Bildgenerierung mit Sidekick Server didaktisch nutzen: Ein praktischer Guide

Veröffentlicht am von

Ein Partnerbeitrag von Emelie Steens & Saskia Moseke von der Tobit Software GmbH

Generative KI-Tools sind längst im Unterricht angekommen. Sie erstellen Schaubilder zur Photosynthese, visualisieren Szenen aus der Klassenlektüre oder komponieren Beispiel-Songs für den Musikunterricht. Die Technik ist beeindruckend. Die eigentliche pädagogische Herausforderung liegt aber woanders: Wie stelle ich sicher, dass ein Tool Lernprozesse unterstützt statt sie abzukürzen?

Die Antwort zeigt sich im Einsatz. Ein Bildgenerierungsmodell kann verschiedene Landschaftstypen zur Illustration zeigen oder direkt eine komplette Infografik zu Klimazonen erstellen. Ein Musikmodell kann eine 30-sekündige Stil-Demo für Barock liefern oder einen fertigen Song, den Schüler*innen als eigene Komposition abgeben. Der Unterschied liegt nicht in der Technologie, sondern in der Aufgabenstellung.

Mit Sidekick Server lassen sich individualisierte KI-Agenten für den Unterricht erstellen. Die Plattform vereint alle führenden KI-Modelle auf einer Oberfläche und nutzt ihre jeweiligen Stärken: Perplexity für Recherchen, ChatGPT für logisches Denken, Claude für sprachliches und kreatives Arbeiten. Eigene Agenten lassen sich für spezialisierte Aufgaben maßschneidern. Im Briefing, einer Art Bedienungsanleitung, definiert man Rolle, Aufgabe und Vorwissen des Agenten und bindet Werkzeuge wie Webzugriff, Dateianalyse oder Bildgenerierung ein.

Wer Agents mit Tools wie der Bildgenerierung ausstattet, braucht klare Leitplanken: Wann darf das Werkzeug genutzt werden? Wie sollen die Ergebnisse aussehen? Was darf es auf keinen Fall zeigen? Mit einem Beispiel aus dem Schulalltag wird deutlich, wie ein solches Tool-Briefing aussehen kann.

1. Bildgenerierung:

Bildgenerierung zählt zu den beliebtesten generativen Tools. In Sekundenschnelle entstehen komplexe Visualisierungen zu nahezu jedem Thema – ideal zum schulen visueller und interpretativer Fähigkeiten.
 
Auf Sidekick stehen verschiedene Bildgenerierungsmodelle zur Verfügung. DALL-E 3 von OpenAI überzeugt durch gutes Verständnis komplexer Anweisungen und konsistente Ergebnisse, hat aber strenge Vorgaben bei Personendarstellungen. Die FLUX.1.1 Modelle von Black Forest Labs bieten die höchste Auflösung und ermöglichen flexible Personendarstellungen, was sie besonders für politische Karikaturen geeignet macht. Google Imagen 4 punktet mit exzellenter Textdarstellung in Bildern und ist ideal für Infografiken und beschriftete Diagramme. OpenAI GPT Image 1 bietet präzise Bildkomposition mit Bearbeitungsfunktionen.
 
Für den Einstieg empfiehlt sich DALL-E 3 als solides Allround-Modell mit einer guten Balance aus Qualität und Verständnis. Bei speziellen Anforderungen wie Personendarstellungen lohnt der Wechsel zu FLUX, für textlastige Visualisierungen zu Imagen.

1.2 Use Cases im Unterricht

Bildgenerierung ist da sinnvoll, wo visuelle Vorstellungskraft gefragt ist, aber nicht einfach drauf los generiert werden soll. Sie soll didaktisch sinnvoll eingesetzt werden und veranschaulichen, aber nichts vorwegnehmen. Im Geschichtsunterricht können Schüler*innen zum Beispiel historische Alltagsszenen rekonstruieren lassen, um Quellentexte zu illustrieren. In Biologie entstehen Darstellungen von lebensechten Ökosystemen, die im nächsten Schritt beschriftet und beschrieben werden können. Im Fremdsprachenunterricht visualisiert der Agent Vokabeln oder Redewendungen, um das Gedächtnis zu unterstützen.

Ähnlich wie sprachbasierte KI bei falscher Anwendung halluziniert, ist auch die Bildgenerierung nicht für alle Aufgaben geeignet. Vor allem bei präzisen, datenbasierten und schematischen Arbeiten werden generierte Bilder schnell ungenau – beispielsweise beim Erstellen von Schaubildern, Graphen, Tabellen oder anatomisch genauen Darstellungen. Bildgenerierungsmodelle verfügen über kein mathematisches und logisches Verständnis. Stattdessen sollte man in solchen Fällen auf Werkzeuge wie WolframAlpha oder Python zurückgreifen.

1.3 Briefing-Struktur am konkreten Beispiel

Ein gutes Briefing für die Bildgenerierung besteht aus fünf Kernelementen: der Aufgabendefinition des Agents (idealerweise fokussiert auf wenige konkrete Aufgabenstellungen), dem fachlichen Vorwissen, das für das Thema erforderlich ist, den Grenzen und den pädagogischen Reflexionsfragen, die vor jeder Generierung gestellt werden und den technischen Vorgaben für die Bildausgabe. Zum letzten Punkt ist es häufig wichtig, dem Agent einen Hinweis zur Ausgabe zu geben wie: „Du erhältst die Bilder immer als Link. Gib die Bilder in Markdown aus.“

Nehmen wir als Beispiel den Agent Meta Phor, der bei der Charakterisierung literarischer Figuren im Deutschunterricht unterstützt. Die Schüler*innen erstellen zunächst eigenständig eine Charakterisierung zu einer Figur und geben diese in den Chat mit Meta Phor ein. Der Agent erstellt auf Basis der herausgearbeiteten äußeren Merkmale, Charaktereigenschaften und Besonderheiten ein Bild der Figur. Anschließend können die Schüler*innen ihre Bilder untereinander vergleichen und reflektieren, welche Eigenschaften sie unterschiedlich interpretiert und charakterisiert haben. So wird sichtbar, dass Charakterisierung immer auch Interpretation ist.

Neben Rolle und Aufgabenstellung benötigt jeder Agent klare Leitplanken und Regeln, die sein Handeln strukturieren. Für den Agent „Meta Phor“ wären das beispielsweise:

  • Voraussetzungen: Die Charakterisierung muss vorliegen (Text, Stichpunkte oder Mindmap). Kläre durch gezielte Nachfragen erst den Rahmen und generiere dann.
  • Erstelle keine Bildgenerierung, wenn noch keine Charakterisierung vorliegt, das Bild die Charakterisierung ersetzen soll oder keine eigenständige Vorarbeit geleistet wurde.
  • Berücksichtige bei der Bildgenerierung die beschriebenen äußeren Merkmale (Alter, Kleidung, Haltung, Gesichtsausdruck), innere Eigenschaften wie Körpersprache und Mimik, soziale Stellung z.B. durch die Umgebung oder das Erscheinungsbild und den historischen/literarischen Kontext sowie die Epoche

Eine strukturierte Darstellung erleichtert dem Agent die Verarbeitung. Definieren Sie im Briefing deutlich: Was soll er tun? Was soll er vermeiden? So wird der didaktische Ansatz sofort erkennbar.

Schüler*innen können ihre Bildvorstellungen oft noch nicht präzise formulieren. Damit der Agent dennoch gute Ergebnisse erzielt, sollte er vor der Generierung gezielte Rückfragen stellen. Geben Sie ihm dafür konkrete Beispielfragen vor.

  • Fragen vor Generierung: „Zeig mir deine Charakterisierung“. „Welche Merkmale hast du herausgearbeitet?“. „In welcher Situation soll die Figur dargestellt werden?“
  • Nach der Generierung: Bild mit eigener Charakterisierung und Textstellen vergleichen. „Welche Merkmale sind sichtbar? Was fehlt? Passt es zu deinen Textbelegen?“

Generative Tools können im Unterricht durchaus spielerisch eingesetzt werden. Eine präzise didaktische Zielsetzung hilft dem Agent jedoch, seine Rolle optimal zu erfüllen und pädagogisch sinnvolle Ergebnisse zu erzielen. Eine solche Zielsetzung könnte beispielsweise so formuliert sein:

  • Ziel: Schüler*innen sollen erkennen, dass Charakterisierung Interpretation ist. Das Bild macht die eigene Lesart sichtbar

1.4 Beispiel aus einem Chat:

Um zu visualisieren, wie eine solche Schüler*innen-Agent-Interaktion aussehen kann und wie der Agent darauf antworten soll, folgt hier ein kurzes Beispiel. Dem Agent wurde zuvor eine Charakterisierung der Figur Gretchen aus Goethes Faust vorgegeben. Das war seine Antwort:

Zuerst gibt der Agent den Schüler*innen ein kurzes Feedback. Da wir dem Agent keine Vorgaben gemacht haben, wie das Bild aussehen soll, macht er  Vorschläge, die die Schüler*innen bei ihrer Entscheidung unterstützen. Nach einer Antwort fängt er direkt mit der Generierung an.

In wenigen Sekunden ist das Bild fertig generiert und zeigt Gretchen passend zur Charakterisierung. Der Agent stellt eine Rückfrage, ob das Bild der Vorstellung entspricht, und gibt anschließend eine weitere Aufgabe. Der Schüler soll sich überlegen, wie sich Gretchen im Laufe des Romans äußerlich verändern könnte. Der Agent hält Schüler*innen so aktiv im Lernprozess und regt zum Weiterdenken an. 

Die Eingangsfrage wird damit deutlich. Der Unterschied zwischen KI als Lernabkürzung und KI als Lernwerkzeug liegt im Briefing. Ein durchdachtes Briefing mit klaren Aufgaben, Leitplanken, Reflexionsfragen und Verboten macht generative Tools zu aktiven Lernbegleitern.

Die vorgestellten Prinzipien funktionieren nicht nur für Bilder – sie lassen sich auf Musik-, Video-, Recherche- oder Textgenerierungs-Tools übertragen. Die Technik entwickelt sich weiter, die Modelle werden leistungsfähiger. Die didaktische Gestaltung aber bleibt bei den Lehrenden. Eigene Agenten im Unterricht zu erproben und schrittweise anzupassen, führt zu Werkzeugen, die echte Lernprozesse anstoßen.

 

Über die Autorinnen

Emelie Steens ist KI-Botschafterin und Trainee bei Tobit Software in Ahaus. Im KI-Team ist sie für die Pressearbeit zuständig und unterstützt zusätzlich im Marketing. Bereits vor ihrer Zeit bei Tobit Software setzte sie sich intensiv mit künstlicher Intelligenz und den Möglichkeiten innovativer Technologien auseinander. Diese Erfahrung bringt sie nun in ihre tägliche Arbeit ein.
 
Saskia Moseke ist KI-Botschafterin bei Tobit Software in Ahaus und als ehemalige Lehrerin die Ansprechpartnerin für alle Themen rund um KI im Bildungsbereich. Unter anderem betreut sie dabei für Tobit als Technologiepartner das KI-Forschungsprojekt KIMADU in Zusammenarbeit mit dem Ministerium für Schule und Bildung NRW und der Universität Siegen.
 
✅ Dieser Partnerbeitrag ist Teil einer bezahlten Kooperation