Die Beschaffung von KI-Lernlösungen braucht einen Plan für Portabilität

Bei der Beschaffung von KI-Lernlösungen geht es längst nicht mehr nur um die Wahl zwischen LMS und Chatbot. Anbieter von Basismodellen drängen in die Lerninfrastruktur. Für wachsende Unternehmen stellt sich damit eine praktische Frage: Funktionieren Onboarding und Kompetenzaufbau noch, wenn der Anbieter Preise, Richtlinien, Modellzugang oder Produktausrichtung ändert?

KI-Labore drängen in die Lerninfrastruktur

Der Wandel im Markt ist bereits sichtbar. OpenAI verkauft ChatGPT Edu an Hochschulen, Anthropic bietet Claude for Education als hochschulweite Lösung an, und Google hat Gemini in Workspace for Education integriert. Das sind keine generischen APIs, die nur an Entwickler verkauft werden. Sie bündeln Assistenten-Oberflächen, Administration, Wissenszugang und Lernabläufe in einer Anbieterumgebung.

Das kann sinnvoll sein. Ein direktes Angebot des Anbieters kann leistungsstarke Modelle, schnelle Produktverbesserungen und einen einfacheren Start bieten. Doch die Kaufentscheidung geht heute über den aktuellen Funktionsumfang hinaus. Sie legt fest, wo Kursstruktur, Bewertungslogik, Lernnachweise und internes Wissen liegen.

Die Abhängigkeit reicht über das LMS hinaus

Bei der klassischen Anbieterabhängigkeit in der EdTech ging es oft um Kursformate und Nutzerdaten. KI schafft tiefere Abhängigkeiten. Teams können ihr Onboarding um anbieterspezifische Assistenten, Prompt-Abläufe, Wissensbereiche, Einstellungen für den Abruf und Modellverhalten herum aufbauen. Werden diese Komponenten zur Akademie, wird ein Anbieterwechsel zum operativen Neuaufbau statt zu einer technischen Migration.

Modellabhängigkeit ist auch ein echtes Infrastruktur-Risiko. Googles Dokumentation zur Abkündigung von Gemini definiert eine Abschaltung als den Zeitpunkt, ab dem ein Modellendpunkt nicht mehr verfügbar ist, und beschreibt Ersatzwege für ausgemusterte Modelle. Ein Lernbetrieb sollte mit solchen Änderungen rechnen und dafür ausgelegt sein.

• Content-Abhängigkeit entsteht, wenn Lektionen, Medien und Lernpfade nur im Workspace eines Anbieters existieren.
• Bewertungsabhängigkeit entsteht, wenn Fragen, Bewertungsregeln und Daten zu Bearbeitungsversuchen nicht in nutzbarer Form exportiert werden können.
• Wissensabhängigkeit entsteht, wenn Quelldokumente, Segmente, Embeddings und Abrufregeln untrennbar an einen Modelldienst gebunden sind.
• Workflow-Abhängigkeit entsteht, wenn Prompts, Automatisierungen und Tutorverhalten keine modellunabhängige Spezifikation haben.
• Analyse-Abhängigkeit entsteht, wenn Nachweise zu Abschluss, Übung und Kompetenz in einem proprietären Dashboard verbleiben.

Portabilität ist eine Anforderung an das Systemdesign

Portabilität bei KI-Lernplattformen bedeutet nicht, dass sich jede Funktion ohne Aufwand übertragen lässt. Sie bedeutet, dass die Organisation die Inhalte und Daten behält, die sie braucht, um mit einem anderen Anbieter weiterzulernen. Die Akademie muss das führende System bleiben, das Modell austauschbar.

Ein Plan für Portabilität sollte fünf Ebenen abdecken:

1. Strukturierte Inhalte: exportierbare Lektionen, Medien, Metadaten, Lernpfade, Versionen und Eigentumsrechte.
2. Bewertungen: Aufgabenpools, Bewertungslogik, Feedbackregeln, Bearbeitungsversuche und Ergebnisse. Der QTI-Standard wurde genau dafür geschaffen, Fragen, Tests, Nutzungsdaten und Ergebnisse zwischen kompatiblen Anwendungen zu bündeln und zu übertragen.
3. Lernerdaten: Identitäten, Zuweisungen, Abschlüsse, Kompetenznachweise, Zertifikate und Einwilligungsnachweise in dokumentierten Formaten.
4. Wissensquellen: Originaldateien, Quelllinks, Zugriffsrichtlinien, Regeln zur Segmentierung, Quellenangaben und Evaluierungssets – nicht nur ein vom Anbieter verwalteter Vektorindex.
5. Modellabhängigkeiten: Prompt-Vorlagen, Tool-Definitionen, Routing-Regeln, Sicherheitsvorgaben und Testfälle, mit denen sich ein neues Modell bewerten lässt, bevor Lernende damit arbeiten.

Die Beschaffung braucht Ausstiegskriterien

Eine sinnvolle Strategie für ein KI-LMS behandelt Portabilität als Abnahmekriterium, nicht als Versprechen im Verkaufsgespräch. Bitten Sie Anbieter, den Ausstiegsweg mit einem Beispiel-Export und einem Migrationsszenario zu zeigen.

• Können wir alle erstellten Inhalte exportieren – einschließlich Struktur, Metadaten und Versionshistorie?
• Können wir Bewertungsaufgaben, Bewertungslogik, Antworten und Lernergebnisse in einem dokumentierten Format abrufen?
• Wem gehören generierte Inhalte, Prompt-Konfigurationen und Bestandteile der Wissensdatenbank?
• Können wir Lernerdaten auf Mandantenebene exportieren, nicht nur einzeln pro Person?
• Können unsere eigenen Quelldokumente und Zugriffsregeln übertragen werden, ohne die Wissensschicht neu aufzubauen?
• Von welchen Modellkennungen, Vorschaufunktionen und Anbieterdiensten hängt die Lösung ab?
• Was geschieht bei Vertragsende mit Zugriffs-, Aufbewahrungs- und Exportrechten?
• Kann sich ein anderes Tool über Standards wie LTI verbinden, die eine standardisierte Integration zwischen Lernplattformen und externen Tools ermöglichen?

Eine stabile Akademie überdauert den Modellzyklus

Für ein Startup mit 50 oder mehr Mitarbeitenden ist das keine abstrakte Governance-Aufgabe. Jede neue Person braucht einen verlässlichen Weg zu Produktwissen, Arbeitsweisen und den Kompetenzen ihrer Rolle. Ändert sich dieser Weg jedes Mal, wenn ein KI-Anbieter seinen Kurs ändert, kehren Führungskräfte zu improvisiertem Onboarding und nicht dokumentiertem Erfahrungswissen zurück.

App-Learning ist in dieser Architektur als herstellerneutrale Lernplattform konzipiert. Strukturierte Akademien, Unternehmensinhalte mit klaren Regeln und Lernanalysen gehören in eine stabile Lernschicht. KI kann beim Erstellen, Üben, Suchen und Feedbackgeben unterstützen, während die Organisation ihren Lernbetrieb kontrolliert und den Modellanbieter wechseln kann, wenn sich Wirtschaftlichkeit, Richtlinien oder Leistung verändern.

Das stärkste KI-Lernsystem bindet eine Organisation nicht möglichst eng an das heutige Modell. Es baut über die Zeit Wissen, Nachweise aus Bewertungen und die Qualität des Onboardings auf und hält die Modellschicht offen für Veränderungen.