KI-Tutor und Hausaufgabenhilfe

Schülerinnen und Schüler, Studierende und Beschäftigte kommen außerhalb der Unterrichtszeit nicht weiter, und individuelle menschliche Nachhilfe lässt sich nicht skalieren oder ist unbezahlbar. Ein KI-Tutor beantwortet Fragen, gibt abgestufte Hinweise statt fertiger Antworten, erklärt auf verschiedene Weisen und passt sich den Lernenden an. Schlecht umgesetzt wird er zur Antwortmaschine, die das Lernen untergräbt; gut umgesetzt (didaktisch eingegrenzt, am Lehrplan verankert, von Lehrkräften begleitet) bietet er jeder und jedem Lernenden zu jeder Stunde Unterstützung.

Problem & Nutzen

• Heute: Hausaufgabenhilfe kommt von Eltern, bezahlten Nachhilfelehrern, Foren oder - zunehmend - allgemeinen Chatbots, die einfach die Lösung liefern. Lehrkräfte können nicht täglich 25-300 individuelle Fragen beantworten.
• Nutzen der KI: individuelle Unterstützung rund um die Uhr, Geduld, mehrsprachige Erklärungen, niedrige Hemmschwelle für „dumme“ Fragen und gebündelte Einblicke für Lehrkräfte, wo die Klasse Schwierigkeiten hat.
• Die Belege sind gemischt und hängen vom Design ab. Kontrollierte Studien zu KI im Tutoring-Stil berichten Lernzuwächse, wenn der Tutor auf Didaktik aufgebaut ist (Hinweise, Schutzmechanismen gegen das Verraten von Antworten), während uneingeschränkter Chatbot-Zugang die Leistung beim Üben verbessern, die spätere Leistung ohne Hilfe aber schädigen kann [4][5]. Die zentrale Gestaltungsfrage lautet daher, wie der Tutor hilft, nicht, ob er richtig antwortet.

Varianten

• Hausaufgabenhelfer für Schulen (K-12): altersgerecht, am Lehrplan ausgerichtet, von Lehrkräften konfiguriert, starke Kinderschutzfilter; Einsatz über die Schule mit Rechtsgrundlage bzw. Einwilligung der Eltern.
• Kurstutor an der Hochschule: RAG über Vorlesungsmitschriften und Aufsätze, Entlastung der Sprechstunde, Tutoring für Code und Mathematik; die Lehrperson steuert, was der Tutor verraten darf.
• Lerncoach im Unternehmen: Fragen und Antworten im Arbeitsalltag zu internen Schulungen und Richtlinien (siehe EDU-006, EDU-010).
• Private Nutzung: Lernmodi für Verbraucher in allgemeinen Assistenten, Apps mit Foto der Aufgabe, Sprach- übungen (siehe EDU-011) und Lernwerkzeuge für eigene Notizen (EDU-016).

So funktioniert es

1. Frage der lernenden Person (Text / Sprache / Foto der Aufgabe)
2. Eingabesicherheit + Alters-/Rollenprüfung (PII-Filter, Jailbreak- und Selbstgefährdungs-Routing)
3. Aufgabenverständnis (OCR/VLM bei Fotos; Zuordnung zum Lehrplanthema)
4. Abruf von Kursmaterial (RAG über von Lehrkräften freigegebenen Korpus)
5. Tutor-Richtlinie (System-Prompt + Regeln: Hinweisleiter, keine Endantwort, sofern nicht erlaubt)
6. LLM/Reasoning-Modell erzeugt Anleitung mit Quellenangaben
7. Verifikation (Löser / Code-Ausführung / Lösungsschlüssel-Prüfung für Mathematik & Code)
8. Antwort (Text/Sprache) + optionale Übungsaufgabe
9. Protokollierung, Lehrkräfte-Dashboard, Eskalation an Menschen bei Belastung oder wiederholtem Scheitern

• Didaktikschicht: Hinweisleiter (klärende Frage → Anstoß → ausgearbeitetes analoges Beispiel → Prüfung des Schritts), Abrufübungen, Lernende bitten, ihre Überlegungen zu erklären. Dies konfigurieren Lehrkräfte; es wird nicht dem Basismodell überlassen.
• Verankerung (Grounding): RAG mit Verweisen auf den Kurskorpus verringert Halluzinationen; bei Mathematik/Code prüft ein Werkzeug (symbolischer Löser, Code-Ausführung in einer Sandbox, Referenzlösung) die Schritte.
• Mensch-in-der-Schleife (Human-in-the-Loop): Lehrkräfte legen Umfang und Regeln fest, sichten zusammengefasste Protokolle und erhalten Eskalationen; die summative Bewertung bleibt bei Menschen (siehe EDU-003, EDU-008).

Datenaufbereitung

Ein Tutor ist nur so gut wie die Lehrplaninhalte dahinter: Lehrbücher, Skripte, Übungen mit ausgearbeiteten Lösungen, Glossare und didaktische Leitlinien. Diese liegen im LMS, auf Dateiablagen, in Verlags-PDFs und auf Papier. Typische Lücken: keine ausgearbeiteten Lösungen, Scans ohne Text, gemischte Niveaus und Sprachen, veraltete oder widersprüchliche Versionen, Lizenzgrenzen bei Verlagsmaterial und verstreutes Know-how erfahrener Lehrkräfte.

Schritte der Aufbereitung: je Fach und Niveau eine verbindliche Wissensbasis pflegen (siehe PREP-013); Schlüsseldokumente bei Bedarf für das Retrieval umschreiben (siehe PREP-014); ein Glossar der Begriffe und Abkürzungen aufbauen (siehe PREP-015); Scans per OCR erfassen (siehe PREP-006); typische Fragen von Lernenden mit guten Antworten als Testsatz sammeln (siehe PREP-018); Rückkopplungsschleifen zur Korrektur falscher Antworten festlegen (siehe PREP-017, PREP-021). Quellen mit DOC-014 parsen und Lizenzen prüfen.

Aufwand: mittel. Rechnen Sie mit 25 bis 30 Prozent des Gesamtaufwands, überwiegend für die Pflege der Inhalte und die Testfragen. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil in der EU betreibbare Tutoring- und Schulungsassistenten zu KMU-tauglichen Preisen existieren und Standardkurse abdecken.
• Großunternehmen: Weg B, weil der Tutor an eigenen Schulungsinhalten verankert sein und sich in LMS und Single Sign-on einfügen muss.
• Entwicklung: Weg B, weil der Aufbau eines Tutoring-Produkts auf EU-Region-APIs mit RAG über den Lehrplan schneller ist als das Hosten von Modellen.
• Öffentliche Hand: Weg C auf souveräner Infrastruktur, weil Daten Minderjähriger und Schulregeln Hosting und Kontrolle in Deutschland oder der EU verlangen.
• Privatpersonen: Weg A, weil zertifizierte oder bekannte Lern-Apps sofort funktionieren; lokale Apps sind eine Option für datenschutzbewusste Lernende.

Weg A — Kaufen (Standardsoftware) (für die meisten Schulen und KMU-Weiterbildungsanbieter empfohlen)

• Bildungsspezifische Tutoren: Khanmigo (Khan Academy), Duolingo Max (Sprachen), Google Gemini for Education / Guided Learning, OpenAI ChatGPT Edu mit Study Mode, Anthropic Claude for Education (Learning Mode), Microsoft Copilot mit Learning Zone/Teams for Education.
• Anbieter aus EU / DACH: fobizz (DE, Werkzeuge für Lehrkräfte und schulsicherer Chatbot-Zugang), telli (DE, Schul- Chat-Plattform für deutsche Länder), Knowunity und Simpleclub (DE, Lernplattformen mit KI-Tutoren), Sana Labs (SE, betriebliches Lernen), Century Tech (UK, adaptives Lernen).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Claude, GPT, Gemini (EU-Regionen über Vertex AI, Azure OpenAI, AWS Bedrock Frankfurt/ Paris) oder Mistral (EU-Anbieter, La Plateforme) für den Tutoring-Dialog; ein Reasoning-Modell für Mathematik; ein kleines Modell für Sicherheitsklassifikation und Weiterleitung.
• Stack: RAG (Embeddings + Vektordatenbank wie pgvector, Qdrant, Weaviate), LangChain/LlamaIndex oder ein einfacher Dienst, LTI-1.3-Anbindung an Moodle/Canvas, SSO über die Schulidentität (z. B. Shibboleth, Entra ID, VIDIS in Deutschland).
• Weg B wählen, wenn: Sie einen eigenen Lehrplan, eigenes Branding oder eine LMS-Anbindung brauchen, aber keine On-Premises-Vorgabe besteht.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-LLMs wie Qwen3, Llama 3.x/4, die offenen Veröffentlichungen von Mistral Small/Medium, gpt-oss, Gemma 3; betrieben mit vLLM, Ollama oder llama.cpp; Embeddings mit BGE-M3 oder multilingual-e5; Whisper für Spracheingabe; Open WebUI als Oberfläche mit Moodle-/LTI-Brücke.
• Hardware: HW2 für ein quantisiertes Modell von ca. 8-30B für eine Schule oder einen Kurs; HW3 für ein Modell von ca. 70-120B oder Hunderte gleichzeitiger Nutzender; typisch ist ein gemeinsam genutzter Server eines Schulträgers.

Weg D — Eigenes Training

Feintuning nur für den Tutoring-Stil (Hinweisleitern, altersgerechtes Deutsch) mit einigen Tausend von Lehrkräften geprüften Dialogen; selten nötig, bevor Prompt- und RAG-Design ausgereizt sind.

Stand der Technik (2026)

• Didaktisch eingegrenzte Modi sind inzwischen Standard in großen Assistenten (Study-/Learning-/Guided-Modi, die Fragen stellen statt zu antworten) und in spezialisierten Tutoren; es sind System-Prompt- und Regelschichten auf führenden Modellen und keine eigenen Modelle [1][2][3].
• Reasoning-Modelle lösen die meisten Mathematik- und Naturwissenschaftsaufgaben der Schule und des Bachelorstudiums, aber Fehler auf Schrittebene, falsche „selbstsichere“ Erklärungen und Anbiederung gegenüber falschen Antworten der Lernenden bleiben bestehen; eine Prüfung durch Werkzeuge und Lösungsschlüssel bleibt ratsam.
• Forschungsbefunde: KI im Tutoring-Stil zeigt in kontrollierten Studien Potenzial, während unkontrollierter Zugang, der Antworten liefert, zu Überabhängigkeit führen kann [4][5]. Motivation und Metakognition der Lernenden, nicht die Modellqualität, sind die bindenden Grenzen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (llm-general + vector-db + embedding-text + guardrails): EDU-001 Inhaltserzeugung, EDU-016 Lernwerkzeuge, EDU-009 Assistent für Lehrkräfte, DOC-014 Dokumentenparser für RAG und betriebliche Wissensassistenten - eine RAG-Plattform und ein selbst betriebener LLM-Server (HW3) können sie alle bedienen.
• Naheliegende Kombinationen: EDU-003 Feedback zu Abgaben, EDU-005 adaptive Lernpfade (Tutor-Interaktionen speisen das Lernendenmodell), EDU-007 Lernanalytik (aggregiert, nicht sanktionierend), EDU-011 Sprach- übungen, EDU-010 Rollenspiel-Training.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; Lizenzen pro Lernendem oder Schule. Weg B: 2-4 Monate; Token-Kosten wachsen mit der Nutzung.
• Weg C: 3-6 Monate inkl. Hardware und Betriebspersonal; keine Kosten je Token, aber feste GPU- und Personalkosten.
• Kennzahlen: Lernzuwachs gegenüber Kontrollgruppe oder früherer Kohorte, Leistung ohne Hilfe nach der Tutor-Phase, Verhältnis gegebener Hinweise zu fertigen Antworten, eingesparte Zeit der Lehrkräfte, Nutzung nach Lernendengruppen (Gerechtigkeit), Eskalations- quote, Halluzinationsrate in Stichprobenprüfungen, Zufriedenheit von Lernenden und Lehrkräften.

Menschen & Veränderung

Binden Sie die Geschäftsleitung für die pädagogische und finanzielle Entscheidung ein, Lehrkräfte oder die Weiterbildungsleitung als Inhaltsverantwortliche und Prüfende, die IT für SSO und Hosting, die oder den Datenschutzbeauftragte(n) von Anfang an (Lernende, teils Minderjährige), Recht für Kinderschutz und Urheberrecht sowie die Lernenden oder Kunden über einen Pilot. Die IT-Sicherheit prüft Prompt Injection und Missbrauch.

Betriebsrat: kommt darauf an. Dient der Tutor der Mitarbeiterschulung, sind Nutzungsprotokolle je Person objektiv zur Leistungsüberwachung geeignet, daher gilt § 87 Abs. 1 Nr. 6 BetrVG; unterrichten Sie den Betriebsrat in jedem Fall über KI in Arbeitsprozessen (§ 90 Abs. 1 Nr. 3). Bei Schülerinnen und Schülern sowie privat Lernenden ist kein Betriebsrat beteiligt; Schulen beteiligen den Personalrat, wenn Beschäftigte betroffen sind.

Datenschutz: Gespräche mit Lernenden sind personenbezogene Daten, bei Minderjährigen oder in großem Umfang ist eine DSFA wahrscheinlich, ein AVV ist erforderlich, und ein Training des Anbieters mit Daten der Lernenden sollte nicht vereinbart werden. Nach der KI-Verordnung gilt die Transparenzpflicht (Art. 50): Lernende müssen wissen, dass sie mit einer KI sprechen.

KI-Kompetenz: Unterstützen Sie Beschäftigte und Lernende mit kurzen Schulungen zu Grenzen, Halluzinationen und dazu, das Denken nicht auszulagern (KI-Verordnung Art. 4). Beginnen Sie mit einer Klasse oder einem Kurs als Pilot, benennen Sie einen KI-Botschafter und lassen Sie die Lehrkräfte mit Dashboards und Eskalation an einen Menschen die Kontrolle behalten. Typische Sorgen sind Täuschung, falsche Antworten und der Verlust der Lehrerrolle; begegnen Sie ihnen mit Schutzmechanismen und klaren Regeln. Siehe GUIDE-005, GUIDE-006 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt vom Einzelfall ab. Ein Tutor, der nur erklärt und Hinweise gibt, hat typischerweise begrenztes Risiko (Chatbot-Transparenz, Art. 50: Nutzende informieren, dass sie mit einer KI sprechen) sowie die Pflicht zur KI-Kompetenz (Art. 4). Systeme, die Lernergebnisse bewerten, den Lernprozess steuern, den Zugang bestimmen oder Lernende Einrichtungen zuweisen oder unzulässiges Verhalten bei Prüfungen überwachen, fallen unter Anhang III Nr. 3 (Bildung) und sind hochriskant, mit Pflichten für Anbieter und Betreiber [6]. Adaptive Funktionen, die bewerten oder über die Versetzung entscheiden, erfordern daher eine sorgfältige Abgrenzung.
• Verbotene Praxis (Art. 5): Das Ableiten von Emotionen Lernender in Bildungseinrichtungen (z. B. aus Webcam oder Stimme, um Frustration oder Aufmerksamkeit zu erkennen) ist verboten, außer aus medizinischen oder Sicherheitsgründen. Bauen Sie keine Gefühlserkennung in einen Tutor ein [6].
• DSGVO: Daten von Lernenden, oft von Kindern, sind personenbezogene Daten; eine DSFA ist in der Regel erforderlich; Rechtsgrundlage (öffentliche Aufgabe oder Einwilligung, Einwilligung der Eltern bei kleinen Kindern), Datenminimierung, kein Training mit Chats von Schülerinnen und Schülern, Hosting in der EU oder gültiger Übermittlungsmechanismus, Speicherfristen. Die deutschen Länder veröffentlichen schulspezifische Hinweise; ziehen Sie die oder den Datenschutzbeauftragte(n) hinzu [7]. Gestaltung von Prüfungen.
• Gegenmaßnahmen: von Lehrkräften konfigurierter Umfang, Regel „erst Hinweis“, Quellenangaben, Prüfung durch Werkzeuge, Protokollierung mit Zugriffsbeschränkung, Eskalation an einen Menschen, regelmäßige Audits, Offenlegung des KI-Einsatzes gegenüber Lernenden und Eltern.

Erste Schritte

1. Definieren Sie das Lernziel und die Regel je Aufgabe: welche Hilfe erlaubt ist, was ohne Hilfe bleiben muss.
2. Pilotieren Sie mit einem Fach und 1-2 Klassen mit einem Bildungswerkzeug aus Weg A oder einem im LMS eingebetteten Assistenten; beziehen Sie Lehrkräfte bei den Hinweisregeln ein.
3. Führen Sie DSFA, AVV und die Prüfung von Alter und Einwilligung durch, bevor Daten von Lernenden fließen.
4. Bauen Sie vor dem Start einen kleinen Goldsatz aus 50-100 echten Fragen von Lernenden auf, um Korrektheit, Hinweisverhalten und Widerstandsfähigkeit gegen Jailbreaks zu testen.
5. Messen Sie nach 6-8 Wochen die Lernergebnisse ohne Hilfe im Vergleich zu einer Vergleichsgruppe; entscheiden Sie dann über die Ausweitung oder einen Aufbau nach Weg B/C.

Quellen

1. OpenAI - Introducing study mode - https://openai.com/index/chatgpt-study-mode/
2. Anthropic - Claude for Education (learning mode) - https://www.anthropic.com/education
3. Khan Academy - Khanmigo - https://www.khanmigo.ai/
4. Bastani et al. - Generative AI Can Harm Learning (PNAS 2025) - https://www.pnas.org/doi/10.1073/pnas.2422633122
5. Kestin et al. - AI tutoring outperforms in-class active learning (Scientific Reports 2025) - https://www.nature.com/articles/s41598-025-97652-6
6. Regulation (EU) 2024/1689 (AI Act), Art. 5, Art. 50, Annex III - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. European Commission - Ethical guidelines on the use of AI and data in teaching and learning for educators - https://education.ec.europa.eu/news/ethical-guidelines-on-the-use-of-artificial-intelligence-and-data-in-teaching-and-learning-for-educators
8. Moodle - AI subsystem documentation - https://docs.moodle.org/en/AI_subsystem