---
created: 2026-07-02
updated: 2026-07-02
sources: [other/2026-07-02_ome23-operations-update-transkript.md]
tags: [concept, llm, automation, school, education, pilot, process-design, deterministic-vs-judgment]
---

# School Automation Pilot — Schul-Automation als Business-Prozess

**Ursprung:** OME23 Operations-Update (Transkript-Auswertung, Block 6: Schule & Automation)
**Erstellt:** 02. Juli 2026

## Kernkonzept

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.

## Anwendungsbereiche

| Bereich | Automatisierbar | Review-Pflichtig |
|---------|----------------|-----------------|
| **Zeugnisse** | Noten-Aggregation, Formular-Füllung, Textbausteine | Pädagogische Bewertung, individuelle Kommentare |
| **Dokumentation** | Formatierung, Strukturierung, Vorlagen-Füllung | Inhaltliche Richtigkeit, pädagogische Angemessenheit |
| **Logbücher** | Erfassung, Zeitstempel, Kategorisierung | Einordnung, Reflexion |

## Architektur-Prinzip: Deterministisch vs. Urteil

Die zentrale Design-Regel aus OME23:

> **Deterministische Schritte trennen von Urteil/Review.**

- **Deterministisch:** Daten sammeln, aggregieren, formatieren, Vorlagen füllen → KI-automatisierbar
- **Urteil:** Bewertung, pädagogische Einschätzung, individuelle Empfehlung → Menschlicher 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.

## Prozess-Design

1. **Input-Phase:** Rohdaten erfassen (Noten, Beobachtungen, Logbuch-Einträge)
2. **Aggregations-Phase (KI):** Daten strukturieren, aggregieren, in Vorlagen füllen
3. **Draft-Phase (KI):** Entwurf generieren (Zeugnis-Text, Dokumentation, Logbuch-Synthese)
4. **Review-Phase (Mensch):** Pädagogische Prüfung, individuelle Anpassung, Freigabe
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
- **Compliance:** DSGVO, Schulgeheimnis, Eltern-Zustimmung

## Verbindung zum OME23-Kontext

Dieses Konzept steht im Schnittpunkt mehrerer OME23-Themen:

- **Lokale Modelle** (Block 4): Datenschutz erfordert lokale LLMs, keine Cloud-Modelle
- **Memory & Harness** (Block 5): Der Prozess braucht Memory (Schüler-Historie) und Tools (Vorlagen-System, Noten-DB)
- **Wiki Gardening** (Block 1): Dokumentations-Pflege als Wissensmanagement

## Nächste Schritte (aus OME23)

> "Schul-Automation als Business-/Pilotprozess modellieren."

1. Prozess-Spezifikation erstellen (Schritt-für-Schritt-Workflow)
2. Datenmodell definieren (welche Inputs, welche Outputs)
3. Lokale-LLM-Auswahl treffen (welches Modell für welche Aufgabe)
4. Pilot-Scope definieren (Schule, Jahrgang, Zyklus)
5. Datenschutz-Konzept erstellen

## Cross-References

- [OME23 — Evolution der KI-Workflows](../../events/ome23-evolution-ki-workflows.md) — Operations-Update Block 6
- [Cloud-Exit & Lokale Überlegenheit](../hardware/cloud-exit-and-local-superiority.md) — Datenschutz durch lokale LLMs
- [Spec Driven Development mit Harness](spec-driven-development-harness.md) — Prozessdesign mit Test-Harness
- [Vibe Coding vs. Enterprise](vibe-coding-vs-enterprise.md) — Systematisches Vorgehen für reale Anwendungen
- [Memory System](../../architecture/memory-system.md) — Memory-Layer für Schüler-Historie