Skip to content
Learning Lab · 5 min read

Kostenlose KI-Tools für Lehrer: Unterrichtspläne, Benotung, Personalisierung

Drei spezifische KI-Arbeitsabläufe für Lehrer: Unterrichtspläne erstellen, die zu Ihrer Zeit und Ihren Materialien passen, Aufsätze mit konsistenten Bewertungsrastern benoten und differenzierte Aufgaben in Minuten erstellen. Enthält funktionierende Prompts und Beispiele mit kostenlosen Tools.

Free AI Tools for Teachers: Grading, Lesson Plans, Personali

Sie
korrigieren
am
Freitagabend
120
Aufsätze
und
planen
gleichzeitig
die
Unterrichtseinheiten
für
die
nächste
Woche.
Ein
KI-Assistent
könnte
das
Feedback
zu
den
Aufsätzen
in
45
Minuten
statt
drei
Stunden
erledigen

aber
nur,
wenn
Sie
ihn
richtig
einrichten.
Die
meisten
Lehrer,
die
KI
ausprobieren,
geben
auf,
weil
sie
nicht
wissen,
was
sie
fragen
sollen,
generische
Antworten
erhalten
oder
mehr
Zeit
mit
der
Korrektur
der
Ergebnisse
verbringen,
als
wenn
sie
es
selbst
geschrieben
hätten.

Dieser
Leitfaden
behandelt
drei
spezifische
Arbeitsabläufe

Unterrichtsplanung,
Benotung
mit
Feedback
und
Personalisierung
von
Aufgaben

mithilfe
von
kostenlosen
Tools.
Jeder
Arbeitsablauf
enthält
einen
funktionierenden
Prompt,
den
Sie
noch
heute
kopieren
können.

Warum
kostenlose
Tools
für
Lehrer
wirklich
funktionieren

Die
kostenlose
Version
von
ChatGPT
und
die
kostenlose
Version
von
Claude
laufen
beide
auf
leistungsfähigen
Modellen.
Claude
3.5
Sonnet
(kostenlos)
übertrifft
GPT-4o
bei
Aufgaben
zum
Leseverständnis

ein
direkter
Benchmark
aus
Anthropic’s
Januar
2025
Eval.
Für
Unterrichtszwecke
tauschen
Sie
keine
Qualität
gegen
Kosten.

Die
Einschränkung
ist
der
Kontext:
Kostenlose
Versionen
begrenzen
die
Menge
an
Text,
die
Sie
auf
einmal
einfügen
können.
Eine
Aufgabenstellung
mit
5.000
Wörtern
passt.
Ihr
gesamter
Lehrplan
wahrscheinlich
nicht.
Arbeiten
Sie
innerhalb
dieser
Grenzen,
und
das
Tool
erfüllt
seine
Aufgabe.

Geschwindigkeit
ist
wichtiger,
als
Sie
denken.
Eine
10-minütige
Prompt-Schreibsitzung,
die
Ihnen
90
Minuten
Benotungszeit
erspart,
ist
die
Lernkurve
wert.

Arbeitsablauf
1:
Erstellung
spezifischer
Unterrichtspläne

Der
Standardansatz
scheitert
sofort.

#
Schlechter
Prompt
Erstelle
einen
Unterrichtsplan
zum
Thema
Photosynthese
für
Schüler
der
Oberstufe.

Sie
erhalten
eine
generische
Gliederung:
Einleitung,
Erklärung
des
Prozesses,
Aktivität,
Bewertung.
Sie
wird
korrekt
und
nutzlos
sein,
weil
sie
nicht
die
Größe
Ihrer
Klasse,
Ihre
Materialien,
das
Leseniveau
Ihrer
9.-Klässler
oder
Zugang
zu
einem
Labor
kennt.

Das
funktioniert:

#
Verbesserter
Prompt
Ich
unterrichte
Biologie
in
der
9.
Klasse
vor
28
Schülern.
Wir
haben
45
Minuten
Zeit,
grundlegende
Laboreinrichtungen
(Reagenzgläser,
Heizlampen,
Pflanzen)
und
meine
Schüler
haben
im
Durchschnitt
ein
Leseniveau
der
7.
Klasse.

Erstelle
einen
Unterrichtsplan
zur
Photosynthese,
der:
-
Mit
einem
3-minütigen
Aufhänger
beginnt,
der
kein
Lesen
erfordert
-
Eine
praktische
Demonstration
enthält,
die
ich
in
20
Minuten
durchführen
kann
-
Eine
Abschlussaktivität
hat,
die
10
Minuten
dauert,
das
Verständnis
prüft
und
keine
Aufsätze
erfordert
-
Alle
benötigten
Materialien
im
Voraus
auflistet

Formatiere
als
Tabelle
mit
Zeitstempeln.

Dieser
Prompt
zieht
mehrere
Randbedingungen
in
eine
einzige
Anfrage.
Sie
erhalten
einen
strukturierten,
zeitlich
festgelegten
Plan,
dem
Sie
tatsächlich
folgen
können.
Fügen
Sie
ein
weiteres
Detail
hinzu,
wenn
Ihre
Schule
bestimmte
Websites
blockiert
oder
Sie
die
Demonstration
an
ein
bestimmtes
Standardziel
binden
möchten

das
Modell
passt
sich
an.

Für
die
Unterrichtsplanung
funktioniert
die
kostenlose
Version
von
ChatGPT
gut.
Sie
generieren,
nicht
analysieren.
Wenn
das
Ergebnis
etwas
fehlt,
stellen
Sie
eine
Folgefrage
im
selben
Chat

das
Modell
erinnert
sich
an
Ihre
Vorgaben.

Arbeitsablauf
2:
Benotung
von
Aufsätzen
mit
konsistenten
Bewertungsrastern

Hier
versuchen
die
meisten
Lehrer
KI
und
geben
auf.
Das
Feedback
kommt
vage
oder
hart.

#
Schlechter
Ansatz
Hier
ist
der
Aufsatz
meines
Schülers.
Gib
mir
Feedback.

[800-Wörter-Aufsatz
einfügen]

Ergebnis:
„Gute
Anstrengung.
Sie
könnten
Ihre
These
stärken
und
mehr
Beweise
hinzufügen.“
Das
sagt
dem
Schüler
nicht,
was
er
korrigieren
soll
oder
warum
er
Punkte
verloren
hat.

Die
Lösung
ist
ein
Bewertungsraster.
Übergeben
Sie
dem
Modell
zuerst
Ihre
Bewertungskriterien.

#
Verbesserter
Prompt
Sie
benoten
Aufsätze
der
9.
Klasse
mithilfe
des
folgenden
Bewertungsrasters:

These
(25
Punkte):
Klare
Argumentation
in
der
Einleitung.
Leitet
den
Aufsatz.
Beweise
(25
Punkte):
3+
zitierte
Quellen.
Jedes
Zitat
mit
These
verbunden.
Begründung
(25
Punkte):
Schüler
erklärt,
WARUM
die
Beweise
die
These
unterstützen,
nicht
nur,
was
sie
sagen.
Organisation
(15
Punkte):
Logische
Absatzreihenfolge.
Übergänge
zwischen
Ideen.
Rechtschreibung
und
Grammatik
(10
Punkte):
Rechtschreibung,
Grammatik,
Zeichensetzung.

Bewerten
Sie
diesen
Aufsatz.
Geben
Sie
für
jede
Kategorie:
1.
Erreichte
Punkte
(von
max.
Kategorie)
2.
Ein
spezifischer
Satz
oder
eine
Phrase,
die
den
Score
exemplifiziert
3.
Eine
umsetzbare
Überarbeitung
für
den
nächsten
Entwurf

Halten
Sie
das
Feedback
kurz
—
nicht
mehr
als
2
Sätze
pro
Kategorie.

[Aufsatz
hier
einfügen]

Jetzt
entspricht
das
Ergebnis
Ihrem
Bewertungsstandard.
Schüler
sehen
genau,
wo
sie
Punkte
verloren
haben
und
was
sie
ändern
sollen.
Kopieren
Sie
diese
Rastervorlage
für
jeden
Aufsatz
in
einen
neuen
Chat

fügen
Sie
nicht
10
Aufsätze
auf
einmal
ein.
Das
Modell
bearbeitet
einen
Aufsatz
besser
als
ein
Stapel.

Für
die
Benotung
nutzen
Sie
die
kostenlose
Version
von
Claude
(nicht
GPT-4o
kostenlos).
Claude
ist
besser
in
naher
Lektüre
und
Nuancen

entscheidend
für
Aufsatzfeedback.
Es
wird
keine
Zitate
halluzinieren
oder
Schülerbehauptungen
übertreiben,
wie
es
schwächere
Modelle
tun.

Arbeitsablauf
3:
Personalisierung
von
Aufgaben
ohne
manuelles
Umschreiben

Eine
Aufgabe
für
28
Schüler
funktioniert
nicht.
Manche
brauchen
ein
Leseniveau,
das
zwei
Klassenstufen
niedriger
ist.
Andere
brauchen
mehr
Herausforderung.
Aufgaben
selbst
neu
zu
schreiben,
vervielfacht
Ihren
Arbeitsaufwand.

Bitten
Sie
stattdessen
das
Modell,
mehrere
Versionen
gleichzeitig
zu
generieren.

#
Verbesserter
Prompt
Erstelle
3
Versionen
dieser
Matheaufgabe
zu
linearen
Gleichungen.

Version
1:
Für
Schüler
mit
Leseniveau
der
6.
Klasse.
Verwende
weniger
Wörter
pro
Aufgabe.
Füge
ein
ausgerechnetes
Beispiel
oben
ein.

Version
2:
Standard-Schwierigkeit.
Entspricht
dem
Original.

Version
3:
Für
fortgeschrittene
Schüler.
Füge
eine
Aufgabe
ein,
die
mehrstufiges
Denken
erfordert.

Formatiere
jede
Version
als
nummerierte
Liste.
Halte
die
Terminologie
über
alle
drei
Versionen
hinweg
konsistent
—
ändere
nur
die
Komplexität,
nicht
die
Terminologie.

Originalaufgabe:
[Fügen
Sie
Ihre
Aufgabe
hier
ein]

Sie
erhalten
drei
differenzierte
Versionen
in
einer
Anfrage.
Drucken
Sie
verschiedene
Sätze
für
verschiedene
Gruppen
aus.
Das
reduziert
die
Vorbereitungszeit
von
30
Minuten
(manuelles
Umschreiben)
auf
5
Minuten
(Überprüfung
der
Ausgabe
und
kleinere
Anpassungen).

Für
die
Differenzierung
funktioniert
ChatGPT
kostenlos
gut.
Sie
generieren
Variationen,
nicht
tiefe
Kontextanalysen.

Das
Eine,
was
Sie
jetzt
tun
sollten

Erstellen
Sie
einen
Ordner
in
Ihrer
Notizen-App
oder
Google
Drive
und
speichern
Sie
drei
Vorlagen-Prompts:
einen
für
die
Unterrichtsplanung,
einen
für
die
Benotung,
einen
für
die
Differenzierung.
Passen
Sie
jeden
mit
den
spezifischen
Details
Ihrer
Klasse
an
(Klassenstufe,
Klassengröße,
Zeitvorgaben,
Barrierefreiheitsanforderungen).

Nutzen
Sie
morgen,
wenn
Sie
den
Unterricht
für
Donnerstag
planen,
die
Vorlage,
anstatt
neu
zu
beginnen.
Die
Investition
zahlt
sich
sofort
aus.
Nach
drei
Anwendungen
haben
Sie
schnellere
Ergebnisse,
weil
Sie
verbessert
haben,
was
Sie
anfordern.

Batikan
· 5 min read
Topics & Keywords
Learning Lab sie die für und das der für die ein
Share

Stay ahead of the AI curve

Weekly digest of the most impactful AI breakthroughs, tools, and strategies.

Related Articles

Cursor vs. GitHub Copilot vs. Claude Code: Welcher KI-Assistent gewinnt bei Produktionsarbeit?
Learning Lab

Cursor vs. GitHub Copilot vs. Claude Code: Welcher KI-Assistent gewinnt bei Produktionsarbeit?

Drei KI-Coding-Assistenten dominieren Produktionsumgebungen. Dies ist keine Funktionsliste. Es ist eine Aufschlüsselung dessen, was jeder tatsächlich tut, wo er versagt und welche Tools für Architektur, Boilerplate und Debugging verwendet werden sollten.

· 11 min read
Tabellen mit Claude und GPT-4o analysieren
Learning Lab

Tabellen mit Claude und GPT-4o analysieren

Claude und GPT-4o können Ihre Tabellen und CSVs analysieren, aber nur, wenn Sie die Daten korrekt strukturieren und präzise fragen. Lernen Sie, wie Sie Dateien hochladen, Analyse-Prompts schreiben und Fallstricke bei Halluzinationen vermeiden.

· 2 min read
LLM-Halluzinationen: Warum sie auftreten und 5 Wege, sie zu stoppen
Learning Lab

LLM-Halluzinationen: Warum sie auftreten und 5 Wege, sie zu stoppen

Warum erfinden Sprachmodelle selbstbewusst Fakten? Weil sie Token vorhersagen, nicht die Wahrheit. Erfahren Sie, wie Grounding, Constraint Prompting und Temperatureinstellungen die Halluzinationsraten von über 15 % auf unter 5 % in Produktionssystemen senken.

· 6 min read
KI-Workflows für Freelancer, die tatsächlich abrechenbare Stunden erhöhen
Learning Lab

KI-Workflows für Freelancer, die tatsächlich abrechenbare Stunden erhöhen

KI kann Ihre Freelance-Leistung verdoppeln, ohne Ihr Urteilsvermögen zu ersetzen. Lernen Sie vier Produktions-Workflows, die administrative Aufgaben komprimieren und über 10 abrechenbare Stunden pro Monat zurückgewinnen.

· 6 min read
Schluss mit Halluzinationen: Wie RAG LLMs wirklich erdet
Learning Lab

Schluss mit Halluzinationen: Wie RAG LLMs wirklich erdet

Ihr LLM hat gerade selbstbewusst eine Forschungsarbeit zitiert, die es nicht gibt. Sie haben es nach Ihren API-Dokumenten für Ihr Unternehmen gefragt, und es beschrieb Endpunkte, die 2019 depreziert wurden. Das passiert, weil Sprachmodelle Text basierend auf Mustern in Trainingsdaten generieren, nicht indem sie Ihre tatsächlichen Informationen abfragen. Retrieval Augmented Generation (RAG) löst dieses Problem. Nicht, indem Modelle schlauer gemacht werden, sondern indem ihnen Zugriff auf echte Daten gewährt wird, bevor sie eine Antwort generieren. Die Technik ist essenziell für Produktionssysteme geworden, aber die meisten Implementierungen scheitern leise — entweder indem sie irrelevante Dokumente zurückgeben oder die Abrufung so verbessern, dass das Modell von zu viel Kontext verwirrt wird. Diese Anleitung führt durch, wie RAG tatsächlich funktioniert, warum einfache Setups scheitern und welche spezifischen Mustern in der Produktion funktionieren.

· 7 min read
Wohin Ihre Prompts gehen: Datenverarbeitung bei ChatGPT, Claude und Gemini
Learning Lab

Wohin Ihre Prompts gehen: Datenverarbeitung bei ChatGPT, Claude und Gemini

ChatGPT speichert Ihre Daten und verwendet sie standardmäßig für das Training. Claude trainiert nicht mit Web-Konversationen, es sei denn, Sie stimmen zu. Gemini verknüpft Ihre Chats mit Ihrem gesamten Google-Konto. Hier erfahren Sie, was jedes Modell mit Ihren Prompts macht und wie Sie sensible Informationen schützen.

· 5 min read

More from Prompt & Learn

Otter vs Fireflies vs tl;dv: Der ultimative Vergleich von Meeting-Transkriptionstools
AI Tools Directory

Otter vs Fireflies vs tl;dv: Der ultimative Vergleich von Meeting-Transkriptionstools

Drei Tools versprechen, Ihre Meetings zu transkribieren und Aktionspunkte zu extrahieren. Nur eines integriert sich nahtlos in Ihren Workflow. Hier ist der echte Vergleich: Otter vs Fireflies vs tl;dv – Genauigkeitsdaten, Preisaufschlüsselungen und ehrliche Vor- und Nachteile für jedes Tool.

· 4 min read
Gamma vs Beautiful.ai vs Tome: Test der Folgenerstellung
AI Tools Directory

Gamma vs Beautiful.ai vs Tome: Test der Folgenerstellung

Ich habe Gamma, Beautiful.ai und Tome für Produktionspräsentationen getestet. Gamma generiert am schnellsten, hat aber Probleme mit dem Branding. Beautiful.ai liefert visuelle Konsistenz und Datenverarbeitung. Tome bietet Flexibilität und Kollaboration. Hier erfahren Sie, was in der Praxis funktioniert – und wann jedes Tool punktet.

· 12 min read
App-Store-Starts 2026: KI-Tools als Katalysator
AI News

App-Store-Starts 2026: KI-Tools als Katalysator

Appfigures berichtet über einen deutlichen Anstieg von App-Starts im Jahr 2026, angetrieben durch KI-Entwicklungswerkzeuge, die Zeitpläne von Wochen auf Tage komprimieren. Ein einzelner Entwickler mit Claude oder Mistral kann jetzt liefern, was 2022 ein ganzes Ingenieurteam erforderte.

· 3 min read
Julius AI vs. ChatGPT vs. Claude für Datenanalyse
AI Tools Directory

Julius AI vs. ChatGPT vs. Claude für Datenanalyse

Julius AI, ChatGPT Advanced Data Analysis und Claude Artifacts erledigen Datenaufgaben, aber Ausführungsgeschwindigkeit, Preise und Arbeitsabläufe unterscheiden sich erheblich. Hier erfahren Sie, wie Sie das richtige für Ihren Anwendungsfall auswählen.

· 5 min read
Perplexity vs Google AI vs Consensus: Welches Tool gewinnt für akademische Recherchen?
AI Tools Directory

Perplexity vs Google AI vs Consensus: Welches Tool gewinnt für akademische Recherchen?

Perplexity, Google AI und Consensus glänzen jeweils bei unterschiedlichen Forschungsaufgaben. Perplexity punktet bei aktuellen Themen mit Echtzeit-Synthese. Consensus liefert unübertroffene Zitationspräzision für begutachtete Arbeiten. Google Scholar bietet historische Tiefe. Diese Aufschlüsselung zeigt genau, welches Tool Sie für Ihre nächste Arbeit verwenden sollten – und warum.

· 7 min read
Googles Reise-Tools halbieren die Planungszeit. Das funktioniert wirklich
AI Tools Directory

Googles Reise-Tools halbieren die Planungszeit. Das funktioniert wirklich

Google hat im Frühjahr sieben integrierte Reise-Tools veröffentlicht. Die Preisverfolgung prognostiziert optimale Buchungsfenster, die Restaurantverfügbarkeit liefert Echtzeitdaten und Offline-Karten funktionieren ohne Mobilfunkabdeckung. Hier erfahren Sie, welche Funktionen Vertrauen verdienen und wo Sie Erwartungen anpassen sollten.

· 4 min read

Stay ahead of the AI curve

Weekly digest of the most impactful AI breakthroughs, tools, and strategies. No noise, only signal.

Follow Prompt Builder Prompt Builder