Erstsemesterstudierende der Elektrotechnik stoßen in ihren Bachelorstudiengängen häufig auf erhebliche Herausforderungen, insbesondere aufgrund heterogener Vorkenntnisse in Mathematik und Physik sowie auf Schwierigkeiten bei der Selbstorganisation ihres Lernprozesses. Diese Faktoren führen häufig zu kognitiver Überlastung, schlechten Prüfungsleistungen und hohen Abbrecherquoten. Traditionelle Lehrmethoden, insbesondere in großen Lehrveranstaltungen, sind oftmals nicht ausreichend in der Lage, diese Probleme wirksam zu adressieren, da ein erheblicher Teil der Tutoriumszeit auf grundlegende Rechenschritte verwendet wird, anstatt tiefergehendes, fachspezifisches Verständnis zu fördern. Um diesem Problem entgegenzuwirken, wurde im Wintersemester 2025/2026 ein fachspezifischer KI-Tutor im Rahmen der Erst-Semester-Veranstaltung „Grundlagen der Elektrotechnik“ erstmals als Pilotprojekt eingesetzt. Die KI basiert auf dem Google Gemini 2.5 Pro Sprachmodell und wurde mittels Retrieval-Augmented Generation (RAG) erweitert, um maßgeschneiderte Lehrmaterialien wie annotierte Vorlesungsaufzeichnungen und detaillierte Lösungshandbücher zu integrieren. Als sokratischer Tutor konfiguriert, bot die KI individuelle, asynchrone Unterstützung, indem sie Studierende bei der Vorbereitung auf die Übungen begleitete, ihre Rechenschritte überprüfte und bei der schrittweisen Fehleranalyse unterstützte. Das Tool wurde mit einer Seminargruppe von 18 Studierenden getestet, die über die Plattform you.com Zugriff auf den KI-Tutor erhielten. Das Pilotprojekt umfasste eine kontinuierliche Datenerhebung während des gesamten Semesters. Wöchentliche Online-Reflexionsformulare erfassten die Nutzungsmuster der Studierenden, ihre Einschätzung der Aufgabenkomplexität sowie Feedback zur Nützlichkeit oder Grenzen der KI. Diese Daten wurden durch zwei umfassende Umfragen zur Hälfte und Ende des Semesters ergänzt. Die Studie präsentiert die technische Konfiguration und didaktische Anwendung des KI-Tutors und analysiert dessen Wirkung auf unterschiedliche Leistungslevel der Studierenden. Die Ergebnisse zeigen eine hohe Akzeptanz des KI-Tutors, insbesondere bei der Überprüfung von Rechenschritten und der Bewältigung kurzfristiger Lernblockaden. Gleichzeitig zeigte die Analyse jedoch auch Grenzen, insbesondere im Umgang mit fachspezifischen visuellen und topologischen Zusammenhängen. Die Erkenntnisse unterstreichen die Bedeutung der Förderung einer kritischen KI-Literacy bei Studierenden und weisen auf den Bedarf zukünftiger multimodaler KI-Modelle hin, die die ingenieurwissenschaftliche Ausbildung besser unterstützen können. Darüber hinaus trägt der Einsatz von KI im Bachelorstudium zur Entwicklung von Kompetenzen im Kontext eines möglichen Kerncurriculums bei.