Entlastung durch KI-Korrektur?
Ein Annäherungsversuch

Schriftliche Korrekturarbeiten gehören insbesondere in höheren Jahrgangsstufen zu den zeitintensiven Tätigkeiten von Lehrkräften. Da wundert es nicht, wenn zunehmend mehr KI-Firmen mit Versprechen der Korrekturentlastung durch ihre Tools aufwarten und Lehrkräfte darauf hoffen, dieses Versprechen einlösen zu können. Doch was verlockend klingt, ist in der Praxis schwierig und stößt auf rechtliche und pädagogische Grenzen.
Wie zeitintensiv Korrekturarbeit tatsächlich ist, belegen gleich mehrere Studien. Eine niedersächsische Arbeitszeitstudie weist für Gymnasien 6:45 Stunden Korrekturzeit pro Woche aus. Hendrik Haverkamp und Benedikt Wisniewski beziffern den Anteil je nach Schulform und Erhebungsmethode auf 11 bis 15 Prozent der Arbeitszeit und kommen so auf 150 bis 200 Millionen Arbeitsstunden pro Jahr in Deutschland. Eine Berliner Arbeitszeitstudie von 2023/24 zeigt zudem, dass Teilzeitlehrkräfte überproportional viel Korrekturarbeit einbringen. Hinzu kommt, dass diese Zeit nicht immer als sinnvoll erlebt wird. In der Wahrnehmung vieler Lehrkräfte haben schriftliche Korrekturen wenig bis keinen Effekt auf das zukünftige Lernen ihrer Schüler:innen. Im Fokus stehen die Note, Korrekturhinweise werden kaum zur Kenntnis genommen. Um zu verstehen, wo KI tatsächlich ansetzen könnte, lohnt sich zunächst ein genauerer Blick auf das, was Korrektur eigentlich bedeutet.
Unterschiedliche Funktionen von Korrekturen
Zunächst gehört Korrektur zu den zentralen Aufgaben von Lehrkräften. Gemeint sind formalisierte Verfahren der schriftlichen Bewertung von Schüler:innenarbeiten zur Feststellung einer Leistung, beispielsweise bei der Vollkorrektur einer Deutsch-Klassenarbeit. Die damit einhergehende Notenbildung ist eine persönliche Amtshandlung, die pädagogischen und rechtlichen Standards genügen muss. Gleichzeitig korrigieren Lehrkräfte auch Übungsaufgaben, Hefte oder Wochenpläne, ohne eine Note zu bilden. Hier dient die Korrektur weniger der Rechtfertigung einer Note als vielmehr der Rückmeldung an Lernende. Schriftliche Korrekturen erfüllen damit unterschiedliche Funktionen, die mit Blick auf mögliche Entlastungspotenziale durch KI auseinandergehalten werden müssen.
Rechtliche Grenzen
Wenn Lehrkräfte überlegen, inwiefern ihnen KI bei diesen Tätigkeiten helfen kann, müssen zunächst die rechtlichen Grenzen gezogen werden. Aus datenschutzrechtlicher Perspektive gilt, dass Arbeiten von Schüler:innen nur anonymisiert an externe KI-Dienste übermittelt werden. Eine bloße Pseudonymisierung genügt nicht. Daten, die Rückschlüsse auf eine Person zulassen (etwa Namen, familiäre Bezüge, geschilderte Erlebnisse oder Informationen zur Klasse) müssen entfernt werden, was häufig gar nicht wirksam möglich ist. Dazu zählen auch Bild- und Tonaufnahmen sowie die Handschrift. Sobald personenbezogene Daten verarbeitet werden, dürfen nur Anbieter genutzt werden, mit denen die Schule einen Auftragsverarbeitungsvertrag (AVV) abgeschlossen hat und deren Verarbeitung rechtlich abgesichert ist. Hinzu kommen Transparenzpflichten gegenüber Eltern/Erziehungsberechtigten und Schüler:innen: Sie müssen wissen, welche KI-Tools zu welchem Zweck eingesetzt werden. Wer sich rechtlich absichern möchte, sollte daher nur mit schulisch freigegebenen Tools arbeiten, für die eine schulrechtliche Grundlage vorliegt oder bei denen Eltern/Erziehungsberechtigte der Verarbeitung der Daten zugestimmt haben. Überdies gelten die Vorgaben des EU AI Act: KI-Systeme, die Lernergebnisse bewerten oder Prüfungsprozesse steuern, werden als Hochrisiko-Anwendungen eingestuft. Das bedeutet konkret, dass strenge Anforderungen an Risikomanagement, Datenqualität und menschliche Aufsicht gelten. Auch unter Berücksichtigung von DSGVO und Schulrecht ergibt sich: Automatisierte Benotung ohne menschliche Kontrolle ist rechtlich nicht zulässig. Die Letztentscheidung muss also stets und nachvollziehbar von einer Lehrkraft getroffen werden.

Vorkorrektur statt Vollkorrektur: Wo KI ansetzen kann
Damit ist die Delegation der Vollkorrektur samt Bewertung von Schüler:innenarbeiten mit KI-Chatbots rechtlich ausgeschlossen. Anders sieht es mit Ansätzen der Vorkorrektur und der Korrekturunterstützung aus, wenn Texte/Lernprodukte anonymisiert und in digitaler Form vorliegen. Gemeint sind etwa die Entwicklung von Prüfungsaufgaben, deren Bewertungskriterien, -raster, -bögen und Erwartungshorizonten, das Identifizieren von Fehlermustern, das Erstellen eines Korrekturvorschlags oder das Formulieren von lernförderlichen Rückmeldungen an Schüler:innen. Bei diesen korrekturnahen Tätigkeiten haben KI-Systeme jedoch unterschiedliche Stärken und Schwächen. Je eindeutiger, klarer und geschlossener die Anforderungen sind, desto genauer arbeiten KI-Systeme. Bei komplexen und offenen Aufgaben sind technische bzw. systemimmanente Grenzen schneller erreicht.
Ausprobieren mit Vorsicht: Tools und ihre Tücken
Was können Lehrkräfte nun tun? Sie können unter Berücksichtigung der rechtlichen Grenzen ausprobieren, wobei KI unterstützen kann und ob die Outputs zu einer tatsächlichen Entlastung führen. Dazu können Lehrkräfte mit Korrektur- und Feedbackprompts und/oder spezialisierten Anwendungen experimentieren. Zu nennen sind hier Edaira oder Zengrade. Es müssen jedoch alle KI-Ergebnisse geprüft werden, was die Arbeit möglicherweise mehr verschiebt als auflöst, sodass unterm Strich nicht viel gewonnen ist.
Empfehlenswert ist zudem, KI-Vorschlägen mit pädagogischer Skepsis zu begegnen, da ihr der Blick auf die spezifische Lerngruppe fehlt, persönliche Korrekturmaßstäbe (erst mal) nicht berücksichtigt werden können und Outputs möglicherweise verzerrt sind und als (zufällige) Momentaufnahme daherkommen, also nicht reproduziert werden können – und das, obwohl ihre Antworten plausibel und gefällig klingen.
Vom Bewerten zum Feedback: Der lohnendere Weg
Zu guter Letzt lohnt sich die Verschiebung der Perspektive: Dort nämlich, wo (formatives) Feedback an die Stelle von Bewertung rückt, können KI-Tools rechtlich unproblematischer und lernförderlicher genutzt werden. Das liegt daran, dass Feedback dank KI skalierbar wird, also mehreren Lernenden individuell, unmittelbar und zeitgleich gegeben werden kann. Aus einer umfangreichen Metastudie wissen wir, dass es keinen belastbaren Unterschied zwischen KI-Feedback und menschlichem Feedback gibt. Gleichwohl hat es spezifische Stärken, die man sich vor allem in Übungsphasen oder bei der Prüfungsvorbereitung zunutze machen kann, zum Beispiel mit dem KI-Tool FelloFish. Mit der entsprechenden didaktischen Einbettung und Begleitung durch die Lehrkräfte kann KI-Feedback hier individuell fördern und tatsächlich für Entlastung sorgen. Das verschiebt die Optimierung über die bloße Zeiteinsparung hinaus zu mehr Qualität.

Fazit
Das Entlastungsversprechen der KI-Korrektur hat zwei Seiten, die rechtlich und pädagogisch auseinandergehalten werden müssen. Das Delegieren von Bewertung und Notengebung an die Maschine ist rechtlich nicht zulässig. Der EU AI Act, die DSGVO und das Schulrecht markieren die harten Grenzen, innerhalb derer Lehrkräfte korrekturnahe und -unterstützende Verfahren erproben können. Wie gut diese funktionieren, hängt vom spezifischen Anwendungsfall und der didaktischen Einbettung ab. Zudem muss genau reflektiert werden, wann der KI-Einsatz pädagogisch sinnvoll ist und tatsächlich für Entlastung sorgt. Je weiter man die Perspektive von Bewertung hin zu Feedbackprozessen verschiebt, desto einfacher und sinnvoller kann KI im Unterricht eingesetzt werden.
Mein Rat: Im Rahmen der rechtlichen Grenzen ausprobieren, die Ergebnisse der Lehr-/Lernforschung im Blick behalten, auf die eigene pädagogische Intuition hören und mit den Lernenden gemeinsam reflektieren, wann welcher Einsatz von KI tatsächlich beim Lernen hilft.
Referenzen
- Haverkamp, H. & Wisniewski, B. (2026): Korrekturen: De-Implementierung einer sinnlosen Praxis, Das Deutsche Schulportal, 24.07.2026.
- Kaliisa, R. et al. (2025). How does artificial intelligence compare to human feedback? A meta-analysis of performance, feedback perception, and learning dispositions. Educational Psychology.
- Mußmann, F. et al. (2016). Niedersächsische Arbeitszeitstudie. Lehrkräfte an öffentlichen Schulen 2015/2016. Ergebnisbericht. Göttingen: GOEDOC.
- Mußmann, F. et al. (2025). Arbeitszeit und Arbeitsbelastung von Lehrkräften an Berliner Schulen 2023/2024: Ergebnisbericht. Göttingen: Kooperationsstelle Hochschulen und Gewerkschaften.





