Warum die meisten KI-Tools in Schulen scheitern - eine Perspektive der kognitiven Belastung

Schulen testen jedes Jahr vielversprechende KI-Tools - und legen die meisten bis Weihnachten wieder ab.

Von außen sieht es nach Widerstand, fehlender Schulung oder „langsamer Adoption“ aus. Der wahre Grund ist psychologisch: kognitive Belastung.

KI scheitert in Schulen nicht, weil Lehrkräfte Technologie fürchten, sondern weil die meisten Tools die kognitive Belastung erhöhen statt sie zu senken.

Dieser Beitrag zeigt, warum das passiert, warum Demos täuschen und wie KI-Designer die Falle vermeiden.

Teil 1: Die Illusion der perfekten Demo

Am Demo-Tag wirkt KI magisch:

• polierte Beispiele
• perfekte Prompts
• kontrollierter Kontext
• Expertinnen als Nutzer
• null Ablenkungen

Im Alltag passiert Unterricht jedoch in:

• lauten Klassenräumen
• fünf Minuten Lücken zwischen Stunden
• wechselnden Prioritäten
• unvollständigen Infos
• emotionalen Lagen

In diesem Umfeld führen schon kleine Extra-Anforderungen zu Abbruch.

Teil 2: Das unterschätzte Problem kognitiver Belastung

Die Theorie kognitiver Belastung erklärt, wann Menschen überfordert sind:

• Aufgaben brauchen zu viel Arbeitsgedächtnis
• Schritte sind unklar oder unvorhersehbar
• Infos kommen in falscher Reihenfolge
• Tools unterbrechen den natürlichen Workflow
• Tools verlangen zusätzliche Fertigkeiten oben drauf

Die meisten KI-Tools verstoßen gegen alle fünf Punkte.

Wie typische KI-Tools zu hoher Last führen

1. Prompt-Engineering-Pflicht

Lehrkräfte müssen Kontext eingeben, den das System kennen sollte.

1. Kontextwechsel

Springen zwischen KI-Tool ➜ LMS ➜ Planung ➜ Dokumentation ➜ E-Mail ➜ Notizen.

1. Entscheidungsüberlastung

Mehrere Output-Versionen, unklare Qualität, zu viele Optionen.

1. Geringes Vertrauen

Alles muss doppelt geprüft und überarbeitet werden.

1. Keine Integration in bestehende Abläufe

Lehrkräfte müssen „stoppen, was sie tun“, um das Tool zu nutzen.

Ergebnis: Eine erschöpfte Lehrkraft, die KI als Zusatzaufgabe empfindet.

Teil 3: Warum Schulen Tools ablehnen, die „eigentlich helfen sollten“

1. Tools optimieren für Fähigkeit, nicht für Workflow

Ingenieursblick: „Was kann die KI?“ Lehrkraftblick: „Was muss ich jetzt erledigen?“

2. Tools verlangen Kontext, den Lehrkräfte nicht liefern können

KI sollte schlussfolgern - Lehrkräfte sollten nicht erklären müssen.

3. Tools ignorieren reale Klassenraumbedingungen

Viele KI-Tools setzen lineare, ungestörte Denkzeit voraus. Selten verfügbar.

4. Tools senken nicht die Gesamt-Arbeitslast

Spart KI 20 Minuten, kostet aber 25 Minuten Korrektur, ist Vertrauen weg.

Teil 4: Ein besserer Weg - KI, die kognitive Belastung senkt

Schulen haben Erfolg mit KI, wenn Tools:

1. Mit Workflow-Mapping statt KI-Features starten

Analysiere:

• Ablauf der Unterrichtsplanung
• Bewertungszyklen
• Kommunikationsmuster
• Dokumentationspflichten

Bauen dann in diese Strukturen.

2. Komplexität verstecken, Klarheit zeigen

Lehrkräfte müssen nicht sehen:

• Modelle
• Tokens
• Engines
• System-Prompts
• Temperature-Einstellungen

Sie brauchen:

• das richtige Ergebnis
• zum richtigen Zeitpunkt
• im passenden Format

3. Progressive Offenlegung nutzen

Zeige:

• zuerst minimale Optionen
• erweiterte Einstellungen nur bei Bedarf
• einfache Pfade für häufige Aufgaben

So sinkt kognitive Belastung, weil Wahlstress wegfällt.

4. Kontext behalten

KI sollte merken:

• Klassenstufe
• Fach
• Bedürfnisse der Lerngruppe
• Schulkalender
• frühere Stundenstruktur
• Präferenzen der Lehrkraft

Jedes „Neuanfangen“ treibt die Last nach oben.

5. Fehlerwürdig scheitern

KI sollte sagen:

• „Hier bin ich unsicher - soll ich es einfacher versuchen?“
• „Hier sind zwei sichere Alternativen.“

Das schützt Vertrauen und spart die Ermüdung durch schlechte Outputs.

Teil 5: Praxisbeispiel - Zazas Framework für kognitive Last

Bei Zaza ist kognitive Belastung die Designgrundlage.

Unsere Prinzipien:

• Null unnötiges Tippen
• Null Prompt-Engineering
• Unsichtbare Komplexität
• Workflow-first, nicht AI-first
• Lehrkraft-Autonomie bleibt
• Kontext wird behalten, nicht erneut eingegeben
• Mikro-Interaktionen statt modaler Überladung

Wenn kognitive Last sinkt, steigt Adoption - selbst bei skeptischen Teams.

Die Zukunft von KI in Schulen entscheidet nicht das „smarteste“ Modell, sondern die geringste kognitive Belastung.