Viele KMU in der Schweiz wissen, dass Weiterbildung wichtig ist. Durch Fachkräftemangel und steigende Erwartungen der Mitarbeitenden steigt die Relevanz von geeigneten Weiterbildungen. Ggleichzeitig fehlt der einfache Einstieg in das Thema. Eine unübersichtliche Weiterbildungslandschaft und fehlende Zeit, um sich damit auseinanderzusetzen, machen es schwer, die richtigen Angebote zu finden. 

Ein Forschungsprojekt der SBFI (Staatssekretariat für Bildung, Forschung und Innovation), zusammen mit der ZHAW und emplution, ging deshalb der Frage nach, wie eine KI-unterstützte Weiterbildungsberatung den Zugang zu Weiterbildungsmöglichkeiten für KMU unterstützen könnte. Ziel des Projekts war es, einen einfachen Zugang zu schaffen: ein branchenspezifisches Tool, das auf Basis eines Profilings individualisierte Weiterbildungsoptionen vorschlägt und Nutzende bei komplexeren Anliegen an qualifizierte Beratende weiterleitet. 

Wie wir vorgingen

Im Frühjahr 2025 kamen emplution und die ZHAW auf uns zu, um die Resultate ihrer Bedarfsanalyse in mögliche technische Umsetzungen zu übersetzen. In einer ersten Phase erarbeiteten wir gemeinsam die Grundlagen: Wie soll der Beratungsprozess aufgebaut sein? Welche Nutzenden sprechen wir an, was brauchen sie? Und wie setzen wir dies technisch ganz konkret um?

Dazu haben wir gemeinsam ein Grundlagenkonzept entwickelt. Darin wurden drei Personas identifiziert (Einsteiger*innen, Etablierte, Quereinsteiger*innen) sowie drei hauptsächliche Use Cases definiert (mehr Informationen einholen, zielgerichtete Beratung für berufliches Ziel, Überblick verschaffen). Die technische Umsetzung wurde so konzipiert, dass für die Beantwortung von Anfragen der Nutzer*innen auf eine zentrale Wissensdatenbank mit Weiterbildungsangeboten, Voraussetzungen und Karrierepfaden zurückgegriffen wird, ergänzt durch eine semantische Ähnlichkeitssuche und kombiniert mit Fine-Tuning der Antworten auf den jeweiligen Branchenkontext.

Nach erfolgter Reflexion und Validierung durch die zwei Branchenverbände TreuhandSuisse und JardinSuisse stellte dies die Basis dar, um im Sommer 2025 den Pilot zur konkreten Umsetzung des Tools zu starten. 

Als erstes ging es um die Datenbeschaffung und dafür vorgesehene Quellen. Im Grundlagenkonzept war ursprünglich ein Knowledge Graph mit Vektor-Datenbank geplant. Da sich die KI-gestützte Websuche im Verlauf des Projekts aber schnell weiterentwickelte, haben wir die Strategie angepasst. Wir wollten nicht starr am ersten Konzept festhalten, wenn bessere Optionen verfügbar sind (siehe Info Box). Das Resultat war eine dezentralisierte Web-Suche mit Prompt-Engineering statt einem zentralen Wissenssystem. Dieses Setup führte zum Co-Piloten, der im Dezember 2025 in einem ersten User Testing verwendet wurde. Emplution wertete die Resultate aus. Im Januar 2026 wurden die Anpassungen eingearbeitet, vor allem in der Orchestration der Agents und beim Prompt-Engineering. Ein zweites Testing folgte nach demselben Muster, danach folgten im Frühling 2026 der Abschlussbericht und die Abschlusspräsentation. Das Ergebnis ist als Publikation öffentlich verfügbar.

Technische Umsetzung

Die Architektur und unsere Überlegungen dazu

Eine KI an eine Chat-Oberfläche zu hängen, ist schnell gemacht. Damit das Tool aber wirklich berät und nicht nur antwortet, braucht es mehr als einen einzelnen Modellaufruf. Im Backend arbeiten nun drei spezialisierte Agents zusammen: einer für Profiling und Dialog, einer für die Suche, einer für die Weiterleitung an eine Beratungsperson.

Bevor wir das gebaut haben, stand die Architekturfrage im Raum: Wie sollen diese Agents zusammenspielen? Dafür gibt es ganz unterschiedliche Bauweisen, und die Wahl bestimmt, wie verlässlich und wie teuer das System am Ende ist. Am einen Ende steht ein vollständig autonomes System, bei dem das Modell selbst frei entscheidet, welchen Schritt es als Nächstes macht und welches Werkzeug es nutzt. Das ist flexibel, aber schwer vorhersehbar und teurer im Betrieb. Am anderen Ende steht ein starrer Ablauf ohne Spielraum. Wir haben die Optionen gegeneinander abgewogen und uns für den Mittelweg entschieden: einen klar definierten Ablauf mit Entscheidungspunkten, an denen das System je nach Situation den nächsten Schritt wählt.

Umgesetzt haben wir das mit LangGraph, einer Workflow-Engine für genau solche Abläufe. Sie modelliert das System als Graph. Jeder Agent ist ein Knoten, der auf einen gemeinsamen Zustand zugreift, also auf das wachsende Profil der jeweiligen User*in und den Gesprächsverlauf. Bedingte Übergänge entscheiden, welcher Agent als Nächstes dran ist. Schlägt eine Suche fehl, geht es zur Weiterleitung. Ist genug Kontext da, startet die Suche. Eine feste Obergrenze verhindert Endlosschleifen. Eingaben werden zudem gekapselt, um Prompt-Injection abzuwehren.

Für den Use Case einer Beratung war dieser Mittelweg die richtige Wahl. Der Ablauf ist nachvollziehbar, im Verhalten vorhersehbar und günstiger im Betrieb als ein frei agierendes System. Gleichzeitig bleibt genug Spielraum, damit der Co-Pilot auf verschiedene Anliegen eingehen kann.

Aufbau 

Das System besteht aus einem Frontend und einem Backend, die getrennt voneinander aufgebaut sind. Das Frontend übernimmt die Chat-Oberfläche für die Nutzenden, das Backend enthält die Agent-Logik und die Anbindung an externe Dienste.

Im Kern arbeiten drei spezialisierte Agents zusammen: 

• Ein Profiling-Agent sammelt zu Beginn die relevanten Informationen zur Person und ihren Zielen. 

• Ein Beratungs-Agent verarbeitet die Anfrage und sucht auf Basis des Profils nach passenden Weiterbildungsangeboten. Dabei kommt eine KI-gestützte Websuche durch Perplexity zum Einsatz, die branchenrelevante Quellen priorisiert. 

• Ein Routing-Agent entscheidet, ob die Anfrage direkt beantwortet werden kann oder an wen sie für eine menschliche Beratung weitergeleitet werden soll.

Wer sich für die kompletten technischen Details interessiert: Der vollständige Code des Co-Piloten inkl. Dokumentation ist auf GitHub als Open-Source-Projekt verfügbar.

Context Engineering

Was die Agents tun, ist das eine. Wie sie es tun, das andere. Der grösste Teil der Arbeit steckt darin, den Modellen den richtigen Kontext mitzugeben, damit am Schluss herauskommt, was herauskommen soll. Jeder Agent bekommt ausführliche, branchenspezifische Anweisungen. Der Conversation-Agent kennt zum Beispiel die typischen Karrierewege im Gartenbau (EFZ, Berufsprüfung, höhere Fachprüfung, Meister) und stellt pro Antwort höchstens eine Rückfrage. Im Test hat sich gezeigt, dass zu viele Fragen die Nutzer*innen rasch frustrieren.

Inhalte werden zudem gewichtet. Berufliche Qualifikationen stehen vor akademischen Abschlüssen: Ein Lehrabschluss führt zuerst zu Berufsprüfung und Fachausweis, ein Bachelor eher zu CAS, DAS und MAS. Die Antworten der Agents folgen festen Schemas, damit das Format verlässlich stimmt. 

In diese Feinarbeit ist auch Fachwissen von aussen eingeflossen. Die Branchenverbände TreuhandSuisse und JardinSuisse sowie die Beratungsexpert*innen von emplution haben das Verhalten des Co-Piloten beurteilt. Ihre Rückmeldungen, was eine gute Antwort ausmacht und welche Wege in der Branche üblich sind, haben wir direkt ins Prompt- und Context-Engineering übernommen.

Beides zusammen ist für solche Anwendungen entscheidend: der Austausch mit Fachleuten und ein iteratives Vorgehen, bei dem sich messen lässt, ob eine Änderung das Resultat verbessert oder verschlechtert. Ohne Messung bleibt jede Anpassung am Prompt ein Bauchgefühl. Wir nutzen dafür Langfuse, um jeden Modellaufruf samt Kosten und Antwortzeit nachzuvollziehen, und Promptfoo, um Prompt-Varianten systematisch gegeneinander zu testen.

Wie sich das Setup von einer simplen LLM-Anbindung unterscheidet

Von einer reinen LLM-Anbindung unterscheidet das Setup vor allem das bedingte Routing zwischen den Agents, ein über mehrere Schritte mitgeführtes Profil, strukturierte und geprüfte Antworten statt freiem Textraten sowie zwei getrennte Modelle für unterschiedliche Aufgaben: Azure OpenAI für Dialog und Klassifikation, Perplexity für die Live-Web-Suche.

Zudem haben wir sogenanntes Domain Boosting eingesetzt: Allgemeine KI-Suche bevorzugt, was gut auffindbar ist. Das sind oft Hochschulen mit starker Website und gutem Ranking, und nicht unbedingt die beruflichen Bildungsanbieter, mit der für unsere Zielgruppe höchsten Relevanz. Im Test lieferte die Anfrage «Gärtner Pool» etwa einen Hochschul-CAS statt des passenden JardinSuisse-Kurses.

Mit Domain Boosting können wir folgendes umsetzen: Pro Branche hinterlegen wir eine Liste von acht bis zwölf bevorzugten Quellen, zum Beispiel jardinsuisse.ch und etablierte Gärtnerschulen für den Gartenbau oder treuhandsuisse.ch und anerkannte Fachschulen für den Treuhandbereich. Diese Quellen gibt die Suche bevorzugt aus, ohne andere auszuschliessen. Hochschulangebote erscheinen weiterhin, nur nicht mehr automatisch zuerst.

Dabei handelt es sich allerdings um eine Korrektur, und nicht um die Lösung eines Grundproblems. Der akademische Bias steckt in den Web-Indizes selbst. Mit der bevorzugten Quellenliste gleichen wir ihn aber aus.

Ergebnis

Wie das Tool für Nutzer*innen funktioniert

Der Co-Pilot ermöglicht Nutzenden eine Übersicht über passende, branchenspezifische Weiterbildungsangebote. Zum Einstieg gibt es vorgefertigte Prompts, die direkt genutzt werden können, zum Beispiel:

• «Ich habe die Lehre abgeschlossen und möchte mögliche Weiterbildungswege kennen»
  oder

• «Ich bin seit Jahren in der Branche und frage mich, welche Möglichkeiten es noch gibt.» 

Wer direkt einsteigen will, klickt einfach los oder gibt seine eigenen Wünsche ein.

Der Chatbot steigt dann in die Konversation ein, zeichnet typische nächste Schritte und fragt: Willst du mehr dazu wissen, suchst du mögliche Optionen oder willst du direkt Kursanbieter und Voraussetzungen finden?

Der Fokus liegt bei Vorschlägen des Co-Pilots auf beruflicher Weiterbildung, weniger auf akademischen Abschlüssen, auch wenn diese natürlich auch als Optionen auftauchen.

Die Erkenntnisse aus User Research und Testing

In den Testings kamen vor allem konkrete Branchenfragen: Welche Ausbildungen gibt es noch in meiner Branche? Wie komme ich zu einem höheren Lohn? Was wäre möglich, wenn ich in eine andere Rolle, etwa in der Administration, wechseln würde? Und was braucht es dazu?

Der Chatbot beantwortet solche Fragen direkt und zeigt passende Weiterbildungsangebote auf. Er ist eine erste Anlaufstelle, zeigt was es gibt und passt sich der individuellen Situation der User*in an. Bei komplexeren Anliegen leitet er an qualifizierte Beratende weiter.

Die User Testings zeigten, dass besonders jüngere Nutzende das Tool gut aufnehmen und die Möglichkeit zur interaktiven Auseinandersetzung nutzen und schätzen. Das spezifische Branchenwissen ist dabei matchentscheidend, weil sich die Anwendung dadurch von allgemeinen KI-Chats abhebt.

Gleichzeitig wurde deutlich: Die Chatverläufe offenbaren sehr unterschiedliche Interaktionsmuster. Der Chatbot holt nicht alle gleich gut ab und in einigen Fragestellungen (z.B. Anerkennung von Diplomen) wird eine menschliche Beratung gewünscht. Die befragten Nutzer*innen zeigten sich mehrheitlich zufrieden mit der Nutzungsfreundlichkeit und empfanden das Tool als einfach zu bedienen. Jüngere Nutzende interagierten tendenziell stärker mit dem Co-Piloten und waren generell zufriedener. 

Der kreierte Co-Pilot ist vielseitig einsetzbar. Dazu ergeben sich diverse Erweiterungsmöglichkeiten und Anwendungsfälle:

• Branchen und Skills, Differenzierungen für spezifische Berufsfelder (z.B. KI-exponierte Berufe) oder Situationen (z.B. spezifische für Lehrabgänger*innen oder Leitende)

• Integration von Lerncoaching, Berufs-/Praxisbildung o.ä.

• Technische Erweiterungen wie Anbindungen von MCP (Zugriff auf strukturierte Kursdaten) oder Integration von Datenbanken

Evaluation unseres Ansatzes für die Tool-Anbieter*innen

Aus Anbietendensicht lassen sich folgende Vorteile festhalten:

• Das existierende Tool ist relativ einfach erweiterbar. Will man z.B. Beratung für Weiterbildungen in einer neuen Branche ermöglichen, bedingt das eine neue Quellenliste und angepasste Prompts, aber keinen neuen Code. Ein zentraler Knowledge Graph mit eigener Datenpipeline wäre im Aufbau wie im Unterhalt deutlich aufwändiger gewesen.

• Die Kosten pro Anfrage durch Nutzer*innen bewegen sich auf tiefem Niveau. Wir betreiben keine eigene Suchinfrastruktur und pflegen keine Kursdatenbank. Selbst bei 1'000 Nutzer*innen liegen die reinen Modellkosten unter 150 Franken pro Monat. Der grösste Teil davon entfällt auf die Web-Suche, nicht auf das Sprachmodell. So ist das Tool auch skalierbar.

• Der Preis für diesen Ansatz ist Transparenz statt Vollkontrolle. Wir gewinnen Aktualität, Skalierbarkeit und tiefen Unterhalt, geben aber die lückenlose Nachprüfbarkeit jedes einzelnen Datenpunkts auf, wie sie eine eigene kuratierte Datenbank bieten würde. Aus unserer Sicht ein sinnvoller Weg für das Ziel, eine tiefe Einstiegshürde zu bieten.

Erkenntnisse & Ausblick

Der Co-Pilot ist deshalb nützlich, weil er einen interaktiven und schrittweisen Prozess bietet, in welchem der persönliche Kontext ins Zentrum gerückt wird. Erst dadurch wird er effektiv gewinnbringend, und primär dadurch unterscheidet er sich für Nutzer*innen auch von General-Purpose-Chatbots wie ChatGPT. Um diesen Nutzen zu schaffen, benötigt es viel Context Engineering, damit das Tool die gegebenen Werkzeuge richtig nutzt und am Schluss das macht, was es wirklich tun soll. Dieser Teil ist elementar und nicht zu unterschätzen: die Anbindung einer KI ist relativ schnell gemacht. Dass sie dann so arbeitet, wie man will, braucht Knowhow und Zeit.

Um zu prüfen, wie gut das Modell funktioniert, ist Validierung wichtig. Diese unterscheidet sich bei KI-integrierten Produkten massgeblich von klassischer Software: man kann nicht direkt prüfen, ob etwas funktioniert, a la “leuchtet der Button grün, wenn ich klicke?”. Ein Resultat der KI muss sowohl inhaltlich, wie auch auf Form und Nutzungsfreundlichkeit geprüft werden. Das braucht thematisches Wissen und Expertise, um zu beurteilen, ob eine Antwort Sinn macht und weiterhilft. Entsprechend benötigt auch dies Zeit und Aufmerksamkeit.

Zu guter Letzt zeigt gerade das eingesetzte Domain Boosting die Wichtigkeit von gut strukturierten Websites, wenn KI-Tools Inhalte finden sollen (Stichworte Sitemap, strukturierte Daten). Das hat direkten Einfluss darauf, wie gut Organisationen und ihre Angebote in einer KI-getriebenen Suchwelt sichtbar sind. Die gute Nachricht dabei ist, dass man das aktiv optimieren bzw. verbessern kann. Wir helfen dir gerne dabei: mehr dazu in unserem Angebot zu Web-Apps und Websites.

Wir sind gespannt, was aus diesem Pilotprojekt und dem geschaffenen Tool wird und freuen uns, wenn wir weiterhin aktiv mitentwickeln dürfen.

Für uns war es ein spannendes Projekt, das verschiedene unserer Skills gefordert hat und in einem Pilotprojekt mit realen User*innen und vielen Erkenntnissen endete. Context-Engineering war der zentrale Punkt und wird es wohl auch die nächsten Jahre bleiben. Gleichzeitig entwickelt sich das Feld für KI-Integrationen schnell weiter. Was das Projekt deshalb auch zeigt: Flexibel bleiben lohnt sich. Wer sein Konzept nicht starr verteidigt, kann unterwegs bessere Lösungen einbauen und damit am Ende deutlich mehr rausholen.

Hast du eine Idee, wie du KI in deinem Projekt integrieren willst? Oder willst du wissen, wie ein KI-Co-Pilot auch in deinem Kontext funktionieren kann?