Zwischen Lesetraining und Lesetech: Verbessern KI gestützte Lesetools die Kompetenzen von Schülern mit und ohne Lesestörung?

Lesen zu können, bleibt auch im KI‑Zeitalter eine zentrale kulturelle Schlüsselkompetenz – und zugleich zeigen Studien wie IGLU 2021, dass ein wachsender Anteil der Kinder in Deutschland die Mindeststandards der Lesekompetenz nicht erreicht (Ludewig, Becher, Müller & McElvany, 2023). Vor diesem Hintergrund gewinnt die Frage an Bedeutung, inwiefern KI‑gestützte (Lese)-Tools wie Textvereinfachung, Textzusammenfassung oder Vorlesefunktionen die Lese- und Textverständniskompetenz von Schülerinnen und Schülern mit und ohne Legasthenie tatsächlich verbessern – und wie sie sich gegenüber klassischen, evidenzbasierten Förderansätzen behaupten.

Traditionelle LRS‑Förderprogramme im deutschsprachigen Raum setzen überwiegend bei der phonologischen Bewusstheit, der Graphem‑Phonem‑Zuordnung, der Automatisierung des Wortlesens sowie bei systematischer Rechtschreibförderung an . Evaluationsstudien zu Programmen wie Morpheus oder computerbasierten Trainings wie „Lautarium“ zeigen, dass intensive, kleinschrittige und über einen längeren Zeitraum durchgeführte Förderung messbare Verbesserungen in Lesen und Rechtschreiben bewirken kann, insbesondere bei Kindern mit ausgewiesener Lese‑Rechtschreib‑Störung (Klatte et al., 2014, zitiert nach Bundesverband Legasthenie und Dyskalkulie [BVL], 2019). Der BVL betont zudem, dass erfolgreiche Förderung immer mehrdimensional ist: Sie kombiniert systematisches Üben, Strategietraining, Aufbau des Wortschatzes und Leseflüssigkeit (z. B. durch Lautleseverfahren) und wird durch schulische Nachteilsausgleiche ergänzt (BVL, 2018, 2019).

Parallel dazu haben sich in Bayern und anderen Ländern differenzierte rechtliche Rahmen für individuelle Unterstützung und Nachteilsausgleich etabliert. Auf Grundlage der UN‑Behindertenrechtskonvention, die ein inklusives Bildungssystem für alle fordert (Art. 24 UN‑BRK; Deutsches Institut für Menschenrechte, 2017), wurde im Bayerischen Erziehungs- und Unterrichtsgesetz (BayEUG) festgeschrieben, dass inklusiver Unterricht Aufgabe aller Schulen ist (Art. 2 Abs. 2 BayEUG; Bayerisches Staatsministerium für Unterricht und Kultus, 2024). Die Bayerische Schulordnung regelt in §§ 31–36 individuelle Unterstützung, Nachteilsausgleich und Notenschutz; Schülerinnen und Schüler mit Lese‑Rechtschreib‑Störung können z. B. verlängerte Arbeitszeit, veränderte Aufgabenpräsentation oder – in engen Grenzen – Vorlesehilfen bei Prüfungen erhalten (Bayerisches Staatsministerium für Unterricht und Kultus, n. d.; ISB, 2024; LVL Bayern, n. d.). Der Grundgedanke dieser Regelungen lautet: Nicht die Leistungsanforderungen werden abgesenkt, sondern die Rahmenbedingungen so angepasst, dass eine chancengerechte Leistungserbringung möglich wird (ISB, 2024).

Vor diesem rechtlichen Hintergrund erscheinen KI‑gestützte Lesetools als logische Fortsetzung bereits etablierter Assistiver Technologien. Fachportale empfehlen Text‑to‑Speech, Spracherkennung, Rechtschreibhilfen und visuelle Anpassungen ausdrücklich als Assistive Technologien – allerdings „eingebettet in Unterricht, nicht als Ersatz für Förderung. Auch die UN‑Behindertenrechtskonvention und daran anschließende Interpretationen betonen die Schlüsselrolle digitaler Medien für gleichberechtigte Teilhabe und fordern, digitale Infrastrukturen barrierefrei und inklusiv zu gestalten (Art. 9 und 24 UN‑BRK; Deutscher Kulturrat, 2018; Kinderrechteportal, 2023).

Im Kern lassen sich drei zentrale Wirkebenen KI‑gestützter Lesetools unterscheiden. Erstens ermöglichen Vorlesefunktionen (Text-to-Speech, TTS) gerade bei Legasthenie oder geringer Leseflüssigkeit den unmittelbaren Zugang zu komplexen Texten: Inhalte können verstanden und im Unterricht bearbeitet werden, auch wenn das eigenständige Dekodieren noch nicht automatisiert ist . Studien- und Praxisberichte legen nahe, dass TTS‑Lösungen besonders dann wirksam sind, wenn sie systematisch eingeführt, geschult und von Lehrkräften begleitet werden; sie verbessern vor allem Textverständnis und Beteiligung an Lernprozessen, weniger die basale Lesegeschwindigkeit (BVL, 2018; DATEV magazin, 2023). Zweitens kann automatische Textvereinfachung – etwa durch Reduktion komplexer Satzstrukturen, Erklärungen schwieriger Wörter oder Zusammenfassungen – sowohl schwächeren Lesenden als auch leistungsstarken, aber unter Zeitdruck stehenden Schülerinnen und Schülern helfen, zentrale Inhalte schneller zu erfassen; deutschsprachige Leitfäden zu „Schule und KI“ diskutieren solche Werkzeuge als Teil eines breiteren Ökosystems von Assistenztools (Fichtner et al., 2023). Drittens eröffnen neue KI‑Diagnosetools, die Leseleistung automatisiert erfassen, Perspektiven für kontinuierliche Rückmeldung über Leseflüssigkeit und Fehlerprofile, etwa durch Einsatz automatischer Spracherkennung zur Überprüfung des Leseerfolgs im Grundschulalter (Fraunhofer IDMT, n. d.).

Im Vergleich zu traditionellen Förderansätzen liegen für KI‑Lesetools bislang jedoch nur wenige robuste Wirksamkeitsstudien im deutschsprachigen Raum vor; die Evidenz ist eher indirekt, etwa über Untersuchungen zur Wirksamkeit von TTS in der LRS‑Förderung oder zu digitalen Medien im inklusiven Unterricht (Bosse & Thiele, 2019). Die vorliegenden Befunde sprechen weniger für ein „Entweder‑oder“, sondern für eine komplementäre Rollenverteilung: Klassische, evidenzbasierte LRS‑Förderung bleibt unverzichtbar, um Dekodier- und Rechtschreibfertigkeiten aufzubauen, während KI‑gestützte Lesetools vor allem Teilhabe, Motivation und Textverständnis im Fachunterricht stärken – für Schülerinnen und Schüler mit und ohne diagnostizierte Legasthenie ( Diklusion, 2021).

Ethisch lässt sich KI im Lesebereich als „Rampe für Teilhabe“ verstehen: Sie senkt Barrieren, ohne Leistungsziele aufzugeben. Damit entspricht ihr Einsatz dem Leitbild inklusiver Bildung nach der UN‑BRK, das wirksame individuell angepasste Unterstützungsmaßnahmen fordert, um die „vollständige Einbeziehung“ zu ermöglichen (Deutsches Institut für Menschenrechte, 2017). Zugleich verweisen die Kultusministerkonferenz (KMK) und die Ständige Wissenschaftliche Kommission in ihren aktuellen Handlungsempfehlungen zur KI‑Nutzung in der Schule auf Datenschutz, Transparenz und Fairness als zentrale ethische Leitplanken: KI‑Einsatz müsse kritische Reflexion fördern, dürfe nicht zu Abhängigkeit führen und solle Chancengleichheit stärken statt untergraben (KMK, 2016, 2024; SWK, 2024). Wenn etwa nur einige wenige Schülerinnen und Schüler eine leistungsfähige Vorlese‑App privat finanzieren können, während andere leer ausgehen, wird aus der Rampe schnell eine neue Barriere – eine neue „digitale Kluft“ der Unterstützung.

Psychologisch eröffnen KI‑Lesetools ambivalente Effekte. Auf der einen Seite berichten Betroffene und Verbände, dass TTS und digitale Lesehilfen das Gefühl, „ständig zu scheitern“, deutlich reduzieren und es ermöglichen, im Unterricht fachlich mitzuhalten (Tartz, 2019; DATEV magazin, 2023; BVL, 2018). Das kann Selbstwirksamkeit, Lernmotivation und Mut zur aktiven Beteiligung stärken – gerade bei Schülerinnen und Schülern, die über Jahre mit Misserfolgen beim Lesen konfrontiert waren. Auf der anderen Seite besteht das Risiko einer funktionalen Abhängigkeit: Wenn jede noch so kurze Textpassage automatisch vorgelesen wird, kann die Bereitschaft sinken, eigene Lesestrategien zu üben. Hier sind klare pädagogische Vereinbarungen wichtig – etwa: KI‑Unterstützung für komplexe fachliche Texte ja, basales Lautlesen im Förderkontext aber weiterhin ohne TTS.

Aus gesellschaftlicher Perspektive wird im Diskurs um Future Skills immer wieder betont, dass Lesekompetenz im digitalen Zeitalter eher breiter und hybrider wird als überflüssig: Es geht zunehmend darum, digitale Texte zu navigieren, multimodale Informationen zu integrieren und Quellen kritisch zu bewerten (Deutscher Bildungsserver, 2023). Der Stifterverband definiert im Future‑Skills‑Framework „Digital Literacy“ explizit als Fähigkeit, digitale Technologien souverän zu nutzen, Informationen einzuordnen und verantwortungsvoll zu handeln – eingebettet in ein Bündel weiterer klassischer und transformativer Kompetenzen wie Urteilsfähigkeit und Problemlösevermögen (Stifterverband, 2021, 2023). In dieser Perspektive verschiebt sich der Fokus von einer reinen Defizitbetrachtung („kann nicht gut lesen“) hin zu einer Stärkenorientierung: Welche Kompetenzen bringt ein Kind mit, wenn es KI‑Tools kreativ, reflektiert und kooperativ für sein Lernen nutzt?

Die Sicht der Lehrkräfte ist dabei geprägt von Chancen und Unsicherheiten. Bitkom‑Befragungen zeigen, dass rund die Hälfte der Lehrkräfte KI bereits schulisch genutzt hat und eine große Mehrheit digitale Kompetenzen für ebenso grundlegend hält wie Rechnen und Schreiben – zugleich aber fast 40 % KI in der Schule grundsätzlich skeptisch sehen (Bitkom, 2023a; Kommune21, 2023; bidt, 2023). Für den Deutschunterricht bedeutet das eine anspruchsvolle Doppelaufgabe: einerseits evidenzbasierte Leseförderung weiterhin umzusetzen, andererseits KI‑Lesetools didaktisch so einzubetten, dass sie Lernprozesse sichtbar machen und nicht verschleiern.

Auch die Mitschülerperspektive ist nicht trivial. Untersuchungen zur digitalen Inklusion weisen darauf hin, dass Medien einerseits Teilhabechancen erhöhen, andererseits aber neue Vergleichs- und Ausschlussmechanismen erzeugen können (Kulturrat, 2018; Bosse, 2017). Wird Vorlesesoftware etwa nur „heimlich“ oder ausschließlich im Nachteilsausgleich eingesetzt, kann sie zum Stigma werden („der braucht die Sonder-App“). Im Sinne des Universal Design for Learning empfehlen deutschsprachige Beiträge daher, digitale Unterstützungen grundsätzlich als Angebot für alle zu konzipieren – z. B. indem Arbeitsblätter sowohl in normaler als auch in vereinfachter Version bereitstehen und Vorlesefunktionen generell verfügbar sind, während zusätzliche Förderung und Zeitressourcen gezielt den stärker beeinträchtigten Schülerinnen und Schülern zugutekommen (Bosse & Thiele, 2019; Schäfer et al., 2015; Diklusion, 2021).

Vor diesem Hintergrund stellt sich die Frage, welche künftigen Kompetenzen im Bereich Lesen und Schreiben in einer KI‑durchdrungenen Welt besonders bedeutsam sind. Die KMK‑Strategie „Bildung in der digitalen Welt“ hebt hervor, dass der kompetente Umgang mit digitalen Medien neben den traditionellen Kulturtechniken Lesen, Schreiben und Rechnen tritt, ohne diese zu ersetzen (KMK, 2016). Aktuelle KI‑Empfehlungen der KMK betonen, dass Prüfungsformate künftig stärker auf eigenständiges Denken, kritische Reflexion und kreative Lösungsfindung zielen sollen – Fähigkeiten, die gerade im Umgang mit textgenerierenden Systemen entscheidend sind (KMK, 2024; KMK, 2023). Bitkom‑Daten zeigen, dass bereits mehr als die Hälfte der Schülerinnen und Schüler ChatGPT für Hausaufgaben, Textproduktion und Prüfungsvorbereitung nutzt – bei durchaus ambivalenter Bewertung, ob KI „schlau“ oder „dumm“ macht (Bitkom, 2023b, 2025).

Damit wird deutlich: Rechtschreibung und Lesen verlieren nicht an Bedeutung, sondern verändern ihren Charakter. Wer Texte von KI generieren lässt, braucht umso mehr Lesekompetenz, um Qualität, Plausibilität und Passung der Vorschläge zu beurteilen, und Schreibkompetenz, um eigene Absichten präzise in Prompts, Überarbeitungen und Feedback zu übersetzen (Deutscher Bildungsserver, 2023; KMK, 2016). Für Schülerinnen und Schüler mit Legasthenie kann KI hier zu einem Werkzeug werden, das nicht nur Defizite kompensiert, sondern neue Ausdrucks- und Lernwege eröffnet – vorausgesetzt, Schulen nutzen sie bewusst als Teil einer inklusiven, UDL‑orientierten Leseförderkultur und nicht als schnelle technische Krücke (Bosse & Thiele, 2019; Diklusion, 2021).

Literaturverzeichnis

Bayerisches Staatsministerium für Unterricht und Kultus. (n. d.). Lese-/Rechtschreibschwäche (Lernschwierigkeiten). https://www.km.bayern.de

Bayerisches Staatsministerium für Unterricht und Kultus. (2024). Schulische Inklusion in Bayern. https://www.km.bayern.de/unterrichten/unterrichtsalltag/inklusion

bidt – Bayerisches Forschungsinstitut für digitale Transformation. (2023). Motivierend oder ablenkend? Der Einsatz digitaler Technologien im Unterricht. https://www.bidt.digital/themenmonitor/motivierend-oder-ablenkend-der-einsatz-digitaler-technologien-im-unterricht/

Bitkom. (2023a). Bereits jede zweite Lehrkraft hat KI für die Schule genutzt (Presseinformation). https://www.bitkom.org/Presse/Presseinformation/jede-zweite-Lehrkraft-KI-Schule-genutzt

Bitkom. (2023b). Hälfte der Schülerinnen und Schüler hat schon mal ChatGPT genutzt (Presseinformation). https://www.bitkom.org/Presse/Presseinformation/ChatGPT-in-Schule-nutzen

Bitkom. (2025). Digitale Schule 2025. Studie zur Perspektive der Jugendlichen https://www.bitkom.org/sites/main/files/2025-11/Bitkom-Studienbericht-Digitale-Schule-2025.pdf

Bosse, I. (2017). Schulische Teilhabe durch Medien und assistive Technologien. In I. Bosse & A. Thiele (Hrsg.), Handbuch Inklusion und Medienbildung (Kap. 33). Springer.

Bosse, I., & Thiele, A. (2019). Inklusionsorientierter Literaturunterricht mit (digitalen) Medien. In J.-R. Thiele, J. Schluchter & I. Zorn (Hrsg.), Handbuch Inklusion und Medienbildung. Kopaed. https://www.pedocs.de/volltexte/2024/29133/pdf/Bosse_et_al_2019_Handbuch_Inklusion_und_Medienbildung.pdf

Bundesverband Legasthenie und Dyskalkulie e. V. (BVL). (2018). Legasthenie in der Schule. Handreichungen für Lehrkräfte (5. Aufl.). https://www.bvl-legasthenie.de/images/ratgeber/9_Legasthenie_Lehrer.pdf

Bundesverband Legasthenie und Dyskalkulie e. V. (BVL). (2019). Lernsoftware und Förderprogramme. https://www.bvl-legasthenie.de

DATEV magazin. (2023). Legasthenie-Aktionsmonat: dank Text-to-Speech erfolgreicher in Schule und Beruf. https://www.datev-magazin.de/trends-innovationen/legasthenie-aktionsmonat-dank-text-to-speech-erfolgreicher-in-schule-und-beruf-65704

Deutscher Bildungsserver. (2023). Future Skills: Zukunft lernen. Zukunft leben. https://www.bildungsserver.de/bildungswesen-allgemein/future-skills-zukunft-lernen.-zukunft-leben-13217-de.html

Deutscher Kulturrat. (2018). Keine Inklusion ohne Medien. https://www.kulturrat.de/themen/kulturelle-bildung/kulturelle-bildung-digital/keine-inklusion-ohne-medien/?print=pdf

Deutsches Institut für Menschenrechte. (2017). Bildung – Artikel 24 der UN-Behindertenrechtskonvention. https://www.behindertenrechtskonvention.info; https://www.institut-fuer-menschenrechte.de/menschenrechtsschutz/datenbanken/datenbank-fuer-menschenrechte-und-behinderung/detail/artikel-24-un-brk

Diklusion. (2021). Universal Design for Learning diklusiv (Blog). http://diklusion.com/tag/udl-diklusiv/

Fichtner, N., et al. (2023). Schule und KI – Ein praxisorientierter Leitfaden. Telekom-Stiftung. https://www.telekom-stiftung.de/sites/default/files/files/Leitfaden-Schule-und-KI.pdf

Fraunhofer IDMT. (n. d.). KI-gestützte Anwendung zur Überprüfung der Leseleistung. https://www.idmt.fraunhofer.de/de/institute/projects-products/projects/automatisierte-erfassung-der-lesekompetenz.html

Institut für Schulqualität und Bildungsforschung (ISB). (2024). Individuelle Unterstützung, Nachteilsausgleich und Notenschutz. Handbuch. https://www.isb.bayern.de/fileadmin/user_upload/Grundsatzabteilung/Individuelle_Foerderung/Individuelle_Unterstuetzung/Handbuch_Individuelle_Unterstuetzung_Nachteilsausgleich_Notenschutz_2024-1.pdf

Kinderrechteportal. (2023). Digitale Inklusion von Kindern mit Behinderung. https://dossier.kinderrechte.de/digitale-inklusion

Kommune21. (2024). KI-Einsatz an Schulen nimmt zu. https://www.kommune21.de/k21-meldungen/ki-einsatz-an-schulen-nimmt-zu/

Kultusministerkonferenz (KMK). (2016). Bildung in der digitalen Welt. Strategie der Kultusministerkonferenz. https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/2016/2016_12_08-Bildung-in-der-digitalen-Welt.pdf

Kultusministerkonferenz (KMK). (2024). Handlungsempfehlung für die Bildungsverwaltung zum Umgang mit Künstlicher Intelligenz in schulischen Bildungsprozessen. https://www.kmk.org/fileadmin/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf

Ludewig, U., Becher, L., Müller, A., & McElvany, N. (2023). IGLU 2021 kompakt. Studienergebnisse, effektive Leseförderung und …. Waxmann. https://www.pedocs.de/volltexte/2024/29148/pdf/Ludewig_et_al_2023_IGLU_2021_Kompakt.pdf

LVL Bayern. (n. d.). Schulische Förderung in Bayern bei Legasthenie & Dyskalkulie. https://www.lvl-bayern.de

Schulpsychologie.at. (n. d.). Evidenzbasierte LRS-Förderung. https://www.schulpsychologie.at/fileadmin/user_upload/190731_Broschu__re_Evidenzbasierte_LRS-Fo__rderung_A4-BF.pdf

Schäfer, A., et al. (2015). Gestaltung von Unterrichtsmaterialien auf Basis des Universal Design for Learning am Beispiel des Chemieanfangsunterrichts in der Sekundarstufe I. Sonderpädagogische Förderung, 60(4), 00–00.

Stifterverband. (2025). Future Skills 2030. https://www.stifterverband.org/sites/default/files/2025-12/future_skills_2030.pdf

Stifterverband. (2024). FUTURE SKILLS – WARUM? WAS? WIE? – DER WEG ZUR FUTURE-SKILLS-ORGANISATION. Impulspapier der AG Future Skills definieren im Rahmen der Future Skills Journey. https://www.stifterverband.org/sites/default/files/2024-11/future_skills_warum_was_wie.pdf

Stifterverband. (2025). Future Skills – Framework. https://www.stifterverband.org/sites/default/files/2025-12/future_skills_2030_mit_kurzbeschreibung.pdf

Tartz, A. (2019, Juli). Technische Hilfsmittel bei Legasthenie (Blogbeitrag). https://anton-tartz.de/2019/07/technische-hilfsmittel-bei-legasthenie/

Ständige Wissenschaftliche Kommission der KMK (SWK). (2024). Large Language Models und ihre Potenziale im Bildungssystem. Impulspapier. https://www.swk-bildung.org/content/uploads/2024/02/SWK-2024-Impulspapier_LargeLanguageModels.pdf