Warum L&D-Teams zuerst ihre eigene KI-Readiness klären müssen

Die Readiness-Lücke liegt bei L&D selbst

Der unbequeme Teil bei KI-Training im Unternehmen: Der Bereich, der es führen soll, ist womöglich selbst noch nicht so weit. Die Berichterstattung zur LPI-Forschung vom 20. Mai 2026 beschreibt zwei zusammenhängende Studien: eine mit 692 Verantwortlichen aus Learning, Talent und People, die andere auf Basis von Self-Assessment-Daten von 3,575 L&D-Fachkräften aus 1,874 Organisationen. Das Muster ist klar. Die KI-Kompetenzlücke in L&D besteht nicht nur beim Prompting. Sie betrifft Governance, Daten-Readiness, Workflow-Integration, Analytics und strategische Wirkung.

Für Learning-Verantwortliche in Finance oder Krypto hat diese Lücke direkte Folgen. Wenn L&D keinen sicheren KI-Einsatz definieren, rollenspezifische Skills testen oder erklären kann, wie belastbare Nachweise aussehen, wird unternehmensweites KI-Training zur nächsten Abschlussübung. Menschen beenden ein Modul. Das Dashboard wird grün. Das Risiko bleibt im Workflow.

Tool-Zugang schafft falsche Sicherheit

Viele Organisationen starten KI-Enablement, indem sie Teams ein Tool geben und Guidelines ankündigen. Das ist keine KI-Readiness für L&D. In regulierten Umfeldern heißt Readiness: Menschen wissen, wann KI sinnvoll ist, wann sie unsicher ist, welche Daten nie in ein System gehören, wer neue Use Cases freigibt und wie Ergebnisse geprüft werden. Die Orientierungshilfe der Europäischen Kommission zu KI-Kompetenz sagt, dass Artikel 4 des EU AI Act seit dem 2. Februar 2025 gilt und Anbieter sowie Betreiber verpflichtet, Maßnahmen für ausreichende KI-Kompetenz zu ergreifen. Rolle, Erfahrung, Kontext und Risiko müssen dabei berücksichtigt werden.

Auch außerhalb der EU funktioniert es ähnlich. Das NIST AI Risk Management Framework Core ordnet KI-Risikomanagement entlang von Govern, Map, Measure und Manage. Für L&D ist das ein guter Test. Wenn ein Learning-Team den eigenen KI-Einsatz nicht steuern, Learning-Workflows nicht abbilden, Ergebnisqualität nicht messen und Fehlgebrauch nicht managen kann, sollte es KI-Governance-Training nicht fürs ganze Unternehmen skalieren.

Vier Fähigkeiten vor dem Skalieren

Ein brauchbares Readiness-Modell beginnt mit vier Fähigkeiten. L&D sollte sie bei sich selbst prüfen, bevor der Bereich Product, Compliance, Operations oder Customer-Teams trainiert.

• KI-Kompetenz für L&D-Teams heißt: Modellgrenzen, Halluzinationen, Bias, Datenschutzrisiken und menschliche Kontrolle verstehen.
• KI-Governance-Training heißt: Freigabewege, Policy-Grenzen, Audit-Anforderungen und Eskalationsregeln kennen.
• Datenkompetenz heißt: Learning Analytics lesen, schwache Nachweise erkennen und Trainingsdaten mit Kompetenzsignalen verbinden.
• Workflow-Integration heißt: echte Aufgaben in der Lernproduktion neu gestalten, statt KI als Neben-Tool anzuhängen.

Diese Fähigkeiten verändern, wie L&D arbeitet. Course Designer brauchen Source-Control-Gewohnheiten für KI-generierte Inhalte. Verantwortliche für Compliance-Learning brauchen Review-Checkpoints. Learning Analysts brauchen sauberere Taxonomien und bessere Messgrößen als Kursabschlüsse. HR Business Partner brauchen genug KI-Kompetenz, um schwache Anbieteraussagen zu hinterfragen. Das Modell sollte diese Erwartungen sichtbar machen.

Belege entstehen in der Rollenarbeit

Allgemeine Awareness-Module sind schnell verteilt, aber als Nachweis schwach. Sie zeigen, wer zugeschaut, geklickt oder ein Quiz bestanden hat. Sie zeigen nicht, ob ein Learning Designer eine Policy in einen sicheren Prompt-Workflow übersetzen kann, ob ein Onboarding-Verantwortlicher KI-generierte Szenarien prüfen kann oder ob ein L&D-Analyst erklären kann, warum ein Dashboard in die Irre führt.

Ein gutes Readiness-Assessment arbeitet mit rollenbasierten Aufgaben: Ein Instructional Designer verbessert ein Compliance-Szenario mit KI und dokumentiert den Review-Pfad. Ein Learning Operations Manager ordnet KI-Use-Cases nach Risiko ein. Ein People-Analytics-Partner interpretiert verrauschte Learning-Daten und sagt klar, was sich daraus nicht ableiten lässt. So entstehen Nachweise, die Führungskräfte prüfen können.

Kurze Loops wirken besser als Policy-Sessions

Einmalige Sessions zu KI-Policies schaffen Awareness. Verlässliche Arbeitsroutinen entstehen dadurch selten. Regulierte Learning-Teams brauchen kurze Loops aus Übung, Feedback, Korrektur und Messung. Ein guter Loop läuft in zehn bis fünfzehn Minuten und liefert trotzdem Nachweise.

• Ein Szenario, das an einen echten L&D-Workflow anknüpft.
• Ein Entscheidungspunkt mit Governance-Auswirkung.
• Ein Ergebnis, das ein Peer oder Manager prüfen kann.
• Ein messbares Signal, das Fortschritt oder Risiko zeigt.

Genau hier passt App-Learning am besten. Startet mit einem kleinen internen Pilotprojekt, nicht mit einer Plattform-Transformation. Definiert vier L&D-Rollen. Baut Microlearning entlang der echten KI-Entscheidungen dieser Rollen. Ergänzt Checks, die Urteilsvermögen testen, nicht Erinnern. Nutzt Analytics, um zu zeigen, wo Sicherheit wächst, wo Governance schwach ist und wo Workflow-Design noch nicht funktioniert.

Pilot vor Plattformversprechen

Ein guter Pilot ist eng genug, um schnell live zu gehen, und ernst genug, um relevant zu sein. In einem Finanz- oder Krypto-Unternehmen kann das KI-Readiness für Compliance-Content-Owner, Onboarding-Designer, HR Operations und Learning Analytics heißen. Jede Rolle bekommt andere Aufgaben, andere Risiken und andere Nachweise. Das Ergebnis ist kein Zertifikat. Es ist ein Readiness-Blick, mit dem Führungskräfte arbeiten können, bevor sie KI-Enablement im ganzen Unternehmen skalieren.

Das echte Risiko ist nicht, dass L&D bei KI zu langsam ist. Das echte Risiko ist, dass L&D laut losläuft, aber keine Nachweise hat. Regulierte Organisationen brauchen nicht noch mehr KI-Begeisterung. Sie brauchen Learning-Teams, die Kompetenz belegen, das Unternehmen schützen und Vertrauen über disziplinierte Loops aufbauen. KI-Readiness muss bei den Menschen starten, die sie später vermitteln sollen.