Prüfungsfragen automatisch generieren

Das echte Ausmaß des Problems

Wie viele Prüfungsfragen ein Dozent im Jahr schreibt, hat niemand repräsentativ erhoben. Rechne selbst: 40 Fragen je Abschlussprüfung, zwei Durchläufe je Kurs, acht Kurse im Jahr, das sind 640 Fragen, wenn jedes Mal neue kommen sollen.

Die typische Reaktion darauf: Fragen wiederverwenden. Und das bringt reale Probleme mit sich:

• Fragen werden bekannt. In Communities von Teilnehmenden, WhatsApp-Gruppen, Online-Foren, über Kursnachzügler, zirkulieren die Fragen und Lösungen. Wie viele Teilnehmende eine Frage vorher kennen, hat niemand erhoben, aber du siehst es an deiner eigenen Prüfung: Werden alte Fragen deutlich häufiger richtig beantwortet als neue auf derselben Bloom-Ebene, sind sie bekannt. Das schwächt die Trennschärfe (die Fähigkeit, zwischen guten und schwachen Leistungen zu unterscheiden).
• Prüfungs-Validität sinkt. Eine Prüfung soll das Verständnis und die Anwendung messen, nicht das Auswendiglernen von Musterlösungen. Wenn ein Teil der Fragen vorab bekannt ist, misst die Prüfung nicht mehr das, was sie soll, sie misst das Netzwerk und die Aufbereitung durch frühere Teilnehmende.
• Differenzierung wird schwach. Wenn alle die gleichen bekannten Fragen lösen können, ist die Notenvergabe weniger aussagekräftig. Ein Teilnehmender, der wirklich versteht, unterscheidet sich dann kaum noch von einem, der “vorbereitet wurde”.
• Bildungsträger-Reputation leidet. Teilnehmende, die merken, dass sie mit einem Zettel mit bekannten Fragen geprüft werden, bewerten das Programm niedriger, zu Recht. Das wirkt sich in NPS und Weiterempfehlung aus.
• Die Qualitätssicherung fragt danach. Nach § 2 Abs. 4 AZAV muss das Qualitätssicherungssystem eines zugelassenen Trägers dafür sorgen, dass die Qualität „kontinuierlich verbessert wird”. Eine Pflicht zu neuen Prüfungsfragen steht dort nicht, aber eine seit fünf Jahren unveränderte Prüfung ist schwer als kontinuierliche Verbesserung zu erklären.

Das Problem ist nicht die Schöpfungshoheit über Fragen, das ist nicht das Thema. Das Problem ist: Prüfungen funktionieren nur, wenn die Fragen neu sind. Und 40 neue, gut durchdachte Fragen zu schreiben kostet Zeit, die Trainer schlicht nicht haben, wenn sie gleichzeitig Kurse durchführen, Teilnehmende betreuen und Materialien aktualisieren.

Mit vs. ohne KI, ein ehrlicher Vergleich

Richtwerte der Redaktion, nicht gemessen; Zeiten inklusive fachlicher Prüfung und Überarbeitung. Miss es selbst: Stoppuhr beim nächsten Fragenset.

Der zentrale Punkt: Ein größerer Pool erlaubt Auswahl. Mit KI kannst du nicht nur schneller 40 Fragen schreiben, du kannst 100 oder 150 Entwürfe erzeugen und die besten 40 auswählen. Das ist ein echter Unterschied zu: 40 schreiben und hoffen, dass sie passen. Besser wird die Prüfung dadurch aber nur, wenn du die Kandidaten wirklich prüfst, denn 150 Entwürfe sind auch 150 Chancen für fachliche Fehler.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) 5–10 Stunden pro Kurs zu sparen ist substantiell. Weniger als bei UC01 (Lernmaterialien), wo ein kompletter Materialsatz nach unserer Schätzung 25 bis 50 Stunden spart, weil Fragen strukturell einfacher sind und weniger didaktische Varianz brauchen, aber trotzdem eine klare Reduktion. Die Messbarkeit ist exzellent: Vorher-nachher Zeitmessungen sind greifbar. Der Effekt ist stabil über viele Kurse. Nicht höher bewertet, weil die Prüfphase (Qualitätssicherung, didaktische Angemessenheit) weiterhin zeitintensiv bleibt, die KI reduziert die Schreibarbeit, nicht die Denkarbeit.

Kosteneinsparung, niedrig (2/5) Wer Prüfungen bisher nicht outsourcte, spart keine direkten Kosten, der Nutzen liegt rein in freigesetzter Trainerzeit. Nur wer bisher externe Prüfungsautoren bezahlt, spart deren Rechnung, abzüglich der Prüfzeit, die intern bleibt. Für die meisten Weiterbildungsträger liegt der Vorteil woanders (bessere Fragenqualität, mehr Varianz), nicht in direkten Kosteneinsparungen. Deshalb 2 statt 3 oder 4.

Schnelle Umsetzung, hoch (4/5) Claude oder ChatGPT sind sofort einsatzbereit, kein Setup. Ein gut strukturierter Prompt ist nach 1–2 Testsitzungen brauchbar. Nach 3–4 Wochen hat ein Trainer seine “Prüfungs-Prompts” optimiert und kann sie auf alle Kurse anwenden. Nicht 5, weil die Prompt-Optimierung (um Bloom-Levels konsistent zu treffen, um die richtige Schwierigkeitsmischung zu finden) ein Lernen erfordert, aber deutlich schneller als “komplett manuell” oder spezialisierte Software.

ROI-Sicherheit, hoch (4/5) Der Nutzen ist unmittelbar messbar: Zeit für Fragenerstellung sinkt sofort. Bei der Prüfungsqualität ist es schwieriger. Zwei Gruppen mit je 16 Teilnehmenden zu vergleichen zeigt nur sehr große Unterschiede, Bestehensquoten schwanken schon durch Zufall um mehrere Personen. Aussagekräftiger ist der Vergleich innerhalb einer Prüfung: alte und neue Fragen derselben Bloom-Ebene mischen und die Lösungsquoten vergleichen. Das liefert viele Fragen je Person statt einer Note je Person, und nach zwei, drei Durchläufen ein belastbares Bild. Nicht 5, weil die Investition in Prüfung und Qualitätssicherung real ist, sie ist nur deutlich geringer als das Schreiben von Grund auf.

Skalierbarkeit, hoch (4/5) Ein einmal entwickelter Prompt skaliert auf alle Kursthemen. Zehn Kurse bedeuten nicht zehn Mal mehr Arbeit, sondern zehn Mal Prompt-Anwendung. Das ist der Kern von KI-Skalierung. Knapp nicht 5, weil jedes neue Kursthema minimal an den Prompt angepasst werden muss (Lernziele variieren, Bloom-Anforderungen variieren), aber diese Anpassung ist in Minuten erledigt, nicht Stunden. UC03 (Kursempfehlungen) ist der Skalen-Absolut-Leader in dieser Branch, deshalb 4 statt 5 hier.

Richtwerte, stark abhängig von Kurskomplexität, vorhandenen Lehrplänen und Prüfprozessen.

Was das System konkret macht

Generative KI ist hier nicht ein Qualitäts-Autopilot, sondern ein Fragenentwurfs-Katalysator mit Struktur. Wichtig: Die KI generiert die Rohfragen, der Trainer entscheidet über Eignung, Schwierigkeit und Korrektheit.

Aus Lernzielen und Curriculum zur Fragenbank: Du gibst das Curriculum ein, alle Lernziele, Modulinhalte, Themenblöcke. Die KI erstellt dann nicht wild drauflos, sondern strukturiert nach Bloom-Taxonomie: Fragen auf der Ebene “Erinnern” (Was ist ein Projektmeilenstein?), “Verstehen” (Erkläre den Unterschied zwischen Puffer und Slack), “Anwenden” (Erstelle einen realistische Meilenstein-Zeitplan für folgendes Projekt), “Analysieren” (Welche Risiken ergeben sich aus dieser Planung?), “Bewerten” (Warum ist diese Planung besser/schlechter als die Alternative?).

Multiple-Choice, Single-Choice, offene Fragen, in einem Durchgang: Mit einem strukturierten Prompt kannst du in einer KI-Session 50 Fragen generieren, davon 15 MC, 15 SC, 20 offen. Mit Schwierigkeitsstufen. Die KI “versteht” (im statistischen Sinne) die Struktur, weil der Prompt das so aufgeteilt hat.

Automatische Varianten für Paralleltermine: “Erstelle für jede Frage eine Variante mit anderen Zahlen/Namen/Szenarien”, dafür spart man locker 3–5 Stunden pro Prüfungszyklus. Statt die gleiche Frage morgens und nachmittags zu nutzen, nutzt du morgens Variante A und nachmittags Variante B. Auch die Nachholgruppe bekommt Variante C. Abschreiben wird deutlich schwächer.

Antwortschlüssel mit Bewertungslogik: Die KI kann gleichzeitig mit den Fragen auch den Antwortschlüssel generieren, inklusive Punkteverteilung. “Für MC: 1 Punkt pro richtig. Für SC: 2 Punkte. Für offene Fragen: 0–3 Punkte je nach Umfang und Genauigkeit, Bewertungskriterien in […]”, damit hast du nicht nur Fragen, sondern ein komplettes Prüfungs-Rahmenwerk.

Bloom-Level-Zuordnung: Der Prompt kann die KI instruieren, jede Frage mit ihrem Bloom-Level zu kennzeichnen. Damit siehst du sofort: “Habe ich zu viele Erinnerungsfragen und zu wenig Analyse-Fragen?” Qualitätssicherung auf struktureller Ebene.

Was die KI nicht leistet

Thematische Korrektheit bleibt deine Aufgabe. Eine KI kennt keine Sonderfallregelungen in deinem Curriculum, keine speziellen Fallstricke, die du wissen willst, dass Teilnehmende verstehen. Ein Trainer, der nicht selbst überprüft, ob die generierten Fragen fachlich stimmen, wird Müll in seine Prüfung einbauen. Das funktioniert nicht.

Ebenso: Soft Skills und Einstellungsfragen sind härter. Multiple Choice für “Projektmanagement-Tools” funktioniert gut. Multiple Choice für “Wie führst du ein schwieriges Feedback-Gespräch?” funktioniert weniger gut, zu viele kontextabhängige “richtige Antworten”. Die KI-Qualität ist da schlechter.

Konkrete Werkzeuge, was wann passt

Claude oder ChatGPT , der unmittelbare Einstieg. Beide unterstützen lange PDF-Uploads (Lehrpläne, Modulinhalte). Claude hat bei strukturierten Ausgaben (Fragen + Antwortschlüssel + Bloom-Levels) eine etwas konsistentere Formatierung; ChatGPT ist beim kreativen Variieren von Szenarien flexibler. Kostenlos testbar. Für regelmäßige Nutzung kostet Claude Pro 20 Euro im Monat. ChatGPT Plus kostet 23 Euro im Monat.

Gemini Notebook (bis Juli 2026 NotebookLM), spezialisiert auf Dokumenten-basierte Inhalte. Du lädst deine Kursmaterialien hoch (Präsentationen, Handouts, PDFs), und Gemini Notebook erzeugt daraus unter anderem Quizfragen. Für Trainer, die ihre Materialien bereits digital haben, ist das der schnellste Einstieg. Kostenlos mit Google-Konto (50 Quellen je Notebook), mehr Quellen mit Google AI Plus für 4,99 Euro im Monat.

Microsoft 365 Copilot , wenn deine Institution Office 365 nutzt. Copilot in Word kann aus Dokumenten Fragen entwerfen. Vorteil: Alles bleibt in deiner Organisation. Nachteil: Weniger Kontrolle über Struktur und Schwierigkeit als mit reinen LLMs. Copilot Chat im Web ist in berechtigten Microsoft-365-Abos ohne Aufpreis enthalten, Copilot direkt in Word kostet als Add-on extra (siehe Kosten).

Make.com , für Automatisierung. Wenn du einen Workflow aufbauen willst, der jede Woche automatisch neue Fragenentwürfe für deinen Kurs erzeugt, verbindet Make.com die OpenAI- oder Anthropic-API mit Google Drive oder Notion. Setup-Aufwand: 1–2 Tage. Danach landen neue Entwürfe automatisch in der Fragenbank, prüfen musst du jede Frage weiterhin selbst. Kostenlos für zwei aktive Szenarien. Der Core-Plan kostet 9 US-Dollar im Monat bei jährlicher Zahlung.

Testportal oder spezialisierte LMS-Plugins, wenn du bereits ein Learning Management System (LMS) wie Moodle oder ILIAS nutzt. Manche LMS haben KI-Plugins, die direkt im Tool Fragen aus Kursinhalten generieren. Schau in der Dokumentation deines LMS nach “KI-Fragengeneration” oder “Quiz-Generator”. Nicht alle LMS haben das, aber es wird Standard.

Empfehlung für den Einstieg: Mit Claude oder ChatGPT starten (kein Setup, sofort testbar). Nach 2–3 erfolgreichen Kursen prüfen, ob Gemini Notebook den Workflow vereinfacht (wenn deine Materialien in PDF/Präsentation vorliegen). Make.com ist eine sinnvolle Automatisierungs-Ebene danach, kein notwendiger Einstiegsschritt.

Datenschutz und Datenhaltung

Prüfungs-Curricula sind typischerweise nicht personenbezogen, sie enthalten Fachinhalt, Lernziele, Beispielszenarien, aber keine direkten Daten über Teilnehmende. Trotzdem sind zwei Punkte relevant:

• Proprietäre Inhalte: Wenn dein Kurs auf spezifischen Firmenprozessen oder Produktinformationen eines Kunden aufbaut, sollten diese nicht ungefiltert in einen öffentlichen KI-Dienst. Hier: ChatGPT Business oder Claude Team nutzen (beide ab zwei Plätzen, kein Training auf Eingaben) oder vertrauliche Details abstrahieren (“ein Fertigungsprozess mit vier Schritten” statt “der spezifische SAP-Prozess bei Kunde X”).

• Wettbewerb: Einzelne Wissensfragen erreichen selten die „persönliche geistige Schöpfung”, die das Urheberrecht verlangt (§ 2 Abs. 2 UrhG), eine durchdachte Fragenbank ist trotzdem ein Geschäftswert. Entwickle sie deshalb in einem Tarif, der nicht mit deinen Eingaben trainiert, und teile Chats mit deinen Prompts nicht öffentlich.

• DSGVO: Wenn du keine personenbezogenen Daten eingibst (was die Regel ist), ist das Datenschutzrisiko gering. Falls doch: AVV mit dem KI-Anbieter abschließen (Pflicht bei Chat-Eingaben mit Teilnehmerdaten).

• AZAV-Hinweis: Träger mit AZAV-Zulassung sollten dokumentieren, dass die Fragenbank regelmäßig aktualisiert wird und wer die KI-Entwürfe fachlich prüft. Ein Werkzeug schreibt die AZAV nicht vor. Eine interne Richtlinie (z.B. “Fragenbank-Update mind. 50 % neue Fragen pro Jahreszyklus”) ist sauberer als Recycling-Management.

• KI-Verordnung: Fragen entwerfen lassen ist kein Hochrisiko-Einsatz. Anders, wenn du die KI offene Antworten bewerten lässt: KI-Systeme, die bestimmungsgemäß Lernergebnisse bewerten, führt Anhang III Nr. 3 lit. b KI-VO als Hochrisiko-Anwendung. Dann gelten zusätzliche Pflichten, prüf das vor dem Einsatz.

Was es kostet, realistisch gerechnet

Laufende Toolkosten

• Claude Pro: 20 Euro im Monat je Trainer (wenn regelmäßig genutzt)
• ChatGPT Plus: 23 Euro im Monat je Trainer
• Gemini Notebook: kostenlos, mehr Quellen mit Google AI Plus für 4,99 Euro im Monat (optional, nur wenn PDF-Upload-Fokus)
• Microsoft 365 Copilot Business: 18,20 Euro je Nutzer und Monat im Jahresabo, 21,84 Euro bei monatlicher Zahlung, zusätzlich zur M365-Lizenz und zzgl. MwSt. (Copilot Chat ist in berechtigten M365-Plänen ohne Aufpreis enthalten)
• Make.com für Automatisierung: Core 9 US-Dollar im Monat bei jährlicher Zahlung, 10,59 US-Dollar bei monatlicher

Einrichtungsaufwand Die Hauptinvestition ist die Entwicklung von drei bis fünf Prompt-Templates je Trainer:

1. Prompt für “40 Multiple-Choice-Fragen zum Thema X, Bloom-Levels 1–3”
2. Prompt für “20 offene Fragen zum Thema X, Bloom-Levels 4–6”
3. Prompt für “Fragenbank mit 100 Varianten für automatische Parallel-Prüfungen”
4. Prompt für “Antwortschlüssel mit Bewertungslogik”
5. Prompt für “Szenario-basierte Fragen (Fallbeispiele) Schwierigkeit: Fortgeschritten”

Das dauert 3–4 Wochen intensives Ausprobieren pro Trainer, ist aber danach wiederverwendbar.

Was du dagegenrechnen kannst Ein Trainer, der 8 Kurse pro Jahr anbietet, mit durchschnittlich 2 Prüfungszyklen pro Kurs, hat 16 Prüfungen im Jahr. Schreibt er bisher für jede neue Fragen und spart die KI-Unterstützung durchschnittlich 5 Stunden pro Prüfung (von 8–10 Stunden auf 3–5 Stunden), sind das 16 mal 5, also 80 Stunden freigesetzte Kapazität pro Jahr.

Wer heute die alten Fragen wiederverwendet, wie Andreas im Beispiel oben, spart dagegen nichts. Er investiert 3 bis 5 Stunden je Prüfung, die er bisher gar nicht aufgewendet hat, also 48 bis 80 Stunden im Jahr. Was er dafür bekommt, ist eine Prüfung, die wieder misst, was sie messen soll.

In Geld wird die Zeit nur in zwei Fällen. Der Träger bezahlt Honorardozenten die Prüfungserstellung nach Stunden, dann spart er 80 mal den Stundensatz. Oder ein freiberuflicher Trainer füllt die frei gewordenen Stunden mit bezahlter Arbeit: Bei 80 bis 110 Euro Stundensatz wären das 80 mal 80 bis 80 mal 110 Euro, also 6.400 bis 8.800 Euro im Jahr, aber nur, wenn es diese Aufträge gibt. Vorbereitung, die ohnehin niemand bezahlt, wie Andreas’ Sonntagabend, hat keinen Eurowert, sie gibt dir Freizeit zurück.

Die Toolkosten (20 bis 23 Euro im Monat, also 12 mal 20 bis 12 mal 23 Euro, 240 bis 276 Euro im Jahr) sind dagegen gering.

Drei typische Einstiegsfehler

1. Die KI-Fragen ohne fachliche Überprüfung nutzen. Die häufigste Falle. Eine KI kann sachlich falsche oder missverständliche Fragen generieren, besonders bei Themen mit Fallstricken oder Spezialwissen. Ein Trainer, der nicht selbst jede Frage überprüft, wird Fehler in die Prüfung bauen. Die Regel: KI generiert Kandidaten, Trainer validiert jede einzelne. Das kostet Zeit, reduziert aber die Zeitersparnis nicht auf null, es geht immer noch schneller, Fehler aus einem generierten Pool zu streichen, als Fragen von Grund auf zu schreiben.

2. Keine Bloom-Level-Struktur definieren. “Erstelle mir 40 Prüfungsfragen” führt zu einer Zufallsmischung. “Erstelle mir 8 Erinnern-Fragen, 12 Verstehen-Fragen, 10 Anwenden-Fragen, 8 Analysieren-Fragen, 2 Bewerten-Fragen” führt zu einer Prüfung, die tatsächlich Verständnis prüft. Der strukturierte Prompt ist die ganze Arbeit, und danach die ganze Ersparnis.

3. Nicht auf Varianz testen. Wenn du dieselbe Frage in Variante A und Variante B gibst (unterschiedliche Zahlen, andere Szenarien, anders formuliert), solltest du stichprobenartig prüfen: Ist das Schwierigkeitslevel gleich geblieben? Eine Variante ist nicht einfacher als die andere? Das braucht je fünf Minuten pro Fragenblock, ist aber wichtig.

Was mit der Einführung wirklich passiert, und was nicht

Trainer sind nach den ersten generierten Fragenbänken oft überraschend: nicht davon, dass die Qualität sofort perfekt ist, sondern davon, dass die Prüfung eines KI-Entwurfs viel schneller geht als komplett manuell schreiben.

Typisches Muster nach Woche 1: “Ich muss fast jede Frage anpassen.” Nach Woche 4: “Ich ändere vielleicht zwei oder drei pro Block, weil ich gelernt habe, bessere Prompts zu schreiben.”

Zwei Widerstands-Muster tauchen auf:

“Das klingt didaktisch nicht richtig.” Trainer mit langjähriger Erfahrung merken schnell, wenn eine Frage trotz korrekter Antwort didaktisch “schief” ist, z.B. zu ambig formuliert oder zu weit weg vom tatsächlichen Lernziel. Das ist kein KI-Fehler, sondern ein Prompt-Problem. Eine bessere Instruktion (z.B. “Formuliere die Frage prägnant in maximal zwei Sätzen” oder “Verwende nur Begriffe aus dem Glossar auf Seite X”) hilft enorm. Nach 2–3 Iterationen passt es.

“Das ist nicht so scharf wie meine Fragen.” Stimmt oft. Trainer mit Spezialisierung generieren kniffeligere, differenziertere Fragen als ein generisches LLM. Die richtige Erwartung ist nicht “besser als ich”, sondern “so gut, dass ich davon nicht frustriert bin, und merklich schneller als von null anfangen”. Wer das versteht, wird produktiv. Wer danach sucht, dass die KI alle Fragen besser macht, wird enttäuscht.

Was konkret hilft:

• Eine gemeinsame Session, in der alle Trainer die gleichen Prompts ausprobieren und Ergebnisse vergleichen
• Eine gelebte Norm, dass jede KI-generierte Frage Prüfpflicht hat, nicht optional
• Erfolge sichtbar machen: Wer konnte diesen Monat eine neue Fragenbank aufbauen?

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Werden die KI-Fragen nicht zu vorhersehbar?” Nein, wenn du Varianz richtig konfigurierst. Ein guter Prompt sagt nicht “erstelle 40 verschiedene Fragen”, sondern “erstelle Fragen, die die Lernziele prüfen, aber in unterschiedlichen Szenarien und Formulierungen”. Der Pool ist groß, diverse und nicht auswendig lernbar wie eine Altklausur.

“Ist die Prüfung dann nicht weniger anspruchsvoll?” Das Gegenteil. Mit KI-Unterstützung kannst du vielfältigere und schwierigere Fragen-Variationen bauen, weil du mehr Zeit für Auswahl statt Schreiben hast. Ein Trainer mit 100 Fragen-Kandidaten kann eine bessere Prüfung zusammenstellen als einer mit 40, weil er aussuchen kann. Die Schwierigkeit kann sogar steigen.

“Ist das alles regelkonform nach AZAV?” Die AZAV schreibt kein Werkzeug für Prüfungsfragen vor. Sie verlangt ein Qualitätssicherungssystem, durch das die Qualität „kontinuierlich verbessert wird” (§ 2 Abs. 4 AZAV). Eine regelmäßig erneuerte, fachlich geprüfte Fragenbank passt dazu. Dokumentiere es: “Fragenbank wird pro Zyklus zu mindestens 50 Prozent erneuert, jede KI-Frage fachlich geprüft von [Rolle].” Wer die Bewertung offener Antworten an eine KI abgibt, sollte dagegen die KI-Verordnung prüfen (siehe Datenschutz).

Woran du merkst, dass das zu dir passt

• Du unterrichtest in Kursen, bei denen es am Ende auf eine Abschlussprüfung ankommt
• Du hast mehr als zwei Kurse mit ähnlichen Themen (sodass Prompt-Wiederverwendung sinnvoll ist)
• Du hast Lernziele und Lehrpläne strukturiert dokumentiert (Voraussetzung für gute Prompts)
• Du merkst, dass du die gleichen Prüfungsfragen über Jahre nutzt, und das fühlt sich unbefriedigend an
• Du arbeitest in einer Institution, wo regelmäßige Fragenbank-Updates als Qualitätsmerkmal verankert sind oder werden sollen

Wann es sich (noch) nicht lohnt, zwei Ausschlusskriterien:

1. Dein Kurs hat keine standardisierte Abschlussprüfung. Wenn die “Prüfung” ein unstrukturiertes Gespräch, eine Portfolio-Bewertung oder ein Projekt ist, hilft dir ein Fragengenerator wenig. KI glänzt bei strukturierten Multiple-Choice und offenen Fragen, nicht bei holistischen Assessments.

2. Deine Fachbereich ist so spezialisiert, dass keine Basis-KI-Modelle sinnvolle Fragen generiert. Z.B. sehr proprietäre Enterprise-Software oder tiefe technische Domänen ohne öffentliche Best Practices. Dann brauchst du speziell trainierte Modelle, nicht ChatGPT/Claude.

Das kannst du heute noch tun

Öffne Claude oder ChatGPT und kopiere den folgenden Prompt. Ersetze die Klammern-Teile durch Informationen aus deinem nächsten Kurs. Du brauchst keine Vorkenntnisse, kein Setup, keine Genehmigung.

Quellen & Methodik

• Bloom-Taxonomie Revidiert: Anderson, L.W. & Krathwohl, D.R. (eds.), “A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives” (Longman, 2001). Standardreferenz in der Erwachsenenbildung; konkretes Framework für Ebenen-Zuordnung.
• AZAV-Qualitätssicherung: § 2 Abs. 4 AZAV (Trägerzulassung), gesetze-im-internet.de/azav.
• Hochrisiko-Einstufung Bewertung von Lernergebnissen: KI-Verordnung (EU) 2024/1689, Anhang III Nr. 3 lit. b, artificialintelligenceact.eu.
• Urheberrecht: § 2 Abs. 2 UrhG, gesetze-im-internet.de/urhg.
• Zeitwerte in Tabelle und Rechnung: Richtwerte der Redaktion, nicht gemessen.
• Toolpreise: abgeglichen mit unseren Toolseiten, Stand September 2026.

Willst du wissen, wie du eine Fragenbank-Automatisierung mit Make.com aufbaust, oder wie du deine Institution auf den KI-Einsatz vorbereitest? Meld dich für ein kurzes Gespräch.