docs: add Vision, Roadmap, and Hardware strategy to MkDocs

Add three new Projekt documentation pages covering product vision
(offline-first desktop app for teachers), 6-phase development roadmap,
and 3-tier hardware strategy with distribution plan.

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

docs-src/projekt/hardware-und-distribution.md

@@ -0,0 +1,233 @@
+# Hardware-Anforderungen & Distribution
+
+**Stand:** 2026-03-23
+
+---
+
+## 3-Tier Hardware-Strategie
+
+Nicht jeder Lehrer hat dieselbe Hardware. Statt "alles oder nichts" definieren wir drei klare Tiers:
+
+### Tier 1: Basis (jedes Geraet mit 4+ GB RAM)
+
+**Gedruckt-OCR + Arbeitsblaetter + Tests — funktioniert ueberall.**
+
+| Feature | Status |
+|---------|--------|
+| Tesseract OCR (gedruckt) | ~30 MB Modell, ~200 MB RAM |
+| RapidOCR / PP-OCRv5 (ONNX) | ~40 MB Modell, ~300 MB RAM |
+| Vokabel-Arbeitsblaetter generieren | Regelbasiert, kein ML |
+| Multiple-Choice / Lueckentexte | Regelbasiert |
+| Notenspiegel-Berechnung | Statistik |
+| PDF-Export | Deterministische Templates |
+| Rechtschreibpruefung | ~5 MB Woerterbuch |
+
+**Speicherbedarf:** ~300 MB App + Modelle
+
+**Laeuft auf:**
+
+- Jeder Windows-Laptop (4+ GB RAM, beliebige CPU)
+- iPad (alle Generationen inkl. Basis-iPad)
+- Android-Tablet ab 4 GB RAM (Galaxy Tab A8/A9)
+- Chromebook (4 GB RAM)
+- MacBook (alle)
+
+---
+
+### Tier 2: Erweitert (8+ GB RAM, moderne CPU)
+
+**+ Handschrift-OCR — typischer Lehrer-Laptop oder iPad Air.**
+
+| Feature | Zusaetzlich zu Tier 1 |
+|---------|----------------------|
+| TrOCR Handschrift-OCR (int8 quantisiert) | ~560 MB Modell, ~1.5 GB RAM |
+| Text-Embeddings (MiniLM) | ~90 MB Modell, ~100 MB RAM |
+| OpenCV Layout-/Grafik-Analyse | ~400 MB RAM (bei A4 300 DPI) |
+| Lokale Vektorsuche | Eingebettete DB |
+
+**Speicherbedarf:** ~1.0-1.3 GB App + Modelle
+
+**Mindestanforderungen:**
+
+| Spec | Minimum | Empfohlen |
+|------|---------|-----------|
+| **RAM** | 8 GB | 16 GB |
+| **CPU** | Intel i5 10. Gen / Apple M1 / Snapdragon 8 Gen 1 | Intel i5 12. Gen+ / Apple M2+ |
+| **Speicher frei** | 5 GB | 10 GB |
+| **OS** | Windows 10, macOS 12+, iPadOS 17+ | Aktuell |
+
+**Laeuft auf:**
+
+- Windows-Laptop 8 GB RAM (typischer Lehrer-Dienstlaptop, z.B. Lenovo L15 i5) — **~60-150 Sek/Seite Handschrift-OCR**
+- MacBook Air M1+ 8 GB — **~30-60 Sek/Seite** (Neural Engine Beschleunigung)
+- iPad Air M2+ (8 GB) — mit CoreML Konvertierung, **~20-40 Sek/Seite**
+- iPad Pro M4+ (12-16 GB) — komfortabel
+- Samsung Galaxy Tab S8/S9 (8 GB) — mit NNAPI/QNN, **~30-50 Sek/Seite**
+
+**Laeuft NICHT auf:**
+
+- iPad Basis (4-6 GB RAM) — iOS killt den Prozess bei TrOCR
+- Budget-Android-Tablets (Galaxy Tab A8/A9, 3-4 GB RAM)
+- Chromebooks mit 4 GB RAM
+- Windows-Laptops mit 4 GB RAM
+
+---
+
+### Tier 3: Voll (16+ GB RAM / Cloud / Schul-Server)
+
+**+ KI-Gutachten + RAG + Voice — braucht LLM.**
+
+| Feature | Zusaetzlich zu Tier 2 |
+|---------|----------------------|
+| KI-Gutachten-Generierung | LLM (llama3.2 ~4 GB oder Cloud) |
+| RAG / EH-Suche | Qdrant + Embedding-Service |
+| Voice-Assistent | Whisper + LLM |
+| KI-Worksheet-Modifikation | Vision-LLM |
+
+**Optionen:**
+
+| Variante | Hardware | Kosten |
+|----------|---------|--------|
+| **Schul-Server** | Mac Mini oder vergleichbar (Specs noch zu ermitteln) | Noch zu ermitteln |
+| **Cloud** | BreakPilot Cloud-Service (gehostet) | Monatlich |
+| **Lehrer-PC 16+ GB** | Lokales Ollama mit kleinen LLMs | 0 (eigene Hardware) |
+
+!!! note "Server-Anforderungen noch offen"
+    Die genauen Hardware-Anforderungen fuer einen Schul-Server (RAM, CPU, Speicher) muessen im Projektverlauf durch Benchmarks ermittelt werden. Unsere Entwicklungsmaschine ist ein Mac Mini M4 Pro mit 64 GB RAM (~3.200 EUR) — das ist aber die Obergrenze, nicht die Empfehlung. Moeglicherweise reicht fuer den Schulbetrieb deutlich weniger.
+
+---
+
+## Typische Lehrer-Hardware in Deutschland (2024-2026)
+
+### Digitalpakt-Kontext
+
+- **Digitalpakt 1.0** (2019-2024): 6,5 Mrd. EUR, 97% der Mittel abgerufen
+- **Digitalpakt 2.0** (2025-2030): 5 Mrd. EUR, Fokus Infrastruktur + Geraete
+- Beschafft werden: Tablets, Laptops, interaktive Whiteboards, WLAN
+
+### Was Schulen kaufen
+
+| Geraet | Typische Specs | Preis | Verbreitung |
+|--------|---------------|-------|-------------|
+| **iPad (Basis)** | A16 Chip, 6 GB RAM, 64-128 GB | ~350-400 EUR | Sehr hoch |
+| **iPad Air** | M2/M3 Chip, 8 GB RAM, 128-512 GB | ~520-650 EUR | Hoch |
+| **Lehrer-Laptop** | Intel i5 10. Gen, 8 GB RAM, 256 GB SSD | ~400-600 EUR | Standard |
+| **Samsung Galaxy Tab A** | 3-4 GB RAM, 32-128 GB | ~230-280 EUR | Gering |
+| **Chromebook** | 4 GB RAM | ~250-350 EUR | Minimal (in DE) |
+
+!!! info "iPad dominiert"
+    iPads sind an fast allen Schulen in Deutschland der Standard. Die meisten Schulen beschaffen iPad (Basis) oder iPad Air ueber MDM-Loesungen wie JAMF.
+
+---
+
+## Modell-Groessen und RAM-Bedarf
+
+| Modell | Float32 | Int8 (quantisiert) | RAM |
+|--------|---------|-------------------|-----|
+| TrOCR-large Handschrift | 2.23 GB | **~560 MB** | 3-4 GB / **1-1.5 GB** |
+| RapidOCR / PP-OCRv5 | ~40-90 MB | — | 200-500 MB |
+| Tesseract (DE+EN) | ~30-50 MB | — | 200-300 MB |
+| MiniLM Embeddings | ~90 MB | ~43 MB | 50-110 MB |
+| pyspellchecker | ~5 MB | — | <10 MB |
+| OpenCV (A4 300 DPI) | — | — | 200-400 MB |
+| **Gesamt Offline-Kern** | **~2.6-3.0 GB** | **~1.0-1.3 GB** | **5-7 GB / 3-4.5 GB** |
+
+!!! warning "TrOCR ist der Flaschenhals"
+    TrOCR-large (2.23 GB float32) **muss** als int8 ONNX quantisiert werden fuer 8 GB Geraete. Ohne Quantisierung laeuft es nur auf 16+ GB Hardware. Alternativ: TrOCR-base (~1.3 GB float32, ~330 MB int8) mit moderatem Qualitaetsverlust.
+
+---
+
+## ONNX Runtime: Plattform-Support
+
+| Plattform | ONNX Runtime | Hardware-Beschleunigung |
+|-----------|-------------|------------------------|
+| **Windows** | Ja (nativ) | CPU, DirectML, OpenVINO |
+| **macOS** | Ja (nativ) | CPU, **CoreML** (Neural Engine, 3.5x schneller) |
+| **iOS** | Ja (ORT Mobile) | **CoreML** EP, XNNPACK |
+| **Android** | Ja (ORT Mobile) | **NNAPI** EP, QNN EP, XNNPACK |
+| **ChromeOS (Crostini)** | Ja (Linux-Binary) | Nur CPU |
+| **Browser (WASM)** | Ja, aber **15-17x langsamer** als nativ | WebGPU (5x langsamer als nativ GPU) |
+
+!!! note "Apple-Geraete am besten"
+    Durch CoreML + Neural Engine sind Apple-Geraete (M1+ Mac, iPad Air/Pro) die beste Consumer-Hardware fuer unsere Modelle. ~3.5x schneller als reines CPU-Inference.
+
+---
+
+## Distributions-Strategie
+
+### Desktop (Primaer: Lehrer-Laptops)
+
+| Plattform | Methode | Anmerkung |
+|-----------|---------|-----------|
+| **Windows** | .exe/.msi Installer von Website | Code-Signing-Zertifikat empfohlen (~300 EUR/Jahr) |
+| **macOS** | .dmg von Website | Apple Notarization erforderlich (99 EUR/Jahr Developer Account) |
+| **Linux** | AppImage oder .deb | Keine Signierung noetig |
+
+**1-2 GB Installer ist fuer Desktop voellig normal** (VSCode, Slack, etc. sind aehnlich gross).
+
+### Tablets (Sekundaer: iPads, Android)
+
+| Plattform | Methode | Anmerkung |
+|-----------|---------|-----------|
+| **iOS/iPadOS** | Apple Custom Apps via Apple Business Manager + MDM | Nicht im oeffentlichen App Store, nur fuer Schulen via JAMF/Mosyle |
+| **Android** | Managed Google Play (private Channel) | Fuer Schulen mit Google Workspace for Education |
+
+**Strategie:** Kleine App (~50-100 MB Initial-Download), Modelle werden beim ersten Start nachgeladen mit Fortschrittsanzeige.
+
+### App Store Limits
+
+| Store | Max. Download | On-Demand Assets |
+|-------|-------------|-----------------|
+| **Apple App Store** | 4 GB | Bis 20 GB (On-Demand Resources) |
+| **Google Play** | 200 MB (AAB) | Bis 2 GB+ (Play Asset Delivery) |
+| **Microsoft Store** | 10 GB | — |
+
+!!! info "1-2 GB App-Groesse kein Problem"
+    Games sind routinemaessig 2-5 GB. Fuer B2B-Education-Apps via MDM ist die Groesse kein Hindernis, da IT-Admins die Verteilung steuern.
+
+### Warum KEIN PWA?
+
+Progressive Web Apps sind **nicht geeignet** fuer unseren Offline-KI-Anwendungsfall:
+
+- iOS Safari begrenzt Storage auf ~1 GB pro Origin und **kann Daten jederzeit loeschen**
+- WebAssembly ONNX Runtime ist **15-17x langsamer** als native Ausfuehrung
+- Kein zuverlaessiger persistenter Speicher fuer 1+ GB Modelldaten
+- PWA waere akzeptabel als leichtgewichtiger Companion (Dashboard, Ergebnisse ansehen), aber nicht fuer OCR/ML-Workloads
+
+---
+
+## Framework-Empfehlung
+
+| Plattform | Framework | Vorteil |
+|-----------|-----------|---------|
+| **Desktop** | **Tauri** (Rust + Web-Frontend) | 5-10 MB Basis (vs. 200 MB Electron), beste ML-Integration via Rust |
+| **Desktop (Alternative)** | Electron | Schnellste Entwicklung wenn Team Web-fokussiert |
+| **Mobile** | **Flutter** | Single Codebase iOS+Android, gute FFI fuer native ML-Libs |
+| **Mobile (Alternative)** | React Native | Wenn Frontend-Team bereits React-erfahren |
+
+!!! warning "Desktop und Mobile nicht in einer Codebase"
+    Die UX-Anforderungen sind zu unterschiedlich. Desktop = volle OCR-Pipeline + Korrektur-Workspace. Mobile = Scannen, Ergebnisse ansehen, Lernunits bearbeiten.
+
+---
+
+## Empfohlene Hardware fuer Schulen
+
+### Minimum (Tier 2 — Handschrift-OCR offline)
+
+> **Lehrer-Laptop:** Intel i5 (10. Gen+) oder Apple M1+, **8 GB RAM**, 256 GB SSD, Windows 10/11 oder macOS 12+
+>
+> **Oder iPad Air M2+** mit 128 GB Speicher
+
+### Optimal (Tier 3 — alle Features offline)
+
+> **Schul-Server:** Hardware-Anforderungen noch zu ermitteln.
+>
+> Muss LLMs lokal ausfuehren (Ollama) und als RAG-Server fuer die Schule dienen.
+> Lehrer verbinden sich ueber WLAN und nutzen Tier-3-Features ueber den Server.
+>
+> *Referenz: Unsere Entwicklungsmaschine (Mac Mini M4 Pro, 64 GB RAM, ~3.200 EUR) laeuft komfortabel. Ob ein guenstigeres Modell (z.B. 32 GB RAM, ~1.500-2.000 EUR) ausreicht, wird im Projektverlauf durch Benchmarks geklaert.*
+
+### Oder: BreakPilot Cloud
+
+> Schulen ohne eigenen Server koennen Tier-3-Features ueber den BreakPilot Cloud-Service nutzen.
+> Tier 1 + 2 funktionieren immer offline auf dem Endgeraet.

docs-src/projekt/roadmap.md

@@ -0,0 +1,152 @@
+# Entwicklungsroadmap
+
+**Stand:** 2026-03-23
+
+---
+
+## Ueberblick
+
+```mermaid
+graph LR
+    P1[Phase 1<br>OCR Haerten] --> P2[Phase 2<br>Lernunits]
+    P1 --> P4[Phase 4<br>Korrektur]
+    P2 --> P3[Phase 3<br>Schuljahr]
+    P4 --> P5[Phase 5<br>Zeugnisse]
+    P5 --> P6[Phase 6<br>Onboarding]
+```
+
+Phase 2 (Lernunits) und Phase 4 (Korrektur) koennen **parallel** laufen.
+
+---
+
+## Phase 1: OCR-Pipeline Haerten (April 2026)
+
+**Ziel:** OCR-Pipeline robust genug fuer alle gaengigen Schulbuch-Layouts.
+
+| Task | Beschreibung | Aufwand |
+|------|-------------|---------|
+| IPA-Korrekturen | Garbled OCR-IPA in Headword-Zellen ersetzen | Klein |
+| PP-DocLayout ONNX | Bessere Grafik-/Bilderkennung via ONNX-Konvertierung | Mittel |
+| Page-Crop Determinismus | Spine-Shadow-Bug in `page_crop.py` fixen | Klein |
+| TrOCR Finetuning | Handschrift-OCR Qualitaet mit Labeling-Daten verbessern | Gross |
+| TrOCR ONNX + Int8 | Modell fuer Offline-Deployment quantisieren (~560 MB statt 2.2 GB) | Mittel |
+| Ground-Truth erweitern | Regression-Test-Basis auf 10+ Sessions | Klein |
+
+**Ergebnis:** Zuverlaessige OCR fuer gedruckte Texte + erste brauchbare Handschrift-Erkennung auf Consumer-Hardware.
+
+---
+
+## Phase 2: Lernunit-Generator (Mai-Juni 2026)
+
+**Ziel:** Aus OCR-Daten automatisch Lernmodule in verschiedenen Formaten generieren.
+
+| Task | Beschreibung | Aufwand |
+|------|-------------|---------|
+| Multiple-Choice-Generator | Automatisch aus extrahierten Vokabeln | Mittel |
+| Lueckentext-Generator | Saetze mit Luecken aus OCR-Text | Mittel |
+| Lernplakat-Generator | Druckbare Zusammenfassungen als PDF | Mittel |
+| Grammatik-Test-Generator | Regelbasiert, kein LLM noetig | Gross |
+| Spaced-Repetition-Engine | Leitner-System fuer Vokabel-Wiederholung | Mittel |
+| Companion-App erweitern | Schueler-Player fuer alle Unit-Formate | Mittel |
+
+**Abhaengigkeit:** Vokabel-Extraktion aus Phase 1 (existiert bereits).
+
+**Ergebnis:** Lehrer scannt Buchseite → System generiert 5+ Lernunit-Varianten.
+
+---
+
+## Phase 3: Schuljahres-Begleitung (Juli-August 2026)
+
+**Ziel:** Proaktives System das den Lehrer durch das Schuljahr fuehrt.
+
+| Task | Beschreibung | Aufwand |
+|------|-------------|---------|
+| Schulkalender-Import | ICS-Format, Bundesland-spezifische Ferien | Klein |
+| Phasen-Engine erweitern | State Machine fuer Schuljahres-Phasen | Mittel |
+| Automatische Erinnerungen | 3 Wochen / 1 Woche vor KA via Matrix | Mittel |
+| Lernunit-Versand an Eltern | Automatischer Versand via Matrix-Chat | Klein |
+| Fortschritts-Dashboard | Uebersicht: Wer hat was gelernt? Wo sind Schwaechen? | Mittel |
+| Eltern-View | Vereinfachte Ansicht fuer Eltern in Studio v2 | Mittel |
+
+**Abhaengigkeit:** Lernunit-Generator aus Phase 2, Matrix-Anbindung (existiert).
+
+**Ergebnis:** System erinnert automatisch an kommende Klassenarbeiten, verschickt Lernmaterial.
+
+---
+
+## Phase 4: Klausur-Korrektur Komplett (September-Oktober 2026)
+
+**Ziel:** Vollstaendiger Korrektur-Workflow inkl. deterministische Gutachten.
+
+| Task | Beschreibung | Aufwand |
+|------|-------------|---------|
+| Handschrift-OCR Integration | TrOCR in Korrektur-Workflow einbinden | Mittel |
+| EH-Abgleich | Keyword-Matching gegen NiBiS-Erwartungshorizonte | Mittel |
+| RS/Grammatik-Pruefung | Automatisch auf OCR-erkanntem Text | Mittel |
+| Gutachten-Template-Engine | Deterministische Gutachten aus Korrekturdaten | Gross |
+| Konsistenz-Check | Automatischer Abgleich ueber alle 24 Gutachten | Mittel |
+| Zweitgutachter-Workflow | Visibility-Regeln, Einigung, Drittkorrektur | Mittel |
+| NiBiS EH-RAG | Erwartungshorizonte in RAG ingestieren (Erweiterung der bestehenden Compliance-RAG-Pipeline) | Mittel |
+
+**Abhaengigkeit:** Handschrift-OCR aus Phase 1, RAG-Pipeline (existiert fuer Compliance, muss fuer NiBiS erweitert werden).
+
+**Ergebnis:** Lehrer scannt Klausur → System liefert RS/Grammatik-Fehler + EH-Abgleich + Gutachten-Entwurf.
+
+---
+
+## Phase 5: Zeugnis-Generator (November-Dezember 2026)
+
+**Ziel:** Zeugnisse aus gesammelten Jahresdaten generieren.
+
+| Task | Beschreibung | Aufwand |
+|------|-------------|---------|
+| Zeugnis-Templates | Pro Schulform/Jahrgang fuer Niedersachsen | Gross |
+| Daten-Aggregation | Alle Noten, Kompetenzen, Fehlzeiten zusammenfuehren | Mittel |
+| Textbaustein-System | Deterministische Formulierungen aus Datenpunkten | Mittel |
+| PDF-Export | Schulform-konforme Zeugnisse als PDF | Mittel |
+| Bundesland-Konfiguration | Start Niedersachsen, erweiterbar auf andere | Klein |
+
+**Abhaengigkeit:** Notenspiegel (existiert), Daten aus dem gesamten Schuljahr.
+
+**Ergebnis:** Ein-Klick-Zeugniserstellung aus allen gesammelten Daten.
+
+---
+
+## Phase 6: Lehrer-Onboarding + Polish (Q1 2027)
+
+**Ziel:** Lehrer koennen mitten im Schuljahr einsteigen.
+
+| Task | Beschreibung | Aufwand |
+|------|-------------|---------|
+| Notizbuch-OCR | Handschriftliche Notizbuecher → Klassen/Schueler anlegen | Gross |
+| Status-Erkennung | System erkennt wo im Schuljahr der Lehrer steht | Mittel |
+| Guided Onboarding Wizard | Schritt-fuer-Schritt Einrichtung | Mittel |
+| Differenzierung | 3 Niveaus (Basis/Standard/Erweitert) fuer Lernunits | Mittel |
+| Export-Formate | IMS QTI, CSV/Excel fuer Interoperabilitaet | Klein |
+| Kollaborations-Features | Materialpool fuer Fachschaften | Gross |
+
+---
+
+## Offline vs Cloud pro Phase
+
+| Phase | Offline (deterministisch) | Cloud/LLM (optional) |
+|-------|--------------------------|---------------------|
+| 1 OCR Haerten | Tesseract, RapidOCR, TrOCR, OpenCV | qwen2.5vl fuer HTR |
+| 2 Lernunits | Templates, Algorithmen, Spaced Repetition | KI-Varianten |
+| 3 Schuljahres-Begleitung | State-Engine, Kalender, Erinnerungen | — |
+| 4 Korrektur Komplett | RS/Grammatik, Keyword-Match, Templates | KI-Gutachten, RAG |
+| 5 Zeugnisse | Templates, Daten-Aggregation | KI-Textverbesserung |
+| 6 Onboarding | TrOCR, Wizard, Export | — |
+
+---
+
+## Meilensteine
+
+| Datum | Meilenstein |
+|-------|------------|
+| **April 2026** | OCR-Pipeline stabil, TrOCR quantisiert und offline-faehig |
+| **Juni 2026** | Lernunit-Generator mit 5+ Formaten, Companion-Player fuer Schueler |
+| **August 2026** | Schuljahres-Begleitung aktiv, automatischer Lernunit-Versand an Eltern |
+| **Oktober 2026** | Klausur-Korrektur End-to-End: Scan → Gutachten (deterministisch) |
+| **Dezember 2026** | Zeugnis-Generator fuer Niedersachsen produktiv |
+| **Maerz 2027** | Lehrer-Onboarding aus handschriftlichen Notizbuechern, Kollaboration |

docs-src/projekt/vision-und-mission.md

@@ -0,0 +1,191 @@
+# BreakPilot Lehrer — Vision, Mission & Projektuebersicht
+
+## Vision
+
+**Jeder Lehrer in Deutschland hat einen digitalen Assistenten, der repetitive Verwaltungsarbeit uebernimmt — offline, datenschutzkonform und auf jeder Hardware.**
+
+BreakPilot Lehrer befreit Lehrkraefte von Buerokratie, damit sie sich auf das konzentrieren koennen, wofuer sie Lehrer geworden sind: Unterrichten.
+
+---
+
+## Mission
+
+Wir entwickeln eine **Offline-First Desktop- und Tablet-App**, die Lehrer proaktiv durch das Schuljahr begleitet. Die App erkennt handschriftliche und gedruckte Dokumente, automatisiert Korrektur-Workflows, generiert Lernmaterial und erstellt Zeugnisse — alles deterministisch, ohne Cloud-Abhaengigkeit und DSGVO-konform.
+
+**Unsere drei Prinzipien:**
+
+1. **Offline First** — Alle Kernfunktionen laufen ohne Internet, ohne GPU, auf normaler Lehrer-Hardware
+2. **Deterministisch vor KI** — Jede Funktion wird zuerst regelbasiert implementiert. LLM ist optionales Upgrade, nie Kernabhaengigkeit
+3. **Datenschutz by Design** — Alle Schuelerdaten bleiben lokal auf dem Geraet des Lehrers. Keine Cloud-Speicherung personenbezogener Daten
+
+---
+
+## Das Problem
+
+### Korrektur: 6 Stunden pro Schueler
+
+Eine Deutsch-Abiturarbeit erfordert im Durchschnitt **6 Stunden Korrekturzeit pro Schueler**. Bei 24 Schuelern sitzt ein Lehrer **zwei Wochen** ausschliesslich an der Korrektur. Der Prozess ist streng reglementiert:
+
+1. Rechtschreibfehler markieren (Durchgang 1)
+2. Grammatikfehler markieren (Durchgang 2)
+3. Inhalt gegen den offiziellen Erwartungshorizont (EH) bewerten (Durchgang 3)
+4. Notenspiegel ueber alle Schueler erstellen
+5. Gutachten pro Schueler schreiben
+6. Alle 24 Gutachten aufeinander abstimmen (Konsistenz)
+7. Zweitgutachter bewertet unabhaengig
+8. Bei >= 4 Punkte Differenz: Drittkorrektur
+
+### Verwaltung: Fragmentierte Werkzeuge
+
+Lehrer jonglieren zwischen handschriftlichen Notizbuechern, Excel-Tabellen, Word-Dokumenten und verschiedenen Schulportalen. Es gibt kein einheitliches System, das den Schuljahres-Rhythmus kennt und vorausschauend die richtigen Werkzeuge aktiviert.
+
+---
+
+## Die Loesung: BreakPilot Lehrer
+
+### Fuer Lehrer (primaere Zielgruppe)
+
+| Funktion | Was es tut | Offline? |
+|----------|-----------|----------|
+| **Klausur-Korrektur** | Scan → OCR → RS/Grammatik-Pruefung → EH-Abgleich → Notenspiegel → Gutachten | Ja |
+| **Vokabel-Arbeitsblaetter** | Buchseite scannen → Vokabeln extrahieren → 5+ Arbeitsblatt-Formate generieren | Ja |
+| **Lernunit-Generator** | Aus OCR-Daten Multiple-Choice, Lueckentexte, Lernplakate erstellen | Ja |
+| **Zeugnis-Generator** | Template-basierte Zeugnisse aus gesammelten Jahresdaten | Ja |
+| **Notenspiegel** | Automatische Berechnung + Fairness-Analyse + Ausreisser-Erkennung | Ja |
+| **Schuljahres-Planer** | Proaktive Aufgabensteuerung basierend auf Schulkalender | Ja |
+
+### Fuer Eltern (sekundaere Zielgruppe)
+
+- Erhalten automatisch generierte Lernmodule via Chat (Matrix)
+- Waehlen passende Uebungen fuer ihr Kind aus
+- Begleiten den Lernfortschritt mit Spaced-Repetition
+
+### Fuer Schueler (Endnutzer)
+
+- Lernen in automatisch generierten Modulen (Vokabeln, Grammatik, Multiple Choice)
+- Fortschritt wird getrackt, Schwaechen erkannt
+- Erinnerungen vor Klassenarbeiten
+
+---
+
+## Automatischer Workflow (Beispiel)
+
+```
+Trigger: "In 3 Wochen Englisch-Klassenarbeit, Unit 4"
+
+1. Lehrer scannt Buchseiten 54-58 ein
+          |
+2. OCR-Pipeline extrahiert Text, Vokabeln, Grammatik
+          |
+3. System generiert automatisch:
+   - Multiple-Choice-Test
+   - Deutsch → Englisch Vokabelabfrage
+   - Englisch → Deutsch Vokabelabfrage
+   - Lueckentexte
+   - Lernplakat (druckbar)
+   - Grammatiktests
+          |
+4. Lernunits gehen an Eltern via Chat
+   "Englisch Unit 4 — 5 Lernmodule verfuegbar"
+          |
+5. Eltern waehlen passende Units fuer ihr Kind
+          |
+6. Kind lernt in der App, Fortschritt wird getrackt
+          |
+7. Automatische Erinnerungen bis zur Klassenarbeit
+   "Noch 5 Tage — 12 von 45 Vokabeln gelernt"
+```
+
+---
+
+## Schuljahres-Begleitung
+
+Das System kennt den Schuljahresrhythmus und aktiviert proaktiv die passenden Funktionen:
+
+| Phase | System-Aktion |
+|-------|---------------|
+| **Schulbeginn** | Klassen einrichten, Schueler anlegen, Onboarding |
+| **Unterrichtsphase** | Lernmaterial vorbereiten, Units aus Buchseiten erstellen |
+| **3 Wochen vor Klassenarbeit** | Lernunits automatisch generieren + an Eltern senden |
+| **1 Woche vor Klassenarbeit** | Erinnerungen, Fortschritt pruefen |
+| **Klassenarbeit geschrieben** | Korrektur-Workflow aktivieren |
+| **Nach Korrektur** | Notenspiegel erstellen, Gutachten generieren |
+| **Konferenzen** | Berichte aggregieren und vorbereiten |
+| **Zeugniszeit** | Zeugnis-Generator mit allen gesammelten Daten |
+| **Ferien** | Wiederholungsmaterial, naechstes Halbjahr vorbereiten |
+
+---
+
+## Technologie
+
+### Offline-Kern (~1.3 GB quantisiert)
+
+| Komponente | Technologie | Groesse |
+|------------|-------------|---------|
+| OCR (gedruckt) | Tesseract + RapidOCR (ONNX) | ~70 MB |
+| OCR (Handschrift) | TrOCR (ONNX, int8 quantisiert) | ~560 MB |
+| Layout-/Grafik-Erkennung | OpenCV | 0 |
+| Rechtschreibung | pyspellchecker EN+DE | ~5 MB |
+| Text-Embeddings | all-MiniLM-L6-v2 | ~90 MB |
+| App + Logik | Python/TypeScript | ~200 MB |
+
+### Optionale Cloud-Features
+
+| Feature | Wofuer | Abhaengigkeit |
+|---------|--------|---------------|
+| KI-Gutachten | Gutachten-Vorschlaege aus Korrekturdaten | LLM (Cloud/GPU) |
+| RAG / EH-Suche | Erwartungshorizont semantisch durchsuchen | Qdrant + Embedding |
+| Spracheingabe | Aufgaben per Freitext einsprechen | Whisper |
+| KI-Worksheet-Modifikation | Lernmaterial KI-optimiert anpassen | LLM |
+
+---
+
+## Datenschutz (DSGVO)
+
+- **Alle Schuelerdaten, Noten und Klausuren bleiben lokal** auf dem Geraet des Lehrers
+- Keine Cloud-Speicherung personenbezogener Daten
+- Cloud-Features (wenn aktiviert) verarbeiten nur anonymisierte Daten
+- Kommunikation ueber Matrix (Ende-zu-Ende-verschluesselt)
+- Keine Audioaufnahmen gespeichert (Voice-Service)
+
+---
+
+## Bundesland-Erweiterbarkeit
+
+Start mit **Niedersachsen** als Pilotbundesland. Die Architektur erlaubt spaetere Erweiterung auf andere Bundeslaender mit eigenen:
+
+- Erwartungshorizonten und Pruefungsformaten
+- Notensystemen (15-Punkte vs. Noten 1-6)
+- Zeugnisvorlagen und Verwaltungsvorschriften
+- Schulformen und Jahrgangsstufen
+
+---
+
+## Aktueller Stand (Maerz 2026)
+
+| Modul | Status |
+|-------|--------|
+| OCR-Pipeline (gedruckt) | 85% — Tesseract + RapidOCR + PaddleOCR, 10-Step Pipeline |
+| Vokabel-Arbeitsblaetter | 90% — 4 Formate + NRU, PDF-Export |
+| Klausur-Korrektur | 70% — Scan, Annotation, 5-Kriterien, Gutachten, Fairness |
+| Notenspiegel | 85% — 15-Punkte, Histogramm, Ausreisser |
+| Admin Dashboard | 85% — 12 Sektionen, AI-Tools, SBOM, Security |
+| Studio v2 (Lehrer-UI) | 80% — 12+ Apps, 7 Sprachen, Dark/Light Mode |
+| RAG / EH-Suche | 80% — Qdrant + Embedding + Hybrid Search |
+| Voice-Service | 60% — WebSocket, Whisper, Intent-Router |
+| Messaging | 75% — Matrix/Synapse integriert |
+| Video | 70% — Jitsi integriert |
+| Handschrift-OCR | 40% — TrOCR integriert, Qualitaet verbessern |
+| Lernunit-Generator | 25% — Backend-API + Companion UI vorhanden |
+| Zeugnis-Generator | 30% — API + Models vorhanden |
+| Schuljahres-Planer | 15% — State-Engine API vorhanden |
+
+---
+
+## Kontakt
+
+**BreakPilot** — KI-Bildungsplattform fuer den deutschen Schulalltag
+
+- Pilotphase: Niedersachsen
+- Hardware: Offline auf jedem Laptop mit 8 GB RAM
+- Datenschutz: DSGVO-konform, alle Daten lokal

mkdocs.yml

@@ -55,6 +55,10 @@ markdown_extensions:
 
 nav:
   - Start: index.md
+  - Projekt:
+    - Vision & Mission: projekt/vision-und-mission.md
+    - Roadmap: projekt/roadmap.md
+    - Hardware & Distribution: projekt/hardware-und-distribution.md
   - Services:
     - KI-Daten-Pipeline:
       - Uebersicht: services/ki-daten-pipeline/index.md