diff --git a/01_Konzeption/01-1 Anforderungen.md b/01_Konzeption/01-1 Anforderungen.md new file mode 100644 index 0000000..bdc4a66 --- /dev/null +++ b/01_Konzeption/01-1 Anforderungen.md @@ -0,0 +1,13 @@ +- Anforderungen + - Nachvollziehbarkeit + - Datensicherheit + - Geschwindigkeit + - Verkürzung von Lernprozessen: On-Boarding, aber auch Schulungen, sofern diese über digitale Module stattfinden (lokale Veranstaltungen in Präsenz können nicht beschleunigt werden) + - nutzerzentrierte Sicht + - verschiedene Rollen und Sichten: häufig andere betriebliche Systeme (ERP, CRM, usw.) als Vorlage + - Rollen und Sichten sind mit Berechtigungen versehen, die gewahrt werden müssen + - Informationen dürfen nur für Nutzergruppen zugänglich sein, wenn die entsprechenden Berechtigungen existieren + - aktuell werden den extrahierten Rollen dann die Wissensbausteine nach ihrem Berechtigungslevel zugewiesen + - pragmatische Lösungen werden bevorzugt + - Lösung von Problemen steht im Vordergrund + - keine unnötige Komplexität diff --git a/01_Konzeption/01-1 Ergebnisse erstes Brainstorming.md b/01_Konzeption/01-1 Ergebnisse erstes Brainstorming.md new file mode 100644 index 0000000..9e071a6 --- /dev/null +++ b/01_Konzeption/01-1 Ergebnisse erstes Brainstorming.md @@ -0,0 +1,17 @@ +Für die Produktvision wurde neben den Informationen in den Berichten ein erstes Brainstorming durchgeführt mit folgenden Kernmerkmalen: + +- persönlicher Lernassistent + - Identifikation des Nutzers + - Wer ist das gerade und welchen Lernstand hat er? + - Nutzung der Dokumente (Kursmaterialien: HTML, Quizfragen, Videos) + - Beantwortung von Fragen + - existierende Lernpfade überprüfen + - Weiterleitung zu relevanten, bereits absolvierten Modulen (Backlink) + - Hinweis auf weitere Module, die der Nutzer aber noch nicht belegt hat oder belegen kann + - Aussagen gemäß dem aktuellen Kenntnisstand des Nutzers + - verschiedene Szenarien + - Generierung von Lernpfaden + - automatisiert auf den Nutzer zugeschnitten + - Berücksichtigung der Berechtigungen über Nutzerrollen und des aktuellen Lernstands + - gecoachter Lernpfad + - Lernunterstützung \ No newline at end of file diff --git a/01_Konzeption/01-2 Unternehmensprofil mastersolution AG Plauen.md b/01_Konzeption/01-2 Unternehmensprofil mastersolution AG Plauen.md new file mode 100644 index 0000000..acb2e5b --- /dev/null +++ b/01_Konzeption/01-2 Unternehmensprofil mastersolution AG Plauen.md @@ -0,0 +1,180 @@ +# **Unternehmensprofil und strategische KI-Roadmap der mastersolution AG** + +## **1\. Executive Summary und strategische Einordnung** + +Die mastersolution AG mit Hauptsitz in Plauen (Sachsen) sowie weiteren Standorten in Potsdam, Dresden und Chemnitz hat sich seit ihrer Gründung im Jahr 1999 zu einem maßgeblichen Technologieanbieter für Kommunikations- und Lernsoftware im deutschsprachigen Raum entwickelt1. Das Unternehmen operiert an der hochkomplexen Schnittstelle zwischen klassischer Softwareentwicklung, Systemintegration und immersiver Content-Produktion. Durch eine tiefe regionale Verwurzelung, die sich unter anderem in historischen Beteiligungen der Sachsen-Finanzgruppe und der BSV-Beteiligungsgesellschaft der Sparkasse Vogtland mbH manifestiert, sowie der kontinuierlichen Einbindung in staatliche Förderprojekte (EFRE, ESF Plus), verfügt die mastersolution AG über ein stabiles wirtschaftliches Fundament2. +Die strategische Akquisition der auf 3D-Assets, Animationen und Games spezialisierten *pixablestudios* im Jahr 2014 markierte einen Paradigmenwechsel vom reinen Softwarehaus hin zu einem ganzheitlichen Lösungsanbieter für digitalen Wissenstransfer3. Heute bietet das Unternehmen ein modular aufgebautes Ökosystem, das Lernmanagementsysteme (LMS), plattformübergreifendes Klassenraum-Management, IT-Asset-Management und innovative Videoproduktionsumgebungen in sich vereint5. +Die vorliegende Analyse beleuchtet das operative Tätigkeitsfeld, die zugrundeliegende technologische Infrastruktur und das zunehmend durch Künstliche Intelligenz (KI) determinierte Wettbewerbsumfeld. Während Konkurrenten im EdTech- und Corporate-Learning-Sektor bereits tiefgreifende, proaktive KI-Systeme zur Verhaltensanalyse, automatisierten Content-Generierung und intelligenten Prüfungsbewertung einsetzen, basieren die aktuellen KI-Integrationen der mastersolution AG vorwiegend auf der reaktiven Anbindung externer Frameworks5. Um die Marktführerschaft in einem sicherheitssensiblen B2B- und B2G-Umfeld (Business-to-Government) zu behaupten, formuliert dieser Bericht eine fundierte strategische Roadmap. Diese beinhaltet die Entwicklung von Produktvisionen, die darauf abzielen, die mastersolution AG von einem Integrator generischer KI-Schnittstellen zu einem Innovator für souveräne, domänenspezifische KI-Lösungen zu transformieren. + +## **2\. Abschätzung und Abgrenzung des Tätigkeitsbereichs** + +Die exakte Verortung der mastersolution AG erfordert eine differenzierte Betrachtung ihrer Zielmärkte, ihrer Wertschöpfungstiefe und der bewussten Abgrenzung von benachbarten IT-Sektoren. Das Unternehmen positioniert sich nicht als Anbieter für Endkonsumenten (B2C), sondern fokussiert sich ausschließlich auf institutionelle und korporative Anwender, deren Anforderungen an Datenschutz, Skalierbarkeit und Systemintegration hochkomplex sind. + +### **2.1. Zielgruppen und primäre Marktsegmente** + +Der Tätigkeitsbereich der mastersolution AG spaltet sich historisch und technologisch in zwei komplementäre Hauptsegmente auf, die durch die geteilte Nutzung von Kerntechnologien Synergien erzeugen. +Das erste Segment umfasst den öffentlichen Bildungssektor, bestehend aus allgemeinbildenden Schulen, Berufsschulen, Hochschulen und Studienakademien (wie der BA Plauen)9. In diesem Marktsegment tritt die mastersolution AG als Anbieter von Infrastruktur- und Didaktik-Werkzeugen auf. Die Produkte sind darauf ausgelegt, die digitale Souveränität von Lehrkräften in heterogenen IT-Umgebungen (Bring-Your-Own-Device oder Get-Your-Own-Device) wiederherzustellen10. Lehrkräfte benötigen Werkzeuge, um den Unterricht ohne technische Unterbrechungen zu steuern, während Schuladministratoren zentrale Lösungen für die Wartung von hunderten Endgeräten fordern. Die Einbindung der Software in komplexe Schulserver-Umgebungen wie den IServ Schulserver verdeutlicht den Anspruch, nahtlos in bestehende pädagogische Netzwerke zu integrieren12. +Das zweite, stark wachsende Segment ist der Corporate Sector, der kleine und mittlere Unternehmen (KMU) sowie internationale Großkonzerne und Behörden umfasst13. Hier adressiert die mastersolution AG den kritischen Bedarf an kontinuierlichem Onboarding, Compliance-Schulungen und der Digitalisierung von schwer automatisierbaren, industriellen Arbeitsprozessen15. In strukturschwachen Regionen wie Südwestsachsen oder Oberfranken, in denen der Fachkräftemangel den Erhalt von Unternehmenswissen bedroht, fungiert die Software der mastersolution AG als digitaler Wissensspeicher17. Die Plattformen des Unternehmens ermöglichen es Industrieunternehmen, Arbeitsabläufe direkt am Fließband aufzuzeichnen, didaktisch aufzubereiten und weltweit an Mitarbeiter zu distribuieren6. + +### **2.2. Abgrenzung und strategische Positionierung** + +Um das Profil präzise zu schärfen, muss definiert werden, welche Geschäftsfelder die mastersolution AG bewusst nicht besetzt. Das Unternehmen ist kein klassisches IT-Systemhaus, das Hardware wie Server, Router oder physische Whiteboards vertreibt oder verkabelt6. Ebenso wenig ist es eine reine E-Learning-Content-Agentur, die ausschließlich fremde Plattformen mit Inhalten befüllt. +Vielmehr positioniert sich die mastersolution AG als holistischer "Enabler" für Kommunikation und Lernen1. Der Wettbewerbsvorteil liegt in der Bereitstellung der Software-Infrastruktur kombiniert mit Werkzeugen zur autonomen Content-Erstellung durch den Kunden selbst. Die Maxime "Skalierbar nutzen, statt langfristig binden" spiegelt sich in Geschäftsmodellen wider, die von der simplen Software-as-a-Service (SaaS) Miete in der Cloud bis hin zu hochsicheren, autarken On-Premise-Installationen in den Serverräumen von Kunden mit Geheimhaltungsstufen (z.B. Bundeswehr-Zertifizierung) reichen3. Diese Flexibilität beim Hosting, gepaart mit einer strikten Einhaltung der Datenschutzgrundverordnung (DSGVO) und dem Betrieb in deutschen Rechenzentren, grenzt das Unternehmen scharf von US-amerikanischen Cloud-Giganten ab14. + +## **3\. Charakterisierung des Tätigkeitsbereichs und des Produktportfolios** + +Das operative Geschäft der mastersolution AG stützt sich auf ein hochintegriertes Portfolio, das technologische Lösungen für die gesamte Wertschöpfungskette des digitalen Lernens anbietet: von der Erstellung (Content Creation) über die Verteilung (Distribution) bis hin zur Organisation und didaktischen Steuerung (Management)5. Die nachfolgende Tabelle strukturiert das Portfolio in vier funktionale Kernbereiche. + +| Funktionale Säule | Kernprodukte und Module | Spezifische Charakteristika und Anwendungsfälle | +| :---- | :---- | :---- | +| **Lernmanagement (LMS)** | *mastersolution ONE*, *LMS*, *didab*, *unika* | Basierend auf einem leistungsstarken Open-Source-Kern (Moodle) ermöglicht das LMS die Realisierung unternehmenseigener Wissensplattformen14. Die Plattform ist mandantenfähig und wird mit branchenspezifischen "Ready-to-Go"-Kurspaketen (z.B. Compliance, Cyber Security) ausgeliefert14. Ein herausragendes Beispiel für die Anpassungsfähigkeit ist die Plattform *didab* (sowie der Klon *unika*), die durch extrem angepasste Templates, Bildersuchfunktionen und Muster-Logins speziell für Menschen mit Behinderung entwickelt wurde3. | +| **Klassenraum-Management & IT-Asset-Management** | *SUITE*, *REFLECT*, *WRITEKNOW*, *MasterEye* (Bundle) | Die *SUITE* ermöglicht Lehrkräften die Echtzeitüberwachung und Steuerung von Schüler-PCs (inklusive Bildschirmübertragungen, App-Sperren, Internetrestriktionen und Testdurchführungen)6. Sie ist plattformübergreifend für Windows, macOS, Chromebooks sowie mobile Endgeräte (iOS/Android) konzipiert10. Das Modul *REFLECT* ergänzt dies um harte IT-Administration wie Hardware-Inventarisierung und paketgesteuerte Softwareverteilung6. *WRITEKNOW* fungiert als sicherer LAN-Messenger für den direkten Nachrichtenversand an Bildschirme5. | +| **Videoproduktion & Immersive Medien** | *FOCUS*, *SHOW*, *mySHOW*, *EXPLAIN*, *VMS*, *VIS* | Durch die Integration der *pixablestudios*4 bietet mastersolution hochprofessionelle Erstellungs-Werkzeuge. *FOCUS* revolutioniert die Aufzeichnung industrieller Arbeitsabläufe durch ein freihändiges 3-Kamera-System (Kopf, Brust, Stativ) mit angeschlossener, vereinfachter Schnittsoftware3. *SHOW* und *mySHOW* (in Kooperation mit Cinector) ermöglichen die Realisierung virtueller 3D-Präsentationen und Erklärfilme in Echtzeit-Studiosettings ohne Render-Wartezeiten27. Das *VMS* dient als DSGVO-konforme, sichere Videocloud in Deutschland22. | +| **Angewandte Forschung & Serious Games** | *SG4BB*, *WIDI*, *MOONRISE*, *GAME BASED LEARNING* | In kollaborativen Förderprojekten erforscht die mastersolution AG zukunftsweisende Lernkonzepte. Im Projekt *SG4BB* wird eine Plattform für personalisierte Serious Games in der beruflichen Weiterbildung entwickelt16. Das Projekt *MOONRISE* adressiert die Digitalisierung in KMU durch mobiles Arbeiten und videobasierten Wissenstransfer in der Produktion9. Das Projekt *WIDI* zielt auf die Wissenstransformation schwer automatisierbarer Prozesse ab16. | + +Die strategische Stärke dieses Portfolios liegt in der Interoperabilität. Ein Industrieunternehmen kann mit *FOCUS* einen Arbeitsvorgang aufzeichnen, dieses Video in das *VMS* hochladen, es als Lernaktivität im *LMS* einbinden und den Lernerfolg der Mitarbeiter über Zertifizierungsrouten rechtssicher nachweisen5. Diese nahtlose Kette reduziert Systembrüche bei den Kunden auf ein Minimum. + +## **4\. Analyse der im Hintergrund verwendeten Technik (Software-Stack, Cloud, Infrastruktur)** + +Die technologische Architektur der mastersolution AG ist das Resultat einer dualen Anforderung: Einerseits müssen Cloud-Plattformen massiv skalieren können, andererseits verlangen öffentliche Schulen und sicherheitsbewusste Behörden tiefe Systemintegrationen in lokale, hermetisch abgeriegelte Netzwerke. Eine Analyse von Stellenanzeigen, Produktdokumentationen und Bereitstellungsmodellen liefert ein tiefgreifendes Bild des verwendeten Technologie-Stacks. +Die Infrastruktur- und Cloud-Strategie basiert auf einer hochmodernen Container-Architektur. Das DevOps-Team nutzt Docker-Container, die über Kubernetes orchestriert und mittels Helm-Charts verwaltet werden13. Diese Microservices-Architektur oder modularisierte Struktur erlaubt es der mastersolution AG, hochgradig mandantenfähige Plattformen bereitzustellen und gleichzeitig individuelle Instanzen für Enterprise-Kunden auszurollen. Continuous Integration und Continuous Deployment (CI/CD) werden über GitLab-CI, GitHub Actions und Jenkins realisiert, was schnelle und sichere Software-Updates für die verteilten Systeme garantiert13. Das Hosting erfolgt wahlweise in zertifizierten deutschen Rechenzentren (mit hochperformanten 10 Gbit/s Gigabit-Anbindungen der SachsenGigaBit) oder direkt auf der Hardware der Kunden (On-Premise)14. Dies ist ein kritischer Wettbewerbsvorteil, da die Plattformen explizit lizenzunabhängig von Technologien aus den USA, China oder Russland betrieben werden können, was für die Bundeswehr-Zertifizierung essenziell ist14. +Auf Ebene der Applikationsentwicklung verfolgt das Unternehmen einen hybriden Ansatz. Der Kern des *mastersolution ONE* LMS basiert auf der PHP-Architektur von Moodle, welche durch relationale Datenbankmanagementsysteme wie PostgreSQL und MariaDB gestützt wird13. Für die Entwicklung proprietärer Backend-Dienste, Middleware-Lösungen (wie im SG4BB-Projekt für die Anbindung von Serious Games an das LMS31) und performanter Desktop-Anwendungen kommen C\# und Java zum Einsatz32. Insbesondere die Klassenraum-Management-Lösung *SUITE* erfordert systemnahe Programmierung (vermutlich stark C\#-basiert für Windows-Clients), da die Software tief in das Betriebssystem eingreifen muss, um Registry-Einträge zu manipulieren, Tastaturen und Mäuse physisch zu sperren, USB-Ports zu blockieren und Bildschirminhalte in Echtzeit abzugreifen6. Die Software ist zudem Terminalserver-fähig und lässt sich in komplexe Umgebungen wie den IServ Schulserver über spezifische Deployment-Pakete einbinden12. +Für den Bereich der immersiven Medien (pixablestudios und Cinector-Kooperationen) kommen spezialisierte Echtzeit-Render-Engines und 3D-Technologien zum Einsatz. Die Software *SHOW* ermöglicht das Live-Keying von Greenscreen-Aufnahmen und das Compositing in 3D-Szenen auf Standard-Hardware, was auf hochoptimierte Grafik-Pipelines hinweist27. Mobile Applikationen, wie die *myLMS APP* für iOS und Android, komplettieren den Stack und ermöglichen den Zugriff auf virtuelle Lernrouten von unterwegs3. + +## **5\. Wettbewerbsanalyse und aktueller Einsatz von Künstlicher Intelligenz am Markt** + +Der Markt für Bildungstechnologien und Corporate Learning befindet sich durch den rasanten Aufstieg generativer Künstlicher Intelligenz, Large Language Models (LLMs) und Computer Vision in einer massiven Umbruchphase. Ein Blick auf die Wettbewerber der mastersolution AG offenbart, wie radikal KI bereits heute in Kernprodukte integriert wird. Die Analyse unterteilt sich in die beiden primären Geschäftsfelder: Klassenraum-Management und Lernmanagementsysteme. + +### **5.1. KI-Integrationen im Klassenraum-Management (Wettbewerbsumfeld der SUITE)** + +Während herkömmliche Klassenraum-Software darauf abzielte, URLs über statische Blacklists zu blockieren oder Bildschirme manuell durch die Lehrkraft zu überwachen, transformieren führende Wettbewerber ihre Systeme derzeit zu autonomen, KI-gestützten Überwachungseinheiten. + +| Wettbewerber | Spezifische KI-Integrationen und Sicherheitsmechanismen | Implikation für den Markt | +| :---- | :---- | :---- | +| **classroom.cloud** | Nutzt KI-gestützte Keyword- und Phrasenüberwachung in mehreren Sprachen. Die Plattform analysiert den Kontext eines Vorfalls (Gerät, Uhrzeit, Verlauf) und berechnet einen **Risikoindex**, der die Schwere einer Gefährdung (z.B. Cybermobbing, Suizidgedanken) bewertet7. Zudem bietet das System eine explizite "KI-Überwachung", um Auslöser von Microsoft Copilot und anderen KI-Plattformen zu erfassen7. | Der Fokus verschiebt sich von reiner Disziplinierung zur proaktiven, psychologischen Gefahrenabwehr. | +| **Lightspeed Systems** | Integriert dynamische "KI-Leitplanken". Die Software bietet Echtzeit-Einblicke und Benachrichtigungen über die KI-Aktivitäten von Schülern34. Ein intelligenter End-to-End-Inhaltsfilter minimiert Ablenkungen durch algorithmische Auswertung des Browserverhaltens34. | Lehrkräfte werden entlastet, da die KI als präventiver Filter agiert und auf unautorisierte Nutzung generativer KI aufmerksam macht. | +| **NetSupport School** | Arbeitet mit fortschrittlicher Neurolinguistik und KI für sein "Safeguarding"-Modul. Das System generiert Echtzeit-Alarmierungen und Screenshots bei verdächtigem Verhalten, um Vertrauenslehrer präventiv zu informieren, wobei die KI sogenannte "false positive" Alarme durch Kontextverständnis minimiert33. | Die semantische Analyse lokaler Eingaben wird zum De-facto-Standard für den Jugendschutz an Schulen. | + +### **5.2. KI-Integrationen im LMS-Ökosystem (Wettbewerbsumfeld des mastersolution ONE)** + +Da *mastersolution ONE* technologisch auf Moodle basiert14, steht das Unternehmen im direkten Wettbewerb mit dem globalen Ökosystem an Moodle-Plugins, Moodle-Dienstleistern (wie Accipio) sowie institutionellen KI-Lösungen35. Die Integration von KI zielt hier auf zwei Fronten ab: Die radikale Beschleunigung der Content-Erstellung für Lehrende und die individualisierte Betreuung für Lernende. + +| KI-Funktionalität | Führende Lösungen und Moodle-Plugins am Markt | Analytische Einordnung | +| :---- | :---- | :---- | +| **Automatisierte Kurs- und Fragengenerierung** | Plugins wie *Course Creator AI* (DataCurso) generieren aus hochgeladenen PDFs oder PowerPoints vollautomatisch komplette Moodle-Kurse37. Die KI erstellt Testfragen gestaffelt nach Bloom's Taxonomie (Verständnis, Anwendung, Analyse) und generiert intelligente, plausible Distraktoren sowie detailliertes Feedback für falsche Antworten37. *qbank\_genai* bietet ähnliche Funktionen zur direkten Anreicherung der Moodle-Fragensammlung36. | Die manuelle Erstellung von Multiple-Choice-Tests wird obsolet. Lehrkräfte transformieren sich zu Kuratoren von KI-generierten Inhalten. | +| **Automatisierte Essay-Bewertung** | Tools wie der *AI Essay Grader* oder *local\_assign\_ai* bewerten Freitextaufgaben innerhalb von Sekunden nach vorgegebenen Rubriken8. Die KI formuliert konstruktives Feedback in einer wählbaren "Growth Mindset Language" und reduziert den Korrekturaufwand für Lehrkräfte signifikant (Kostenersparnis von tausenden Stunden)8. | KI übernimmt zunehmend formative Bewertungsaufgaben, wobei die institutionelle Skepsis bezüglich Fairness noch eine Barriere darstellt36. | +| **Sokratische KI-Tutoren (Chatbots)** | Plugins wie der *AI Chat (block\_ai\_chat)* oder *Forum AI* integrieren Chatbots direkt in Moodle36. Diese Bots können so konfiguriert werden, dass sie als sokratische Tutoren agieren (die Lösung nicht verraten, sondern hinführen) und sich strikt an die hochgeladenen Kursmaterialien als "Source of Truth" halten, um Halluzinationen zu vermeiden36. | Ermöglicht 24/7 Support für Studierende, was insbesondere in heterogenen Fernlern-Szenarien die Abbrecherquoten senkt. | +| **Moodle 4.5 Core Integration** | Die neueste Moodle-Version 4.5 bringt ein natives KI-Subsystem (AI Subsystem) mit, das als Framework zwischen dem LMS und externen Anbietern (wie OpenAI) fungiert40. Es ermöglicht Text- und Bildgenerierung direkt im Moodle-Editor und markiert KI-generierte Inhalte transparent41. | KI wird von einem optionalen Plugin-Zusatz zu einem Kernbestandteil der LMS-Infrastruktur. | + +## **6\. Identifikation aktueller Defizite und der Status Quo der mastersolution AG** + +Die mastersolution AG hat die tektonische Verschiebung durch Künstliche Intelligenz erkannt und erste strategische Schritte unternommen. Das Unternehmen bewirbt in seiner *Produktwelt* das Zusammenspiel von Videoproduktion, Autorentool und "KI mit Open AI Framework sowie Question Aid", wodurch Inhalte professionell produziert oder anhand von Nutzerfragen automatisch generiert werden können5. Auf forschungsstrategischer Ebene engagiert sich das Unternehmen stark. Im BMBF-geförderten Projekt *SG4BB* ist mastersolution für die LMS-Schnittstellen verantwortlich, während der Partner Nurogames GmbH die KI-gestützten Algorithmen zur Steuerung und Analyse der personalisierten Serious Games entwickelt31. Eine zentrale Rolle spielt zudem das Engagement in der "Alliance for Applied AI & Innovation"44. Als Initiator und Partner treibt die mastersolution AG hier den Wissenstransfer von KI in den südwestsächsischen Mittelstand voran und unterstützt den Aufbau dualer KI-Studiengänge an der Dualen Hochschule in Plauen, um dem akuten Fachkräftemangel entgegenzuwirken44. +Trotz dieser vielversprechenden Initiativen offenbart ein direkter Vergleich des aktuellen Portfolios mit dem state-of-the-art Wettbewerbsumfeld strukturelle und technologische Defizite, die kurz- bis mittelfristig geschlossen werden müssen. + +### **6.1. Defizite im Klassenraum-Management (SUITE)** + +Die *mastersolution SUITE* besticht durch ihre tiefe technische Integration und Plattformunabhängigkeit24. Dennoch basiert die didaktische Kontrolle primär auf einem reaktiven, manuellen Paradigma. Lehrkräfte müssen Bildschirme visuell überwachen, um Störungen zu erkennen, und Webseiten über statische Listen sperren6. Die Konkurrenz (wie classroom.cloud oder NetSupport) nutzt hingegen kontinuierlich im Hintergrund laufende KI-Algorithmen (Neurolinguistik, Risikobewertung), um Lehrkräfte präventiv und kontextbezogen vor Cybermobbing oder verbotener KI-Nutzung zu warnen7. Das Fehlen eines solchen proaktiven "Safeguarding"-Moduls stellt einen signifikanten Wettbewerbsnachteil dar. + +### **6.2. Defizite im Videoproduktions-Workflow (FOCUS & SHOW)** + +Die Lösung *FOCUS* zur Aufzeichnung industrieller Arbeitsabläufe mittels drei simultaner Kameras (Stativ, Brust, Kopf) ist konzeptionell brillant, da sie das Expertenwissen direkt am Arbeitsplatz einfängt6. Der aktuelle Flaschenhals ist jedoch die Nachbearbeitung. Das Material muss in der mitgelieferten Software manuell geschnitten, mit Bild-in-Bild-Effekten versehen und vertont werden6. Angesichts der rasanten Fortschritte in der Computer Vision (CV) ist dieser manuelle Schritt anachronistisch. Es fehlt eine KI-gestützte Schnittautomatik, die den "Point of Interest" im Video selbstständig erkennt. + +### **6.3. Defizite in der KI-Souveränität (LMS und Infrastruktur)** + +Die beworbene Nutzung des "Open AI Frameworks"5 ist kurzfristig pragmatisch, steht jedoch in einem fundamentalen Widerspruch zur Kernphilosophie der mastersolution AG. Das Unternehmen gewinnt Enterprise- und Behördenkunden (inklusive Bundeswehr) exakt deshalb, weil es "lizenzunabhängig von USA, China & Russland" in deutschen Rechenzentren oder On-Premise operiert14. Sobald sensible Unternehmensdaten oder Schulungsinhalte an US-amerikanische LLM-APIs (wie OpenAI) gesendet werden, um Quizfragen oder Chat-Antworten zu generieren, erodiert dieses Souveränitätsversprechen. Es fehlt eine Strategie für lokal gehostete, private Sprachmodelle (Edge-AI oder souveräne Cloud-LLMs), die direkt mit der *mastersolution ONE* Instanz ausgeliefert werden können. Zudem fehlt ein konversationsbasierter KI-Tutor, der spezifisch auf interne Firmenrichtlinien trainiert ist, ohne zu halluzinieren. + +## **7\. Erstellung von Produktvisionen auf Basis einer souveränen KI-Strategie** + +Um die identifizierten Defizite in überlegene Marktvorteile zu transformieren, muss die mastersolution AG von einem passiven Integrator generischer KI-APIs zu einem Entwickler domänenspezifischer, souveräner KI-Anwendungen aufsteigen. Im Folgenden werden fünf detaillierte Produktvisionen entworfen, die aufdecken, in welcher Art Künstliche Intelligenz sinnvoll in das aktuelle Portfolio eingebaut werden kann. + +### **7.1. Vision 1: *mastersolution SUITE "SafeGuard & AI-Proctoring"*** + +**Strategischer Ansatz:** Transformation des Klassenraum-Managements von manueller Überwachung zu prädiktiver Assistenz. **Mechanismus:** Die *SUITE* wird um ein lokales Edge-KI-Modul erweitert, das direkt auf dem Schulserver (z.B. IServ12) läuft. Da keine Daten in die Public Cloud gesendet werden, bleibt die strikte DSGVO-Konformität im Schulbereich gewahrt. + +* **Neurolinguistisches Safeguarding:** Ein schlankes, lokal ausgeführtes Small Language Model (SLM) analysiert im Hintergrund die Tastatureingaben (Keystrokes) der Schüler auf gefährliche Phrasen, Cybermobbing oder toxische Sprache. Es generiert einen intelligenten Risikoindex und alarmiert die Lehrkraft oder den Vertrauenslehrer nur bei verifizierten Mustern (Reduktion von False Positives). +* **Predictive Attention Monitoring:** Die Software analysiert Metadaten wie Mausbewegungen, Tipprhythmen und die Frequenz von Fensterwechseln. Ein Machine-Learning-Algorithmus erkennt Frustration oder Konzentrationsverlust bei Schülern und markiert diese Vorschaubilder im Dashboard der Lehrkraft mit einem sanften visuellen Indikator, sodass die Lehrkraft gezielt Hilfe anbieten kann, bevor der Schüler aufgibt. +* **Smart Proctoring:** Bei Klausuren mit dem integrierten *Test Designer*24 erkennt die KI "unnatürliches" Copy-Paste-Verhalten oder das heimliche Zuschalten von generativer KI, was die Integrität von digitalen Prüfungen sichert. + +### **7.2. Vision 2: *mastersolution FOCUS "AI-Director & Global Voice"*** + +**Strategischer Ansatz:** Vollständige Automatisierung der industriellen Wissensspeicherung. **Mechanismus:** Die Desktop-Software von *FOCUS*6 wird um fortschrittliche Computer Vision (CV) und multimodale Sprachmodelle erweitert. + +* **Autonomer Multicam-Schnitt (Auto-Director):** Nach der Aufnahme eines Arbeitsprozesses mit drei Kameras analysiert eine CV-KI die Videospuren. Sie erkennt automatisch die Hände des Arbeiters, die Bewegung von Werkzeugen oder die Blickrichtung. Der "Auto-Director" schneidet das Video selbstständig: Er fokussiert die Kopfkamera für den Überblick, schaltet auf die Brustkamera, wenn Detailarbeiten an einer Maschine stattfinden, und blendet statische Aufnahmen als Bild-in-Bild ein. Der manuelle Schnittaufwand sinkt von Stunden auf wenige Minuten. +* **Voice-Cloning & Lip-Sync:** Für Konzerne, die weltweite Standorte schulen, transkribiert die KI die deutsche Sprachspur des Fachexperten, übersetzt sie in 30 Sprachen, *klont* die originale Stimmfarbe des Experten und passt die Lippenbewegungen im Video (Video-Generierung) entsprechend an. *FOCUS* wird damit zur ultimativen Skalierungsmaschine für globales Corporate Learning. + +### **7.3. Vision 3: *mastersolution ONE "Sovereign RAG Tutor"*** + +**Strategischer Ansatz:** Integration einer 24/7 verfügbaren, hyper-personalisierten Lernbegleitung für Mitarbeiter, die absolute Datenhoheit garantiert.**Mechanismus:** Anstatt Daten an externe APIs zu senden, hostet mastersolution quelloffene Sprachmodelle (wie Llama 3 oder Mistral) in seinen zertifizierten deutschen Rechenzentren oder direkt On-Premise beim Kunden. + +* **Sokratischer Chatbot mittels RAG:** Das System nutzt Retrieval-Augmented Generation (RAG). Der KI-Tutor wird an den *InSuM Wissensspeicher*17 oder die internen SCORM-Pakete des Unternehmens angebunden. Stellt ein Techniker eine spezifische Frage zu einer Hochvoltanlage47, durchsucht die KI ausschließlich die freigegebenen PDF-Dokumente und Videos des Kurses und formuliert eine präzise Antwort inklusive Quellenangabe (Timestamp im Video). Halluzinationen werden systemisch ausgeschlossen, da die KI kein externes Weltwissen einmischt. +* **Barrierefreie Lern-Transformation:** Für Nutzer der Plattform *didab* (Menschen mit Behinderung)23 kann diese lokale KI komplexe Texte auf Knopfdruck in "Leichte Sprache" umschreiben, Bildbeschreibungen dynamisch generieren oder als natürlicher Voice-Assistant vorlesen. + +### **7.4. Vision 4: *mastersolution SHOW "Gen-3D Requisitenkammer"*** + +**Strategischer Ansatz:** Demokratisierung der 3D-Asset-Produktion für virtuelle Präsentationen. **Mechanismus:** Die Expertise der *pixablestudios*4 wird genutzt, um ein Text-to-3D-Generierungsmodell nahtlos in die *Cinector STAGE* Software28 zu integrieren. + +* **Echtzeit 3D-Generierung:** Ein Dozent oder Manager steht im mobilen 3D-Filmstudio (*SHOW*). Anstatt Monate auf die Modellierung eines 3D-Assets durch externe Agenturen zu warten, tippt er in der Software ein: "3D Modell eines Elektromotors, Querschnitt, fotorealistisch". Die KI generiert das Objekt in wenigen Sekunden, und der Präsentator kann es sofort live im virtuellen Studio (via Greenscreen) in die Hand nehmen, skalieren und dem Publikum präsentieren. + +### **7.5. Vision 5: *mastersolution REFLECT "Predictive IT-Admin"*** + +**Strategischer Ansatz:** KI-gestützte Automatisierung der IT-Infrastrukturverwaltung in Schulen und Behörden. **Mechanismus:** Das IT-Asset-Management-Modul *REFLECT*6 sammelt ohnehin immense Mengen an Telemetriedaten (Speicherplatz, CPU-Auslastung, Software-Nutzungsdauer, Druckkosten). + +* **Predictive Maintenance:** Ein Machine-Learning-Algorithmus analysiert diese historischen Daten und prognostiziert Hardware-Ausfälle, bevor sie passieren (z.B. "Festplatte in Raum 3, PC 12 fällt voraussichtlich in 14 Tagen aus"). +* **Smart License Allocation:** Die KI erkennt, dass teure Spezialsoftware (z.B. Autodesk-Lizenzen48) auf bestimmten Schulrechnern seit Monaten nicht genutzt wurde, und schlägt dem Administrator automatisch eine Rückgabe oder Umverteilung der Lizenzen vor, was das IT-Budget der Kommune massiv entlastet. + +## **8\. Synthese und Fazit** + +Die mastersolution AG hat sich ein äußerst widerstandsfähiges, hochprofitables Nischen-Ökosystem im deutschsprachigen Bildungs- und Corporate-Markt aufgebaut3. Die strategische Symbiose aus sicherem LMS-Hosting (Moodle-Kern, deutsche Rechenzentren), hartem administrativen Klassenraum-Management (SUITE) und innovativer Medienproduktion (FOCUS, SHOW, pixablestudios) schützt das Unternehmen vor der Verdrängung durch eindimensionale Softwareanbieter14. Die regionale Verwurzelung im Vogtland, kombiniert mit Leuchtturmprojekten wie *MOONRISE* oder *SG4BB*, demonstriert eine hohe Innovationskraft in Kooperation mit der Wissenschaft18. +Dennoch markiert die Epoche der generativen Künstlichen Intelligenz eine Zäsur. Die Wettbewerbsanalyse zeigt unmissverständlich, dass reaktive Softwarelösungen zunehmend von prädiktiven, autonomen KI-Agenten abgelöst werden7. Die mastersolution AG steht vor der Herausforderung, ihre bisherige Strategie – die primäre Integration externer Frameworks wie OpenAI5 – kritisch zu überdenken. +Das wertvollste Asset des Unternehmens ist das Vertrauen seiner Kunden in die absolute Datensouveränität (Bundeswehr, Schulen, hochspezialisierter Mittelstand)14. Um dieses Vertrauen in die KI-Ära zu transferieren, muss die mastersolution AG der Vorreiter für **"Sovereign Corporate Ed-AI"** werden. Durch den Aufbau eigener, lokal gehosteter KI-Instanzen (Edge-AI) und die Implementierung domänenspezifischer Automatisierungen – vom Auto-Director in der Videoproduktion bis zum sokratischen RAG-Tutor im LMS – kann das Unternehmen nicht nur aktuelle Defizite schließen, sondern eine unangreifbare Marktposition als souveräner Technologiepartner für die digitale Transformation des deutschen Mittelstands und Bildungssektors einnehmen. Die infrastrukturelle Basis und das Netzwerk hierfür – gebündelt in Initiativen wie der *Alliance for Applied AI & Innovation*45 – sind bereits erfolgreich gelegt. + +#### **Referenzen** + +1. Wir suchen DICH\! \- mastersolution AG, [https://mastersolution.com/blog/details/wir-suchen-dich](https://mastersolution.com/blog/details/wir-suchen-dich) +2. Master Solution AG, Plauen, Amtsgericht Chemnitz HRB 16751 \- North Data, [https://www.northdata.de/Master%20Solution%20AG,%20Plauen/Amtsgericht%20Chemnitz%20HRB%2016751](https://www.northdata.de/Master%20Solution%20AG,%20Plauen/Amtsgericht%20Chemnitz%20HRB%2016751) +3. mastersolution, [https://mastersolution.com/](https://mastersolution.com/) +4. Software manufacturer for companies, universities, schools \- mastersolution AG, [https://mastersolution.com/en/about-us](https://mastersolution.com/en/about-us) +5. Digitale Weiterbildung und interaktive Lernlösungen \- mastersolution AG, [https://mastersolution.com/Produktwelt](https://mastersolution.com/Produktwelt) +6. Digitalisierung im Unterricht – einfach & effektiv mit mastersolution, [https://digitaleschule.mastersolution.com/](https://digitaleschule.mastersolution.com/) +7. Transformation des Unterrichts, Schutz und IT-Management\! \- classroom.cloud, [https://classroom.cloud/pdfs/main-brochure\_de.pdf](https://classroom.cloud/pdfs/main-brochure_de.pdf) +8. AI Grader \- Smart AI Feedback for Moodle | Free Moodle Plugins, [https://essaygraderai.app/](https://essaygraderai.app/) +9. Blog \- Aktuelles und Wissenswertes von mastersolution, [https://mastersolution.com/blog](https://mastersolution.com/blog) +10. MasterEye \- Klassenraum Management & digitales Klassenzimmer \- MasterSolution, [https://mastersolution.com/news-blog/details/mastereye-das-software-paket-fuer-digitales-klassenzimmer-schul-it](https://mastersolution.com/news-blog/details/mastereye-das-software-paket-fuer-digitales-klassenzimmer-schul-it) +11. Erfahrungen der Modellschulen bei der Gestaltung einer lernförderlichen IT-Architektur \- Stiftung Bildungspakt Bayern, [https://bildungspakt-bayern.de/wp-content/uploads/2018/11/Doku-IT-Architektur-Unterricht\_2018.pdf](https://bildungspakt-bayern.de/wp-content/uploads/2018/11/Doku-IT-Architektur-Unterricht_2018.pdf) +12. Mastersolution Suite XL \- Dokumentation \- IServ Schulserver, [https://doku.iserv.de/advanced/deploy/mastersolution-suite-xl/](https://doku.iserv.de/advanced/deploy/mastersolution-suite-xl/) +13. DevOps-Entwickler (w/m/d) bei Mastersolution AG | Jetzt bewerben\! – StudySmarter, [https://talents.studysmarter.de/companies/mastersolution-ag/devops-entwickler-w-m-d-2829076/](https://talents.studysmarter.de/companies/mastersolution-ag/devops-entwickler-w-m-d-2829076/) +14. mastersolution ONE: Wissensplattform & digitale Lerninhalte, [https://managedservices.mastersolution.com/](https://managedservices.mastersolution.com/) +15. mastersolution ONE: Startseite, [https://mastersolution.one/](https://mastersolution.one/) +16. Wissenstransfer und Wissenstransformation durch Digitalisierung von schwer automatisierbaren, industriellen Prozessen \- mastersolution AG, [https://mastersolution.com/foerderprojekte](https://mastersolution.com/foerderprojekte) +17. News \- Chemnitz Automotive Institute (CATI), [https://cati.institute/news/](https://cati.institute/news/) +18. Mobiles Arbeiten in der Produktion \- SWS Digital, [https://www.sws-digital.de/images/flipbooks/Moonrise\_-\_Mobiles\_Arbeiten\_in\_der\_Produktion.pdf](https://www.sws-digital.de/images/flipbooks/Moonrise_-_Mobiles_Arbeiten_in_der_Produktion.pdf) +19. Teaching \- Machine Learning Lab \- Uni Freiburg, [https://ml.informatik.uni-freiburg.de/teaching/](https://ml.informatik.uni-freiburg.de/teaching/) +20. Scultetus-Oberschule Görlitz Wege zu einer „Digitalen Schule“, [https://crm.saena.de/sites/default/files/civicrm/persist/contribute/files/2020-02-19-EnergieeffizienteIT-WegezureinerDigitalenSchule-Dorfer.pdf](https://crm.saena.de/sites/default/files/civicrm/persist/contribute/files/2020-02-19-EnergieeffizienteIT-WegezureinerDigitalenSchule-Dorfer.pdf) +21. Software for communication and learning \- mastersolution AG, [https://mastersolution.com/en/start](https://mastersolution.com/en/start) +22. DSGVO-konforme Videoplattform für Unternehmen \- MasterSolution, [https://videomanagement.mastersolution.com/](https://videomanagement.mastersolution.com/) +23. Online Lernen für alle \- MasterSolution, [https://mastersolution.com/files/Inhalt/Img/Seiten/Blog/2023/01/Anwenderbericht\_LMS\_didab\_webseite.pdf](https://mastersolution.com/files/Inhalt/Img/Seiten/Blog/2023/01/Anwenderbericht_LMS_didab_webseite.pdf) +24. MasterSolution Suite XL | co.Tec Online-Shop \- cotec.de, [https://www.cotec.de/mastersolution-suite-xl-701421-0108095](https://www.cotec.de/mastersolution-suite-xl-701421-0108095) +25. Mac im Klassenzimmer: mastersolution SUITE jetzt für macOS\!, [https://mastersolution.com/news-blog/details/mac-im-klassenzimmer-mastersolution-SUITE-fuer-macOS](https://mastersolution.com/news-blog/details/mac-im-klassenzimmer-mastersolution-SUITE-fuer-macOS) +26. We Create Experiences \- Pixable Studios, [https://pixablestudios.com/de](https://pixablestudios.com/de) +27. Gymnasien arbeiten mit moderner Schulungssoftware, [https://www.openpr.de/news/474625/Gymnasien-arbeiten-mit-moderner-Schulungssoftware.html](https://www.openpr.de/news/474625/Gymnasien-arbeiten-mit-moderner-Schulungssoftware.html) +28. Cinector STAGE, [https://www.cinector.com/de/cinector-stage/](https://www.cinector.com/de/cinector-stage/) +29. Innovationswettbewerb INVITE (Digitale Plattform berufliche Weiterbildung) Projektsteckbrief, [https://serious-games-berufliche-bildung.de/wp-content/uploads/2021/11/Projektsteckbrief\_SG4BB\_\_V3.pdf](https://serious-games-berufliche-bildung.de/wp-content/uploads/2021/11/Projektsteckbrief_SG4BB__V3.pdf) +30. Geschäftskunden \- Sachsen Gigabit, [https://www.sachsen-gigabit.com/wps/portal/gigabit/cms/menu\_main/geschaeftskunden/](https://www.sachsen-gigabit.com/wps/portal/gigabit/cms/menu_main/geschaeftskunden/) +31. Partner \- serious-games-berufliche-bildung.de, [https://serious-games-berufliche-bildung.de/partner/](https://serious-games-berufliche-bildung.de/partner/) +32. Software-Entwickler (w/m/d) bei Mastersolution AG | Jetzt bewerben, [https://talents.studysmarter.de/companies/mastersolution-ag/software-entwickler-w-m-d-2825674/](https://talents.studysmarter.de/companies/mastersolution-ag/software-entwickler-w-m-d-2825674/) +33. Digitales Klassenzimmer & Klassenraum-Management \- ProSoft GmbH, [https://www.prosoft.de/loesungen/schulsoftware/digitales-klassenzimmer/](https://www.prosoft.de/loesungen/schulsoftware/digitales-klassenzimmer/) +34. Classroom Management Software & Device Management \- Lightspeed Systems, [https://www.lightspeedsystems.com/de/products/lightspeed-classroom-management/](https://www.lightspeedsystems.com/de/products/lightspeed-classroom-management/) +35. Moodle AI: What it Does, How it Works, and What to Expect Next | Accipio, [https://www.accipio.com/blog/leveraging-the-power-of-moodle-ai/](https://www.accipio.com/blog/leveraging-the-power-of-moodle-ai/) +36. Best AI Moodle Plugins: A Practical Guide for AI Tutoring Programs, [https://ai-tutor.ai/blog/best-ai-moodle-plugins/](https://ai-tutor.ai/blog/best-ai-moodle-plugins/) +37. Create Question Banks with AI in Moodle in Minutes | DataCurso Blog, [https://datacurso.com/blog/crea-banco-preguntas-ia-moodle](https://datacurso.com/blog/crea-banco-preguntas-ia-moodle) +38. Course Creator AI \- Moodle Plugins directory, [https://moodle.org/plugins/local\_coursegen](https://moodle.org/plugins/local_coursegen) +39. Moodle Plugins directory: Assignment AI, [https://moodle.org/plugins/local\_assign\_ai](https://moodle.org/plugins/local_assign_ai) +40. AI Subsystem \- Moodle Developer Resources, [https://moodledev.io/docs/4.5/apis/subsystems/ai](https://moodledev.io/docs/4.5/apis/subsystems/ai) +41. Moodle LMS 4.5: Unlock the power of AI for your courses, [https://moodle.com/news/moodle-lms-45-unlock-the-power-of-ai-for-your-courses/](https://moodle.com/news/moodle-lms-45-unlock-the-power-of-ai-for-your-courses/) +42. Announcing Moodle LMS 4.5: Unlocking the power of AI, [https://moodle.org/mod/forum/discuss.php?d=462651](https://moodle.org/mod/forum/discuss.php?d=462651) +43. GameDays2022 – Serious Games – TU Darmstadt, [https://www.etit.tu-darmstadt.de/serious-games/eventmedia\_sg/gamedays\_sg/vergangene\_gamedays/gamedays2022\_sg.de.jsp](https://www.etit.tu-darmstadt.de/serious-games/eventmedia_sg/gamedays_sg/vergangene_gamedays/gamedays2022_sg.de.jsp) +44. Alliance for Applied AI & Innovation: Ein strategischer Impuls für angewandte KI in Sachsen, [https://mastersolution.com/news-blog/details/alliance-for-applied-aI-and-innovation](https://mastersolution.com/news-blog/details/alliance-for-applied-aI-and-innovation) +45. Launch der „Alliance for Applied AI & Innovation”: GK initiiert starkes Bündnis für angewandte Künstliche Intelligenz, [https://www.gk-software.com/de/newsroom/corporate-news/de-press-release-launch-der-alliance-for-applied-ai-innovation](https://www.gk-software.com/de/newsroom/corporate-news/de-press-release-launch-der-alliance-for-applied-ai-innovation) +46. Digitaler Unterricht mit SUITE XL – Klassenraum einfach steuern \- MasterSolution, [https://klassenraummanagement.mastersolution.com/](https://klassenraummanagement.mastersolution.com/) +47. E-Learning Neuigkeiten & Insights von mastersolution, [https://mastersolution.com/Neuigkeiten](https://mastersolution.com/Neuigkeiten) +48. Softwarepakete \- IServ Schulplattform, [https://iserv.de/die-iserv-schulplattform/funktionen/netzwerk/softwareverteilung/softwarepakete](https://iserv.de/die-iserv-schulplattform/funktionen/netzwerk/softwareverteilung/softwarepakete) \ No newline at end of file diff --git a/01_Konzeption/01-3 Konzept Sovereign RAG Tutor.md b/01_Konzeption/01-3 Konzept Sovereign RAG Tutor.md new file mode 100644 index 0000000..c7e1331 --- /dev/null +++ b/01_Konzeption/01-3 Konzept Sovereign RAG Tutor.md @@ -0,0 +1,174 @@ +# **Konzeptionelle Detaillierung der Produktvision: Sovereign RAG Tutor** + +## **1\. Strategische Einordnung und Paradigmenwechsel in der Wissensvermittlung** + +Die digitale Transformation von Unternehmensstrukturen hat die Anforderungen an das Corporate Learning und das unternehmensinterne Wissensmanagement grundlegend verändert. Für die mastersolution AG, deren strategischer und operativer Kern in der Extraktion, Nutzung und Vermittlung von Wissen liegt, stellt die Integration fortschrittlicher Methoden der Künstlichen Intelligenz (KI) einen entscheidenden Hebel dar, um die Wirksamkeit von Lernökosystemen zu maximieren. Die hier zu detaillierende "Produktvision 3: Sovereign RAG Tutor" adressiert exakt diesen Bedarf, indem sie die statische Bereitstellung von Informationen durch ein dynamisches, adaptives und hochgradig personalisiertes Interaktionsmodell ersetzt1. Im Zentrum dieser Vision steht nicht die bloße Implementierung eines generischen Chatbots, sondern die Erschaffung eines ganzheitlichen Intelligent Tutoring Systems (ITS), das pädagogische Methodik mit modernster Retrieval-Augmented Generation (RAG) kombiniert und dabei höchste Anforderungen an die Datensouveränität erfüllt3. +Der Begriff der Datensouveränität ist in diesem Kontext von essenzieller Bedeutung. Während cloudbasierte KI-Modelle weitreichende kognitive Fähigkeiten bieten, gehen sie häufig mit dem Risiko einher, sensible Unternehmensdaten, proprietäre Kursmaterialien oder personenbezogene Lernprofile an externe Serverarchitekturen zu übermitteln. In stark regulierten Sektoren, wie der öffentlichen Verwaltung, dem Gesundheitswesen oder der kritischen Infrastruktur, ist dies ein Ausschlusskriterium. Der Sovereign RAG Tutor wird daher konzeptionell so entworfen, dass die gesamte Datenverarbeitung, Identitätsprüfung und Wissensgenerierung in kontrollierten, lokalen oder europäisch zertifizierten Umgebungen stattfindet5. Die Intelligenz des Systems wird in die bestehende Infrastruktur eingebettet, anstatt sie auszulagern, was die Einhaltung strenger regulatorischer Vorgaben, wie der DSGVO oder des EU AI Acts, strukturell garantiert3. +Die vorliegende Untersuchung widmet sich der systematischen Ausarbeitung dieser Produktvision auf einer rein konzeptionellen Ebene, um eine spätere technische Spezifikation vorzubereiten. Hierzu wird zunächst die aktuelle Wettbewerbslandschaft analysiert, um existierende Teillösungen zu identifizieren und den Stand der Technik zu definieren. Darauf aufbauend werden etablierte wissenschaftliche Konzepte aus der Kognitionspsychologie, der Didaktik und der Informatik detailliert. Diese abstrakten theoretischen Rahmenwerke – darunter Knowledge Tracing, GraphRAG, das Model Context Protocol und das Sokratische Dialog-Design – dienen als Fundament, um die in ersten Brainstormings skizzierten Kernmerkmale der Vision zu einer kohärenten Architektur weiterzuentwickeln. Abschließend werden die notwendigen Systemkomponenten abgeleitet, welche die funktionale Basis für den Sovereign RAG Tutor bilden. + +## **2\. Analyse der Wettbewerbslandschaft und existierender Teillösungen** + +Um die Vision des Sovereign RAG Tutors zu schärfen und marktgerecht zu positionieren, ist eine detaillierte Betrachtung des aktuellen Marktumfelds unerlässlich. Die Konvergenz von Learning Management Systemen (LMS), Künstlicher Intelligenz und Datenschutzanforderungen hat in den vergangenen Jahren bereits erste hybride Produkte hervorgebracht. Diese Lösungen bewegen sich im Spannungsfeld zwischen generalistischen Enterprise-Plattformen, spezialisierten souveränen KI-Architekturen und stark fokussierten, LMS-integrierten pädagogischen Plugins. Aus der Analyse dieser Teillösungen lassen sich wertvolle Erkenntnisse für die funktionale Ausgestaltung der mastersolution-Vision ableiten. +Im Bereich der integrierten Enterprise-Lernplattformen zeigen sich Bestrebungen, generative KI tief in die Kernprodukte zu verankern, um sowohl die Content-Erstellung als auch die Wissensvermittlung zu automatisieren. Ein prominentes Beispiel hierfür ist die Plattform Sana, die ein herkömmliches LMS mit RAG-basierter Suche und autonomen KI-Agenten in einer einheitlichen Umgebung bündelt10. Sana nutzt semantische Suchfunktionen über interne Dokumente hinweg und bietet einen KI-Tutor für personalisiertes Lernen. Ein Kernmerkmal solcher Enterprise-Lösungen ist die Orchestrierung verschiedener Systeme über API-Konnektoren, beispielsweise zu HR-Systemen wie Workday, um den Lernstand, die Rolle und die Abteilung eines Nutzers in Echtzeit zu erfassen und in die Lernpfadgenerierung einzubeziehen10. Ähnliche Entwicklungen sind bei der IMC Learning Suite zu beobachten, die Künstliche Intelligenz nutzt, um Lerninhalte gezielt auszuspielen, personalisierte Lernpfade zu adaptieren und den administrativen Aufwand für die Erstellung von Web Based Trainings drastisch zu reduzieren13. Diese Plattformen definieren den aktuellen Branchenstandard für personalisiertes Lernen auf Unternehmensebene, weisen jedoch häufig architektonische Limitationen auf, wenn es um die Bereitstellung in echten "On-Premise"-Szenarien für Hochsicherheitsbereiche geht. +Für Behörden, kritische Infrastrukturen und Industrieunternehmen mit kompromisslosen Compliance-Vorgaben haben sich spezialisierte, souveräne KI-Anbieter etabliert, die den Datenschutz als architektonisches Grundprinzip begreifen. Lösungen wie "Sparky" von The Acceleration Agency positionieren sich explizit als souveräne Agentenschicht15. Der Fokus liegt hierbei auf einer tiefen, lokalen RAG-Pipeline, die Unternehmensdaten, Standardarbeitsanweisungen und Handbücher lokal verarbeitet, ohne dass sensible Informationen in eine öffentliche Cloud abfließen. Ein entscheidendes Merkmal dieser Lösungen ist die Nutzung fortgeschrittener Protokolle, welche es der KI ermöglichen, nicht nur Wissen passiv abzurufen, sondern den Kontext aus verschiedenen Systemen zu synthetisieren und Aktionen auszuführen15. Bevor eine Antwort generiert wird, fragt das System die aktuellen Zertifizierungsstufen des Nutzers aus dem LMS ab und stellt so sicher, dass die ausgegebenen Informationen exakt den Autorisierungsstufen entsprechen. Ein weiteres Beispiel in diesem Segment ist LearnSlice, das "White-Label"-Tutoren anbietet, deren Antworten strikt auf den verifizierten Lehrplan des jeweiligen Unternehmens beschränkt sind5. Diese Systeme zeichnen sich durch ein hohes Maß an Nachvollziehbarkeit aus, indem jede generierte Antwort mit präzisen Quellenangaben und Backlinks versehen wird. Die Datensouveränität wird hier durch den Betrieb auf der Infrastruktur des Kunden oder in zertifizierten europäischen Clouds gewährleistet, was die Risiken von Schatten-KI eliminiert3. +Auf der Ebene der direkten didaktischen Interaktion zwischen Lernendem und System existieren spezialisierte Plugins für weit verbreitete LMS wie Moodle, die pädagogische Methodik in den Vordergrund stellen und sich von reinen Informationsabrufsystemen abgrenzen. Plugins wie "Tutor AI" (DataCurso), "SOLA" (Saylor) oder EduGears fungieren als schwebende Lernassistenten innerhalb der Kursumgebung16. Ihr herausragendes Alleinstellungsmerkmal ist die Implementierung des Sokratischen Dialogs. Diese Systeme sind darauf programmiert, dem Lernenden keine direkten Lösungen zu präsentieren. Stattdessen analysieren sie die Fehler oder Fragestellungen des Nutzers und führen ihn durch gezielte Rückfragen und kognitive Hilfestellungen (Scaffolding) zur eigenständigen Lösungsfindung19. Diese Tutoren nutzen den unmittelbaren Kurskontext, wie den Syllabus, spezifische Aktivitäten oder Bewertungsrubriken, um das Vorwissen des Nutzers präzise einzuschätzen. Zudem minimieren sie die Gefahr von Halluzinationen, indem sie als primäre Wissensquelle ausschließlich die vom Dozenten oder Unternehmen bereitgestellten Lehrmaterialien verwenden16. + +| Lösungskategorie | Repräsentative Systeme | Identifizierte Kernmerkmale | Implikationen für die mastersolution Vision | +| :---- | :---- | :---- | :---- | +| Integrierte Enterprise-Lernplattformen | Sana, IMC Learning, Glean | Semantische Suche über Systemgrenzen hinweg, automatisierte Kurserstellung, tiefe Integration in bestehende HR-Strukturen zur Rollenidentifikation. | Setzt den Standard für nahtlose Benutzererfahrung und die Notwendigkeit, verschiedene Wissensmodalitäten (Text, Video) in einer Plattform zu vereinen. | +| Souveräne & Agentische KI-Architekturen | Sparky, LearnSlice, CompanyGPT (Stackit) | Lokales Hosting, dynamische Berechtigungsprüfung vor Antwortgenerierung, strenge DSGVO- und AI-Act-Konformität, Systemaktionen via Protokoll. | Liefert die konzeptionelle Blaupause für die Architektur des Datenschutzes und den "Context & Role Manager", um Wissen sicher zu personalisieren. | +| LMS-integrierte Sokratische Plugins | Tutor AI, SOLA, EduGears | Dialogbasiertes Scaffolding, Verweigerung direkter Lösungsangaben, enge Bindung an den Kurskontext, transparente Quellenangaben (Backlinks). | Dient als Vorbild für die didaktische Ausgestaltung des "gecoachten Lernpfads" und die tiefgreifende kognitive Wissensvermittlung. | + +Die Analyse der Wettbewerbslandschaft verdeutlicht, dass die isolierten Kernmerkmale der mastersolution-Vision – Datensouveränität, RAG-basierte Wissensnutzung und didaktisch fundierte Vermittlung – in Ansätzen bereits auf dem Markt existieren. Die eigentliche Innovation und das Alleinstellungsmerkmal des Sovereign RAG Tutors liegen demnach in der kohärenten Synthese dieser Elemente zu einem geschlossenen, adaptiven System. Es geht nicht darum, lediglich eine weitere Suchmaske bereitzustellen, sondern eine Architektur zu entwerfen, die den kognitiven Zustand des Nutzers versteht, das Unternehmenswissen sicher vernetzt und pädagogisch wertvoll vermittelt. + +## **3\. Wissenschaftliche und abstrakte Konzepte als Systemfundament** + +Der Übergang von einem reinen Informationsabrufsystem zu einem intelligenten, mitdenkenden Tutor erfordert die tiefe Einbettung wissenschaftlicher Theorien in die Systemlogik. Um die im Brainstorming skizzierte Produktvision in ein tragfähiges konzeptionelles Modell zu überführen, müssen Erkenntnisse aus der kognitiven Didaktik, dem adaptiven Lernen und der fortgeschrittenen Wissensrepräsentation synthetisiert werden. Diese abstrakten Konzepte bilden das Fundament, auf dem die algorithmische Handlungsweise des Tutors aufbaut. + +### **3.1. Kognitionswissenschaftliche und didaktische Konzepte** + +Die Effektivität eines Lernassistenten bemisst sich nicht primär an der Geschwindigkeit der Informationsbereitstellung, sondern an der Tiefe der kognitiven Verankerung beim Lernenden. Ein Intelligent Tutoring System (ITS) ist abstrakt als ein computergestütztes System definiert, das sofortige und personalisierte Instruktionen oder Rückmeldungen liefert, indem es die Schlüsselfunktionen eines menschlichen Tutors emuliert4. Die klassische und für diese Vision hochrelevante Architektur eines ITS besteht aus vier interagierenden Modellen. Das Expertenmodell (Domain Model) repräsentiert das gesamte zu vermittelnde Fachwissen. Das Lernermodell (Student Model) stellt den dynamischen kognitiven Zustand des Nutzers dar, indem es erfasst, welche Konzepte verstanden wurden und wo Fehlkonzeptionen bestehen. Das pädagogische Modell (Tutoring Model) beinhaltet die Lehrstrategien und entscheidet basierend auf den ersten beiden Modellen, wie und wann interveniert wird. Das User Interface Model schließlich orchestriert die multimodale Interaktion zwischen System und Lernendem23. +Um die didaktische Steuerung innerhalb des pädagogischen Modells zu realisieren, ist die kognitive Lerntheorie der "Zone of Proximal Development" (ZPD) nach Lev Vygotsky essenziell. Diese Theorie beschreibt die Distanz zwischen dem, was ein Lernender selbstständig lösen kann, und dem, was er unter fachkundiger Anleitung bewältigen könnte2. Ein effektiver KI-Tutor muss seine Interaktionen exakt in dieser Zone kalibrieren. Dies wird durch das Konzept des "Scaffolding" (kognitives Gerüstbauen) erreicht. Die Unterstützung des Systems ist dabei nicht statisch, sondern passt sich dem Kompetenzzuwachs des Lernenden an und blendet sich schrittweise aus (Fading). In einer anfänglichen Phase hoher Unterstützung erklärt der Tutor grundlegende Konzepte direkt und modelliert den Lösungsweg. Zeigt der Lernende zunehmendes Verständnis, geht das System in eine Phase der geführten Unterstützung über, in der es lediglich strategische Hinweise liefert und den Lernenden zur aktiven Mitgestaltung auffordert. In der finalen Phase der Autonomie zieht sich das System weitgehend zurück und präsentiert offene, komplexe Problemstellungen, um die eigenständige Anwendung des Wissens zu überprüfen26. +Eng verknüpft mit dem Scaffolding ist das Sokratische Dialog-Design. Um das Phänomen des "Surface Learning" – also das oberflächliche Auswendiglernen von Fakten ohne tieferes Verständnis – zu verhindern, darf der Tutor bei Fragestellungen keine direkten Komplettlösungen ausgeben20. Stattdessen wendet er eine strukturierte Taxonomie von Fragetypen an. Zunächst wird Vorwissen aktiviert (Eliciting), bevor durch tiefgründiges Hinterfragen (Probing) zugrundeliegende Annahmen und mögliche Fehlkonzeptionen aufgedeckt werden. Im weiteren Verlauf führt der Tutor den Lernenden durch konditionale Fragestellungen (Guiding) in Richtung der Lösung und fordert ihn abschließend auf, die neu gewonnenen Erkenntnisse mit bestehendem Wissen zu verknüpfen (Reconciling)29. Durch diese Methodik wird der Nutzer epistemisch gefordert, sein Wissen selbst zu konstruieren, was die Transferleistung drastisch erhöht. + +### **3.2. Adaptives Lernen und Knowledge Tracing (KT)** + +Um die beschriebene sokratische Pädagogik anwenden zu können, muss der Tutor den Wissensstand des Nutzers mathematisch modellieren können. Das abstrakte Konzept des Knowledge Tracing (KT) dient genau diesem Zweck. Es schätzt kontinuierlich die Wahrscheinlichkeit, dass ein Lernender eine bestimmte Fähigkeit oder ein Konzept zu einem spezifischen Zeitpunkt beherrscht, basierend auf seiner historischen Interaktion mit dem System, wie etwa Antworten auf Quizfragen oder der Auseinandersetzung mit Lernmaterialien22. +Die Evolution dieser Modelle reicht von traditionellen statistischen Verfahren bis hin zu komplexen neuronalen Netzen. Das Bayesian Knowledge Tracing (BKT) modelliert den Erwerb von Wissen als einen verborgenen (latenten) Markov-Prozess. Es kalkuliert die Beherrschung einer Fähigkeit anhand von vier Parametern: der initialen Wahrscheinlichkeit, dass das Konzept bereits bekannt ist, der Wahrscheinlichkeit des Erlernens während der Übung, der Wahrscheinlichkeit eines Flüchtigkeitsfehlers trotz vorhandenem Wissen (Slip) und der Wahrscheinlichkeit des korrekten Erratens ohne echtes Wissen (Guess)32. Moderne Ansätze wie das Deep Knowledge Tracing (DKT) überwinden die Limitationen des BKT, indem sie rekurrente neuronale Netze oder Transformer-Architekturen nutzen, um komplexe, nicht-lineare Lernmuster und vor allem die Querbeziehungen zwischen verschiedenen Fähigkeiten (Cross-Skill Dynamics) über lange Zeiträume abzubilden31. Darüber hinaus existieren Modelle, die auf Reinforcement Learning basieren und dynamische Speicheraktualisierungen vornehmen. Diese simulieren das menschliche Vergessen und Wiederholen und optimieren Lernpfade, indem sie eine Belohnungsfunktion maximieren, wenn der vorgeschlagene Inhalt den Wissenszustand des Schülers optimal verbessert35. +Eine der aktuellsten und für den Sovereign RAG Tutor relevantesten abstrakten Entwicklungen ist die Verschmelzung von Knowledge Tracing mit Large Language Models und RAG-Pipelines. In dieser Architektur, oft als "TutorLLM" bezeichnet, moduliert der mathematisch berechnete Wissenszustand des Lerners aktiv den Suchraum der RAG-Pipeline und die anschließende Antwortgenerierung des Sprachmodells37. Wenn das Knowledge Tracing Modell diagnostiziert, dass ein Nutzer fortgeschrittene Konzepte noch nicht internalisiert hat, wird die RAG-Pipeline angewiesen, Erklärungen unter Ausschluss komplexer Terminologie zu generieren oder gezielt auf kompensatorische Basismodule zu verweisen, wodurch die Personalisierung der Wissensvermittlung eine neue Qualität erreicht22. + +### **3.3. Abstrakte Konzepte der Wissensrepräsentation und Systemorchestrierung** + +Die didaktische und kognitive Steuerung kann nur dann erfolgreich sein, wenn das zugrundeliegende Unternehmenswissen optimal strukturiert und maschinell erschließbar ist. Klassische RAG-Systeme operieren häufig isoliert auf Textdokumenten und nutzen simple Vektor-Suchen. Für die komplexen Kursmaterialien von mastersolution, die stark auf visuelle und interaktive Medien setzen, sind fortgeschrittene Repräsentationsmodelle erforderlich. +Das Konzept des Multimodalen RAG erweitert den traditionellen Ansatz, indem es nicht nur Text, sondern auch Bilder, Diagramme, Tabellen und insbesondere Videos in die Kontextualisierung einbezieht41. In diesem Paradigma werden Videos nicht lediglich als Metadatenanhang betrachtet, sondern in ihre Bestandteile zerlegt. Audio-Spuren werden transkribiert, während signifikante visuelle Keyframes durch spezielle Vision-Language-Modelle semantisch beschrieben oder direkt in hochdimensionale Vektoren übersetzt werden43. Diese multimodalen Vektoren werden zeitlich synchronisiert (Timestamps) und in einem gemeinsamen semantischen Raum indiziert. Dies ermöglicht ein "Cross-Modal Indexing": Wenn eine Suchanfrage einen visuellen Sachverhalt betrifft, kann das System sowohl die Textbeschreibung als auch den exakten Videoausschnitt abrufen und dem Sprachmodell zur Antwortgenerierung übergeben41. +Eine fundamentale Limitation reiner Vektordatenbanken ist jedoch ihre Unfähigkeit, netzwerkartige Beziehungen über viele Dokumente hinweg logisch zu verknüpfen. Wenn eine Antwort die Synthese von verteilten Informationen erfordert, scheitert die reine Ähnlichkeitssuche oft, was in der Literatur als Problem der "blockierten Pfade" bezeichnet wird47. Hier greift das Konzept des GraphRAG. Es ergänzt die Vektorsuche durch Wissensgraphen (Knowledge Graphs). Das System extrahiert systematisch Entitäten aus den Lerndokumenten und modelliert deren explizite Beziehungen zueinander49. Im Bildungskontext, adaptiert als EDU-Graph RAG, werden spezifisch die Voraussetzungsbeziehungen (Prerequisite Relationships) und Ähnlichkeitsbeziehungen (Similarity Relationships) zwischen einzelnen Lernkonzepten (Knowledge Concepts) automatisiert extrahiert und in einer hierarchischen Graphenstruktur abgebildet48. Dies ermöglicht es der KI zu schlussfolgern, dass ein Nutzer, der Modul B verstehen möchte, zwingend Konzept A aus einem anderen Dokument beherrschen muss. +Zusammengenommen ermöglichen diese Repräsentationsmodelle die Automated Curriculum Generation (Automatisierte Curriculumsgenerierung). Durch die Überlagerung des Ist-Zustandes des Lerners (aus dem Knowledge Tracing) mit dem Soll-Zustand des Wissensgraphen kann die KI als dynamisches Navigationssystem fungieren. Sie berechnet kontinuierlich den effizientesten Lernpfad durch die unstrukturierten Lernobjekte und passt die Sequenzierung iterativ an51. Um diese Prozesse sicher und rollenkonform in der Unternehmensarchitektur zu orchestrieren, dient das Model Context Protocol (MCP) als abstrakte Integrationsschicht. Dieses Protokoll ermöglicht es der KI, über vordefinierte, sichere Schnittstellen Kontext aus externen Systemen (wie einem LMS oder HR-System) zu lesen und, falls autorisiert, Aktionen auszuführen, ohne dass die Grenzen der lokalen Datensouveränität überschritten werden15. + +## **4\. Detaillierung und Ausbau der Vision "Sovereign RAG Tutor"** + +Basierend auf den identifizierten Marktbenchmarks und der profunden wissenschaftlichen Fundierung lässt sich die im Brainstorming skizzierte Vision des Sovereign RAG Tutors nun zu einem detaillierten, kohärenten Konzept ausbauen. Der Fokus liegt dabei vollständig auf der Extraktion, Nutzung und Vermittlung von Wissen, wobei die Mechanismen der Identifikation, der Dokumentennutzung und der Interaktionsszenarien tiefgreifend konzeptualisiert werden. + +### **4.1. Der persönliche Lernassistent: Souveräne Identifikation und kognitive Modellierung** + +Der Sovereign RAG Tutor operiert nicht als anonymes, zustandsloses Abfragewerkzeug, sondern als ein hochgradig personalisierter, kontinuierlich mitdenkender Lernbegleiter. Die Prämisse "Wer ist das gerade und welchen Lernstand hat er?" wird durch eine duale Architektur aus Autorisierung und kognitiver Modellierung gelöst. +Sobald ein Nutzer die Interaktion mit dem Tutor beginnt, erfolgt eine strenge, lokal ausgeführte Identifikation und Kontextualisierung. Über eine sichere Protokollschicht, vergleichbar mit den Mechanismen des Model Context Protocols, kommuniziert der Tutor im Hintergrund mit dem zentralen Learning Management System (beispielsweise mastersolution ONE) oder dem unternehmensweiten Identitätsmanagement15. Der Assistent extrahiert die spezifische Rolle des Nutzers, dessen organisatorische Zugehörigkeit und die damit verbundenen granularen Berechtigungen. Dieser Prozess stellt sicher, dass die nachgelagerte RAG-Pipeline, selbst wenn sie auf einen allumfassenden Unternehmens-Wissensgraphen zugreift, Suchergebnisse und Antworten strikt auf die Informationssegmente beschränkt, für die der Nutzer explizit freigeschaltet ist15. Ein Auszubildender erhält somit bei identischer Fragestellung andere, rollenkonforme Informationen als ein leitender Ingenieur, wodurch Informationssicherheit und Relevanz gleichermaßen gewährleistet werden. +Parallel zur strukturellen Autorisierung erfolgt die Ermittlung des aktuellen Lernstands durch die Implementierung eines adaptiven Learner State Trackings. Der Tutor greift auf die historischen Telemetriedaten des Nutzers zu – wie bearbeitete Quizfragen, Lesezeiten von HTML-Dokumenten oder das Verhalten in Videomodulen – und speist diese in ein Knowledge Tracing Modell ein22. Das System "weiß" dadurch nicht nur, welche Kurse formal abgeschlossen wurden, sondern berechnet auf der Ebene granularer Wissenskonzepte Wahrscheinlichkeiten für deren tatsächliches Verständnis31. Dieser dynamische kognitive Vektor bildet die Grundlage für alle weiteren Interaktionen. Erkennt der Tutor beispielsweise, dass der Nutzer ein Experte auf einem bestimmten Gebiet ist, wird das Sprachmodell angewiesen, komplexe Fachterminologie zu verwenden und detaillierte Tiefeninformationen zu liefern. Handelt es sich um einen Novizen, veranlasst das System eine sprachliche und didaktische Reduktion (Scaffolding), um kognitive Überlastung zu vermeiden und Konzepte schrittweise einzuführen4. + +### **4.2. Nutzung der Dokumente: Multimodale Extraktion, semantische Vernetzung und Backlinks** + +Die Wissensnutzung des Sovereign RAG Tutors transzendiert die einfache textuelle Stichwortsuche und etabliert eine intelligente, netzwerkartige Erschließung aller verfügbaren Kursmaterialien (HTML, Quizfragen, Videos). +Die Beantwortung von Fragen erfolgt über eine Multimodal RAG-Architektur. Stellt der Nutzer eine fachliche oder prozessuale Frage, durchsucht der Tutor synchron Textkorpora und Video-Repositories41. Da Video-Assets (wie sie in mastersolution FOCUS generiert werden) durch die Vorverarbeitung in zeitgestempelte Transkripte und visuelle Beschreibungen überführt wurden, kann der Tutor hochpräzise Antworten synthetisieren. Er generiert nicht nur eine textuelle Erklärung, sondern reichert diese mit exakten, klickbaren Video-Timestamps an, die direkt die relevante Handlung oder das beschriebene Objekt visuell demonstrieren43. Dies steigert die Nachvollziehbarkeit und das Vertrauen in die KI signifikant. +Bevor jedoch eine finale Aussage gemäß dem aktuellen Kenntnisstand des Nutzers generiert wird, führt die Systemlogik eine interne "Gap Analysis" durch, indem sie existierende Lernpfade und den Wissensgraphen überprüft37. Der Tutor vergleicht die für die Beantwortung der Frage notwendigen, im Graph definierten Voraussetzungen mit dem individuellen Lernermodell. Diagnostiziert das System eine kognitive Lücke, verweigert es eine isolierte Antwort, die der Nutzer ohnehin nicht tiefgreifend verstehen würde, und geht in eine proaktive Vermittlungsstrategie über. +In diesem Kontext entfalten die Konzepte der Backlinks und Feedforwards ihre volle Wirkung, gesteuert durch die Prerequisite Relationships des EDU-Graph RAG48. + +* **Backlinks (Weiterleitung zu relevanten, bereits absolvierten Modulen):** Wenn der Tutor bei der Beantwortung einer Frage oder durch Fehlversuche in einem Quiz erkennt, dass Grundlagenwissen fehlt oder vergessen wurde (simuliert durch Modelle wie BKT), setzt er gezielt Backlinks. Er formuliert beispielsweise: *"Um diesen komplexen Prozess zu verstehen, müssen wir auf die thermodynamischen Grundprinzipien zurückgreifen. Da du hierzu kürzlich Fragen inkonsistent beantwortet hast, empfehle ich, Modul 2 ('Grundlagen') kurz zu wiederholen. Hier ist der direkte Link zum relevanten Abschnitt."*29 Der Tutor stellt somit Verbindungen zu bereits formal absolviertem, aber nicht kognitiv gefestigtem Wissen her. +* **Feedforward (Hinweis auf weitere Module):** Umgekehrt analysiert der Tutor den Fortschritt positiv. Wenn die Interaktionen eine hohe Mastery-Wahrscheinlichkeit in einem Themencluster aufzeigen, schlägt das System proaktiv den nächsten logischen Knoten im Wissensgraphen vor: *"Deine Analyse dieses Fallbeispiels ist exzellent und zeigt, dass du die Basiskonzepte verinnerlicht hast. Du bringst nun alle Voraussetzungen mit, um das Modul 'Erweiterte Fehlerdiagnose', das du noch nicht belegt hast, freizuschalten. Soll ich diesen Pfad für dich aktivieren?"* + \[cite: 50\] + +### **4.3. Szenarien der Wissensvermittlung: Orchestrierung und Coaching** + +Der Sovereign RAG Tutor ist darauf ausgelegt, nahtlos zwischen verschiedenen pädagogischen Modi zu wechseln, um sowohl die makrostrukturelle Effizienz der Aus- und Weiterbildung als auch die mikrostrukturelle tiefe kognitive Verankerung bei einzelnen Problemstellungen zu gewährleisten. + +#### **Szenario 1: Generierung von Lernpfaden** + +In diesem Szenario fungiert die KI als strategischer Planer und Curriculum-Designer auf Makroebene. Anstatt dass Personalentwickler für jede erdenkliche Nutzerrolle und jedes Vorwissensniveau starre, manuelle Lernpfade anlegen müssen, generiert der Tutor diese dynamisch und automatisiert, maßgeschneidert auf den jeweiligen Nutzer51. +Initiiert wird dieser Prozess durch die Definition eines Lernziels, beispielsweise die Qualifikation für eine neue Abteilungsrolle. Die KI extrahiert aus dem Zielprofil die erforderlichen Kompetenzcluster und gleicht diese mit dem aktuellen Lernstand des Nutzers (aus dem Knowledge Tracing) ab. Aus der resultierenden Delta-Analyse generiert der Tutor unter Rückgriff auf den Wissensgraphen eine optimale, logisch sequenzierte Route durch die verfügbaren HTML-Dokumente, Videos und Quizfragen51. +Zentral ist hierbei die strikte Berücksichtigung der Berechtigungen über Nutzerrollen. Der Algorithmus filtert die potenziellen Lernobjekte präzise so, dass der generierte Pfad keine Materialien enthält, für die der Nutzer keine Lesefreigabe besitzt, oder alternativ – falls das Lernziel den Zugriff auf gesperrte Dokumente erfordert – leitet er automatisch einen Freigabeprozess an Vorgesetzte ein15. Dieser generierte Lernpfad ist kein statisches Gebilde, sondern passt sich iterativ an: Bewältigt der Nutzer Inhalte schneller als erwartet, werden Redundanzen übersprungen; treten wiederholt Schwierigkeiten auf, integriert der Tutor dynamisch zusätzliche Übungen oder Erklärvideos aus benachbarten Themenbereichen (Adaptive Sequencing)36. + +#### **Szenario 2: Der gecoachte Lernpfad und Sokratische Lernunterstützung** + +Während die Generierung von Lernpfaden die Struktur der Vermittlung ordnet, definiert der gecoachte Lernpfad die Interaktion auf der Mikroebene. Hier kommt das pädagogische Konzept der Zone of Proximal Development und das Sokratische Dialog-Design vollumfänglich zum Einsatz20. +Wenn der Nutzer innerhalb eines Moduls eine spezifische Verständnisfrage stellt oder nach mehreren Fehlversuchen in einem Quiz um Hilfe bittet, verweigert der Tutor konsequent die Ausgabe der direkten Lösung. Das System nimmt die Rolle eines empathischen, aber fordernden Mentors ein. Der Coaching-Prozess durchläuft systematisch mehrere Phasen19: + +1. **Diagnostische Exploration (Eliciting):** Die KI analysiert den Kontext des Fehlers und stellt eine gezielte offene Gegenfrage, um das spezifische Missverständnis aufzudecken, ohne wertend zu sein. +2. **Kognitives Gerüstbauen (Probing & Guiding):** Basierend auf der Antwort des Nutzers baut die KI ein "Scaffolding" auf. Sie ruft relevante, abstrahierte Fakten oder Analogien aus der RAG-Pipeline ab und präsentiert diese als Hinweise, um den Nutzer Schritt für Schritt näher an die logische Schlussfolgerung zu führen19. +3. **Reflexion und Synthese (Reconciling):** Sobald der Lernende die korrekte Lösung eigenständig erarbeitet hat, bestätigt der Tutor diesen Erfolg positiv. Er fasst die gewonnene Erkenntnis präzise zusammen und fordert den Nutzer auf, diese mit dem übergeordneten Lernziel des Moduls zu verknüpfen20. + +Dieser Modus verwandelt den Tutor von einem passiven Auskunftssystem in einen aktiven, didaktisch versierten Lernbegleiter, der epistemische Neugier weckt, Frustrationen durch adaptive Hilfestellung abfängt und letztlich ein tiefes konzeptionelles Verständnis sicherstellt28. + +## **5\. Ableitung der konzeptionellen Kernkomponenten für die Vision** + +Um die detaillierte Produktvision des Sovereign RAG Tutors in eine handlungsfähige Ausgangsbasis für die spätere technische Realisierung zu überführen, müssen die theoretischen Paradigmen und funktionalen Szenarien in konkrete Systemkomponenten übersetzt werden. Gemäß der Vorgabe, technische Umsetzungsdetails (wie spezifische Programmiersprachen, Framework-Namen oder Cloud-Anbieter) auszusparen, fokussiert sich diese Ableitung auf die rein logische und konzeptionelle Architektur des Systems. +Die abgeleitete Architektur basiert auf der Modernisierung des klassischen Intelligent Tutoring Systems (ITS) durch orchestrierte, agentische KI-Paradigmen22. Sie lässt sich in sechs logisch separierte, aber hochgradig interagierende Kernkomponenten unterteilen, die zusammen das Rückgrat der Vision bilden. +Das **Sovereign Knowledge Vault** bildet das Fundament der Wissensrepräsentation und ersetzt traditionelle, flache Dateisysteme (das "Domain Model"). Diese Komponente ist für die Ingestion und Strukturierung aller Kursmaterialien verantwortlich. Konzeptionell erfordert sie eine duale Datenbankarchitektur: Ein Vektor-Index wandelt unstrukturierte Texte, transkribierte Audio-Spuren und visuelle Video-Deskriptoren in einen gemeinsamen mathematischen Raum um, um semantische Ähnlichkeitssuchen zu ermöglichen (Multimodal RAG)41. Parallel dazu etabliert eine Graph-Komponente die semantischen Verbindungen zwischen diesen Dokumenten, extrahiert Entitäten und definiert strikte Voraussetzungs- und Hierarchiebeziehungen (GraphRAG)47. Nur durch diese Synthese kann das System erfassen, welche Konzepte für das Verständnis anderer Module zwingend erforderlich sind. +Die **Cognitive Learner & State Engine** repräsentiert das "Student Model" und fungiert als das kognitive Langzeitgedächtnis des Tutors. Sie verfolgt kontinuierlich, implizit (durch Telemetriedaten wie Verweildauer und Navigationsmuster) und explizit (durch Quiz-Ergebnisse), den Lernfortschritt des Individuums. Konzeptionell implementiert diese Engine stochastische oder neuronale Knowledge Tracing Algorithmen32. Sie berechnet für jede im Graph definierte Kompetenz eine Wahrscheinlichkeit der Beherrschung. Dieser multidimensionale Vektor des aktuellen Wissensstands wird bei jeder Nutzerinteraktion aktualisiert und dient den nachgelagerten Systemen als kritischer Kontext, um Antworten didaktisch angemessen zu skalieren22. +Der **Context, Role & Action Manager** ist die zentrale Middleware für Souveränität, Sicherheit und Handlungsfähigkeit. Um die strikte Trennung von Rechten zu garantieren, fungiert diese Komponente als Brücke zum umgebenden LMS (z. B. mastersolution ONE) und zu HR-Strukturen, basierend auf Protokollen zur Agenten-Kommunikation15. Sie identifiziert den Nutzer, verifiziert dessen Rolle und Berechtigungen in Echtzeit und wendet diese als zwingende Filterkriterien auf alle Suchabfragen im Knowledge Vault an. Zudem befähigt dieser Manager die KI, administrative Aktionen im LMS auszulösen, etwa das Einschreiben des Nutzers in einen generierten Lernpfad15. +Der **Pedagogical & Socratic Orchestrator** stellt das "Tutoring Model" dar und ist das Gehirn der didaktischen Steuerung. Er verhindert, dass das Gesamtsystem auf die Funktion einer simplen Suchmaschine reduziert wird. Konzeptionell handelt es sich um eine regelbasierte oder durch Reinforcement Learning optimierte Entscheidungsinstanz36. Sie analysiert den Output des Learner State Engines und vergleicht ihn mit der Komplexität der gestellten Frage. Besteht eine signifikante Lücke im Verständnis, triggert der Orchestrator eine Taxonomie von Sokratischen Prompts. Anstatt die Lösungsgenerierung freizugeben, zwingt er das Sprachmodell, eine didaktisch wertvolle Gegenfrage oder einen stufenweisen Hinweis (Scaffolding) zu formulieren29. Zudem ist diese Komponente für die Makroplanung zuständig, indem sie die Gap-Analyse durchführt und Vorschläge für Backlinks oder Feedforwards berechnet48. +Der **Sovereign Reasoning Core** ist die ausführende linguistische und logische Instanz. Hierbei handelt es sich um das eigentliche Sprachmodell (Large Language Model), das zwingend lokal oder in einer isolierten, europäisch zertifizierten Umgebung gehostet sein muss, um den Datenabfluss zu verhindern3. Der Core empfängt einen hochgradig angereicherten, augmentierten Prompt, der von den anderen Komponenten zusammengesetzt wurde: Er enthält die didaktischen Instruktionen des Orchestrators, den Berechtigungskontext des Managers, den Wissensstand der Learner Engine und die abgerufenen Fakten aus dem Knowledge Vault. Der Reasoning Core ist algorithmisch darauf beschränkt, Antworten streng und ausschließlich auf Basis dieser bereitgestellten lokalen Fakten ("Grounded Generation") zu synthetisieren, wodurch das Risiko von Halluzinationen strukturell minimiert wird15. +Abschließend orchestriert das **Multimodal Adaptive Interface** als "User Interface Model" die Interaktion mit dem Anwender. Diese Schnittstelle verbirgt die enorme Komplexität der Hintergrundprozesse und integriert sich nahtlos als Assistent oder Avatar in die bestehende Lernumgebung16. Konzeptionell muss dieses Interface multimodale Ausgaben verarbeiten können: Es präsentiert nicht nur Text, sondern rendert interaktive Verknüpfungen wie direkte Absprünge zu exakten Video-Timestamps, visualisiert den Lernfortschritt anhand von Graphen oder bettet generierte Quiz-Snippets zur unmittelbaren Wissensüberprüfung in den Chatverlauf ein16. + +| Systemkomponente | Funktionale Entsprechung (ITS) | Primäre Verantwortlichkeit in der Vision | Zugrundeliegende abstrakte Konzepte | +| :---- | :---- | :---- | :---- | +| **Sovereign Knowledge Vault** | Domain Model | Sichere Ablage, Vektorisierung und logische Vernetzung von Dokumenten, Videos und Quizzes. | Multimodal RAG, Knowledge Graphs, Prerequisite Relationships. | +| **Cognitive Learner Engine** | Student Model | Kontinuierliche Nachverfolgung des kognitiven Ist-Zustandes und Profiling des Nutzers. | Bayesian/Deep Knowledge Tracing, Learner State Modeling. | +| **Context & Role Manager** | Middleware / Security | Dynamische Berechtigungsprüfung, Rollenidentifikation und Systeminteraktion (Agency). | Secure Agent Protocols (z.B. MCP), Role-Based Access Control. | +| **Pedagogical Orchestrator** | Tutoring Model | Didaktische Steuerung, Generierung dynamischer Lernpfade, Durchsetzung Sokratischer Dialoge. | Zone of Proximal Development, Scaffolding, Automated Curriculum Generation. | +| **Sovereign Reasoning Core** | Inference Engine | Generierung der finalen, kontextualisierten Antworten ohne Cloud-Datenabfluss. | Sovereign LLM, Grounded Generation, Anti-Halluzination. | +| **Adaptive Interface** | User Interface Model | Kontextbewusste, multimodale Präsentation von Text, Video-Links, Backlinks und Feedforwards. | Multimodal UI, Context-Aware Interaction Design. | + +Diese sechs abgeleiteten Komponenten bilden ein robustes, logisches Architektur-Framework. Sie übersetzen die weitreichenden Anforderungen der Datensouveränität, der multimodalen Wissensnutzung und der adaptiven pädagogischen Vermittlung in ein strukturiertes Modell, das als belastbarer Ausgangspunkt für die zukünftige Erarbeitung eines detaillierten technischen Systemdesigns (Pflichtenhefts) dienen wird. + +#### **Referenzen** + +1. [https://drive.google.com/open?id=1tSw4yi0diGfQyPg4a08Gx2JWqqsFkcPOHU9K4b\_Fk58](https://drive.google.com/open?id=1tSw4yi0diGfQyPg4a08Gx2JWqqsFkcPOHU9K4b_Fk58) +2. Comparing traditional AI, agentic ai and agentic rag for dialogic online education Contents \- ERIC, [https://files.eric.ed.gov/fulltext/EJ1494645.pdf](https://files.eric.ed.gov/fulltext/EJ1494645.pdf) +3. CompanyGPT Sovereign: A Sovereign AI Platform on STACKIT · innFactory \- Software Development, Cloud & AI, [https://innfactory.de/en/blog/136-companygpt-sovereign-stackit/](https://innfactory.de/en/blog/136-companygpt-sovereign-stackit/) +4. Intelligent Tutoring Systems | EU-JAMRAI, [https://eu-jamrai.eu/intelligent-tutoring-systems/](https://eu-jamrai.eu/intelligent-tutoring-systems/) +5. Custom E-Learning Development: AI Tutors, LMS, Apps \- LearnSlice, [https://learnslice.com/solutions](https://learnslice.com/solutions) +6. Sovereign AI Cloud for Europe | T Cloud Public, [https://www.t-cloud-public.com/en/blog/cloud-computing/sovereign-ki-cloud](https://www.t-cloud-public.com/en/blog/cloud-computing/sovereign-ki-cloud) +7. AI Consulting for Companies: Revolutionise your Business with Artificial Intelligence, [https://www.woodmark.de/en/data-ai/artificial-intelligence-ai](https://www.woodmark.de/en/data-ai/artificial-intelligence-ai) +8. GraphRAG & RAG Architecture Consulting | Veriprajna, [https://veriprajna.com/services/graphrag-rag-architecture](https://veriprajna.com/services/graphrag-rag-architecture) +9. Die imc Learning Suite stellt das Innovation Pack 14.24 vor \- Scheer IMC, [https://www.scheer-imc.com/de/newsroom/news/imc-learning-suite-innovation-pack-14-24/](https://www.scheer-imc.com/de/newsroom/news/imc-learning-suite-innovation-pack-14-24/) +10. Sana AI Review, Pricing & Features (2026) \- Agents AI, [https://agentsai.fyi/agents/sana-ai](https://agentsai.fyi/agents/sana-ai) +11. Sana Labs, [https://sanalabs.com/](https://sanalabs.com/) +12. Workday and Sana Unveil A Bold New Strategy For AI \- Josh Bersin, [https://joshbersin.com/2026/03/workday-and-sana-unveil-a-bold-new-strategy-for-ai/](https://joshbersin.com/2026/03/workday-and-sana-unveil-a-bold-new-strategy-for-ai/) +13. imc Learning Suite für KI-gestütztes Lernen ausgezeichnet \- Scheer IMC, [https://www.scheer-imc.com/de/newsroom/news/imc-learning-suite-top-lms-fuer-ki-gestuetztes-lernen/](https://www.scheer-imc.com/de/newsroom/news/imc-learning-suite-top-lms-fuer-ki-gestuetztes-lernen/) +14. imc Express – Autorentool für effizientere E-Learning-Inhalte, [https://www.scheer-imc.com/de/express/](https://www.scheer-imc.com/de/express/) +15. Sovereign AI for Enterprise: Private RAG, Agentic LLM & MCP Integration \- The Acceleration Agency, [https://taa.io/articles/playbooks/sovereign-ai-brain/](https://taa.io/articles/playbooks/sovereign-ai-brain/) +16. Tutor AI \- Moodle Plugins directory, [https://moodle.org/plugins/local\_dttutor](https://moodle.org/plugins/local_dttutor) +17. saylordotorg/moodle-local\_ai\_course\_assistant: SOLA \- Saylor Online Learning Assistant: AI-powered learning coach Moodle plugin \- GitHub, [https://github.com/saylordotorg/moodle-local\_ai\_course\_assistant](https://github.com/saylordotorg/moodle-local_ai_course_assistant) +18. EduGears AI LTI \- Moodle Plugins directory, [https://moodle.org/plugins/local\_edugears](https://moodle.org/plugins/local_edugears) +19. Boost Learning with a 24/7 Socratic AI Tutor | DataCurso Blog, [https://datacurso.com/blog/tutor-ia-socratico-24-7-moodle](https://datacurso.com/blog/tutor-ia-socratico-24-7-moodle) +20. Can AI Teach Like Socrates? An Exploratory Study of AI-Student Dialogue in Secondary Physics Education, [https://papers.iafor.org/wp-content/uploads/papers/ace2025/ACE2025\_97982.pdf?t=8](https://papers.iafor.org/wp-content/uploads/papers/ace2025/ACE2025_97982.pdf?t=8) +21. Best AI Moodle Plugins: A Practical Guide for AI Tutoring Programs, [https://ai-tutor.ai/blog/best-ai-moodle-plugins/](https://ai-tutor.ai/blog/best-ai-moodle-plugins/) +22. a design framework for personalized intelligent tutoring systems integrating knowledge tracing and retrieval, [http://www.jatit.org/volumes/Vol104No5/28Vol104No5.pdf](http://www.jatit.org/volumes/Vol104No5/28Vol104No5.pdf) +23. Intelligent tutoring system \- Wikipedia, [https://en.wikipedia.org/wiki/Intelligent\_tutoring\_system](https://en.wikipedia.org/wiki/Intelligent_tutoring_system) +24. (PDF) Intelligent tutoring systems: Architecture and characteristics \- ResearchGate, [https://www.researchgate.net/publication/228921731\_Intelligent\_tutoring\_systems\_Architecture\_and\_characteristics](https://www.researchgate.net/publication/228921731_Intelligent_tutoring_systems_Architecture_and_characteristics) +25. Learning recommendation with formal concept analysis for intelligent tutoring system \- PMC, [https://pmc.ncbi.nlm.nih.gov/articles/PMC7586096/](https://pmc.ncbi.nlm.nih.gov/articles/PMC7586096/) +26. [https://arxiv.org/html/2603.18470](https://arxiv.org/html/2603.18470) +27. Recognition, Retrieval, and Response: The AITEE Framework for Socratic Tutoring in Electrical Engineering \- HTWG Konstanz, [https://opus.htwg-konstanz.de/files/5938/Recognition\_Retrieval\_and\_Response.pdf](https://opus.htwg-konstanz.de/files/5938/Recognition_Retrieval_and_Response.pdf) +28. From Surface Learning to Deep Understanding: A Grounded AI Tutoring System for Moodle, [https://arxiv.org/html/2605.06963v1](https://arxiv.org/html/2605.06963v1) +29. Socratic Dialogue Scaffolds Overview \- Emergent Mind, [https://www.emergentmind.com/topics/socratic-dialogue-scaffolds](https://www.emergentmind.com/topics/socratic-dialogue-scaffolds) +30. Retrieval Practice, Scaffolding, and the Socratic Method \- The Scholarly Teacher, [https://www.scholarlyteacher.com/post/retrieval-practice-scaffolding-and-the-socratic-method](https://www.scholarlyteacher.com/post/retrieval-practice-scaffolding-and-the-socratic-method) +31. Knowledge tracing \- Fora Soft, [https://www.forasoft.com/learn/elearning-video/glossary/terms-elearning/knowledge-tracing](https://www.forasoft.com/learn/elearning-video/glossary/terms-elearning/knowledge-tracing) +32. Knowledge Tracing Models: Research Guide & Papers | Intelligent Tutoring Systems and Adaptive Learning | PapersFlow, [https://papersflow.ai/research/topics/intelligent-tutoring-systems-and-adaptive-learning/knowledge-tracing-models](https://papersflow.ai/research/topics/intelligent-tutoring-systems-and-adaptive-learning/knowledge-tracing-models) +33. (PDF) Towards Adaptive Learning: A Bayesian Knowledge Tracing Approach to Student Skill Prediction Bayesian Knowledge Tracing for Modeling Daily Living Skills in Children with ASD \- ResearchGate, [https://www.researchgate.net/publication/399756463\_Towards\_Adaptive\_Learning\_A\_Bayesian\_Knowledge\_Tracing\_Approach\_to\_Student\_Skill\_Prediction\_Bayesian\_Knowledge\_Tracing\_for\_Modeling\_Daily\_Living\_Skills\_in\_Children\_with\_ASD](https://www.researchgate.net/publication/399756463_Towards_Adaptive_Learning_A_Bayesian_Knowledge_Tracing_Approach_to_Student_Skill_Prediction_Bayesian_Knowledge_Tracing_for_Modeling_Daily_Living_Skills_in_Children_with_ASD) +34. Enhanced Interpretable Knowledge Tracing for Students' Performance Prediction with Human-understandable Feature Space \- arXiv, [https://arxiv.org/html/2509.18231v1](https://arxiv.org/html/2509.18231v1) +35. Adaptive Knowledge Tracing with Dynamic Memory and Reinforcement Learning \- PMC, [https://pmc.ncbi.nlm.nih.gov/articles/PMC13030155/](https://pmc.ncbi.nlm.nih.gov/articles/PMC13030155/) +36. Integrating knowledge tracing and reinforcement learning in an AI-powered system for personalized ideological education \- ResearchGate, [https://www.researchgate.net/publication/409248173\_Integrating\_knowledge\_tracing\_and\_reinforcement\_learning\_in\_an\_AI-powered\_system\_for\_personalized\_ideological\_education](https://www.researchgate.net/publication/409248173_Integrating_knowledge_tracing_and_reinforcement_learning_in_an_AI-powered_system_for_personalized_ideological_education) +37. (PDF) TutorLLM: Customizing Learning Recommendations with Knowledge Tracing and Retrieval-Augmented Generation \- ResearchGate, [https://www.researchgate.net/publication/389315683\_TutorLLM\_Customizing\_Learning\_Recommendations\_with\_Knowledge\_Tracing\_and\_Retrieval-Augmented\_Generation](https://www.researchgate.net/publication/389315683_TutorLLM_Customizing_Learning_Recommendations_with_Knowledge_Tracing_and_Retrieval-Augmented_Generation) +38. \[2502.15709\] TutorLLM: Customizing Learning Recommendations with Knowledge Tracing and Retrieval-Augmented Generation \- arXiv, [https://arxiv.org/abs/2502.15709](https://arxiv.org/abs/2502.15709) +39. TutorLLM: Customizing Learning Recommendations with Knowledge Tracing and Retrieval-Augmented Generation \- ePrints Soton \- University of Southampton, [https://eprints.soton.ac.uk/500710/1/2502.15709v1.pdf](https://eprints.soton.ac.uk/500710/1/2502.15709v1.pdf) +40. Research on an intelligent tutoring system based on automatic construction of multimodal knowledge graphs and retrieval-augmented generation \- Frontiers, [https://www.frontiersin.org/journals/computer-science/articles/10.3389/fcomp.2026.1777749/full](https://www.frontiersin.org/journals/computer-science/articles/10.3389/fcomp.2026.1777749/full) +41. Multimodal RAG: A Hands-On Guide to Learning from Documents | DataCamp, [https://www.datacamp.com/tutorial/multimodal-rag](https://www.datacamp.com/tutorial/multimodal-rag) +42. GitHub \- HKUDS/RAG-Anything: "RAG-Anything: All-in-One RAG Framework", [https://github.com/hkuds/rag-anything](https://github.com/hkuds/rag-anything) +43. AI-Powered Video-RAG for Interactive E-Learning – Project Implementation \- IJIRT, [https://ijirt.org/publishedpaper/IJIRT204027\_PAPER.pdf](https://ijirt.org/publishedpaper/IJIRT204027_PAPER.pdf) +44. Multimodal RAG Video Question Answering System: How It Works \- CoReCo Technologies, [https://corecotechnologies.com/deep-tech/multimodal-rag-video-question-answering-system/](https://corecotechnologies.com/deep-tech/multimodal-rag-video-question-answering-system/) +45. How We Built Multimodal RAG for Audio and Video \- Ragie, [https://www.ragie.ai/blog/how-we-built-multimodal-rag-for-audio-and-video](https://www.ragie.ai/blog/how-we-built-multimodal-rag-for-audio-and-video) +46. Lesson 14: Multi-Modal RAG (Images, Videos, and Audio) | by Nouman Nawaz | Medium, [https://medium.com/@noumannawaz/lesson-14-multi-modal-rag-images-videos-and-audio-76e2e7a28999](https://medium.com/@noumannawaz/lesson-14-multi-modal-rag-images-videos-and-audio-76e2e7a28999) +47. GraphRAG: Utilising complex data relationships for more efficient LLM queries \- adesso SE, [https://www.adesso.de/en/news/blog/graphrag-utilising-complex-data-relationships-for-more-efficient-llm-queries.jsp](https://www.adesso.de/en/news/blog/graphrag-utilising-complex-data-relationships-for-more-efficient-llm-queries.jsp) +48. Education-Oriented Graph Retrieval-Augmented Generation for Learning Path Recommendation \- arXiv, [https://arxiv.org/html/2506.22303v1](https://arxiv.org/html/2506.22303v1) +49. RAG tutorial: How to build a RAG system on a knowledge graph \- Neo4j, [https://neo4j.com/blog/developer/rag-tutorial/](https://neo4j.com/blog/developer/rag-tutorial/) +50. (PDF) Federated knowledge graph-based hybrid personalized curriculum recommendation for privacy-preserving physical education teaching systems \- ResearchGate, [https://www.researchgate.net/publication/398085169\_Federated\_knowledge\_graph-based\_hybrid\_personalized\_curriculum\_recommendation\_for\_privacy-preserving\_physical\_education\_teaching\_systems](https://www.researchgate.net/publication/398085169_Federated_knowledge_graph-based_hybrid_personalized_curriculum_recommendation_for_privacy-preserving_physical_education_teaching_systems) +51. Top 10 AI Curriculum Generation Tools: Features, Pros, Cons & Comparison, [https://www.devopsschool.com/blog/top-10-ai-curriculum-generation-tools-features-pros-cons-comparison/](https://www.devopsschool.com/blog/top-10-ai-curriculum-generation-tools-features-pros-cons-comparison/) +52. How AI Learned to Teach Itself: The 30-Year Journey from Pixels to World Models, [https://evoailabs.medium.com/how-ai-learned-to-teach-itself-the-30-year-journey-from-pixels-to-world-models-299fc6167228](https://evoailabs.medium.com/how-ai-learned-to-teach-itself-the-30-year-journey-from-pixels-to-world-models-299fc6167228) +53. Intelligent Modeling of Educational Curricula Based on Labor Market Vacancy Analysis Using Semantic and Generative AI \- MCIT, [https://www.mcitdoc.org.ua/index.php/ITConf/article/download/662/416](https://www.mcitdoc.org.ua/index.php/ITConf/article/download/662/416) +54. \[PDF\] GraphRAG-Induced Dual Knowledge Structure Graphs for Personalized Learning Path Recommendation | Semantic Scholar, [https://www.semanticscholar.org/paper/GraphRAG-Induced-Dual-Knowledge-Structure-Graphs-Cheng-Zhang/434f8a2df958470922bc62acc9fd16ee530fff20](https://www.semanticscholar.org/paper/GraphRAG-Induced-Dual-Knowledge-Structure-Graphs-Cheng-Zhang/434f8a2df958470922bc62acc9fd16ee530fff20) +55. LM Studio Web Search MCP Integration: Complete Tutorial with Tavily and Brave Search, [https://localllm.in/blog/lm-studio-web-search-mcp-integration-tutorial](https://localllm.in/blog/lm-studio-web-search-mcp-integration-tutorial) +56. 7 Best Enterprise AI Agents for Financial Services in 2025 \- Sana Labs, [https://sanalabs.com/agents-blog/best-enterprise-ai-agents-financial-services-2025](https://sanalabs.com/agents-blog/best-enterprise-ai-agents-financial-services-2025) +57. Integration of Local Large Language Models, Retrieval-Augmented Generation, and Adaptive Learning | Journal of Computer Science, [https://thescipub.com/abstract/jcssp.2026.1145.1157](https://thescipub.com/abstract/jcssp.2026.1145.1157) +58. A Scalable and Low-Cost Mobile RAG Architecture for AI-Augmented Learning in Higher Education \- Preprints.org, [https://www.preprints.org/manuscript/202512.1869](https://www.preprints.org/manuscript/202512.1869) +59. Generative AI Peer Tutoring to Support Peer-Reviewed Source Identification and Evaluation, [https://edtechbooks.org/promptbook/generative-ai-peer-tutoring-to-support-peer-reviewed-source-identification-and-evaluation](https://edtechbooks.org/promptbook/generative-ai-peer-tutoring-to-support-peer-reviewed-source-identification-and-evaluation) +60. (PDF) RAG-ENHANCED SOCRATIC ADAPTIVE CHATBOT FOR HISTORICAL INQUIRY LEARNING WITHIN LEARNING MANAGEMENT SYSTEM \- ResearchGate, [https://www.researchgate.net/publication/405343304\_RAG-ENHANCED\_SOCRATIC\_ADAPTIVE\_CHATBOT\_FOR\_HISTORICAL\_INQUIRY\_LEARNING\_WITHIN\_LEARNING\_MANAGEMENT\_SYSTEM](https://www.researchgate.net/publication/405343304_RAG-ENHANCED_SOCRATIC_ADAPTIVE_CHATBOT_FOR_HISTORICAL_INQUIRY_LEARNING_WITHIN_LEARNING_MANAGEMENT_SYSTEM) +61. An Exploratory Study of a Generative AI-Based Intelligent Tutoring System Using a Multi-Agent Architecture in Higher Education \- MDPI, [https://www.mdpi.com/2076-3417/16/11/5453](https://www.mdpi.com/2076-3417/16/11/5453) +62. TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors, [https://arxiv.org/html/2603.18189v1](https://arxiv.org/html/2603.18189v1) \ No newline at end of file diff --git a/01_Konzeption/02-1 Sovereign RAG Tutor – Internes Konzeptdokument.md b/01_Konzeption/02-1 Sovereign RAG Tutor – Internes Konzeptdokument.md new file mode 100644 index 0000000..0b6bbc9 --- /dev/null +++ b/01_Konzeption/02-1 Sovereign RAG Tutor – Internes Konzeptdokument.md @@ -0,0 +1,446 @@ +# Sovereign RAG Tutor – Internes Konzeptdokument + +**Status:** Entwurf v0.1 · **Stand:** Juli 2026 · **Vertraulichkeit:** intern **Führendes Dokument** – das Kundendokument wird als gefilterte Teilmenge hieraus abgeleitet. + +--- + +## 1. Zweck und Verwendung des Dokuments + +Dieses Dokument konsolidiert den Konzeptstand des Projekts "Sovereign RAG Tutor" für den Kunden mastersolution AG. Es richtet sich an das interne Projektteam sowie an alle, die auf dieser Basis später Teilsysteme spezifizieren und implementieren. Es ist ausdrücklich kein Kundendokument: Es enthält die vollständige, ungefilterte Bewertung des ursprünglichen Architekturentwurfs, verworfene Alternativen samt Begründung, ehrliche Aufwands- und Risikoeinschätzungen sowie Spezifikationshinweise, die für die Kundenkommunikation ungeeignet oder zu detailliert wären. + +Für die Pflege gilt das Prinzip des führenden Dokuments: Konzeptänderungen werden zuerst hier nachgezogen und anschließend in das Kundendokument propagiert, nie umgekehrt. Die Gliederung beider Dokumente ist bewusst parallel angelegt (Problem → Ziel → Lösung → Roadmap); die Kapitel 2, 3, 5 und 7 bilden die inhaltliche Basis des Kundendokuments, die Kapitel 1, 4, 6, 8 und 9 bleiben primär intern. Jede Änderung an Konzeptentscheidungen ist im Entscheidungsregister (Kapitel 8) mit Datum und Begründung zu vermerken. + +--- + +## 2. Ausgangslage und Problemstellung + +### 2.1 Der Kunde: mastersolution AG + +Die mastersolution AG (Hauptsitz Plauen, weitere Standorte in Potsdam, Dresden und Chemnitz, gegründet 1999) ist ein Technologieanbieter für Kommunikations- und Lernsoftware im deutschsprachigen Raum. Das Portfolio deckt die gesamte Wertschöpfungskette des digitalen Lernens ab: Lernmanagement (mastersolution ONE auf Moodle-Basis, didab, unika), Klassenraum- und IT-Asset-Management (SUITE, REFLECT), Videoproduktion und immersive Medien (FOCUS, SHOW, VMS) sowie angewandte Forschung in Förderprojekten (SG4BB, MOONRISE, WIDI). Zielmärkte sind der öffentliche Bildungssektor und der Corporate Sector einschließlich Behörden; ein B2C-Geschäft existiert nicht. + +Das strategisch wertvollste Asset des Unternehmens ist das Vertrauen seiner Kunden in absolute Datensouveränität: Hosting in zertifizierten deutschen Rechenzentren oder On-Premise, strikte DSGVO-Konformität, Betrieb lizenzunabhängig von Technologien aus den USA, China oder Russland, bis hin zur Bundeswehr-Zertifizierung. Genau dieses Versprechen gerät durch die aktuelle KI-Strategie unter Druck: Die beworbene Anbindung des "OpenAI Frameworks" für Content-Generierung steht in fundamentalem Widerspruch zur Souveränitätspositionierung, während Wettbewerber im Klassenraum-Management (classroom.cloud, Lightspeed, NetSupport) und im Moodle-Ökosystem (Course Creator AI, AI Essay Grader, sokratische Tutor-Plugins, natives AI-Subsystem ab Moodle 4.5) bereits tiefgreifende KI-Funktionen ausliefern. mastersolution steht damit vor der Aufgabe, KI-Funktionalität aufzubauen, ohne das Souveränitätsversprechen zu erodieren – andernfalls droht der Verlust der Differenzierung in beide Richtungen. + +### 2.2 Projektentstehung und Anforderungsquellen + +Der Projektanstoß entstand aus einem Erstkontakt der beiden Geschäftsführer. Die zwei ursprünglichen Anwendungsfälle – (1) intelligente, semantische Suche auf einer Lernplattform und (2) Analyse und Erkennung von Kompetenzen mit geführtem Lernprozess – wurden nicht von mastersolution explizit formuliert, sondern von unserer Geschäftsführung aus diesen ersten Gesprächen abgeleitet. Sie sind damit als Arbeitshypothese zu verstehen, nicht als beauftragte Anforderung. + +Im ersten gemeinsamen Meeting mit dem Kunden wurden diese Hypothesen validiert und verdichtet. Ergebnisse dieses Termins sind das dokumentierte Brainstorming (Kernmerkmale eines persönlichen Lernassistenten: Nutzeridentifikation mit Lernstand, Nutzung der Kursmaterialien HTML/Quiz/Video, Backlinks und Feedforwards, generierte und gecoachte Lernpfade) sowie eine erste, ausdrücklich unvollständige Anforderungsliste: Nachvollziehbarkeit, Datensicherheit, Geschwindigkeit, Verkürzung digitaler Lernprozesse (insbesondere Onboarding), nutzerzentrierte Sicht mit rollenbasierten Berechtigungen, die zwingend gewahrt werden müssen, sowie die klare Präferenz für pragmatische Lösungen ohne unnötige Komplexität. + +Parallel wurden zwei KI-gestützte Recherchen durchgeführt: ein Unternehmensprofil mit Wettbewerbsanalyse und fünf Produktvisionen sowie – aufbauend auf der dort priorisierten Vision 3 – ein konzeptioneller Architekturentwurf für den "Sovereign RAG Tutor" mit sechs Systemkomponenten. Dieser Entwurf ist der Gegenstand der kritischen Bewertung in Kapitel 4 und der Ausgangspunkt des überarbeiteten Lösungskonzepts in Kapitel 5. + +### 2.3 Vorhandene Kompetenzbasis + +Für Anwendungsfall 1 existiert im Team belastbare Vorerfahrung: Ein Proof of Concept für hybrides Retrieval (Embedding-Modelle für semantische Ähnlichkeit, kombiniert mit BM25) wurde in einem anderen Projekt bereits umgesetzt, ist jedoch nicht produktionsreif. Für Anwendungsfall 2 – insbesondere für generative Sprachmodelle, Wissensgraphen und Knowledge Tracing – besteht keine unmittelbare Projekterfahrung. Diese Asymmetrie ist eine zentrale Randbedingung des Lösungskonzepts: Die Roadmap muss auf der vorhandenen Kompetenz aufsetzen und die neuen Themenfelder in beherrschbaren Schritten erschließen. + +### 2.4 Problemstellung in einem Satz + +mastersolution benötigt einen Weg, KI-gestützte Wissensvermittlung in sein LMS-Ökosystem zu integrieren, der (a) das Souveränitätsversprechen vollständig erhält, (b) die Kundenanforderungen Nachvollziehbarkeit, Berechtigungstreue und Pragmatismus strukturell erfüllt und (c) von unserem Team mit der vorhandenen Kompetenzbasis in beherrschbaren Ausbaustufen realisierbar ist. + +--- + +## 3. Zielbild und Abgrenzung + +### 3.1 Zielbild + +Im Endausbau ist der Sovereign RAG Tutor ein persönlicher, souveräner Lernassistent innerhalb der mastersolution-Produktwelt, der drei Leistungsversprechen einlöst: + +**Finden und Verstehen:** Nutzer finden über eine hybride semantische Suche und einen Frage-Antwort-Assistenten präzise, belegte Antworten aus dem freigegebenen Materialbestand – mit Quellenangabe bis auf Dokumentabschnitt und Video-Timestamp, strikt gefiltert nach Rolle und Berechtigung. + +**Kompetenz statt Auswendiglernen:** Ein redaktionell validierter Wissensgraph verbindet Kompetenzen, Materialien und Prüfungsfragen. Ein interpretierbares, regelbasiertes Tracking erkennt Wissenslücken und spricht nachvollziehbar begründete Empfehlungen aus (Backlinks auf Grundlagen, Feedforwards auf Anschlussmodule). + +**Begleitetes Lernen:** In Kursen führt ein Coaching-Modus mit sokratischer Gesprächsführung durch den Lernprozess, generierte Prüfungsfragen entlang der Bloom-Stufen prüfen Verständnis statt Wiedererkennung, und automatisch erzeugte Lernpfade verkürzen Onboarding und Schulung messbar gegenüber einer erhobenen Baseline. + +Das System wird als mandantenfähiges Produkt betrieben – als gehostete Instanz im deutschen Rechenzentrum oder als autarke On-Premise-Installation – mit identischer Codebasis und einem Evaluationsframework, das Qualität messbar macht und Modell-Updates absichert. + +### 3.2 Nicht-Ziele und bewusste Abgrenzungen + +Die folgenden Abgrenzungen sind teilweise regulatorische Zusagen und gehören in identischer Klarheit in das Kundendokument: + +Das System betreibt **keine Verhaltensüberwachung**. In das Kompetenztracking fließen ausschließlich explizite Lernereignisse (Quizantworten, Modulabschlüsse) ein; Verhaltenstelemetrie wie Verweildauern, Navigationsmuster oder Tipprhythmen wird im Standard nicht erhoben. + +Das System trifft **keine automatisierten Entscheidungen mit erheblicher Wirkung** über Personen. Es empfiehlt (Wiederholung, Lernpfad, Freischaltung), die verbindliche Konsequenz zieht ein Mensch oder sie ist rein unterstützend ausgestaltet. Automatisierung ist als bewusste Konfiguration des Endkunden möglich, nicht als Auslieferungszustand. + +Die KI-Modelle werden **nicht auf Mandantendaten trainiert oder feingetunt**. Kundenspezifik entsteht ausschließlich über Index, Graph und Retrieval – über Daten, die beim Mandanten verbleiben. + +Das System ist **kein Prüfungs- oder Personalbeurteilungswerkzeug**. Wirkungsmetriken werden aggregiert erhoben und dienen der Produktqualität, nicht der Leistungsbewertung Einzelner; Vorgesetzten-Sichten sind standardmäßig aggregiert. + +Antworten entstehen **ausschließlich aus dem freigegebenen Materialbestand** (Grounded Generation). Das System mischt kein externes Weltwissen ein und antwortet mit einer expliziten Fehlanzeige, wenn das Material eine Frage nicht deckt. + +### 3.3 Erfolgskriterien auf oberster Ebene + +Der Projekterfolg bemisst sich an vier Kriterien: (1) Retrieval-Qualität und daraus resultierendes Nutzervertrauen, gemessen über Goldstandard-Metriken und Nutzungsverhalten; (2) belegte Verkürzung von Lernprozessen gegenüber der beim Onboarding erhobenen Baseline; (3) vollständige Souveränität und Rechtssicherheit, nachgewiesen über die mitgelieferten Compliance-Artefakte; (4) wirtschaftliche Betreibbarkeit als mandantenfähiges Produkt in beiden Betriebsmodellen. Die Operationalisierung erfolgt in Abschnitt 5.6. + +--- + +## 4. Bewertung des ursprünglichen Architekturentwurfs + +Der aus der zweiten KI-Recherche stammende Architekturentwurf ("Konzeptionelle Detaillierung der Produktvision: Sovereign RAG Tutor") wurde gegen die Kundenanforderungen, das Brainstorming, das Unternehmensprofil und die Kompetenzbasis des Teams geprüft. Dieses Kapitel dokumentiert die Bewertung in voller Schärfe; sie ist die Begründungsgrundlage für nahezu jede Abweichung des Lösungskonzepts (Kapitel 5) vom Recherche-Dokument. + +### 4.1 Was am Entwurf trägt + +Die Zerlegung in sechs Komponenten entlang der klassischen ITS-Architektur (Domain/Student/Tutoring/Interface-Modell) ist wissenschaftlich fundiert und schafft klare Verantwortlichkeiten; sie wird übernommen und erweitert. Der Context & Role Manager adressiert die Berechtigungsanforderung direkt und ist die am besten abgedeckte Kundenanforderung. Nachvollziehbarkeit ist konzeptionell verankert (Quellenangaben, Video-Timestamps, Backlinks). Die Souveränitätsargumentation passt exakt zum Geschäftsmodell des Kunden. Die Wettbewerbsanalyse ist brauchbar; die Positionierung – Synthese der Einzelfähigkeiten zu einem geschlossenen System statt Nachbau einzelner Features – ist ein plausibles Alleinstellungsmerkmal. + +### 4.2 Kritikpunkte + +**K1 – Der Entwurf verletzt die wichtigste Kundenanforderung: Pragmatismus.** Das Konzept stapelt nahezu jede fortgeschrittene Technik aufeinander: Multimodal RAG, GraphRAG, Bayesian und Deep Knowledge Tracing, MCP-Integration, sokratischer Orchestrator mit Reinforcement Learning, souveränes LLM. Jede dieser Komponenten ist für sich ein anspruchsvolles Projekt. Der Kunde hat explizit "keine unnötige Komplexität" gefordert; der Entwurf liest sich jedoch wie ein Forschungsprogramm, nicht wie ein Produkt. Es fehlt jede Priorisierung zwischen Kern und Ausbaustufe. Ein Konzept ohne gestufte Roadmap ist gegenüber diesem Kunden unglaubwürdig. + +**K2 – Der Entwurf ignoriert die vorhandene Kompetenzbasis.** Anwendungsfall 1 (hybride Suche, vorhandener PoC) taucht im Konzept praktisch nicht auf – dabei ist genau diese Suche die Retrieval-Grundlage, auf der das gesamte "Sovereign Knowledge Vault" aufbaut, und der einzige Bereich mit Teamerfahrung. Strategisch richtig ist die Umkehrung: Die semantische Suche ist kein separater Anwendungsfall neben dem Tutor, sondern dessen erste Ausbaustufe – ein produktionsreifes hybrides Retrieval mit Berechtigungsfilterung und Quellenangaben ist bereits ein eigenständig verkaufbares Produkt und de facto der Knowledge Vault ohne Graph-Schicht. + +**K3 – Konflikt zwischen sokratischer Didaktik und Verkürzung von Lernprozessen.** Der Entwurf schreibt vor, dass der Tutor direkte Antworten "konsequent verweigert". Der Kunde will aber Onboarding und Schulungen beschleunigen. Ein Techniker mit einer konkreten Prozessfrage im Arbeitskontext will keine Gegenfrage, sondern die belegte Antwort, sofort. Das Konzept unterscheidet nicht zwischen einem Nachschlage-Modus und einem Lern-Modus. Das ist ein konzeptioneller Fehler, kein Detail; die Auflösung erfolgt in Abschnitt 5.2. + +**K4 – Nachvollziehbarkeit versus Deep Knowledge Tracing.** DKT-Modelle sind Blackboxes: Warum das System eine Grundlagenwiederholung verordnet, ist nicht erklärbar – im direkten Widerspruch zur Anforderung Nachvollziehbarkeit. Regelbasierte Ansätze und BKT sind interpretierbar. Der Entwurf nennt beide Verfahren gleichrangig, ohne den Zielkonflikt zu benennen. Hinzu kommt das Cold-Start-Problem: DKT benötigt große Interaktionsdatenmengen, die bei typischen Mittelstandskunden nie entstehen werden. Beides spricht für regelbasiert/BKT als Standard; die Entscheidung fällt in 5.4 endgültig. + +**K5 – Regulatorik ist unterbelichtet.** Ein System, das Kompetenzen von Beschäftigten kontinuierlich bewertet und daraus Konsequenzen ableitet, fällt sehr wahrscheinlich unter die Hochrisiko-Kategorie des EU AI Act (Anhang III: allgemeine und berufliche Bildung, Beschäftigung) und ist in Deutschland mitbestimmungspflichtig (§ 87 BetrVG, Leistungs- und Verhaltenskontrolle). Der Entwurf erwähnt den AI Act nur als Verkaufsargument für Souveränität, nicht als Designconstraint. Für ein B2B/B2G-Produkt ist das eine Lücke, die der Kunde – oder dessen Kunde – sofort sehen wird. + +**K6 – Die Anforderung Geschwindigkeit wird nicht operationalisiert.** Lokale LLM-Inferenz On-Premise setzt GPU-Hardware beim Endkunden voraus. Modellgröße, Latenz, Kosten: Der Entwurf schweigt dazu vollständig. Ohne Dimensionierungsaussage verspricht das Konzept etwas, das am fehlenden GPU-Budget des ersten Endkunden scheitern kann. + +### 4.3 Lücken + +**L1 – Der Entstehungsprozess des Wissensgraphen fehlt.** Der Graphaufbau ist der aufwendigste Teil des Vorhabens; der Entwurf behandelt ihn als gegeben ("das System extrahiert Entitäten"). Es fehlen der redaktionelle Workflow, die Validierungsverantwortung und die Autorenwerkzeuge. Ohne diese Antwort ist der Pedagogical Orchestrator ein Motor ohne Treibstoff. Auflösung in 5.3. + +**L2 – Das Betreibermodell fehlt.** Der Entwurf ist aus der Perspektive eines Systems geschrieben, nicht eines Produkts, das dutzendfach ausgerollt wird: Mandantenfähigkeit, Rollenteilung zwischen mastersolution und Endkunde, Updates bei On-Premise-Installationen bleiben unbeantwortet. Auflösung in 5.5. + +**L3 – Erfolgsmessung fehlt.** "Verkürzung von Lernprozessen" ist die zentrale Nutzenaussage, aber es gibt keine Metrik, keinen Vergleichsmaßstab, kein Evaluationskonzept – auch nicht für das Vertrauensziel der Suche. Auflösung in 5.6. + +**L4 – Die Moodle-Realität ist unbeantwortet.** mastersolution ONE basiert auf Moodle; Moodle 4.5 bringt ein natives AI-Subsystem. Ob die Integration als Moodle-Plugin in dieses Subsystem erfolgt oder als eigenständiger Dienst daneben, hat massive Auswirkungen auf Aufwand und Wartbarkeit. Die Frage bleibt als bewusst offener Punkt im Register (Kapitel 8) und ist vor Beginn der Implementierung von Stufe 1 zu entscheiden. + +--- + +## 5. Lösungskonzept + +### 5.1 Phasenmodell: vier Ausbaustufen + +Das Lösungskonzept ordnet die Funktionalität in vier aufeinander aufbauende Stufen. Drei Eigenschaften machen dieses Modell tragfähig: Komplexität und Risiko steigen monoton – die frühen Stufen sind mit der vorhandenen Teamkompetenz sofort machbar, die schwierigen Teile kommen, wenn das Fundament trägt. Jede Stufe ist eigenständig produktiv nutzbar und verkaufbar und erfüllt bereits Kernanforderungen. Und jede Stufe erzeugt Daten und Erkenntnisse für die nächste – die Suchlogs aus Stufe 1 zeigen, was Nutzer tatsächlich fragen, was die Graph-Modellierung in Stufe 3 informiert. + +#### Stufe 1: Souveräne Suche + +Das produktionsreife Modul aus dem vorhandenen PoC: hybrides Retrieval (BM25 + Embedding-Modelle, Score-Fusion z. B. über Reciprocal Rank Fusion), Cross-Encoder-Reranking als Präzisionsstufe, Berechtigungsfilterung als Kernfeature von Anfang an – jedes Suchergebnis wird vor Anzeige gegen die Nutzerrolle geprüft. Ergebnisdarstellung mit Quellenangabe und direktem Absprung ins Dokument. Bestandteil der Stufe ist das Evaluationsframework (Goldstandard-Testset, nDCG/MRR, Latenzmessung), denn das Vertrauensziel ist ohne Messung nicht erreichbar; dasselbe Framework wird später zum Update-Gate (5.5). + +Bewusst nicht enthalten: kein LLM, keine generierten Antworten. Die Suche liefert Fundstellen, keine Synthese. Das hält die Stufe frei von Halluzinationsrisiken und GPU-Anforderungen und macht sie auf vorhandener Serverhardware der Endkunden lauffähig. + +Als paralleler Strang läuft die **Ingestion-Pipeline für Video**: Der Materialbestand der Endkunden enthält viel Video-Content, der bislang selten transkribiert ist. Die Pipeline (lokale Speech-to-Text-Modelle der Whisper-Klasse, keine Cloud-APIs) zerlegt Transkripte in zeitgestempelte Segmente; ein Suchtreffer verlinkt damit bereits in Stufe 1 direkt auf die relevante Videostelle – ohne LLM. Die Pipeline ist architektonisch von der Retrieval-Logik entkoppelt: Die Suche geht mit Textdokumenten (HTML, PDF) produktiv, Videos kommen inkrementell in den Index; ein Transkriptionsstau blockiert nie den Suchbetrieb. Zwei bekannte Risiken: Fachterminologie (industrielle Begriffe, Produktnamen, Abkürzungen sind für generische ASR-Modelle fehleranfällig – es braucht domänenspezifisches Vokabular pro Mandant und eine Stichproben-Qualitätsprüfung) und rein visuelle Inhalte ohne Kommentar (eine Transkription erfasst sie nicht; Keyframe-Beschreibung per Vision-Modell ist die Antwort, aber bewusst als optionale Erweiterung ab Stufe 2, nicht im Kern). + +Ebenfalls ab Stufe 1 im Datenmodell verankert: die **Inhaltsklassifikation "nur im Kurskontext"** (Begründung in 5.2 – nachträgliches Umklassifizieren des Gesamtbestands wäre teuer). + +#### Stufe 2: Nachschlage-Assistent + +Das souveräne LLM kommt ins Spiel, in der einfachsten sinnvollen Rolle: Grounded Q&A. Der Nutzer stellt eine Frage, das Retrieval aus Stufe 1 liefert die belegten Fundstellen, das LLM synthetisiert daraus eine Antwort mit Quellenangaben – strikt begrenzt auf die gefundenen Inhalte, mit expliziter Fehlanzeige bei fehlender Materialdeckung. Video-Timestamps werden in Antworten eingebettet. Dies ist der Nachschlage-Modus (5.2): schnelle, belegte Antworten im Arbeitskontext, keine Didaktik. + +In dieser Stufe fällt die Infrastrukturentscheidung (Modellauswahl, Quantisierung, GPU-Dimensionierung, On-Premise vs. Rechenzentrum) – zu einem Zeitpunkt, an dem das restliche System noch nicht davon abhängt. Die Erprobungsergebnisse liefern die Zahlen für die Sizing-Profile (5.5). Gegen Ende der Stufe starten zwei vorgezogene Arbeitspakete: der Graph-Pilot mit einem Referenzkurs (5.3) und die juristische Begleitung (5.4). + +#### Stufe 3: Kompetenzmodell und Tracking + +Der Wissensgraph wird aufgebaut – LLM-gestützt extrahiert, redaktionell validiert; der vollständige Redaktionsworkflow ist Bestandteil dieser Stufe (5.3). Darauf setzt das regelbasierte, interpretierbare Tracking auf: Kompetenzstände pro Nutzer auf Basis expliziter Lernereignisse, nachvollziehbare Regeln für Wiederholungsempfehlungen, Backlinks und Feedforwards. Jede Empfehlung speichert Regel und Datengrundlage (Logging- und Begründungskonzept im Datenmodell von Anfang an). Mit dieser Stufe greift die Regulatorik vollständig; das Regulatorik-Paket (Konformitätsdokumentation, Muster-Betriebsvereinbarung, DSFA-Vorlage) ist Teil des Stufenumfangs, nicht Nacharbeit. + +#### Stufe 4: Adaptive Didaktik + +Die generativen und adaptiven Komponenten, intern in dieser Reihenfolge: zuerst die **Fragengenerierung** entlang der Bloom-Stufen mit verpflichtendem Experten-Review vor Veröffentlichung – sie ist die am wenigsten riskante generative Komponente (der Mensch prüft vor Wirkung) und liefert dem Tracking zusätzliche Datenpunkte. Dann die **automatische Lernpfadgenerierung** aus Graph und Lernstand (Delta-Analyse Soll/Ist, berechtigungskonforme Sequenzierung, adaptive Anpassung). Zuletzt der **Coaching-Modus** mit sokratischer Gesprächsführung (Eliciting → Probing/Guiding → Reconciling, Scaffolding mit Fading). Optional: BKT als probabilistische Verfeinerung des Trackings, sofern die Datenlage des jeweiligen Endkunden es hergibt. + +#### Komponenten-Mapping + +Keine Komponente des ursprünglichen Entwurfs wird verworfen; sie werden gestaffelt aufgebaut: + +|Komponente|Stufe 1|Stufe 2|Stufe 3|Stufe 4| +|---|---|---|---|---| +|Sovereign Knowledge Vault|Vektor-Index + BM25, Ingestion inkl. Video, Inhaltsklassifikation|+ multimodale Einbettung in Antworten|+ Graph-Schicht|–| +|Context & Role Manager|Berechtigungsfilter (lesend)|unverändert|+ LMS-Telemetrie (explizite Lernereignisse)|+ Aktionen (z. B. Einschreibung)| +|Sovereign Reasoning Core|–|LLM, Grounded Q&A|+ Graph-Extraktion (Redaktion)|+ didaktische Prompts, Fragengenerierung| +|Cognitive Learner Engine|–|–|regelbasiertes Tracking|+ BKT (optional)| +|Pedagogical Orchestrator|–|–|Regeln für Backlinks/Feedforwards|Lernpfade, Sokratik, Modus-Policies| +|Adaptive Interface|Suchoberfläche|Chat + Timestamps|Fortschrittsansicht, Begründungsanzeige|Coaching-Dialog, Modus-Schalter| +|Curation & Review Workbench (neu)|–|Pilot|Redaktionsworkflow produktiv|Fragen-Review| +|Evaluation & Telemetry Framework (neu)|Goldstandard, Metriken|+ Groundedness, Abstinenz|+ Tracking-Validität|+ Wirkungsmetriken| + +Die beiden neuen Komponenten (Workbench, Evaluationsframework) sind Ergebnis der Lückenanalyse L1 und L3; Begründung in Kapitel 6. + +### 5.2 Interaktionsmodi: Nachschlagen und Coaching + +Die Auflösung von Kritikpunkt K3 ist die explizite Unterscheidung zweier Modi mit einer dreistufigen Policy-Hierarchie. Automatische Kontexterkennung ("das System merkt, dass du lernst") wird verworfen: Sie wäre intransparent – im Widerspruch zur Nachvollziehbarkeitsanforderung – und fehleranfällig, denn die Motivation einer Frage ist von außen nicht zuverlässig erkennbar. Der Nutzer weiß es selbst am besten. + +**Ebene 1 – Systemdefault:** Außerhalb von Kursen (Einstieg über Suche, freie Frage im Arbeitskontext) gilt der Nachschlage-Modus: schnelle, belegte Antwort ohne Didaktik. + +**Ebene 2 – Autorenpolicy pro Kurs:** Der Kurs-Autor legt fest, welche Modi im Kurs verfügbar sind und welcher Default gilt. Drei Policies: _frei_ (Nutzer wählt, Default Nachschlagen), _Coaching empfohlen_ (Nutzer wählt, Default Coaching), _Coaching erzwungen_ (kein Umschalten – etwa für Prüfungsvorbereitung oder Compliance-Schulungen, deren Lernziel direkte Antworten unterlaufen würden). Der Autor überstimmt damit nicht die einzelne Nutzerwahl, sondern definiert den Rahmen, in dem gewählt werden darf. + +**Ebene 3 – Nutzerwahl innerhalb der Policy:** Wo erlaubt, schaltet der Nutzer jederzeit um – über einen sichtbaren Schalter, nicht versteckt in Einstellungen. + +**Statusabhängige Standard-Policy:** Als Standardempfehlung gilt die statusabhängige Variante: Bei erstmaliger Kursbelegung gilt Coaching; nach bestandenem Kurs kann der Nutzer jederzeit zurückkehren und im Nachschlage-Modus interagieren. Diese Variante ist bewusst der rollenabhängigen (z. B. Coaching-Pflicht nur für Auszubildende) vorgezogen: Sie nutzt ein Datum, das das LMS ohnehin führt (formaler Kursabschluss) und benötigt nicht einmal das Stufe-3-Tracking; sie ist trivial nachvollziehbar ("du hast bestanden, deshalb steht dir der Fragemodus offen"); und sie umgeht das Ungleichbehandlungsproblem, weil der Status durch eigene Leistung erreichbar ist statt durch Rollenzuweisung. Sie macht den bestandenen Kurs zum nachschlagbaren Referenzmaterial für den Arbeitsalltag – die Doppelnutzung, die Schulungsinhalte wertvoller macht. Rollenabhängige Policies bleiben technisch trivial abbildbar (Context & Role Manager), sind aber wegen der Mitbestimmungsrelevanz von Ungleichbehandlung nur Option, nicht Standard (Register O6). Bei wiederkehrenden Pflichtschulungen muss definiert sein, ob der Status beim Neuantritt zurückfällt; das ist eine Autoreneinstellung, kein Konzeptproblem (Register O5). + +**Der Leakage-Pfad und seine Schließung:** Erzwingt ein Kurs Coaching, könnte der Nutzer den Kurs verlassen und dieselbe Frage der freien Suche stellen – die Policy wäre wirkungslos. Die Lösung nutzt die vorhandene Stufe-1-Architektur: Die Berechtigungsfilterung des Knowledge Vault wird um eine Inhaltsklassifikation erweitert. Der Autor markiert bestimmte Materialien (Musterlösungen, Prüfungsfragen samt Antworten) als "nur im Kurskontext"; sie erscheinen im freien Nachschlage-Index gar nicht erst. Kein neuer Mechanismus, sondern Wiederverwendung des Rollenfilters – deshalb gehört die Klassifikation ab Stufe 1 ins Datenmodell. + +**Transparenz im Interface:** Der aktive Modus ist jederzeit sichtbar, idealerweise mit unterschiedlicher visueller Anmutung (Nachschlagen: kompakte Antwort mit Quellenliste; Coaching: dialogischer Stil). Ist Coaching erzwungen, sagt das System das offen ("In diesem Kurs begleite ich dich zur Lösung, statt sie direkt zu nennen"). Andernfalls wird die Didaktik als Fehlfunktion wahrgenommen und das Vertrauensziel beschädigt. Das Antwortformat des Stufe-2-Assistenten ist von Beginn an so zu gestalten, dass in Stufe 4 ein zweiter Antwortstil danebentreten kann, ohne das Interface umzubauen. + +### 5.3 Wissensgraph und Redaktionsworkflow + +Dieser Abschnitt löst Lücke L1 – nach dem Phasenmodell der gewichtigste Konzeptbaustein, weil ohne ihn die Stufen 3 und 4 kein Fundament haben. + +#### 5.3.1 Datenmodell + +Der Wissensgraph besteht aus zwei Bausteinen. **Knoten** sind Kompetenzen bzw. Wissenskonzepte: abgrenzbare Einheiten dessen, was jemand können oder wissen soll ("Manometer ablesen", "Sicherheitsregeln bei Hochvoltanlagen", "Druckabfall-Ursachen diagnostizieren"). Die Granularitäts-Faustregel: Ein Knoten ist etwas, das sich mit einer Handvoll Prüfungsfragen sinnvoll testen lässt. Feiner geschnitten wird der Graph unpflegbar, gröber wird das Tracking nutzlos ("Kompetenz Hydraulik: 60 %" sagt niemandem etwas). + +**Kanten** sind typisierte Beziehungen. Im Sinne der Pragmatik-Anforderung sind genau drei Typen vorgesehen, die alle Szenarien des Brainstormings tragen: _setzt-voraus_ (Kompetenz → Kompetenz; treibt Backlinks, Feedforwards und Lernpfad-Sequenzierung), _wird-vermittelt-durch_ (Kompetenz → Materialabschnitt: Video-Segment, HTML-Kapitel) und _wird-geprüft-durch_ (Kompetenz → Quizfrage; die Kante, über die das Tracking weiß, welche falsche Antwort welche Kompetenz betrifft). Weitere Beziehungstypen (z. B. Ähnlichkeit) sind bewusst zurückgestellt. + +Die Speicherung ist unkritisch (Graphdatenbank oder relational); das Neue ist nicht die Haltung der Daten, sondern ihre Erstellung. + +#### 5.3.2 Der teilautomatisierte Workflow + +Kerngedanke: Das LLM verwandelt Erstellungsarbeit in Prüfarbeit. Der Mensch erschafft den Graphen nicht, er begutachtet Vorschläge. Die Pipeline umfasst fünf Schritte: + +**1. Extraktion mit Belegpflicht.** Das souveräne LLM aus Stufe 2 (keine neue Infrastruktur) analysiert die Materialien und schlägt Kompetenz-Kandidaten samt Beziehungen vor. Designregel: Jeder Vorschlag muss mit einem Textbeleg verankert sein – der konkreten Stelle im Dokument oder Transkript, aus der er stammt. Vorschläge ohne Beleg werden verworfen, bevor ein Mensch sie sieht. Das unterdrückt Halluzinationen strukturell (das Modell kann keine Kompetenz erfinden, die nirgends im Material steht) und beschleunigt die Prüfung (der Experte liest den Beleg neben dem Vorschlag, statt selbst zu suchen). Es ist dasselbe Grounding-Prinzip wie beim Nachschlage-Assistenten, nach innen gewendet. + +**2. Konsolidierung.** Dasselbe Konzept erscheint über Dokumente hinweg unter verschiedenen Namen ("Manometer ablesen" / "Druckanzeige prüfen"). Über Embedding-Ähnlichkeit (Stufe-1-Kompetenz) werden Kandidaten geclustert und Zusammenführungen vorgeschlagen. Ohne diesen Schritt erstickt der Graph an Dubletten und das Tracking führt dieselbe Kompetenz mehrfach. + +**3. Fachliche Prüfung.** Der Experte arbeitet in der Curation & Review Workbench mit drei Aktionen pro Vorschlag: annehmen, bearbeiten, ablehnen. Zwei Stellhebel entscheiden über die Zumutbarkeit: Die Oberfläche priorisiert nach Konfidenz und Wirkung – _setzt-voraus_-Kanten zuerst, denn Fehler dort schlagen direkt auf Nutzer durch (falsche Wiederholungsempfehlungen, blockierte Lernpfade), während eine ungenau benannte Kompetenz nur kosmetisch stört. Und automatische Strukturprüfungen laufen vor dem Menschen: Zyklen in Voraussetzungsketten werden maschinell erkannt und markiert, ebenso verwaiste Kompetenzen ohne Material- oder Fragenverknüpfung. Der Mensch prüft Fachlichkeit, nicht Formalien. + +**4. Freigabe und Versionierung.** Der Graph geht als Version live; jede Änderung ist protokolliert (wer hat wann welchen Vorschlag angenommen). Das ist zugleich die Datengovernance-Dokumentation, die der AI Act für Stufe 3 verlangt – der Redaktionsworkflow erzeugt die Compliance-Artefakte aus Designprinzip P5 nebenbei. + +**5. Laufende Pflege.** Material ändert sich. Bei Aktualisierung eines Dokuments oder Austausch eines Videos stößt das System eine Neu-Extraktion nur für dieses Material an und legt dem Experten einen Differenzvorschlag vor ("diese zwei Kompetenzen wären betroffen, diese Kante entfiele") statt einer Komplettprüfung. Ohne diesen Mechanismus veraltet der Graph schleichend – und ein veralteter Graph ist schlimmer als keiner, weil er falsche Empfehlungen mit Autorität ausspricht. + +#### 5.3.3 Warum nicht vollautomatisch + +Fachlich: Voraussetzungsbeziehungen sind oft implizites Expertenwissen, das im Material nicht explizit steht – ein erfahrener Ausbilder weiß, dass Konzept A vor B zu lernen ist, auch wenn kein Dokument es sagt. Das LLM findet nur, was belegt ist; die Lücken schließt der Experte. Regulatorisch: Der Graph steuert ab Stufe 3 Empfehlungen mit Wirkung auf Beschäftigte – die menschliche Freigabe seiner Struktur ist wesentlicher Teil der "menschlichen Aufsicht" nach AI Act. Der Review-Schritt ist kein wegzuoptimierender Kostenfaktor, sondern ein ohnehin geschuldeter Compliance-Baustein. + +#### 5.3.4 Aufwandserwartung und Verantwortung + +Ehrliche Erwartung (gehört sinngemäß auch ins Kundendokument): Teilautomatisiert heißt nicht aufwandsfrei. Erfahrungswerte vergleichbarer Extraktionsprojekte legen eine Aufwandsreduktion um grob eine Größenordnung gegenüber manueller Erstellung nahe – pro Kurs bleibt aber eine Prüfsitzung von Stunden, nicht Minuten. Die Fachexpertise liegt beim Endkunden (dessen Prozesse, dessen Maschinen); der Review-Experte ist typischerweise ein Trainer oder Fachverantwortlicher des Endkunden. Konsequenz: Die Workbench ist kein internes Werkzeug, sondern Produktbestandteil mit Benutzbarkeitsanspruch für Nicht-Techniker. + +**Timing:** Formal gehört der Graphaufbau zu Stufe 3; der Pilot mit einem Referenzkurs startet jedoch gegen Ende von Stufe 2 – die LLM-Infrastruktur steht dann bereits, und die Pilot-Erfahrungen (Granularität, Prüfaufwand, Oberflächenbedarf) informieren die Stufe-3-Planung, bevor sie festgezurrt ist. + +### 5.4 Regulatorik als Designprinzip + +Dieser Abschnitt löst Kritikpunkt K5: Regulatorik nicht als Risikoabsatz im Anhang, sondern als konkrete Architekturentscheidungen. Vorbehalt: Die folgende Einordnung ist keine Rechtsberatung; eine juristische Prüfung ist als Projektschritt eingeplant (Beginn Ende Stufe 2, Register O3). + +**Zeitdruck:** Die wesentlichen Pflichten des EU AI Act für Hochrisiko-Systeme nach Anhang III gelten ab August 2026 – praktisch jetzt. Ein Produkt, das in Stufe 3 geht, steht von Tag eins unter dem vollen Regime. Nachrüsten ist keine Option, weil Pflichten wie Logging und Dokumentation die Architektur betreffen. + +**Einstufung je Stufe** (zugleich ein Vorteil des Phasenmodells – die riskanten Teile kommen später und können vorbereitet werden): + +|Stufe|Voraussichtliche Einstufung|Wesentliche Pflichten| +|---|---|---| +|1: Suche|Kein relevantes KI-Risiko (Retrieval, keine Personenbewertung)|Keine spezifischen; DSGVO-Basispflichten| +|2: Nachschlage-Assistent|Begrenztes Risiko|Transparenz: Kennzeichnung als KI, Hinweis auf mögliche Fehler| +|3: Kompetenztracking|Sehr wahrscheinlich Hochrisiko (Anhang III: Bewertung von Lernergebnissen; Beschäftigtenkontext)|Risikomanagement, Datengovernance, technische Dokumentation, Logging, menschliche Aufsicht, Genauigkeitsnachweise| +|4: Adaptive Didaktik|Hochrisiko, soweit Zugang zu Bildung gesteuert wird (Lernpfade, Freischaltung); Fragengenerierung mit Review eher unkritisch|Wie Stufe 3, plus Nachweis menschlicher Kontrolle über generierte Inhalte| + +Dazu zwei deutsche Ebenen, für die Endkunden oft die härtere Hürde: **Mitbestimmung** (Kompetenztracking ist Leistungs- und Verhaltenskontrolle; der Betriebsrat muss per Betriebsvereinbarung zustimmen, § 87 BetrVG) und **DSGVO Art. 22** (vollautomatisierte Entscheidungen mit erheblicher Wirkung – automatisches Sperren eines Moduls, Verordnen einer Pflichtwiederholung – nur mit Schutzmechanismen zulässig). + +Daraus folgen fünf Designprinzipien: + +**P1 – Empfehlung statt Entscheidung als Systemgrundsatz.** Das System verordnet nichts automatisch – es empfiehlt die Grundlagenwiederholung, schlägt den Lernpfad vor, markiert den Freischaltungskandidaten. Die verbindliche Konsequenz zieht ein Mensch (Nutzer, Trainer, Vorgesetzter), oder sie ist rein unterstützend ausgestaltet. Das entschärft Art. 22 DSGVO und liefert die menschliche Aufsicht des AI Act strukturell statt als nachträglichen Genehmigungs-Button. Konfigurierbar: Manche Endkunden werden Automatik wollen und die Verantwortung übernehmen; der Auslieferungszustand ist konservativ. + +**P2 – Interpretierbarkeit als Architekturentscheidung, nicht als Option.** Beantwortet K4 endgültig: Regelbasiertes Tracking und später BKT sind der Standard, weil jede Empfehlung auf benennbare Regeln und Datenpunkte zurückführbar ist ("Kompetenz X dreimal in Folge nicht bestanden, Voraussetzung Y zuletzt vor acht Monaten geprüft"). Genau diese Begründung wird dem Nutzer angezeigt – Transparenzpflicht und Kundenanforderung Nachvollziehbarkeit werden mit demselben Mechanismus erfüllt. Deep-Learning-Verfahren (DKT) sind eine dokumentierte Nicht-Entscheidung: Blackbox-Charakter im Widerspruch zur Nachvollziehbarkeit, Cold-Start-Problem bei Mittelstandskunden ohne große Interaktionsdatenmengen. + +**P3 – Datenminimierung bei der Telemetrie.** Der Ursprungsentwurf wollte Verweildauern, Navigationsmuster, Tipprhythmen erfassen. Jedes dieser Signale erhöht Mitbestimmungs- und Datenschutzaufwand; für regelbasiertes Tracking sind sie unnötig. Standard: Nur explizite Lernereignisse (Quizantworten, Modulabschlüsse) fließen ins Tracking. Verhaltenstelemetrie ist eine spätere, separat zu vereinbarende Ausbauoption. Pragmatismus und Compliance zeigen hier in dieselbe Richtung – auch Speicher- und Komplexitätskosten sinken. + +**P4 – Getrennte Sichten für Nutzer und Organisation.** Der Lernende sieht seinen eigenen Kompetenzstand vollständig. Vorgesetzte und Personalentwicklung sehen standardmäßig aggregierte oder anlassbezogene Sichten (Abschlussquoten, Zertifikatsstatus), nicht das individuelle Schwächenprofil. Individuelle Einsicht ist möglich, aber als bewusste, protokollierte Konfiguration des Endkunden, die dieser in seiner Betriebsvereinbarung regelt. Das nimmt dem System den Charakter eines Überwachungswerkzeugs – für die Akzeptanz bei den Lernenden ohnehin entscheidend. + +**P5 – Compliance-Artefakte als Produktbestandteil.** mastersolution ist Anbieter im Sinne des AI Act, die Endkunden sind Betreiber – und die wenigsten Mittelständler können die Betreiberpflichten allein stemmen. Ausgeliefert werden: technische Dokumentation, Logging-Konzept, Muster-Datenschutzfolgenabschätzung, Vorlage für die Betriebsvereinbarung. Regulatorik wird damit vom Hindernis zum Verkaufsargument, exakt anschlussfähig an die Souveränitätspositionierung: nicht nur "deine Daten bleiben bei dir", sondern "du kannst das System rechtssicher einführen". Kein Wettbewerber aus der US-Cloud-Welt kann das glaubwürdig anbieten. + +**Konsequenzen für das Phasenmodell:** Das Logging- und Begründungskonzept (jede Empfehlung speichert Regel + Datengrundlage) gehört von Anfang an ins Datenmodell von Stufe 3. Die juristische Begleitung startet als Arbeitspaket am Ende von Stufe 2, nicht erst wenn Stufe 3 entwickelt ist. + +### 5.5 Betreibermodell + +Dieser Abschnitt löst Lücke L2. Ausgangspunkt ist eine Realität, die der Ursprungsentwurf ausblendet: mastersolution betreibt nicht ein System, sondern liefert ein Produkt, das in zwei Welten laufen muss – als gehostete Instanz im deutschen Rechenzentrum und als autarke On-Premise-Installation. Beide Welten müssen mit derselben Codebasis funktionieren, sonst erdrückt der doppelte Wartungsaufwand das Produkt wirtschaftlich. + +#### 5.5.1 Trennlinie zwischen Produkt und Mandant + +**Produktseitig** (von mastersolution gepflegt, für alle identisch): die Software, die KI-Modelle (Embedding-Modell, Reranker, LLM, ASR-Modell), das Evaluationsframework, Regelwerk-Vorlagen für das Tracking, die Curation & Review Workbench, die Compliance-Artefakte (Dokumentationsvorlagen, Muster-Betriebsvereinbarung). + +**Mandantenspezifisch** (pro Endkunde entstehend und dort verbleibend): Materialbestand, Index, Wissensgraph, Fachvokabular für die Transkription, Rollen und Berechtigungen, Autoren-Policies, sämtliche Lernstände und Logs. + +Daraus folgt die Festlegung, die das Souveränitätsversprechen vervollständigt: **Die Modelle werden nicht auf Mandantendaten trainiert oder feingetunt.** Die gesamte Kundenspezifik entsteht über Retrieval, Index und Graph – über Daten beim Mandanten, nicht über Modellgewichte. Drei Vorteile: Keine Information kann von Mandant A über das Modell zu Mandant B wandern; alle Mandanten profitieren von zentralen Modellverbesserungen; ein Modell-Update kann kundenspezifisches Verhalten nicht "vergessen", weil keines in den Gewichten steckt. Feintuning bleibt als kostenpflichtige Sonderleistung für Großkunden mit eigener Instanz denkbar, ist aber bewusst nicht der Standard. + +#### 5.5.2 Verantwortungsmatrix + +|Aufgabe|mastersolution|Endkunde| +|---|---|---| +|Plattform, Modelle, Updates|verantwortlich|–| +|Ingestion-Pipeline einrichten|verantwortlich (Onboarding)|liefert Material| +|Wissensgraph: Extraktion|System (automatisch)|–| +|Wissensgraph: fachliche Prüfung|unterstützt (Schulung, Werkzeug)|verantwortlich (Fachexperte)| +|Rollen, Berechtigungen, Policies|Werkzeug|verantwortlich| +|Betriebsvereinbarung, DSFA|liefert Vorlagen|verantwortlich (Betreiberpflicht)| +|Qualitätsüberwachung (Retrieval-Metriken)|Framework + SaaS-Betrieb|bei On-Premise: führt Messung aus| +|Hardware-Betrieb On-Premise|Sizing-Vorgaben, Support|verantwortlich| + +Die Matrix macht die fachliche Hoheit über den Graphen beim Endkunden und die Werkzeug- und Prozesshoheit bei mastersolution verbindlich. Das ist zugleich die AI-Act-Logik (Anbieter/Betreiber) und im Kern die Grundlage der vertraglichen Pflichtenteilung. + +#### 5.5.3 Updates als beherrschtes Risiko: das Update-Gate + +Bei KI-Systemen ändert ein Modellwechsel Verhalten, nicht nur Funktionen: Ein neues Embedding-Modell kann die Suchqualität für die Fachbegriffe eines Kunden verschlechtern, während es im Durchschnitt besser ist; ein LLM-Update kann den Antwortstil verändern. Die Antwort ist im Phasenmodell bereits angelegt: **Das Evaluationsframework aus Stufe 1 wird zum Update-Gate.** Jeder Mandant besitzt ein eigenes Goldstandard-Testset (aufgebaut beim Onboarding, gepflegt aus realen Suchanfragen); ein Modell-Update wird erst aktiviert, nachdem die Evaluations-Suite auf der Kundeninstanz gegen dieses Testset gelaufen ist und keine Regression zeigt. Dazu gehören versionierte Modell-Releases mit Rollback-Fähigkeit: Das neue Modell wird parallel installiert, geprüft, umgeschaltet; das alte bleibt als Rückfalloption. Nebeneffekt: Der beim Embedding-Wechsel nötige Index-Neubau (bei großen Beständen Stunden) wird zum unterbrechungsfreien Hintergrundprozess statt zur Downtime. + +Für vollständig abgeschottete Installationen: signierte Offline-Update-Pakete, die Modelle, Software und Evaluations-Suite bündeln und vor Ort ohne Netzverbindung durchlaufen. Aufwendiger – aber exakt die Disziplin, die die Marktposition des Kunden begründet und die kein US-Cloud-Anbieter anbieten kann. + +Die Kehrseite der Abschottung: mastersolution erhält von On-Premise-Instanzen keine Nutzungsdaten zur Produktverbesserung. Vorschlag: ein Opt-in-Telemetriekonzept, das ausschließlich aggregierte Qualitätsmetriken exportiert (Retrieval-Kennzahlen, Antwortlatenzen, Nutzungsvolumen – nie Inhalte, nie personenbezogene Daten), mit einem Exportpaket, das der Kunde vor Übermittlung einsehen kann. Wer auch das ablehnt, bleibt vollständig dunkel; das Produkt muss auch damit leben können. + +#### 5.5.4 Hardware-Dimensionierung + +Hiermit wird K6 ("Geschwindigkeit") operationalisiert; die Stufen haben radikal unterschiedliche Hardwareprofile: + +**Stufe 1** kommt ohne GPU oder mit minimaler GPU-Unterstützung aus: BM25 ist trivial; Embedding-Modelle und Cross-Encoder-Reranker sind klein genug für CPU-Inferenz mit akzeptabler Latenz bei typischen Suchlasten. Die souveräne Suche läuft auf vorhandener Serverhardware der Endkunden – eine drastisch gesenkte Einstiegshürde. + +**Ab Stufe 2** braucht LLM-Inferenz GPU-Kapazität. Das Produkt wird mit zwei bis drei definierten Sizing-Profilen ausgeliefert – etwa ein Basisprofil (eine Inferenz-GPU, kleineres quantisiertes Modell, bis zu einer definierten Zahl gleichzeitiger Nutzer) und ein Standardprofil für größere Organisationen, jeweils mit zugesicherten Latenzkorridoren. Die konkreten Zahlen sind Ergebnis der Stufe-2-Erprobung (Register O2); die Struktur – Profile mit Zusicherungen statt "kommt drauf an" – gibt dem Vertrieb eine belastbare Antwort auf die erste Frage jedes Endkunden. Im SaaS-Betrieb wird GPU-Kapazität über Mandanten gepoolt, was die Kostenstruktur deutlich verbessert – ein Argument, die gehostete Variante zum Standardweg und On-Premise zum Premium-Angebot zu machen. + +**Batch-Lasten** (Video-Transkription, Graph-Extraktion, Index-Neubau) sind vom interaktiven Betrieb architektonisch zu trennen: nicht latenzkritisch, laufen nachts oder auf temporär zugeschalteter Kapazität. Ein Transkriptions-Stau darf die Suchlatenz nie berühren. + +### 5.6 Erfolgsmessung + +Dieser Abschnitt löst Lücke L3. Leitprinzip: Jede Stufe hat eigene, zu ihr passende Metriken; die Messinfrastruktur der frühen Stufen trägt die späteren. + +**Baseline-Prinzip:** "Verkürzung von Lernprozessen" ist eine Vergleichsaussage. Werden die Ist-Werte (heutige Onboarding-Dauer, Schulungsdurchlaufzeiten, Bestehensquoten, Trainer-Aufwand für Rückfragen) erst gemessen, wenn das System läuft, ist der Nachweis für immer verloren. Die Baseline-Erhebung ist deshalb Standardschritt im Onboarding jedes Endkunden – kleiner Aufwand, großer Effekt: Sie verwandelt das zentrale Verkaufsversprechen von einer Behauptung in eine belegbare Zahl und liefert mastersolution Referenzmaterial für den Vertrieb. + +|Stufe|Qualitätsmetriken (Systemsicht)|Wirkungsmetriken (Nutzersicht)| +|---|---|---| +|1: Suche|nDCG/MRR auf Goldstandard, Null-Treffer-Quote, Latenz|Klickrate auf Treffer, Suchabbrüche, wiederkehrende Nutzung| +|2: Assistent|Groundedness-Quote, Quellenpräzision, Abstinenz-Verhalten|beantwortete Fragen ohne menschliche Hilfe, Feedback-Quote| +|3: Graph + Tracking|Graphabdeckung, Prüfaufwand pro Kurs, Tracking-Validität|Akzeptanz und Wirksamkeit von Empfehlungen| +|4: Adaptive Didaktik|Freigabequote generierter Fragen, Pfadqualität|Time-to-Competency, Bestehensquoten, Onboarding-Dauer| + +**Stufe 1 – Vertrauen messbar machen:** Die technischen Metriken (nDCG auf dem Goldstandard) sind zugleich das Update-Gate. Vertrauen selbst ist ein Nutzerphänomen mit zwei ehrlichen Proxies: Verhaltensdaten (kehren Nutzer zur Suche zurück, klicken sie Treffer an – oder suchen sie zweimal und geben auf?) und eine bewusst minimale In-App-Rückmeldung ("War das hilfreich?"). Die Null-Treffer-Quote verdient besondere Aufmerksamkeit: Sie zeigt Lücken im Materialbestand und ist damit zugleich Redaktionswerkzeug – die unbeantworteten Suchanfragen von heute sind die Content-Prioritäten von morgen. + +**Stufe 2 – Groundedness und Abstinenz:** Die kritische Metrik ist der Anteil generierter Antworten, deren Aussagen vollständig durch die zitierten Quellen gedeckt sind – gemessen über regelmäßige menschliche Stichproben anhand einer einfachen Rubrik plus automatisierte Prüfung im Evaluationsframework. Ebenso wichtig das Abstinenz-Verhalten: Sagt das System "dazu finde ich nichts im Material", wenn das die richtige Antwort ist – oder fabuliert es? Dazu gehört ein Testset mit gezielt nicht beantwortbaren Fragen. Ein System, das zuverlässig schweigt, wenn es nichts weiß, ist für das Vertrauensziel wertvoller als eines, das immer irgendetwas sagt. + +**Stufe 3 – Validität vor Aktivität:** Die entscheidende Frage ist nicht, ob das Tracking läuft, sondern ob es stimmt: Sagt die Kompetenzeinschätzung tatsächliche Prüfungsergebnisse voraus? Prüfbar durch Vergleich der Einschätzung vor einer regulären Prüfung mit deren Ergebnis – aggregiert über Nutzer, nicht individuell. Dazu die Empfehlungswirksamkeit: Wird eine empfohlene Grundlagenwiederholung angenommen, und verbessern sich die Ergebnisse danach messbar? Eine Empfehlung, die niemand befolgt oder die nichts bewirkt, ist ein Konzeptfehler, den nur diese Messung aufdeckt. + +**Stufe 4 – die Ernte:** Erst jetzt sind die Kennzahlen messbar, die der Kunde eigentlich kauft: Time-to-Competency (Kursstart bis bestandene Kompetenzprüfung), Onboarding-Durchlaufzeit, Bestehens- und Wiederholungsquoten – jeweils gegen die Baseline. Methodische Ehrlichkeit: Ein sauberes A/B-Experiment ist im Betriebsalltag selten möglich (man kann nicht der halben Belegschaft das bessere Onboarding vorenthalten). Realistisch sind Kohortenvergleiche – Einstellungsjahrgänge vor und nach Einführung – mit benannten Störgrößen. Wissenschaftlich unvollkommen, für eine Geschäftsentscheidung tragfähig; die Alternative (keine Messung) ist schlechter. + +**Aggregations-Leitplanke:** Sämtliche Wirkungsmetriken werden aggregiert erhoben und dienen der Produktqualität – nie der Leistungsbewertung Einzelner. Das ist die konsequente Fortsetzung von P3 und P4: Dieselbe Zahl, die als Kohortenmittelwert unproblematisch ist, wird als Individualwert im Zugriff des Vorgesetzten zum Mitbestimmungsfall. Die Messarchitektur erzwingt diese Trennung technisch, nicht nur organisatorisch: Die Auswertungsschicht kennt für Wirkungsmetriken keine Personenbezüge. + +--- + +## 6. Komponentensicht + +Kapitel 5 beantwortet "was bauen wir wann"; dieses Kapitel beantwortet "woraus besteht das System". Aus dieser Sicht werden später die Pflichtenhefte je Subsystem geschnitten. Die sechs Komponenten des Ursprungsentwurfs werden übernommen und um zwei ergänzt, die sich aus der Lückenanalyse ergeben. Englische Eigennamen werden beibehalten (Begründung im Entscheidungsregister E15); der Fließtext bleibt deutsch. + +### 6.1 Sovereign Knowledge Vault (Wissensablage und -vernetzung) + +**Zweck:** Ingestion, Indizierung und logische Vernetzung aller Kursmaterialien. **Stufen:** 1 (Vektor-Index + BM25, Text-Ingestion, Video-Pipeline mit zeitgestempelten Transkript-Segmenten, Inhaltsklassifikation "nur im Kurskontext"), 2 (Einbettung der Timestamps in Antworten, optional Keyframe-Analyse), 3 (Graph-Schicht mit den drei Kantentypen). **Änderungen gegenüber Ursprungsentwurf:** Die Graph-Schicht ist nachgelagert statt konstitutiv; die Vault startet als reines Retrieval-System. Die Inhaltsklassifikation ist neu (Leakage-Pfad, 5.2). **Spezifikationshinweise:** Chunking-Strategie pro Materialtyp definieren (HTML-Abschnitte, Transkript-Segmente, Quizfragen als eigene Einheiten). Berechtigungs- und Klassifikationsattribute gehören an jede Index-Einheit, nicht an Dokumente als Ganzes – sonst sind abschnittsgenaue Filterung und Kurskontext-Sperren nicht umsetzbar. Index-Neubau als unterbrechungsfreier Parallelprozess (Update-Gate, 5.5.3). Fachvokabular-Verwaltung pro Mandant für die ASR-Korrektur. + +### 6.2 Context & Role Manager (Identität, Berechtigungen, Aktionen) + +**Zweck:** Identifikation des Nutzers, Verifikation von Rolle und Berechtigungen in Echtzeit, Anwendung als zwingende Filterkriterien auf alle Abfragen; ab Stufe 4 Auslösen autorisierter Aktionen im LMS (z. B. Einschreibung in generierte Lernpfade). **Stufen:** 1 (lesender Berechtigungsfilter), 3 (Zugriff auf explizite Lernereignisse aus dem LMS), 4 (Aktionen). **Änderungen:** Telemetrie-Umfang drastisch reduziert (P3): nur explizite Lernereignisse, keine Verhaltensdaten. **Spezifikationshinweise:** Anbindung an mastersolution ONE (Moodle) klären – hängt an der offenen Moodle-Integrationsfrage (O1). Statusabfrage "Kurs bestanden" für die Modus-Policy (5.2) gehört hierher. Rollenmodell muss die Autoren-Rolle (Workbench, Policies) und die Fachexperten-Rolle (Graph-Review) umfassen, nicht nur Lernende und Vorgesetzte. + +### 6.3 Sovereign Reasoning Core (Sprachmodell) + +**Zweck:** Lokal oder in isolierter, zertifizierter Umgebung gehostetes LLM; synthetisiert Antworten streng auf Basis bereitgestellter Fakten (Grounded Generation); ab Stufe 3 zusätzlich Extraktionsaufgaben (Graph-Kandidaten mit Belegpflicht), ab Stufe 4 didaktisch instruierte Generierung (sokratische Prompts, Fragengenerierung). **Stufen:** 2 (Q&A), 3 (Extraktion), 4 (Didaktik). **Änderungen:** Explizite Festlegung: kein Training/Feintuning auf Mandantendaten (5.5.1). Abstinenz-Verhalten ("keine Antwort im Material") ist Pflichtverhalten und wird getestet (5.6). **Spezifikationshinweise:** Modellauswahl und Quantisierungsstrategie in Stufe-2-Erprobung; Ergebnis sind die Sizing-Profile (O2). Prompt-Templates versionieren – sie sind Verhaltensbestandteil und gehören unter das Update-Gate wie Modellgewichte. Trennung interaktiver Inferenz von Batch-Extraktion (5.5.4). + +### 6.4 Cognitive Learner Engine (Lernstandsmodell) + +**Zweck:** Führt den Kompetenzstand pro Nutzer auf Basis expliziter Lernereignisse; wertet Regeln aus, die Empfehlungen begründen. **Stufen:** 3 (regelbasiert), 4 (optional BKT). **Änderungen:** Grundlegende Neuausrichtung gegenüber dem Ursprungsentwurf: regelbasiert statt DKT (P2, K4); Eingangsdaten minimiert (P3); jede Empfehlung speichert Regel und Datengrundlage (Begründungskonzept). **Spezifikationshinweise:** Regelwerk als konfigurierbare Vorlagen ausliefern (Betreibermodell: Regelvorlagen sind produktseitig, Parametrisierung mandantenspezifisch). Validitätsmessung (Vorhersage vs. Prüfungsergebnis, aggregiert) von Beginn an einbauen. BKT-Erweiterung so vorsehen, dass sie dieselbe Begründungsschnittstelle bedient ("Mastery-Wahrscheinlichkeit 0,4, weil …") – sonst bricht die Nachvollziehbarkeit beim Ausbau. + +### 6.5 Pedagogical Orchestrator (didaktische Steuerung) + +**Zweck:** Entscheidet auf Basis von Lernstand, Graph und Policy, wie das System reagiert: direkte Antwort, Backlink, Feedforward, sokratische Gegenfrage, Lernpfad-Vorschlag. **Stufen:** 3 (Regeln für Backlinks/Feedforwards), 4 (Lernpfadgenerierung, Sokratik, Modus-Policies). **Änderungen:** Kein Reinforcement Learning (K1, P2); regelbasierte Entscheidungslogik. Die Modus-Policy-Hierarchie (5.2) liegt hier. Sokratik ist auf den Coaching-Modus beschränkt statt systemweit erzwungen (K3). **Spezifikationshinweise:** Gap-Analyse (nötige Voraussetzungen laut Graph vs. Lernermodell) als eigenständiger, testbarer Baustein. Lernpfadgenerierung muss Berechtigungen filternd berücksichtigen und darf Freigabeprozesse nur anstoßen, nie selbst entscheiden (P1). Formulierungs-Templates für Backlinks/Feedforwards mit dem Kunden abstimmen – Tonalität ist Produktentscheidung. + +### 6.6 Adaptive Interface (Nutzerschnittstelle) + +**Zweck:** Sucheingabe und -ergebnisse, Chat mit Quellen und Video-Timestamps, Modus-Anzeige und -Schalter, Fortschritts- und Begründungsanzeige, eingebettete Quiz-Snippets. **Stufen:** 1 (Suche), 2 (Chat), 3 (Fortschritt, Begründungen), 4 (Coaching-Dialog, Modus-Schalter). **Änderungen:** Modus-Transparenz als Pflichtmerkmal (5.2); Antwortformat ab Stufe 2 vorbereitet für zweiten Antwortstil. **Spezifikationshinweise:** Absprung in Materialien (Dokumentabschnitt, Video-Timestamp) ist Kernfunktion, kein Nice-to-have – sie trägt die Nachvollziehbarkeit. Begründungsanzeige für Empfehlungen ("weil …") gehört in die Standardansicht, nicht in ein Detail-Popup. Barrierefreiheit früh einplanen (Kundenprodukt didab zeigt die Relevanz der Zielgruppe im Portfolio). + +### 6.7 Curation & Review Workbench (neu: Redaktionswerkzeug) + +**Zweck:** Arbeitsumgebung für Fachexperten des Endkunden: Prüfung der Graph-Vorschläge (annehmen/bearbeiten/ablehnen mit Beleganzeige), Priorisierung nach Konfidenz und Wirkung, Strukturprüfungs-Hinweise, Differenzvorschläge bei Materialänderungen, Versionierung und Freigabe; in Stufe 4 zusätzlich Review generierter Prüfungsfragen. **Stufen:** 2 (Pilot), 3 (produktiv), 4 (Fragen-Review). **Begründung als eigene Komponente:** Ergebnis von L1. Die Workbench ist Produktbestandteil mit Benutzbarkeitsanspruch für Nicht-Techniker – kein internes Hilfsskript. Sie ist der Ort, an dem die menschliche Aufsicht (P1, 5.3.3) konkret stattfindet, und erzeugt nebenbei die Governance-Protokolle. **Spezifikationshinweise:** Die Prüfeffizienz entscheidet über die Akzeptanz des gesamten Graph-Ansatzes; UX-Aufwand hier nicht unterschätzen. Batch-Aktionen (mehrere Vorschläge eines Clusters gemeinsam behandeln) von Beginn an. Vier-Augen-Freigabe als konfigurierbare Option für regulierte Endkunden. + +### 6.8 Evaluation & Telemetry Framework (neu: Qualitätssicherung) + +**Zweck:** Goldstandard-Verwaltung je Mandant, Metrik-Berechnung (5.6), Update-Gate-Ausführung (5.5.3), Abstinenz- und Groundedness-Testsets, aggregierte Wirkungsmetriken ohne Personenbezug, Opt-in-Exportpakete. **Stufen:** 1 (Retrieval-Metriken, Gate), 2 (Groundedness, Abstinenz), 3 (Tracking-Validität), 4 (Wirkungsmetriken gegen Baseline). **Begründung als eigene Komponente:** Ergebnis von L3 und tragende Säule des Betreibermodells – ohne dieses Framework gibt es weder das Vertrauensziel noch sichere Updates noch den Nutzennachweis. Es querschneidet alle anderen Komponenten und verdient deshalb ein eigenes Pflichtenheft. **Spezifikationshinweise:** Muss offline lauffähig sein (Offline-Update-Pakete). Die Aggregations-Leitplanke technisch erzwingen: Auswertungsschicht ohne Personenbezüge für Wirkungsmetriken. Baseline-Erhebung als geführter Onboarding-Prozess, nicht als Freitext-Fragebogen. + +--- + +## 7. Roadmap und nächste Schritte + +### 7.1 Stufenfolge und vorgezogene Arbeitspakete + +Die vier Stufen (5.1) werden sequenziell beauftragt und abgenommen; innerhalb der Stufen gelten folgende Verzahnungen: + +**In Stufe 1** läuft die Video-Ingestion-Pipeline als paralleler Strang zur Kernsuche; die Suche geht mit Textmaterial produktiv, Videos folgen inkrementell. Die Inhaltsklassifikation und das Evaluationsframework sind Bestandteil der Stufe, nicht Zusatz. + +**Gegen Ende von Stufe 2** starten zwei vorgezogene Pakete: der Graph-Pilot mit einem Referenzkurs (Erkenntnisse zu Granularität, Prüfaufwand und Workbench-Bedarf fließen in die Stufe-3-Planung) und die juristische Begleitung (Konformitätsbewertung, Betriebsvereinbarungs-Vorlage – fertig, bevor Stufe 3 live geht). + +**Stufe 3** liefert Graph, Workbench, Tracking und das Regulatorik-Paket als Einheit. **Stufe 4** folgt intern der Reihenfolge Fragengenerierung → Lernpfade → Coaching. + +**Mandanten-Onboarding** (ab erstem Endkunden): Baseline-Erhebung, Aufbau des Goldstandard-Testsets, Fachvokabular für ASR, Rollenmodell-Abbildung. Diese vier Schritte sind Standardprozess, keine Projektindividualität. + +### 7.2 Unmittelbar nächste Schritte + +Erstens: Ableitung des Kundendokuments aus diesem Dokument (Gliederung parallel zu Kapiteln 2, 3, 5, 7; Umformulierung und Filterung gemäß Kapitel 1). Zweitens: Entscheidungsvorlage zur Moodle-Integrationsfrage (O1) erarbeiten – sie ist vor Implementierungsbeginn von Stufe 1 zu treffen, weil sie Deployment und Update-Weg der gesamten Produktlinie prägt. Drittens: Grobplanung Stufe 1 (Aufwände, Team, Meilensteine) auf Basis der Komponentensicht 6.1, 6.2, 6.6, 6.8. + +--- + +## 8. Offene Punkte und Entscheidungsregister + +### 8.1 Offene Punkte + +|Nr.|Punkt|Klärungsweg|Zeitpunkt| +|---|---|---|---| +|O1|Moodle-Integration: Plugin im AI-Subsystem (Moodle 4.5) vs. eigenständiger Dienst|Technische Entscheidungsvorlage; Kriterien: Release-Kopplung, Update-Weg, Mandantenfähigkeit, Aufwand|vor Implementierungsstart Stufe 1| +|O2|Sizing-Zahlen der Profile (Modellgröße, GPU, Nutzerzahlen, Latenzkorridore)|Erprobung in Stufe 2|Ende Stufe 2| +|O3|Juristische Prüfung (AI-Act-Einstufung, BetrVG, Art. 22 DSGVO)|Externe Begleitung|Beginn Ende Stufe 2, Abschluss vor Stufe-3-Livegang| +|O4|Keyframe-Analyse für rein visuelle Videoinhalte|Bedarfsprüfung nach Stufe-2-Erfahrung|Stufe 2+| +|O5|Status-Rückfall bei wiederkehrenden Pflichtschulungen|Autoreneinstellung spezifizieren|Stufe-4-Spezifikation| +|O6|Rollenabhängige Modus-Policies als Option|Nur auf Kundenwunsch; Mitbestimmungsprüfung vorgeschaltet|bei Bedarf| +|O7|Preis- und Lizenzstruktur|Geschäftsentscheidung mastersolution; folgt dem Betreibermodell|parallel zu Stufe 1–2| + +### 8.2 Entscheidungsregister + +|Nr.|Entscheidung|Begründung (Kurzform)|Abschnitt| +|---|---|---|---| +|E1|Vier Ausbaustufen statt Gesamtausbau|Pragmatismus-Anforderung; Risiko monoton steigend; jede Stufe verkaufbar|5.1| +|E2|Suche (Anwendungsfall 1) als Stufe 1 des Tutors, nicht separates Projekt|Nutzt vorhandene Kompetenz; ist der Knowledge Vault ohne Graph|4.2/5.1| +|E3|Kein LLM in Stufe 1|Halluzinations- und GPU-Freiheit; Fundstellen statt Synthese|5.1| +|E4|Video-Pipeline in Stufe 1 als paralleler Strang; Timestamps schon in der Suche|Hoher Video-Bestand beim Kunden; Mehrwert ohne LLM; entkoppelt vom Suchbetrieb|5.1| +|E5|Keyframe-Analyse nur als optionale Erweiterung ab Stufe 2|Schweres Geschütz; Kern bleibt schlank|5.1| +|E6|Fragengenerierung in Stufe 4 (nicht 3), dort als erstes|Stufe 3 bereits voll (Graph+Redaktion+Tracking+Regulatorik); Review-gesichert am wenigsten riskant|5.1| +|E7|Zwei Modi (Nachschlagen/Coaching) mit dreistufiger Policy-Hierarchie; keine automatische Kontexterkennung|Löst K3; Nachvollziehbarkeit; Motivation von außen nicht erkennbar|5.2| +|E8|Statusabhängige Standard-Policy (erstmalig Coaching, nach Bestehen Fragemodus)|LMS-Datum vorhanden; trivial nachvollziehbar; kein Ungleichbehandlungsproblem|5.2| +|E9|Inhaltsklassifikation "nur im Kurskontext" ab Stufe 1 im Datenmodell|Schließt Leakage-Pfad; nachträgliche Umklassifikation teuer|5.2| +|E10|Wissensgraph mit genau drei Kantentypen|Pragmatismus; trägt alle Brainstorming-Szenarien|5.3| +|E11|Teilautomatisierter Redaktionsworkflow mit Belegpflicht und menschlicher Freigabe|Vollmanuell unwirtschaftlich; vollautomatisch fachlich und regulatorisch unhaltbar|5.3| +|E12|Regelbasiertes Tracking (später optional BKT); DKT verworfen|Nachvollziehbarkeit (K4); Cold-Start; AI-Act-Transparenz|5.4 P2| +|E13|Nur explizite Lernereignisse als Tracking-Eingang; keine Verhaltenstelemetrie im Standard|Datenminimierung; Mitbestimmungsaufwand; für Regeln unnötig|5.4 P3| +|E14|Kein Training/Feintuning auf Mandantendaten|Souveränität; Mandantentrennung; zentrale Modellpflege|5.5.1| +|E15|Englische Komponentennamen beibehalten|Konsistenz mit Projektname, Recherche-Dokument und späterem Code; Glossar gleicht aus|6| +|E16|Evaluationsframework als Update-Gate je Mandant; versionierte Releases mit Rollback|Modellwechsel ändern Verhalten; mandantenspezifische Regression möglich|5.5.3| +|E17|Empfehlung statt Entscheidung als Auslieferungszustand; Automatik nur als Kundenkonfiguration|Art. 22 DSGVO; menschliche Aufsicht AI Act|5.4 P1| +|E18|Wirkungsmetriken nur aggregiert; technisch erzwungen|Trennung Produktqualität/Leistungskontrolle; Mitbestimmung|5.6| +|E19|Zwei neue Komponenten: Curation & Review Workbench, Evaluation & Telemetry Framework|Ergebnis der Lücken L1/L3; beide pflichtenheft-würdig|6.7/6.8| +|E20|Internes Dokument als führendes Dokument; Kundendokument als abgeleitete Teilmenge|Drift-Vermeidung; Spezifikationsbasis braucht volle Tiefe|1| + +--- + +## 9. Glossar + +**Abstinenz-Verhalten:** Fähigkeit des Systems, bei fehlender Materialdeckung explizit keine Antwort zu geben statt zu spekulieren. + +**ASR (Automatic Speech Recognition):** Automatische Spracherkennung; hier lokale Transkription von Videoinhalten (Whisper-Klasse). + +**Backlink / Feedforward:** Empfehlung zurück auf ein Grundlagenmodul bei erkannter Lücke / Hinweis auf ein logisch nächstes, noch nicht belegtes Modul. + +**BKT (Bayesian Knowledge Tracing):** Interpretierbares probabilistisches Verfahren zur Schätzung der Beherrschenswahrscheinlichkeit einer Kompetenz aus der Antworthistorie. + +**BM25:** Etabliertes lexikalisches Ranking-Verfahren der Volltextsuche; stark bei exakter Fachterminologie. + +**Cross-Encoder-Reranking:** Zweite Retrieval-Stufe, die Query und Kandidat gemeinsam bewertet; deutlich präziser als reine Vektorähnlichkeit, daher nur auf wenige Kandidaten angewandt. + +**DKT (Deep Knowledge Tracing):** Neuronale Variante des Knowledge Tracing; leistungsfähig, aber Blackbox und datenhungrig – hier verworfen (E12). + +**Embedding:** Vektorrepräsentation von Text (oder anderen Medien) in einem semantischen Raum; Grundlage der Ähnlichkeitssuche. + +**Goldstandard-Testset:** Kuratierte Menge aus Suchanfragen mit erwarteten relevanten Treffern; Messgrundlage für Retrieval-Qualität und Update-Gate. + +**Grounded Generation / Groundedness:** Antwortgenerierung strikt auf Basis bereitgestellter Quellen / Grad, zu dem Aussagen einer Antwort durch die zitierten Quellen gedeckt sind. + +**Knowledge Tracing:** Kontinuierliche Schätzung, ob ein Lernender eine Kompetenz beherrscht, auf Basis seiner Interaktionshistorie. + +**MRR (Mean Reciprocal Rank):** Retrieval-Metrik; misst, wie weit oben der erste relevante Treffer steht. + +**nDCG (normalized Discounted Cumulative Gain):** Retrieval-Metrik; bewertet die Qualität der gesamten Trefferreihenfolge. + +**RAG (Retrieval-Augmented Generation):** Architekturmuster: Ein Sprachmodell beantwortet Fragen auf Basis zuvor abgerufener Dokumente statt aus dem Modellwissen. + +**Reciprocal Rank Fusion (RRF):** Einfaches, robustes Verfahren zur Verschmelzung mehrerer Ranglisten (hier: BM25 und Vektorsuche). + +**Scaffolding / Fading:** Didaktisches Prinzip abgestufter Hilfestellung, die mit wachsender Kompetenz schrittweise zurückgenommen wird. + +**Sokratischer Dialog:** Gesprächsführung, die statt Lösungen gezielte Fragen einsetzt (Eliciting → Probing/Guiding → Reconciling); hier auf den Coaching-Modus beschränkt. + +**Time-to-Competency:** Zeitspanne vom Kursstart bis zur bestandenen Kompetenzprüfung; zentrale Wirkungsmetrik der Stufe 4. + +**Wissensgraph:** Strukturiertes Modell aus Kompetenzknoten und typisierten Kanten (setzt-voraus, wird-vermittelt-durch, wird-geprüft-durch); Grundlage von Tracking, Backlinks und Lernpfaden. \ No newline at end of file