Ein Sprachmodell, vier Rollen
Tutor, Mentor, Co-Pilot, Lehrling: Dasselbe Sprachmodell kann vier grundverschiedene Dinge tun — je nachdem, welche Rolle man ihm zuweist.
Ethan Mollicks „Co-Intelligence" (2024) beschreibt KI als Vielzahl von Gegenübern. Diese Übersicht spitzt den Gedanken für Mathematik und Werte & Normen auf vier Rollen zu (bei Mollick Student statt Lehrling) — eine eigene didaktische Adaption, lose an Mollick angelehnt. Über allem steht seine Grundregel „Be the human in the loop": Die KI liefert Entwürfe — prüfen, verantworten und das letzte Wort behalten muss die Lehrkraft.
Mollicks Ausgangspunkt ist Benjamin Blooms 2-Sigma-Problem (1984): Schüler:innen mit Einzelunterricht schnitten rund zwei Standardabweichungen besser ab als im Klassenverband — eine Größenordnung, die heute als optimistisch gilt, deren Richtung aber als robust. Das eigentliche Problem ist praktisch: Ein Tutor pro Kind ist nicht bezahlbar. Mollick sieht in der KI die erste Technologie, die individuelle Begleitung wirtschaftlich in Reichweite bringt. Ein Tutor, der die Lösung verrät, untergräbt den Effekt, statt ihn zu reproduzieren.
In Blooms Studien (1984) hob Einzelbetreuung die Leistung um rund zwei Standardabweichungen — ein Effekt, den sich keine Schule leisten konnte. Mollick sieht in KI die erste Technologie, die das breiter erreichbar macht. Bedingung: Die Rolle muss stimmen.
Mollicks Bild: Man steuert keine normale Software, sondern eine fähige, aber fremdartige Intelligenz — wie eine Kollegin, nur wesensfremd („alien intelligence"). Sie zu führen heißt, ihr eine klare Rolle zu geben, das Ergebnis zu prüfen und die Verantwortung zu behalten.
Die vier Rollen sind keine Spielerei: Sie decken sich mit dem, was guter Unterricht ohnehin braucht — gestuftes Begleiten (Tutor), Prozess-Feedback (Mentor), Entlastung in der Vorbereitung (Co-Pilot), Lernen durch Lehren (Lehrling). Die KI ersetzt keine dieser Funktionen; sie macht sie verfügbar, wenn die Lehrkraft nicht neben jedem Kind stehen kann.
Die Leitfrage
Bevor man die KI einsetzt, klärt man eine Sache: In welcher Rolle? Ohne diese Entscheidung bleibt sie eine Antwortmaschine — mit ihr wird sie zum Tutor, Mentor, Co-Piloten oder Lehrling.
Die ersten beiden Rollen richten sich an die Schüler:innen selbst. Als Tutor hilft die KI, einen Stoff zu verstehen; als Mentor gibt sie Feedback auf den Lernprozess. Beide leben davon, dass die KI den nächsten Schritt einfordert, statt die Arbeit abzunehmen — das ist die Übersetzung von Mollicks „Tutor" in echtes Scaffolding.
Erklärt, ohne zu verraten: Die KI führt im sokratischen Dialog durch ein schwieriges Konzept. Sie gibt gestufte Hinweise, stellt Rückfragen, passt das Tempo an — und bricht ab, bevor sie die Lösung ausplaudert. Das ist adaptives Scaffolding: Unterstützung, die sich zurückzieht, sobald die Schüler:innen sie nicht mehr brauchen.
Mathematik: Eine Schüler:in versteht nicht, warum man beim Bruchrechnen nicht einfach Zähler und Nenner addiert. Die KI fragt, statt vorzurechnen: „Du hast ½ Pizza und isst noch ⅓ dazu — kann das Ergebnis kleiner sein als ½?" Sie merkt selbst, dass ⅖ nicht stimmen kann, und arbeitet sich zum gemeinsamen Nenner vor.
Werte & Normen: Eine Schüler:in soll den Kategorischen Imperativ verstehen. Die KI lässt sie eine eigene Regel testen, statt den Gedanken fertig zu erklären: „Würde das funktionieren, wenn es alle täten?" — so führt sie an Kants Gedanken heran, ohne ihn zu diktieren.
Feedback auf den Prozess: Der Mentor spiegelt den Weg zum Ergebnis: Wo war die Argumentation stark, wo dünn? Welcher Gedanke trägt, welcher ist nur behauptet? Das ist formatives Feedback (Wiliam 2011) — verfügbar in dem Moment, in dem die Lehrkraft es nicht 28 Mal parallel geben kann.
Werte & Normen: Eine Schüler:in hat eine Stellungnahme zur Sterbehilfe geschrieben. Die KI als Mentor markiert: „Dein zweites Argument ist eigentlich dasselbe wie dein erstes, nur umformuliert — hier fehlt ein neuer Gedanke." Bewertet wird die Qualität der Begründung — nicht die Haltung.
Mathematik: Nach einer Beweisaufgabe spiegelt die KI: „Deine Schritte stimmen, aber du springst von Zeile 3 zu 4 ohne Begründung. Was rechtfertigt diesen Schritt?" — Feedback auf die Beweisführung, nicht nur aufs Ergebnis.
Tutor wie Mentor funktionieren nur mit einem festen Verbot im Prompt: keine fertige Lösung, keine Note, kein Ersetzen des eigenen Denkens. Ohne diesen Riegel kippt der Tutor zum Lösungslieferanten und der Mentor zum Korrekturautomaten — und der 2-Sigma-Effekt ist dahin.
Die letzten beiden Rollen kehren die Richtung um. Der Co-Pilot hilft der Lehrkraft beim Bauen von Strukturen: Lernpläne, Aufgaben, Differenzierung. In der vielleicht klügsten Rolle aber wird die KI selbst zum Lehrling — die Schüler:innen erklären ihr etwas und müssen ihre Fehler finden. Lernen durch Lehren, mit einem Gegenüber, das nie müde wird.
Baut Strukturen mit: Der Co-Pilot entwirft mit, statt zu ersetzen: Er liefert einen ersten Entwurf für Lernpläne, differenzierte Aufgaben, Stundenstrukturen — den die Lehrkraft prüft, schärft und verantwortet. Mollick betont, dass KI die „Einsamkeit" der Vorbereitung aufhebt: ständiges Gegenüber statt leeres Blatt.
Mathematik: Für ein Thema braucht es dieselbe Aufgabe auf drei Niveaus. Die KI liefert einen Erstentwurf für die [*]- und [**]-Stufe; die Lehrkraft korrigiert die Schärfe und entscheidet, was wirklich trägt. Aus 40 Minuten Tippen werden 10 Minuten Prüfen.
Werte & Normen: Für eine Einheit zu „Gerechtigkeit" entwirft die KI eine Dilemma-Geschichte als Einstieg. Die Lehrkraft passt sie an die Lebenswelt der Klasse an — der Co-Pilot liefert das Gerüst, nicht das fertige Material.
Die Schüler:innen lehren die KI: Hier kehrt sich alles um: Die KI gibt absichtlich eine fehlerhafte oder unvollständige Antwort, und die Schüler:innen müssen sie korrigieren. Wer einen Fehler in einer KI-Antwort findet, hat den Stoff durchdrungen — das ist „Lernen durch Lehren" in Reinform und zugleich ein Training im kritischen Prüfen von KI-Output.
Mathematik: Die KI „löst" eine Gleichung mit einem eingebauten Vorzeichenfehler und behauptet, sie sei richtig. Auftrag: „Ich habe einen Fehler gemacht — finde ihn und erklär mir, warum mein Schritt falsch war." Die Schüler:innen werden zu Prüfer:innen.
Werte & Normen: Die KI vertritt eine bewusst schwache Begründung („Stehlen ist okay, wenn man es braucht"). Die Schüler:innen müssen ihr erklären, warum das Argument nicht trägt — und schärfen dabei ihr eigenes Urteilen.
„Always invite AI to the table." — Nicht draußen halten, nicht blind übernehmen, sondern bewusst eine Rolle zuweisen und am Ergebnis mitarbeiten.
Ethan Mollick · Co-Intelligence
| Rolle | Wer profitiert | Was die KI tut | Wozu |
|---|---|---|---|
| Tutor | Schüler:in | Erklärt im sokratischen Dialog | Verstehen schwieriger Konzepte |
| Mentor | Schüler:in | Spiegelt den Lern- und Denkprozess | Besser werden, nicht nur bewertet werden |
| Co-Pilot | Lehrkraft | Entwirft Strukturen und Aufgaben mit | Vorbereitung entlasten |
| Lehrling | Schüler:in | Macht absichtlich Fehler | Lernen durch Lehren, KI prüfen lernen |
Vier Stolperstellen sind real und gehören offen benannt, sonst bricht die Idee im Klassenraum.
| Rollen-Verwischung | Wird die Rolle nicht klar gesetzt, kippt jede zur Antwortmaschine: Der Tutor verrät die Lösung, der Co-Pilot liefert ungeprüftes Material. |
| Halluzination | Die KI kann selbstbewusst Falsches behaupten — gefährlich besonders als Tutor und Co-Pilot. „Human in the loop": Jeder Output, der Schüler:innen erreicht, wird vorher geprüft. |
| Datenschutz | Keine Klarnamen, keine Schülerdaten an externe Dienste. Pseudonymisieren nach Schema <klasse>-S<nr> — die Rollen arbeiten an Stoff, nicht an echten Namen. |
| Falsche Phase | Beim ersten Kontakt braucht es Instruktion und klare Modelle (Rosenshine 2012), nicht sokratisches Bohren. Tutor, Mentor und Lehrling gehören in Übung und Vertiefung. |
Was das Rollenmodell für den Unterricht wirklich bedeutet
Der Gewinn liegt weniger in der KI selbst als in der Trennung der Rollen: Pauschale Nutzung liefert die schwächste Variante — eine Antwortmaschine. Wer vorab die passende Rolle wählt, gewinnt vier didaktisch sinnvolle Werkzeuge aus demselben Modell.
Das 2-Sigma-Versprechen wird damit greifbar, aber nicht geschenkt — es trägt nur, solange die Lehrkraft im Loop bleibt.
Die KI bleibt wesensfremd — Mollicks „alien intelligence": extrem fähig, grundlegend andersartig, und nur so gut wie die Führung, die man ihr gibt.
Quellen
Bloom, B. S. (1984): The 2 Sigma Problem. Educational Researcher 13(6), 4–16. ·
Mollick, E. & Mollick, L. (2023): Assigning AI: Seven Approaches for Students, with Prompts. SSRN/arXiv:2306.10052. ·
Mollick, E. (2024): Co-Intelligence: Living and Working with AI. Portfolio/Penguin. ·
Wiliam, D. (2011): Embedded Formative Assessment. Solution Tree. ·
Rosenshine, B. (2012): Principles of Instruction. American Educator 36(1), 12–19.