Ratgeber · Im Unterricht

Intelligente tutorielle Systeme in der Schule

Intelligente tutorielle Systeme begleiten Schüler:innen Schritt für Schritt durch eine Aufgabe und wählen danach die nächste passend zum Lernstand. In Studien lernen Schüler:innen damit im Mittel mehr als im normalen Unterricht, im Schulalltag fällt der Vorteil aber kleiner aus. Bei KI-Tutoren auf Basis von Sprachmodellen kommt es vor allem darauf an, dass sie durch die Aufgabe führen und die Lösung zurückhalten.

9 Minuten Lesezeit · Stand November 2026

Was ein intelligentes tutorielles System ist

Ein intelligentes tutorielles System (ITS) ist eine Lernsoftware, die Schüler:innen beim Lösen einer Aufgabe Schritt für Schritt begleitet. Wie solche Systeme arbeiten, hat der Informatiker Kurt VanLehn beschrieben. Nach seiner Beschreibung sind Tutorsysteme in zwei Schleifen aufgebaut. Die innere Schleife begleitet die einzelnen Schritte: Sie gibt zu jedem Lösungsschritt eine Rückmeldung und auf Wunsch Hinweise, erkennt typische Fehler und schätzt den Lernstand neu ein. Die äußere Schleife greift nach jeder gelösten Aufgabe und wählt die nächste aus, etwa so lange auf einem Niveau, bis es beherrscht wird. Programme, die nur die Endantwort prüfen, zählt VanLehn deshalb nicht zu den ITS.1

Die zwei Schleifen eines ITS nach Kurt VanLehn: Rückmeldung bei jedem Schritt, nach der gelösten Aufgabe die Wahl der nächsten nach dem geschätzten Lernstand.

Die vier Bausteine

Damit diese Schleifen funktionieren, braucht ein ITS vier Bausteine, die in der Forschung als üblicher Aufbau gelten:2

  • Das Fachmodell enthält das Wissen, das gelernt werden soll.
  • Das Lernendenmodell schätzt, was eine Person schon kann und welche Fehlvorstellungen sie hat.
  • Das Tutormodell entscheidet, wann ein Hinweis kommt und welche Aufgabe als Nächstes passt.
  • Die Oberfläche ist das, was Schüler:innen sehen und bedienen.

Die Ständige Wissenschaftliche Kommission (SWK) der Kultusministerkonferenz (KMK) beschreibt ITS genauso: als Systeme, die auf Modellen der Lernenden, des Fachs und der pädagogischen und fachdidaktischen Möglichkeiten beruhen.3 Am besten untersucht sind bisher Systeme aus Mathematik und Naturwissenschaften.4

Was die Forschung über die Wirkung sagt

Mit einem intelligenten tutoriellen System lernen Schüler:innen im Mittel mehr als im normalen Unterricht. Gute Systeme kommen in Studien sogar nah an Einzelnachhilfe heran.2

Im Schulalltag fällt der Vorteil allerdings kleiner aus. Wo Systeme ein ganzes Schuljahr lang in normalen Klassen liefen, blieb in allgemeinen Leistungstests oft nur ein kleiner Effekt oder gar keiner.6 Die hohen Werte stammen meist aus kurzen Versuchen und aus Tests, die genau das abfragen, was vorher im System geübt wurde.5 Eine Übersicht neuerer Studien fand außerdem kaum einen Vorteil gegenüber einfacheren Übungsprogrammen.4

Wie viel ein System bringt, hängt am Ende stark von den Lehrkräften ab. In einer Auswertung der TU München machte die Fortbildung der Lehrkräfte den größten Unterschied (mehr dazu im Ratgeber zu Lernapps).8

Ein ITS ist damit vor allem ein Werkzeug zum Üben, das Lehrkräfte bewusst einsetzen. Aus unserer Sicht lohnt es sich, einem neuen System Zeit zu geben, denn der Effekt kann sich auch erst im zweiten Jahr zeigen.7

ITS an deutschen Schulen

Die KMK sieht in intelligenten tutoriellen Systemen eine Möglichkeit, Schüler:innen beim Lernen individuell zu unterstützen. Für den breiten Einsatz an Schulen sind solche Systeme nach ihrer Einschätzung aber noch in der Entwicklung.9 Die SWK verweist darauf, dass ITS ihre Wirkung im Unterricht schon gezeigt haben. Sie schlägt deshalb Landeslizenzen vor, damit Schulen solche Systeme nutzen können.3

Gleichzeitig bauen die Länder ein eigenes System auf, das Adaptive Intelligente System (AIS). Seit Ende September 2026 läuft ein Probebetrieb mit Deutsch in Klasse 5 und Mathematik in Klasse 6. Ab Frühjahr 2027 soll AIS dann nach und nach an die Schulen kommen.10

KI-Tutoren mit Sprachmodellen

ChatGPT und ähnliche Programme können über fast jedes Thema sprechen und wirken deshalb wie ein Tutor, der immer Zeit hat. Nach der SWK fehlt ihnen aber etwas, das ein ITS ausmacht: Sie wissen nicht, was einzelne Schüler:innen schon können und wo sie falsch denken. Auch die Lernziele des Fachs kennen sie nicht.3

In einem Versuch an einer Schule in der Türkei übten rund 1.000 Schüler:innen Mathematik mit einem ChatGPT-ähnlichen Assistenten. Viele ließen sich dabei einfach die Lösungen geben. Beim Üben schnitten sie deshalb besser ab, in der Prüfung ohne KI aber schlechter als ihre Mitschüler:innen, die ohne KI geübt hatten. Ein Assistent, der nur Hinweise gab, richtete diesen Schaden nicht an.11

Gut gebaute KI-Tutoren können dagegen viel bewirken. An der Harvard University lernten Studierende mit einem KI-Tutor, der sie Schritt für Schritt durch vorbereitete Lösungen führte, mehr als doppelt so viel wie im Präsenzunterricht.12 Ein KI-Tutor hilft also, wenn er durch die Aufgabe führt und die Lösung zurückhält.

Für die Grundschule und die ersten Jahre der weiterführenden Schule empfiehlt die SWK trotzdem, weitgehend auf Sprachmodelle zu verzichten.3 Die Länder sehen das offener und wollen darüber noch beraten.9

Lernen durch Lehren mit lernbaren Agenten

Lernbare Agenten drehen die Rollen um: Hier erklären Schüler:innen einer Computerfigur den Stoff. Die Figur weiß nur, was man ihr beigebracht hat. Dahinter steht eine einfache Beobachtung: Wer etwas erklärt, lernt dabei selbst. Im Programm Betty's Brain der Vanderbilt University strengten sich Schüler:innen mehr an, wenn sie glaubten, ihre Figur zu unterrichten. Sie lernten dadurch mehr als Schüler:innen, die nur für sich lernten. Davon profitierten vor allem die Schwächeren. Die Forschenden sprechen vom Protégé-Effekt.13

Am besten wirkt Lehren, wenn Schüler:innen aus dem Kopf erklären, dabei sprechen und Rückfragen beantworten müssen. Gerade die Rückfragen sind wichtig, denn ohne sie geben viele nur den Stoff wieder.14

Die Rolle der Lehrkraft

Ein ITS ersetzt keine Lehrkraft, die Forschung sieht es als Ergänzung. Am meisten bringt es, wenn Lehrkräfte geschult sind und es für Übungsphasen oder Hausaufgaben nutzen.2 So sieht es auch die KMK: Lehrkräfte gestalten weiter den Unterricht und begleiten die Lernenden.9 Hinschauen müssen sie trotzdem, denn manche Schüler:innen klicken sich durch die Hinweise bis zur Lösung oder raten so lange, bis das System „richtig“ meldet.1

Dabei hilft es, wenn die Lehrkraft live sieht, wer feststeckt. In einem Versuch an US-Schulen zeigte eine Datenbrille den Lehrkräften genau das an. Ihre Klassen lernten mehr als Klassen ohne diese Anzeige.15 Diesen Vorteil beschrieb auch der Bildungsjournalist Christian Füller im November 2026 im Podcast „Zwei plus Schlau“. Er warnte aber zugleich vor einer Flut von Daten.19

„Jetzt kann man quasi als Lehrkraft die ganze Zeit in Echtzeit sehen, wo steht meine Klasse. Das hat Vorteile, weil man viel öfter genauer nachsteuern kann.“

Christian FüllerBildungsjournalist, im Podcast „Zwei plus Schlau“

Was Schulen vor dem Einsatz klären

Die KI-Verordnung der EU

Die KI-Verordnung der EU stuft KI-Systeme in Schulen als Hochrisiko-KI ein, wenn sie Leistungen bewerten und damit das Lernen steuern, über die Zulassung entscheiden oder Prüfungen überwachen. Erstellt ein solches System ein Profil der Schüler:innen, gilt es in jedem Fall als Hochrisiko-KI. Bereits seit Februar 2025 verbietet die Verordnung außerdem, mit KI die Gefühle von Menschen in Schulen zu erkennen, außer aus medizinischen oder Sicherheitsgründen.16 Für Hochrisiko-KI gelten ab dem 2. Dezember 2027 strenge Pflichten.17 Ob ein ITS dazu zählt, ist aus unserer Sicht noch offen. Das bayerische Kultusministerium zählt Rückmeldungen, die nur beim Lernen helfen und nicht in Noten einfließen, nach aktuellem Stand nicht dazu.18

Datenschutz und Freigabe

Noten gibt weiterhin die Lehrkraft, denn bei Entscheidungen mit rechtlicher Wirkung muss nach der DSGVO immer ein Mensch das letzte Wort haben.9 In Bayern prüft die Schulleitung jede KI-Anwendung und gibt sie frei. Lehrkräfte, Schüler:innen und Eltern werden vorher informiert. Dabei achtet die Schule darauf, dass der Anbieter die Eingaben weder für eigene Zwecke noch zum Training seiner KI nutzt und keine Daten in Länder schickt, in denen die DSGVO nicht gilt. Soll eine KI-Anwendung ohne Anlass aus dem Unterricht zum freien Lernen freigeschaltet werden, müssen außerdem die Eltern zustimmen.18

Fragen an einen Anbieter

Wer ein System auswählt, sollte den Anbieter vorher fragen:

  • Hilft das System bei jedem Lösungsschritt oder prüft es nur das Ergebnis?
  • Welche Studien belegen die Wirkung und wie lange liefen sie?
  • Was sieht die Lehrkraft und kann sie eingreifen?
  • Gibt ein KI-Tutor Hinweise oder verrät er die Lösung?
  • Gibt das System Noten oder fließen seine Ergebnisse in Noten ein?
  • Wofür nutzt der Anbieter die Eingaben und wo werden sie verarbeitet?
  • Welche Fortbildung gibt es für das Kollegium?

Juno, Lernkarten und der Navigator in studypilot

studypilot greift zwei Ideen aus dieser Forschung auf: Lernen durch Lehren und Wiederholen nach einem Modell des eigenen Gedächtnisses. Beide gehören zu Flow, den KI-Funktionen von studypilot. In der App stehen sie im Labor, dem Bereich mit neuen Funktionen zum Ausprobieren.

Juno lässt sich den Stoff erklären

Juno ist eine KI-Figur, die in der Stunde gefehlt hat und sich den Stoff deshalb erklären lässt. Schüler:innen wählen dafür ihre Notizen aus, aus denen Juno einen Lernplan mit den wichtigsten Begriffen vorbereitet. Dann erklären sie den Stoff im Chat oder per Sprache. Die Notizen selbst kennt Juno nicht, nur das, was man erzählt. Damit die Erklärung nicht beim Nacherzählen stehen bleibt, stellt Juno in jeder Nachricht eine Rückfrage. Einmal bringt Juno außerdem eine typische Fehlvorstellung ins Gespräch, die die Schüler:innen richtigstellen müssen. Am Ende schreibt Juno einen kurzen Test und beantwortet die Fragen nur mit dem, was im Gespräch gelernt wurde. Wie gut Juno abschneidet, hängt deshalb davon ab, wie vollständig die Erklärung war.

Lernkarten mit eigenem Wiederholungsplan

Für das Wiederholen erstellt Flow aus den Notizen Lernkartensets in vier Kartentypen, darunter Lückentext und Multiple Choice. Nach jeder Karte schätzen Schüler:innen ein, wie gut sie die Antwort wussten. Daraus berechnet das offene Verfahren FSRS, wann eine Karte wiederkommt, nämlich kurz bevor die Erinnerung nachlässt. Seine Gewichte passt studypilot jede Nacht an die Wiederholungen der einzelnen Person an.

Eine Lernkarte zur Zellbiologie in studypilot mit der Antwort „Sie erzeugen Energie durch Zellatmung.“ und vier Knöpfen zur Selbsteinschätzung: Nochmal in 1 Minute, Schwer in 6 Minuten, Gut in 10 Minuten, Einfach in 8 Tagen.
Eine Lernkarte in studypilot: Die vier Knöpfe zeigen, wann die Karte je nach Selbsteinschätzung wiederkommt (Beispieldaten).

Der Überblick bleibt bei der Lehrkraft

Den Überblick behält die Lehrkraft im Navigator. Dort verteilt sie Aufgaben an Klassen, Lerngruppen und einzelne Schüler:innen. Im Monitoring sieht sie in Echtzeit, wer eine Aufgabe noch offen hat, wer daran arbeitet und wer fertig ist. Rückmeldung gibt sie dort ohne Schulnote.

Das Monitoring der Klasse 8a im Navigator: eine Tabelle mit fünf Schüler:innen und den Spalten Offen, In Bearbeitung und Erledigt.
Das Monitoring im Navigator zeigt für jede Person, welche Aufgaben offen, in Bearbeitung und erledigt sind (Beispieldaten).

Schulen buchen Flow optional dazu, legen dafür ein Budget fest und schalten Flow dann für ihre Schüler:innen frei. Der Navigator ist ab dem Plan Core enthalten (Preise für Schulen). Im Termin zeigen wir Ihnen Juno, die Lernkarten und den Navigator und beantworten Ihre Fragen zum Datenschutz.

Häufige Fragen

Eine Lernsoftware, die Schüler:innen bei jedem Lösungsschritt Rückmeldung und Hinweise gibt und nach jeder Aufgabe die nächste passend zum geschätzten Lernstand auswählt. Programme, die nur die Endantwort prüfen, zählen nach Kurt VanLehn nicht dazu.

Quellen

Alle 19 Quellen anzeigen, abgerufen am 18.11.2026
  1. Kurt VanLehn, International Journal of Artificial Intelligence in Education (2006): The Behavior of Tutoring Systems
  2. Wenting Ma, Olusola O. Adesope, John C. Nesbit, Qing Liu, Journal of Educational Psychology (2014): Intelligent Tutoring Systems and Learning Outcomes: A Meta-Analysis
  3. Ständige Wissenschaftliche Kommission der Kultusministerkonferenz (SWK) (2024): Large Language Models und ihre Potenziale im Bildungssystem. Impulspapier
  4. Angélique Létourneau u. a., npj Science of Learning (2025): A systematic review of AI-driven intelligent tutoring systems (ITS) in K-12 education
  5. James A. Kulik, J. D. Fletcher, Review of Educational Research (2016): Effectiveness of Intelligent Tutoring Systems: A Meta-Analytic Review
  6. Saiying Steenbergen-Hu, Harris Cooper, Journal of Educational Psychology (2013): A Meta-Analysis of the Effectiveness of Intelligent Tutoring Systems on K-12 Students' Mathematical Learning
  7. RAND Corporation (John F. Pane u. a.) (2014): Effectiveness of Cognitive Tutor Algebra I at Scale (Research Brief)
  8. Delia Hillmayr, Lisa Ziernwald, Frank Reinhold, Sarah I. Hofer, Kristina M. Reiss, Computers & Education (2020): The potential of digital tools to enhance mathematics and science learning in secondary schools: A context-specific meta-analysis
  9. Kultusministerkonferenz (2024): Handlungsempfehlung für die Bildungsverwaltung zum Umgang mit Künstlicher Intelligenz in schulischen Bildungsprozessen
  10. FWU Institut für Film und Bild in Wissenschaft und Unterricht (2026): AIS: Pilotphase
  11. Hamsa Bastani u. a., PNAS (2025): Generative AI without guardrails can harm learning: Evidence from high school mathematics
  12. Gregory Kestin, Kelly Miller u. a., Scientific Reports (2025): AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting
  13. C. C. Chase, D. B. Chin, M. A. Oppezzo, D. L. Schwartz, Journal of Science Education and Technology (Abstract) (2009): Teachable Agents and the Protégé Effect: Increasing the Effort Towards Learning
  14. Logan Fiorella, Society for the Teaching of Psychology (2023): Learning by Teaching, in: In Their Own Words
  15. Kenneth Holstein, Bruce M. McLaren, Vincent Aleven, Artificial Intelligence in Education (AIED) (2018): Student Learning Benefits of a Mixed-Reality Teacher Awareness Tool in AI-Enhanced Classrooms
  16. Europäische Union, Amtsblatt (2024): Verordnung (EU) 2024/1689 (KI-Verordnung), Art. 5, Art. 6 und Anhang III
  17. Europäische Union, Amtsblatt (2026): Verordnung (EU) 2026/1744 zur Änderung der KI-Verordnung (Digital-Omnibus)
  18. Bayerisches Staatsministerium für Unterricht und Kultus (2026): Künstliche Intelligenz in der pädagogischen Praxis. Handlungsleitfaden für Schulen
  19. Gert Mengel und Viola Patricia Herrmann, Podcast Zwei plus Schlau (Spotify) (2026): Macht KI unsere Kinder dümmer? Mit Christian Füller

Sehen Sie es im Termin.

  • Wir zeigen Navigator und App mit Beispielen aus Ihrem Unterricht.
  • Wir klären Anbindung, Datenschutz und Kosten.
  • Danach wissen Sie, was die Einführung für Ihr Kollegium bedeutet.

Ihr AnsprechpartnerJan KaczmarekMitgründer von studypilot

30 Minuten, kostenlos und unverbindlich