Zeugnisse, Dokumentation und Logbücher können durch KI-Automatisierung drastisch effizienter werden. Das Potenzial ist groß, aber es erfordert sorgfältiges Prozessdesign — insbesondere die Trennung deterministischer Schritte von menschlichem Urteil und Review.
Die KI übernimmt die deterministische Vorarbeit, der Mensch behält die Urteilskompetenz. Das Modell ist kein Ersatz für Lehrer, sondern ein Assistenzsystem, das den administrativen Overhead reduziert.
5.**Output-Phase:** Finale Version erzeugen, verteilen, archivieren
## Business-/Pilotprozess-Modellierung
Als Pilotprozess modelliert:
- **Scope:** Eine Schule, ein Jahrgang, ein Zeugnis-Zyklus
- **KPIs:** Zeitersparnis pro Zeugnis, Fehlerquote, Lehrer-Zufriedenheit
- **Risiken:** Hallucination bei individualisierten Texten, Bias bei Bewertungsvorschlägen, Datenschutz (Schülerdaten)
- **Lokale-LLM-Präferenz:** Schülerdaten dürfen nicht an Cloud-LLMs gesendet werden → lokale Modelle (GLM, DeepSeek, MLX) als Datenschutz- und Souveränitätshebel
- **"OpenClaw gibt es so nicht"** — falsch. OpenClaw existiert, ist lokal hostbar, macht genau Workflow-Management + Multi-Step-Prüfung + Schnittstellen-Orchestrierung.
- **RAG mit Schulrecht ist Pflicht, nicht Optional** — ohne landesspezifische Vorgaben generiert jedes LLM rechtlich problematische Phrasen. Braucht kuratierten Korpus pro Bundesland.
- **Hermes vs. Qwen3** — Hermes stärker im englischsprachigen Raum. Für rechtssicheren deutschen Zeugnisdeutsch: Qwen3 oder Llama-Derivat mit deutschem Fine-Tuning.
