Das PCRR-Framework: KI-Zusammenarbeit strukturiert angehen

Ein praktischer Leitfaden für Lehrpersonen – und die Kurzfassung unseres wissenschaftlichen Papers

Kennen Sie das? Sie tippen etwas in ChatGPT ein und das Ergebnis ist … naja. Okay, aber nicht wirklich gut. Es wirkt generisch. Vielleicht hat sich sogar ein Fehler eingeschlichen. Also formulieren Sie den Prompt um. Nochmal. Und nochmal. Irgendwann haben Sie etwas Brauchbares, aber der Weg dorthin fühlte sich an wie Würfeln. Manchmal klappt’s, manchmal nicht. Ein System dahinter? Fehlanzeige.

Die meisten Menschen arbeiten so mit KI – Trial-and-Error, learning by doing, viel Hoffnung und wenig Strategie. Das funktioniert auch. Irgendwie. Zumindest meistens. Aber es geht besser.

Die zentrale Erkenntnis, die ich in den letzten drei Jahren gewonnen habe: Gute KI-Nutzung beginnt vor dem ersten Prompt und endet nicht mit der ersten Antwort. Der Prompt selbst – also das, was Sie in das Eingabefeld tippen – ist nur ein kleiner Teil eines größeren Prozesses. Wer diesen Prozess bewusst gestaltet, bekommt bessere Ergebnisse. Und lernt dabei auch noch etwas.

Genau darum geht es im PCRR-Framework, das ich gemeinsam mit Gerlinde Schwabl (PH Tirol), Sandra Breitenberger (PH Oberösterreich), Anja Steiner (PH Tirol) und Susanne Aichinger (Hochschule für Agrar- und Umweltpädagogik Wien) entwickelt und weiterentwickelt habe. Es handelt sich um ein vierphasiges Modell, das dabei hilft, KI-Zusammenarbeit von Anfang bis Ende bewusst zu gestalten – von der Vorbereitung über die eigentliche Arbeit mit dem Chatbot bis hin zur Qualitätskontrolle und der Frage, was man daraus gelernt hat. Wir haben das Modell für den Bildungskontext entworfen, um KI-gestützte Lern- und Schreibprozesse zu designen. Ich werde das Framework weiter unten noch ausführlicher beschreiben und erklären.

Bereits 2025 haben wir dazu ein erstes wissenschaftliches Paper geschrieben, das in den Medienimpulsen, einer Zeitschrift der Universität Wien, veröffentlicht wurde:

Freinhofer, D., Schwabl, G., Aichinger, S., Breitenberger, S., Steindl, S., & Hechenberger, T. (2025). Prompten nach Plan: Das PCRR-Framework als pädagogisches Werkzeug für den Einsatz von Künstlicher Intelligenz. Medienimpulse, 63(1), 54 Seiten. https://doi.org/10.21243/mi-01-25-26

Ein Jahr später gibt es ein Update: Das Modell hat Anklang gefunden – aber gleichzeitig wurde klar, dass der Weg noch weit ist. Es brauchte sowohl ein stärkeres theoretisches Fundament als auch konkretere Ableitungen für die Praxis. Das theoretische Fundament steht nun. Wir haben einen wissenschaftlichen Artikel mit fast 70 Seiten verfasst, der in der Reihe “Kleine Kieler Beiträge zu Künstlicher Intelligenz” des Virtuellen Kompetenzzentrums für Künstliche Intelligenz in Bildung, Wissenschaft & Arbeitswelt (VK:KIWA) veröffentlicht wurde:

Freinhofer, D., Schwabl, G., Breitenberger, S., & Steiner, A. (2026). Das PCRR-Framework: Plan – Create – Review – Reflect: Ein prozessorientiertes Framework für die Zusammenarbeit mit Generativer KI in Bildungskontexten (Vol. 6). VK:KIWA. https://doi.org/10.38071/2026-00444-2

Dieser Substack-Artikel ist die Kurzfassung für alle, die nicht die Langversion des Papers mit den unzähligen Literaturverweisen lesen wollen. Oder gerade keine Zeit dafür haben. Hier bekommen Sie das Wesentliche – praktisch, verständlich, ohne Fachjargon. Also wie ein TL;DR (too long, didn’t read).

Und falls Sie sich tiefergehend mit dem Framework beschäftigen wollen: Auf der neuen PCRR-Website pcrr.info finden Sie neben den Publikationen auch praktische Materialien und Dokumentationsvorlagen für den Unterrichtseinsatz.

Kurzer Exkurs: Von Prompting zu Context Engineering

Erinnern Sie sich an 2023? Da war “Prompt Engineering” der heiße Scheiß. Überall Tipps, wie man den perfekten Prompt formuliert. “Schreib längere Prompts!” “Gib der KI eine Rolle!” “Nutze diese magische Formel!”

Inzwischen wissen wir: Das war wichtig, aber es war nur ein Teil der Geschichte.

Moderne Chatbots wie ChatGPT, Claude oder Gemini sind nämlich mehr als reine Sprachmodelle. Sie haben Websuche, können Dateien analysieren, Code ausführen, sich Dinge merken, mit anderen Apps kommunizieren. Das Sprachmodell ist sozusagen der Motor – aber drumherum ist ein ganzes Auto entstanden. Und wir Menschen sind die Fahrer:innen. Wer nur den Motor nutzt, wird wahrscheinlich nicht weit kommen, wenn die Reifen und der Tank fehlen. Und wer das Fahren nicht gelernt hat, wird schnell einen Unfall bauen. Schuld ist dann nicht der Motor, sondern die Person hinterm Steuer.

In der Fachwelt spricht man deshalb zunehmend von “Context Engineering” statt nur “Prompt Engineering”. Der Begriff beschreibt alles, was in eine KI-Interaktion einfließt: nicht nur Ihr Prompt, sondern auch hochgeladene Dokumente, aktivierte Funktionen, der bisherige Gesprächsverlauf, gespeicherte Präferenzen, und so weiter.

Das klingt nach viel, aber die Details sind für den Anfang nicht so wichtig. Zentral ist das Wissen, dass Chatbots viel mehr sind als nur ein Sprachmodell und die Art und Weise, wie KI-Kollaboration daher strukturiert wird, daher essentiell ist. Was Sie daher brauchen, ist ein Rahmen, der Ihnen hilft, den Überblick zu behalten. Genau das ist das PCRR-Framework.

Das bedeutet übrigens nicht, dass Prompting tot sei, wie das von vielen Personen in der KI-Welt behauptet wird. Diese Perspektive ist, finde ich, engstirnig. Egal, wie gut ein Sprachmodell oder der Chatbot drumherum wird, Kommunikation ist noch immer das Um und Auf. Wer einem Chatbot nicht klarmachen kann, was man benötigt, wird nie ein zufriedenstellendes Ergebnis erhalten, sondern immer dem Interpretationsspielraum der KI ausgeliefert sein.

Falls Sie die Grundlagen des Promptings nochmal auffrischen wollen: In meinem Artikel zu den fünf Prompting-Prinzipien finden Sie das Wichtigste zusammengefasst.

Das PCRR-Framework: Die vier Phasen im Überblick

PCRR steht für vier Phasen: Plan – Create – Review – Reflect.

Das klingt erstmal linear – erst planen, dann erstellen, dann prüfen, dann reflektieren. Aber so funktioniert es in der Praxis nicht. Die Phasen greifen ineinander. Man springt zurück, wiederholt, passt an. Besonders Create und Review sind eng verzahnt: Nach jeder KI-Antwort prüft man kurz, ob das passt, und entscheidet dann, wie es weitergeht.

Der Kern des Frameworks: KI-Nutzung ist ein Prozess, keine Einzelaktion. Wer das versteht, arbeitet anders – bewusster, strukturierter, und am Ende auch erfolgreicher.

Obwohl das Framework für den Bildungskontext entwickelt wurde, um KI-gestützte Lern- und Schreibprozesse zu gestalten, lässt es sich auch auf andere Kontexte übertragen. Jede:r Nutzer:in von KI-Chatbots kann sich davon inspirieren lassen, um bessere Ergebnisse zu erhalten und langfristig KI-Kompetenzen aufzubauen. Für den Bildungskontext ist jedoch zentral, dass dieser Ablauf dokumentiert wird. Nur so wird der Arbeits- und Lernprozess sichtbar und bewertbar. Somit kann ich als Lehrende:r einschätzen: Wie ist es um die Fachkompetenz, KI-Kompetenz und kritischen Denkfähigkeiten der Lernenden bestellt?

Plan: Bevor Sie tippen

Die Plan-Phase ist das, was die meisten Menschen überspringen. Verständlich – man will ja loslegen. Aber ein paar Minuten Vorbereitung können Ihnen später viel Frust ersparen.

Was will ich eigentlich erreichen? Das klingt banal, ist aber entscheidend. “Ich will was mit KI machen” ist kein Ziel. “Ich will eine Unterrichtsreihe zum Klimawandel für die 9. Schulstufe in Geographie entwickeln, mit drei Doppelstunden und einem Projektabschluss” – das ist ein Ziel. Je klarer Sie wissen, was Sie wollen, desto besser können Sie die KI steuern.

Ist KI hier überhaupt sinnvoll? Nicht für jede Aufgabe brauchen Sie KI. Manchmal ist ein kurzes Gespräch mit einer Kollegin effektiver. Manchmal haben Sie das Wissen selbst und brauchen nur Zeit zum Nachdenken. Die Frage “Wie würde ich das ohne KI machen?” hilft, den tatsächlichen Mehrwert einzuschätzen. Wenn Sie Hunger haben und ein Rezept für eine Frittatensuppe benötigen, ist das Kochbuch Ihrer Oma, welches im Regal verstaubt, vielleicht besser und umweltfreundlicher als eine KI-Anfrage.

Welches Tool brauche ich? Nicht jeder Chatbot kann alles. Brauchen Sie Websuche für aktuelle Informationen? Wollen Sie ein PDF hochladen und analysieren lassen? Brauchen Sie Bildgenerierung? Je nach Anforderung sind unterschiedliche Tools geeignet. Und ja, manchmal lohnt es sich, für eine Aufgabe den Chatbot zu wechseln. Nehmen wir diesen Artikel als Beispiel: Um den Text zu optimieren, nutze ich Claude. Um die Bilder zu erstellen, nutzte ich Gemini. Ich probierte zwar beides auch mit ChatGPT, war davon aber stark enttäuscht. Gefühlt in jeder dritten Antwort kommt etwas wie: “Die ehrliche und kurze Antwort: …” oder “Da muss ich dir widersprechen” – dabei habe ich ja nur nach einem Frittatensuppen-Rezept gefragt.

Welche Informationen muss ich bereitstellen? KI-Modelle wissen viel, aber sie wissen nicht alles – und sie wissen nichts über Ihre spezifische Situation. Welche Klasse unterrichten Sie? Welches Vorwissen haben die Schüler:innen? Welche Materialien stehen zur Verfügung? Je mehr relevanten Kontext Sie liefern, desto passender werden die Ergebnisse. Als Orientierung helfen die klassischen W-Fragen: Wer, Was, Warum, Für wen, Wie, Wo, Wann?

Create: Die eigentliche Zusammenarbeit

Die Create-Phase ist das, was die meisten Menschen unter “KI nutzen” verstehen: Man tippt etwas ein und bekommt eine Antwort. Aber die Phase umfasst mehr als nur Prompts schreiben.

Sie beginnt oft schon vor dem ersten Prompt – zum Beispiel, wenn Sie einen eigenen Entwurf erstellen, den die KI dann überarbeiten soll. Oder wenn Sie relevante Dokumente zusammensuchen, die Sie hochladen wollen. Und sie endet nicht mit der KI-Antwort, sondern erst, wenn Sie das Ergebnis in Ihre eigene Arbeit integriert haben.

So gut wie alle Texte, die ich veröffentliche, kommen in Berührung mit KI. Aber in 95 % sieht der Ablauf folgendermaßen aus: Der Entwurf stammt von mir – KI gibt Feedback und stellt Fragen – ich beantworte die Fragen – KI überarbeitet den Text – ich gebe Feedback – KI überarbeitet den Text erneut – ich überarbeite den KI-Text – KI gibt Feedback – so lange, bis ich und die KI zufrieden sind. Wie mein konkreter Workflow mit Claude-Projekten dafür aussieht, habe ich in meinem Artikel zu Projekten in Chatbots beschrieben.

Drei Dimensionen sind hier wichtig:

Was gebe ich ein? Das umfasst Ihre eigene Vorarbeit (Notizen, Entwürfe, Ideen), Kontextinformationen zu Ihrer Situation, und zusätzliche Materialien (Dokumente, Links, Beispiele). Die Qualität dessen, was Sie reingeben, bestimmt die Qualität dessen, was Sie rausbekommen.

Wie formuliere ich? Präzision ist wichtiger als Eleganz. Vollständige Sätze, klare Anforderungen, keine Mehrdeutigkeiten. Wenn Sie schreiben “Mach das besser”, kann die KI nur raten, was “besser” für Sie bedeutet. Wenn Sie schreiben “Kürze den Text auf die Hälfte und verwende einfachere Sprache für Neuntklässler”, weiß sie, was zu tun ist.

Wie strukturiere ich den Prozess? Komplexe Aufgaben sollten Sie in Teilschritte zerlegen. Erst die Grobstruktur entwickeln, dann die einzelnen Abschnitte ausarbeiten, dann überarbeiten. Das macht die Ergebnisse besser und die Fehlersuche einfacher.

Nehmen wir meine Vorgehensweise bei der Textüberarbeitung als Beispiel: In der Regel benötige ich irgendwo zwischen zwei und drei Stunden, um den Rohentwurf eines Substack-Artikels zu schreiben. Danach benötige ich meistens nochmal zwei bis drei Stunden, um den Artikel gemeinsam mit KI publikationsreif zu machen. In diesen drei Stunden schreibe ich dutzende Prompts in mehreren Chats: Ich teile meinen Entwurf und bitte um Feedback und Fragen. Ich beantworte die Fragen. Danach folgt ein längerer und iterativer Prozess, bestehend aus Feedback und Überarbeitung, wo der Text zwischen mir und der KI (und manchmal einer anderen KI) hin und her geschupft wird. Ich bezeichne das auch gern als KI-Ping-Pong. Dann lasse ich mir bei Bedarf Titel, Untertitel, Fazit und Abstract erstellen. Dann lasse ich mir einen Prompt für ein Titelbild erstellen. Dann lasse ich mir das Titelbild erstellen. Dann erstelle ich die SEO-Beschreibungen.

Sie sehen: Ich packe nicht alles in einen Prompt, sondern teile den ganzen Arbeitsprozess in viele Teilschritte auf, die ich auf unterschiedliche KI-Tools, Chats und Prompts aufteile. Der wichtigste Punkt: Die Zusammenarbeit mit KI ist ein Dialog, kein Münzwurf.

Review: Der unterschätzte Schritt

Die Review-Phase ist das Herzstück verantwortungsvoller KI-Nutzung. Und gleichzeitig der Schritt, der am häufigsten übersprungen wird.

Warum Review so wichtig ist? Weil KI-Systeme Fehler machen. Sie halluzinieren – erfinden also Fakten, die plausibel klingen, aber falsch sind. Sie reproduzieren Vorurteile aus ihren Trainingsdaten. Sie verstehen Ihre Anforderungen manchmal falsch. Und sie geben das alles mit derselben Selbstsicherheit von sich wie ihre korrekten Antworten.

Wir unterscheiden im PCRR-Framework drei Ebenen des Reviews:

Micro-Review: Nach jeder Antwort. Das passiert fast automatisch – Sie lesen die KI-Antwort und entscheiden: Passt das? Klingt es plausibel? Funktionieren die Links? Geht es in die richtige Richtung? Micro-Reviews dauern Sekunden und steuern den gesamten weiteren Prozess. Vier schnelle Fragen helfen: Verstehe ich die Antwort? Beantwortet sie meine Frage? Klingt das plausibel? Wie geht’s weiter – annehmen, nachfragen, oder neu starten?

Meso-Review: Nach Abschnitten. Wenn Sie einen größeren Teilschritt abgeschlossen haben – sagen wir, die Grobstruktur Ihrer Unterrichtsreihe steht – lohnt sich ein bewussterer Blick zurück. Funktioniert meine Strategie? Passen die Teilergebnisse zusammen? Muss ich grundlegend umdenken, oder kann ich so weitermachen? Das fühlt sich im Moment manchmal ärgerlich an, spart aber langfristig Zeit.

Macro-Review: Am Ende. Bevor Sie ein Ergebnis verwenden, prüfen Sie es systematisch. Das ist aufwändiger als die Micro- und Meso-Reviews, aber unverzichtbar. Wir empfehlen fünf Prüfdimensionen: Epistemisch (Stimmen die Fakten? Gibt es Halluzinationen?), qualitativ (Entspricht das Ergebnis meinen Anforderungen?), ethisch (Werden Stereotype reproduziert?), rechtlich (Gibt es urheberrechtliche Probleme?) und reflexiv (Ist mein eigener Beitrag erkennbar?).

Der Macro-Review ist kein lästiger Zusatz am Ende. Er ist das Rückgrat verantwortungsvoller KI-Nutzung. Ohne ihn riskieren Sie, fehlerhafte oder problematische Inhalte zu verwenden – und das fällt am Ende auf Sie zurück, nicht auf die KI.

Reflect: Was habe ich gelernt?

Die Reflect-Phase wird oft mit der Review-Phase verwechselt. Aber sie ist etwas anderes.

Review fragt: Ist das Ergebnis gut? Reflect fragt: Was habe ich aus dem Prozess gelernt?

Der Blick richtet sich nicht mehr auf das Produkt, sondern auf den Weg dorthin. Drei Ebenen sind hier hilfreich: Prozessreflexion (Wie lief die Zusammenarbeit? Was hat funktioniert, was nicht?), Erfahrungsreflexion (Wie habe ich mich dabei gefühlt? Gab es Frustmomente oder Überraschungen?) und Kompetenzreflexion (Was habe ich gelernt – über KI, aber auch über das Thema selbst?).

Wichtig ist auch, dass der Blick nicht nur auf den bereits gegangenen Weg fällt, sondern auch auf den Weg, der jetzt bevorsteht. Der Fachbegriff dafür ist “Feedforward” – und Feedforward ist viel wichtiger als Feedback: Natürlich ist es wichtig, zu wissen, was gut und was weniger gut funktioniert hat. Aber viel wichtiger ist zu lernen, was beim nächsten Mal besser gemacht werden kann – und wie.

Warum ist das wichtig? Weil nur durch bewusste Reflexion aus Ausprobieren echte Kompetenzentwicklung wird. Sonst macht man dieselben Fehler immer wieder – nur mit wechselnden Themen.

Die Bedeutung des Innehaltens und Reflektierens ist dabei nicht nur für den Bildungskontext zentral, sondern für uns alle. Immer wieder begegne ich in meinen Seminaren Menschen, die mir mitteilen, dass sie seit Monaten KI einsetzen, aber weder Qualitätssteigerungen noch Zeitersparnisse verspüren. Mit ein paar Nachfragen stellt sich meist heraus, dass sie ohne System an die KI-Kollaboration herangehen. Sie formulieren einen schlechten Prompt, erhalten ein schlechtes Ergebnis, sagen dem Modell "das ist schlecht, mach's noch einmal", erhalten wieder ein schlechtes Ergebnis und verwerfen das Ganze dann. Beim nächsten Mal wiederholen sie den ganzen Prozess von vorne. Das kann nicht funktionieren. Stattdessen müssten sie erstens viel mehr Vorarbeit leisten – überlegen, welches Tool wirklich geeignet ist, welche Funktionen aktiviert werden könnten und was in den Prompt hinein muss – und zweitens überlegen, wie man anders an die Aufgabe herangehen könnte: Brauche ich ein anderes Tool? Muss ich einen neuen Chat aufmachen? Soll ich den Prompt anders formulieren? Sollte ich dem Modell konstruktives Feedback (also warum ich mit dem Ergebnis unzufrieden bin) geben?

Versuchen Sie also in Zukunft, nach wichtigen KI-Kollaborationen innezuhalten und sich zu fragen: Was hat gut funktioniert, was weniger? Warum könnte es gut/schlecht funktioniert haben? Was könnte ich in Zukunft anders machen?

Ein Beispiel: Unterrichtsreihe planen mit PCRR

Damit das Ganze greifbarer wird, hier ein stark gekürztes Beispiel. Eine Lehrperson möchte eine Unterrichtsreihe zum Thema Klimawandel für die 9. Schulstufe im Fach Geographie entwickeln.

Plan: Sie definiert das Ziel (drei Doppelstunden plus Projektabschluss), überlegt, welche Materialien sie hat (Lehrplan, einige Artikel, existierende Arbeitsmaterialien), und entscheidet sich für ChatGPT mit Websuche, weil sie aktuelle Daten einbinden will. Sie notiert: Vorwissen der Klasse ist grundlegend vorhanden, aber uneinheitlich.

Create: Sie startet mit einem Prompt, der Kontext liefert: Klassenstufe, Zeitrahmen, verfügbare Materialien, gewünschter Projektabschluss. Die KI schlägt eine Struktur vor. Im Dialog verfeinern sie diese – die erste Stunde ist zu überladen, die dritte zu dünn. Nach mehreren Iterationen steht ein Entwurf.

Review: Micro-Reviews passieren laufend – jede KI-Antwort wird kurz geprüft. Ein Meso-Review nach der Grobstruktur zeigt: Der Projektabschluss passt nicht zum Rest. Zurück zur Planung, Anpassung. Der Macro-Review am Ende prüft: Stimmen die Fakten zum Klimawandel? Sind die Aufgaben altersgerecht? Werden verschiedene Perspektiven berücksichtigt?

Reflect: Die Lehrperson notiert: Das Zerlegen in Teilschritte hat gut funktioniert. Die Websuche war hilfreich für aktuelle Zahlen, aber die Ergebnisse mussten sorgfältig geprüft werden. Beim nächsten Mal: Gleich zu Beginn klären, welche Sozialformen gewünscht sind – das kam erst spät rein und hat zu Umplanungen geführt.

Zum Schluss

Das PCRR-Framework ist kein starres Regelwerk. Es ist ein Orientierungsrahmen – eine Struktur, die hilft, KI-Zusammenarbeit bewusster zu gestalten. Sie müssen nicht bei jeder ChatGPT-Anfrage alle Phasen durchlaufen. Aber wenn Sie an komplexeren Aufgaben arbeiten, lohnt sich die Struktur.

Was in diesem Artikel zu kurz kommt: die Theorie hinter dem Framework, die Einbettung in den wissenschaftlichen Diskurs und die Differenzierung für verschiedene Bildungsstufen und Kompetenzniveaus. Das alles finden Sie im vollständigen Paper, das frei verfügbar ist: https://doi.org/10.38071/2026-00444-2

Und auf pcrr.info finden Sie alles rund um das Framework an einem Ort: Publikationen und Materialien für den Unterricht. Die Seite wird laufend erweitert – es lohnt sich also, ab und zu vorbeizuschauen.

Falls Sie Fragen haben oder das Framework in Ihrem Unterricht ausprobieren: Schreiben Sie mir gerne auf pcrr@freinhofer.com – ich bin gespannt auf Ihre Erfahrungen.