Wie ich in 8 Monaten eine KI-Prüfungs-App entwickelte

Studierende stehen oft vor einem Dilemma: Prüfungen fordern das Auswendiglernen von Mustern, während echtes Lernen Neugier und Tiefe verlangt. Genau hier setzt eine neue KI-Anwendung an, die ihr Entwickler innerhalb von acht Monaten von einer spontanen Idee zu einem produktionsreifen Tool ausbaute. Das Ergebnis könnte die Art und Weise, wie Lerninhalte aufbereitet werden, grundlegend verändern.

Warum klassische Lernmethoden oft scheitern

Prüfungen belohnen häufig das Erkennen von Prüflungsmustern, nicht das Verständnis komplexer Zusammenhänge. Der Entwickler dieser Anwendung erlebte diese Diskrepanz am eigenen Leib: In einem Programmierstudiengang sollte Pseudocode geschrieben werden, obwohl die Algorithmen bereits verstanden waren. Statt stundenlang zu pauken, entstand die Idee für eine KI-gestützte Lernhilfe.

Das Kernproblem liegt im System selbst: Lehrpläne und Prüfungsformate sind oft starr und lassen wenig Raum für individuelle Lernwege. Wer sich nicht für ein Fach begeistern kann, hat kaum eine Chance, tiefgehendes Wissen aufzubauen. Die Lösung? Eine Anwendung, die Algorithmen nutzt, um aus Altklausuren, Bewertungsschemata und Prüferberichten die essenziellen Lerninhalte zu extrahieren – und so Zeit für kreatives Arbeiten und echtes Verständnis schafft.

Vom Prototypen zur produktionsreifen Lösung

Der erste Ansatz war ein klassischer "Vibe Coding“-Prototyp: Innerhalb einer Woche wurde ein Minimalprodukt mit Hilfe von KI-Modulen zusammengeschustert. Die Technologiebasis bestand aus dem Gemini-API, Streamlit für das Frontend und PostgreSQL als Datenbank. Doch schnell zeigte sich, dass dieser Weg in die Sackgasse führte.

Nach den ersten Tests offenbarte sich das Chaos im Code:

• - Statistik-Dashboards mit zufälligen Werten
• - Speicherung von nur zwei von fünf erwarteten JSON-Schlüsseln
• - Erstellung sinnloser Tabellen in der Datenbank

Die KI hatte zwar funktioniert, aber der Code war unwartbar und voller Sicherheitsrisiken. Der Entwickler zog eine klare Konsequenz: Statt weiter auf ungefilterte KI-Generierung zu setzen, wurde das gesamte System von Grund auf neu aufgebaut – diesmal mit strukturierter Architektur.

Intelligente KI-Strategien: Qualität statt Quantität

Nach dem Scheitern des Prototyps setzte der Entwickler auf eine kontrollierte KI-Strategie. Der Grundgedanke: Die Kernarchitektur muss manuell entwickelt werden, während KI-Tools gezielt für repetitive oder komplexe Teilaufgaben eingesetzt werden.

Ein typischer Workflow sah wie folgt aus:

• - Der Entwickler schreibt den Grundrahmen (z. B. eine Login-Seite)
• - Die KI übernimmt die Anpassung (z. B. Umwandlung in eine Registrierungsseite)
• - Jede Änderung wird in kleinen, überprüfbaren Schritten vorgenommen

Diese Methode führte zu sauberem Code, der sich leicht warten ließ. Die eingesetzten Tools waren gezielt ausgewählt:

• - Precise Code-Edits: Claude Web
• - Cloud-basierte Modelle: OpenCode
• - Lokale Modelle: Pi Coding Agents

Entgegen der Annahme, dass KI-Einsatz teuer ist, blieben die Kosten bei null. Entscheidend war nicht die Nutzung kostenloser Kontingente, sondern die bewusste Steuerung jedes Tokens – nur dort, wo sie echten Mehrwert bot.

Experimente und Rückschläge auf dem Weg zur Marktreife

Der Weg von der ersten Idee zur fertigen Anwendung war kein geradliniger Prozess. Zahlreiche Experimente sollten die KI-Leistung und Datenverarbeitung optimieren:

Testphase 1: Wechsel von Cloud- zu lokalen Modellen

• - Versuch, die Verarbeitungspipeline von Gemini 2.5 Flash auf lokale Llama-Gewichte umzustellen
• - Benchmarking verschiedener PDF-Parsing-Bibliotheken (PyMuPDF, pdfplumber)
• - Ergebnis: Exzellente Textextraktion, aber schon ein einziges komplexes Diagramm führte zum Absturz

Testphase 2: Multimodale Modelle im Einsatz

• - Wechsel zu kleinen multimodalen Modellen (Llama-3.2-3B-Instruct)
• - Implementierung eines gleitenden Kontextfensters: Seitenweise Bilder und kumulativer JSON-Status
• - Erkenntnis: Die Annahme, dass lokale Modelle effizienter wären, erwies sich als Irrtum

Testphase 3: Überoptimierung und Rücksetzer

• - Fehlgeschlagene GPU-Investitionen in Lightning AI für Inferenz und Unsloth-Fine-Tuning
• - Versehentliche Schulung der Modelle mit unbereinigten V1-Ausgaben
• - UI-Engine überladen mit komplexen JSON-Schema-Rendering-Anforderungen – führte zum Zusammenbruch der KI-Ausgaben

Nach dem zweiten Prüfungszyklus stand fest: Ein kompletter Neuanfang war notwendig. Diesmal mit Fokus auf Benutzerfreundlichkeit, klare Architektur und robuste Datenverarbeitung.

Die hybride KI-Architektur, die überzeugt

Nach monatelangen Experimenten kristallisierte sich eine hybride Lösung heraus, die Leistung und Effizienz vereint:

Komponenten der finalen Architektur

• - Gemini 3.1 Flash-Lite für multimodale Aufgaben wie PDF- und Diagrammverarbeitung
• - Qwen 3.6 35B für Routing und textbasierte Aufgaben
• - Spezulative Decoding-Experimente mit Qwen 3.5 (0.8B & 2B) wurden aufgrund von Qualitätsproblemen verworfen

Diese Kombination ermöglicht:

• - Hochwertige Extraktion von Lerninhalten aus Prüfungsunterlagen
• - Strukturierte Aufbereitung für gezieltes Lernen
• - Produktiv einsetzbare Antwortzeiten

Die Anwendung ging am 5. Juni offiziell in Produktion. Für IGCSE-Schülerinnen und Schüler, die eine Lernhilfe suchen, die sowohl Zeit als auch Lernerfolg respektiert, ist eine Warteliste geöffnet. Die ersten 500 Anmeldungen erhalten frühen Zugriff.

Mit diesem Projekt zeigt sich: Echte Innovation entsteht nicht durch blinden KI-Einsatz, sondern durch strukturierte Experimente und die Bereitschaft, Rückschläge als Lernchancen zu begreifen. Die App beweist, dass Technologie dann am nützlichsten ist, wenn sie den Menschen nicht ersetzt, sondern ihm ermöglicht, sich auf das Wesentliche zu konzentrieren – das Lernen selbst.