KI in Lernen und Entwicklung: Personalisierte Lernpfade und Inhalte

Von Kevin Kim · Aktualisiert am 11. Oktober 2026

KI in Lernen und Entwicklung (L&D) bedeutet, maschinelles Lernen und Sprachmodelle einzusetzen, um zu erkennen, wo Beschäftigten Kompetenzen fehlen, zu empfehlen, was jede Person als Nächstes lernen sollte, Schulungsmaterial schneller zu erstellen und Menschen zwischen formalen Kursen zu coachen. Ziel ist es, ein Einheitscurriculum durch Lernen zu ersetzen, das zur Person und zur Stelle passt, während die L&D-Fachleute die Kontrolle darüber behalten, was gelehrt wird und was als „gut“ gilt.

Dieser Leitfaden richtet sich an L&D-Verantwortliche, HR-Manager und Bereichsleitungen, die entscheiden, wo KI in ihre Schulungen gehört. Er behandelt die vier Aufgaben, die KI in L&D übernimmt, was die Forschung dazu sagt, ob sie funktioniert, einen Rollout Schritt für Schritt und die Fehler, an denen die meisten Projekte scheitern. Er gehört zum Bereich KI im Personalwesen, bleibt daher bei der Lernfunktion und verweist für den übrigen Mitarbeiterlebenszyklus auf andere Beiträge.

Wichtige Fakten

• Im Workplace Learning Report 2025 von LinkedIn sagen 71 % der L&D-Fachleute, sie prüfen, erproben oder integrieren KI in ihre Arbeit (LinkedIn Learning).
• Im selben Bericht stimmen 49 % der L&D- und Talentfachleute zu, dass ihre Führungsebene besorgt ist, Beschäftigten fehlten die Kompetenzen, um die Unternehmensstrategie umzusetzen (LinkedIn Learning).
• Eine Metaanalyse von 50 kontrollierten Evaluationen intelligenter computergestützter Tutoren fand einen Median-Zuwachs von 0,66 Standardabweichungen bei Testergebnissen, genug, um einen typischen Lernenden vom 50. auf das 75. Perzentil zu heben (Kulik und Fletcher, 2016). Das waren Schüler und Studierende, keine Beschäftigten.
• In einem Feldexperiment mit knapp 1.000 Mathematikschülern in der Türkei steigerte ein uneingeschränkter Chatbot die Übungsergebnisse um 48 %, ließ die Schüler aber in der Prüfung ohne KI um 17 % schlechter abschneiden, während ein Tutor-Bot mit Leitplanken die Prüfungsergebnisse etwa auf dem Niveau der Kontrollgruppe beließ (Wharton).
• Bei 5.179 Kundensupport-Agents, die einen generativen KI-Assistenten erhielten, stieg die Produktivität im Durchschnitt um 14 % und bei Neulingen und gering qualifizierten Beschäftigten um 34 %, mit minimaler Wirkung auf erfahrene Beschäftigte (NBER).
• Der EU AI Act führt Emotionserkennung am Arbeitsplatz und in Bildungseinrichtungen als verbotene Praxis auf, ein Verbot, das im Februar 2025 in Kraft trat (European Commission).

Die vier Aufgaben der KI in L&D

Traditionelles L&D läuft über einen Katalog und einen Kalender: eine Liste von Kursen und einen Terminplan, wann Menschen sie besuchen. KI verändert die Arbeitseinheit vom „Kurs“ zur „Person“. In den Begriffen des ACE Framework nimmt die meiste KI in L&D Lernendendaten, Stellendaten und Inhalte auf, analysiert sie, um Lücken zu finden, sagt voraus, was eine Person als Nächstes lernen sollte, erzeugt Material und Feedback und führt kleine Aktionen aus, etwa jemanden anzumelden oder eine Erinnerung zu senden.

Lesen Sie die letzte Spalte als das eigentliche Design. Jede der Aufgaben oben hat eine Person, die das Ergebnis verantwortet. Können Sie diese Person für einen Einsatz nicht benennen, sind Sie nicht bereit, ihn einzuführen.

Aufgabe 1: Analyse von Kompetenzlücken

Eine Kompetenzlücke ist der Abstand zwischen dem, was eine Rolle braucht, und dem, was die Menschen darin können. Sie zu messen bedeutete früher Umfragen, Bewertungen durch Führungskräfte und eine jährliche Bedarfsanalyse für Schulungen. KI verkürzt das, indem sie Belege liest, die bereits existieren: Stellenbeschreibungen, Leistungsnotizen, Projekthistorien, Zertifikate und abgeschlossene Kurse.

Der praktische Ablauf sieht so aus:

1. Definieren Sie das Ziel. Listen Sie die Kompetenzen auf, die jede Rolle auf welchem Niveau verlangt. Haben Sie kein Kompetenzmodell, beginnen Sie mit Ihren zehn wichtigsten Rollen, nicht mit dem ganzen Unternehmen. Die Grundlagen behandelt die kompetenzbasierte Talentstrategie.
2. Sammeln Sie die Belege. Ziehen Sie HR-Datensätze, den Verlauf der Lernplattform und, wo angemessen, Selbsteinschätzungen und Beiträge der Führungskraft heran.
3. Lassen Sie das Modell ableiten und vergleichen. Es schätzt ein Kompetenzprofil pro Person und misst die Lücke zur Zielrolle.
4. Aggregieren Sie auf Team- und Unternehmensebene. Das nützliche Ergebnis ist selten die Lücke einer einzelnen Person. Es ist das Muster: „Acht von zwölf Account Managern haben keine Verhandlungspraxis.“
5. Validieren Sie mit Menschen. Führungskräfte bestätigen oder korrigieren die Befunde, bevor jemand danach handelt.

Der Druck, das gut zu machen, ist real. In dem Bericht von LinkedIn sagt die Hälfte der L&D- und Talentfachleute, die Führungsebene sorge sich, ob Beschäftigte die richtigen Kompetenzen haben (LinkedIn Learning). Skill-Inferenz ist ein guter Einsatz für KI, weil das Ergebnis eine Hypothese zum Prüfen ist und kein Urteil über eine Person. Riskant wird sie, sobald ein abgeleiteter Kompetenzwert in eine Beförderungs- oder Entlassungsentscheidung einfließt. Halten Sie sie in der Entwicklungsspur. Saubere Eingaben zählen ebenfalls, und HR-Datengrundlagen für KI erklärt, was Sie zuerst beheben sollten.

Aufgabe 2: Personalisierte Lernpfade

Ein personalisierter Pfad ist eine Folge von Lernaktivitäten, abgestimmt auf Rolle, aktuelles Kompetenzniveau, Ziele und Tempo einer Person. Der KI-Anteil ist das Zuordnen und Neuzuordnen: Wer das Vorab-Assessment besteht, überspringt die Grundlagen, und wer sich schwertut, erhält eine andere Erklärung.

Was die Evidenz sagt, ist für das Design ermutigend, aber enger als die Versprechen der Anbieter. Die stärkste Forschungsgrundlage gibt es zu intelligenten Tutorsystemen, Software, die den Unterricht Schritt für Schritt anpasst. Kulik und Fletcher werteten 50 kontrollierte Evaluationen aus und fanden einen Median-Zuwachs von 0,66 Standardabweichungen, wobei die Größe des Zuwachses stark davon abhing, ob die Ergebnisse mit lokal entwickelten oder standardisierten Tests gemessen wurden (Kulik und Fletcher, 2016). Das ist ein starkes Ergebnis, und es beschreibt Lernende in strukturierten Kursen. Es beweist nicht, dass eine Empfehlungsmaschine, die Erwachsenen Kurse im Stil von LinkedIn vorschlägt, die Arbeitsleistung verbessert. Sehen Sie darin Unterstützung für adaptives Üben mit Feedback, nicht für „KI wählt Ihre Kurse“.

Ein Pfad, der sich lohnt, hat diese Bestandteile:

• Ein klares Ziel (eine Rolle, eine Kompetenz, ein Projekt), nicht ein offenes „KI lernen“.
• Eine Eingangsprüfung, damit Menschen nicht wiederholen, was sie wissen.
• Kurze Aktivitäten, gemischt mit Übung an echter Arbeit.
• Einen Berührungspunkt mit der Führungskraft. In den Daten von LinkedIn sagen nur 15 % der Beschäftigten, ihre Führungskraft habe ihnen in den letzten sechs Monaten bei einem Karriereplan geholfen (LinkedIn Learning). KI kann das Gespräch vorbereiten, aber nicht ersetzen.
• Eine sichtbare Verbindung von Lernen zu Chancen. Pfade wirken sinnlos, wenn ihr Abschluss nichts ändert. Sie mit internen Wechseln zu verbinden ist der Gedanke hinter dem KI-gestützten internen Talentmarktplatz.

Wenn Sie die Bauseite sehen möchten, zeigt die Blaupause des KI-Agenten für Lernen und Entwicklung, wie ein Agent Pfade empfiehlt, Lernende anmeldet und Menschen anstößt, die ins Stocken geraten.

Aufgabe 3: Erstellung von Inhalten

Bei Inhalten beginnen die meisten L&D-Teams, weil der Nutzen leicht zu sehen ist: ein erster Entwurf in Minuten statt in Tagen. Ein Modell kann ein Richtliniendokument in eine Lektionsgliederung verwandeln, Quizfragen schreiben, Rollenspielszenarien erstellen, einen aufgezeichneten Workshop zusammenfassen und Material für eine andere Region übersetzen.

Gut eingesetzt gibt das Fachexperten und Instructional Designern die Freiheit, zu prüfen und zu verbessern, statt vor leeren Seiten zu beginnen. Schlecht eingesetzt entsteht eine Bibliothek selbstsicheren, generischen Materials, das niemand geprüft hat. Drei Regeln helfen:

• Verankern Sie es in Ihren Quellen. Geben Sie dem Modell Ihre tatsächlichen Prozessdokumente und bitten Sie es, nur daraus zu arbeiten. Generische Ausgaben sind der Weg, auf dem falsche Verfahren in Schulungen gelangen.
• Halten Sie einen Experten im Prozess. Jedes Modul zu Compliance, Sicherheit oder Technik braucht eine namentlich benannte prüfende Person, die vor der Freigabe abzeichnet.
• Testen Sie mit Lernenden. Ein Modul kann sich gut lesen und trotzdem nichts vermitteln. Prüfen Sie, dass Menschen die Aufgabe danach ausführen können.

Die breiteren Kompetenzen für HR-Teams im Umgang mit diesen Tools stehen unter generative KI für HR-Teams.

Die Studie von Brynjolfsson, Li und Raymond ist hier eine nützliche Referenz, mit einem Vorbehalt dazu, was sie gemessen hat. Sie untersuchten 5.179 Kundensupport-Agents, die einen generativen KI-Assistenten erhielten, und fanden, dass die Produktivität im Durchschnitt um 14 % und bei Neulingen und gering qualifizierten Beschäftigten um 34 % stieg, mit minimaler Wirkung auf erfahrene Beschäftigte (NBER). Das war Unterstützung bei der Arbeit, kein Schulungsprogramm. Aber es weist auf eine Designidee hin: KI, die Menschen während der Arbeit unterstützt, hilft möglicherweise neueren Beschäftigten am meisten, was ein gutes Argument dafür ist, Anleitung in den Arbeitsablauf zu legen statt nur in einen Kurs.

Aufgabe 4: Coaching und Übung

Coaching ist der neueste und am wenigsten gefestigte Einsatz. Er umfasst Chat-Assistenten, die „Wie gehe ich damit um?“ im Moment des Bedarfs beantworten, Simulationen, in denen Lernende ein schwieriges Gespräch üben, und Feedback zu schriftlichen Arbeiten.

Die wichtigste Evidenz hier ist eine Warnung. In einem Feldexperiment mit knapp 1.000 Mathematikschülern in der Türkei schnitten Schüler mit einem uneingeschränkten Chatbot bei Übungsaufgaben 48 % besser ab als die Kontrollgruppe, in einer Prüfung ohne KI aber 17 % schlechter. Eine Tutor-Variante, die Hinweise statt Antworten gab, schnitt beim Üben 127 % besser und in der Prüfung etwa gleich wie die Kontrollgruppe ab (Wharton). Die Schüler waren Jugendliche, die Mathematik lernten, keine Beschäftigten, die eine Tätigkeit lernen, übertragen Sie die Zahlen also nicht. Die Lehre lässt sich übertragen: Übernimmt die KI das Denken, steigt die Leistung während der Übung, während das Lernen womöglich ausbleibt.

Für Coaching am Arbeitsplatz legt das einige Designentscheidungen nahe:

• Lassen Sie die KI Fragen stellen und Hinweise geben, bevor sie Antworten gibt.
• Nutzen Sie Übungssimulationen für Fähigkeiten, die Menschen später allein ausüben, etwa Feedbackgespräche und Kundengespräche.
• Prüfen Sie zeitweise ohne die KI, damit Sie wissen, was Menschen allein können.
• Lassen Sie sensible Themen (Leistungsprobleme, Konflikte, Gesundheit) bei einem Menschen.

Seien Sie vorsichtig bei Tools, die behaupten, bei Übung oder Bewertung Emotionen aus Stimme oder Video abzulesen. Der EU AI Act verbietet Emotionserkennung am Arbeitsplatz und in Bildungseinrichtungen (European Commission), und die Wissenschaft hinter solchen Behauptungen ist umstritten.

Praxisbeispiele nach Funktion

L&D-Team. Ein Lernverantwortlicher speist Stellenbeschreibungen und Kurshistorie in ein Kompetenz-Tool ein, stellt fest, dass ein Drittel des Support-Teams nie Deeskalation geübt hat, und beauftragt ein kurzes szenariobasiertes Modul. Die KI fand das Muster, der Verantwortliche entschied, was zu tun ist.

Sales Enablement. Eine Führungskraft nutzt einen Rollenspiel-Bot, damit neue Vertriebsmitarbeitende Erstgespräche üben können, bevor sie mit einem Interessenten sprechen, und sieht dann wöchentlich drei Aufzeichnungen für Coachinggespräche durch. Das Übungsvolumen steigt, und die Zeit der Führungskraft geht in die Gespräche, die zählen.

Compliance- und Sicherheitsschulungen. Instructional Designer entwerfen aktualisierte Module aus neuen Richtlinien, und eine Compliance-Verantwortliche prüft jede Zeile. Das Entwerfen geht schnell, die Freigabe langsam, mit Absicht.

Operativer Betrieb. Eine Schichtleiterin erhält nach einer Prozessänderung eine kurze, rollenspezifische Auffrischung empfohlen, statt eines unternehmensweiten Kurses, den niemand abschließt.

Einzelne Fachkräfte. Eine Analystin bittet einen Assistenten, ein statistisches Verfahren anhand der Berichte des eigenen Unternehmens als Beispiele zu erklären, und prüft sich dann mit erzeugten Fragen. Sie verantwortet ihr Lernen, das Tool verkürzt den Weg.

So führen Sie KI in L&D ein, Schritt für Schritt

1. Wählen Sie ein Geschäftsproblem. „Die Zeit bis zur Produktivität neuer Support-Mitarbeitender senken“ schlägt „KI im Lernen einführen“. Ein enges Ziel macht Erfolg messbar.
2. Prüfen Sie Ihre Lerninhalte und Daten. Wissen Sie, welche Kurse es gibt, wer sie verantwortet, ob sie aktuell sind und was die Lernplattform erfasst. KI kann nichts empfehlen, was fehlt oder falsch beschriftet ist.
3. Definieren Sie Kompetenzen für die Zielrollen. Schon eine kurze, abgestimmte Liste von Kompetenzen und Niveaus gibt dem System etwas, womit es abgleichen kann. Eine formale Bedarfsanalyse für Schulungen ist ein strukturierter Weg, die Lücke zuerst zu finden.
4. Beginnen Sie mit dem Entwerfen von Inhalten oder Skill-Inferenz. Diese bergen das geringste Risiko für Einzelne und zeigen schnell Wert.
5. Benennen Sie für jeden KI-Einsatz eine verantwortliche Person. Halten Sie fest, wer die Ausgabe prüft, was überschrieben werden darf und wie oft.
6. Legen Sie Datenschutzregeln vor dem Start fest. Entscheiden Sie, welche Beschäftigtendaten das System sieht, wer die Ergebnisse sieht und ob individuelle Kompetenzdaten für Führungskräfte sichtbar sind. Sagen Sie es den Beschäftigten offen.
7. Starten Sie ein Pilotprojekt mit einer Gruppe über ein Quartal. Messen Sie, wo möglich, gegen eine Vergleichsgruppe, nicht nur anhand von Zufriedenheitswerten.
8. Fügen Sie danach Pfade und Coaching hinzu. Sind Inhalte und Kompetenzdaten verlässlich, hat die Personalisierung etwas Solides, worauf sie stehen kann.
9. Verbinden Sie Lernen mit Ergebnissen. Verknüpfen Sie Abschlussdaten über People Analytics mit Kennzahlen zu Leistung und Mobilität und achten Sie darauf, dass Korrelation nicht mit Ursache verwechselt wird.
10. Prüfen und aussortieren. Entfernen Sie Kurse, die niemand abschließt oder die nicht mehr zur Arbeit passen. Eine Empfehlungsmaschine verstärkt jeden Katalog, den Sie ihr geben.

Zur größeren Frage, wie sich Kompetenzen in einer ganzen Belegschaft neu aufbauen lassen, geht Reskilling-Programme, die wirklich funktionieren tiefer.

Was Sie messen sollten

Zufriedenheitswerte sind das schwächste Signal in L&D, und KI ändert daran nichts. Kombinieren Sie sie mit Maßen, die an die Arbeit gebunden sind.

• Adoption: der Anteil der berechtigten Beschäftigten, die zugewiesene Pfade beginnen und beenden.
• Zeit bis zur Beherrschung: wie lange neue oder versetzte Beschäftigte brauchen, um den Standard zu erreichen.
• Kompetenzentwicklung: Veränderung der bewerteten Kompetenzniveaus, geprüft ohne KI-Unterstützung.
• Geschäftsergebnisse: die Kennzahl, die die Schulung bewegen sollte, etwa Lösungsqualität oder Fehlerquoten.
• Konsequenz der Führungskraft: ob Entwicklungsgespräche tatsächlich stattfinden.
• Fairness: ob Empfehlungen und Zugang sich über Gruppen aus Gründen unterscheiden, die nichts mit der Arbeit zu tun haben.

Häufige Fallstricke

• Abschluss mit Lernen verwechseln. KI kann Abschlüsse durch Erinnerungen erhöhen. Das sagt nichts darüber, ob jemand die Aufgabe ausführen kann.
• Das Tool das Denken übernehmen lassen. Das Mathematikexperiment oben ist die Mahnung: Unterstützung kann die Leistung im Moment heben, während das Lernen stockt.
• Abgeleitete Kompetenzwerte für folgenschwere Entscheidungen nutzen. Die Schätzung eines Modells zur Kompetenz einer Person ist ein Anstoß zur Entwicklung. Beförderungs- und Gehaltsentscheidungen brauchen Belege und menschliches Urteil und können rechtliche Pflichten auslösen.
• Das Kompetenzmodell auslassen. Ohne klare Definitionen bedeutet „personalisiert“ so viel wie „nach Beliebtheit empfohlen“.
• Ungeprüfte Inhalte veröffentlichen. Erzeugte Schulungen können selbstsichere Fehler enthalten. Bei Sicherheit und Compliance hat ein falscher Schritt Folgen.
• Verzerrung ignorieren. Empfehlungssysteme können bestimmte Gruppen zu weniger sichtbaren Chancen lenken, wenn die zugrunde liegenden Daten frühere Muster widerspiegeln. Testen Sie die Ergebnisse nach Gruppen.

Wo das im größeren Zusammenhang steht

L&D berührt den gesamten Mitarbeiterlebenszyklus, vom Onboarding bis zur Nachfolge. Wenn Sie abbilden, wo KI im HR hingehört, zeigt KI im gesamten Mitarbeiterlebenszyklus, wo das Lernen neben Einstellung, Engagement und Mitarbeiterbindung steht.