Stell dir vor, du stehst als Bildungsverantwortliche*r oder Multiplikator*in vor einer pädagogischen Herausforderung: Soll ein neues digitales Werkzeug eingesetzt werden? Wie kann ein komplexes Thema wie KI-Ethik für Lernende mit unterschiedlichen Vorerfahrungen zugänglich gemacht werden? Oder wie lässt sich ein Projekt so gestalten, dass es alle Teilnehmer*innen mitnimmt – ohne einige zu überfordern oder andere zu unterfordern?
Du fragst eine KI nach Rat – und bekommst eine Antwort, die deine eigenen Überlegungen und Vorlieben perfekt widerspiegelt. Die KI scheint deine Gedanken zu lesen, bestätigt deine Annahmen und liefert dir Argumente, die genau in dein pädagogisches Konzept passen. Das Problem: Du bekommst nicht die beste Lösung, sondern die, die dir am vertrautesten erscheint.
Im Bildungsbereich sind wir es gewohnt, uns auf bewährte Methoden, eigene Erfahrungen oder institutionelle Vorgaben zu verlassen. Wenn wir eine KI um Unterstützung bitten, können wir dazu neigen, unsere Fragen so zu formulieren, dass sie diese vertrauten Pfade bestätigen. Die KI ihrerseits – trainiert auf riesige Mengen an Texten, die oft selbst von ähnlichen Denkweisen geprägt sind – verstärkt diese Tendenz durch drei zentrale Mechanismen: Wahrscheinlichkeitsbasierte Antworten, die auf gängigen Mustern basieren, den People-Pleaser-Effekt, der Kontroversen vermeidet und Harmonie betont, sowie den Confirmation-Bias, der dazu führt, dass wir vor allem die Informationen erhalten, die unsere bestehenden Überzeugungen stützen. Das Ergebnis? Eine Echo-Kammer, in der pädagogische Innovationen oder kritische Reflexion auf der Strecke bleiben.
Ein konkretes Beispiel aus der Praxis
Angenommen, du planst eine Einheit zum Thema „Kritischer Umgang mit KI in der Schule“ und fragst die KI: „Wie kann ich meinen Schüler*innen beibringen, KI-Tools verantwortungsvoll zu nutzen? Sie sind schon recht technikaffin.“ Die KI wird dir wahrscheinlich eine Reihe von Vorschlägen machen, die auf den Stärken deiner Gruppe aufbauen – z. B. praktische Übungen mit KI-Chatbots oder Diskussionen über Ethik in der Technologienutzung. Aber:
- Sie wird seltener von selbst auf mögliche Risiken hinweisen (z. B. dass technikaffine Lernende KI vielleicht unkritisch als „Wunderlösung“ sehen könnten).
- Sie wird kaum alternative Perspektiven einbringen (z. B. wie Lernende mit geringeren digitalen Vorkenntnissen in die Einheit integriert werden können).
- Sie wird nicht hinterfragen, ob deine Annahme („Sie sind schon recht technikaffin“) tatsächlich für alle zutrifft – oder ob du damit unbewusst einige ausschließt.
Wenn die KI dir nur das sagt, was du hören willst, übersiehst du leicht pädagogische Fallstricke – etwa dass eine Methode für bestimmte Lernende nicht funktioniert oder ein Thema mehr Tiefe braucht. Bildung lebt davon, Themen aus verschiedenen Blickwinkeln zu betrachten, doch die KI liefert dir oft nur eine Perspektive: deine eigene.
Eine Lösung: Der LLM Council
Der LLM Council ist eine systematische Methode, um die einseitige Perspektive einer einzelnen KI-Abfrage zu überwinden, die ursprünglich von Andrej Karpathy entwickelt wurde – einem Informatiker, der aktuell im Pretraining-Team von Anthropic arbeitet. Statt eine Frage einmal zu stellen und die erste Antwort als gegeben hinzunehmen, wird hier ein multiperspektivischer Dialog mit der KI geführt. Im Bildungsbereich bedeutet das: Du nutzt die KI nicht als einzelne Stimme, sondern als Team aus virtuellen Berater*innen, die gemeinsam eine Frage bearbeiten.
Dabei kommen feste Rollen zum Einsatz, die gezielt unterschiedliche Blickwinkel einbringen. Diese Rollen sind nicht flexibel, sondern vordefiniert, um eine strukturierte und umfassende Analyse zu gewährleisten. Jede Persona hält radikal an ihrer einseitigen Perspektive fest und schaut nicht über ihren Tellerrand hinaus. Erst im Anschluss werden die Aussagen der verschiedenen Rollen in einer Art Kreuzverhör dem oder der Vorsitzenden präsentiert. Diese*r leitet daraus eine Zusammenfassung und Handlungsempfehlung ab.
- Grundsatzdenker*in: Hinterfragt die grundsätzlichen Annahmen und Prinzipien hinter einer Fragestellung. Beispiel: „Welche pädagogischen Werte stehen hinter der Nutzung von KI im Unterricht?“
- Skeptiker*in: Identifiziert mögliche Risiken, Schwächen oder Fallstricke. Beispiel: „Welche Nachteile oder ethischen Bedenken könnten bei der Einführung dieses digitalen Werkzeugs auftreten?“
- Visionär*in: Entwickelt innovative, zukunftsweisende Ideen und Lösungsansätze. Beispiel: „Wie könnte der Unterricht in fünf Jahren aussehen, wenn wir diese Technologie konsequent einsetzen?“
- Außenstehende*r: Bringt eine neutrale, unvoreingenommene Perspektive ein, als ob jemand ohne Vorwissen die Fragestellung betrachtet. Beispiel: „Wie würde eine Person ohne pädagogischen Hintergrund diese Methode bewerten?“
- Macher*in: Fokussiert sich auf die praktische Umsetzbarkeit und konkrete Schritte. Beispiel: „Welche ersten Schritte sind nötig, um diese Idee im Klassenzimmer umzusetzen?“
Jede dieser Rollen wird nacheinander eingenommen, um die Fragestellung aus verschiedenen Perspektiven zu beleuchten. Der Ansatz ist besonders interessant, weil er genau dort ansetzt, wo traditionelle KI-Nutzung an Grenzen stößt: bei der Reflexion komplexer Fragestellungen, die keine einfache Lösung haben. Ob es um die Gestaltung eines inklusiven Workshops, die Bewertung neuer digitaler Werkzeuge oder die ethische Einordnung von KI geht – der LLM Council hilft dir, Blind Spots zu erkennen, Vorurteile zu hinterfragen und kreative Lösungen zu entwickeln, die du allein vielleicht nicht gesehen hättest.
Umsetzung der Methode
Ursprünglich wurde diese Methode von Karpathy mit fünf unterschiedlichen KI-Modellen durchgeführt, die jeweils eine der festen Rollen (Grundsatzdenker*in, Skeptiker*in, Visionär*in, Außenstehende*r, Macher*in) übernahmen. Heute lässt sich der LLM Council jedoch auch in einer einzigen KI wie Mistral Vibe (Work) oder Claude umsetzen – und zwar über eine Skill-Datei, die auf GitHub für Claude optimiert zur Verfügung gestellt wird.
Skills sind vorgefertigte Anleitungen, die einer KI spezifische Fähigkeiten oder Arbeitsweisen zuweisen. Sie definieren, wie die KI auf bestimmte Anfragen reagieren soll, und ermöglichen so eine strukturierte und wiederkehrende Nutzung komplexer Methoden wie des LLM Councils. Die Skill-Datei definiert also die Rollen, die Abfolge der Abfragen sowie die Struktur des Kreuzverhörs, sodass du den Council direkt nutzen kannst. Falls ihr lieber Mistral Vibe nutzt, könnt ihr auch gerne unsere eigene angepasste Skill-Datei verwenden. Diese könnt ihr im Bereich Work einfach installieren und nutzen.
Der LLM Council ist ein sinnvolles Werkzeug, um komplexe pädagogische Fragestellungen multiperspektivisch zu beleuchten, aber nicht jede Frage braucht unbedingt einen LLM Council. Für einfache, klare Fragestellungen wie „Welche Grundfunktionen hat dieses KI-Tool?“ oder „Wie erkläre ich den Begriff ‚Algorithmus‘ für 10-Jährige?“ ist der Council überdimensioniert – hier reicht eine direkte KI-Abfrage. Der echte Mehrwert entsteht erst bei komplexen, mehrdeutigen oder ethisch geladenen Themen, die verschiedene Blickwinkel erfordern, etwa wenn es um Fragen geht wie „Wie können wir KI im Workshop einsetzen, ohne Datenschutzrichtlinien zu verletzen?“ oder „Wie gestalten wir ein inklusives Digitalkonzept, das alle Lernenden mitnimmt?“ Hier hilft der Council, Blind Spots zu identifizieren und unbewusste Annahmen offenzulegen. Doch selbst dann gilt: Die finale Verantwortung liegt bei dir, denn die KI liefert Input – aber die pädagogische, ethische oder didaktische Entscheidung trifft am Ende immer noch der Mensch.
