KI in der Bildung und betrieblichen Schulungen: Ein Leitfaden

Die HR-Abteilung erhält zum vierten Mal in diesem Jahr Feedback: Die verpflichtende Schulung zum Datenschutz dauert vier Stunden, und die Hälfte der Mitarbeiter gibt an, sich nach zwei Wochen nicht mehr an den Inhalt zu erinnern. Die Erstellung einer gekürzten Version kostet mehrere Wochen Arbeit eines Experten. Eine Aktualisierung nach einer Änderung der DSGVO dauert weitere Wochen. Das ist kein Problem des Schulungsbudgets. Es ist ein Problem der Architektur – und KI kann es anders lösen, als die meisten Unternehmen annehmen.

Der folgende Leitfaden beschreibt, wie man eine KI-Schicht über bestehende Schulungsmaterialien aufbaut: vom Wissensagenten, der Mitarbeiterfragen beantwortet, über personalisierte Lernpfade bis hin zu automatischen Bewertungen und der Überwachung der Wirksamkeit.

Bevor Sie mit der Implementierung beginnen, lohnt es sich zu unterscheiden, wo KI messbaren Mehrwert bringt und wo sie nur zusätzliche Kosten verursacht.

Häufigster Fehler: Unternehmen beginnen mit Zusammenfassungen und automatischen Quizzen (einfach, aber geringer ROI) statt mit dem Wissensagenten (schwierigere Implementierung, aber Mitarbeiter reduzieren 50-80 E-Mails pro Woche an die Schulungsabteilung mit Fragen wie „Wo steht das in den Materialien?“).

Ein Wissensagent ist ein System, das auf Mitarbeiterfragen antwortet und dabei konkrete Abschnitte aus genehmigten Schulungsdokumenten zitiert. Das Schlüsselwort: zitiert, nicht aus dem Gedächtnis generiert. Das ist der Unterschied zwischen Halluzination und auditierbarer Antwort.

Die Architektur besteht aus vier Elementen:

Dokumentenindex. Schulungsmaterialien (PDF, DOCX, Folien, Verfahren) werden geparst, in Fragmente unterteilt und in eine Vektordatenbank eingebettet. Jedes Fragment speichert Metadaten: Dokumententitel, Version, Aktualisierungsdatum, verantwortliche Abteilung. Wenn ein Dokument aktualisiert wird, werden alte Fragmente gelöscht und durch neue ersetzt, ohne eine vollständige Reindexierung.

Hybride Suche. Eine Mitarbeiteranfrage geht gleichzeitig in die semantische Suche (Bedeutungsähnlichkeit) und in die Volltextsuche. Die Ergebnisse werden neu gerankt und die Top-5-Fragmente mit Zitaten an das Modell übergeben. Der Artikel über semantische Suche und Embeddings beschreibt die Details dieses Prozesses.

Guardrails und Wissensgrenzen. Der Agent antwortet ausschließlich auf Basis der indexierten Dokumente. Wenn eine Anfrage außerhalb der Datenbank liegt, antwortet er: „Ich habe keine Informationen zu diesem Thema in den Materialien – wenden Sie sich bitte an die Schulungsabteilung.“ Er generiert keine Antworten außerhalb der Datenbank, selbst wenn das Modell die Antwort aus dem Training „kennt“. Der Artikel über die Begrenzung von Halluzinationen erklärt, warum das entscheidend ist.

Human-Handoff. Fragen zu Ausnahmen von Verfahren, rechtlichen Interpretationen oder Situationen, die nicht in den Materialien enthalten sind, werden an einen Fachexperten mit vollem Konversationskontext weitergeleitet. Der Experte antwortet einmal, und diese Antwort (nach Genehmigung) wird als neues Fragment in die Datenbank aufgenommen.

Die Personalisierung des Lernpfads erfordert nicht den Austausch der bestehenden LMS-Plattform. Sie erfordert eine KI-Schicht darüber.

Praktischer Mechanismus: Der Mitarbeiter füllt einen kurzen Klassifikator aus (5-10 Fragen zu Erfahrung, Rolle, Ergebnis vorheriger Bewertungen). Das Modell generiert basierend auf den Antworten und dem Rollenprofil eine empfohlene Reihenfolge der Module, überspringt Abschnitte, die der Mitarbeiter bereits beherrscht, und fügt ergänzende Materialien für Lücken hinzu. Das ist keine Magie, sondern strukturierte Entscheidungsfindung auf Basis von Eingabedaten.

Drei Voraussetzungen für die Personalisierung:

1. Materialien müssen in adressierbare Einheiten unterteilt sein. Ein 4-stündiger Monolith-Kurs eignet sich nicht für die Personalisierung. Ein Kurs, der in 12 Module à 20 Minuten mit Kompetenz-Tags unterteilt ist, eignet sich.
2. Das Rollenprofil muss operativ definiert sein, nicht allgemein. „Kundenservice-Spezialist“ ist zu vage. Benötigt wird: welche Verfahren täglich angewendet werden, welche Fehler am häufigsten gemacht werden (aus Bewertungsdaten), welche Zertifizierungen aufrechterhalten werden müssen.
3. Das Bewertungsergebnis muss an das Modell zurückfließen. Wenn ein Quiz nach einem Modul 40 % ergibt, sollte das Modell zusätzliche Übungen vorschlagen, nicht den Pfad fortsetzen.

Die Implementierungskosten dieses Mechanismus sind deutlich niedriger, wenn bereits ein RAG-basierter Agent vorhanden ist – dieselbe Vektordatenbank mit Materialien dient sowohl der Beantwortung von Fragen als auch der Auswahl von Fragmenten für den Pfad.

Die Generierung von Testfragen aus Schulungsdokumenten ist einer der ausgereiftesten Anwendungsfälle von KI in L&D (Learning and Development). Der Mechanismus basiert auf Structured Output und ermöglicht die Generierung von Multiple-Choice-Fragen, offenen Fragen mit Musterantworten und Fallszenarien aus einem Textabschnitt.

Ablaufschema:

1. Der Experte gibt das Modul oder Dokument zur Bearbeitung an.
2. Das Modell verarbeitet den Abschnitt, identifiziert Schlüssel facts, Regeln und Verfahren.
3. Es generiert Fragen im JSON-Format mit Feldern: Fragestellung, vier Antwortmöglichkeiten (eine korrekt, drei Distraktoren), Erklärung der korrekten Antwort, Referenz zum Dokumentenabschnitt.
4. Der Experte überprüft die Ausgabe – normalerweise 10-15 Minuten statt 2-3 Stunden Erstellung von Grund auf.
5. Akzeptierte Fragen werden in die LMS-Datenbank übernommen.

Die Qualitätsprüfung der Fragen durch einen Menschen ist obligatorisch. Das Modell generiert Fragen, die sinnvoll klingen, aber mehrdeutig sein oder auf veralteten Abschnitten basieren können. Die Expertenprüfung ist keine Formalität, sondern eine Qualitätshürde.

Zusätzliche Anwendung: Analyse der Antworten nach dem Quiz durch einen Agenten. Der Agent identifiziert Fragen, bei denen mehr als 30 % der Gruppe falsch geantwortet haben, und markiert sie als Kandidaten für zusätzliches Material oder eine Neugestaltung des Moduls.

KI-Systeme in Schulungen verarbeiten Mitarbeiterdaten: Bewertungsergebnisse, Fortschrittshistorie, Kompetenzlücken. Dies sind personenbezogene Daten, die der DSGVO unterliegen, und in einigen Kontexten (Kompetenzbewertungen, die personalbezogene Entscheidungen beeinflussen) fallen sie unter den AI Act als Hochrisikosystem.

Wichtige Punkte, die vor der Implementierung adressiert werden müssen:

Rechtliche Grundlage der Verarbeitung. Schulungsdaten von Mitarbeitern, die zur Erfüllung des Arbeitsvertrags verarbeitet werden (Art. 6 Abs. 1 lit. b DSGVO), erfordern keine separate Einwilligung. Daten, die zur Bewertung der Eignung für Beförderungen oder Einstellungsentscheidungen verarbeitet werden, erfordern eine Analyse und wahrscheinlich eine DPIA.

PII in Eingabedaten. Wenn Mitarbeiter Fragen an den Wissensagenten stellen, können deren Inhalte potenziell sensible Informationen enthalten. Protokolle von Anfragen sollten hinsichtlich PII maskiert werden, bevor sie gespeichert oder mit kurzer TTL aufbewahrt werden. Schulungsdaten, die an ein externes Modell gesendet werden, müssen von personenbezogenen Identifikatoren befreit sein.

Self-Hosting als Option für sensible Daten. Organisationen mit einer Richtlinie, die die Übermittlung von Mitarbeiterdaten außerhalb der Infrastruktur verbietet, können das Modell lokal betreiben. Details zur Hardware finden Sie im Artikel über lokale LLM und GPU.

Human-Oversight für folgenreiche Entscheidungen. KI kann Lernpfade vorschlagen oder Lücken markieren. Entscheidungen über Zertifizierungen, Beförderungen oder Konsequenzen bei Nichtbestehen einer Schulung müssen von einem Menschen mit vollem Datenzugriff und Widerspruchsmöglichkeit getroffen werden. Dies ist sowohl eine Anforderung der DSGVO (Art. 22 – automatisierte Entscheidungen) als auch des AI Act für HR-Systeme.

Beschreiben Sie Ihr aktuelles Schulungsprogramm oder ein konkretes Modul, und das Modell zeigt Ihnen, mit welcher Implementierung Sie beginnen und welche Architektur Sie verwenden sollten (Playground: PII maskiert, keine Speicherung):

Nein, aber sie verändert ihre Arbeit. Trainer verbringen weniger Zeit damit, sich wiederholende Fragen zu beantworten und Tests von Grund auf zu erstellen, und widmen sich stattdessen der Programmgestaltung, der Überprüfung der Modellausgaben und der Arbeit mit Mitarbeitern, die spezifische Schwierigkeiten haben. Der Wissensagent übernimmt den FAQ- und Verfahrensbereich; der Trainer kümmert sich um Ausnahmen, Interpretationen und Situationen, die Urteilsvermögen erfordern. Diese Aufteilung funktioniert in der Praxis, weil beide Seiten das tun, worin sie besser sind.

Am besten funktionieren Dokumente mit klarer Struktur: Richtlinien, Betriebsanweisungen, Bedienungsanleitungen, Onboarding-Materialien aus konkreten Bereichen. Am schwierigsten sind Präsentationen mit vielen Grafiken ohne Alternativtext, Videoaufzeichnungen ohne Transkript und gescannte Dokumente ohne OCR. Vor der Implementierung lohnt sich ein Audit der Materialien hinsichtlich der Textqualität. Details zum Parsing finden Sie im Artikel über die Vorbereitung von Unternehmensdaten für KI.

Drei Kennzahlen, die vom ersten Tag an verfolgt werden sollten: Anzahl der Anfragen an die Schulungsabteilung (sollte nach der Implementierung des Wissensagenten sinken), Quiz-Ergebnisse vor und nach der Implementierung personalisierter Pfade sowie die Zeit, die benötigt wird, um ein bestimmtes Kompetenzniveau zu erreichen. Der Vergleich einer Kohorte ohne KI mit einer Kohorte mit KI nach 6 Wochen liefert eine ausreichende Stichprobe zur Bewertung des ROI. Der ROI-Rechner für KI-Implementierungen hilft, diese Zahlen in finanziellen Wert umzurechnen.

Ja, in den meisten Fällen über API oder Webhook. Der Wissensagent und der Quiz-Generator können als separate Schicht fungieren, die Inhalte über die API des LMS bereitstellt, ohne das System auszutauschen. Die Integration mit Plattformen wie Moodle, SAP SuccessFactors oder Cornerstone OnDemand erfolgt über Standard-REST-Endpunkte. Details zur Integrationsarchitektur finden Sie im Artikel über die Integration von KI mit n8n und Automatisierungen. Ein Pilot in einem Modul mit einer Gruppe ermöglicht die Überprüfung der Integration ohne Risiko für die gesamte Plattform.

Mit einem engen, messbaren Anwendungsfall. Meistens empfehlen wir den Start mit einem Wissensagenten für Onboarding-Materialien oder verpflichtende Compliance-Schulungen, da dort die Fragen wiederholbar sind, die Materialien strukturiert sind und der Effekt (Rückgang der Anfragen an die HR-/Schulungsabteilung) leicht messbar ist. Ein Pilot mit einer Gruppe über 4-6 Wochen liefert ausreichende Daten für die Entscheidung über eine Erweiterung. Das Tool Agenten-Blueprint hilft, die Architektur vor Beginn der Arbeiten zu entwerfen.