Die Entwicklung der beschriebenen Lösung folgte einem nutzerzentrierten Vorgehen. In Workshops, Interviews und Testläufen wurden Anforderungen aus unterschiedlichen Rollen gesammelt und priorisiert. Daraus entstanden User Stories halfen die technische und didaktische Entscheidungen zu strukturierten. Die Umsetzung verlief iterativ. Früh sichtbare Zwischenergebnisse wurden gemeinsam mit dem Auftraggeber auf Umsetzbarkeit hin geprüft und agil angepasst. Auf diese Weise entstand Schritt für Schritt ein System, das sowohl die fachlichen Anforderungen als auch die Alltagsrealität in der Ausbildung berücksichtigt.
Die wissenschaftliche Begleitforschung dient als zweite Säule. Sie beleuchtet grundlegende Fragen der Integration von LLM-Funktionalität in geschützten Netzen, vergleicht Methoden zur inhaltlichen Fundierung von Antworten und untersucht Verfahren zur strukturierten Erzeugung von Lernartefakten. Diese Analysen erklären, warum der gewählte Weg zuverlässig ist und an welchen Stellen Erweiterungen sinnvoll sind. Sie zeigen außerdem, dass sich der Ansatz auf andere regulierte Bereiche übertragen lässt, wenn dort passende Kompetenzmodelle und Dokumentenkorpora bereitstehen.
Abbildung: Iteratives Vorgehen bei der Realisierung und Erprobung
Aus den Arbeiten ergibt sich ein klarer Ausblick. Die Kombination aus standardbasierter Middleware, kompetenzorientierter Didaktik, nachvollziehbarer KI-Unterstützung und erprobter Sicherheitsarchitektur bildet ein belastbares Fundament. Künftige Studien sollten mittels breit angelegter Prototyperprobungen an weiteren Standorten untersuchen, wie sich die Lösung in heterogenen Umgebungen bewährt und skaliert. Wer die Einführung plant, profitiert doppelt. Kurzfristig entsteht Entlastung bei Recherche, Übungsgenerierung und Lernstanddiagnostik. Mittelfristig wächst die Routine im Umgang mit transparenter KI-Assistenz, die Lernen und Lehren messbar unterstützt.