KI-Tutoren:
Manchmal führt eine Klassifikation am schnellsten weiter

Nach der Antwort braucht es eine Entscheidung

Stell dir vor, ein Kunde beantwortet in einer Fintech-App eine kurze Frage. Als Nächstes könnte ein weiteres Szenario, ein durchgerechnetes Beispiel oder eine Klarstellung helfen. Dafür ist nicht unbedingt ein neu generierter Absatz nötig.

OpenAI hat am 22. Oktober 2026 die allgemeine Verfügbarkeit seiner Decisions API angekündigt. Laut der Ankündigung trifft sie klar begrenzte Entscheidungen auf Basis von Texten, Bildern und strukturierten Eingaben. Dabei soll sie laut Anbieter bis zu zehnmal schneller sein als GPT-6 Luna über die Responses API. (openai.com) Nimm das als Anstoß für die Architektur deiner App, nicht als Leistungsbenchmark für deine App oder als Beleg für besseren Lernerfolg.

Grenze die Entscheidung ein, bevor du das Modell auswählst

Starte mit einem eng gefassten Lernziel. Angenommen, die Erklärung eines Lernenden deutet darauf hin, dass unklar ist, aus welchen Bestandteilen sich eine Überweisungsgebühr zusammensetzt. Die Kategorien könnten lauten: Fehlvorstellung zu den Gebührenbestandteilen, Rechenfehler, unzureichende Anhaltspunkte und keine erkannte Fehlvorstellung. Für jede Kategorie brauchst du Beispiele und eine festgelegte Reaktion.

Die Dokumentation zur Decisions API unterscheidet zwischen Wahrscheinlichkeiten, der Auswahl aus festen Optionen und Punktwerten nach einem Bewertungsraster. (developers.openai.com) Nutze diese Ausgaben im adaptiven Microlearning als Anhaltspunkte für die Auswahl des Lernpfads. Trenne die Konfidenz des Modells von der Sicherheit, die Lernende selbst angeben. Beides darf nicht zu einem dauerhaften Urteil über ihre Fähigkeiten werden.

Wenn sich eine Multiple-Choice-Antwort bereits eindeutig einer gezielten Lernhilfe zuordnen lässt, nutze eine Regel. Setze eine KI-Entscheidungs-API nur für Eingaben ein, die interpretiert werden müssen, etwa eine kurze schriftliche Erklärung.

Lass nicht den Klassifikator über den Lehrplan bestimmen

Eine mögliche Architektur für KI-Tutoren sollte Interpretation und Freigabe trennen. Der Klassifikator schlägt eine Kategorie vor. Welche Aktivität folgen darf, bestimmen die Regeln des Lehrplans.

1. Protokolliere die Lernstandserhebung als Ereignis mit Antwort, Lernziel, Aufgabenversion, Sprach- und Regionseinstellung sowie relevanten Antwortversuchen.
2. Ordne die vorliegenden Informationen klar definierten Kategorien zu. Sieh dabei auch eine Kategorie für unzureichende Anhaltspunkte vor.
3. Wende die Lehrplanregeln zu Voraussetzungen, Schwellenwerten für eine Überprüfung und freigegebenen Lernhilfen an.
4. Gib die nächste Übung zurück und protokolliere den gewählten Lernpfad, die Entscheidungsversion und gegebenenfalls den genutzten Ausweichweg.

Um Lernpfade zu personalisieren, schlage die Kennung einer freigegebenen Aktivität vor, statt eine Lektion zu erfinden. Leite bei unsicheren Ergebnissen eine Klärung oder Überprüfung ein. Lege einen Ausweichweg für Zeitüberschreitungen fest, damit ein nicht verfügbarer Dienst die Akademie nicht blockiert.

Miss die Lernpfadsteuerung und den Lernerfolg getrennt

OpenAI empfiehlt, Schwellenwerte für die Lernpfadsteuerung anhand kategorisierter Beispiele aus der Anwendung sowie der Kosten falsch positiver und falsch negativer Ergebnisse festzulegen. (developers.openai.com) Erstelle einen von Lehrkräften geprüften Testdatensatz, bevor du Lernende automatisch durch den Lernpfad leitest. Prüfe Abweichungen getrennt nach Fehlvorstellung und Sprache, nicht nur anhand der Gesamtgenauigkeit.

• Geschwindigkeit – miss die p95-Latenz vom Absenden der Antwort bis zur nächsten nutzbaren Ansicht.
• Kosten – rechne Klassifikation, erneute Versuche, generierte Rückmeldungen und menschliche Überprüfung mit ein.
• Qualität der Lernpfadsteuerung – prüfe eine Konfusionsmatrix, übersehene Fehlvorstellungen und unnötige Lernhilfen.
• Lernen – prüfe später mit unbekannten Aufgaben und ohne KI-Hilfe, was Lernende behalten haben und ob sie das Gelernte übertragen können.

Führe anschließend einen A/B-Test gegen einen regelbasierten Lernpfad durch. Erfasse Aktivierung und Nutzerbindung getrennt davon, wie gut Lernende das Wissen behalten. Ein schnellerer Lernpfad darf nur dann als pädagogische Verbesserung gelten, wenn die unabhängige Lernstandserhebung das bestätigt.

Lass Raum für Erklärungen

Nutze frei formulierte Rückmeldungen, wenn Lernende nach dem Warum fragen, eine ungewohnte Begründung liefern oder einen Vergleich brauchen, den freigegebene Inhalte nicht abdecken. Stütze Erklärungen auf geprüftes Material und trenne die Wissensvermittlung zum Produkt von persönlichen Finanzempfehlungen. Presse mehrdeutige Antworten nicht in eine Kategorie, nur weil sie gerade passt.

Starte mit einem eingebetteten Lernpfad

Für App-Learning ist das ein möglicher Architekturansatz: Kombiniere eine in eine Flutter-App eingebettete Akademie, kurze Lernstandserhebungen, strukturierte Lernsignale und automatisierte Abläufe. Damit behaupten wir nicht, dass eine solche Funktion bereits existiert oder ihre Wirkung nachgewiesen ist.

• Wähle eine wiederkehrende Fehlvorstellung und ordne ihr freigegebene anschließende Lernaktivitäten zu.
• Beschränke die an den Klassifikator übermittelten Daten der Lernenden auf ein Minimum.
• Versioniere Kategorien, Prompts, Regeln und mehrsprachige Inhalte gemeinsam.
• Bestimme, wer die Überprüfung übernimmt und wann Änderungen zurückgenommen werden.

Der beste Tutor ist nicht der, der nach jeder Antwort Text erzeugt. Es ist das System, das einen gut begründbaren nächsten Schritt auswählt, bei Bedarf erklärt und zeigen kann, ob Lernende den Stoff verstanden haben.