KI-Kompetenz von Lehrkräften

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

KI-Kompetenz von Lehrkräften — das Wissen, die Fähigkeiten und die Dispositionen, die Lehrkräfte brauchen, um KI wirksam, ethisch und gerecht in Lehren und Lernen zu integrieren. Sie reicht über technische Werkzeugnutzung hinaus und schließt pädagogische Integration, Assessment-Kompetenz, ethisches Urteilsvermögen und die Zuversicht ein, KI gut zu nutzen. KI-Kompetenz von Lehrkräften ist das lehrkraftseitige Gegenstück zur KI-Kompetenz und wird über Professionalisierung entwickelt. Sie ist zentral dafür, wie sich die Rolle der Lehrkraft in KI-ergänzten Kursräumen verwandelt.

Fragen zum Nachdenken

• Die Seite argumentiert, die Lehrkraft sei „der entscheidende Faktor“ dafür, ob KI Lernen verbessert —, dass Werkzeuge nur helfen, wenn Lehrkräfte sie planen, Nutzung stützen und Ausgaben bewerten können. Passt das zu Ihrer Erfahrung, oder denken Sie, das Werkzeug selbst zählt mehr als die Lehrkraft?
• KI-Kompetenz von Lehrkräften spannt technische Fähigkeit, pädagogische Integration, Assessment-Kompetenz und ethisches Urteilsvermögen. An welchem davon, glauben Sie, mangelt es Lehrkräften am meisten, und welches ist am schwersten zu trainieren?
• Die Forschung dokumentiert eine Lücke zwischen selbst wahrgenommener und tatsächlicher KI-Fähigkeit. Warum, glauben Sie, überschätzen Menschen ihre Bereitschaft, und was würde es brauchen, jene Lücke ehrlich zu schließen?
• Ein intensives Professionalisierungsprogramm erzeugte in der genannten Forschung große Zuwächse in technisch-pädagogischer KI-Fähigkeit, was darauf hindeutet, dass technisch-pädagogische Fähigkeit trainierbar ist. Wenn das stimmt: Warum scheinen dann so viele Lehrkräfte noch unvorbereitet —, was steht im Weg?
• Wenn eine Lehrkraft „KI gut nutzen“ kann: Was bedeutet „gut“ für Sie —, und woran würden Sie erkennen, dass eine Lehrkraft es erreicht hat, statt bloß das Werkzeug übernommen zu haben?

Einführung

KI-Kompetenz von Lehrkräften ist bedeutsam, weil die Lehrkraft der entscheidende Faktor dafür ist, ob KI Lernen verbessert. Forschung zeigt konsistent, dass sich KI-Werkzeuge nur dann in bessere Ergebnisse übersetzen, wenn Lehrkräfte sie planen, Nutzung durch Lernende stützen, Ausgaben bewerten und sie in kohärenten Unterricht integrieren können. Die Literatur der Wissensbasis untersucht die Dimensionen dieser Kompetenz, die Lücken zwischen Selbstwahrnehmung und tatsächlicher Fähigkeit, und die Professionalisierung, die sie aufbaut.

Kerndimensionen der Kompetenz

Die Forschung der Wissensbasis konvergiert auf mehrere verbundene Dimensionen:

• Technische Fähigkeit: wirksame Prompts für pädagogische Ziele entwerfen, KI-Werkzeuge auf pädagogische Passung und Sicherheit bewerten und Fehler in Echtzeit beheben. Ein intensives GenAI-PD-Programm dokumentierte signifikante Zuwächse über alle fünf AI-PCK-Komponenten hinweg (insgesamt d = 2.36) und zeigt damit, dass technisch-pädagogische Fähigkeit trainierbar ist.

• Pädagogisches Wissen ist die entscheidende Schicht. Eine stufenübergreifende Studie zu Sekundarstufen-KI-Bildung (46 Lehrkräfte, 2,832 Lernende) fand, dass technisches KI-Wissen allein unzureichend war —, und die Wahrnehmung von KI für das Gemeinwohl durch Lernende sogar leicht senken konnte —, während pädagogisches KI-Wissen die Wahrnehmungen der Lernenden und ihre Absicht trieb, KI zu lernen. Kompetenzrahmenwerke sollten daher pädagogisches KI-Wissen als die Dreh- und Angelpunkt-Dimension gewichten, nicht als weiches Add-on.

• Pädagogische Integration: KI-Nutzung auf Lernziele abbilden, Scaffolding entwerfen, das Metakognition und Selbst-Regulation der lernenden Person stützt, und KI in Instruktionsdesign integrieren. AI-TPACK-Forschung modelliert, wie Lehrkräfte technologisches, pädagogisches und Fachwissen über Multi-Agenten-Abläufe kombinieren, während ein fünfstufiges Lehrkraft-KI-Teaming-Rahmenwerk (transaktional → synergistisch) erfasst, wie GenAI Lehrkraftkompetenz ersetzen, ergänzen oder steigern kann.

• Assessment-Kompetenz: KI-erzeugte Inhalte und KI-Ausgaben der lernenden Person bewerten, und verstehen, wie sich Validität verschiebt, wenn Lernende KI nutzen. Das verbindet sich mit automatisiertem Prüfen, KI-Detektion und der weiteren Assessment-Neugestaltungsagenda. Für Empfehlungssysteme erstreckt sich das darauf, zu beurteilen, ob die Erklärungen einer KI wirklich verständlich und pädagogisch sinnhaft sind: Feldman-Maggor et al. (2025) fanden, dass Lehrkräfte KI-Gruppierungsempfehlungen mehr vertrauten, wenn Erklärungen in der Sprache der Domäne (des Curriculums) gerahmt waren, als wenn sie rohe Modellmerkmale exponieren —, eine Fähigkeit, Erklärungsqualität einzufordern und zu bewerten, statt opake Ausgabe hinzunehmen.

• Modellauswahl und Prompt-Design als demonstrierbare Fähigkeiten: instrumentelle KI-Kompetenz schließt ein, welches Modell zu nutzen ist und wie die Aufgabe zu formulieren ist. Jacobsen et al. (2026) ließen die Unterrichtsplanungsziele von 153 angehenden Lehrkräften von ChatGPT-4, Claude 3 und Gemini Advanced unter vier systematisch variierten Prompts kritisieren (N = 240 Feedbacks in Studie 1, 345 in Studie 2), mit Feedback, das auf neun Qualitätskategorien bewertet wurde. Modellwahl allein erklärte 26.9% der Varianz in der bewerteten Qualität (18.4% in Studie 2), und Prompt-Design fügte signifikante 15.9% (5.7%) hinzu; das einzelne entscheidende Promptmerkmal war domänenspezifische technische Sprache, deren Entfernung die Qualität signifikant senkte (β = −0.412), während das Hinzufügen von Beispielen und das Weglassen der Chain-of-Thought-Anweisung in Studie 1 keinen signifikanten Unterschied machte. Ihre Lesart —, dass Fachterminologie sowohl relevante Trainingsdateninhalte erschließt als auch die Anfrage professionell rahmt, wie Rollen-Prompting —, plus eine Faustregel, das leistungsfähigste aktuelle Frontier-Modell zu nutzen, macht Modellwahl zu einer didaktischen Entscheidung statt zu einer technischen.

• Ethische und kritische Nutzung: Bias in KI-Ausgaben erkennen, Daten der lernenden Person schützen (Datenschutz), und gerechte Ergebnisse sicherstellen (Gerechtigkeit). Kulturell relevante KI-Nutzung untersucht, wie Lehrkräfte LLMs nutzen können, um Materialien zu diversifizieren statt dominante Normen zu verstärken.

• Ethische Verantwortung ist verteilt, nicht individuell. Über sieben nationale Fälle hinweg werden Lehrkräfte als moralische Torhüterinnen und Torhüter der KI-Nutzung positioniert, während es ihnen an institutioneller und erkenntnistheoretischer Unterstützung mangelt, sodass ethische KI-Kompetenz sich auf kritische und politische Handlungsfähigkeit erstrecken muss statt auf technische Fähigkeit (Raffaghelli et al. (2026)).

• Zuversicht und Haltungen: Zuversicht der Lehrkraft prägt Übernahme. Adoptionsforschung findet, dass Zuversicht, Unterstützung und wahrgenommener Nutzen treiben, ob Lehrkräfte KI tatsächlich nutzen, und Orientierungen der Fakultät Übernahme in Forschung und Lehren prägen.

• In einer Befragung von 1,405 K-12-Lehrkräften über fünf Länder hinweg sagte KI-Bereitschaft positive Überzeugungen über den Instruktionswert von GenAI voraus (B = .59, R² = .50), sagte aber größere Kreativitätsbesorgnis voraus (B = .18), und dieselben Prädiktoren erklärten nur 7% bzw. 6% der Besorgnis —, Bereitschaftsaufbau allein lässt Besorgnis unberührt (Xiu et al. (2026)).

Bereitschaft sollte entsprechend geordnet und gemessen werden: das Capability–Decision Model platziert demonstrierte KI-Fähigkeit stromaufwärts von Haltung und Zuversicht und schlägt Leistungsindikatoren statt allein Selbstauskunft vor — Aufgaben des Unterrichtsdesigns, Prompt-Bewertungsaufgaben, die mit Fehlern bestückt sind, Urteile der Inhaltsvalidität und Rubriken für Kursraum-Artefakte (Mnguni (2026)).

Emotionale und moralische Bereitschaft ist eine eigene Dimension. Vassallo (2026) befragte das akademische Personal einer maltesischen Universität (109 Antwortende) und baute einen AI Guilt Index (α = 0.88) aus vier moralischen Emotionsitems und fand, dass antizipatorische Schuld die nach der Nutzung erlebte Reue übertraf: die stärkste Zustimmung war Sorge, dass KI-Nutzung die eigene Glaubwürdigkeit untergräbt (34.9% stimmten zu), dann sich anzufühlen wie Betrug bei ihrer Nutzung (25.7%), während Reue nach der Nutzung nur 9.2% zog. Die für Kompetenzrahmenwerke bedeutsamen Befunde sind, dass Nicht-Nutzende höhere Schuld berichteten als Nutzende (M = 3.25 gegenüber M = 2.32), und dass Schuld fiel, während berufliche Sicherheit stieg —, Berufseinsteigerinnen und Berufseinsteiger berichteten die meisten (M = 2.71) und Seniorinnen und Senioren am wenigsten (M = 2.03). Emotionale Bereitschaft wird daher nicht durch Fähigkeits- oder Zuversichtmaße erfasst, und das Papier argumentiert, Kompetenzrahmenwerke sollten Schuld und Identitätsanliegen als normale Übergangsantworten behandeln statt als zu korrigierende Fehler.

Eine stärkere Version jener Neurahmung besagt, dass GenAI ein Schwellenkonzept ist statt eine Fähigkeitslücke: ein autoethnografischer Bericht argumentiert, Angst und Widerstand der Fakultät seien konstitutiv für das Durchqueren der Schwelle, sodass fähigkeitsbasiertes Training scheitert und prinzipientreue Nicht-Übernahme respektiert statt korrigiert werden sollte (Laidlaw (2026)).

Die Kompetenzlücke

Ein Schlüsselbefund ist die Lücke zwischen selbst berichteter und leistungsbasierter Kompetenz. Forschung zur Bewertung von KI-Kompetenz dokumentiert eine erhebliche Diskrepanz (bis zu etwa 40%) zwischen dem, was Lehrkräfte zu können glauben, und dem, was sie tatsächlich demonstrieren können —, Lehrkräfte, die in KI-Fähigkeiten zuversichtlich sind, mangelt es oft an grundlegenden Prompting- und Bewertungsfähigkeiten. Das motiviert leistungsbasiertes Assessment der Lehrkraftkompetenz statt des Vertrauens auf Selbstauskunft und verbindet sich mit kalibrierter Selbstbewertung. Eine nationale Befragung von 2,586 nigerianischen Sekundarstufenlehrkräften maß die beiden Seiten mit getrennten Instrumenten —, mäßiges KI-Bewusstsein (M = 3.13 von 8) gegenüber niedrigerer KI-pädagogischer Fähigkeit (M = 2.47 von 5) —, wobei Lehrkräfte am Beginn und in der Mitte ihrer Karriere höhere Fähigkeit berichteten als erfahrene Kolleginnen und Kollegen (Olurinola et al., 2026).

Die Lücke ist nicht nur eine zwischen wahrgenommener und tatsächlicher Fähigkeit, sondern in der Breite dessen, was Lehrkräfte wissen: eine nationale Befragung von 2,018 ukrainischen Sekundarbildnerinnen und -bildnern fand, dass 84% KI-Nutzung in der Berufspraxis berichteten, während nur 11% einen spezialisierten KI-Dienst über ChatGPT hinaus benennen konnten (Marienko, Markova & Semerikov (2026)). Eine zweite Enge zeigt sich in dem, was Lehrkräfte anbieten, statt in dem, was sie benennen können: 53 aktive Lehrkräfte, die ihre eigenen Kursraumfälle gegen das OECD AI Literacy Framework taggten, beschrieben 43 KI-kompetente Praktiken gegenüber nur 10 Fehlern (Wang et al., 2026)). Ihre Kompetenzauswahlen clusterten auf praktischem Urteilsvermögen (Bewerten von KI-Ausgaben, N = 38) und erreichten selten gesellschaftlichen Bias (N = 5), ethische Ausrichtung (N = 6) oder Energieverbrauch der KI (N = 9).

Die Lücke ist im Artefakt ebenso sichtbar wie in der Selbstauskunft. Eine einrichtungsübergreifende Fakultäts-Collaboratory in der Lehrkräftebildung, in der Lehrkräftebildnerinnen und -bildner KI in ihre eigenen Methodenkurse entwarfen, berichtete, dass Kandidierende polierte KI-assistierte Unterrichtspläne produzieren konnten, während sie nicht erklären konnten, warum ein Plan zu den Lernenden und den Standards passte, da der Plan selbst nichts über das Schlussfolgern dahinter sagt. Die Begründung statt das Produkt zu benoten ist eine Antwort. Das Frame der Pädagogien der Praxis schlägt eine andere vor und behandelt Einübung als Annäherung an Praxis: KI-vermittelte Einübung mit strukturiertem Feedback nach der Einübung hob die Nutzung sondierender und erkundender Fragen durch Kandidierende, doch die eigenen Urteile der Kandidierenden über ihre Leistung divergierten weiterhin von dem, was Beobachtende verzeichneten.

Eine fallende Selbstbewertung nach Training kann Lernen statt Verlust signalisieren. In einem sechsmonatigen Intelligent-TPACK-Professionalisierungsprogramm mit 64 Lehrkräften einer Hongkonger Universität gegenüber 61 Kontrollen stieg die Gesamt-KI-Kompetenz um etwa eine halbe Standardabweichung (Cohens d = −.521), doch einige Lehrkräfte in beiden Gruppen schnitten im Nachtest niedriger ab als im Vortest (Tan, Cheng & Ling, 2025). Interviews schrieben die Rückgänge einem Wechsel von unbewusster zu bewusster Inkompetenz zu —, der Rekalibrierung, die der Dunning-Kruger-Effekt vorhersagt —, statt verlorener Fähigkeit. Die Autoren schließen, dass Vor-Nach-Selbstauskunft eine Intervention unterschätzt, weil ein Teil des Zuwachses als Abwärtskorrektur im Instrument selbst ankommt.

Die Lücke zeigt sich auch als Nichtteilnahme. Watson & Rainie (2026) befragten 1,057 Fakultätsmitglieder an US-amerikanischen Hochschulen Ende 2025 und fanden, dass 26% generative KI-Werkzeuge überhaupt nicht nutzen, wobei sich ein Drittter dafür entschied, sie nicht im Unterricht zu nutzen, und Nicht-Nutzung in den Künsten und Geisteswissenschaften konzentriert war (40%). Die institutionelle Seite der Lücke war größer als die individuelle: 68% sagten, ihre Hochschulen hätten Fakultät nicht auf die Nutzung generativer KI im Unterricht und in der Betreuung vorbereitet, und Fakultätsmitglieder nannten Widerstand von Kolleginnen und Kollegen (82%) und Unvertrautheit (83%) als führende Hindernisse für Übernahme auf Fächebene —, ein Bild, in dem sich Fähigkeitsaufbau, Peer-Normen und Politik alle zusammen bewegen müssen.

Professionalisierung im Studium umgeht die ethische Dimension der Kompetenz weitgehend. Ein systematischer Review zu KI in der ersten Lehrkräftebildung für angehende Primarstufenmathematik-Lehrkräfte (Pinto et al. 2026, 11 aus 341 Datensätzen ausgewählte Studien) fand, dass die Interventionen auf kurzfristige technische und pädagogische Zuwächse konzentriert waren, wobei neun der elf kurze Interventionen über eine bis sechs Sitzungen hinweg durchführten, und berichtete, dass Ethik in nur drei der elf Studien adressiert wurde. Die Kompetenzrahmenwerke benennen ethisches Urteilsvermögen als Dimension; die Literatur zur Professionalisierung im Studium, die es aufbauen soll, lehrt oder misst es selten.

Professionalisierung, die funktioniert

Die PD-Literatur der Wissensbasis identifiziert wirksame Ansätze:

• Intensive, theorieverankerte Programme: Ein intensives GenAI-PD-Programm mit 163 Lehrkräften/angehenden Lehrkräften erzeugte signifikante Zuwächse über alle AI-PCK-Komponenten hinweg, wobei angehende Lehrkräfte am meisten profitierten. Selbstbestimmungstheorie-basierte PD zeigt, dass bedürfnisstützendes Training KI-Kompetenz, Haltungen und Engagement der Lehrkräfte verbessert, während es Angst reduziert.
• Designbasierte und integrative Ansätze: DBR-basiertes GenAI-Kompetenztraining adressiert die Überbetonung technischen Wissens und vor-GenAI-Werkzeugen; integrative, entwicklungsorientierte Rahmenwerke und Integration sozial-emotionaler Kompetenz verbreitern Kompetenz über reine Technik hinaus.
• Untersuchung und authentische Praxis: KI-gestützte Untersuchungsmodelle bauen KI-Kompetenz und authentische Leistung bei angehenden Lehrkräften auf.
• Kontextspezifische Bereitschaft: Das EPIQ-AI-Bereitschaftsrahmenwerk betont, dass Fakultätsbereitschaft ein soziotechnisches Thema ist, das Ausrichtung von Fakultätskapazität, Governance und Qualitätssicherung verlangt.
• Unterstützung muss nach Erfahrung und KI-Fähigkeit differenziert werden. Choi et al. (2026) fanden, dass, wie Lehrkräfte tatsächlich mit KI im Unterrichtsdesign interagieren, vom Zusammenspiel von Lehrerfahrung und KI-Fähigkeit abhängt, nicht von einer allein. Erfahrene Lehrkräfte mit hoher KI-Fähigkeit passen KI-Ausgabe kritisch an den Kontext an (Re-Prompting, Elaboration), während Novizinnen und Novizen —, selbst technisch flüssige —, dazu neigen, KI-Antworten direkt zu akzeptieren und Lernende und Kontext selten zu berücksichtigen. Das spricht für profilbasiertes PD: Antwort-Bewertungs-Checklisten und Prompt-Vorlagen für Novizinnen und Novizen, und praxisnahen Fähigkeitsaufbau für erfahrene Lehrkräfte mit niedrigerer KI-Fähigkeit.

Überzeugungskonfiguration ist eine zweite Profilierungsachse: unter 40,680 Lehrkräften in TALIS 2024 verbarg derselbe Nicht-Nutzungs-Status entgegengesetzte Barrieren —, 83.3% des Indifferent-Profils nannten pädagogische Vorbehalte, während 66.2% der Measured Endorsement unzureichendes Wissen und unzureichende Fähigkeiten nannten (Fang & Jin (2026)). KI-bezogenes professionelles Lernen verfolgte Profilmitgliedschaft konsistenter als Alter oder Bildungsabschluss.

• Lehrkräfte teilen nicht eine Auffassung von KI. Eine phänomenografische Studie zu 16 dänischen Hochschullehrkräften fand drei Auffassungen von Lehren-mit-KI und drei von Lernen-mit-KI, sodass ein einzelnes Workshop-Modell nur einen Teil jeder Fakultätsgruppe erreicht (Stenalt (2026)).
• Co-Design und pädagogische Prompt-Kompetenz sind Kompetenzen, keine Add-ons. Ein systematischer Review zu Lehrkraft-KI-Co-Design von Lernaufgaben (Wang, Liu & Islam 2026, 28 Studien) findet, dass der dominante Kollaborationsmodus KI als Assistentin/Inhaltsgenerator ist, und verortet eine Lücke in den umfassenderen Co-Design- und dialogischen Partnerschaftsfähigkeiten der Lehrkräfte. Talebzadeh (2026) zeigt, dass PD, die technisches KI-Training mit pädagogischem Argumentieren paart —, „pädagogische Prompt-Kompetenz“ aufbauend (PCK in Prompts enkodieren) —, es ist, was Lehrkräfte KI-Ausgabe in wirksame differenzierte Gruppenaktivitäten verwandeln lässt.
• Strukturen, die Kompetenz aufbauen, statt Listen davon. Perl-Nussbaum und Finkelstein (2026) führten eine sechssitzige zweiwöchliche Fakultäts-Lerngemeinschaft in einer großen öffentlichen R1-Physikfachabteilung durch —, neunzehn Fakultätsmitglieder über die Serie hinweg, etwa zehn bei jedem Treffen —, wobei jede Sitzung mit lokalen Daten eröffnete, über zu kleingruppigem Testen von KI gegen echte anonymisierte Hausaufgaben von Lernenden verlief, und in kollektiver Diskussion schloss, und sie erzeugte ein geteiltes Repository mit fünf Einträgen statt ein Trainingspaket. Assessment-Kompetenz kann auf dieselbe Weise über ein Designwerkzeug aufgebaut werden: in Paula et al.' (2026) Pilot wuchsen die Assessment-Kompetenz von acht erfahrenen MINT- und Gesundheitskurskoordinatorinnen und -koordinatoren, indem sie die Assessmententwürfe eines maßgeschneiderten GPT gegen fachliche Standards kritisierten, obwohl die Ausgaben wiederholt fachlichen Kontext verfehlten, Themensequenzierung ignorierten, und in einem Fall erfundene Referenzen durch wiederholtes Prompting trugen. Alle acht behielten akademisches Urteilsvermögen bei sich und verweigerten End-zu-Ende-Automatisierung, was strukturierte Kritik erzeugter Entwürfe zum Entwicklungsmechanismus macht statt Werkzeugtraining.
• Kurze Sitzungen können Akzeptanz bewegen, ohne Übernahme zu bewegen. Mesenhöller und Böhme (2026) evaluierten eine dreistündige INSIGHT-Sitzung mit 100 deutschen Primar- und Sekundarstufenlehrkräften und fanden, dass wahrgenommene Nützlichkeit und wahrgenommene leichte Nutzung beide signifikant stiegen (Nützlichkeit t(99) = -3.24, p = .002, d = .32; leichte Nutzung d = .25), während sich die Verhaltensabsicht, KI-basierte Technologien für Differenzierung zu nutzen, nicht veränderte. Die Autoren vermerken, dass ihre Basislinien bereits günstig waren, sodass ein Deckeneffekt plausibel ist. Die Lesart für PD-Design ist eng, aber nützlich: eine kurze Sitzung kann verschieben, wie Lehrkräfte KI-Werkzeuge beurteilen, ohne zu verschieben, ob sie planen, sie zu nutzen, was die Art von Veränderung ist, die Nachverfolgung braucht statt ein Einmalereignis.
• Lehrende bevorzugen Flüssigkeit, schreiben Lernen aber dem Scaffold zu. Über 41 Lehrende wurde eine GPT-4o-Basislinie insgesamt bevorzugt (21 gegenüber 13), doch dem feinjustierten dreistufigen Modell (identifizieren, erkunden, entwickeln) wurde häufiger Lernen zugeschrieben (18 gegenüber 13), und die beiden Urteile stimmten nur 39% der Zeit überein (Molnar et al. (2026)).
• Institutionelle Unterstützung: Professionalisierung muss mit institutioneller Infrastruktur (Politik, institutioneller Wandel) gepaart werden für nachhaltige Übernahme.
• Autorenwerkzeuge garantieren keine pädagogische Treue. Riahi et al. (2026) studierten 27 Mittelstufenlehrkräfte, die pädagogische Chatbots in Professionalisierungsworkshops konfigurierten, und analysierten Fokusgruppen neben Konfigurations- und Interaktionslogs. Lehrkräfte behandelten den Chatbot als instruktionelles Scaffold, begrenzt durch von der Lehrkraft definierte Regeln, doch die logbasierte Ausrichtung zwischen Absicht und Verhalten war stärker für Responsivität (88.9%) und Persona (81.5%) als für Regeln (70.4%) und Zweck (59.3%). Konfigurierbare Kontrollen allein tragen pädagogische Absicht nicht ins Verhalten, sodass das Ausdrücken, Testen und Verfeinern der Pädagogik eines Chatbots selbst eine Kompetenz ist, die die Autorenwerkzeuge unterstützen müssen.

Ein designbasiertes Gegenbeispiel behandelt Kompetenz als situativ statt als Sprosse auf einer Leiter. Eyals Designbasierte Studie aus 2025 mit 22 Hochschul-Lehrkräftebildnerinnen und -bildnern ließ Teilnehmende fünf veröffentlichte Assessmentrahmenwerke untersuchen und eine Alternative gemeinsam entwerfen, organisiert um drei verbundene Achsen: Kontextpassung (Infrastruktur, soziokulturelle Faktoren, lokale Bedürfnisse, Entwicklungsstufe), berufliche Bedürfnisse (Disziplin, Pädagogik, Leitung, Unterstützung), und dynamische Entwicklung. Das Modell verwirft fixierte Kompetenzstufen und erlaubt nicht-lineares Voranschreiten, und es bringt einen reflexiven Selbstbewertungsfragebogen mit 20 Items mit, bewertet 1 bis 5. Seine Validierung ist rein qualitativ, ohne quantitative Verlässlichkeitstests, sodass es als Designbeitrag statt als validiertes Instrument steht.

• Metaanalytische Schätzung. Guo et al. (2026) poolten 212 Effektstärken aus 34 Studien und schätzen PD zur KI-Kompetenz von Lehrkräften auf g = 0.76 (95%-KI [0.50, 1.02]), am stärksten für Fähigkeiten (g = 0.91) und am schwächsten für Haltungen und Werte (g = 0.61); die Korrektur für scheinbare Publikationsauswahl senkt die Schätzung auf etwa g = 0.49.
• Anwesenheit sagt Zuwächse voraus, wo das Gefühl der Teilnahme es nicht tut. In demselben sechsmonatigen Programm sagte die Anwesenheitsquote den Kompetenzzuwachs voraus (β = .407, p = .001), während selbst wahrgenommene Teilnahme es nicht tat (β = .049, p = .692), und Disziplin, Lehrerfahrung und Berufstitel erklärten wenig; die Autoren lesen Anwesenheit als Verhaltensinvestition und wahrgenommene Teilnahme als oberflächliches Engagement (Tan, Cheng & Ling, 2025).
• Werte hinken Fähigkeiten auch in einem domänenspezifischen Programm hinterher. In einem einjährigen Hongkonger Programm mit 30 Englisch-Lehrkräften stieg das Wissen über multimodale Assessmentstrategien von 3.13 auf 4.15 von 5 (partielles η² = 0.571) und die Kompetenz im Unterstützen von Lernenden von 3.05 auf 3.98 (0.482), beide signifikant, während jede Wert-Subdomäne unter einem Bonferroni-korrigierten Alpha von .006 statistisch flach blieb. Die Lehrkräfte schrieben die Zuwächse der Co-Planung in der Schule und den schulübergreifenden Clustertreffen zu statt den Workshops allein (Jiang et al., 2026).
• Microlearning kann die KI-Kompetenz von Universitätslehrenden entwickeln. Cechovsky (2026) verfeinerte zwei Module der Berufsbildung über zwei Online-Gruppendiskussionen hinweg zu fünf Designprinzipien — klare Struktur und Orientierung, Anleitung und Navigationsunterstützung, Segmentierung und Modularisierung, multimodale Präsentation und Lernendenaktivierung —, und fand Plattformnavigation und das Auffinden der Module als die wichtigsten praktischen Barrieren.

KI-Kompetenz von Lehrkräften und die sich verwandelnde Rolle der Lehrkraft

Während KI routinemäßige Instruktions- und Assessmentaufgaben übernimmt, verschiebt sich der kennzeichnende Beitrag der Lehrkraft hin zu Orchestrierung, Urteil und Beziehung: entscheiden, wann und wie KI genutzt wird, Handlungsfähigkeit der lernenden Person und kritische Nutzung stützen, Gerechtigkeit sicherstellen, und die soziale und emotionale Unterstützung bieten, die KI nicht kann. Das rahmt Lehrkraftkompetenz neu um Human-in-the-Loop-Aufsicht, ethisches Urteilsvermögen und Unterstützung selbstregulierten Lernens —, verbunden mit Lehre und dem Schutz gegen Übervertrauen.

Implikationen für KI in der Bildung

• Leistung bewerten, nicht bloß Selbstauskunft: Lehrkraftkompetenz sollte durch Demonstration bewertet werden, angesichts der dokumentierten Selbstauskunftslücke.
• Die volle Kompetenz trainieren, nicht bloß Werkzeuge: PD sollte technische, pädagogische, Assessment- und ethische Dimensionen zusammen aufbauen, fundiert in Lerntheorie.
• Zuversicht neben Fähigkeit aufbauen: Haltungen und Selbstwirksamkeit prägen Übernahme, daher sollte PD Angst reduzieren und Zuversicht durch authentische, unterstützte Praxis aufbauen.
• Die institutionelle Schicht unterstützen: nachhaltige Lehrkraftkompetenz verlangt ausgerichtete Politik, Governance und Kapazität, nicht isoliertes Training.
• Digitale Kompetenz der Lehrkraft für Curriculumdesign mit GenAI. Guillén-Gámez (2026) validiert ein TAM-basiertes Diagnoseinstrument mit 434 aktiven Lehrkräften; Verhaltensabsicht war der Hauptprädiktor digitaler Kompetenz für die Nutzung von GenAI in der Curriculumplanung, mit Selbstwirksamkeit als Wurzeltreiber.

Ein psychometrisches Instrument für KI-Kompetenz von Lehrkräften

• Eine psychometrische Studie entwickelte die Teachers' AI Literacy Scale (TAILS), um KI-Kompetenz spezifisch innerhalb der Sprachlehrkräftebildung zu messen, und operationalisiert die sechs Dimensionen des ED-AI-Rahmenwerks. Die Entwicklung des Instruments füllt eine Lücke in Assessments, die auf Lernende oder allgemeine Nutzende zielen, und unterstützt die Messung der KI-Kompetenz von Lehrkräften.

Die Instrumentenlandschaft selbst ist inzwischen reviewt worden. Zainal, Mohd Matore und Maats systematischer Review von 2026 zu Instrumenten zur Messung von KI-Kompetenz bei Lehrkräften begutachtete 33 zwischen 2019 und 2025 veröffentlichte Instrumente und fand das Feld methodisch monoton: 31 (93.9%) sind Selbstauskunftsskalen wahrgenommener Zuversicht, nur zwei (6.1%) testen Wissen objektiv, und keine nutzen leistungsbasierte Aufgaben. Interne Konsistenz war die stärkste Qualitätsdomäne (28 von 33 bei Grad A) und Fairness die schwächste, wobei fünf Instrumente (15.2%) Evidenz zu Messinvarianz oder differentiellem Itemfunktionieren berichteten. Inhalt hinkt der Technologie ebenfalls hinterher, da 29 Instrumente (87.9%) auf allgemeine KI-Konzepte zielen und nur vier (12.1%), alle aus 2025, generative KI adressieren.

Verbundene Konzepte

• KI-Kompetenz
• Lehr- und Curriculumsentwicklung
• Lehre
• Prompt-Engineering
• Lerndesign
• Scaffolding (Gerüstbildung)
• Metakognition
• Validität von Assessments
• Gerechtigkeit
• Ethik
• Selbstwirksamkeit
• Human-in-the-Loop-KI
• Handlungsfähigkeit der Lernenden
• Kognitive Auslagerung
• Bildungspolitik zu KI
• KI in der Bildung
• Technologisches pädagogisches Inhaltswissen (TPACK)
• Berufliche Weiterbildung
• Pädagogiken und Lehrstrategien — Schirm: Pädagogiken und Lehrstrategien in der KI-Bildung

Verbundene Artikel

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Multimodal assessment literacy: a year-long program where knowledge and competence moved and values did not

• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK PD: half a standard deviation of gain, and negative gains that read as recalibration — The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Teachers tagged their own classroom AI cases and reached practical competencies readily but societal and ethical ones rarely (Wang et al. 2026)

• Typology of Generative AI Tools for Education — Tool selection as an exercise of educator agency

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Systematic review of generative AI in K-12 teaching and learning (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Teacher professional knowledge in K-12 AI education: TAIK vs TPAIK and student learning (Shen et al. 2026)

• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Teacher-AI interaction patterns in lesson design across experience and AI proficiency (Choi et al. 2026)

• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Pre-service teachers' responsible GenAI use: curriculum implications (Kohnke et al. 2026)

• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — LLM classroom observation for teacher professional development (Melo et al. 2026)

• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — Generative AI across representations, decompositions and approximations: rehearsal, structured feedback and the accuracy cautions

• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — Efficacy of an intensive GenAI professional development program

• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Modeling AI-TPACK through teacher multi-agent workflows

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Toward synergistic teacher-AI interactions

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Teacher education for AI literacy through self-determination theory

• Development and evaluation of artificial intelligence literacy training for teacher education students — Design-based research GenAI literacy training

• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Rethinking GenAI literacy in teacher education

• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Integrating social-emotional competencies with AI literacy

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — AI adoption among teachers: confidence and support

• Faculty Orientations Shape Adoption of AI in Research and Teaching — Faculty orientations shape AI adoption

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Misalignment between self-reported and performance-based AI competency

• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — AI-supported inquiry for pre-service teachers

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — EPIQ-AI faculty readiness framework

• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLMs for culturally relevant K-12 pedagogy

• A Framework for Institutional Change in the Age of AI — Institutional change framework for AI

• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — TeachingCoach chatbot for instructor guidance

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI as identity crisis, not skills gap

• Situated AI ethics: a cultural-historical and ecological framework for education

• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Assessing Teacher Digital Competence for GenAI Curriculum Design (Guillén-Gámez 2026)

• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — phenomenographic study of university teachers' conceptions of AI

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Five-level AI literacy framework + PD for Ukrainian secondary educators (Marienko et al. 2026)

• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Teacher–AI co-design of learning tasks: trends and perspectives (Wang et al. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Architecture of roles in AI-designed differentiated group activities (Talebzadeh 2026)

• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Prompt engineering and model selection as predictors of AI-feedback quality (Jacobsen et al. 2026)

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — The AI Guilt Complex: anticipatory guilt and four moral response profiles among academic staff (Vassallo 2026)

• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — A three-hour teacher PD session raised perceived usefulness and ease of use but not stated intention to adopt (Mesenhöller & Böhme 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Systematic review of AI in pre-service primary mathematics teacher training: ethics addressed in only three of eleven studies (Pinto et al. 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — AAC&U/Elon survey of 1,057 US faculty: preparedness, non-use and the individual-vs-institutional policy gap (Watson & Rainie 2026)

• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Cross-institutional faculty collaboratory: AI integration as instructional design in teacher preparation

• Assessing teachers' AI literacy: a systematic review of measurement tools — Systematic review of 33 instruments for measuring teacher AI literacy: 31 self-report, two objective knowledge tests, no performance tasks (Zainal, Mohd Matore & Maat 2026)

• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — A design-based adaptive AI literacy model and 20-item reflective questionnaire co-designed with 22 teacher educators (Eyal 2025)

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Will It Teach as Intended? How Teachers Configure Educational AI Chatbots

• A Capability–Decision Model of teacher readiness for AI integration in teaching — Ordered capability-first teacher readiness model with performance-based capability indicators

• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Cross-national survey of 1,405 K-12 teachers: readiness predicts positive beliefs but not concern

• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Four TALIS 2024 teacher belief profiles link professional learning and profile-specific barriers to AI use

• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study