AI Literacy: mehr als eine gute Eingabe
Prompting ist eine Bedienhandlung. AI Literacy ist eine Urteils- und Handlungsfähigkeit: Jugendliche müssen einschätzen können, wann ein KI-System relevant ist, was seine Ausgabe bedeutet, worauf sie sich verlassen dürfen, welche Folgen eine Nutzung hat und wer für eine Entscheidung verantwortlich bleibt. Eine sprachlich elegante Eingabe kann nützlich sein. Sie belegt für sich allein aber weder Verständnis des Systems noch fachliche Urteilskraft, einen verantwortbaren Umgang mit Daten oder die Fähigkeit, ein Ergebnis selbstständig zu prüfen.
Autoritative Rahmenwerke verstehen AI Literacy mehrdimensional: Sie umfasst Wissen, Anwendung, kritische Prüfung, Ethik, menschliche Handlungsfähigkeit und gesellschaftliche Mitgestaltung statt nur Prompting.
Stützende Quellen
- OECD (2026): Empowering Learners for the Age of AI: An AI Literacy Framework for Primary and Secondary Education (öffnet in neuem Tab)
- Fengchun Miao (2024): AI competency framework for students (öffnet in neuem Tab)
- Fengchun Miao (2024): AI competency framework for teachers (öffnet in neuem Tab)
- Joonhyeong Park (2025): A systematic literature review of generative artificial intelligence (GenAI) literacy in schools (öffnet in neuem Tab)
Die aktuellen Rahmen verwenden unterschiedliche Begriffe und Ordnungen. In ihrem gemeinsamen Kern verlangen sie deutlich mehr als Werkzeugroutine:
| Handlungsfrage | Was Jugendliche sichtbar können sollen | Woran oberflächliche Bedienkompetenz erkennbar wird |
|---|---|---|
| Erkennen und verstehen | KI-gestützte Funktionen identifizieren, grundlegende Funktionslogiken erklären und Möglichkeiten wie Grenzen einordnen | Ein System wird als neutrale Suchmaschine oder wissende Person behandelt |
| Kritisch beurteilen | Ausgaben fachlich prüfen, Unsicherheit, Verzerrung, Quellenlage und betroffene Perspektiven untersuchen | Flüssige Sprache gilt ohne Gegenprüfung als richtig |
| Zielgerichtet einsetzen | KI für ein begründetes Ziel auswählen, den Arbeitsprozess steuern, Ergebnisse überarbeiten und den Einsatz transparent machen | Das verfügbare Werkzeug bestimmt das Lernziel |
| Gestalten und mitentscheiden | Mit KI entwerfen oder Systeme mitgestalten und dabei Alternativen, Betroffene und gesellschaftliche Folgen berücksichtigen | Produktion wird mit blosser Übernahme einer generierten Ausgabe verwechselt |
| Rechte und Verantwortung wahren | Privatsphäre, Urheber- und Persönlichkeitsrechte, Fairness, menschliche Handlungsfähigkeit und Verantwortungsgrenzen reflektieren | Verantwortung wird dem System zugeschrieben oder sensible Information ungeprüft geteilt |
Diese Fragen sind keine neue Taxonomie dieser Website. Sie übersetzen überlappende Anforderungen der unten verglichenen Originalrahmen in beobachtbare schulische Fragen. Massgebend bleiben Lernziel, Fach, Alter, lokaler Rechtsrahmen und die jeweils zitierte Quelle.
Aktuelle internationale Rahmen
Seit dem 18. Juni 2026 ist die Referenzlage klarer: Der finale OECD-/EU-Kompetenzrahmen Empowering Learners for the Age of AI liegt als gemeinsame Veröffentlichung von OECD und Europäischer Kommission für die Primar- und Sekundarbildung vor. Er beschreibt 19 Kompetenzen in vier miteinander verbundenen Praxisbereichen: mit KI interagieren, mit KI gestalten, KI-Nutzung steuern und die Entwicklung beziehungsweise gesellschaftliche Rolle von KI mitprägen. Wissen, Fertigkeiten und Haltungen werden dabei nicht als getrennte Checklisten, sondern als Bestandteile kompetenten Handelns behandelt.
Seit dem 18. Juni 2026 liegt der finale OECD-/EU-Kompetenzrahmen für AI Literacy in Primar- und Sekundarbildung mit 19 Kompetenzen vor.
Stützende Quellen
19
Kompetenzen in vier Praxisbereichen
12
Schülerkompetenzen in vier Dimensionen
15
Lehrpersonenkompetenzen in fünf Dimensionen
Evidenzrolle: normative Rahmenautorität. Die OECD-/EU-Publikation ist die finale institutionelle Fassung und ersetzt für Aussagen zum aktuellen Rahmen die frühere Arbeitsfassung. Sie entstand mit Fach- und Stakeholderkonsultation, ist aber nicht peer-reviewed und keine Interventionsstudie. Ihre hohe Autorität betrifft die Frage, welche Kompetenzen international als relevant beschrieben werden — nicht die Frage, welches Curriculum sie nachweislich am besten entwickelt.
OECD, European Commission
Kurzfassung
Defines 19 primary- and secondary-level competencies across engaging with, creating with, managing and shaping AI, integrating knowledge, skills and attitudes.
Grenzen
- The framework defines intended competencies and examples but does not estimate causal learning impact.
- Its proposed sequencing is not a validated developmental progression across school systems.
- Local curriculum alignment, language, resources and teacher preparation require contextual adaptation.
- Final international competency framework with expert and stakeholder consultation
- Final OECD-European Commission authority and transparent scope support framework claims; causal-method grading does not apply.
- Co-funded by the European Union; research and drafting support from Code.org and CodeAI is acknowledged by the official publication.
Was UNESCO ergänzend sichtbar macht
Der UNESCO-Schülerrahmen von 2024 ordnet zwölf Kompetenzen in vier Dimensionen: menschenzentrierte Haltung, Ethik, KI-Techniken und -Anwendungen sowie Gestaltung von KI-Systemen. Seine Stufen Verstehen – Anwenden – Gestalten sind eine curriculare Orientierung. Sie sind keine universell psychometrisch validierte Entwicklungsleiter.
Evidenzrolle: normative Rahmenautorität für Lernende. Der Rahmen ist global ausgerichtet und macht Menschenrechte, Würde, ökologische und gesellschaftliche Folgen explizit. Konkrete Ziele und Reihenfolgen müssen national oder institutionell angepasst werden; die Publikation misst keine Lernwirkung.
Fengchun Miao, Kelly Shiohira, Natalie Lao
Kurzfassung
Specifies 12 student competencies across human-centred mindset, ethics, AI techniques and applications, and AI system design, with Understand-Apply-Create progression levels.
Grenzen
- The framework is normative and curricular; it is not an empirical impact evaluation.
- UNESCO explicitly leaves concrete objectives and sequencing to national or institutional adaptation.
- Progression levels have not been established as a universal validated developmental scale.
- Final global competency framework for school students
- The official final UNESCO framework supports competency-scope claims but does not provide causal or validated-progression evidence.
- TAL Education Group support is acknowledged in the official UNESCO publication.
Der parallele UNESCO-Lehrpersonenrahmen umfasst fünf Dimensionen: menschenzentrierte Haltung, Ethik, Grundlagen und Anwendungen, KI-Pädagogik sowie KI für professionelles Lernen. Er ist für ein Schülercurriculum keine zusätzliche Liste von Lernzielen. Er zeigt vielmehr, welche professionellen Bedingungen Lehrpersonen benötigen, um Schülerkompetenzen fachlich, ethisch und pädagogisch zu begleiten.
Evidenzrolle: normative Rahmenautorität für Professionalisierung. Die Stufen Aneignen – Vertiefen – Gestalten dienen der Planung professioneller Entwicklung. Auch hier handelt es sich nicht um eine validierte Messskala und nicht um Wirkungsforschung.
Fengchun Miao, Mutlu Cukurova
Kurzfassung
Defines 15 teacher competencies across a human-centred mindset, ethics, AI foundations and applications, AI pedagogy, and AI for professional learning.
Grenzen
- The framework guides professional development and policy but does not test effects on classroom learning.
- Acquire-Deepen-Create is a planning progression rather than a universally validated measurement scale.
- National role definitions, infrastructure and professional-learning systems require contextual adaptation.
- Final global competency framework for teachers
- The final UNESCO authority supports teacher-competency scope; causal and psychometric claims are outside the framework's evidence design.
- TAL Education Group support is acknowledged in the official UNESCO publication.
Autorität ist nicht Wirkung
Kompetenzrahmen begründen Ziele und Struktur, liefern aber für sich allein keinen kausalen Nachweis, dass ein bestimmtes Curriculum AI Literacy wirksam verbessert.
Stützende Quellen
Rahmenautorität und Wirksamkeitsevidenz beantworten verschiedene Fragen. Ein Kompetenzrahmen kann Ziele legitimieren, Begriffe präzisieren und Anschlussfähigkeit schaffen. Ein Kompetenzrahmen liefert aber keinen kausalen Nachweis dafür, dass eine bestimmte Unterrichtsreihe, Reihenfolge, Plattform oder Prüfungsform diese Ziele wirksam erreicht. Dafür braucht es Interventionsvergleiche, valide Messinstrumente, zeitversetzte Nachweise und Übertragungsprüfungen in passenden Alters- und Fachkontexten.
| Evidenzebene | Vertretbare Aussage | Nicht vertretbare Abkürzung |
|---|---|---|
| Institutioneller Rahmen | «Diese Kompetenzen werden in einem finalen internationalen Rahmen beschrieben.» | «Diese Reihenfolge wirkt nachweislich in jeder Schule.» |
| Systematischer Review | «Mehrere Studien verwenden ähnliche Kompetenzdimensionen.» | «Die Dimensionen bilden eine validierte Entwicklungsstufe.» |
| Interventionsstudie | «In diesem Setting veränderten sich diese gemessenen Outcomes.» | «Das gesamte Rahmenwerk ist damit empirisch bestätigt.» |
| Lokale Evaluation | «Unter diesen Bedingungen erreichte diese Lerngruppe das vorab definierte Ziel.» | «Das Format kann ohne Prüfung auf andere Fächer übertragen werden.» |
Kompetenzbereiche im Vergleich
Die Rahmen überlappen substanziell, sind aber nicht deckungsgleich. Der OECD-/EU-Rahmen organisiert Kompetenzen entlang von Praktiken mit und über KI. UNESCO betont bei Schülerinnen und Schülern stärker die menschenzentrierte Haltung, Ethik, technische Grundlagen und Systemgestaltung; beim Lehrpersonenrahmen kommen Pädagogik und professionelle Entwicklung hinzu. Der folgende Vergleich ist eine Quellenlesehilfe, kein neues Modell.
| Wiederkehrender Schwerpunkt | OECD/Europäische Kommission 2026 | UNESCO Schülerinnen und Schüler 2024 | UNESCO Lehrpersonen 2024 | Konsequenz für Sek I/II |
|---|---|---|---|---|
| Grundverständnis | Wissen über Funktionsweise in allen Praxisbereichen | Techniken und Anwendungen | Grundlagen und Anwendungen | Systeme, Datenbezug, Wahrscheinlichkeiten und Grenzen alters- und fachgerecht erklären |
| Nutzung und Gestaltung | Interagieren, Gestalten und Steuern | Anwenden und KI-Systeme gestalten | KI-Pädagogik und professionelle Nutzung | Nicht nur Prompts, sondern Zielwahl, Iteration, Überarbeitung und begründete Werkzeugwahl |
| Kritische Prüfung | Ausgaben, Systeme und Folgen beurteilen | menschenzentrierte Haltung und Ethik | menschenzentrierte Haltung und Ethik | Behauptungen triangulieren, Verzerrungen prüfen und betroffene Perspektiven einbeziehen |
| Handlungsfähigkeit | Nutzung kontrollieren und KI gesellschaftlich mitprägen | menschliche Verantwortung über alle Dimensionen | professionelle Verantwortung und menschliche Entscheidung | Entscheidungen nicht an Systeme delegieren; Nicht-Nutzung als begründete Option erhalten |
| Entwicklung über Zeit | schulstufenbezogene Beispiele, aber keine validierte Skala | Verstehen – Anwenden – Gestalten als Planungsorientierung | Aneignen – Vertiefen – Gestalten für Professionalisierung | Lernpfade lokal erproben und Fortschritt an Leistungen prüfen statt Stufen nur zu behaupten |
Ein tragfähiges Curriculum darf die drei Dokumente deshalb nicht mechanisch addieren. Es wählt aus, welche fachlichen Handlungen Jugendliche in einem konkreten Alter und Kontext benötigen. Für Naturwissenschaften kann die Prüfung modellgenerierter Erklärungen zentral sein; in Sprachen Quellen, Stimme und Übersetzung; in Geschichte Perspektiven und Belege; in Gestaltung Autorschaft und iterative Produktion; in Berufswahl Datenschutz, Automatisierung und verantwortete Entscheidungen.
Evidenzrolle: systematische Begriffsklärung. Park sichtete 51 empirische Artikel aus den Jahren 2023 und 2024 und ordnete GenAI Literacy in Wissen, Anwendung, Bewertung, Ethik und Haltungen. Das stützt den multidimensionalen Begriffsbereich. Die 51 Artikel ergaben 53 Bildungsstufen-Zuordnungen: 39 Hochschule, 10 Sekundarstufe und 4 Primarstufe. Zwei Artikel wurden mehr als einer Stufe zugeordnet; diese Mehrfachzuordnung verbietet es, die Zahlen als exklusive Artikelanteile zu lesen. Der Review belegt daher weder eine universelle schulische Progression noch die Wirkung eines bestimmten Curriculums.
Joonhyeong Park
Kurzfassung
Organises GenAI literacy into knowing, applying, evaluating, ethics and attitudes, while showing that most included evidence came from higher education rather than schools.
Grenzen
- Across 53 educational-level assignments in 51 articles, the counts were 39 higher education, 10 secondary and 4 primary; two articles were assigned to more than one level, so these are not exclusive article shares.
- The review covers only the first two years after public ChatGPT release and rapidly changing tools.
- A competency map does not itself establish a validated developmental progression or intervention impact.
- Systematic literature review of 51 empirical studies from 2023-2024
- The review supports multidimensional GenAI-literacy scope, but higher-education dominance and an early evidence window constrain school recommendations.
- Singapore Ministry of Education Education Research Funding Programme grant ERFP19/23PJ.
Vom Rahmen zum Unterricht
AI Literacy betrifft mehrere Fächer, weil KI-Systeme Sprache, Bilder, Daten, Entscheidungen und gesellschaftliche Teilhabe berühren. «Fachübergreifend» darf jedoch nicht «fachlich ungebunden» bedeuten. Eine Halluzination lässt sich nur mit Wissen und Quellenstandards des jeweiligen Fachs erkennen; eine Verzerrung nur im Bezug auf Daten, Betroffene und Anwendung; eine gute Gestaltung nur anhand eines fachlichen Zwecks beurteilen.
AI Literacy sollte fachübergreifend, altersangemessen und lokal angepasst umgesetzt werden, mit expliziten Lernzielen, Anwendung, Reflexion, Ethik und überprüfbaren Leistungsaufgaben.
Stützende Quellen
- OECD (2026): Empowering Learners for the Age of AI: An AI Literacy Framework for Primary and Secondary Education (öffnet in neuem Tab)
- Fengchun Miao (2024): AI competency framework for students (öffnet in neuem Tab)
- Fengchun Miao (2024): AI competency framework for teachers (öffnet in neuem Tab)
- Siu-Cheung Kong (2024): Developing an artificial intelligence literacy framework: Evaluation of a literacy course for senior secondary students using a project-based learning approach (öffnet in neuem Tab)
- Joonhyeong Park (2025): A systematic literature review of generative artificial intelligence (GenAI) literacy in schools (öffnet in neuem Tab)
Diese Empfehlung ist eine didaktische Ableitung aus den internationalen Rahmen und begrenzter empirischer Evidenz. Sie ist kein empirisch bestätigter Masterplan. Die Umsetzung muss an die lokale Ausgangslage, die Kompetenzen der Lehrpersonen, die verfügbare Zeit, Sprache, technische Infrastruktur, Zugänglichkeit, Altersstufe, fachliche Ziele und den Schweizer Datenschutz angepasst werden. Ein gemeinsames Schulcurriculum kann Kohärenz schaffen; seine Wirksamkeit muss lokal beobachtet und revidiert werden.
Eine fachübergreifende Lernaufgabe braucht fachliche Schärfe
| Fachlicher Kontext | Mögliche authentische Aufgabe | Sichtbarer AI-Literacy-Nachweis |
|---|---|---|
| Sprache | Zwei KI-Entwürfe mit einem selbst verfassten Text vergleichen und redigieren | Eingriffe begründen, Stimme und Quellenlage erklären, KI-Beitrag deklarieren |
| Naturwissenschaften | Eine KI-Erklärung zu einem Versuch anhand von Messdaten und Fachliteratur prüfen | Fehler lokalisieren, Unsicherheit benennen, bessere Erklärung mit Belegen formulieren |
| Geschichte/Gesellschaft | Unterschiedliche KI-Darstellungen eines Konflikts auf Perspektiven und Auslassungen untersuchen | Quellen gegenprüfen, betroffene Perspektiven einbeziehen, Grenzen des Datensatzes beziehungsweise Modells erklären |
| Mathematik/Informatik | Lösungsvorschläge testen, Randfälle konstruieren und einen Fehler systematisch erklären | Nicht nur Ergebnis, sondern Prüfstrategie, Modellgrenze und eigenständigen Lösungsweg zeigen |
| Gestaltung/Berufspraxis | Mit KI Varianten entwickeln und eine verantwortbare Auswahl dokumentieren | Ziel, Iteration, Rechte, Daten, Qualitätsmassstab und menschliche Entscheidung nachvollziehbar machen |
Eine mögliche Unterrichtsfolge besteht deshalb nicht aus einer universellen Stufenskala, sondern aus einer prüfbaren lokalen Hypothese. Zuerst wird die Ausgangslage erhoben: Welche Begriffe, Fehlvorstellungen, Nutzungserfahrungen und fachlichen Voraussetzungen sind vorhanden? Danach wird ein KI-System an konkreten Beispielen untersucht, mit Varianten, provozierten Grenzen und Gegenbeispielen. Erst dann folgt die fachliche Prüfung: Ergebnisse werden mit Daten, Quellen, Kriterien oder eigener Herleitung verglichen. Im nächsten Schritt gestalten Lernende ein Produkt oder eine Entscheidung und begründen Einsatz, Nicht-Einsatz und Verantwortung. Abschliessend bearbeiten sie eine neue Situation, damit nicht bloss die eingeübte Oberfläche geprüft wird.
Diese Reihenfolge ist ein erprobbares Design, keine aus den Rahmen abgeleitete Wirkungsgarantie. Schule und Fachschaft sollten vorab festlegen, welcher Nachweis als Verbesserung gilt, welche Lernenden besondere Unterstützung benötigen und wann ein Format angepasst oder beendet wird.
Was die empirische K-12-Evidenz derzeit trägt
Evidenzrolle: empirische Wirkungssynthese. Yu et al. synthetisieren 16 Artikel mit 57 Effektgrössen zur K-12-KI-Bildung und berichten im Durchschnitt einen grossen positiven Effekt auf AI-Literacy-Masse. Das ist ein ermutigendes Signal, keine allgemeine Erfolgsquote. Die kleine Studienbasis, hohe Heterogenität, unterschiedliche Konstrukte und Messinstrumente sowie begrenzte Moderatoranalysen erlauben keine universelle Aussage darüber, welche Sequenz in welcher Altersstufe wirkt.
Wonjin Yu, Nari Kim, Ammi Chang, Wanju Huang
Kurzfassung
Reports a large positive average effect of K-12 AI-education interventions on AI-literacy measures, with substantial heterogeneity across a small evidence base.
Grenzen
- Only 16 source articles contributed 57 effects, limiting moderator power and robustness.
- High heterogeneity and diverse literacy measures prevent treating the pooled effect as a universal progression estimate.
- The accessible publisher record did not permit complete independent verification of all funding details.
- Meta-analysis of 16 K-12 AI-education articles and 57 effect sizes
- The K-12 meta-analysis supports intervention promise, but a small heterogeneous corpus and varied measures leave developmental sequencing open.
- Funding disclosure was not fully verifiable from the accessible publisher record during extraction.
Evidenzrolle: direkte Sek-II-Machbarkeitsstudie. Kong et al. begleiteten 128 Jugendliche in Hongkong in einem 14-stündigen projektbasierten Kurs. Kursnahe Masse zu Problemlösen, Empowerment und ethischem Verständnis verbesserten sich. Es gab jedoch keine Vergleichsgruppe; Outcomes waren kursnah und teilweise selbstberichtet. Weder Ferntransfer noch Langzeitretention wurden belegt. Die Studie zeigt damit, dass ein solches Format durchführbar ist und beobachtbare Veränderungen erzeugen kann — nicht, dass der Kurs kausal überlegen ist oder in Schweizer Schulen gleich wirkt.
Siu-Cheung Kong, Man-Yin William Cheung, Olson Tsang
Kurzfassung
Senior-secondary students improved on course-aligned AI problem-solving, empowerment and ethical-understanding measures after a project-based AI-literacy course.
Grenzen
- Without a comparison group, maturation, selection and testing effects cannot be separated from course impact.
- Outcomes were course-aligned and partly self-reported; far transfer and long-term retention were not established.
- The authors call for instrument validation in larger and more diverse populations.
- Single-group mixed-method evaluation of a 14-hour project-based course
- Direct senior-secondary feasibility evidence is valuable, but the uncontrolled single-group design cannot establish causal effectiveness.
- Supported by grants from the Li Ka Shing Foundation and the Research Grants Council, University Grants Committee of the Hong Kong Special Administrative Region, China (projects EdUHK CB302 and EdUHK CB326).
Für die Praxis ergibt sich ein asymmetrisches Bild: Die inhaltliche Breite der Kompetenzrahmen ist gut dokumentiert. Ob eine konkrete Unterrichtsfolge diese Kompetenzen dauerhaft, fair und fachübergreifend entwickelt, ist viel weniger sicher. Schulen sollten deshalb nicht auf ein fertiges Etikett warten, aber Einführung und Evaluation miteinander verbinden.
AI Literacy prüfen
Eine reine Prompt-Aufgabe prüft primär, ob eine Person in dieser Situation eine nützliche Eingabe formuliert. Eine AI-Literacy-Prüfung muss zusätzlich sichtbar machen, ob sie ein System und seine Grenzen versteht, ein Ergebnis fachlich beurteilt, Alternativen abwägt, den Prozess transparent macht und Verantwortung übernimmt. Das spricht für mehrteilige Performanzaufgaben — nicht, weil ihre Überlegenheit bereits umfassend belegt wäre, sondern weil sie die im Rahmen beschriebenen Handlungen beobachtbar machen.
Vier getrennte Nachweise
| Nachweis | Beispiel | Beurteilbarer Kern |
|---|---|---|
| Verständnis | Eine unzutreffende Aussage über Training, Daten oder Modellwissen erklären | Begriffe, Funktionslogik, Unsicherheit und Grenzen |
| Urteil | Zwei KI-Ausgaben mit Quellen und Fachkriterien vergleichen | Fehlerdiagnose, Begründungsqualität, Perspektiven und Evidenz |
| Gestaltung und Nutzung | Ein Produkt iterativ entwickeln und Entscheidungen dokumentieren | Zielklarheit, Werkzeugwahl, Überarbeitung und eigenständiger Beitrag |
| Verantwortung | Einen Einsatzfall mit Betroffenen, Rechten und Alternativen beurteilen | Datenschutz, Fairness, Transparenz, menschliche Kontrolle und Rechenschaft |
Die Aufgabe sollte vorab klären, ob KI Gegenstand, Hilfsmittel oder beides ist. Prozessdokumentation kann die Begründung sichtbar machen, darf aber nicht zur lückenlosen Überwachung werden. Selbsteinschätzungen sind für Reflexion nützlich, reichen als Kompetenznachweis aber nicht aus. Ein zusätzlicher unbekannter Fall oder eine mündliche Erläuterung kann zeigen, ob Kriterien transferiert und nicht bloss ein Ablauf reproduziert werden.
Datenschutz ist Teil der Kompetenz und Bedingung der Prüfung
Evidenzrolle: rechtliche Behördenorientierung. Der EDÖB hält fest, dass das Schweizer Datenschutzgesetz auch für KI-Verarbeitungen gilt. Transparenz, Schutzmassnahmen, Rechte betroffener Personen und menschliche Prüfung automatisierter Einzelentscheidungen gehören zum rechtlichen Kontext. Die Quelle ist keine Unterrichtsstudie und diese Darstellung keine individuelle Rechtsberatung.
Eidgenössischer Datenschutz- und Öffentlichkeitsbeauftragter
Kurzfassung
Explains that the Federal Act on Data Protection applies directly to AI-supported processing within its scope and emphasizes transparency, safeguards, objection rights and human review of automated individual decisions.
Grenzen
- This general legal guidance is not specific to school assessment practice and is not individualized legal advice.
- Its applicability to a concrete institution and processing operation must be established separately.
- It establishes authority interpretation and obligations, not causal evidence of assessment validity or learning impact.
- Official guidance on AI and the Swiss Federal Act on Data Protection
- The source is rated for current Swiss legal authority and scope rather than causal research method.
- Swiss federal authority publication; no study funding applies.
Evidenzrolle: kantonale Behördenorientierung. Die laufend aktualisierte Information des Volksschulamts Zürich betont klare Regeln, professionelle Prüfung, Datenschutz sowie eine prozessbewusste und variierte Beurteilung. Die Seite trägt kein Publikationsjahr; ihre Autorität gilt im kantonalen Kontext und ersetzt weder lokale Zuständigkeitsklärung noch Wirksamkeitsforschung.
Volksschulamt des Kantons Zürich
Kurzfassung
The Zurich Volksschulamt calls on the public Volksschule to use transparent rules, process-aware and varied assessment, teacher professional judgment, verification of AI-supported feedback, data protection and caution with detector outputs.
Grenzen
- The page has no stated publication date and is designed to change with the discussion; 2026 in the reserved ID records verification context, not publication year.
- The guidance is cantonal, not national, and scoped to the public Volksschule; it is not causal evidence and is not automatically binding outside its jurisdiction or school sector.
- Undated living guidance from the Zurich Volksschulamt for the public Volksschule
- The source is appraised for authority, jurisdiction and currency; a causal-method rating is not applicable.
- Cantonal authority publication; no study funding applies.
Evidenzrolle: nationale Policy-Orientierung. Die von EDK und SBFI beauftragte Datennutzungspolitik von Educa beschreibt einen kohärenten, sicheren und ethisch angemessenen Umgang mit Bildungsdaten als strategische Aufgabe. Sie ist kein erlassenes Gesetz und validiert keine einzelne AI-Literacy-Prüfung. Für Schulen macht sie aber sichtbar, dass Datenverantwortung nicht erst beim Toolkauf beginnt, sondern in Zielen, Rollen, Zugängen und Governance verankert werden muss.
Educa
Kurzfassung
Sets out seven development lines and 51 development approaches for coherent, secure and ethically appropriate educational data use across the Swiss education space.
Grenzen
- The report proposes development approaches and measures; it is not enacted law or a causal impact study.
- It addresses educational data governance broadly rather than validating a specific GenAI assessment practice.
- Swiss national strategic policy report with 51 measures across seven development lines
- The report is authoritative Swiss strategy context, not causal evidence or a substitute for applicable federal and cantonal law.
- EDK and SBFI commissioned the programme; the documented project budget was CHF 4,061,900, split equally between the two commissioning bodies.
Für Fachschaften ist eine schlanke Moderation sinnvoll: Zwei Lehrpersonen beurteilen exemplarische Arbeiten anhand derselben Kriterien, vergleichen Abweichungen und überarbeiten Rubrik sowie Aufgabenstellung. Das verbessert lokale Verlässlichkeit, ist aber noch keine externe Validierung. Wo Entscheidungen hohe Folgen haben, braucht es zusätzliche fachliche, rechtliche und psychometrische Prüfung.
Was empirisch offen bleibt
Welche Kompetenzabfolge für verschiedene Altersstufen, Fächer und Kontexte zuverlässig wirkt, bleibt trotz positiver Interventionsbefunde empirisch offen.
Stützende Quellen
- OECD (2026): Empowering Learners for the Age of AI: An AI Literacy Framework for Primary and Secondary Education (öffnet in neuem Tab)
- Wonjin Yu (2026): The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis (öffnet in neuem Tab)
- Joonhyeong Park (2025): A systematic literature review of generative artificial intelligence (GenAI) literacy in schools (öffnet in neuem Tab)
- Siu-Cheung Kong (2024): Developing an artificial intelligence literacy framework: Evaluation of a literacy course for senior secondary students using a project-based learning approach (öffnet in neuem Tab)
Es gibt derzeit keine universell validierte Progression, die für alle Altersstufen, Fächer, Sprachen und Schulsysteme festlegt, welche AI-Literacy-Kompetenz wann in welcher Reihenfolge zuverlässig gelernt wird. Die Stufenbezeichnungen internationaler Rahmen sind wertvolle Planungsangebote; sie dürfen nicht nachträglich als empirisch bestätigte Entwicklungspsychologie gelesen werden.
Besonders relevant sind Fragen zur Progression, Messung und Übertragbarkeit. Noch ist offen, welche Vorläuferfähigkeiten Jugendliche brauchen, bevor sie komplexe Modellgrenzen, Datenverzerrungen oder Systemgestaltung beurteilen können. Ebenso offen ist, welche Instrumente technisches Wissen, fachliche Urteilskraft, Selbstvertrauen und tatsächliche Performanz zuverlässig trennen. Transfer bleibt eine eigene Herausforderung: Lernende müssen Kriterien aus einer geübten Chat-Aufgabe auf andere Modelle, Modalitäten, Fächer und Entscheidungen übertragen können.
Hinzu kommen Fragen nach Dauer, Gerechtigkeit und Professionalisierung. Bleiben Kompetenzen nach Monaten verfügbar, wenn Oberflächen und Modelle sich verändern? Wer profitiert von projektbasierten und technisch anspruchsvollen Angeboten, wer wird durch Sprache, Vorwissen, Zugang oder Unterstützungsbedarf ausgeschlossen? Welche Professionalisierung, Vorbereitungszeit und Teamstrukturen verbessern Unterrichtsqualität tatsächlich? Für die Schweiz ist zusätzlich relevant, wie sprachregionale Curricula, kantonale Vorgaben, Berufsbildung, Infrastruktur und Datenschutzpraxis zusammenwirken.
Eine verantwortbare Einführung behandelt diese Lücken als Evaluationsauftrag. Sie beginnt mit wenigen priorisierten Kompetenzen, legt beobachtbare Kriterien fest, erhebt eine Ausgangslage und prüft Leistung an neuen Fällen. Ergebnisse sollten nach Altersgruppe, Fach und Unterstützungsbedarf betrachtet werden. Zufriedenheit und Nutzungszahlen ergänzen diese Daten, ersetzen aber keinen Kompetenznachweis.
| Aussage | Status im aktuellen Korpus | Konsequenz |
|---|---|---|
| Finale internationale Rahmen definieren einen breiten Kompetenzbereich | Mehrfach belegt für Rahmeninhalt | Als gemeinsame Sprache und Zielorientierung nutzen |
| K-12-Interventionen können AI-Literacy-Masse verbessern | Vielversprechend, heterogen | Konkretes Design und Messung prüfen; Mittelwert nicht als lokale Prognose verwenden |
| Eine bestimmte Stufenfolge wirkt universell | Noch ungeklärt | Reihenfolge als Hypothese behandeln und lokal evaluieren |
| Ein einzelner Fragebogen misst AI Literacy umfassend | Nicht belegt | Wissen, Urteil, Performanz und Verantwortung mit mehreren Nachweisen erfassen |
| Fachübergreifende Umsetzung ist automatisch wirksamer | Nicht vergleichend belegt | Kooperation mit fachlicher Tiefe und realistischen Ressourcen verbinden |
Methode und Aktualisierung
Dieses Dossier basiert auf dem eingefrorenen Recherchepaket pilot-2026-08-24. Die Suche priorisierte finale Originalpublikationen, offizielle Institutionsseiten, peer-reviewte Reviews und schulbezogene Interventionsstudien. Für die aktuelle Rahmendarstellung wurde die OECD-/EU-Publikation vom 18. Juni 2026 als Primärquelle verwendet. Institutionelle Rahmen wurden nach Autorität, Version, Bildungsstufe und Geltungsanspruch beurteilt; sie erhielten bewusst kein künstliches kausales Methodenrating.
Suchweg und methodische Details
Gesucht wurde nach AI Literacy, generative AI literacy, competency framework, K-12, secondary education, curriculum, assessment, progression und transfer. Für empirische Quellen wurden Population, Studiendesign, Vergleich, Dauer, Outcomes, Transfermass, Hauptergebnis, Grenzen, Finanzierung und deklarierte Interessenkonflikte extrahiert. Die Claim-Source-Matrix hält für jeden zentralen Befund stützende sowie gegenläufige oder Nullquellen getrennt fest. «Mehrfach belegt» kann bei einer Rahmenaussage die verlässliche, finale normative Autorität bezeichnen; es bedeutet dort ausdrücklich nicht robuste kausale Wirkung. Wirkungsclaims werden nach Studiendesign, Direktheit für Sek I/II, Heterogenität, Messqualität und Transfergrenzen bewertet. Die Recherche ist ein auditierbarer, kuratierter Evidenzsatz, keine erschöpfende systematische Übersicht aller Sprachen und Datenbanken.
Redaktionelle Grenzregeln
Die redaktionelle Linie dieses Dossiers ist bewusst konservativ. Finale Fassungen von Rahmen werden von früheren Arbeitsständen getrennt. Normative Geltung wird nicht als kausale Wirksamkeit dargestellt. Stufen in Rahmenwerken gelten als Planungsorientierung, solange ihre Entwicklungsvalidität nicht empirisch belegt ist. Durchschnittliche Interventionseffekte werden nur zusammen mit Korpusgrösse, Heterogenität, Messung und Transfergrenzen berichtet. Hochschuldominierte Evidenz wird nicht ohne Kennzeichnung auf Sek I/II übertragen. Schweizer Behördenquellen begründen Rechts- und Governancekontext, nicht Lernwirkung. Fachübergreifende Umsetzung bleibt eine didaktische Ableitung und verlangt lokale Evaluation.
Die Erstfassung ist redaktionell geprüft, nicht extern fachbegutachtet. Die nächste planmässige Prüfung ist am 24. November 2026. Eine frühere Aktualisierung ist angezeigt, wenn der OECD-/EU-Rahmen korrigiert wird, neue externe Validierungsstudien zu Progression oder Assessment erscheinen, eine belastbare Schweizer Sekundarstufenstudie publiziert wird oder sich der relevante Rechts- und Behördenkontext wesentlich ändert.