eLearning, Training brauch ich nicht, hab doch KI

Wolfgang Gotscharek, 09.02.2026

Mit Hilfe von KI generiert und mit natürlicher Intelligenz kuratiert.

KI allein reicht nicht – aber sie kann Lernen radikal besser machen

Viele Teams erleben gerade beides gleichzeitig:

• eLearning wird „durchgeklickt“, im Job sitzt es trotzdem nicht.
• KI liefert in Sekunden gute Antworten – und trotzdem passieren peinliche (oder riskante) Fehler.

Die spannende Frage ist nicht „Training oder KI?“, sondern: Wie bauen wir ein System, in dem Wissen wirklich zu Können wird – und KI den Transfer in den Alltag absichert?

Das Kernproblem: Wissen bleibt im Kurs, Können braucht den Arbeitsplatz

Die Transferforschung ist da ziemlich unromantisch: Entscheidend ist nicht nur, ob jemand etwas im Training lernt, sondern ob es im Arbeitskontext generalisiert und über Zeit aufrechterhalten wird. Genau das ist häufig die Schwachstelle.

Was robust funktioniert (und oft unterschätzt wird)

1) Abrufen schlägt Wiederholen (Retrieval Practice)

Selbsttests und aktives Abrufen erzeugen deutlich stabilere Langzeitbehaltensleistung als reines Wiederholen/„Nochmal lesen“.

2) Verteilen schlägt Pauken (Spacing)

Verteiltes Lernen (Spacing) zeigt in großen Übersichten über viele Studien konsistent Vorteile gegenüber „Masse in kurzer Zeit“.

3) Üben mit Feedback schlägt Konsumieren (Deliberate Practice)

Können entsteht durch gezielte, anstrengende Übung, Wiederholung und Feedback – nicht durch Content-Menge.

Diese drei Punkte sind der „wissenschaftliche Boden“, auf dem du eLearning, Training und KI sauber zusammenführen kannst.

Ein praxistaugliches Zielbild: 3 Ebenen, eine Lernlogik

Ebene A – eLearning: Fundament und gemeinsame Standards

• Micro-E-Learning Lektionen (5–10 Min) mit klaren Lernzielen
• kurze Checks (Abruf statt Wiederlesen)
• Beispiel-/Gegenbeispiel-Logik („So ja – so nein“)
• Nachweisbarkeit (wo Compliance wichtig ist)

Output: gemeinsames Vokabular + Basissicherheit.

Ebene B – Training/Coaching: Können sichtbar machen

• realistische Cases, Simulationen, Rollenspiele
• Bewertung mit Rubrics (Kriterien), nicht mit Bauchgefühl
• Wiederholung in steigender Schwierigkeit
• Transferaufgaben zwischen Sessions

Output: beobachtbares Verhalten, bessere Entscheidungen.

Ebene C – KI im Arbeitsfluss: Performance Support statt „Chatten“

Hier wird KI zum Werkzeug, das im Moment der Ausführung hilft – ähnlich der Idee von Electronic Performance Support Systems: unmittelbarer Zugriff auf Anleitung, Informationen und Tools, damit Leistung „on the job“ gelingt.

Output: weniger Fehler, schnelleres Handeln, stabiler Transfer.

Der „Goldene Integrations-Blueprint“ 

1) Kompetenzen definieren (nicht Inhalte)

Für jede Kompetenz:

• Wissen (Begriffe/Regeln)
• Können (Handlungen/Entscheidungen)
• Qualitätskriterien (Rubric)
• typische Fehlerbilder

2) eLearning als Pre-Work + Diagnose

• kurze Einheiten + Mini-Quiz (Retrieval)
• Pretest entscheidet, wer welche Übung braucht

3) KI-Übungsmodus (guided practice)

KI gibt nicht nur Antworten, sondern lässt lösen:

• „Mach einen ersten Entwurf“ → Feedback nach Rubric
• „Welche Annahmen triffst du?“ → Lücken sichtbar machen
• „Gib mir 2 Alternativen + Risiken“ → Transfer stärken

4) Training: 2–3 harte Cases statt 20 Folien

• Fälle aus der Realität
• Peer-Review + Trainerfeedback (Rubric)
• Abschluss: 1 Standard, 1 Anti-Pattern, 1 Checkliste

5) Transferphase (7–14 Tage): KI als Co-Pilot + Auditor

• Co-Pilot: Vorlagen, Entwürfe, Struktur
• Auditor: Gegencheck gegen Standards („Was fehlt? Was ist riskant?“)

Das ist der Punkt, an dem Transfer typischerweise gewinnt oder verliert.

6) Arbeitsproben statt „Teilnahme“

• Mini-Assessment: Case lösen + Begründung
• oder echte Arbeitsprobe nach Rubric bewertet

Der kritische Teil: KI braucht Leitplanken – sonst skaliert sie Fehler

Zwei harte Realitäten:

• Halluzinationen (plausibel klingende Falschaussagen) sind ein bekanntes Problem und müssen aktiv gemanagt werden.
• Organisationen brauchen ein Risikodenken für KI (Verlässlichkeit, Nachvollziehbarkeit, Kontextabhängigkeit).

Für Governance ist National Institute of Standards and Technology mit dem AI Risk Management Framework ein guter Referenzrahmen, auch wenn du ihn pragmatisch „herunterschlankst“ (Rollen, Freigaben, Testfälle, Quellenregeln).

Minimaler Guardrail-Satz, der fast immer sinnvoll ist:

• KI darf nur auf freigegebene Quellen/Policies referenzieren (oder muss Unsicherheit markieren).
• Kritische Outputs brauchen menschliche Prüfung (z. B. rechtlich, medizinisch, sicherheitsrelevant).
• Es gibt geprüfte Prompt-Vorlagen für Kernprozesse (keinen Wildwuchs).

Mini-Checkliste für den Start (ohne Overengineering)

1. Top 5 Use Cases auswählen (wo Fehler teuer sind oder Zeit verloren geht)
2. Pro Use Case: Rubric + 3 typische Fehler + 1 Checkliste
3. 3 Micro-E-leraning Lektionen + 1 Mini-Quiz (Retrieval) bauen
4. 10 „Prompt Cards“ (Tutor / Coach / Co-Pilot / Auditor) erstellen
5. 1 Pilotgruppe, 2 Wochen Transferphase, Arbeitsprobe messen

Fazit

Optimal wird es, wenn Lernen nicht als Content, sondern als System aus Übung, Feedback und Transfer designt wird – und KI genau dort einsetzt, wo sie am stärksten ist: im Arbeitsfluss, als Coach und Qualitätssicherung.

Quellen (Auswahl)

• Retrieval Practice / Testing Effect: Studien von Jeff Karpicke und Henry Roediger.
• Spacing Effect (Meta-Analyse): Arbeiten um Nicholas J. Cepeda.
• Deliberate Practice: K. Anders Ericsson et al., 1993.
• Transfer of Training: Timothy T. Baldwin & J. Kevin Ford (1988) sowie Review von Eduardo Salas (2011).
• Performance Support / EPSS (Begriffsgrundlage u. a. Gloria Gery):
• KI-Risikomanagement:
• Hallucinations in LLMs (Survey):

Was ist eine Rubric?

Eine Rubric (auf Deutsch oft: Bewertungsraster, Beurteilungsraster oder Kriterienraster) ist eine klare Tabelle mit Bewertungskriterien, anhand derer du die Qualität einer Leistung transparent und konsistent beurteilst – und gezielt Feedback geben kannst.

Woraus besteht eine Rubric?

• Kriterien: Worauf kommt es an? (z. B. „Klarheit“, „Vollständigkeit“, „Risikohinweise“)
• Leistungsstufen: Wie gut ist es? (z. B. 1–4 oder „ungenügend–exzellent“)
• Beschreibungen pro Stufe: Woran erkenne ich die Stufe konkret? (beobachtbar, nicht „fühlt sich gut an“)
• Optional: Gewichtung (z. B. „Richtigkeit“ zählt doppelt)

Wozu ist das gut?

• Objektiver bewerten (weniger Bauchgefühl)
• Besseres Feedback („Dir fehlt X“, statt „nicht so gut“)
• Gezielte Übung (du weißt, woran du arbeiten musst)
• KI sinnvoll einsetzen: KI kann gegen die Rubric prüfen („Audit-Modus“) oder Feedback geben („Coach-Modus“)

Mini-Beispiel (kurz)

Aufgabe: Stakeholder-E-Mail zu Terminverschiebung

Kriterium: Klarheit

• 4 (exzellent): Zweck im ersten Satz, klare nächste Schritte, keine Mehrdeutigkeit
• 3 (gut): Zweck klar, kleine Unschärfen bei nächsten Schritten
• 2 (okay): Zweck erkennbar, aber zu lang/unklar, Schritte fehlen teilweise
• 1 (schwach): Unklarer Zweck, Empfänger weiß nicht, was zu tun ist