Veraltete Content-Architektur bremst KI-gestützte Kurserstellung

Die Demo läuft, bis der Content ins echte System muss

In der Demo sieht KI-gestützte Kurserstellung überzeugend aus. Ein Prompt erzeugt eine Gliederung. Das Modell schreibt Lektion, Quiz, Checkliste und Leitfaden für Führungskräfte. Schwierig wird es, wenn dieses Ergebnis in die bestehende Lernumgebung muss: Rollen, Branding, Übersetzungen, Academy-Pfade, Freigaben, Reporting und Wiederverwendung. Nimmt die Plattform nur fertige Seiten oder hochgeladene Pakete an, landet das Team wieder bei Copy-and-paste.

Für ein Gründerteam in einem Startup mit mehr als 50 Mitarbeitenden ist das wichtiger als die Modellqualität. Neue Mitarbeitende brauchen ein strukturiertes Onboarding. Führungskräfte brauchen einheitliches Material. Das Unternehmen braucht eine zentrale Wissensbasis, ohne dafür direkt ein eigenes L&D-Team aufzubauen. KI hilft nur, wenn die Infrastruktur für Lerninhalte das aufnehmen, bearbeiten, steuern und ausspielen kann, was KI erzeugt.

Bessere Prompts reparieren keinen starren Stack

Ein besserer Prompt kann Tonalität, Beispiele und Quizqualität verbessern. Er fügt aber keine stabilen Content-IDs, kein Rechtemodell, keine wiederverwendbaren Module, keinen Versionsverlauf und keine saubere API hinzu. Wenn ein Absatz aus einer Richtlinie in zehn kopierten Onboarding-Kursen steckt, kann KI ihn nicht verlässlich über alle Pfade hinweg aktualisieren, ohne dass jemand manuell prüft. Liegt die Kursstruktur in statischen Dateien verborgen, kann das Modell Text erzeugen, aber nicht auf Systemebene arbeiten.

Genau hier liegt das Kernproblem der Architektur für KI-gestützte Kurserstellung. Der Generator ist nur ein Baustein. Das Content-Modell entscheidet, ob Lektionen wiederverwendet werden können. Die API entscheidet, ob Ergebnisse weitergegeben werden können. Rechte entscheiden, wer freigeben darf. Versionierung entscheidet, ob Teams dem Ergebnis nach dem ersten Entwurf vertrauen können.

KI-gestützte Kurserstellung braucht adressierbare Inhalte

Moderne Lerninhalte sollten weniger wie eine Dokumentenablage funktionieren und mehr wie ein strukturiertes Produktsystem. Die Data on the Web Best Practices des W3C behandeln Identifikatoren, Metadaten, Versionierung und stabile APIs als Grundvoraussetzungen für Wiederverwendung. In einem Lernsystem gilt dieselbe Logik für Module, Lektionen, Konzepte, Quizfragen, rollenbezogene Aufgaben, Übersetzungen und Abschlussnachweise.

Interoperabilitätsstandards zeigen in dieselbe Richtung. Common Cartridge von 1EdTech unterstützt den Austausch digitaler Lernressourcen zwischen Lernplattformen und Repositories, während Learning Tools Interoperability Muster definiert, um Lernwerkzeuge mit Plattformen zu verbinden. Ein separater Generator, der nicht innerhalb solcher Schnittstellen veröffentlichen kann, automatisiert nichts. Er ist eine Schreibhilfe mit einem manuellen Auslieferungsproblem.

Mandantenfähigkeit, Rechte und Versionierung machen die Arbeit aus

Schnell wachsende Unternehmen brauchen selten einen Kurs für eine Zielgruppe. Sie brauchen einen gemeinsamen Onboarding-Kern mit Varianten für Rollen, Regionen, Teams, Produkte, Kunden und Erfahrungsstufen. Alte Mandantenmodelle lösen das oft, indem Kurse geklont werden. Am Anfang fühlt sich das schnell an. Danach laufen die Kopien auseinander. Ein Compliance-Update wird zu zehn Änderungen. Eine Produktänderung wird zu einer Tabelle mit allen betroffenen Lektionen.

Eine mandantenfähige Content-Plattform arbeitet anders. Sie trennt gemeinsame Inhalte von lokalen Anpassungen: Sprache, Beispiele, Branding, Reihenfolge, Einschreiberegeln und Rechte. KI kann dann eine kontrollierte Variante erzeugen statt noch einen verwaisten Kurs. Genau hier sorgt die Modernisierung eines alten LMS für weniger Arbeit im Betrieb – nicht nur für eine aufgeräumtere Oberfläche.

Rechte und Versionierung sind die Vertrauensschicht. KI-Vorschläge brauchen Status wie Entwurf, in Prüfung, freigegeben, veröffentlicht und zurückgezogen. Editorinnen und Editoren brauchen andere Rechte als Führungskräfte, Academy-Verantwortliche und Mandanten-Admins. In Europa verstärkt der Rahmen des AI Act den breiteren Trend zu Dokumentation, Transparenz und menschlicher Aufsicht bei relevanten KI-Systemen. Auch wenn internes Onboarding nicht als regulierter KI-Anwendungsfall gilt, hilft das Muster im Betrieb: wissen, was geändert wurde, warum es geändert wurde, wer es freigegeben hat und welche Lernenden welche Version gesehen haben.

Separate Generatoren können mehr operative Arbeit erzeugen

Das günstigste Tool für KI-gestützte Kurserstellung ist oft der teuerste Workflow. Wenn generierte Inhalte in ein LMS kopiert, neu formatiert, Rollen zugeordnet, nach der Prüfung erneut kontrolliert, außerhalb des Systems übersetzt und in einer weiteren Datei nachgehalten werden müssen, wurde zwar Schreibzeit gespart, aber die Produktionsarbeit ist gewachsen. Das Team hat jetzt eine zusätzliche Warteschlange.

Das passiert häufig, wenn KI nur als Feature ergänzt wird, statt als Teil der Content-Ebene gedacht zu sein. Das Ergebnis wirkt fertig, aber der Organisation fehlt weiter ein klar geregelter Weg vom Wissen zum Kurs bis in die Academy. Für Gründerinnen und Gründer heißt das: Die Qualität des Onboardings hängt weiterhin an den einzelnen Führungskräften.

Die Content-Ebene braucht einen klaren Plan

Der richtige Schritt ist nicht immer ein kompletter Neubau. Startet mit dem aktuellen Zustand der Inhalte und wählt dann die kleinste Architektur, die den Engpass löst.

• Wenn das LMS brauchbare APIs und Rollen bietet, integriert ein KI-gestütztes Content-Studio in den bestehenden Workflow.
• Wenn die Ausspielung funktioniert, der Content aber feststeckt, ergänzt eine strukturierte Content-Ebene oder ein Headless CMS für LMS-Anwendungsfälle.
• Wenn jede Zielgruppe eine Kopie braucht, überarbeitet das Mandantenmodell, bevor ihr noch mehr Varianten erzeugt.
• Wenn Freigaben informell laufen, baut erst Rechte und Versionierung auf, bevor ihr die KI-Erstellung hochfahrt.

Für die meisten Scaleups ist das sinnvolle Ziel simpel: ein strukturiertes Content-Modell, ein Erstellungsprozess, eine API-Grenze und eine Academy-Oberfläche, auf der Mitarbeitende tatsächlich lernen können. Das reicht, um Onboarding professioneller zu machen, ohne eine interne Trainingsabteilung aufzubauen.

Die Academy ist die operative Oberfläche

Bei App-Learning betrachten wir KI-gestützte Kurserstellung und Academy-Ausspielung als ein System. Es geht nicht nur um gute Prompts. Es geht darum, Content zu strukturieren, Rechte zu definieren, Erstellung und Ausspielung zu verbinden, mandantenfähige Academy-Umgebungen abzubilden und das Setup schlank genug für wachsende Teams zu halten.

KI wird erste Entwürfe weiter günstiger machen. Dadurch verschwindet Architektur nicht. Sie wird wichtiger. Profitieren werden nicht die Unternehmen mit den längsten Prompts, sondern die, deren Content sich bearbeiten, wiederverwenden, steuern und veröffentlichen lässt, ohne bei jeder Wissensänderung den Workflow neu zu bauen.