Kapitel 1: AI Agents vs. klassische LLM 

Stellen wir uns vor, eine Studentin möchte für eine Seminararbeit den Begriff «Selbstkonzept» klären. Klassisch würde sie so vorgehen: Zuerst befragt sie ein Large Language Model (LMM) nach dem Begriff und nach Textstellen, liest Textquellen und verfasst danach ihren Text und pflegt die Zitate über die Literaturverwaltungssoftware Zotero (2) ein.

Alternativ könnte sie einem KI-System den Auftrag geben, relevante Texte zu recherchieren, in ihre Zotero-Bibliothek abzulegen, relevante Stellen farblich zu markieren und die Ergebnisse direkt als Zitat mit korrektem Literaturverweis in die Seminararbeit einzubauen – alles ohne ihr weiteres Zutun. Genau das unterscheidet AI Agents von klassischen KI-Chatbots: Sie agieren eigenständig, können ergänzende Programme auf dem Computer bedienen und so komplexe Aufgaben autonom ausführen.

Für unsere Erprobung nutzten wir Claude Cowork von Anthropic (3), da es zum Zeitpunkt der Untersuchung (März–April 2026) der einzige AI Agent eines grossen LLM-Anbieters war (4). Claude Cowork ist ein KI-System auf Basis grosser Sprachmodelle, das als Agent agieren kann. Wiederkehrende Arbeitsschritte lassen sich darin als sogenannte Skills (5) hinterlegen. So führt es beispielsweise über den Browser eine Echtzeitrecherche durch und legt die Resultate direkt in einem separaten Ordner auf dem Computer ab – oder es bedient das Programm Zotero mit der Maus und nimmt darin Markierungen vor.

Kapitel 2: Anwendungsfelder für (angehende) Lehrpersonen

Im Folgenden stellen wir drei Anwendungsfälle für (angehende) Lehrpersonen vor: die Literaturarbeit mit Zotero, die Terminplanung für Elterngespräche und die KI-gestützte Korrektur von Lernzielkontrollen. Jeder Anwendungsfall beleuchtet konkrete Potenziale und Grenzen.

Anwendungsfall 1: Unterstützung beim Verständnis von Literatur

Ausgangssituation
Wir betrachten das eingangs skizzierte Beispiel genauer – die Literaturarbeit für eine Seminararbeit. Ein zentraler Bestandteil wissenschaftlicher Arbeiten besteht darin, theoretische Grundlagen zu erarbeiten und einzuordnen. Dabei ist das Identifizieren relevanter Konzepte häufig zeitaufwendig, insbesondere bei älteren oder fremdsprachigen Publikationen. Wir untersuchen daher, ob ein AI Agent diesen Prozess unterstützen kann.

Unser Vorgehen
Wir geben Claude Cowork Zugriff auf einen in Zotero gespeicherten frei im Internet verfügbaren Fachtext. Geprüft wird, ob das Tool zentrale Konzepte erkennt, relevante Textstellen markiert und unser Farbcodierungssystem – etwa Definitionen und Theoriegrundlagen in unterschiedlichen Farben – nachvollzieht.

Ergebnis
Technisch überzeugt das Tool: Zentrale Textstellen werden zuverlässig erkannt, die farblichen Markierungen grösstenteils korrekt übernommen und die Ergebnisse lassen sich direkt in die Seminararbeit einbauen.

Gleichzeitig zeigen sich Grenzen. Für die Analyse benötigt Claude Cowork Zugriff auf die gespeicherten Dokumente. Für den Praxistest wurde bewusst ein frei im Internet verfügbarer Fachtext gewählt. In der Praxis sind jedoch viele wissenschaftliche Publikationen nur über Hochschullizenzen zugänglich. Der Einsatz von KI-Agenten setzt deshalb voraus, dass die jeweiligen Lizenz- und Nutzungsbedingungen eingehalten werden. 

«Der Praxistest zeigt: AI Agents sparen Zeit bei der Literaturarbeit – die eigentliche Herausforderung liegt häufig bei den Zugriffs- und Nutzungsrechten.»

Unser Fazit 
Claude Cowork kann die Literaturarbeit effizient unterstützen, insbesondere beim ersten Erschliessen eines Themengebiets. Gleichzeitig macht die Erprobung deutlich, dass neben den technischen Möglichkeiten auch datenschutz-, urheber- und lizenzrechtliche Aspekte berücksichtigt werden müssen.

Anwendungsfall 2: Administrative Aufgaben – Elternarbeit

Ausgangssituation 
Die Terminfindung für Elterngespräche soll adaptiv gestaltet werden. Während einer festgelegten Rückmeldefrist geben die Eltern ihre Verfügbarkeiten laufend an. Auf dieser Grundlage sollen möglichst kompakte Gesprächsblöcke gebildet, passende Terminüberschneidungen ermittelt und anschliessend direkt Einladungen verschickt werden. 

Unser Vorgehen 
Wir übertragen Claude Cowork die Aufgabe und gewähren dem Tool Zugriff auf einen Ordner mit einer Excel-Datei. Diese enthält die von uns definierten Zeitfenster sowie die laufend aktualisierten Rückmeldungen der Eltern. Aus Datenschutzgründen sind die Eltern ausschliesslich über IDs erfasst.

Ergebnis 
Claude Cowork bündelt die verfügbaren Zeitfenster effizient und schlägt geeignete Gesprächstermine vor. Eine automatische Einladung über den E-Mail-Konnektor ist jedoch nicht möglich, da die verwendeten IDs nicht mit den E-Mail-Adressen der Eltern verknüpft sind. Diese Zuordnung muss nachträglich manuell erfolgen, wodurch der erwartete Effizienzgewinn deutlich eingeschränkt wird. 

Unser Fazit 
Claude Cowork kann bei der Terminplanung und der Bündelung von Elterngesprächen unterstützen. Eine vollständige Automatisierung scheitert jedoch an der datenschutzkonformen Zuordnung von IDs und Kontaktdaten. Denkbar wäre eine schulinterne Lösung, bei der Schülerinnen und Schüler sowie ihre Eltern über eindeutige IDs verfügen, die sicher mit den jeweiligen Kontaktdaten verknüpft sind. Dadurch könnten Rückmeldungen automatisiert verarbeitet, Termine koordiniert und Einladungen verschickt werden.

Anwendungsfall 3: Korrektur von Lernzielkontrollen

Ausgangssituation 
Die Korrektur von Lernzielkontrollen ist zeitaufwendig und kann trotz definierter Bewertungskriterien durch unbewusste Verzerrungen (Bias) beeinflusst werden. Daher stellt sich die Frage, ob ein AI Agent die Bewertung überprüfen und auf mögliche Inkonsistenzen hinweisen kann. Für die Erprobung verwenden wir eine anonymisierte Lernzielkontrolle. 

Unser Vorgehen 
Claude Cowork erhält den Auftrag, eine bereits von der Lehrperson korrigierte Lernzielkontrolle zu analysieren, die Punktevergabe zu überprüfen und auf mögliche Inkonsistenzen in der Bewertung hinzuweisen. 

Ergebnis 
Das Resultat ist verblüffend: Innerhalb weniger Minuten generiert Claude Cowork für jede ID eine saubere Excel-Liste mit den Punkten pro Aufgabe und weist auf Inkonsistenzen in der Bewertung hin. Bei näherer Betrachtung zeigt sich allerdings, dass der Agent bei allen gemeldeten Inkonsistenzen nicht sämtliche Inhalte korrekt berücksichtigt hat – die manuelle Bewertung hält also stand. 

Unser Fazit 
Der Anwendungsfall zeigt, dass AI Agents Lehrpersonen bei der Strukturierung und Überprüfung von Bewertungen unterstützen können. Die fachliche Beurteilung einzelner Antworten von Schüler:innen bleibt jedoch anspruchsvoll und erfordert weiterhin den professionellen Entscheid der Lehrperson. Darüber hinaus stellen sich Fragen zum Datenschutz, zum Urheberrecht und dazu, was es für die Lehrperson selbst bedeutet, wenn sie das Korrigieren aus den Händen gibt. Insbesondere trägt die Korrektur von Lernzielkontrollen zum professionellen Wissen der Lehrperson bei, da typische Fehlvorstellungen und Lernschwierigkeiten sichtbar werden und in die weitere Unterrichtsplanung einfliessen können. Gibt eine Lehrperson diese Arbeit an einen Agenten ab, verliert sie diesen Einblick in das Denken ihrer Klasse – und damit eine wichtige Grundlage für die Planung des weiteren Unterrichts und für ihre eigene professionelle Entwicklung.

«AI Agents erkennen Muster – pädagogische Entscheidungen treffen sie nicht.»

Kapitel 3: Blick in die Zukunft 

Aus den drei Anwendungsfällen sind viele Ideen entstanden, wie AI Agents Studierende, Lehrpersonen und Schulen bei Planung, Vorbereitung und Administration entlasten könnten. Fast alle stossen jedoch an die gleichen Grenzen: Datenschutz und Urheberrecht. Wie die folgenden Szenarien dereinst aussehen, hängt deshalb nicht nur von der Technik ab, sondern ebenso davon, was rechtlich erlaubt ist. 

Schulorganisation 
AI Agents könnten künftig administrative Aufgaben wie Terminplanung, Protokollierung oder die Zusammenfassung von Konferenzen übernehmen. Ebenso erscheint ein Einsatz in der Qualitätsentwicklung denkbar, etwa zur automatisierten Auswertung von Befragungen sowie zur Identifikation von Entwicklungspotenzialen für Schulleitungen oder Steuergruppen.

Klassenebene 
Auch auf Klassenebene eröffnen sich neue Möglichkeiten. Bei einer datenschutzkonformen Verarbeitung von Lern- und Leistungsdaten könnten AI Agents Lernstände dokumentieren, Entwicklungen analysieren und Hinweise auf Förderbedarfe geben. Darauf aufbauend wären individualisierte Lernaufgaben, angepasste Unterrichtsmaterialien oder Zusammenfassungen für Standortgespräche denkbar. Dadurch liesse sich der administrative Aufwand reduzieren und mehr Zeit für die individuelle Begleitung der Schülerinnen und Schüler gewinnen.

«Mit AI Agents ist technisch bereits vieles möglich. Die entscheidende Frage lautet: Welche Aufgaben wollen Lehrpersonen als pädagogische Fachkräfte überhaupt delegieren?» 

Offene Fragen und Ausblick 
Gleichzeitig werfen solche Szenarien grundlegende Fragen zu Datenschutz, Verantwortung, pädagogischen Entscheidungen und der Rolle professioneller Expertise auf. Wann und in welchem Umfang AI Einzug in Schule und Unterricht halten, bleibt offen. Angesichts der rasanten technologischen Entwicklung ist jedoch davon auszugehen, dass sie das Bildungswesen in den kommenden Jahren zunehmend prägen werden.

Autor:innen: Anna Ryf und Johannes Zbinden (PH FHNW)

20.08.2026

Zur Vertiefung

1. Konnektoren (Connectors) sind technische Schnittstellen, über die ein AI Agent auf externe Datenquellen, Plattformen (z. B. eine Ordnerablage) oder Programme (z. B. einen Internetbrowser) zugreifen kann.
2.  Zotero ist ein kostenloses Programm zur Literaturverwaltung: Quellen sammeln, PDF ablegen, Zitate und Literaturverzeichnisse erstellen.
3. Anthropic Academy: Wer tiefer in die Arbeit mit Claude einsteigen möchte (Achtung: Datenschutz), findet in der kostenlosen Anthropic Academy zahlreiche praxisnahe Selbstlernkurse, die einen fundierten Einstieg in Claude, AI Agents und fortgeschrittene Arbeitsweisen ermöglichen 
4. Während wir diesen Beitrag erarbeitet haben, hat sich das Feld bereits weiterentwickelt. Inzwischen bieten auch OpenAI und weitere Anbieter eigene Agentenfunktionen an – ein Hinweis darauf, wie rasant sich neue Werkzeuge und Anwendungsmöglichkeiten derzeit entwickeln. 
5. Skills bezeichnen spezialisierte Funktionen oder definierte «Handlungsroutinen» innerhalb des Systems, die bestimmte Aufgaben besonders effizient ausführen sollen. Sie dienen dazu, wiederkehrende Prozesse, Arbeitslogiken oder spezifische Expertisen strukturiert verfügbar zu machen, beispielsweise für Recherche, Textproduktion oder Datenanalyse.  
6. Ausschnitt aus dem Selbstkonzept nach Shavelson und Hubner (1976, S. 411)