aiMOOC

Zukunftswerkstatt Fair-Image.de

QR-Code

Zukunftswerkstatt Fair-Image 2030 – Netzwerkprojekt KI-Teams

Die Zukunftswerkstatt verknüpft die Schulfirma Fair-Image.de mit dem Netzwerkprojekt KI-Teams: An jeder teilnehmenden Schule entstehen KI-Teams (z. B. KI-Design, KI-Media, KI-Lernkurse, KI-Green), die mit datenschutzkonformen Tools (z. B. ChatGPT Business) kreative und produktive KI-Projekte entwickeln, veröffentlichen und gemeinsam weiterdenken. Ziel: Ein wachsendes Schul-Netzwerk mit kompatiblen Workflows, gemeinsamen Ressourcen und sichtbaren Produkten (Motive, Videos, aiMOOCs, Songs, PoD-Bücher).

Lernziele

Trends in KI, Digitalisierung, Nachhaltigkeit erkennen und benennen.
Eigene Vision für Fair-Image 2030 in Form von KI-Teams entwickeln.
Visionen in umsetzbare Projektpläne (Rollen, Tools, Meilensteine) überführen.
Kooperationen im Schul-Netzwerk aufbauen (Schule ↔ Schule, Schule ↔ Partner).
Kompetenzen für die Arbeitswelt (Teamarbeit, Prozessverständnis, digitale Tools) anwenden.

Rahmen

Dauer: 90–120 Minuten
Gruppengröße: 15–25 Schüler:innen (3–5 Gruppen)
Leitung: Rudolf Machlai (Impulse, Architektur, Datenschutz/Prozess-Feedback) + Lehrkraft
Zielgruppe: ab Klasse 6 (AG Schulfirma, AES, WBS, Informatik)
Materialien

Flipcharts/Papier, Marker; Laptops/Tablet
Zugänge: ChatGPT Business / Alternativen (schulKI, fobizz, Kiwi)
Vorlagen: Trend-Impulse 2030, KI-Team-Rollen, Fair-Image-Canvas 2030

Ablaufübersicht

Phase	Zeit	Ziel	Methode
1. Einstieg: Zukunft & Netzwerk	10 min	Neugier & Vernetzungsidee wecken	Kurzimpuls + Visual (Visionboard)
2. Kritikphase: Heute vs. Morgen	15 min	Engpässe/Potenziale sammeln	Kartenabfrage, Clustering
3. Fantasiephase: KI-Teams 2030	35 min	Zukunftsbilder & Rollen entwerfen	Gruppenarbeit mit KI-Tools
4. Realisierung: Projektplan & Netzwerk-Fit	30 min	Umsetzungsplan + Netzwerk-Schnittstellen	Fair-Image-Canvas 2030
5. Pitches & Feedback	20 min	Sichtbarkeit, Qualitätssicherung	Elevator-Pitch + Machlai-Feedback

1. Einstieg – Zukunft & Netzwerk

Impuls (Machlai, 6–8 min):

Warum KI-Teams? Datenschutz, Rechte-/Rollen, Team-Workflows (ChatGPT Business).
Was bedeutet netzwerkfähige Produktion (gemeinsame Vorlagen, Austausch, Releases)?
Beispielpfade: KI-Motive → Shop/PoD; aiMOOCs → Unterricht; KI-Songs/Video → Socials/Events.

Diskussionsfragen (2–4 min):

Welches Produkt/Prozess bei Fair-Image profitiert sofort von KI-Teams?
Welche Rolle würdet ihr darin übernehmen?

2. Kritikphase – Heute vs. Morgen

Arbeitsanweisung (Gruppen, 15 min):

Karten: „Was läuft heute nicht rund?“ / „Wo geht Zeit verloren?“ / „Was könnte KI verbessern?“
Clustering an die Wand:
1. Organisation & Rollen
2. Produktion/Technik & Tools
3. Nachhaltigkeit/Fairness
4. Kommunikation/ÖA & Vertrieb
Wählt 1–2 Kernprobleme für euer späteres KI-Team.

3. Fantasiephase – KI-Teams 2030

Auftrag (35 min): Entwerft euer KI-Team für 2030. Nutzt Trendkarten (z. B. „AR-Ausstellungen“, „ITS/FELIX“, „Green-Druckoptimierung“, „aiMOOC-Generator“). Erstellt ein Visionboard (Canva/Plakat) mit:

Team-Name & Motto
KI-Einsatz (Bilder/Video/Songs/Lernkurse/Green-Ops)
Nutzen (Kund:innen, Schule, Öffentlichkeit, Umwelt)
1–2 realistische Schritte für 2025/26

Tool-Hinweise:

Ideen/Text: ChatGPT Business
Visuals/Poster: Bild-KI (z. B. DALL·E/SD-Workflow) + Canva
Audio: Suno.ai (Snippet)
Kurs-Konzept: aiMOOCs (Seitenstruktur)

4. Realisierung – Projektplan & Netzwerk-Fit

Canvas-Arbeit (30 min): Füllt das Fair-Image-Canvas 2030 aus und achtet auf Netzwerk-Anschlussfähigkeit (Rollen, Daten, Lizenzen, Releases).

Feld	Leitfragen
Vision	Wie sieht Fair-Image 2030 aus – aus Sicht eures KI-Teams?
Teilprojekt & Deliverables	Welche Produkte liefert ihr (z. B. 20 Motive/Monat, 6 aiMOOCs/Jahr, 4 Musik-Snippets/Quartal, 1 AR-Ausstellung)?
Zielgruppen & Kanäle	Für wen? (Schulen, Vereine, Kommunen, Firmen) Über welche Kanäle? (Shop, Website, Socials, Events)
KI-Stack	Welche Tools/Prozesse? (Prompt-Vorlagen, Review-Schritte, Rendering, Dateiformate)
Nachhaltigkeit & Fairness	Material-/Energie-Effizienz, Bias-Check, Urheberrecht, offene Lizenzen (CC-BY/CC-BY-SA), Quellenlog
Rollen & Kompetenzen	z. B. Prompt-Lead, Design-Ops, Data/Legal, QA, Release-Manager:in, Doku
Netzwerk-Schnittstellen	Welche Austauschformate mit anderen Schulen? (Vorlagen-Repo, Peer-Review, Co-Produktionen, gemeins. Releases)
Meilensteine (2025/26)	3 Termine mit Ergebnis (Prototyp, Pilot, Veröffentlichung)

Checkliste – Arbeitsanweisungen (konkret):

Legt Dateistandards fest (z. B. PNG transparent 300 dpi; WAV/FLAC 44,1 kHz; MP4 H.264 1080p).
Erstellt ein Prompt-Template (Aufbau, Stil, Negativ-Prompts, Seed/Serien).
Definiert QA-Kriterien (Schärfe/Kanten, Artefakte, Rechte/Lizenzen, Bias-Review).
Plant Release-Routinen (Changelog, Credits, Lizenzhinweis, Veröffentlichungsseite im Wiki/Shop).
Hinterlegt ein Netzwerk-Paket (Vorlagen + kurze Anleitung), das andere Schulen direkt nutzen können.

5. Pitches & Feedback

2-Min-Pitch pro Team mit Visionboard/Plakat/Audio-Snippet.
Feedback (Machlai):

Architektur/Prozess-Fit (Datenflüsse, Rechte/Rollen, Skalierung)
Machbarkeit/Kosten/Nutzen
Netzwerk-Tauglichkeit (Wiederverwendbarkeit, Inter-School-Workflows)

aiMOOC

Zukunftswerkstatt Fair-Image.de

QR-Code

Netzwerkaufbau: KI-Teams an vielen Schulen

Zielbild

Ein wachsendes KI-Teams-Netzwerk (Schulen, Medienzentren, Vereine, Hochschulen), das Vorlagen, Qualitätssicherung und Releases teilt – sichtbar auf Wiki-Seiten (z. B. Schul-Profile, Projektseiten, gemeinsame Galerien).

Rollen im Netzwerk (Vorschlag)

School-Lead (pro Schule): Koordiniert die lokalen KI-Teams, Ansprechpartner:in.
Product-Lead (Kategorie): Motive | Lernkurse | Media | Green – kuratiert Vorlagen/Standards.
QA-Lead: Prüft Qualität, Lizenzen, Datenschutz, Bias.
Release-Manager:in: Stellt Veröffentlichungen (Wiki/Shop/PoD/Playlist) fertig.
Community-Lead (regional): Plant Austausch, Onboarding neuer Schulen.

Governance & Datenschutz

Thema	Netzwerk-Standard	Arbeitsanweisung
Accounts & Rechte	SSO/Rollen in ChatGPT Business oder Alternative	Admin legt Gruppen/Rollen an; Schüler:innen in Projekt-Spaces einladen
Datenräume	Projekt-Ordner, nur notwendige Daten	Keine Klarnamen in Prompts/Assets; PII vermeiden
Lizenzen	CC-BY/CC-BY-SA für Unterrichtsassets	Lizenz am Seitenende + Quellenlog pflegen
Bias/Urheberrecht	Sichtprüfung + Quellenangabe	Checkliste vor Release abhaken, ggf. nacharbeiten
Dokumentation	Wiki-Seiten pro Projekt/Release	Readme: Ziel, Prozess, Prompts, Assets, Team, Lizenz, Version

Onboarding neuer Schulen (konkret)

Kick-off (60 min): Projekt vorstellen, Rollen vergeben, Zugang klären.
Templates deployen: Prompt-Vorlagen, QA-Sheet, Canvas, Dateistandards.
Pilot (4–6 Wo): 1 kleines Produkt/Team (z. B. 5 Motive + 1 aiMOOC-Seite).
Review & Release (1 Wo): QA, Lizenz, Veröffentlichung im Wiki/Shop.
Scaling: Zweites Team starten, regionale Peer-Runde aufsetzen.

Vergleich: Business/Schulumgebungen (Kurzüberblick)

Kriterium	ChatGPT Business	schulKI	fobizz	Kiwi
Modell/Leistung	modernste Modelle; Code-Interpreter	mehrere LLMs, schulnah	GPT-/SD-Fokus Unterricht	didaktischer Fokus
Datenschutz	AVV, SSO/RBAC möglich	DE-Hosting/AVV	EU-Proxy/AVV	DE-Server, minimiert
Team/Admin	Workspaces, Rollen, Speicher	Schul-Lizenzen/Klassenlinks	Shared Spaces	Basis-Admin
Bild/Video	DALL·E; Video ggf. extern	SD-Workflows	DALL·E/SDXL	einfach
Datei/Collab	Upload/Analyse; Team-Storage	Projekte, begrenzt	geteilte Bereiche	Notebooks/Material

Aufgabenpakete (für Klassen & AG)

Paket A: KI-Design (Motive) – 90 min

3 Prompt-Varianten entwerfen, 1 Styleguide schreiben.
10 Motive generieren, 3 auswählen, QA + Lizenz anfügen.
Wiki-Release mit Readme + Quellenlog.

Paket B: KI-Lernkurse (aiMOOC) – 2×45 min

Kurs-Gliederung, 6 Aufgabentypen, 4 Medien.
1 Kursseite aufsetzen, Testfragen einbauen, Lizenz + Doku.
Peer-Review (andere Schule), dann Veröffentlichung.

Paket C: KI-Media (Song/Video) – 90 min + Homework

1 Audio-Snippet (Suno) + 10-Sek-Teaser (Video).
Credits, Lizenz, Cover (KI-Bild) + Wiki-Release.
Social-Plan (2 Posts, 1 Kurzclip).

Messbare Kennzahlen (Beispiele)

3 Schulen im Pilotquartal, 6 bis Jahresende.
2 wiederverwendbare Templates pro Kategorie.
1 Release/Team/Monat mit QA-Check.
1 regionales Peer-Treffen/Quartal (online/hybrid).

Wo hilft Rudolf Machlai konkret?

Architektur & Prozesse: Team-/Rechte-Setups, Datei-Standards, Release-Pipelines.
Datenschutz/Compliance: AV-Verträge/SSO, sichere Datenräume, Rollenmodelle.
Skalierung: Netzwerk-Topologie (Schulen ↔ Leads), Vorlagen-Repos, Versionierung.
Qualität/Review: Checklisten, „Definition of Done“, Audit von Prompts/Workflows.
Partnering: Kontakt zu Hochschulen/Unternehmen, Mentoring für Product/QA-Leads.

Abschluss & Ausblick

Ergebnisse als Galerie/Projektseiten veröffentlichen (Fair-Image.de, KI-Teams).
Pilot an 1–2 Partnerschulen starten; gemeinsames Review nach 6–8 Wochen.
Nächstes Ziel: gemeinsame Ausstellung (Schulhaus/AR-Stadtraum) + PoD-Sonderedition.

aiMOOC

Zukunftswerkstatt Fair-Image.de

QR-Code

Partnerschaft mit Rudolf Machlai & Daimler Truck – vom Pilot zur Skalierung

Ziel dieses Kapitels: Konkrete Beiträge von Rudolf Machlai und Daimler Truck beschreiben, um die Vision KI-Teams schulübergreifend (Netzwerk mehrerer Schulen) wirksam zu machen – von der Architektur über Datenschutz bis zu Mentoring, Pilotprojekten und Skalierung.

1) Rollen & Verantwortungen

Akteur:in	Hauptbeitrag	Konkrete Aufgaben (Auszug)
Rudolf Machlai (Head of IT Enterprise Architecture)	Strategische IT-Architektur, Prozess-Mentoring, Qualitätssicherung	Architektur-Blueprints für Schul-/Team-Workspaces (Rechte, Datenflüsse) Review von Release-Pipelines (Motive, aiMOOCs, Media) Datenschutz-/Compliance-Checks (AV-Verträge, Rollenmodelle) Coaching für School-Leads und Product-Leads
Daimler Truck (Corporate Partner)	Netzwerk-Enablement, Praxiszugänge, Ressourcen	School-to-Business-Brücke (Fallstudien, Gastvorträge, Werks-/Lab-Einblicke) CSR/Engagement: Sachleistungen (Workshops, Räume, ggf. Lizenzen/Hardware) Talent-Programme (Job-Shadowing, Praktikumsfenster, Mentoringtage) Co-Events: KI-Teams-Hackday, Review-Sprints, Abschluss-Showcases
Schulen (Netzwerk)	Umsetzung, Curricula-Anbindung, Dokumentation	Lokale KI-Teams aufsetzen (Rollen, Kalender, QA) Projekte produktiv machen (Monats-Releases) Geteilte Vorlagen/Standards pflegen (Prompt-Templates, QA-Sheets)

2) Programmaufbau mit Daimler Truck (Vorschlag)

Phase	Dauer	Zielbild	Beiträge Machlai / Daimler Truck	Deliverables
0. Alignment	2–3 Wochen	Ziele, Datenschutz, Rollen & Governance stehen	Kick-off (Machlai + School-Leads) AVV/DSGVO-Prüfung, NDA-Vorlagen Tool-Stack-Abstimmung (z. B. ChatGPT Business/Alternativen)	Projektdokument „Operating Model“; Rollenmatrix; Datenschutz-Checkliste
1. Pilot	6–8 Wochen	2–3 Schulen, je 1 KI-Team live	1 Impulstag (Architektur/Prozess) 2 Mentoring-Sprechstunden (Machlai) 1 Werks-/Lab-Einblick (Daimler Truck)	3 Monats-Releases (Motive/aiMOOC/Media); QA-Protokolle; Post-Mortem
2. Review & Hardening	2 Wochen	Stabiler Netzwerk-Kern	Architektur-Review (Machbarkeit/Skalierung) Security/Compliance-Check (DT Legal/IT)	„Definition of Done“, freigegebene Standards, Release-Pipeline v1.0
3. Scaling	8–12 Wochen	6+ Schulen onboarded	Train-the-Trainer (School-Leads) KI-Teams-Hackday (bei/mit Daimler Truck) Community-Rituale (Monthly Demos)	6+ aktive Teams; Template-Repo; Community-Kalender; Showcase-Seite

3) Architektur- und Prozessbeiträge im Detail

Workspace-Architektur (Machlai)

Rollenmodell: Admin (Schule), School-Lead, Product-Lead, QA-Lead, Release-Manager:in, Contributor
Datenräume: Projektordner pro Team (Entwurf ↔ Review ↔ Release), strikte Trennung personenbezogener Daten
Pipelines: Prompt-Entwurf → Generierung → QA/Bias-Check → Lizenz/Quellenlog → Release (Wiki/Shop/Playlist)

Prozess-Standards (mit Daimler Truck)

Definition of Done (DoD) je Kategorie (Motive, aiMOOCs, Media, Green)
QA-Gate vor Veröffentlichung (Kanten/Artefakte, Rechte, Lizenz, Bias, Nachhaltigkeitsvermerk)
Versionierung (SemVer für Vorlagen & Releases; Change-Log)

Datenschutz & Compliance

AVV/NDA-Set (Muster), minimaler Datensatz, keine Klarnamen in Prompts
Audit-Trails (wer, was, wann), Löschkonzept, Zugriffsprotokolle

4) Lern- & Praxisformate mit Daimler Truck

Industry-Insights (45–60 min, online/hybrid): Architektur in Großunternehmen, reale KI-Use-Cases, Team-Workflows
Job-Shadowing-Fenster (1–3 Tage): Schüler:in begleitet IT-/Design-/Data-Teams (Beobachtung, Mini-Aufträge)
Werks-/Lab-Besuche (Halbtag): Datenflüsse erleben (vom Bedarf zur Lösung), Q&A mit Fachleuten
Mentor:innen-Sprechstunde (monatlich, 45 min/Schule): Roadblock-Klärung (Tech, Prozess, Recht)
KI-Teams-Hackday (1 Tag): gemischte Schul-Teams + Daimler-Mentor:innen → Prototypen, Jury, Awards

5) Konkrete Arbeitsanweisungen für Schulen

Legt pro KI-Team einen Release-Kalender (1/Monat) fest.
Erstellt Prompt-Templates (Stil, Negativ-Prompts, Metadaten).
Führt ein QA-Sheet (Check-Kästchen für Technik/Recht/Bias).
Dokumentiert jede Veröffentlichung im Wiki: Ziel, Prozess, Assets, Team, Lizenz, Version/Datum.
Meldet 1x/Monat ein Community-Update (3 Sätze + Link) für die Netzwerk-Seite KI-Teams.

6) KPI-Set & Reporting (gemeinsam mit Daimler Truck)

KPI	Ziel (Pilot)	Messung	Hinweis
Aktive Schulen	≥ 3	Onboarding-Liste	Wachstum auf 6+ in Phase „Scaling“
Aktive KI-Teams	≥ 4	Release-Kalender	je Team ≥ 1 Release/Monat
Vorlagen-Repo (Templates)	≥ 8	Repo-Zählung	Prompt/QA/DoD je Kategorie
QA-Pass-Rate	≥ 90 %	QA-Sheet	Nachbesserung dokumentieren
Community-Events	1/Quartal	Terminliste	Hackday/Showcase/Demo-Day

7) Risiken & Gegenmaßnahmen

Datenschutz/Compliance → Frühzeitige AVV/NDA-Klärung; Rollen sauber trennen; Schulungen
Ressourcen/Zeiten → Fixe, kurze Rituale (Monthly Demo, 45 min); schlanke Sprints (4–6 Wochen)
Qualität → DoD + QA-Gate; Peer-Review zwischen Schulen; Mentor:in-Feedback
Abhängigkeit von Tools → Alternativen pflegen (z. B. schulKI/fobizz/Kiwi); Export-/Archiv-Formate festlegen

8) Budget-/Ressourcen-Hinweise (Beispiele)

Workshops/Coachings (Sach-/Zeitspenden im Rahmen CSR möglich)
Reisekosten für Werksbesuche/Showcases (Schule/Träger/Fördertopf)
Hardware/Software light (Leihgeräte, Testlizenzen, Räume)

9) Nächste Schritte (konkret)

Kick-off anfragen: Termin mit Rudolf Machlai + School-Leads (45–60 min)
Dokupaket aktivieren: Rollenmatrix, DoD, QA-Sheet, Prompt-Templates, Datenschutz-Hinweise
Pilot-Schulen festlegen: 2–3 Schulen + je 1 KI-Team (Release nach 6–8 Wochen)
Community-Kalender im Wiki KI-Teams pflegen (Demos, Hackday, Showcase)
Showcase planen: gemeinsame Ausstellung (Schule/AR-Stadt), Online-Galerie, PoD-Edition