DidacticOS

Was das Unternehmen offenbar ist: DidacticOS ist ein selbst gemeldetes KI-Tutoring-System, das behauptet, kontinuierlich zu lernen, wie man unterrichtet, ohne zu einer Black Box zu werden. Das Projekt wurde im Rahmen einer OpenAI 2026 Hackathon-Einreichung erstellt und wird als System mit einer persistenten Regelungs-Schleife beschrieben, die Codex nutzt und über getrennte Komponenten für Runtime und Teacher Learning verfügt.

Was sich geändert hat: Die Beschreibung präsentiert eine neuartige Architektur für KI-Tutoring, die die Live-Interaktion mit Schülern (die "Runtime") von der Offline-Verbesserung der Pädagogik ("Teacher Learning Kernel") trennt. Sie betont eine regulierte Schleife mit expliziter Verifizierung, menschlicher Aufsicht und unveränderlicher Beweisaufnahme.

Wichtigste offene Frage: Gibt es Belege für eine tatsächliche Implementierung, Nutzung oder messbare Lernergebnisse über die beschriebene Architektur und das lokale Replay-Artefakt hinaus?

Analysegrundlage: Dieser Bericht basiert ausschließlich auf der vom Anrufer bereitgestellten, selbst gemeldeten Projektbeschreibung. Es liegen keine externen Verifizierungen, Traction-Daten, Umsatzangaben, Kundennamen oder unabhängige Quellen vor. Alle Behauptungen in diesem Dokument werden vom Autor aufgestellt und sind nicht unabhängig bestätigt.

Die Beschreibung besagt, dass DidacticOS ein KI-Tutor ist, der entwickelt wurde, um kontinuierlich zu lernen, wie man unterrichtet, während Transparenz aufrechterhalten wird. Er besteht aus zwei Hauptkomponenten:

• Runtime Kernel: Ein Microkernel-ähnlicher Supervisor, der Live-Tutoring-Runden verwaltet, einschließlich:
  • Central Orchestrator
  • Working Memory
  • Student Model (unter Verwendung einer Rasch-artigen IRT-Baseline)
  • Policy Engine
  • Prompt Compiler
  • Output Guardrail

• Teacher Learning Kernel: Ein Blackboard-artiges Set von Spezialisten, die abgeschlossene Runtime-Telemetrie offline verarbeiten, um Lehrregeln zu verbessern.

Das System verwendet:

• Append-only-Beweise für alle Entscheidungen
• Deterministische Zustandsübergänge basierend auf dem Rasch-IRT-Modell
• Ein kontrollierter Lebenszyklus von der Beweissammlung bis zur Skill-Promotion
• Circuit Breakers und Eskalationsprotokolle

Behauptung: Das System trennt die Live-Ausführung von der pädagogischen Lernphase, ohne Produktions-Lehrregeln vor Ort zu bearbeiten.

Schlussfolgerung: Die Architektur impliziert ein komplexes Multi-Agenten-System mit getrennten Phasen für Ausführung, Analyse, Validierung und Bereitstellung.

Das Projekt positioniert sich als KI-Tutor, der die Pädagogik verbessert, ohne zu einer Black Box zu werden. Es behauptet, einen "governed loop"-Ansatz zu verwenden, bei dem:

• Die menschliche Überprüfung die Autorität über irreversible Daten und Sicherheitsentscheidungen behält
• Die autonome Ausführung durch explizite Akzeptanzkriterien gesteuert wird
• Kontinuierliches Lernen durch die Offline-Verarbeitung unveränderlicher Beweise erfolgt

Behauptung: Das System vermeidet es, die Produktions-Pädagogik in Echtzeit zu verändern, und schlägt stattdessen neue Versionen mit unterstützenden Beweisen vor.

Schlussfolgerung: Diese Positionierung deutet auf einen Fokus auf Erklärbarkeit, Sicherheit und Reproduzierbarkeit hin, anstelle von schneller Anpassung oder Experimentierung.

Nicht belegt. Die Beschreibung gibt nicht an, wer die beabsichtigten Nutzer sind, welche Bedürfnisse sie haben oder wie sie über allgemeine KI-Tutoring-Fallbeispiele hinaus mit dem System interagieren würden.

Fehlende Evidenz: Keine Erwähnung spezifischer Kundensegmente, Personas oder Nutzertypen.

Nicht belegt. In der Beschreibung finden sich keine Informationen zu Monetarisierungsstrategien, Preismodellen oder Umsatzquellen.

Fehlende Evidenz: Keine Hinweise darauf, wie dies verkauft, lizenziert oder kommerziell genutzt werden könnte.

Das Projekt behauptet, Folgendes zu nutzen:

• Codex für die Implementierung mit einer persistenten Kontrollschleife
• Spezialisierte Agenten, die unterschiedliche Rollen (Planung, Implementierung, Verifizierung) übernehmen
• Ein Aufgabenregister zur Steuerung des Workflows
• LangGraph für die Zustandsmaschinen-Darstellung
• Langfuse für die Telemetrie-Verfolgung
• Hugging Face für das Benchmarking (MathDial-Protokoll)
• Deterministisches Rasch-Modell im Stil der IRT für Studierende

Es beschreibt auch:

• Eine Monitoring-Oberfläche mit einer persistenten linken Leiste und einem zentralen Aktivitätsstrom
• Circuit Breakers, Eskalationsmechanismen und Akzeptanzgates
• Append-only-Protokolle (.loop/events.jsonl)
• Evidenzgrenzprotokolle (MathDial) zur Trennung von Entwicklung und Validierung
• Double-Runtime-Evidenzwiederherstellung unter dem finalen Akzeptanzprotokoll

Behauptung: Das System ist mit Sicherheit, Nachverfolgbarkeit und Governance ausgestattet.

Schlussfolgerung: Diese technischen Details deuten auf ein hohes Maß an ingenieurstechnischer Raffinesse und Aufmerksamkeit für Prozesskontrolle hin.

Nicht belegt. Es gibt keine Erwähnung von:

• Tatsächlichen Deployments
• Nutzerfeedback oder Adoption
• Leistungsindikatoren über das lokale Replay-Artefakt hinaus
• Daten zur Kundenakquise oder -bindung
• Produktnutzungsstatistiken

Fehlende Evidenz: Keine Hinweise auf reale Anwendung oder messbare Auswirkungen.

Nicht belegt. Die Beschreibung verweist nicht auf Wettbewerber, Marktpositionierung oder Wettbewerbsvorteile.

Fehlende Evidenz: Kein Vergleich mit bestehenden KI-Tutoring-Plattformen oder Bildungstechnologie-Lösungen.

1. Ungeprüfte Behauptungen: Alle Beschreibungen sind selbst gemeldet und ungeprüft.
2. Keine Evidenz für Traction: Keine Daten zu realen Nutzern, Leistung oder Adoption.
3. Nur lokales Artefakt: Die Demonstration basiert ausschließlich auf einem lokalen Replay-Artefakt (184 Turns), nicht auf Live-Nutzung.
4. Begrenzter Umfang: Das System wird als Hackathon-Projekt beschrieben, ohne Hinweise auf Skalierbarkeit oder kommerzielle Machbarkeit.
5. Hohe Komplexität ohne Validierung: Die Architektur ist komplex, aber es fehlen Belege für einen erfolgreichen Betrieb in der Praxis.

Schlussfolgerung: Das Fehlen von Realwelt-Tests, Nutzerfeedback und messbaren Ergebnissen wirft erhebliche Bedenken hinsichtlich der Eignung für den Produktivbetrieb auf.

1. Welche spezifischen Bildungsergebnisse oder Lernzuwächse wurden in den 184 Turns gemessen?
2. Wie plant DidacticOS, über ein lokales Replay-Artefakt hinaus zu skalieren?
3. Gibt es externe Benchmarks oder Bewertungen durch Dritte hinsichtlich der Leistung?
4. Wie lautet die Roadmap für den Übergang vom Offline-Lernen zum Live-Unterricht?
5. Wurde das System mit echten Schülern oder Lehrkräften getestet?
6. Wie wird es in bestehende Bildungsinfrastrukturen integriert?
7. Was sind die zentralen Annahmen des Rasch-Modells und wie wurden sie validiert?