Fallstudie: KI-Lernplattform

Diese Fallstudie verbindet die klassischen Themen des Kurses mit den KI-Modulen. Entworfen wird eine Lernplattform, wie sie eine Sprachschule, ein Weiterbildungsanbieter oder eine Schule betreiben könnte: Kurse mit Videos und Texten, Übungen mit automatischer Korrektur, Lernfortschritt über alle Geräte, Karteikarten mit Wiederholungsplan – und ein KI-Tutor, der Fragen zum Stoff beantwortet und bei Übungen Hinweise gibt. Die Aufgabe zeigt, dass KI in den meisten Anwendungen kein eigenes System ist, sondern ein Baustein in einer ansonsten ganz normalen Architektur, der besondere Sorgfalt bei Qualität, Kosten und Datenschutz verlangt.

1. Anforderungen

Funktional: Kurse mit Lektionen, Videos und Übungen; Fortschritt und Karteikarten auf allen Geräten; ein Tutor, der Fragen zum aktuellen Kurs beantwortet und bei Übungen gestufte Hinweise gibt; Lehrende sehen den Fortschritt ihrer Gruppen. Nicht funktional: Die Plattform soll sich schnell anfühlen, auch auf dem Handy. Der Tutor muss inhaltlich verlässlich sein und darf nichts erfinden. Die Kosten pro Person müssen zum Preis des Angebots passen. Da auch Minderjährige lernen, gelten strenge Datenschutzanforderungen; Daten bleiben in der EU. Bewusst ausgeklammert: Live-Unterricht per Video.

2. Überschlag

Der Rechner zeigt die wichtigste Größe dieser Plattform: die KI-Kosten pro Person. Server, Datenbank und Videoauslieferung kosten vergleichsweise wenig und wachsen gleichmäßig. Die Kosten des Tutors wachsen dagegen direkt mit seiner Beliebtheit. Ein Routing, das einfache Fragen an ein kleines Modell schickt, und das Zwischenspeichern von Kursmaterial und Anweisungen machen oft den Unterschied zwischen einem tragfähigen und einem defizitären Angebot.

3. API und Datenmodell

Das Datenmodell trennt zwei Welten. Die Kursinhalte – Kurse, Lektionen, Übungen, Karteikarten – ändern sich selten und werden stark gecacht, Videos liegen im Objektspeicher und werden über ein CDN in passenden Qualitätsstufen ausgeliefert. Der Lernstand – erledigte Lektionen, Übungsversuche, Karten mit Wiederholungsdatum – ändert sich ständig und liegt in Postgres, pro Person und Mandant getrennt. Für die Offline-Nutzung auf dem Handy wird der Lernstand lokal gehalten und synchronisiert. Der Tutor erhält eine eigene Schnittstelle, die Antworten streamt: POST /tutor/fragen mit Kurs, Lektion und Frage – aber ohne Namen oder andere Personendaten.

4. Architektur

Abb. 4.1Architektur einer KI-Lernplattform

5. Vertiefung

Qualität: Eine Testsammlung aus mehreren Hundert echten, anonymisierten Fragen je Kurs wird vor jeder Änderung an Prompts, Modellen oder Kursmaterial automatisch bewertet. Didaktik: Bei Übungen gibt der Tutor Hinweise in Stufen – erst einen Denkanstoß, dann einen konkreteren Hinweis, erst auf ausdrücklichen Wunsch die Lösung. Das ist keine Frage des Modells, sondern der Orchestrierung. Kosten: Tageskontingente pro Person, Routing, Prompt-Caching und ein Antwort-Cache für häufige Fragen. Datenschutz: Keine Personendaten an das Modell, ein Anbieter mit Verarbeitung in der EU und Auftragsverarbeitungsvertrag, kurze Aufbewahrung der Tutor-Protokolle. Beurteilen Sie einzelne Entscheidungen:

6. Abwägungen

Bemerkenswert an dieser Architektur ist, wie wenig davon wirklich neu ist. Fortschritt, Videos, Warteschlangen, Caching, Mandantentrennung und Synchronisation sind klassische Bausteine, die in den vorigen Modulen behandelt wurden. Neu sind der Tutor und die Disziplin, die er verlangt: Qualität messen, Kosten steuern, Daten schützen. Wer die klassischen Grundlagen beherrscht, kann KI-Funktionen deshalb sicher und wirtschaftlich integrieren – und genau diese Verbindung macht moderne Systeme aus.

7. Varianten der Aufgabe

Die Lernplattform lässt sich in viele Richtungen weiterdenken. Soll der Tutor auch gesprochene Sprache verstehen, etwa zum Üben der Aussprache in einem Sprachkurs, kommen Spracherkennung, Audiodateien und deutlich höhere Kosten hinzu; Aufnahmen werden dann asynchron verarbeitet und nur kurz gespeichert. Sollen Lehrende eigene Materialien hochladen, braucht die Einlese-Pipeline eine Freigabe, damit keine fehlerhaften oder urheberrechtlich geschützten Inhalte in die Wissensbasis gelangen. Und soll die Plattform an Schulen verkauft werden, verlangen diese häufig eine Anmeldung über ihr eigenes Konto-System, Auftragsverarbeitungsverträge und die Möglichkeit, alle Daten einer Klasse am Schuljahresende zu löschen.

Auch die europäische KI-Verordnung spielt hier hinein. KI-Systeme, die über den Zugang zu Bildung entscheiden oder Lernergebnisse bewerten, gelten als Hochrisiko-Anwendungen mit besonderen Pflichten. Ein Tutor, der Fragen beantwortet, fällt in der Regel nicht darunter – eine automatische Benotung von Prüfungen dagegen schon. Diese Grenze sollte im Entwurf bewusst gezogen und dokumentiert werden.

8. So präsentieren Sie den Entwurf

Bei dieser Aufgabe lohnt es sich, klassische und KI-Teile klar zu trennen. Beginnen Sie mit der Plattform ohne KI – Inhalte, Fortschritt, Videos, Synchronisation – und zeigen Sie, dass diese Teile solide und günstig laufen. Führen Sie dann den Tutor als eigenen Baustein ein und erklären Sie seinen Weg Schritt für Schritt: Leitplanke, Routing, Suche, Modell, Prüfung. Nennen Sie die Kosten pro Person und die Hebel, mit denen sie gesteuert werden, und beschreiben Sie, wie Qualität gemessen wird. Wer so vorgeht, zeigt, dass KI kein Selbstzweck ist, sondern ein Werkzeug, das in eine tragfähige Architektur eingebettet wird.

Stand: September 2026. Kursmaterial der Klarwerk Akademie. Zahlen zu Latenzen und Kosten sind Größenordnungen zur Orientierung, keine Messwerte.