Ergebnis geprüft und verbessert wurde.
Das ist relevant, weil KI-Materialien schnell teilbar wirken. Ein sauber formuliertes Arbeitsblatt ist rasch verschickt oder in einer Sammlung abgelegt. Ohne Kontext bleibt aber unklar, für welche Lerngruppe, welches Lernziel und welche Unterrichtsphase es gedacht war.
Qualität teilen heißt den Weg zeigen
Wenn KI in der Unterrichtsvorbereitung sinnvoll genutzt werden soll, reicht es nicht, gute Einzelprodukte zu sammeln. Es braucht eine Vorstellung davon, welche Ergebnisse geprüft sind und welche Arbeitsweisen verlässlich funktionieren.
Für einzelne Lehrpersonen bedeutet das: KI-Ergebnisse nicht nur nach Oberfläche beurteilen, sondern nach fachlicher, didaktischer und organisatorischer Tragfähigkeit.
Für Fortbildungen bedeutet es: nicht nur beeindruckende Ergebnisse zeigen, sondern die Bedingungen ihrer Entstehung offenlegen.
Für Fachschaften und Unterstützungssysteme bedeutet es: Materialien nicht ohne Kontext weitergeben, sondern mit Angaben zu Ziel, Lerngruppe, Einsatzphase, Anpassungen und bekannten Grenzen.
Der nächste Beitrag schließt daran an. Wenn gute Materialien und gute Workflows geteilt werden sollen, entsteht eine neue Aufgabe: Kuration. Denn mehr Material führt nicht automatisch zu besserer Praxis. Entscheidend wird, wie gute Inhalte auffindbar, einordenbar und weiterverwendbar werden.