Agentisches Lernen braucht produktive Reibung

Automatisierung kann das Üben verdrängen

Agentisches Lernen mit KI verändert die Produktfrage. Es geht nicht länger darum, wie viel Arbeit eine KI erledigen kann. Entscheidend ist, welche Arbeit Lernende weiterhin selbst leisten müssen, um verlässlich urteilen zu können. Ein Agent, der ohne Zurückhaltung formuliert, erklärt, sucht und entscheidet, lässt Training zwar schnell wirken, macht Lernende aber zu Beobachtern.

Eine Übersicht zu agentischer KI und Pädagogik aus dem Juni 2026 benennt diese Spannung klar: Proaktive Systeme können Selbstständigkeit und kognitive Anstrengung der Lernenden untergraben, wenn gezielt eingebaute Reibung, dynamische Lernhilfen und menschliche Kontrolle fehlen. Für L&D-Teams ist das eine Entscheidung für das Arbeitsmodell, kein Detail beim Schreiben von Prompts.

Die Grenze zwischen sinnvoller Anstrengung und schlechtem Design

Produktive Reibung im Lernen ist keine Rechtfertigung für umständliche Software. Verschwendete Reibung entsteht, wenn Menschen den richtigen Screen suchen, vage Anweisungen entschlüsseln, auf Freigaben warten oder irrelevante Inhalte wiederholen müssen. Beseitige sie. Produktive Reibung ist die Anstrengung, eine Richtlinie abzurufen, Belege zu vergleichen, eine Entscheidung zu begründen, eine Regel auf einen neuen Fall anzuwenden und über Fehler nachzudenken.

Die Unterscheidung ist wichtig, denn ein Abschluss bedeutet noch keine Kompetenz. Die Leitlinien des What Works Clearinghouse zum Instruktionsdesign empfehlen aktives Abrufen, tiefgehende Begründungsfragen und eine Mischung aus ausgearbeiteten Lösungen und selbstständigem Problemlösen. Das Design von KI-Tutoren sollte diese Handlungen schützen, wenn genau sie trainiert werden.

• Beseitige Reibung in der Oberfläche, bei der Suche und in der Abstimmung.
• Erhalte Raum für Abruf, Erklärung, Anwendung und Reflexion.
• Gib die Antwort nur dann sofort, wenn die Antwort selbst nicht das Lernziel ist.

Fünf Tutor-Prinzipien für selbstständiges Lernen

Ein guter Agent entscheidet nicht nur, ob er hilft. Er staffelt seine Hilfe so, dass Unterstützung erst auf einen sichtbaren gedanklichen Ansatz der Lernenden folgt.

1. **Erst versuchen, dann helfen.** Verlange eine verbindliche Antwort, einen Entscheidungsweg oder einen ersten Entwurf, bevor der Agent gezielte Unterstützung zeigt.
2. **Abgestufte Hinweise.** Beginne mit einem Impuls oder der passenden Regel, biete dann eine Teilstruktur und anschließend einen ausgearbeiteten Lösungsschritt. Die vollständige Lösung kommt zuletzt.
3. **Begründungspflicht.** Bitte Lernende zu erklären, warum ein KI-Vorschlag zum Fall passt, bevor sie ihn annehmen oder einreichen können.
4. **Anwendungswechsel.** Ändere nach einer Erklärung Fakten, Rahmenbedingungen oder den Kundenkontext und verlange eine neue Entscheidung.
5. **Überprüfung ohne KI.** Prüfe dieselbe Fähigkeit später erneut ohne KI-Zugang – mit einem neuen Szenario statt einer kopierten Frage.

Der Lernnachweis ohne Agenten

Eine KI-gestützte Lernstandskontrolle sollte nicht enden, wenn Lernende die Antwort des Agenten annehmen. Prüfe das Lernen in drei Stufen: Leistung mit Unterstützung, eine spätere Überprüfung ohne Hilfe und Transfer auf ein verändertes Szenario. Die letzten beiden Stufen zeigen, ob Lernende ein brauchbares mentales Modell aufgebaut oder nur einem gut getimten Prompt gefolgt sind.

Sieh nicht jeden falschen ersten Versuch als Fehler. Er liefert diagnostische Hinweise. Der Agent sollte die fehlende Unterscheidung erkennen, die kleinste sinnvolle Lernhilfe wählen und festhalten, ob Lernende sich wieder fangen. So entsteht ein Feedbackkreislauf für Lernende und eine Qualitätsschleife für Inhalte im L&D-Team.

Kennzahlen, die Abhängigkeit sichtbar machen

Abschlussquote, Zufriedenheit und Zeitaufwand sind hilfreiche operative Signale, können aber zu viel Unterstützung verdecken. Die Selbstständigkeit von Lernenden in KI-gestützten Trainings lässt sich messen, wenn Analysen Unterstützung mit späterer eigenständiger Leistung verknüpfen.

• Rate der Unterstützungsabhängigkeit nach Rolle, Fähigkeit und Szenariotyp.
• Durchschnittliche Hinweistiefe bis zur richtigen Entscheidung.
• Leistung ohne Hilfe nach einem Zeitabstand.
• Transferleistung bei veränderten Fakten oder Rahmenbedingungen.
• Eskalationsrate an Menschen bei unklaren oder risikoreichen Fällen.

In folgenreichen Szenarien bleibt der Mensch eingebunden

In einem Onboarding-Modul für Finanzen kann ein Agent Mitarbeitende bitten, einen Fall zur Transaktionsüberwachung einzuordnen, relevante Belege zu benennen und den nächsten Schritt zu begründen. Anschließend kann er auf die passende interne Richtlinie verweisen oder einen übersehenen Hinweis sichtbar machen. Er sollte Urteilsfähigkeit in einem unklaren Fall nicht eigenständig bestätigen. Bei Unsicherheit und sensiblen Entscheidungen eskalierst du an eine qualifizierte Person.

Dasselbe Muster funktioniert in einer Product Academy. Gib einem Team einen neuen Ablauf für Zahlungen, Verwahrung oder Kontowiederherstellung und bitte es, die Auswirkung auf Kunden, das operative Risiko und den Eskalationsweg zu benennen. Der Agent kann Annahmen hinterfragen und Varianten erzeugen. Die Lernenden müssen ihren Fall weiterhin selbst begründen.

Versuchen, unterstützen, überprüfen

App-Learning kann dieses Muster über Tutoren, Szenarioübungen und Lernstandskontrollen hinweg abbilden: zuerst der Versuch, dann nur so viel Unterstützung wie für den nächsten sinnvollen Schritt nötig ist, danach die Überprüfung der Leistung ohne Hilfe. So bleibt Automatisierung dort, wo sie hingehört – sie beschleunigt Feedback, Anpassung und die Arbeit an Inhalten –, während die Übung erhalten bleibt, die Kompetenz schafft. Die besten agentischen Lernsysteme machen Lernende schneller, weil sie besser denken – nicht, weil das System für sie denkt.