Einführung & Abgrenzung
Anwendungsfälle für Lehren, Lernen, Prüfen und institutionelle Prozesse in Schulen, Hochschulen und der betrieblichen Weiterbildung (Schwerpunkt EU/DSGVO). Drei Muster: EDU.CONTENT (Erstellung von Material für Lehrkräfte/Trainer: 001, 006, 009), EDU.LEARN (Tutoren, Übungs- und Lernwerkzeuge für Lernende: 004, 010, 011, 016) und EDU.ASSESS (Bewertung, Analytik und Verwaltungsentscheidungen: 002, 003, 007, 008, 012-015, 017).
Abgrenzungen: 001 = Kursmaterial aus Lehrplänen, 006 = betriebliches/lokalisiertes Microlearning, 009 = Unterrichtsplanung und Differenzierung auf Lehrkraft-Seite. 002 erstellt Aufgaben, 003 bewertet Arbeiten, 008 sichert Prüfungen und erkennt Verstöße. 004 = am Lehrplan ausgerichteter Tutor, 016 = Lernwerkzeuge der Lernenden aus eigenen Materialien, 005 = Sequenzierung von Lernpfaden. 011 = freie Konversationsübung, 012 = bewertete Sprachprüfung. 014 = Anerkennung von Studienleistungen und früherem Lernen, 015 = Vorauswahl bei Zulassungen.
AI Act: Anhang III Nr. 3 (Zugang/Zulassung, Bewertung von Lernergebnissen, Steuerung des Lernens, Beaufsichtigung von Prüfungen) macht 008, 012 und 015 zu Hochrisiko-Systemen; 003, 004, 005, 007, 013, 014, 017 werden zu Hochrisiko-Systemen, sobald ihre Ergebnisse Noten, Einstufungen oder Zugangsentscheidungen steuern. Inhaltsgeneratoren haben begrenztes/minimales Risiko. Menschen entscheiden über jede Note, jeden Integritätsfall, jede Zulassung und jede Anerkennung. Daten Minderjähriger erfordern strikte Datenminimierung und keine Emotionserkennung in Schule oder Arbeit (Art. 5).
Anwendungsfälle
| ID | Titel | Muster | Reifegrad | Weg | HW-Stufe | KI-Risiko (AI Act) |
|---|---|---|---|---|---|---|
| EDU-001 | Erstellung von Kurs- & Lernmaterial | EDU.CONTENT | mainstream | A | HW2 | limited |
| EDU-002 | Erstellung von Quiz- & Prüfungsfragen | EDU.ASSESS | mainstream | A | HW2 | depends |
| EDU-003 | Automatisierte Bewertung & formatives Feedback | EDU.ASSESS | early-adopter | A | HW3 | depends |
| EDU-004 | KI-Tutor & Hausaufgabenhilfe | EDU.LEARN | early-adopter | A | HW3 | depends |
| EDU-005 | Adaptive Lernpfade | EDU.LEARN | mainstream | A | HW1 | depends |
| EDU-006 | Betriebliche Weiterbildung & Microlearning-Inhalte | EDU.CONTENT | mainstream | A | HW2 | limited |
| EDU-007 | Lernanalytik & Frühwarnung bei Studienabbruch | EDU.ASSESS | early-adopter | A | HW1 | depends |
| EDU-008 | Prüfungsaufsicht & akademische Integrität | EDU.ASSESS | mainstream | A | HW2 | high |
| EDU-009 | Lehrkraft-Assistent: Unterrichtsplanung & Differenzierung | EDU.CONTENT | mainstream | A | HW2 | limited |
| EDU-010 | Simulations- & Rollenspieltraining (Vertrieb, Medizin, Führung) | EDU.LEARN | early-adopter | A | HW3 | depends |
| EDU-011 | Gesprächspartner zum Sprachenlernen | EDU.LEARN | mainstream | A | HW2 | limited |
| EDU-012 | Bewertung von Leseflüssigkeit & mündlicher Sprachkompetenz | EDU.ASSESS | early-adopter | A | HW2 | high |
| EDU-013 | Analyse des Unterrichtsdiskurses & KI-Coaching für Lehrkräfte | EDU.ASSESS | early-adopter | A | HW2 | depends |
| EDU-014 | Anrechnung von Leistungen, Kursäquivalenz & Anerkennung früheren Lernens | EDU.ASSESS | early-adopter | B | HW3 | depends |
| EDU-015 | Vorauswahl von Zulassungsanträgen & Umrechnung ausländischer Noten | EDU.ASSESS | early-adopter | B | HW3 | high |
| EDU-016 | KI-Lernwerkzeuge: Notizen, Karteikarten & verteiltes Wiederholen aus eigenen Materialien | EDU.LEARN | mainstream | A | HW2 | minimal |
| EDU-017 | Früherkennung von Legasthenie & spezifischen Lernschwierigkeiten | EDU.ASSESS | early-adopter | A | HW1 | depends |
Gemeinsamer Stack
Referenz-Stacks je HW-Stufe für den Selbstbetrieb. Eine Plattform bedient die gesamte Familie und kann mit den Familien KNOW (RAG), DOC (Dokumentenverarbeitung), SPEECH, LANG und CONV geteilt werden.
| Stufe | Referenz-Stack | Bedient |
|---|---|---|
| HW1 (CPU / Edge / einzelne kleine GPU) | scikit-learn/LightGBM, Zeitreihen-Merkmale, Postgres + pgvector, kleine ASR auf dem Gerät (whisper.cpp) und kleines LLM, xAPI/Caliper-Ereignisspeicher des LMS | 005, 007, 017, Teile von 012 auf dem Gerät |
| HW2 (eine GPU mit 24-48 GB) | vLLM oder Ollama mit einem 8-30B-Instruct-Modell, bge-m3-Embeddings + Reranker, pgvector/Qdrant, faster-whisper + pyannote, Piper/Kokoro TTS, Docling/OCR, Langfuse und Guardrail-Schicht | 001, 002, 006, 009, 011, 012, 013, 016, 008 |
| HW3 (Multi-GPU / 70B+ und VLM) | vLLM mit einem 70-120B-Reasoning-Modell plus einem VLM (z. B. Klasse Qwen-VL), dieselbe Embedding-/RAG-Schicht, Streaming-ASR/TTS oder Speech-to-Speech für gleichzeitige Sprachsitzungen, n8n/Temporal-Workflows mit Warteschlange zur menschlichen Prüfung | 003, 004, 010, 014, 015 |
Gemeinsame Bausteine über alle Stufen: - Inhalts-RAG: ein Index für Lehrpläne/Kursmaterial (Docling-Parsing, bge-m3, Reranker), wiederverwendet von 001, 002, 004, 009, 014, 016. - Lernendenmodell: ein Speicher für Kompetenzstand und Ereignisse (xAPI nach Postgres), der 005, 007, 004, 016 und 017 speist; pseudonymisiert, rollenbasierter Zugriff, kurze Aufbewahrung. - Sprachschicht: ein ASR/TTS-/Speech-to-Speech-Dienst für 004, 010, 011, 012, 013, 016. - Warteschlange zur menschlichen Prüfung und Audit-Protokoll: verpflichtend für 003, 008, 014, 015 (Noten, Integrität, Anerkennung, Zulassung). - Guardrails und Protokollierung: altersgerechte Filter, Schutz vor Prompt Injection, Hinweise zur KI-Kompetenz (Art. 4, 50) und keine Emotionserkennung. - Hosting: EU-Region oder On-Premises; DSFA-Vorlage für die gesamte Familie gemeinsam.