Aufsätze mit KI korrigieren: Was automatisierte Bewertung wirklich kann

Automatisierte Aufsatzbewertung bedeutet: Eine KI liest einen Schülertext, gleicht ihn mit einem Bewertungsraster ab und liefert in Sekunden einen Bewertungsvorschlag mit Rückmeldung. Studien aus dem Jahr 2026 zeigen, dass KI bei manchen Aufgaben ähnlich urteilt wie geschulte Bewertende. Sie gewichtet aber anders und tut sich mit sehr schwachen und sehr starken Texten schwer. Für Lehrkräfte eignet sie sich deshalb als Vorkorrektur und Überarbeitungshilfe, nicht als Ersatz für die eigene Bewertung.

Wir entwickeln mit Clasa selbst eine KI-Aufsatzkorrektur mit Bewertungsraster. Gerade deshalb verfolgen wir die Forschung genau und stützen uns auf unabhängige Studien statt auf unser eigenes Werkzeug als Maßstab. Im Folgenden fassen wir zusammen, was die aktuellen Studien über die KI-Bewertung von Aufsätzen tatsächlich zeigen – und was das für den deutschsprachigen Schulalltag bedeutet, pädagogisch wie rechtlich.

Was ist automatisierte Aufsatzbewertung?

Automatisierte Aufsatzbewertung (englisch Automated Essay Scoring, kurz AES) bezeichnet Verfahren, die schriftliche Arbeiten mithilfe von KI, maschinellem Lernen oder Sprachverarbeitung anhand festgelegter Kriterien beurteilen. Das System schlägt eine Bewertung vor, damit die Lehrkraft nicht jeden Text im ersten Durchgang vollständig von Hand korrigieren muss. Je nach Werkzeug fließen Rechtschreibung und Grammatik, Wortschatz, Aufbau, Inhalt und die Passung zur Aufgabenstellung ein.

Neu ist die Idee nicht. Das Project Essay Grade (PEG) analysierte Texte bereits in den 1960er-Jahren per Computer, und das System e-rater von ETS wird seit Jahrzehnten für die automatisierte Bewertung englischsprachiger Texte genutzt. Neuere Systeme beruhen auf neuronalen Netzen und großen Sprachmodellen (Large Language Models, LLMs). Dadurch können sie mit Bedeutung und ausführlichen Bewertungskriterien arbeiten statt nur mit sprachlichen Oberflächenmerkmalen.

Moderne KI-Bewertung zählt also nicht bloß Wörter oder markiert Fehler. Sie kann mehrere Aspekte eines Textes gleichzeitig beurteilen. Deshalb lohnt sich die Abgrenzung zu Werkzeugen, mit denen sie häufig verwechselt wird:

Der entscheidende Unterschied liegt im Zweck: Eine Rechtschreibprüfung korrigiert Sprachfehler, Schreibförderung hilft beim Überarbeiten, und automatisierte Aufsatzbewertung beurteilt einen Text anhand festgelegter Kriterien und vergibt eine Punktzahl.

Wie bewertet eine KI einen Aufsatz?

Die Technik unterscheidet sich von Modell zu Modell. In der Regel wägt eine KI-Aufsatzkorrektur aber sprachliche Richtigkeit, Aufbau, Inhalt und die Kriterien des Bewertungsrasters gegeneinander ab.

Sprachrichtigkeit und Ausdruck

Rechtschreibfehler, Zeichensetzung und unpassende Wortwahl erkennt KI zuverlässig, und für die Einschätzung der Sprachkompetenz ist das nützlich. Fehlerfreie Grammatik macht aber noch keinen guten Aufsatz, wenn die Gedanken dünn sind oder Belege fehlen. Ein brauchbares Werkzeug muss deshalb über die sprachliche Oberfläche hinausschauen.

Aufbau und Kohärenz

Die KI kann auch einschätzen, ob ein Text schlüssig aufgebaut ist: ob die Einleitung zum Thema hinführt, ob die Absätze logisch aufeinander aufbauen und ob der Schluss den Bogen zur zentralen Aussage schlägt.

In diesem Bereich schneidet generative KI vergleichsweise gut ab. In einer Studie mit 1.768 Aufsätzen aus den Klassenstufen 3 und 4 stellten Huang, Palermo und Wilson (2026) fest, dass GPT-4o mit sorgfältig formulierten Anweisungen (Prompts) bei Aufbau und Stil näher an den menschlichen Bewertungen lag. Ein älteres, merkmalsbasiertes Bewertungssystem stimmte dagegen besser bei der inhaltlichen Entfaltung und bei Oberflächenmerkmalen überein.

Inhalt und Argumentation

Die inhaltliche Qualität eines Textes zu bewerten, ist schwieriger. Eine Meinung allein reicht nicht, sie muss entfaltet und begründet werden. Ein Sprachmodell kann diese Aspekte anhand eines Rasters beurteilen, kommt dabei aber mitunter zu einem anderen Urteil als eine Lehrkraft.

Wang, Chen, Huang und Lai (2026) verglichen Qwen, GPT und Gemini mit menschlichen Bewertenden anhand von Aufsätzen, die Nicht-Muttersprachlerinnen und -Muttersprachler auf Englisch geschrieben hatten. Die Modelle legten mehr Gewicht auf grammatische Korrektheit, Wortschatz und Satzkomplexität. Die Menschen achteten stärker darauf, ob der Inhalt vollständig war, berücksichtigten auch die äußere Form und sahen kleinere Sprachfehler eher nach. Ihre Bewertungen blieben zudem über verschiedene Kompetenzniveaus hinweg stabiler.

Überträgt man diesen Befund auf den deutschsprachigen Unterricht, wird er besonders relevant. Viele Erwartungshorizonte, etwa im Zentralabitur, trennen zwischen inhaltlicher Leistung und Darstellungsleistung. Eine KI, die Sprache stärker gewichtet als Inhalt, verschiebt genau diese Balance. In Lerngruppen mit vielen Schülerinnen und Schülern, die Deutsch als Zweitsprache (DaZ) lernen, kann das bedeuten, dass inhaltlich starke Texte wegen sprachlicher Fehler zu schlecht wegkommen.

Passung zu Aufgabenstellung und Bewertungsraster

Eine solide KI-Bewertung prüft auch, ob die Aufgabe überhaupt bearbeitet wurde. Verlangt der Operator „erörtern“ eine abwägende Argumentation mit Belegen, kann die KI genau das bewerten.

Das Raster ist dabei entscheidend, denn die KI hat keine eigene Vorstellung davon, was ein „guter Aufsatz“ ist. Sie kennt nur die Kriterien, die man ihr vorgibt. Deshalb steht die rasterbasierte Bewertung im Zentrum moderner KI-Korrektur.

Im angloamerikanischen Raum spricht man von einer Rubric. Im deutschsprachigen Schulalltag entspricht das am ehesten dem Bewertungs- oder Kriterienraster beziehungsweise dem Erwartungshorizont. Legt eine Lehrkraft etwa das Kriterium „Belege und Textbezug“ fest, prüft die KI, ob die zentrale These durch passende Beispiele oder Textstellen gestützt wird. Falls Sie noch kein Raster haben, erstellt ein kostenloser Bewertungsraster-Generator eines aus Ihrer Aufgabenstellung.

Die KI entscheidet also nicht, ob ein Text „gut klingt“. Sie prüft ihn an konkreten Kriterien, die die Lehrkraft festgelegt hat.

Wie genau ist die automatisierte Aufsatzbewertung?

Entscheidend ist, ob eine KI-Bewertung nah genug an der Einschätzung einer Lehrkraft liegt, um nützlich zu sein. Die Forschung sagt: Das kann sie, allerdings mit wichtigen Einschränkungen. Die Genauigkeit hängt vom Modell ab, von den Schülerinnen und Schülern, von der Aufgabe und davon, wie man Genauigkeit misst.

Vorab ein Hinweis: Die Forschung zur KI-Aufsatzbewertung stammt bislang überwiegend aus dem englischsprachigen Raum, und auch die Studien in diesem Beitrag untersuchen englische Texte. Wie gut sich die Ergebnisse auf deutsche Aufsätze übertragen lassen, ist kaum erforscht. Sprachmodelle wurden überwiegend mit englischen Daten trainiert, und typisch deutsche Textsorten wie Erörterung oder Textinterpretation folgen eigenen Konventionen. Die Befunde sind deshalb als Orientierung zu verstehen, nicht als Garantie.

Im Grundschulbereich verglichen Huang, Palermo und Wilson (2026) GPT-4o mit einem herkömmlichen, merkmalsbasierten Bewertungssystem anhand von 1.768 Aufsätzen aus den Klassenstufen 3 und 4. Mit sorgfältigen Prompts kam GPT-4o nah an die Übereinstimmung zwischen Menschen und merkmalsbasiertem System heran. Ein eigens feinabgestimmtes GPT-4o erreichte insgesamt die höchste Genauigkeit. Frei von Unterschieden zwischen Schülergruppen war allerdings keines der Modelle.

Zhou (2026) analysierte 1.726 Aufsätze, die von acht Sprachmodellen bewertet wurden, mit Methoden der Signalentdeckungstheorie. Diese misst, wie gut Bewertende schwache von starken Texten unterscheiden. Menschliche Bewertende waren darin etwa doppelt so gut. Die Sprachmodelle ballten ihre Bewertungen in der Mitte der Skala und vergaben die höchste Stufe des Rasters nur selten.

Diese Ergebnisse widersprechen sich nicht. Die Übereinstimmung misst, wie oft KI- und menschliche Bewertung insgesamt zusammenpassen. Weil die meisten Texte im Mittelfeld liegen, schneidet KI hier ordentlich ab. Die Trennschärfe misst dagegen, ob die KI einen schwachen von einem starken Text unterscheiden kann, und genau dort liegt ihre Schwäche.

Worauf Menschen und KI bei der Bewertung achten

Zuverlässig ist nicht gleich richtig

Wer in der Lehrkräftebildung die Gütekriterien der Leistungsmessung kennengelernt hat, wird die folgenden Begriffe wiedererkennen. Sie gelten auch für KI:

Diese Begriffe werden oft gleichgesetzt, messen aber Unterschiedliches. Eine KI wirkt auf den ersten Blick objektiv, weil sie keine Tagesform kennt. Ein System kann aber bei jedem Durchlauf dieselbe Punktzahl vergeben und trotzdem jedes Mal danebenliegen.

Debelak und Ziegler (2026) zeigen, warum alle Kriterien gemeinsam geprüft werden müssen. In einem methodischen Beitrag in PLOS One testeten sie ein DistilBERT-Modell, das mit dem öffentlich verfügbaren Hewlett-ASAP-Datensatz englischer Aufsätze trainiert wurde. Das Modell zeigte eine hohe interne Konsistenz mit Spearman-Brown-Koeffizienten zwischen 0,77 und 0,92 sowie Hinweise auf Validität. Beim Vergleich von menschlicher und KI-Bewertung über verschiedene Aufsatzthemen hinweg zeigten sich aber auch Anzeichen mangelnder Fairness. Das Fazit der beiden: Reliabilität, Validität und Fairness müssen gemeinsam bewertet werden.

Verändert KI-Bewertung, wie Schülerinnen und Schüler schreiben?

KI verändert die Leistungsbewertung – und möglicherweise auch das Schreiben selbst. Früher hieß es: schreiben, abgeben, auf die Korrektur warten. Mit einer KI-Aufsatzkorrektur kommt die Rückmeldung sofort. So entsteht ein schneller Kreislauf aus Schreiben, Rückmeldung, Überarbeiten und erneutem Prüfen.

Für formatives Feedback ist das wertvoll. Schülerinnen und Schüler können sich schwache Argumente oder unzusammenhängende Absätze von der KI anzeigen lassen und ihren Entwurf überarbeiten, bevor er bei der Lehrkraft landet. Am meisten bringt KI-Rückmeldung deshalb während der Überarbeitung, nicht nach der Abgabe – also in der Lernsituation, nicht in der Leistungssituation.

Es gibt allerdings ein Risiko: Merken Schülerinnen und Schüler, dass die KI bestimmte Wörter oder Satzmuster belohnt, schreiben sie womöglich für die Maschine. Das Ergebnis sind schematischere Texte mit weniger eigenen Gedanken.

Im Deutschen hat dieses Risiko eine besondere Note, denn Nominalstil und verschachtelte Satzgefüge wirken schnell „bildungssprachlich“. Ein Satz für die Maschine könnte so aussehen: „Die multifaktoriellen Implikationen der Integration digitaler Technologien in schulische Handlungsfelder erfordern eine umfassende Evaluation.“ Ein Satz für Leserinnen und Leser dagegen: „Schulen sollten KI-Werkzeuge testen, bevor sie damit Noten vergeben.“ Weil die Modelle in der Studie von Wang et al. (2026) Wortschatz und Satzkomplexität stärker gewichteten als menschliche Bewertende, könnte der erste Satz bei einer KI besser abschneiden. Jede Lehrkraft würde den zweiten vorziehen.

KI-Rückmeldung sollte Texte klarer machen, nicht verschnörkelter. Am meisten profitieren Schülerinnen und Schüler, wenn sie Hinweise zu Argumentation, Belegen und Aufbau umsetzen – und eine höhere Punktzahl für längere Wörter als Warnsignal verstehen, nicht als Ziel.

Was bringt automatisierte Aufsatzbewertung Lehrkräften?

Wer ein Korrekturfach wie Deutsch, Englisch oder Geschichte unterrichtet, kennt das: Ein Stapel Klausuren kostet schnell ein ganzes Wochenende. Die wichtigsten Vorteile der KI-Bewertung sind deshalb Zeitersparnis, eine einheitliche Vorkorrektur und schnellere Rückmeldung. KI kann große Mengen an Texten sichten, typische Probleme einer ganzen Lerngruppe sichtbar machen und Schülerinnen und Schülern Hinweise geben, mit denen sie ihre Texte überarbeiten können.

Auch die Bildungspolitik sieht dieses Potenzial. Die Kultusministerkonferenz nennt in ihrer Handlungsempfehlung zum Umgang mit KI ausdrücklich Vorkorrektur und Korrekturassistenz als Einsatzfelder. In Bayern erprobt der Schulversuch „proof – Prozessorganisation und Feedback“ der Stiftung Bildungspakt Bayern an 16 Schulen, wie KI im Sinne einer Vorkorrektur Rückmeldung zur sprachlichen und inhaltlichen Richtigkeit geben und Lehrkräfte entlasten kann.

Ein automatisiertes System bewertet außerdem den hundertsten Text nach denselben Maßstäben wie den ersten. Das verringert die schleichende Verschiebung, die sich beim Korrigieren eines langen Stapels leicht einstellt – um Mitternacht korrigiert man oft anders als am Vormittag. Einheitlichkeit ist aber nicht dasselbe wie Fairness: Ein verzerrtes System ist durchgehend verzerrt.

Sofortige Rückmeldung hilft Schülerinnen und Schülern mitten im Schreibprozess. Schulen können so jede Abgabe einer ersten Sichtung unterziehen, ohne für jeden Text eigens eine Lehrkraft einplanen zu müssen. Einen breiteren Überblick über Werkzeuge und Unterrichtspraxis bietet unser Leitfaden zur KI-Bewertung im Bildungsbereich.

Am besten unterstützt KI die Lehrkraft, statt sie zu ersetzen. Das System übernimmt Vorkorrektur, Überarbeitungshinweise und die einheitliche Prüfung am Raster. Die Lehrkraft gibt die individuelle Förderung, die Schülerinnen und Schüler brauchen, prüft die Ergebnisse und trifft die endgültige Entscheidung.

Wenn Sie die rasterbasierte KI-Bewertung ausprobieren möchten, können Sie Clasa kostenlos testen. Sie laden einen Aufsatz und Ihr Bewertungsraster hoch, erhalten eine Auswertung Kriterium für Kriterium und können jede Rückmeldung prüfen und anpassen, bevor Ihre Schülerinnen und Schüler sie sehen.

Wo stößt automatisierte Aufsatzbewertung an Grenzen?

Trotz echter Fortschritte hat die automatisierte Aufsatzbewertung deutliche Schwächen.

KI liest anders als eine Lehrkraft

KI kann Sprache in riesigen Mengen verarbeiten, liest einen Aufsatz aber nicht so wie ein Mensch. Eine Lehrkraft bringt Erfahrung, Kontextwissen und die Kenntnis ihrer Lerngruppe mit und erkennt so feine Bedeutungsnuancen, die einer KI oft entgehen. Wie die Studien oben zeigen, können KI und Menschen zu ähnlichen Punktzahlen kommen – aus unterschiedlichen Gründen, weil sie Sprache, Inhalt und Form unterschiedlich gewichten.

Verzerrungen und Fairness

Ein zweites Problem sind Verzerrungen. In derselben Studie mit 1.768 Aufsätzen der Klassenstufen 3 und 4 untersuchten Huang, Palermo und Wilson (2026) die Fairness für verschiedene Gruppen: nach Geschlecht, für Kinder, die Englisch als Zweitsprache lernen, und für Kinder mit sonderpädagogischem Förderbedarf. Das feinabgestimmte GPT-4o schnitt insgesamt am fairsten ab, doch kein Modell war völlig frei von Gruppenunterschieden.

Das heißt nicht, dass jede KI-Korrektur gleich stark verzerrt ist. Es heißt aber, dass jedes System mit unterschiedlichen Schülergruppen und Aufgaben getestet werden sollte, bevor es für folgenreiche Entscheidungen genutzt wird. Auch die Kultusministerkonferenz nennt die „Gefahr von Diskriminierung durch Bias“ ausdrücklich als Herausforderung. Für heterogene Lerngruppen mit vielen DaZ-Lernenden gilt das besonders.

Datenschutz und DSGVO

Schülertexte enthalten personenbezogene Daten – vom Namen auf dem Deckblatt bis zu persönlichen Erlebnissen in einer Erzählung. In Deutschland und Österreich gilt dafür die DSGVO, ergänzt durch weitere schul- und datenschutzrechtliche Vorgaben. In der Schweiz greift das Datenschutzrecht von Bund und Kantonen. Vor dem Einsatz eines KI-Werkzeugs sollten Schulen klären:

• Wo werden die Texte gespeichert und verarbeitet, und bleibt die Verarbeitung in der EU?
• Werden die Texte zum Training von KI-Modellen verwendet?
• Wie lange werden sie aufbewahrt, und lassen sie sich vollständig löschen?
• Liegt ein Vertrag zur Auftragsverarbeitung (AVV) nach Art. 28 DSGVO vor?

Ein einfacher Schritt im Alltag: Namen und andere identifizierende Angaben vor dem Hochladen entfernen. Im Zweifel hilft ein Gespräch mit der oder dem Datenschutzbeauftragten Ihrer Schule.

Mittentendenz bei der Notenvergabe

KI neigt außerdem dazu, Bewertungen zusammenzustauchen. Eine Lehrkraft nutzt die ganze Skala von „ungenügend“ bis „sehr gut“, viele Sprachmodelle meiden dagegen die Extreme. In Zhous (2026) Studie mit 1.726 Aufsätzen zeigten die Modelle eine ausgeprägte Mittentendenz und vergaben die höchste Stufe des Rasters nur selten. Einen herausragenden Text von einem nur guten zu unterscheiden, fällt diesen Systemen schwer.

Übertragen auf die gymnasiale Oberstufe heißt das: Gerade bei der Frage, ob eine Klausur 13 oder 15 Punkte verdient, ist die KI am wenigsten verlässlich – und damit genau dort, wo es für den Abiturschnitt darauf ankommt.

Dasselbe Muster zeigt sich an Hochschulen. Kay et al. (2026) von der Cardiff University und der University of Melbourne ließen zwei ChatGPT-Versionen 50 Essays aus einem biowissenschaftlichen Bachelorstudium bewerten. Insgesamt lagen die Noten oft nah an denen der menschlichen Prüfenden, bei einzelnen Essays aber nicht: Die KI bewertete schwächere Arbeiten zu gut, stärkere zu schlecht und stimmte im mittleren Bereich am besten überein. Das Forschungsteam folgert, dass generative KI umfangreiche schriftliche Arbeiten noch nicht verlässlich bewerten kann.

Außerdem versuchen Schülerinnen und Schüler mitunter, eine KI-Bewertung mit unnötiger Länge, kompliziertem Vokabular oder Wiederholungen auszutricksen. Eine gute KI-Korrektur sollte sich am Raster und an der Qualität der Argumentation orientieren, nicht an Oberflächenmerkmalen.

Allgemeine Rückmeldungen ohne Textbezug

Eine Punktzahl kann stimmen, während die Rückmeldung wenig nützt. KI-Kommentare klingen manchmal hilfreich, passen aber auf jeden beliebigen Text, etwa: „Hier könnten mehr Details stehen.“ Hinweise, die sich auf konkrete Kriterien und konkrete Textstellen beziehen und von der Lehrkraft geprüft und angepasst werden, bevor die Schülerinnen und Schüler sie sehen, sind deutlich wertvoller.

Unterschiede zwischen den Modellen

Jiao, Song und Lee (2026) verglichen zehn Modelle aus den Familien GPT, Claude, Gemini und DeepSeek an zwei Schreibaufgaben und fanden deutliche Unterschiede in Konsistenz und Leistung. Wegen der kleinen Stichprobe verzichtete das Forschungsteam auf eine Rangliste.

„KI-bewertet“ allein sagt also wenig aus. Es kommt darauf an, welches Modell verwendet wurde, wie es eingerichtet ist und wie es getestet wurde.

Darf KI in der Schule Noten vergeben?

Neben der pädagogischen gibt es eine rechtliche Seite, und die ist in Deutschland eindeutig. Die Kultusministerkonferenz hält in ihrer Handlungsempfehlung von 2024 fest: „Leistungsbewertung ist und bleibt eine pädagogische und hoheitliche Aufgabe, die als Verwaltungsakt im schulischen Kontext ausschließlich von Lehrkräften erfüllt werden kann.“ Und weiter: „Die abschließende Leistungsbewertung bleibt den Prüfenden vorbehalten.“

Ein Grund dafür ist Art. 22 DSGVO. Er schützt davor, einer ausschließlich automatisierten Entscheidung unterworfen zu werden, die rechtliche Wirkung entfaltet oder Betroffene in ähnlicher Weise erheblich beeinträchtigt. Die Datenschutzaufsicht in Baden-Württemberg hat in ihrem Tätigkeitsbericht für 2024 klargestellt, dass eine automatisierte Entscheidung bei der Korrektur von Klassenarbeiten, Klausuren und Prüfungen danach nicht zulässig ist. Zugleich warnt sie vor dem sogenannten Automation Bias, also der Neigung, Computerergebnisse ungeprüft zu übernehmen. Eine KI-Bewertung nur abzunicken, reicht deshalb nicht: Die Lehrkraft muss tatsächlich prüfen und selbst entscheiden.

Hinzu kommt die europäische KI-Verordnung (AI Act). Sie stuft KI-Systeme, die Lernergebnisse bewerten, als Hochrisiko-Systeme ein. Die damit verbundenen Pflichten für Anbieter und Betreiber greifen nach der 2026 beschlossenen Verschiebung ab dem 2. Dezember 2027. Für Schulen ist das ein weiterer Grund, KI konsequent als Unterstützung einzusetzen und die Bewertungsentscheidung bei der Lehrkraft zu belassen.

Die Details regeln die Länder, und die Vorgaben entwickeln sich schnell weiter. Klären Sie vor dem Einsatz, was Ihr Kultusministerium, Ihr Schulträger und Ihre Schulleitung vorsehen. In Österreich und der Schweiz gelten jeweils eigene schul- und datenschutzrechtliche Regelungen. Dieser Abschnitt bietet eine Orientierung, ersetzt aber keine Rechtsberatung.

Kann KI Lehrkräfte beim Korrigieren ersetzen?

KI kann schon heute einen Teil der Korrekturarbeit übernehmen: vor allem die schnelle Vorkorrektur, das Markieren typischer Probleme und die Prüfung einzelner Rasterkriterien über große Stapel hinweg.

Das menschliche Urteil vollständig zu ersetzen, ist etwas anderes – pädagogisch wie rechtlich. Lehrkräfte werden weiterhin gebraucht, um Nuancen zu deuten, kreative oder ungewöhnliche Texte zu würdigen und eine KI-Bewertung zu hinterfragen, die nicht stimmig wirkt.

Zusammengenommen sprechen die Studien für ein Zusammenspiel statt für ein Entweder-oder. Die praktische Frage lautet, welche Aufgaben wer am besten übernimmt:

• Übungsaufgaben und Entwürfe: Die KI übernimmt die Vorkorrektur und schlägt Rückmeldungen vor. Die Lehrkraft prüft stichprobenartig.
• Benotete Schreibaufträge im Unterricht: Die KI bewertet am Raster vor. Die Lehrkraft prüft jede Bewertung, legt die Note fest und überarbeitet die Kommentare, bevor sie zurückgehen.
• Klassenarbeiten, Klausuren und Abschlussprüfungen: Die Lehrkraft liest und entscheidet. Die KI kann auf Auffälligkeiten hinweisen, setzt aber keine Note. Im Abitur sehen die Prüfungsordnungen ohnehin Erst- und Zweitkorrektur durch Lehrkräfte vor.
• Ungewöhnliche, kreative oder knappe Grenzfälle: Die Lehrkraft liest vollständig selbst, vor allem die voraussichtlich besten und schwächsten Arbeiten.

Einen direkten Vergleich konkreter Werkzeuge finden Sie in unserer Übersicht der besten KI-Aufsatzkorrekturen für Lehrkräfte.

Wie geht es mit der automatisierten Aufsatzbewertung weiter?

Die Forschung arbeitet an besseren Rastern, Prompts und Ankertexten, um den Abstand zwischen KI- und menschlicher Bewertung zu verringern.

Choi, Tate und Warschauer (2026) zeigten in der Fachzeitschrift Assessing Writing, dass Ankertexte, also bereits bewertete Beispielaufsätze, im Prompt die Übereinstimmung zwischen Sprachmodell und menschlicher Bewertung deutlich verbessern. Die Übereinstimmung rückte damit näher an die zweier menschlicher Bewertender heran. Ankertexte aus dem gesamten Notenspektrum funktionierten besser als solche für nur einige Stufen. GPT-4o schnitt am besten ab, GPT-4o mini erzielte jedoch vergleichbare Ergebnisse zu deutlich geringeren Kosten.

Für Lehrkräfte ist das ein praktischer Befund, der an vertraute Praxis anknüpft. Wer in der Fachschaft mit bewerteten Musterarbeiten Maßstäbe abstimmt, macht im Grunde dasselbe. Einer KI-Korrektur einige bewertete Beispiele aus dem gesamten Notenspektrum mitzugeben, ist eine der einfachsten Möglichkeiten, ihre Bewertungen näher an Ihre eigenen heranzuführen.

Außerdem untersucht die Forschung, wie KI-Bewertungen zustande kommen: welche Textmerkmale die Modelle gewichten, ob sich das mit dem Kompetenzniveau ändert und ob die Ergebnisse für alle Gruppen fair sind. Für den deutschsprachigen Raum braucht es zudem Studien mit deutschen Texten und Textsorten. Eine schnelle Punktzahl allein reicht nicht. Nützlich ist eine KI-Korrektur nur, wenn sie das Lernen unterstützt und unabhängigen Prüfungen standhält.

Häufige Fragen zur KI-Korrektur von Aufsätzen

Was ist automatisierte Aufsatzbewertung?

Automatisierte Aufsatzbewertung ist Software, die einen Text liest und ihn anhand festgelegter Kriterien oder eines Bewertungsrasters beurteilt. Frühe Systeme zählten vor allem sprachliche Merkmale, heutige Systeme nutzen große Sprachmodelle, die direkt mit dem Raster einer Lehrkraft arbeiten können. Es handelt sich um ein Bewertungswerkzeug, nicht um eine Rechtschreibprüfung, auch wenn viele Produkte beides anbieten.

Wie funktioniert eine KI-Aufsatzkorrektur?

Das System liest den Text, prüft ihn an jedem Kriterium des Rasters und macht einen Bewertungsvorschlag, meist mit Rückmeldung zu jedem Kriterium. Bei großen Sprachmodellen bestimmen das Raster und mitgelieferte bewertete Beispieltexte das Ergebnis maßgeblich. Klare, konkrete Raster führen zu einheitlicheren Bewertungen als vage formulierte.

Wie genau bewertet KI Aufsätze?

Das hängt vom Modell, vom Raster und von der Textsorte ab. Bei 1.768 Aufsätzen aus den Klassenstufen 3 und 4 lag ein feinabgestimmtes GPT-4o am nächsten an der menschlichen Bewertung (Huang, Palermo und Wilson, 2026). Bei 1.726 Aufsätzen, die acht Sprachmodelle bewerteten, konnten Menschen schwache und starke Texte etwa doppelt so gut unterscheiden (Zhou, 2026). KI-Bewertungen sollten Sie deshalb als Vorkorrektur behandeln und selbst prüfen.

Darf eine KI Aufsätze benoten?

Korrigieren ja, benoten nein. Eine KI darf als Vorkorrektur oder Korrekturassistenz einen Bewertungsvorschlag machen. Die Note legt nach der Handlungsempfehlung der Kultusministerkonferenz und nach Art. 22 DSGVO immer die Lehrkraft fest, und zwar nach eigener Prüfung, nicht durch bloßes Übernehmen des KI-Ergebnisses.

Funktioniert KI-Korrektur auch bei deutschen Texten?

Grundsätzlich ja, denn aktuelle Sprachmodelle verarbeiten Deutsch gut. Die meisten Studien zur Bewertungsqualität beziehen sich allerdings auf englische Texte. Wie zuverlässig KI deutsche Textsorten wie Erörterung, Textanalyse oder Interpretation bewertet, ist weniger gut untersucht. Ein klares Raster, Ankertexte aus dem gesamten Notenspektrum und die Prüfung durch die Lehrkraft sind hier besonders wichtig.

Können Schülerinnen und Schüler eine KI-Bewertung austricksen?

Manchmal. Längere Sätze und anspruchsvolleres Vokabular können die Punktzahl erhöhen, weil manche Modelle sprachliche Komplexität stärker gewichten als menschliche Bewertende. Ein Raster, das Belege und Argumentation ausdrücklich belohnt, lässt aufgeblähten Texten weniger Spielraum. Texte, die überraschend gut abschneiden, sollten Lehrkräfte stichprobenartig selbst lesen.

Ist KI-Aufsatzkorrektur mit der DSGVO vereinbar?

Das hängt vom Werkzeug und vom Einsatz ab. Klären Sie, wo die Texte gespeichert werden, ob sie zum Training von KI-Modellen genutzt werden und wie lange sie aufbewahrt werden. Schulen sollten einen Vertrag zur Auftragsverarbeitung abschließen und die Vorgaben ihres Landes prüfen. Im Alltag hilft es, Namen vor dem Hochladen zu entfernen.

Welche Nachteile hat automatisierte Aufsatzbewertung?

KI-Bewertung kann Fairnesslücken zwischen Schülergruppen aufweisen und manche Texte anders bewerten als Lehrkräfte. Bei sehr schwachen und sehr starken Arbeiten tut sie sich schwer und ballt die Bewertungen in der Mitte. Außerdem produziert sie mitunter allgemeine Kommentare, die hilfreich klingen, aber nicht auf den konkreten Text eingehen.

Verbessert KI-Rückmeldung das Schreiben?

Sie kann es, wenn Schülerinnen und Schüler die Rückmeldung zum Überarbeiten nutzen. Der Nutzen entsteht, wenn sie Hinweise zu Argumentation, Belegen und Aufbau umsetzen. Ziel sollten klarere Gedanken sein, nicht ein Schreibstil, der der KI gefallen soll.

Fazit

Automatisierte Aufsatzbewertung kann Lehrkräften Zeit sparen und Schülerinnen und Schülern schneller Rückmeldung geben, hat aber klare Grenzen. KI kann im Durchschnitt mit Lehrkräften übereinstimmen und trotzdem den Unterschied zwischen schwachen und starken Texten verfehlen. Außerdem kann sie manche Gruppen von Schülerinnen und Schülern anders bewerten als andere.

Der sinnvollste Weg: KI für die Vorkorrektur und für Rückmeldungen während der Überarbeitung nutzen und die Note bei der Lehrkraft lassen – so, wie es auch die Kultusministerkonferenz vorsieht. Wenn Sie sehen möchten, wie eine Vorkorrektur Kriterium für Kriterium mit Ihrem eigenen Raster aussieht, testen Sie Clasa kostenlos.