26 KiB
Sovereign RAG Tutor
Problem, Ziel und Lösungsvorschlag
Ein Konzept der d-opt GmbH für die mastersolution AG Status: Entwurf v0.2 · Stand: Juli 2026
Hinweis zur Fassung: Die enthaltenen Diagramme liegen in dieser Arbeitsfassung als Mermaid-Notation vor und werden für die finale Fassung durch gestaltete Grafiken ersetzt.
1. Management Summary
Das Problem. Der Markt für Lernplattformen und Bildungstechnologie wird derzeit durch generative Künstliche Intelligenz neu geordnet. Wettbewerber liefern KI-gestützte Suchfunktionen, automatische Fragengenerierung und Lernassistenten aus – in aller Regel auf Basis US-amerikanischer Cloud-Dienste. Für mastersolution entsteht daraus eine doppelte Herausforderung: Ohne KI-Funktionalität droht der Anschlussverlust; mit KI-Funktionalität auf Basis externer Cloud-APIs würde jedoch das Fundament des eigenen Geschäftsmodells beschädigt – das Vertrauen der Kunden in absolute Datensouveränität, vom Mittelstand über Behörden bis zu Installationen mit höchsten Sicherheitsanforderungen.
Das Ziel. mastersolution erhält eine KI-gestützte Wissens- und Lernassistenz für das eigene Produktökosystem, die vollständig souverän betrieben wird: in deutschen Rechenzentren oder On-Premise beim Endkunden, ohne Datenabfluss an externe Anbieter, ohne Training auf Kundendaten. Das System beantwortet Fragen belegt und nachvollziehbar aus dem freigegebenen Materialbestand, erkennt Kompetenzlücken auf Basis eines redaktionell geprüften Wissensmodells und begleitet Lernende adaptiv – mit dem messbaren Ziel, Onboarding- und Schulungsprozesse bei den Endkunden nachweisbar zu verkürzen.
Der Lösungsvorschlag. d-opt schlägt einen Ausbau in vier Stufen vor, von denen jede eigenständig produktiv nutzbar und vermarktbar ist:
- eine souveräne semantische Suche mit Berechtigungsfilterung und Quellenangaben,
- ein Frage-Antwort-Assistent auf Basis eines lokal betriebenen Sprachmodells,
- ein Kompetenzmodell mit nachvollziehbarem Lernstands-Tracking,
- adaptive Didaktik mit generierten Prüfungsfragen, automatischen Lernpfaden und Lern-Coaching. Komplexität und Risiko steigen über die Stufen kontrolliert an; regulatorische Anforderungen (EU AI Act, Mitbestimmung, DSGVO) sind von Beginn an als Designprinzipien verankert und werden als mitgelieferte Compliance-Ausstattung zum Verkaufsargument gegenüber den Endkunden.
flowchart TD
S1["Stufe 1: Souveräne Suche<br/>Hybrides Retrieval, Berechtigungsfilter, Quellenangaben"]
S2["Stufe 2: Nachschlage-Assistent<br/>Lokales Sprachmodell, belegte Antworten, Video-Timestamps"]
S3["Stufe 3: Kompetenzmodell und Tracking<br/>Wissensgraph, nachvollziehbare Empfehlungen"]
S4["Stufe 4: Adaptive Didaktik<br/>Fragengenerierung, Lernpfade, Coaching"]
S1 --> S2 --> S3 --> S4
2. Ausgangslage und Chance
2.1 Die Position von mastersolution
mastersolution hat sich über mehr als zwei Jahrzehnte ein integriertes Produktökosystem für digitales Lernen aufgebaut – vom Lernmanagement (mastersolution ONE) über Klassenraum-Management (SUITE) und IT-Asset-Management (REFLECT) bis zur Videoproduktion (FOCUS, SHOW, VMS). Das strategisch wertvollste Asset ist dabei nicht ein einzelnes Produkt, sondern eine Eigenschaft des Gesamtangebots: verlässliche Datensouveränität. Hosting in zertifizierten deutschen Rechenzentren oder vollständig On-Premise, strikte DSGVO-Konformität und die Unabhängigkeit von US-, chinesischen und russischen Technologien haben mastersolution Kundengruppen erschlossen, die anderen Anbietern verschlossen bleiben – bis hin zu Installationen mit Geheimhaltungsanforderungen.
2.2 Die Marktdynamik
Der EdTech- und Corporate-Learning-Markt integriert Künstliche Intelligenz derzeit in hohem Tempo: KI-gestützte Inhaltsfilter und Risikoanalysen im Klassenraum-Management, automatisierte Kurs- und Fragengenerierung im Moodle-Ökosystem, KI-Tutoren als Plattform-Plugins, und mit Moodle 4.5 ein natives AI-Subsystem im Kern des LMS, auf dem mastersolution ONE aufbaut. Die marktüblichen Lösungen haben dabei fast durchgängig eines gemeinsam: Sie senden Daten an externe Cloud-Dienste.
Genau darin liegt die Chance. Die Kundensegmente von mastersolution – Behörden, sicherheitsbewusster Mittelstand, Bildungsträger mit strengen Datenschutzpflichten – können diese Lösungen häufig gar nicht einsetzen. Ein KI-Angebot, das die volle Funktionalität moderner Sprachmodell-Technologie mit kompromissloser Souveränität verbindet, bedient einen Bedarf, den Cloud-Anbieter strukturell nicht bedienen können. Die KI-Ära ist für mastersolution damit keine Bedrohung der Marktposition, sondern die Gelegenheit, das Souveränitätsversprechen zum entscheidenden Differenzierungsmerkmal auszubauen.
2.3 Anforderungen aus den gemeinsamen Gesprächen
Aus dem ersten gemeinsamen Termin zwischen mastersolution und d-opt sind die Leitplanken dieses Konzepts hervorgegangen. mastersolution benötigt Lösungen, die
- nachvollziehbar arbeiten – jede Aussage und jede Empfehlung muss begründbar sein,
- Datensicherheit strukturell garantieren,
- schnell antworten,
- Lernprozesse messbar verkürzen – insbesondere das Onboarding neuer Mitarbeitender bei den Endkunden,
- das rollenbasierte Berechtigungswesen der Endkunden ausnahmslos respektieren,
- pragmatisch bleiben – Problemlösung vor Technologie, keine unnötige Komplexität.
Diese sechs Anforderungen sind keine Randbedingungen des Konzepts, sondern seine Konstruktionsprinzipien – jede zentrale Entscheidung in Kapitel 5 lässt sich auf mindestens eine von ihnen zurückführen.
Als Zielbild wurde gemeinsam die Vision eines persönlichen Lernassistenten erarbeitet: ein System, das den Nutzer und seinen Lernstand kennt, Fragen aus den Kursmaterialien (Dokumente, Quizfragen, Videos) belegt beantwortet, auf Grundlagen zurückverweist, wenn Lücken erkennbar sind, auf Anschlussmodule hinweist und Lernpfade automatisch auf Rolle, Berechtigung und Kenntnisstand zuschneidet.
3. Zielbild: Der Sovereign RAG Tutor
3.1 Drei Leistungsversprechen
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. Wer eine Prozessfrage im Arbeitsalltag hat, erhält die Antwort mit Beleg; wer der Quelle nachgehen will, springt mit einem Klick an die exakte Stelle im Dokument oder Video.
Kompetenz statt Auswendiglernen. Ein redaktionell geprüfter Wissensgraph verbindet Kompetenzen, Lernmaterialien und Prüfungsfragen. Ein nachvollziehbares, regelbasiertes Tracking erkennt Wissenslücken und spricht begründete Empfehlungen aus: den Verweis zurück auf ein Grundlagenmodul, wenn wiederholte Fehler auf eine fehlende Voraussetzung deuten, oder den Hinweis auf das logisch nächste Modul, wenn die Voraussetzungen erfüllt sind. Jede Empfehlung nennt ihre Begründung.
Begleitetes Lernen. In Kursen führt ein Coaching-Modus durch den Lernprozess, statt Lösungen vorzusagen. Generierte Prüfungsfragen auf gestaffelten Anspruchsniveaus prüfen Verständnis statt Wiedererkennung. Automatisch erzeugte Lernpfade schneiden den Weg zum Lernziel auf Rolle, Berechtigung und Kenntnisstand zu – mit dem messbaren Effekt kürzerer Onboarding- und Schulungszeiten, nachgewiesen gegen eine zu Projektbeginn erhobene Vergleichsbasis.
3.2 Grundsätze
Vier Grundsätze definieren, was das System bewusst nicht tut. Sie sind keine Einschränkungen, sondern Zusagen – an mastersolution, an deren Endkunden und an deren Beschäftigte:
Keine Verhaltensüberwachung. In das Kompetenztracking fließen ausschließlich explizite Lernereignisse ein – Quizantworten und Modulabschlüsse. Verweildauern, Navigationsmuster oder andere Verhaltensdaten werden im Standard nicht erhoben.
Keine automatisierten Entscheidungen über Personen. Das System empfiehlt – die Wiederholung, den Lernpfad, die Freischaltung. Die verbindliche Konsequenz zieht ein Mensch. Weitergehende Automatisierung ist als bewusste Konfiguration des Endkunden möglich, nicht als Voreinstellung.
Kein Training auf Kundendaten. Die KI-Modelle werden nicht auf Daten der Endkunden trainiert oder feinabgestimmt. Die gesamte Kundenspezifik entsteht über Index, Wissensgraph und Suche – über Daten, die beim Endkunden verbleiben. Informationen eines Kunden können damit strukturell nicht in die Modelle und darüber zu anderen Kunden gelangen.
Antworten nur aus dem eigenen Material. Das System beantwortet Fragen ausschließlich auf Basis der freigegebenen Inhalte des Endkunden und weist explizit darauf hin, wenn das Material eine Frage nicht deckt – statt zu spekulieren. Externes, unkontrolliertes Weltwissen fließt nicht in Antworten ein.
4. Lösungskonzept: Vier Ausbaustufen
Das System entsteht in vier Stufen. Diese Staffelung ist eine bewusste Konstruktionsentscheidung mit drei Eigenschaften:
- Jede Stufe ist eigenständig produktiv nutzbar und vermarktbar – die Endkunden von mastersolution profitieren ab Stufe 1, nicht erst am Ende.
- Komplexität und Risiko steigen kontrolliert an – die anspruchsvollsten Bausteine setzen auf einem erprobten Fundament auf.
- Jede Stufe erzeugt Daten und Erkenntnisse für die nächste – die Suchanfragen aus Stufe 1 zeigen beispielsweise, wonach Nutzer tatsächlich fragen, und informieren damit die Wissensmodellierung in Stufe 3.
Stufe 1: Souveräne Suche
Was entsteht: Eine produktionsreife semantische Suche über den gesamten Materialbestand eines Endkunden. Die Suche kombiniert bewährte Volltexttechnologie mit semantischer Ähnlichkeitssuche – sie findet also auch dann die richtige Stelle, wenn der Nutzer andere Worte verwendet als das Dokument. Jedes Ergebnis wird vor der Anzeige gegen die Rolle und die Berechtigungen des Nutzers geprüft; jedes Ergebnis verlinkt direkt auf die Fundstelle. Videos werden über eine Transkriptions-Pipeline erschlossen (lokal betriebene Spracherkennung, keine Cloud-Dienste); Treffer verlinken auf den jeweils relevanten Abschnitt des Videos, sodass Nutzer nicht das gesamte Video durchsehen müssen. Ein Mess- und Qualitätsframework gehört zum Lieferumfang – die Suchqualität wird gegen ein kundenspezifisches Testset kontinuierlich gemessen, nicht behauptet.
Der unmittelbare Nutzen: Jede Instanz von mastersolution ONE erhält eine spürbar bessere Suche – der am schnellsten sichtbare Mehrwert für Bestandskunden. Die Suche läuft ohne Spezialhardware auf üblicher Serverinfrastruktur.
Bewusst noch nicht enthalten: kein Sprachmodell, keine generierten Antworten. Die Suche liefert belegte Fundstellen, keine Synthese. Diese Beschränkung hält die Stufe frei von den Risiken generativer KI und von Hardware-Anforderungen – sie ist eine Entwurfsentscheidung, kein Zwischenstand.
Stufe 2: Nachschlage-Assistent
Was entsteht: Ein Frage-Antwort-Assistent auf Basis eines souverän betriebenen Sprachmodells – gehostet im deutschen Rechenzentrum oder On-Premise beim Endkunden. Der Nutzer stellt eine Frage in natürlicher Sprache; das System sucht die relevanten Stellen im freigegebenen Material und formuliert daraus eine Antwort mit Quellenangaben und Video-Timestamps. Die Antwort ist strikt auf die gefundenen Inhalte begrenzt; deckt das Material eine Frage nicht, sagt das System das ausdrücklich. In dieser Stufe werden zudem die Betriebsprofile erarbeitet: definierte Hardware-Konfigurationen mit zugesicherten Antwortzeiten, damit Endkunden vor der Einführung wissen, welche Infrastruktur sie benötigen.
Der unmittelbare Nutzen: Beschäftigte der Endkunden erhalten belegte Antworten auf Prozess- und Fachfragen im Arbeitsalltag – ohne langes Durchsuchen der Kurs- und Plattforminhalte, ohne Rückfragen an Kollegen, rund um die Uhr. Bestandene Schulungsinhalte werden zum nachschlagbaren Referenzmaterial.
Bewusst noch nicht enthalten: keine Didaktik, kein Lernstands-Tracking. Der Assistent beantwortet Fragen; er bewertet niemanden.
Stufe 3: Kompetenzmodell und Tracking
Was entsteht: Ein Wissensgraph, der die Kompetenzen eines Fachgebiets, ihre Voraussetzungsbeziehungen und ihre Verknüpfung zu Lernmaterialien und Prüfungsfragen strukturiert abbildet. Der Graph wird nicht manuell erstellt: Das Sprachmodell extrahiert Vorschläge aus dem vorhandenen Material, Fachexperten des Endkunden prüfen und geben frei (Kapitel 5.2). Auf dem Graphen setzt das Lernstands-Tracking auf – regelbasiert und vollständig nachvollziehbar: Erkennt das System wiederholte Fehler zu einer Kompetenz, deren Grundlage länger zurückliegt, empfiehlt es die gezielte Wiederholung und nennt die Begründung. Zum Lieferumfang der Stufe gehört die vollständige Compliance-Ausstattung (Kapitel 5.3).
Der unmittelbare Nutzen: Aus einem Materialarchiv wird ein Kompetenzmodell. Lernende erhalten gezielte, begründete Empfehlungen statt pauschaler Kurskataloge; Trainingsverantwortliche sehen aggregiert, wo Schulungsbedarf entsteht.
Bewusst noch nicht enthalten: keine generierten Inhalte, keine automatischen Lernpfade. Das Tracking empfiehlt; es entscheidet nicht.
Stufe 4: Adaptive Didaktik
Was entsteht: Die generativen und adaptiven Fähigkeiten, in drei getrennt einführbaren Paketen:
- Fragengenerierung: Das System erzeugt aus dem Lernmaterial Prüfungsfragen auf gestaffelten Anspruchsniveaus – vom Faktenwissen bis zur Analyse –, die vor Veröffentlichung von Fachexperten freigegeben werden.
- Automatische Lernpfadgenerierung: Aus Lernziel, Wissensgraph und aktuellem Kenntnisstand berechnet das System den passenden Weg durch die verfügbaren Materialien, unter strikter Beachtung der Berechtigungen.
- Coaching-Modus: In Kursen begleitet der Assistent den Lernenden mit gezielten Fragen und abgestuften Hinweisen zur eigenständigen Lösung, statt Antworten vorzugeben.
Der unmittelbare Nutzen: Hier werden die Kennzahlen realisiert und gemessen, um die es im Kern geht – kürzere Onboarding-Zeiten, schnellere Qualifizierung, höhere Bestehensquoten, jeweils nachgewiesen gegen die zu Projektbeginn erhobene Vergleichsbasis.
Architektur im Überblick
Hinter den vier Stufen steht eine Komponentenarchitektur, die konsequent auf das Berechtigungswesen ausgerichtet ist: Eine zentrale Komponente prüft Identität, Rolle und Berechtigungen gegen das LMS und ist der einzige Berührungspunkt zum bestehenden System – alle übrigen Komponenten arbeiten ausschließlich auf bereits gefilterten Daten. Suche und Assistent (Stufen 1–2) funktionieren dabei unabhängig von den Lern-Komponenten (Stufen 3–4); der schnelle Nachschlage-Pfad bleibt auch im Endausbau schlank.
flowchart LR
UI[Nutzeroberfläche]
CRM[Identität & Berechtigungen]
VAULT[Wissensablage & Suche]
CORE[Souveränes Sprachmodell]
DID[Didaktische Steuerung & Lernstand]
LMS[(mastersolution ONE)]
UI --> CRM --> LMS
UI --> VAULT --> CORE --> UI
UI --> DID
DID --> VAULT
5. Konzeptentscheidungen, die den Unterschied machen
5.1 Zwei Modi statt Didaktik-Zwang
KI-Tutoren am Markt folgen häufig einem einzigen didaktischen Paradigma: Sie verweigern direkte Antworten und führen den Nutzer sokratisch zur Lösung. Das ist im Lernkontext wertvoll – und im Arbeitskontext ein Ärgernis: Ein Techniker mit einer konkreten Prozessfrage braucht die belegte Antwort, keine Gegenfrage. Das Konzept unterscheidet deshalb zwei Modi. Im Nachschlage-Modus liefert das System schnelle, belegte Antworten; im Coaching-Modus begleitet es didaktisch zur eigenständigen Lösung. Kurs-Autoren legen je Kurs fest, welche Modi verfügbar sind; innerhalb dieses Rahmens wählt der Nutzer über einen sichtbaren Schalter.
Als Standard wird eine statusabhängige Regelung vorgeschlagen: Bei erstmaliger Kursbelegung gilt der Coaching-Modus; nach bestandenem Kurs steht der Nachschlage-Modus offen. Die Regel ist unmittelbar einleuchtend, nutzt ein Datum, das das LMS ohnehin führt, und macht bestandene Schulungen zum dauerhaft nachschlagbaren Referenzmaterial – eine Doppelnutzung, die den Wert jedes Kurses erhöht. Der aktive Modus ist jederzeit sichtbar; wo Coaching verbindlich ist, sagt das System das offen, statt den Nutzer über ausbleibende Antworten rätseln zu lassen.
5.2 Der Wissensgraph entsteht beim Endkunden – teilautomatisiert
Das Kompetenzmodell ist das Fundament der Stufen 3 und 4 – und seine Erstellung wäre manuell unwirtschaftlich. Das Konzept setzt deshalb auf einen teilautomatisierten Redaktionsprozess: Das Sprachmodell analysiert das vorhandene Lernmaterial und schlägt Kompetenzen samt Beziehungen vor, wobei jeder Vorschlag mit der konkreten Fundstelle im Material belegt sein muss – Vorschläge ohne Beleg werden verworfen, bevor ein Mensch sie sieht. Fachexperten des Endkunden prüfen die Vorschläge in einer dafür gestalteten Oberfläche, nehmen an, ändern oder verwerfen. Ändert sich später Material, erzeugt das System gezielte Änderungsvorschläge statt einer erneuten Gesamtprüfung.
Die Arbeitsteilung ist bewusst gewählt: Die Fachhoheit über das Kompetenzmodell liegt beim Endkunden – dort sitzt die Expertise über Prozesse und Maschinen; die Werkzeuge, die Automatisierung und die methodische Begleitung liefern mastersolution und d-opt. Zur realistischen Erwartung gehört: Teilautomatisiert bedeutet nicht aufwandsfrei. Die Automatisierung reduziert den Erstellungsaufwand um eine Größenordnung, pro Kurs verbleibt jedoch eine fachliche Prüfsitzung im Stundenbereich. Diese menschliche Prüfung ist zugleich ein regulatorischer Baustein: Sie ist ein wesentlicher Teil der menschlichen Aufsicht, die der EU AI Act für Systeme dieser Art vorsieht.
5.3 Rechtssicherheit als Produktbestandteil
Ein System, das Lernstände von Beschäftigten bewertet, berührt drei Regelungsebenen:
- den EU AI Act – Lernstandsbewertung im Beschäftigungskontext fällt voraussichtlich in die Hochrisiko-Kategorie mit entsprechenden Dokumentations-, Logging- und Aufsichtspflichten,
- die betriebliche Mitbestimmung,
- die DSGVO-Regeln zu automatisierten Einzelentscheidungen.
Das Konzept behandelt diese Anforderungen nicht als nachgelagerte Prüfung, sondern als Konstruktionsprinzipien:
- Das System empfiehlt, statt zu entscheiden.
- Das Tracking ist regelbasiert und jede Empfehlung begründbar – dieselbe Eigenschaft erfüllt die Transparenzpflicht des AI Act und die Nachvollziehbarkeits-Anforderung von mastersolution.
- Die Datenerhebung ist minimiert.
- Vorgesetzten-Sichten sind standardmäßig aggregiert.
Daraus entsteht ein Verkaufsargument: Die Endkunden von mastersolution sind Betreiber im Sinne des AI Act – und die wenigsten Mittelständler können die Betreiberpflichten allein stemmen. Das Produkt wird deshalb mit einer Compliance-Ausstattung ausgeliefert:
- technische Dokumentation,
- Logging-Konzept,
- Vorlage für die Datenschutz-Folgenabschätzung,
- Muster für die Betriebsvereinbarung. Die Botschaft an die Endkunden lautet damit nicht nur, dass ihre Daten bei ihnen bleiben, sondern dass sie das System rechtssicher einführen können – ein Angebot, das cloudbasierte Wettbewerber strukturell nicht machen können. Eine juristische Begleitung des Vorhabens ist als fester Projektschritt vorgesehen.
5.4 Souveränität bis ins Update
Datensouveränität endet nicht bei der Frage, wo Daten liegen – sie umfasst den gesamten Lebenszyklus. Drei Festlegungen sichern das ab:
- Die KI-Modelle werden nicht auf Kundendaten trainiert; die gesamte Kundenspezifik liegt in Index und Wissensgraph beim Endkunden.
- Modell-Updates ändern bei KI-Systemen das Verhalten, nicht nur Funktionen – ein neues Modell kann im Durchschnitt besser sein und trotzdem für die Fachbegriffe eines bestimmten Kunden schlechter. Jedes Update durchläuft deshalb ein Qualitäts-Gate: Es wird erst aktiviert, nachdem es auf der Instanz des Kunden gegen dessen eigenes Testset geprüft wurde und keine Verschlechterung zeigt; das vorherige Modell bleibt als Rückfalloption erhalten.
- Für vollständig abgeschottete Installationen existiert ein Offline-Update-Weg mit signierten Paketen, die ohne Netzverbindung eingespielt und vor Ort geprüft werden – die Konsequenz der Betriebsdisziplin, die die Marktposition von mastersolution begründet.
5.5 Nutzen wird gemessen, nicht behauptet
Die Verkürzung von Lernprozessen ist eine Vergleichsaussage – sie braucht einen Vergleichsmaßstab. Deshalb gehört zur Einführung bei jedem Endkunden die Erhebung einer Vergleichsbasis: heutige Onboarding-Dauern, Schulungsdurchlaufzeiten, Bestehensquoten. Gegen diese Basis werden die Wirkungen des Systems gemessen. Ergänzend misst das Qualitätsframework kontinuierlich die Systemqualität selbst: die Treffergüte der Suche gegen ein kundenspezifisches Testset, die Belegtreue der generierten Antworten – einschließlich der Frage, ob das System zuverlässig auf fehlende Materialdeckung hinweist, statt zu spekulieren – und ab Stufe 3 die Treffsicherheit der Kompetenzeinschätzungen. Sämtliche Wirkungskennzahlen werden aggregiert erhoben; sie dienen dem Nachweis des Produktnutzens, nicht der Bewertung einzelner Beschäftigter.
6. Roadmap und Zusammenarbeit
6.1 Ablauf
Die vier Stufen werden sequenziell umgesetzt und einzeln abgenommen. Zwei Arbeitspakete sind bewusst vorgezogen: Gegen Ende von Stufe 2 startet ein Pilot des Wissensgraphen mit einem Referenzkurs – seine Erkenntnisse zu Detailtiefe und Prüfaufwand fließen in die Planung von Stufe 3 ein, bevor diese festgelegt wird. Parallel beginnt die juristische Begleitung, sodass die regulatorische Ausstattung vorliegt, bevor Stufe 3 produktiv geht. Die Video-Erschließung läuft bereits in Stufe 1 als paralleler Strang: Die Suche geht mit Textmaterial produktiv, Videos folgen fortlaufend.
Zur Einführung bei jedem Endkunden gehört ein standardisierter Ablauf:
- Erhebung der Vergleichsbasis,
- Aufbau des kundenspezifischen Qualitäts-Testsets,
- Hinterlegung des Fachvokabulars für die Videotranskription,
- Abbildung des Rollenmodells.
6.2 Qualitative Aufwandseinordnung
Die Quantifizierung der Aufwände erfolgt mit dem Projektplan als nächster Etappe; das Konzept liefert die qualitative Einordnung vorab. Stufe 1 ist der kompakteste Block – sie setzt auf einem vorhandenen, erprobten Suchverfahren von d-opt auf; die wesentlichen Aufwände liegen in der Produktionsreife und der Video-Pipeline. Stufe 2 liegt darüber; prägend ist weniger die Funktionalität als die sorgfältige Erprobung des Sprachmodells und die Ableitung der Betriebsprofile. Stufe 3 ist der gewichtigste Block – hier entstehen Wissensgraph, Redaktionswerkzeug, Tracking und Compliance-Ausstattung gemeinsam; der vorgezogene Pilot reduziert die Planungsunsicherheit dieser Stufe erheblich. Stufe 4 ist in Summe mit Stufe 3 vergleichbar, verteilt sich jedoch auf drei getrennt einführbare Pakete, die einzeln beauftragt werden können.
6.3 Was mastersolution einbringt
Das Konzept ist auf Partnerschaft angelegt; drei Beiträge von mastersolution sind für den Erfolg wesentlich:
- ein Referenzkurs samt Materialbestand für den Graph-Piloten – idealerweise ein Kurs mit Video-Anteil und klar abgrenzbarem Fachgebiet,
- Zugang zu Fachexpertise für die Prüfsitzungen des Piloten, um Prüfaufwand und Werkzeugbedarf realistisch zu ermitteln,
- Mitwirkung an der Vergleichsbasis – Kennzahlen zu heutigen Schulungs- und Onboarding-Prozessen, damit der Nutzen des Systems später belegbar ist. Für den Produktbetrieb gilt die bewährte Arbeitsteilung: Die fachliche Hoheit über Inhalte und Kompetenzmodelle liegt beim jeweiligen Endkunden, die Werkzeug- und Plattformhoheit bei mastersolution.
6.4 Zu klärende Punkte
Drei Punkte sind bewusst offen und werden zu definierten Zeitpunkten entschieden:
- Die Integrationsarchitektur gegenüber Moodle (Anbindung an das native AI-Subsystem von Moodle 4.5 oder eigenständiger Dienst) wird vor Implementierungsbeginn von Stufe 1 per Entscheidungsvorlage geklärt – sie prägt Auslieferung und Update-Weg der gesamten Produktlinie.
- Die konkreten Betriebsprofile (Hardware, Antwortzeiten, Nutzerzahlen) sind Ergebnis der Erprobung in Stufe 2.
- Die juristische Detailprüfung der regulatorischen Einstufung erfolgt im Rahmen der vorgesehenen Begleitung ab Ende Stufe 2.
6.5 Nächster Schritt
d-opt schlägt als nächsten Schritt die gemeinsame Abstimmung dieses Konzepts und darauf aufbauend die Erstellung des Projektplans für Stufe 1 vor – mit Aufwandsschätzung, Meilensteinen und der Entscheidungsvorlage zur Moodle-Integration.
7. Anhang: Glossar
Grounded Generation: Antworterzeugung strikt auf Basis zuvor gefundener, freigegebener Quellen – das Sprachmodell darf nur formulieren, was das Material hergibt, und weist andernfalls auf die fehlende Deckung hin.
Hybride Suche: Kombination aus klassischer Volltextsuche (stark bei exakten Fachbegriffen) und semantischer Ähnlichkeitssuche (stark bei Umschreibungen und Synonymen).
Kompetenzmodell / Wissensgraph: Strukturierte Abbildung der Kompetenzen eines Fachgebiets, ihrer Voraussetzungsbeziehungen und ihrer Verknüpfung zu Lernmaterialien und Prüfungsfragen.
Mandanten-Einführung: Die Einführung des Produkts bei einem Endkunden – einschließlich Vergleichsbasis, Qualitäts-Testset, Fachvokabular und Rollenmodell. Abzugrenzen vom Onboarding, das in diesem Dokument die Einarbeitung neuer Mitarbeitender bezeichnet.
On-Premise: Betrieb der Software vollständig auf der Infrastruktur des Endkunden, ohne externe Verbindungen.
RAG (Retrieval-Augmented Generation): Architekturmuster, bei dem ein Sprachmodell Fragen auf Basis zuvor abgerufener Dokumente beantwortet statt aus seinem Trainingswissen.
Sokratischer Coaching-Modus: Didaktische Gesprächsführung, die mit gezielten Fragen und abgestuften Hinweisen zur eigenständigen Lösung führt, statt Antworten vorzugeben.
Souveränes Sprachmodell: Ein KI-Sprachmodell, das vollständig in kontrollierter Umgebung betrieben wird – im deutschen Rechenzentrum oder On-Premise – ohne Datenübermittlung an externe Anbieter.