Multimodale GPTs sind in der Lage, Text-, Audio- und Bild-/Bewegtbildeingaben gemeinsam zu verarbeiten und entsprechende Ausgaben zu generieren. Im Bildungskontext lässt sich dies z. B. in den Feldern Sprachlernen und MINT nutzen, grundsätzlich aber in jedem Kontext. Hier könnten multimodale GPTs – vorausgesetzt die Antwortqualität ist qualitativ gut und die Lehrkraft kann bestenfalls Einfluss auf das Antwortverhalten des Systems nehmen* – die Differenzierung und Individualisierung des Lernens massiv vorantreiben.

Wichtig: Die Verantwortung für den Lernprozess wird nach wie vor bei der Lehrkraft sowie den Lernenden selbst und nicht bei "der KI" liegen!