Das Wichtigste
- Sichtbare kognitive Kosten lassen sich leichter messen als neue Fähigkeiten, die erst durch KI entstehen.
- Passive Antwortausgabe und aktive Lernbegleitung sind zwei unterschiedliche Lernprodukte.
- Prüfungen ohne KI-Hilfe sind nötig, um Abhängigkeit und Kompetenzverlust zu erkennen.
- Neue Metriken sollten Fragequalität, Exploration, Urteilsvermögen und Transfer abbilden.
- KI-Piloten brauchen vor dem Skalieren einen Weg zurück ohne KI.
Auf der Verlustseite ist die Evidenz klarer
Die meisten Debatten über KI im Lernen setzen falsch an. Sie fragen, ob KI heute Tempo, Abschlussquoten oder Zufriedenheit der Lernenden verbessert – oder ob sie vorhandene Fähigkeiten schwächt. Das sind sinnvolle Fragen. Sie messen aber vor allem das, was heutige Assessments ohnehin schon sichtbar machen. Carlo Cordascos Argument der Wiederherstellbarkeit beschreibt diese Asymmetrie: Die Kosten einer neuen Technologie lassen sich oft mit alten Messmethoden erkennen. Die stärksten langfristigen Vorteile hängen dagegen womöglich von Praktiken ab, die es heute noch gar nicht gibt.
Für L&D-Teams in Finanz- und Kryptounternehmen ist das wichtig. Compliance-Lernen braucht weiterhin Abrufwissen, Urteilsvermögen, saubere Eskalation und eigenständiges Denken. Gleichzeitig kann KI neue Arbeitsgewohnheiten fördern: bessere Fragen, schnellere Szenarioarbeit, eine stärkere Kritik an schwachen Erklärungen und besseren Transfer zwischen Policy, Produkt und Kundensituation. Wenn das Messsystem nur alte Fähigkeiten prüft, sieht die Organisation zuerst kognitives Auslagern im Lernen – und erst später neue Kompetenz.
Kognitives Auslagern ist real. Das Design entscheidet über den Schaden
Das Risiko ist nicht theoretisch. Das PNAS-Feldexperiment verglich eine Standardoberfläche für GPT-4-Tutoring mit einem abgesicherten Tutor, der mit Hinweisen und von Lehrkräften gesetzten Leitplanken arbeitete. Der Tutor ohne Einschränkungen verbesserte die begleitete Übungsphase, schadete aber später der Prüfungsleistung ohne Hilfe. Die abgesicherte Variante vermied dieses Defizit. Das ist die zentrale Lektion für die Bewertung von KI-Tutoren: Antwortausgabe und abgesichertes KI-Tutoring sind keine Varianten desselben Produkts. Es sind unterschiedliche didaktische Systeme.
Daten aus dem Arbeitskontext zeigen in dieselbe Richtung. Eine Scientific-Reports-Studie zeigte, dass passive KI-Nutzung, etwa das Kopieren generierter Inhalte, Selbstwirksamkeit, Ownership und Sinn verringerte. Aktive Zusammenarbeit dagegen, zum Beispiel erst selbst entwerfen und dann mit KI schärfen, erhielt diese Effekte. Die praktische Konsequenz ist einfach: Nicht den Zugang allein bewerten, sondern das Interaktionsmuster.
Neue Kompetenzen werden noch schlecht gemessen
Klassische Learning Analytics zählen Aktivitäten ziemlich gut. Schwächer sind sie, wenn sie erkennen sollen, ob jemand ein Problem sauber formuliert, einen Output hinterfragt, eine Halluzination erkennt oder entscheidet, wann KI nicht eingesetzt werden sollte. Für regulierte Teams sind das keine Soft Skills, sondern Fähigkeiten, auf denen Kontrollen beruhen. Deshalb sollte eine KI-Lernstrategie Kennzahlen ergänzen, die zwischen Abschlussdaten und finaler Prüfung liegen.
- Qualität der Fragen über mehrere Versuche hinweg
- Nutzung von Belegen und Quellenchecks
- Fähigkeit zu erklären, warum eine KI-Antwort schwach ist
- Transfer von Trainingsfällen auf neue Geschäftsszenarien
- Kalibrierung der Sicherheit vor und nach KI-Hilfe
- Spätere Behaltensleistung ohne KI-Zugang
Reversibilität gehört ins Governance-Modell
KI-Governance im Lernen sollte nicht auf Policy-Texte verkürzt werden. In Europa behandeln die AI-Act-Leitlinien der Europäischen Kommission bestimmte Einsätze in Bildung und beruflicher Bildung als Hochrisiko-Anwendungen, wenn sie Zugang oder berufliche Laufbahn prägen. Erwartet werden Risikominderung, Logging, Dokumentation, menschliche Aufsicht, Robustheit und Monitoring. Selbst wenn ein Lerneinsatz im Unternehmen formal nicht als Hochrisiko gilt, bleibt die Governance-Logik sinnvoll.
Derselbe Arbeitsrhythmus findet sich in NISTs AI Risk Management Framework Core, das KI-Risikomanagement über govern, map, measure und manage strukturiert. Reversibles Experimentieren mit KI macht aus diesem Rhythmus ein Prinzip für Lernprodukte. Haltet den alten Weg offen, während ihr den neuen testet. Lasst genug menschliche Fähigkeiten, Assessment-Design und didaktisches Wissen im System, damit die Organisation den Kurs ändern kann, ohne bei null wieder aufzubauen.
Good to know
Sollte KI in Compliance-Trainings verboten werden?
Nicht grundsätzlich. Compliance-Training muss unabhängiges Urteilsvermögen schützen. Das gelingt mit begrenzten Piloten, Prüfungen ohne KI-Hilfe und Rollback-Kriterien besser als mit einem pauschalen Verbot.
Welche Lernmomente sollten ohne KI-Hilfe bleiben?
Alles, was Kernfähigkeiten nachweisen soll, sollte ohne KI-Hilfe stattfinden. Dazu gehören finale Wissenschecks, Szenario-Urteile, Eskalationsentscheidungen und Aufgaben, bei denen Mitarbeitende zeigen müssen, dass sie ohne KI-Unterstützung handeln können.
Was bedeutet Rollback in einem KI-Lernpiloten?
Rollback heißt: Die Organisation kann Lernende auf einen Weg ohne KI zurückführen, Trainerwissen erhalten, die Integrität von Prüfungen sichern und das KI-Modul stoppen oder überarbeiten, wenn Abhängigkeit oder Kompetenzverlust sichtbar werden.
Wie sollten L&D-Teams Wege mit und ohne KI vergleichen?
Nutzt vergleichbare Kohorten, gemeinsame Lernziele, identische Prüfungen ohne KI-Hilfe, spätere Retention-Checks und eine qualitative Auswertung, wie Lernende die KI-Unterstützung genutzt haben.
Ein Pilot, den man zurückdrehen kann
Ein verantwortungsvoller KI-Lernpilot sollte weniger wie ein Launch wirken und mehr wie ein kontrollierter Systemtest. Das Ziel ist nicht, zu beweisen, dass KI gut ist. Das Ziel ist zu lernen, wo sie hilft, wo sie Abhängigkeit verdeckt und wo ein Rollback noch möglich ist.
- Definiert eine begrenzte Kohorte mit klarer Rolle, Risikoniveau und Lernbedarf.
- Haltet einen Kontrollpfad offen, der das bisherige Lerndesign ohne KI nutzt.
- Trennt KI-Unterstützung mit Leitplanken von freier Antwortgenerierung.
- Führt Prüfungen ohne KI-Hilfe durch, die Abrufwissen, Urteilsvermögen und Transfer testen.
- Plant einen späteren Retention-Test, wenn das Trainingsfenster vorbei ist.
- Legt Rollback-Kriterien vor dem Start fest, inklusive Schwellenwerten für Kompetenzverlust und Eskalationsregeln.
Baue einen KI-Lernpiloten, den du messen und zurückdrehen kannst.
Pilot startenApp-Learning als Steuerungsebene
Hier kommt App-Learning ins Spiel. Nicht als pauschale KI-Schicht, sondern als kontrollierte Experimentierebene für modernes L&D. Teams können KI-unterstützte Module mit begrenzten Kohorten pilotieren, Lernpfade mit Leitplanken und ohne KI vergleichen, unabhängige Prüfungen beibehalten, Engagement- und Ergebnisdaten beobachten und klassische Lernwege erhalten, während Evidenz entsteht.
Für Finanz- und Kryptounternehmen ist das der sicherere Modernisierungspfad. Er respektiert Compliance, ohne das Lernsystem einzufrieren. Mitarbeitende bekommen bessere Lernerfahrungen, ohne dass Produktivitätsgewinne mit Kompetenzgewinnen verwechselt werden. Und Führungsteams können KI praktisch testen, ohne die gesamte Trainingsarchitektur auf einen Effekt zu setzen, den sie noch nicht messen können.
KI-Lernprodukte sollten nicht nur daran gemessen werden, welche Fähigkeiten sie schwächen oder wie viel Zeit sie heute sparen. Der eigentliche Maßstab ist, ob die Organisation aus dem Experiment lernen kann, ohne die menschlichen Fähigkeiten zu verlieren, die sie weiterhin braucht. Reversibilität ist keine Vorsicht, die als Verzögerung verkleidet ist. Sie ist die Voraussetzung dafür, dass ernsthaftes Experimentieren möglich wird.
