Vom Konzept zur Realität

Ein Tag beim hai×athon der FH Aachen

Wie entsteht eigentlich eine KI-Idee – und was passiert, wenn man versucht, sie an nur einem Tag umzusetzen?

Dieser Frage sind wir beim hai×athon am 5. März 2026 in der Bayernallee 11 nachgegangen. Wir – Zoe East (ZSB FH Aachen) und Peter Schreiber (ZHQ) – starteten mit der Idee, einen KI-Chatbot zu entwickeln, der Studienanfänger:innen dabei unterstützt, schnell die richtigen Informationen rund um ihr Studium zu finden. Am Ende des Tages hatten wir zwar noch keinen fertigen Prototypen – aber viele Erkenntnisse darüber, was bei der Entwicklung solcher Systeme entscheidend ist.

Von der Idee zum konkreten Anwendungsfall

Zu Beginn des Tages stand eine sehr offene Idee im Raum: Ein Chatbot, der Studieninteressierte und Studierende bei Fragen zum Studium unterstützt. Schon in den ersten Gesprächen wurde jedoch klar, dass dieses Ziel für einen Hackathon zu groß ist. Um einen Prototypen entwickeln zu können, brauchten wir einen klar abgegrenzten Anwendungsfall. Mit Unterstützung von „haixi“, der KI-Assistenz des Haixathons, konkretisierten wir unsere Idee: Ein Chatbot mit aktiven Rückfragen, der Studienanfänger:innen durch die Phase nach der Einschreibung begleitet und sie zu wichtigen organisatorischen Schritten führt. Dabei wurde uns schnell eine zentrale Herausforderung bewusst: Ein Chatbot darf keine falschen Informationen liefern oder halluzinieren. Dafür braucht es eine verlässliche Datengrundlage.

Gute Daten → gute Ergebnisse

Passend zu dieser Frage besuchten wir einen Mini-Workshop von Mireille O’Neil (DVZ) zum Thema Datenqualität in KI-Anwendungen. Eine wichtige Erkenntnis daraus: Viele KI-Systeme können Dokumente – insbesondere PDFs – nicht so zuverlässig verarbeiten, wie man es als Nutzer:in erwartet. Wenn KI mit Informationen arbeiten soll, müssen diese strukturiert und maschinenlesbar aufbereitet sein. Für unser Projekt bestätigte sich damit schnell: Der Erfolg eines Chatbots hängt entscheidend von der Qualität und Struktur der zugrunde liegenden Daten ab.

Daten sammeln – mit unerwarteter Unterstützung

Zurück an unserem Arbeitsplatz standen wir vor einem praktischen Problem: Die relevanten Informationen zur Studienorganisation sind auf verschiedenen Webseiten der FH Aachen verteilt. Die manuelle Zusammenstellung hätte zu viel Zeit gekostet. Hier half Christoph Horst, Mitorganisator des hai×athons. Sein Ansatz: „Vibe Coding“. Mit einer kurzen Beschreibung in ChatGPT ließ er ein Skript generieren, das Webseiten automatisch durchsucht, Inhalte extrahiert und maschinenlesbar aufbereitet. Das Skript kann später jederzeit erneut ausgeführt werden, um Daten aktuell zu halten. Damit hatten wir eine erste Grundlage für unsere Tests.

Prototyping – und erste Grenzen

Am Nachmittag wollten wir den Chatbot testen. Allerdings stellte sich schnell heraus, dass die Umsetzung komplizierter ist als gedacht. Technische Hürden – etwa fehlende Softwareumgebungen – zwangen uns, unseren Plan anzupassen. Stattdessen testeten wir einen ILIAS-Chatbot und nutzten eine selbst erstellte Excel-Liste mit Ansprechpartner:innen und Anlaufstellen der FH Aachen als Datengrundlage. Die Ergebnisse waren zunächst durchwachsen. Teilweise gab der Chatbot falsche Links, ungenaue Zuständigkeiten oder sogar erfundene Ansprechpartner:innen aus. Durch mehrere Iterationen – insbesondere durch Anpassungen im Prompt und eine stärkere Begrenzung der Antworten – konnten wir die Qualität der Ergebnisse zwar verbessern, aber ein stabiler Prototyp entstand an diesem Tag noch nicht.

Was wir aus dem hai×athon mitgenommen haben

Auch wenn wir unser ursprüngliches Ziel nicht vollständig erreicht haben, war der Tag äußerst lehrreich. Besonders deutlich wurde uns der Unterschied zwischen Nutzer:innen- und Entwickler:innenperspektive: Für Nutzer:innen wirkt ein Chatbot oft einfach – man stellt eine Frage und erhält eine Antwort. In der Entwicklung zeigt sich jedoch schnell, dass hinter dieser scheinbaren Einfachheit viele Herausforderungen stecken.

Vor allem drei Faktoren sind entscheidend:

• strukturierte und verlässliche Daten
• klare Einschränkungen und Regeln für das System
• kontinuierliches Testen und Anpassen

Oder anders gesagt:

Ein guter Chatbot entsteht nicht nur durch ein leistungsfähiges KI-Modell – sondern vor allem durch gute Daten und sorgfältige Gestaltung. Der hai×athon hat uns gezeigt, welches Potenzial KI-gestützte Services für Hochschulen haben können – etwa bei der Unterstützung von Studienanfänger:innen. Gleichzeitig wurde deutlich, wie wichtig eine kritische und sorgfältige Umsetzung ist. Wir sind also vielleicht nicht so weit gekommen wie erhofft – aber definitiv ein gutes Stück schlauer als zu Beginn des Tages.