| |
|
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 #4 | 07.04.2026 | Von: Friedl Wynants |
| |
|
 |
| |
| 7,5 Stunden durch KI gewonnen. Warum fühlt es sich nicht so an? |
| |
Alle reden über den Produktivitätsschub durch KI. Und ja: Das Potenzial ist real. Eine Studie der London School of Economics kommt auf durchschnittlich 7,5 Stunden Zeitgewinn pro Woche bei Wissensarbeitenden, die KI aktiv einsetzen.
Gleichzeitig häufen sich aber Berichte über das Gegenteil dessen, was viele sich erhofft hatten: Statt Entlastung erleben manche vor allem mehr Reibung. Harvard Business Review spricht inzwischen von „AI brain fry“ – also mentaler Ermüdung durch zu viele Tools, zu viel Kontrolle und zu viele zusätzliche Review-Schleifen.
KI kann Zeit sparen – und trotzdem Energie kosten. Zum Beispiel dann, wenn Menschen ständig:
- zwischen mehreren Tools springen
- Outputs vergleichen und absichern
- Ergebnisse prüfen und nachbessern müssen
- zusätzliche Review-Schleifen einbauen
Das trifft auf einen Arbeitsalltag, der ohnehin schon überladen ist. Microsoft beschreibt ihn als „infinite workday“: Viele starten schon vor 6 Uhr mit E-Mails, im Schnitt kommen 117 Mails pro Tag zusammen. Wenn KI einfach auf diesen Modus draufgesetzt wird, wird aus Produktivität schnell Überforderung.
Was heißt das für L&D? L&D sollte KI nicht nur als Kompetenzthema behandeln, sondern als Thema des Arbeitsdesigns. Es reicht nicht, Menschen in Prompting oder einzelne Tools einzuführen. Entscheidend ist, ob für wiederkehrende Aufgaben klare KI-Abläufe existieren – und sie nicht jedes Mal von vorne anfangen müssen.
Konkret kann L&D an drei Stellen ansetzen:
- Orientierung schaffen: Welche Tools sind wofür gedacht – und welche besser nicht?
- Arbeitsmuster definieren: Für häufige Aufgaben klare KI-Abläufe festlegen – weniger Improvisation, mehr Routine.
- Unterstützung in den Workflow bringen: kurze Hilfen, Beispiele und Review-Leitplanken direkt dort, wo KI im Alltag genutzt wird – nicht im Kurs davor.
Unterm Strich: Der Unterschied zwischen Produktivität und Überforderung liegt am Ende oft nicht im Tool, sondern im Workflow. Nicht das Team mit dem größten Tool-Stack gewinnt am meisten Produktivität, sondern das mit den einfachsten, belastbarsten KI-Arbeitsroutinen. Unser AI-Hack (s. u.) liefert einen praktischen Einstiegspunkt. |
| |
|
 |
| |
| 3 Mythen über KI-Müdigkeit |
| |
- „AI Fatigue ist vor allem ein individuelles Problem.“ → Nein.
Wenn Menschen durch KI müde werden, liegt das oft nicht an fehlender Offenheit oder persönlicher Resilienz. Häufig ist es ein Zeichen für schlecht gestaltete Arbeit: zu viele Tools, zu viele Wechsel, zu viele unklare Erwartungen. AI Fatigue ist deshalb nicht nur ein People-Thema, sondern auch ein Prozessproblem.
- „Mehr KI-Training löst das Problem.“ → Nein.
Ein allgemeiner Prompt-Workshop reicht dafür nicht. Was Teams brauchen, sind einfache, belastbare (KI-)Abläufe für konkrete Aufgaben. Also weniger Tool-Wissen auf Vorrat – und mehr Klarheit darüber, wann welches Tool wofür genutzt wird und wo menschlicher Review nötig ist.
- „Wer viel mit KI arbeitet, gewöhnt sich automatisch daran.“ → Nein.
Routine entsteht nicht allein durch Nutzung, sondern durch gute Leitplanken. Ohne Standards wird aus häufiger Nutzung schnell Dauer-Improvisation. Und genau die macht auf Dauer müde.
|
| |
|
 |
| |
| Eine Aufgabe, ein Tool, ein Workflow |
| |
Wer KI im Arbeitsalltag einführt, macht oft zuerst das Gegenteil von Entlastung: zu viele Tools, zu viele Möglichkeiten, zu viele Experimente parallel. Das macht auf Dauer müde.
Der einfachere Weg ist oft der bessere: Nicht mit dem Tool starten, sondern mit einer konkreten, wiederkehrenden Aufgabe. Zum Beispiel: einen Text überarbeiten, ein Meeting nachbereiten oder Informationen zu einem Thema bündeln.
So kann es gehen:
- Eine Aufgabe festlegen
Welche wiederkehrenden Aufgaben kosten im Alltag spürbar Zeit oder Nerven?
- Ein Standard-Tool bestimmen
Nicht drei Optionen, sondern eine klare erste Wahl.
- Einen einfachen Ablauf definieren
Was gibt der Mensch rein? Was übernimmt die KI? Was wird am Ende geprüft?
Ein kleines Beispiel: Meeting-Nachbereitung
- Tool: ein Meeting-Assistant oder ein LLM
- KI-Aufgabe: Zusammenfassung, To-dos, offene Punkte
- Mensch prüft: Prioritäten, Formulierungen, Verbindlichkeit
Der Effekt: weniger Tool-Hopping, weniger Improvisation, mehr Routine. |
| |
|
 |
| |
| Skills wandern in den Workflow: Microsoft erkennt Kompetenzen automatisch |
| |
Microsoft hat sein „People-Skills“-System deutlich ausgeweitet: Das System erkennt, welche Fähigkeiten Mitarbeitende haben – nicht durch Selbstauskunft, sondern durch Auswertung dessen, womit sie täglich arbeiten: E-Mails, Dokumente, Meetings.
Diese AI-gestützten Skill-Profile stehen jetzt auch für Microsoft-365-E3- und E5-Nutzer zur Verfügung und damit einem viel größeren Teil der Belegschaft. Außerdem fließen die Skill-Daten direkt in KI-Agenten wie den Learning Agent und den Workforce Insights Agent ein und werden bald auch in der Teams-Profilkarte sichtbar.
Für L&D bedeutet das: Kompetenzentwicklung löst sich aus klassischen HR-Systemen und wird Teil des Arbeitsalltags.
🔗 Quelle: https://now.you-know.de/e/811453/and-surfaces-across-mi-4497646/ctjz1/1604357856/h/Iu8bpsqe-rZxeMXn92sBQogdAvf6hx122N8rVZsuh2k |
| |
| Anthropic zeigt: Der KI-Vorsprung entsteht durchs Tun, nicht nur durchs Training |
| |
Anthropic hat am 24. März seinen neuen Economic-Index-Bericht veröffentlicht. Eine zentrale Erkenntnis darin: Erfahrenere Claude-Nutzer arbeiten kollaborativer mit der KI, nutzen sie häufiger für arbeitsbezogene und anspruchsvolle Aufgaben und haben höhere Erfolgsraten in ihren Gesprächen. Im Datensatz liegen erfahrene Nutzer je nach Betrachtung um etwa 3 bis 5 Prozentpunkte höher bei erfolgreichen Interaktionen. Für L&D ist das hochinteressant, weil es die These stärkt: AI Literacy entsteht nicht nur im Training, sondern vor allem durch gute Routinen, Übung und learning by doing.
🔗 Quelle: https://now.you-know.de/e/811453/onomic-index-march-2026-report/ctjz4/1604357856/h/Iu8bpsqe-rZxeMXn92sBQogdAvf6hx122N8rVZsuh2k |
| |
|
 |
| |
| Effizienz heute. Problem morgen? |
| |
In den letzten Wochen mehren sich die Hinweise, dass KI gerade dort besonders schnell wirksam wird, wo Aufgaben standardisiert sind und wenig Erfahrungswissen gefragt ist. Frühe Daten deuten darauf hin, dass vor allem Einstiegs- und Junior-Rollen unter Druck geraten:
Das World Economic Forum verweist auf einen Rückgang von Entry-Level-Stellen in den USA um 35 Prozent in 18 Monaten, Anthropic sieht erste Hinweise auf verlangsamte Einstellungen bei 22- bis 25-Jährigen in KI-exponierten Berufen, und aus Irland kommen ähnliche Signale für junge Graduates.
Mich beschäftigt daran vor allem die nächste Frage: Wer sind eigentlich die Seniors von übermorgen, wenn sie heute gar nicht mehr als Juniors anfangen? Unternehmen gewinnen so vielleicht kurzfristig Effizienz. Langfristig könnten sie sich damit aber genau die Erfahrungsbasis wegkürzen, auf der spätere Urteilsfähigkeit, Führung und implizites Wissen entstehen.
Auch das ist eine ganz neue Lernfrage des KI-Zeitalters: Wenn KI uns Einstiegsarbeit abnimmt – wie werden aus Anfängern überhaupt erfahrene Menschen?
Ich habe darauf keine fertige Antwort. Aber ich glaube, es ist eine Frage, die L&D früher stellen sollte, als sie aufgezwungen wird. |
| |
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 unsgerne oder vernetzen Sie sich mit unseren KI-Experten auf LinkedIn.
|
|
|
| |
Ausgabe verpasst?
Alle bisherigen Newsletter finden Sie im Archiv |
| |
|
|
