LearnBavarian

Ziel — Bayerisch lernen, wie es gesprochen wird: eine Sprachlern-App für einen Dialekt ohne offizielle Standards.

LearnBavarian ist eine KI-gestützte Sprachlern-App für den bayerischen Dialekt — mit Bezahlmodell, EU-Hosting und vollständiger DSGVO-Architektur in Produktion, ausgeliefert in 10 Sprachversionen.

Für die Beratung zählt nicht die App selbst, sondern was ihr laufender Betrieb zeigt: eine Freigabe-Architektur statt Autopilot, DSGVO nach Schichtmodell statt Pauschalregel, Anbieterunabhängigkeit als Bauprinzip — dieselben Entscheidungen, vor denen jedes Unternehmen bei der KI-Einführung steht, hier bereits getroffen und im Live-Betrieb bewährt.

Dialekt lässt sich nicht behaupten, nur messen.

Bayerisch ist für Sprachmodelle ein Randfall: wenig Trainingsmaterial, viele Varianten, kein Standard. Deshalb wird hier nicht nach Gefühl entschieden. Für jede Figur läuft eine Testreihe gegen feste Kriterien — Authentizität des Dialekts, Stimme, Antwortzeit, Reproduzierbarkeit derselben Eingabe.

Modelle wurden gegeneinander gestellt und mit Begründung verworfen: eines lief in eine Wiederholungsschleife, ein zweites lieferte gute Sprache bei nicht tragbarer Antwortzeit, das dritte hatte reproduzierbare und damit korrigierbare Schwächen. Nur das dritte ging in den Betrieb.

Ein bayerischer Begriff wurde von 2 unabhängigen Modellen identisch falsch eingeordnet. Das ist kein Modellfehler, sondern eine Lücke im Trainingsmaterial selbst — und lässt sich mit besseren Prompts nicht schließen. Konsequenz war nicht ein weiterer Prompt-Versuch, sondern der Wechsel auf Feinabstimmung mit eigenen Daten.

Die Qualität der Dialektprüfung wird als Kennzahl geführt, nicht als Eindruck: F2-Wert 89,4 % im bereinigten Durchlauf vom 15. Mai 2026, erhoben mit einem eigenen Eval-Skript über einen festen Testkorpus. Die Testreihen sind fortlaufend nummeriert und dokumentiert, auch dort, wo das Ergebnis unbequem war.

Wer mit Nutzern spricht, wird von Nutzern getestet.

Jede Figur in der App hat einen eigenen Abschnitt im Prompt, der genau einen Fall behandelt: den Versuch, ihre Identität zu überschreiben oder ihre Anweisungen auszuhebeln. Die Antwort darauf ist festgelegt — ruhige Grenze, keine Eskalation, kein Mitspielen.

Diese Fälle stehen nicht nur im Prompt, sie stehen im Testkorpus. Eingaben, die harmlos beginnen und mitten im Satz eine eingeschleuste Anweisung tragen, gehören zum festen Prüfbestand — der Validator muss sie als Manipulationsversuch markieren, nicht ausführen. Was nicht getestet wird, gilt hier als ungeprüft.

Dieselbe Haltung trägt in die Beratung: Ein Assistent, der Kundenkontakt hat, braucht eine Angriffs-Testreihe, bevor er online geht — nicht danach.

Kein Modell ist für alles das richtige — und keines ist umsonst.

Jede Aufgabe bekommt das Modell, das sie braucht, nicht das größte verfügbare. Die Zuordnung steht in einer Routing-Matrix: je Rolle ein Primärmodell und ein Ausweichmodell. Sie wird aus einer einzigen Quelle erzeugt; weicht die Dokumentation davon ab, schlägt der Commit fehl. Für einfache, häufige Aufgaben laufen kleine und teilweise kostenfreie Modelle, für Urteilsfragen die starken.

Kosten werden nicht geschätzt, sondern gerechnet. Jeder Aufruf wird mit Token-Zahl und Preis erfasst, gegen eine hinterlegte Preistabelle bewertet und auf ein Tagesbudget angerechnet, das als Kennzahl gemeldet wird. Läuft ein Anbieter in eine Sperre, greift Ausweichen mit Wartezeit statt blindem Nachschießen.

Auch die Grundsatzentscheidungen sind mit ihren verworfenen Alternativen dokumentiert: ein einzelner Anbieter für alles wurde wegen Antwortzeit und fehlender Zwischenspeicherung verworfen, der direkte Weg zu einem Anbieter wegen der Kosten. Diese Begründungen sind nachlesbar, damit eine spätere Änderung weiß, wogegen sie entscheidet.

Das ist der Punkt, an dem KI-Projekte in Unternehmen üblicherweise entgleisen: nicht an der Technik, sondern an unbegrenzten Aufrufen ohne Zuordnung, ohne Obergrenze und ohne Messung. Wer von Anfang an je Aufgabe zuweist, deckelt und misst, kennt seine Betriebskosten, bevor die erste Rechnung kommt.