KI-Tutoren für Lernende

Das echte Ausmaß des Problems

Deutsche Schülerinnen und Schüler lernen durchschnittlich 12 bis 16 Stunden pro Woche außerhalb des Unterrichts: Hausaufgaben, Prüfungsvorbereitung, Nacharbeiten. In dieser Zeit steht ihnen im besten Fall eine Stunde bezahlte Nachhilfe zur Verfügung — wenn die Familie es sich leisten kann. Die durchschnittlichen Nachhilfekosten liegen bei 25 bis 45 Euro pro Stunde. Familien geben dafür jährlich zusammen über 900 Millionen Euro aus, hat das Deutsche Institut für Wirtschaftsforschung (DIW) errechnet.

Das zweite, strukturell noch größere Problem ist Heterogenität. In einer typischen Klasse mit 25 bis 28 Schülerinnen und Schülern kann der Leistungsabstand zwischen dem stärksten und schwächsten Kind im Fach Mathematik drei bis vier Schuljahre betragen — belegt durch OECD-Bildungsstudien. Einer Lehrkraft, die 45 Minuten für alle unterrichtet, ist dieser Spagat strukturell nicht auflösbar.

Das dritte Problem ist Zeit. Eine Schülerin, die im Unterricht etwas nicht versteht, wartet im besten Fall bis zur nächsten Stunde. Oft länger. In dieser Wartezeit läuft der Lehrplan weiter, der Rückstand wächst, die Frustration steigt. Die OECD (Education at a Glance 2023) stellt fest, dass Deutschland bei individueller Förderung im Ländervergleich unterdurchschnittlich abschneidet — nicht wegen fehlenden Willens, sondern wegen strukturell zu wenig Raum dafür.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Tabelle zeigt das strukturelle Ungleichgewicht: Gute Lernbegleitung war bislang ein Privileg, das Zeit oder Geld kostet. KI verschiebt dieses Verhältnis erheblich — macht aber weder Lehrkräfte noch Nachhilfe obsolet.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) KI-Tutoren sparen Lernenden Zeit beim Suchen nach Erklärungen und Lehrkräften Erkläraufwand bei Routinefragen. Der Effekt ist real, aber schwer präzise zu messen — weil Lernzeit ohnehin verteilt stattfindet und nicht direkt als Stundeneinsparung sichtbar wird. Stärker als bei reiner Unterrichtsplanung, schwächer als bei direkt messbarer Korrekturentlastung.

Kosteneinsparung — hoch (4/5) Der direkteste Kostennutzen in dieser Kategorie: Familien, die monatlich 100 bis 180 Euro für Nachhilfe ausgeben, können einen erheblichen Teil davon durch KI-Tutoren ersetzen. Für Schulen ist der Nutzen indirekter, aber real: weniger Förderstunden nötig, wenn Lücken früher geschlossen werden. Klar messbarer Effekt.

Schnelle Umsetzung — mittel (3/5) Für Einzellernende ist der Einstieg mit ChatGPT oder Claude in einem Tag erledigt. Für Schulen mit Minderjährigen unter 16 Jahren dauert die datenschutzrechtliche Klärung realistisch 4 bis 8 Wochen — AVV, Schulleitung, Datenschutzbeauftragter, Elterninformation. Kein Schnellstart, aber handhabbar.

ROI-Sicherheit — mittel (3/5) Dass Sofort-Feedback Lernerfolg verbessert, ist gut belegt (Hattie-Meta-Analyse: Effektstärke d = 0,73 für formatives Feedback). Ob und wie stark ein KI-Tutor diesen Effekt reproduziert, hängt stark von Konfiguration und Nutzungsqualität ab. Der Nutzen ist real — die Kausalität im Einzelfall schwer isolierbar.

Skalierbarkeit — sehr hoch (5/5) Das stärkste Argument für KI-Tutoren: Ein einmal konfiguriertes System begleitet gleichzeitig beliebig viele Lernende, ohne Mehrkosten. Eine Schule mit 600 Schülerinnen zahlt nicht mehr als eine mit 60. Das ist der fundamentale Unterschied zu menschlicher Nachhilfe.

Richtwerte — stark abhängig von Konfiguration, Fach, Altersgruppe und Datenschutz-Setup.

Was ein KI-Tutor konkret macht

Ein KI-Tutor ist kein Suchmaschinen-Ersatz und kein Lösungslieferdienst. Er führt einen Dialog, stellt Gegenfragen, erkennt Denkfehler und passt die Erklärtiefe in Echtzeit an.

Der technische Kern: Ein LLM erhält einen strukturierten Systemkontext — die Rolle des Tutors, das Fach, die Jahrgangsstufe, das explizite Verbot direkter Lösungen — und reagiert dann auf Fragen der Lernenden. Der Systemkontext ist der entscheidende Hebel: Ohne ihn folgt die KI dem leichtesten Weg und liefert fertige Antworten. Mit ihm führt sie Lernende durch eigenes Denken zur Erkenntnis.

Beispiel: Schüler schreibt: „Ich verstehe nicht, warum (a+b)² ≠ a² + b² ist.” Ein schlechter Prompt lässt die KI die Formel erklären. Ein guter Tutor-Prompt führt zu:

„Gute Frage — der Fehler, den du beschreibst, nennt sich ‘Freshman’s Dream’. Stell dir ein Quadrat mit Seitenlänge (a+b) vor. Wenn du es in vier Teile aufteilst: Welche Fläche hat das obere rechte Quadrat?”

Wenn der Schüler antwortet, prüft der Tutor das Verständnis, erklärt den nächsten Schritt, stellt eine Übungsaufgabe und gibt Feedback auf den Denkweg — nicht nur auf das Ergebnis.

Drei Ansätze die sich in der Praxis bewähren

Sokrates-Methode: Der Tutor gibt keine direkten Antworten, sondern führt durch Fragen zur Erkenntnis. Besonders wirksam bei Mathematik und Naturwissenschaften.

Niveaudifferenzierte Erklärung: Dasselbe Konzept wird in drei Varianten angeboten — einfach mit Analogie, mittel mit Fachsprache, vertiefend mit Sonderfall. Khanmigo ist hierfür speziell konzipiert.

Lernstandsdiagnose: Moderne Systeme erkennen nach einem kurzen Diagnosegespräch, wo die eigentliche Verständnislücke sitzt — nicht immer da, wo der Lernende vermutet.

Konkrete Werkzeuge — was wann passt

Khanmigo — spezialisierter Schul-Tutor Entwickelt von Khan Academy auf GPT-4-Basis, ausdrücklich für tutorielles Lernen ausgelegt. Verweigert direkte Antworten und führt durch Fragen. Auf Englisch vollständig ausgereift, auf Deutsch eingeschränkt. Ca. 4 USD/Monat für Lernende, Schulpiloten kostenlos. COPPA-konform für den US-Markt — europäische DSGVO-Compliance separat prüfen, besonders für Lernende unter 16 Jahren.

ChatGPT mit Tutor-Prompt Einstiegslösung ab 16 Jahren und für Lehrkräfte. Mit einem strukturierten System-Prompt entsteht ein leistungsfähiger Tutor für alle Fächer. ChatGPT Plus: 20 Euro/Monat. Datenschutz: Keine personenbezogenen Daten eingeben, bei Minderjährigen zwingend AVV klären.

Claude — für differenziertere Erklärungen Besonders stark bei erklärungsintensiven Fächern wie Geschichte, Deutsch oder Ethik. Ähnliche Preisstruktur wie ChatGPT. Gibt Unsicherheiten häufiger explizit zu als andere Modelle — ein pädagogischer Vorteil für das kritische Denken.

Fobizz — für Schulen Deutsche Plattform mit DSGVO-konformem KI-Zugang, explizit für Schulen gebaut. Alle Daten auf Servern in Deutschland. Schülerinnen können ohne Login arbeiten. 119 Euro/Jahr oder günstigere Staatslizenz (verfügbar in Rheinland-Pfalz, Thüringen, weiteren Ländern). Für institutionellen Einsatz mit Minderjährigen die sicherste Wahl in Deutschland.

Eduaide — für Bildungseinrichtungen Kombiniert Tutoring-Funktionen mit Materialerstellung. Hat Bildungsverträge und Datenschutzkonfigurationen. Basisversion kostenlos, Pro-Pläne ab ca. 10 $/Monat für Lehrkräfte.

Datenschutz und Datenhaltung

KI-Tutoren in Schulkontexten sind datenschutzrechtlich anspruchsvoller als fast jeder andere KI-Einsatz — weil Minderjährige betroffen sind.

Die wesentlichen Anforderungen: Für jeden Cloud-Dienst, der im Auftrag der Schule Schülerdaten verarbeitet, ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO abzuschließen — auch dann, wenn Schülerinnen anonym interagieren und nur IP-Adressen erfasst werden.

Für Lernende unter 16 Jahren gilt in Deutschland eine erhöhte Sorgfaltspflicht. Einwilligungen müssen von Erziehungsberechtigten eingeholt werden, wenn personenbezogene Daten verarbeitet werden. Der einfachste Weg drum herum: rein anonyme Nutzung ohne Login, ohne Eingabe von Namen oder Klasse.

Bundesländer-Unterschiede sind real: Bayern und Hessen wenden die Schulgesetze restriktiver an als andere Länder. US-Serverstandorte sind in diesen Bundesländern für institutionelle Schülernutzung problematisch, auch wenn ein AVV vorliegt. Wer sicher sein will, wählt Anbieter mit Hosting in der EU — Fobizz und SchulKI verarbeiten ausschließlich in Deutschland bzw. der EU.

EU AI Act — ab August 2026 relevant: KI-Systeme, die Lernverhalten steuern oder Lernergebnisse bewerten, fallen unter die Hochrisiko-Klassifizierung des EU AI Act. Schulen als Betreiber müssen ab dann sicherstellen, dass Lehrende und Lernende ausreichende KI-Kompetenz haben und dass Mensch-Überwachung gewährleistet ist. Reine Erklär-Tutoren ohne Bewertungsfunktion sind wahrscheinlich nicht betroffen — KI-Systeme, die Lernstände bewerten oder Förderentscheidungen beeinflussen, sehr wohl.

Was es kostet — realistisch gerechnet

Für Einzellernende:

• Einmalige Kosten: keine (außer 1–2 Stunden Prompt-Konfiguration)
• Laufend: 0 Euro (ChatGPT Gratis) bis 20 Euro/Monat (Plus-Plan)
• Vergleich: Eine Nachhilfestunde pro Woche kostet 100–180 Euro/Monat

Für Schulen:

• Einmalige Einrichtungskosten mit DSGVO-Setup: 5.000–20.000 Euro je nach Schulgröße
• Laufend: 3–12 Euro pro Schüler/Monat bei Plattformlösungen; Fobizz ab 119 Euro/Jahr (Einzel) oder Staatslizenz

Wie du den Nutzen misst: Der ehrlichste Indikator ist die Nutzungsrate: Wie viele Schülerinnen nutzen den Tutor freiwillig außerhalb der Unterrichtszeit? Wer tut das regelmäßig, wer nicht? Welche Fragen werden gestellt, welche nicht? Das zeigt dir, wo Verständnislücken liegen — und ob der Tutor sie schließt. Eine Vergleichserhebung vor und nach der Einführung (kurzer Lernstandstest) macht den Effekt sichtbarer.

Drei typische Einstiegsfehler

1. KI als Hausaufgaben-Erledigungsmaschine konfigurieren. Wenn der Tutor-Prompt direktes Lösen nicht explizit ausschließt, folgt die KI dem leichtesten Weg. Lernende bekommen fertige Antworten statt Erklärungen — und der Lerneffekt ist null. Das ist kein KI-Problem, sondern ein Konfigurationsproblem. Lösung: Jeder Tutor-Prompt muss direkte Lösungen explizit verbieten und stattdessen Gegenfragen verlangen.

2. Datenschutz bei Minderjährigen unterschätzen. Der häufigste institutionelle Fehler: Eine öffentliche KI-App wird im Unterricht eingesetzt, ohne DSGVO-Prüfung. Kein AVV, keine Elterninformation, Schülerinnen unter 16 Jahren geben Namen und Klasse ein. Lösung: Datenschutzbeauftragten der Schule einbeziehen, bevor das erste Tool produktiv geht. Das dauert Zeit — ist aber keine Option, sondern Pflicht.

3. Lehrkräfte nicht einbinden. KI-Tutoren, die von Eltern oder einzelnen Schülerinnen ohne Wissen der Schule eingesetzt werden, erzeugen Reibung: Lehrerin erklärt Stoff mit einer Methode, KI mit einer anderen, Schülerin ist verwirrt. Lösung: Von Anfang an transparent kommunizieren, welche Tools genutzt werden, und klare Regeln vereinbaren: Was ist erlaubt (Erklärungen, Gegenfragen), was nicht (direkte Lösungen abschreiben).

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist der einfachste Teil. Das Schwierigere ist die Haltung.

Schülerinnen und Schüler reagieren gespalten: Ein Teil nutzt den Tutor intensiv und freut sich über die Möglichkeit, ohne Angst vor Blamage zu fragen. Ein anderer Teil versucht, den Tutor zu überlisten — fertige Antworten herauszukitzeln, Prompts zu umgehen. Das zweite Muster ist kein Versagen des Systems, sondern ein pädagogischer Impuls: Wer versucht, einen Tutor zu täuschen, muss verstehen wie er funktioniert. Das ist Medienkompetenz in Echtzeit.

Lehrkräfte reagieren oft mit einer Mischung aus Neugier und Sorge: „Lernen die Kinder dann noch selbst?” Die relevante Antwort: Ein gut konfigurierter Tutor lehrt das Denken, er nimmt es nicht ab. Der Unterschied liegt vollständig in der Konfiguration.

Eltern sind die am wenigsten einbezogene Gruppe — und das rächt sich später. Eltern, die nicht wissen, welche KI-Tools ihre Kinder nutzen, reagieren mit Misstrauen, wenn sie es herausfinden. Transparente Kommunikation vor dem Start ist kein Aufwand, sondern Vertrauensaufbau.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Schüler werden dann gar nicht mehr selbst denken.” Dieser Einwand trifft das falsche Target. Google liefert Antworten ohne Denkprozess. Ein gut konfigurierter KI-Tutor tut das Gegenteil — er verweigert direkte Lösungen und erzwingt eigenes Denken. Die Frage ist nicht, ob KI das Denken abschafft, sondern ob das konkrete Tool richtig konfiguriert ist.

„KI erklärt falsch und Schüler lernen das dann so.” Ein reales Risiko, das ernst genommen werden muss. Aktuelle LLMs machen Fehler, besonders bei komplexen Rechenaufgaben. Die Lösung ist Transparenz: Schülerinnen müssen verstehen, dass eine KI-Erklärung ein Ausgangspunkt ist, kein Lehrbuch. In der Praxis schult das kritisches Quellenprüfen — eine wichtige Kompetenz. Geprüfte Plattformen wie Khanmigo sind für Inhalte verantwortlicher als offene LLMs.

„Das können sich unsere Schüler nicht leisten.” Digitale Bildungsungleichheit ist ein echtes Problem — und KI-Tutoren können es lindern, wenn die Schule einen gemeinsamen Zugang ermöglicht. Die Technologie, die bislang nur Familien mit Nachhilfe-Budget zugutekam, kann damit demokratisiert werden. Ein öffentliches Angebot über die Schule ist für genau diesen Fall die richtige Antwort.

Woran du merkst, dass das zu dir passt

• Lernende haben Verständnisfragen abends oder am Wochenende und erhalten keine Rückmeldung bis zur nächsten Stunde
• In der Lerngruppe sind Leistungsunterschiede groß — und individuelle Begleitung ist nicht für alle leistbar
• Nachhilfekosten sind für einige Familien ein Thema — du willst eine kostenfreie oder günstige Alternative ermöglichen
• Schülerinnen fragen im Unterricht wenig nach, auch wenn Stoff unklar ist — die KI als anonymer „Erklär-Partner” kann diese Hemmschwelle senken
• Du bist bereit, einen klaren Rahmen zu kommunizieren: Was ist mit KI erlaubt, was nicht — und das regelmäßig zu besprechen

Wann es sich (noch) nicht lohnt:

• Wenn keine Person in der Schule bereit ist, sich 2–4 Stunden in Prompt-Konfiguration und Datenschutz-Anforderungen einzuarbeiten
• Wenn Lernende unter 13 Jahren betroffen sind und kein speziell zugelassenes Kindertool genutzt wird
• Wenn die Schule noch keinen Datenschutzbeauftragten hat und keine kurzfristige Klärung möglich ist
• Wenn das Hauptziel ist, Lehrkräfte zu entlasten statt Lernende zu fördern — dafür gibt es besser geeignete Anwendungsfälle

Das kannst du heute noch tun

Öffne ChatGPT und füge den folgenden Prompt als System-Prompt ein — oder schicke ihn direkt als erste Nachricht. Stelle dann eine Frage aus einem Schulfach, das du kennst, und beobachte wie der Tutor reagiert.

Quellen & Methodik

• Nachhilfemarkt Deutschland: DIW Berlin, Nachhilfe-Bericht 2023; Kosten- und Marktvolumenangaben Stand 2023/2024
• Heterogenität und Leistungsunterschiede: OECD, Education at a Glance 2023; PISA-Daten für Deutschland
• Formatives Feedback (Hattie): Hattie, J. „Visible Learning” (2009 / aktualisiert 2023), Effektstärke d = 0,73 für formatives Feedback
• DSGVO Art. 28 (AVV), Art. 8 (Einwilligung Minderjährige): DSGVO in der aktuell gültigen Fassung
• EU AI Act Hochrisiko-Klassifizierung Bildung: Anhang III EU AI Act (Verordnung 2024/1689), in Kraft seit August 2024
• Datenschutz Bundesländer (Bayern/NRW): Bayrische Datenschutzbekanntmachung Schulen (2022); NRW SchulG §§ 120–122
• KI-Nutzung Lehrkräfte Deutschland: BITKOM-Studie 2024 „KI in Schulen”; Schulbarometer 2025 bildung.digital
• Kostenangaben Tools: Veröffentlichte Tarife der Anbieter (Stand April 2026)