| |
|
Alle zwei Wochen filtern wir das KI-Rauschen und bringen auf den Punkt, was für Learning & Development wirklich zählt: relevante Entwicklungen, Tool-Checks, Mini-Hacks und vieles mehr.
|
| |
|
| |
| Ausgabe #18 | 20.10.2026 | Von: Friedl Wynants |
| |
|
 |
| |
| Das Lernziel steht, der Weg dahin passt sich an. |
| |
Zwei Mitarbeitende haben dasselbe Ziel: Sie möchten ihre Arbeitswoche besser organisieren und ihre Prioritäten auch im hektischen Alltag im Blick behalten.
Doch ihre Herausforderungen könnten unterschiedlicher kaum sein. Die eine verliert sich in einer endlosen To-do-Liste, auf der alles gleich wichtig erscheint. Der andere weiß genau, was Priorität hat, wird aber ständig durch Unterbrechungen ausgebremst.
Im klassischen E-Learning würden beide vermutlich dasselbe Zeitmanagement-Training absolvieren und sich Lektion für Lektion durch dieselben Inhalte arbeiten.
Aber warum sollten zwei Menschen denselben Lernweg durchlaufen, wenn sie ganz unterschiedliche Unterstützung brauchen?
Hier verändert KI-gestützte Lernbegleitung die Spielregeln: Das Lernziel bleibt verbindlich, aber der Weg dorthin orientiert sich an den individuellen Fragen, dem vorhandenen Wissen und den konkreten Herausforderungen der Lernenden.
Dabei treten sie mit einem KI-Lern-Buddy in den Dialog. Gemeint ist ein KI-Assistent, der auf einer festgelegten Wissensbasis arbeitet und einem didaktischen Rahmen folgt. Statt Inhalte lediglich zu konsumieren, können sie Dinge hinterfragen, an eigenen Beispielen üben, Feedback erhalten und genau das vertiefen, was sie noch nicht sicher beherrschen.
Wie sieht das konkret aus?
Unsere Mitarbeiterin startet nicht mit der ersten Lektion eines Zeitmanagement-Kurses. Stattdessen erhält sie eine konkrete Aufgabe: Plane deine kommende Arbeitswoche und entscheide, welche Aufgaben Vorrang haben. Im Dialog zeigt sich schnell, wo die Schwierigkeit liegt: Sie kann wichtige und dringende Aufgaben noch nicht zuverlässig unterscheiden.
Genau dort setzt die Unterstützung an. Auf einen kurzen Lernimpuls zum Priorisieren folgt die Anwendung auf ihre eigenen Aufgaben. Das Feedback hilft ihr zu erkennen, wo ihre Einordnung noch nicht passt.
Anschließend überprüft der KI-Assistent mit ihr, ob sie ihre Prioritäten nachvollziehbar begründen kann. Es geht darum, ob sie das Gelernte verstanden hat und anwenden kann. Das Durchklicken der Inhalte allein reicht dafür nicht aus.
Im nächsten Schritt erstellt sie einen realistischen Wochenplan. Und wenn sie diesen im Arbeitsalltag umsetzt, kann sie gemeinsam mit ihrem Lernbegleiter reflektieren, was funktioniert hat und wo sie nachjustieren sollte.
Ihr Kollege braucht dagegen keine ausführliche Erklärung zum Priorisieren. Er beschäftigt sich intensiver mit Strategien gegen Unterbrechungen und übt an typischen Situationen aus seinem Alltag, wie er mit spontanen Anfragen umgehen kann.
Beide arbeiten auf dasselbe Lernziel hin und erhalten dabei die Unterstützung, die ihnen jeweils weiterhilft.
Was heißt das für L&D?
Für Learning & Development bedeutet das einen grundlegenden Perspektivwechsel. Wir müssen nicht mehr den gesamten Lernprozess mit jeder möglichen Abzweigung im Voraus ausarbeiten.
Stattdessen legen wir fest, welche Kompetenzen die Lernenden entwickeln sollen und welche Inhalte dafür verbindlich sind. Ebenso wichtig ist die Frage, woran wir erkennen, dass ein Lernziel erreicht wurde.
Die KI übernimmt die individuelle Begleitung innerhalb dieses Rahmens. L&D prüft, ob sie die Lernenden dabei fachlich zuverlässig unterstützt.
Genau diesem Prinzip folgen auch unsere Learning Journeys im youknow Lern-Buddy. L&D gibt den didaktischen Rahmen vor. Die Lernenden gestalten ihren Weg darin aktiv mit, indem sie zum Beispiel eigene Fragen vertiefen oder an einer konkreten Herausforderung aus ihrem Berufsalltag arbeiten.
Der Buddy begleitet sie dabei im Dialog, gibt passende Hilfestellungen und unterstützt sie auch dann noch, wenn das Gelernte im Arbeitsalltag angewendet werden soll.
Das Entscheidende: Individuelle Lernbegleitung wird möglich, ohne dass L&D für jeden Lernenden einen eigenen Kurs entwickeln muss. Der Lernprozess bleibt didaktisch strukturiert und lässt zugleich Raum für den persönlichen Unterstützungsbedarf – bis zum Transfer in die Praxis.
Denn am Ende zählt, was jemand anschließend tatsächlich besser kann.
Unterm Strich: Ein gemeinsames Lernziel braucht keinen einheitlichen Lernweg. Entscheidend ist, welche Unterstützung Menschen bekommen, um das Ziel zu erreichen und das Gelernte im Arbeitsalltag anzuwenden.
Wie das konkret funktioniert, zeigen wir gerne in einer Live-Demo unseres Zeitmanagement-Buddys. Hier geht's zur Anmeldung: https://now.you-know.de/e/811453/youknow-austausch-lernbuddy/d3xlv/1664587333/h/MTt4MiHo1Jcd5dfCMxqScDi3WSLfnTuFryvy3CAOMec |
| |
|
 |
| |
| 2 Mythen über individuelle Lernbegleitung |
| |
- „Individuelle Lernbegleitung braucht für jede Person eigene Lerninhalte.“ → Nein.
Personalisierung bedeutet nicht, dass L&D für jeden Lernenden neue Inhalte entwickeln muss. Eine gemeinsame Wissensbasis kann als Grundlage für ganz unterschiedliche Übungen und Dialoge dienen. Die KI passt die Unterstützung daran an, was jemand bereits weiß und wo es in der konkreten Situation hakt.
Entscheidend ist also, wie die vorhandenen Inhalte genutzt werden. So lässt sich individuelle Unterstützung auch für größere Zielgruppen anbieten, ohne für jede Person einen eigenen Kurs zu produzieren.
- „Individuelles Lernen bedeutet, den persönlichen Lerntyp zu bedienen.“ → Ein hartnäckiger Mythos.
Visuelle, auditive oder kinästhetische Lerntypen? Dass Menschen besser lernen, wenn die Inhalte ihrem vermeintlichen Lerntyp entspricht, ist wissenschaftlich nicht belastbar belegt.
Gute Personalisierung orientiert sich deshalb daran, was jemand noch nicht sicher beherrscht und welche Unterstützung beim nächsten Lernschritt hilft.
🔗 Quelle: https://now.you-know.de/e/811453/-1111-j-1539-6053-2009-01038-x/d3xly/1664587333/h/MTt4MiHo1Jcd5dfCMxqScDi3WSLfnTuFryvy3CAOMec
|
| |
|
 |
| |
| Ein Lernziel auf zwei Wegen erkunden. Zum Ausprobieren! |
| |
Wie unterschiedlich kann KI Menschen beim gleichen Lernziel unterstützen? Ein kurzer Vergleich macht das Prinzip greifbar.
Dazu ChatGPT oder einen anderen KI-Assistenten öffnen und diesen Prompt kopieren:
- Start Prompt zum Kopieren -
Du bist mein persönlicher KI-Lerncoach. Unser gemeinsames Lernziel lautet: Ich kann meine Arbeitswoche realistisch planen und sinnvoll priorisieren.
Finde zunächst mit maximal zwei gezielten Fragen heraus, wo meine größten Schwierigkeiten liegen und was ich bereits gut beherrsche.
Begleite mich anschließend Schritt für Schritt zum Lernziel. Gib mir nur die Erklärungen und Übungen, die ich tatsächlich brauche, und arbeite möglichst mit meinen eigenen Praxisbeispielen. Hilf mir durch Rückfragen, eigene Lösungen zu entwickeln. Gib mir dazu konstruktives Feedback.
Stelle immer nur eine Frage auf einmal. Überprüfe zum Abschluss anhand einer kleinen Praxisaufgabe, wie gut ich das Lernziel bereits erreiche. Gib mir anschließend einen konkreten Impuls für die Anwendung im Arbeitsalltag.
- Ende Prompt -
Jetzt kommt der Vergleich: Den Prompt in zwei separaten Chats testen. Im ersten Chat aus der Perspektive einer Person antworten, die Schwierigkeiten beim Priorisieren hat. Im zweiten als jemand, der gut priorisieren kann, aber ständig unterbrochen wird.
Dann beobachten, wie sich die Unterstützung verändert, obwohl das Lernziel identisch ist. Der Versuch zeigt das Prinzip; eine fachlich geprüfte Lernbegleitung mit organisationsspezifischem Wissen ersetzt er nicht.
Der L&D-Impuls: Dieses Prinzip lässt sich auf nahezu jedes betriebliche Lernziel übertragen. Die spannende Frage lautet nicht mehr nur: „Welche Inhalte brauchen unsere Lernenden?“, sondern: „Welche individuelle Unterstützung brauchen sie, um das Lernziel zu erreichen?“ |
| |
|
 |
| |
| 83% priorisieren AI-Skills, aber nur 29% sehen sich gut aufgestellt. |
| |
Eine neue Studie von edX Enterprise zeigt eine deutliche Lücke zwischen Anspruch und Wirklichkeit: Für 83% der befragten L&D- und Personalverantwortlichen ist der Aufbau von KI-Kompetenzen eine Priorität. Aber nur 29% bewerten die KI-Fähigkeiten ihrer Organisation als ausgereift. Und gerade einmal 26% sind sehr zuversichtlich, dass L&D die künftig benötigten Kompetenzen vermitteln kann.
Besonders interessant: Die in der Studie als führend eingestuften Organisationen unterscheiden sich weniger dadurch, ob HR, IT oder L&D für AI-Upskilling zuständig ist. Stärker ins Gewicht fallen ein klares Mandat mit den nötigen Ressourcen und die Frage, wie umfassend Lernerfolg gemessen wird.
🔗 Quelle: https://now.you-know.de/e/811453/ng-2026-ai-upskilling-research/d3xm2/1664587333/h/MTt4MiHo1Jcd5dfCMxqScDi3WSLfnTuFryvy3CAOMec |
| |
| Unternehmen lassen KI zunehmend Aufgaben erledigen |
| |
Eine neue Analyse von OpenAI zeigt, wie schnell sich die KI-Nutzung in europäischen Unternehmen verändert. Bei den untersuchten europäischen ChatGPT-Enterprise- und Business-Kunden entfallen bereits mehr als die Hälfte der generierten Output-Tokens auf agentische Tools wie Codex und ChatGPT Work. Bei kleineren Unternehmen in der EU hat sich die Zahl der wöchentlich aktiven Nutzer dieser Tools seit Mai sogar mehr als verachtfacht.
Das sind Nutzungsdaten von OpenAI-Kunden, keine repräsentative Aussage über alle europäischen Unternehmen. Trotzdem ist die Entwicklung bemerkenswert: KI wird zunehmend nicht nur zum Antworten, sondern zum Erledigen von Aufgaben eingesetzt.
🔗 Quelle: https://now.you-know.de/e/811453/next-chapter-in-ai-is-agentic-/d3xm5/1664587333/h/MTt4MiHo1Jcd5dfCMxqScDi3WSLfnTuFryvy3CAOMec |
| |
|
 |
| |
| Was ein bestandener Test offenlässt |
| |
Was mich in vielen Gesprächen mit Learning Professionals beschäftigt: Wie sehr wir in L&D noch an einer Form von Kontrolle festhalten, die bei genauerem Hinsehen vor allem eines ist: Scheinkontrolle.
Wir schicken alle durch denselben Kurs und erfassen, wie lange sie dafür brauchen. Am Ende steht ein Abschlusstest. Unser LMS bestätigt: 100% abgeschlossen, Test bestanden. Haken dran.
Aber was wissen wir damit eigentlich? Dass jemand unsere Inhalte durchlaufen und ein paar Fragen richtig beantwortet hat. Nicht, ob er das Gelernte tatsächlich verstanden hat, geschweige denn im Arbeitsalltag anwenden kann.
Wir messen häufig, was sich leicht erfassen lässt, und behandeln es dann als Beleg für Lernerfolg.
Natürlich brauchen wir verbindliche Standards und nachvollziehbare Nachweise. Aber ich glaube, wir müssen uns von der Vorstellung lösen, dass ein identischer Lernweg automatisch mehr Qualität oder Kontrolle bedeutet.
KI eröffnet uns die Chance, Lernen stärker am individuellen Bedarf auszurichten. Damit verändert sich auch, worauf wir als L&D unseren Einfluss konzentrieren sollten: auf klar definierte Lernergebnisse und eine verlässliche, organisationsspezifische Wissensbasis. Also darauf, was Menschen am Ende wirklich können sollen und auf welcher fachlichen Grundlage sie lernen.
Wie sie dorthin gelangen, muss dagegen nicht bis ins letzte Detail vorgegeben sein – der Inhalt kann mit KI individuell, personalisiert und situativ entstehen.
Dieser Wandel ist weniger eine technische als eine kulturelle Herausforderung. Denn liebgewonnene Formate, SCORM-Logiken und vertraute Kennzahlen vermitteln uns Sicherheit. Ob Menschen das Gelernte im Alltag anwenden können, lässt sich daran allein aber nicht ablesen.
Es ist aus meiner Sicht an der Zeit, weniger zu kontrollieren, welchen Weg Menschen beim Lernen nehmen und viel genauer hinzuschauen, ob sie tatsächlich am Ziel ankommen.
Denken Sie an Ihr nächstes Lernangebot: Wo ist ein fester Ablauf fachlich nötig – und wo könnten Sie den Lernenden mehr Spielraum geben? |
| |
In diesem Sinne: Weiterdenken lohnt sich!
Viele Grüße
Friedl Wynants |
| |
| |
|
|
|
| |
| |
| 💌 Wenn Ihnen dieser Newsletter hilft, teilen Sie ihn gern im Team oder Netzwerk. Danke, dass Sie die AI in L&D Community weiter wachsen lassen. |
| |
| |
| |
|
Sie möchten tiefer in AI für L&D eintauchen und Insights, Einordnungen und Praxistipps erhalten? Dann schreiben Sie uns gerne oder vernetzen Sie sich mit unseren KI-Experten auf LinkedIn.
|
|
|
| |
Ausgabe verpasst?
Alle bisherigen Newsletter finden Sie im Archiv |
| |
|
|
