Bevor Kinder etwas über KI lernen, haben sie längst eigene Vorstellungen davon. Wer diese kennt, unterrichtet nicht an ihnen vorbei.
In einer finnischen Untersuchung beantworteten 195 Kinder der 5. und 6. Klasse, also 12- bis 13-Jährige, offene Fragen dazu, was KI bedeutet und wie sie funktioniert. Bewusst wurde dabei jede sprachliche Vorprägung vermieden: Die Kinder wurden nicht gefragt, wie man einem Computer etwas beibringt, weil diese Frage die Antwort schon enthält.
Zitate aus Mertala & Fagerlund (2024), S. 5, übersetzt.
Kinder trauen sich beim Thema KI selbst wenig zu. Und wer unsicher ist, lässt sich leichter überzeugen. Die Forschenden schließen daraus, dass sich selbst grundlegende Fehlvorstellungen mit vergleichsweise einfachen Mitteln korrigieren lassen.
Eine zweite Untersuchung mit 106 Kindern der Klassen 3 bis 8 fragte danach, wie Kinder sich das Schlussfolgern einer KI vorstellen. Die für die Grundschule typischste Antwort lautet sinngemäß: Die KI kann das eben, weil sie eine KI ist. Rund ein Drittel der Kinder erklärte es so, etwa mit „weil sie Roboter sind und sehr schlau" oder „weil sie schneller rechnet".
Diese Vorstellung verschwindet nach Klasse 6 vollständig; ab Klasse 7 dominiert die Erklärung „lernt aus Daten". Grundschulkinder befinden sich also mitten in diesem Übergang, und genau dort setzt unser Material an.
Der zweite Befund hat mehr Sprengkraft: Wie viel und wie oft Kinder KI nutzen, hatte keinen statistisch nachweisbaren Einfluss auf ihr Verständnis. Mit Sprachassistenten aufzuwachsen ersetzt keine KI-Bildung.
Aus der Forschungsübersicht zur KI-Bildung stammt ein Befund, der Ihre Rolle als Lehrkraft direkt betrifft: Kinder schreiben KI-Systemen mehr sozial-emotionale Eigenschaften zu als Erwachsene und halten sie überwiegend für freundlich und vertrauenswürdig. Jüngere Kinder überschätzen die Fähigkeiten solcher Systeme und halten sie oft für schlauer als sich selbst.
Kinder sagen schnell „die KI denkt sich das aus" oder „die KI mag keine Mädchen". Das liegt am Wort selbst: „KI" klingt nach jemandem. Die Übung besteht darin, das Wort durch das zu ersetzen, was tatsächlich dahintersteckt, zum Beispiel „die Rechenmaschine":
Plötzlich hört man, dass etwas nicht stimmt. Und zwar nicht, weil der Satz falsch übersetzt wurde, sondern weil das Wort „KI" vorher verdeckt hat, dass da niemand ist, der versteht oder mag. Die Idee stammt von der Sprachwissenschaftlerin Emily Bender, die im Englischen „mathy math" vorschlägt.
Und: Nehmen Sie Bilder aus Filmen und Spielen nicht als Störung, sondern als Gegenstand. Kinder bringen Jarvis, Terminator und „eines Tages zerstört sie die Welt" mit. Die passende Frage ist: „Woher weißt du das? Aus einem Film?"
Zwei Forschende haben 150 Fachtexte ausgewertet und daraus 17 Kompetenzen zusammengestellt, die KI-Bildung ausmachen. Ihr wichtigstes Ergebnis für die Schule: Man muss nicht programmieren können, um KI zu verstehen. Diese Kompetenzen sind schon in der Grundschule erreichbar:
Grün: in der Grundschule gut erreichbar. Grau: eher weiterführende Schule. Nach Long & Magerko (2020).
Verstehen, dass Daten nicht für sich sprechen, sondern gedeutet werden müssen, und beschreiben können, wie die Trainingsbeispiele das Ergebnis eines Algorithmus beeinflussen.
Dieselbe Übersicht nennt Gestaltungshinweise für gute KI-Bildung. Drei davon begründen unsere Lernmaschine unmittelbar: Lernende sollen sich „in die Schuhe des Systems" stellen, sie sollen Gelegenheit bekommen, ein System selbst zu trainieren statt es nur zu benutzen, und sie sollen Datensätze einordnen: Wer hat sie gemacht? Wie wurden sie gesammelt? Was fehlt darin?
Diese Haltung ist nicht neu. Seymour Papert hat sie bereits 1991 auf den Punkt gebracht: Menschen lernen besonders gut, wenn sie etwas bauen, das für andere sichtbar ist, statt nur etwas zu benutzen. In seinem Beispiel stellten Kinder Lernsoftware selbst her, statt fertige zu nutzen, und blieben dabei über Monate täglich eine Stunde konzentriert bei der Sache.
Zu viele offengelegte Details überfordern, zu wenige verhindern das Lernen. Deshalb wird bei uns nur ein Schritt auf einmal sichtbar gemacht: Beispiele sammeln, trainieren, testen, und erst dann darüber sprechen, warum das Ergebnis so ausfällt.
Eine große Untersuchung zu einem Programm gegen Ausgrenzung an Grundschulen (528 Kinder der Klassen 3 bis 5, acht Einheiten à 45 Minuten) zeigt, worauf es im Gesprächsteil ankommt: Nicht das Urteil der Kinder ist entscheidend, sondern ihre Begründung. Kinder, die moralisch argumentierten, waren anschließend offener gegenüber anderen.
Dangol, A., Wolfe, R., Zhao, R., Kim, J., Ramanan, T., Davis, K., & Kientz, J. A. (2025). Children's mental models of AI reasoning: Implications for AI literacy education. Interaction Design and Children (IDC '25), 106–123.
Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. CHI '20, Paper 598, 1–16.
Mertala, P., & Fagerlund, J. (2024). Finnish 5th and 6th graders' misconceptions about artificial intelligence. International Journal of Child-Computer Interaction, 39, 100630.
Papert, S., & Harel, I. (1991). Situating constructionism. In I. Harel & S. Papert (Hrsg.), Constructionism. Norwood: Ablex.
Yee, K. M., Luken Raz, K., Sims, R. N., & Killen, M. (2025). Developing inclusive youth: Children's moral reasoning predicts inclusive orientations. Social Psychology of Education, 28, 156.
