Wie man KI in der Personalentwicklung einsetzt, ohne die Qualität zu opfern

KI verbessert die Geschwindigkeit und Skalierbarkeit der Erstellung von Lern- und Entwicklungsinhalten, aber die Qualität hängt weiterhin von menschlichem Urteilsvermögen, präzisen Prompts und sorgfältiger Überprüfung ab. Generative KI (Technologie, die Text, Bilder, Video und Audio aus natürlichsprachlichen Prompts erzeugt) hat es Personalentwicklungsteams und Fachexperten ermöglicht, Schulungen schneller als je zuvor zu erstellen. Was sie nicht kann, ist das Fachwissen, den organisatorischen Kontext und das kritische Auge zu ersetzen, die eine Schulung tatsächlich nützlich machen. Dieser Artikel behandelt, was KI heute in der Personalentwicklung kann und was nicht, wie man Tools bewertet, deren Nutzung sich lohnt, und was der Wandel für Instructional Designer und die Teams, mit denen sie zusammenarbeiten, bedeutet.

KI in der Personalentwicklung ist Unterstützung, nicht Automatisierung.

KI ersetzt nicht den menschlichen Experten in der Personalentwicklung. KI beseitigt die Hürden, die Menschen bisher daran gehindert haben, Wissen zu erstellen und zu teilen. Diese Unterscheidung ist wichtig, da sie verändert, wie Personalentwicklungsteams über die Einführung von KI, die Bewertung von Tools und die Erklärung der Technologie gegenüber skeptischen Managern denken sollten.

Patrik Schmitt, Chief Product Officer bei Easygenerator, machte dies in einem aktuellen Webinar über KI im E-Learning deutlich. Bei KI im Lernen geht es derzeit nur sehr wenig um Automatisierung, was sich vielleicht von einem selbstfahrenden Auto unterscheidet, bei dem kein Mensch involviert ist. Wenn es um die Erstellung geht, geht es eher um Unterstützung. Der Mensch ist immer noch derjenige, der etwas weiß und es seinen Kollegen vermitteln möchte. Die Frage ist, wie man diesen Prozess effizienter gestalten kann und wie man KI einsetzt, um die Schwerstarbeit zu übernehmen, damit Inhalte schneller und in besserer Qualität erstellt werden können.

Der Grund, warum KI in der Personalentwicklung besonders gut funktioniert, liegt darin, was große Sprachmodelle tatsächlich tun. Frühere Formen der KI, von Empfehlungsmaschinen bis hin zu Betrugserkennungssystemen, wurden entwickelt, um Muster in strukturierten Daten zu analysieren. Sie funktionierten gut für Plattformen wie Netflix oder Google, hatten aber Personalentwicklern wenig zu bieten. Große Sprachmodelle arbeiten mit Sprache, dem Medium, durch das fast alles Lernen stattfindet. Patrik beschrieb dies als „die richtige Technologie für die richtige Branche“, wie es Blockchain oder maschinelles Lernen für diesen Bereich nie waren.

Praktisch bedeutet dies, dass die KI nun Aufgaben übernimmt, die die Inhaltserstellung früher erheblich verlangsamt haben. Das Schreiben eines Kursentwurfs aus einem Dokument, das Generieren von Prüfungsfragen, das Erstellen von Voiceovers in mehreren Sprachen, das Erstellen eines Videos mit einem realistischen Moderator: Dies kostete früher Tausende von Dollar und Wochen an Produktionszeit. KI hat beides komprimiert. Patrik merkte an, dass ein professionelles Schulungsvideo, dessen Produktion früher 10.000 $ kostete, mit KI-generierten Videotools jetzt eher 10 $ kostet. Diese Komprimierung ändert nichts daran, wie gute Inhalte aussehen. Diese Komprimierung ändert nicht, wie gute Inhalte aussehen; sie beeinflusst jedoch, wer sie produzieren kann und wie schnell.

Derek Bruce, Chief Learning and Knowledge Officer bei Easygenerator, beschrieb den Wandel aus seiner eigenen Erfahrung als Praktiker. KI wird den L&D-Bereich nicht dadurch revolutionieren, dass sie Menschen abschafft. Es wird Menschen helfen. Außerhalb eines Produkts ist das Wort Copilot wahrscheinlich die beste Beschreibung dafür, wie KI Lernende unterstützen kann, indem sie mit Menschen zusammenarbeitet, um Organisationen eine bessere Wirkung zu ermöglichen.

Warum KI-generierte Inhalte immer noch einen Menschen im Prozess benötigen

KI-Output im Bereich L&D ist nur so zuverlässig wie der Mensch, der ihn überprüft. Dies ist keine Einschränkung, die mit der Verbesserung der Modelle verschwinden wird. Es ist ein strukturelles Merkmal der Funktionsweise großer Sprachmodelle, und L&D-Experten, die dies verstehen, produzieren bessere Inhalte als diejenigen, die KI-Output als fertige Arbeit behandeln.

Talha Faridy, Product Lead für EasyAI bei Easygenerator, erklärte den zugrunde liegenden Grund während derselben Sitzung. Die Grundlage eines großen Sprachmodells basiert auf Wahrscheinlichkeiten. Das bedeutet, dass es sehr wahrscheinlich ist, dass die KI Fehler macht und nicht die endgültige Antwort hat, die Sie suchen. Was es wertvoll macht, ist der iterative Prozess: Sie arbeiten damit, verfeinern es und arbeiten auf das gewünschte Ergebnis hin. Es sollte nicht als Allheilmittel für einen einzigen Versuch betrachtet werden, sondern als etwas, das Sie über mehrere Austauschvorgänge hinweg formen.

Dies zeigte sich an einem konkreten Beispiel aus dem Webinar-Publikum. David Scrimshire, ein in Großbritannien ansässiger Praktiker, teilte eine spezifische warnende Erfahrung: „Seien Sie vorsichtig bei der Verwendung von ChatGPT für statistische Analysen in Schulungskursen.“ Ich überprüfe es immer und habe mehrere Fälle gefunden, in denen die KI falsche statistische Analysen der von mir bereitgestellten Daten generiert hat. ChatGPT entschuldigte sich und sagte: „Deshalb arbeiten wir als Partnerschaft zusammen.“ Sarah Larson bekräftigte denselben Punkt einfach: „Sie müssen alles, was die KI Ihnen gibt, auf Gültigkeit überprüfen.“

Seán, der aus Dublin beitrug, brachte denselben Punkt aus der Perspektive der Inhaltserstellung ein: KI ist großartig für die Inhaltserstellung, aber Fachexperten sind weiterhin erforderlich, um die Ergebnisse zu überprüfen. Diese Kombination – KI für Geschwindigkeit und Struktur, menschlicher Experte für Genauigkeit und Kontext – ist es, was das Modell zum Funktionieren bringt.

Derek formulierte das übergeordnete Prinzip treffend:

Die praktische Konsequenz ist eindeutig. KI-Ergebnisse sollten als erster Entwurf behandelt werden, nicht als Endprodukt. Der Mensch in der Schleife ist nicht dazu da, KI-Fehler im korrigierenden Sinne zu beheben. Sie sind da, weil das Wissen, das die Schulung vermitteln muss, in ihren Köpfen steckt und nicht im Modell.

Wie man bewertet, ob sich der Einsatz eines KI-Tools tatsächlich lohnt

Die besten KI-Funktionen im Bereich L&D lösen ein spezifisches Problem. Sie sind nicht um ihrer selbst willen beeindruckend. Da KI in Softwareplattformen zum Standard wird, wird die Fähigkeit, Tools mit echtem Nutzen von solchen zu unterscheiden, die nur einem Trend hinterherlaufen, immer wichtiger.

Patrik gab während des Webinars das klarste Beispiel.

Seine Vorgehensweise ist es wert, beibehalten zu werden: Zuerst das wirkliche Problem identifizieren, dann bewerten, ob ein Tool die Situation im Vergleich zu dem, was man vorher gemacht hat, wesentlich verbessert. Wenn die Antwort ja lautet und das Problem wirklich kostspielig ist, ist das Tool einen Test wert. Wenn die Antwort ein genaues Hinsehen erfordert, ist es das wahrscheinlich nicht.

Ein praktisches Kursdesign-Framework, das David Scrimshire während der Sitzung vorstellte, veranschaulicht dies gut. Sein Ansatz, der durch die Arbeit mit Easygenerator entwickelt wurde, unterteilt den Prozess in vier Schritte: Zuerst das Training in mundgerechte Abschnitte unterteilen, das Lernziel für jeden Abschnitt definieren, festlegen, wie das Verständnis geprüft werden soll, und erst dann den Inhalt des Abschnitts erstellen. Mehrere Teilnehmer reagierten positiv auf diese Methode, da sie der KI klare Aufgaben statt offener Aufgaben gibt, was durchweg zu besseren Ergebnissen führt.

Die gleiche Logik gilt für die Einführung durch Führungskräfte. Derek beschrieb, wie sein Team diese Herausforderung angeht: „Das Einzige, was ich sagen würde, ist: Machen Sie es normal, machen Sie es zugänglich und haben Sie keine Angst davor, es kaputt zu machen.“ Ich habe Führungskräfte gesehen, die nicht einmal LinkedIn-Profile haben. Wenn Sie denken, dass das der Ausgangspunkt ist, dann wird KI ein riesiger Sprung sein. Es liegt also an uns als Lernteam zu sagen: Es kommt, Sie müssen es benutzen, es ist einfach normal und Sie können es nicht kaputt machen.

Strukturierte Exposition funktioniert tendenziell besser als ergebnisoffene Erkundung. Drop-in-Sitzungen zu spezifischen Anwendungsfällen, das Schreiben von E-Mails mit Copilot, das Zusammenfassen von Dokumenten, das Entwerfen eines Abschnitts zur Lernstrategie – all das gibt den Leuten genügend Kontext, um sich eine fundierte Meinung darüber zu bilden, was KI für sie tun kann und was nicht.

Eine Sache, die die Leute immer wieder zurückhält, ist das Prompten. Talha identifizierte es als die am meisten unterschätzte Fähigkeit in diesem Bereich. Die Leute gehen auf ChatGPT oder ein anderes KI-Tool, fangen an zu prompten, und wenn sie nicht die Antwort erhalten, nach der sie gesucht haben, kehren sie zu ihrem normalen manuellen Arbeitsablauf zurück. Zeit in das Verständnis der Funktionsweise von Prompting zu investieren, ändert dies. Je besser Sie im Prompt Engineering sind, desto besser sind Ihre Ergebnisse bei allen KI-Tools, nicht nur bei Easygenerator, sondern auch bei ChatGPT, NotebookLM, Synthesia und anderen. Es ist eine berufliche Kernkompetenz, keine Abkürzung.

Wie KI-Rollenspiele und adaptives Lernen das Kompetenztraining verändern

KI macht praxisbasiertes Lernen zum ersten Mal skalierbar. Das Kompetenztraining stand schon immer vor demselben strukturellen Problem: Die Methoden, die tatsächlich Fähigkeiten aufbauen – wiederholtes Üben mit realistischem Feedback –, sind in einem nennenswerten Umfang teuer durchzuführen. Ein Trainer kann nicht realistisch mit tausend Mitarbeitern Rollenspiele durchführen. KI ändert diese Einschränkung.

Patrik beschrieb den Ansatz von Easygenerator für dieses Problem. Rollenspiele sind eine wertvolle Methode, um Soft Skills zu üben, aber die logistische Herausforderung ist erheblich, wenn man einen Trainer und tausend Mitarbeiter hat. Das Experiment bestand darin, ein Produkt zu entwickeln, bei dem Mitarbeiter Rollenspiele mit einer KI durchführen, die sehr spezifische Anweisungen dazu hat, wie sich das Szenario entwickeln soll und auf welche Einschränkungen der Lernende stoßen soll. Realistische Konversationen, unmittelbare Bewertung im Anschluss und ein personalisiertes Ergebnis für jeden Lernenden.

Zwei Teilnehmer stellten konkrete Implementierungen vor, die zeigten, wie Unternehmen dies bereits in der Praxis umsetzen. Karol Isip von Telus International beschrieb den Einsatz von KI für Rollenspiel-Sitzungen zwischen Agent und Trainer, wobei KI-Copiloten entwickelt wurden, um Lernen, Produktivität und Leistung zu verbessern, einschließlich dokumentierter Bewertungen und interaktiver Kurse mit Zertifizierungen. Stephen Bruington von Gusto in Virginia beschrieb die Verwendung eines Tools namens Call Simulator für KI-basierte interaktive Rollenspiele sowie den Aufbau desselben Ansatzes in ChatGPT über benutzerdefinierte GPTs oder in Gemini.

Dieser letzte Punkt ist wichtig. KI-Rollenspiel-Tools sind nicht nur eine billigere Version von menschengeleiteter Praxis. Wenn das Szenario gut konzipiert und die Einschränkungen klar definiert sind, ermöglichen sie es, gezieltes Üben im gesamten Unternehmen zu skalieren, ohne die Qualität der Feedbackschleife zu verlieren.

EasyCoach, das KI-Rollenspielprodukt von Easygenerator, ist genau für diesen Anwendungsfall konzipiert. Es ermöglicht Mitarbeitern, realistische Geschäftsgespräche zu üben, von Verkaufsgesprächen über Führungsdiskussionen bis hin zu schwierigen internen Gesprächen, und sofortiges Feedback zu ihren Antworten zu erhalten. Da es sich innerhalb derselben Plattform befindet, auf der Inhalte erstellt werden, können L&D-Teams die Übungsebene direkt mit dem bereits erstellten Training verbinden, anstatt sie als separate Systeme zu verwalten.

Im Bereich des adaptiven Lernens beschrieb Talha es als den nächsten großen Meilenstein. Die Vorlieben der Lernenden sind sehr vielfältig und jeder lernt anders. Das Ziel ist es, ein System zu schaffen, das sich wirklich an jeden Einzelnen anpasst: Es zeigt maßgeschneiderte Inhalte, bewertet den Lernfortschritt, leitet an und unterstützt ein besseres Behalten. Den Code für adaptives Lernen zu knacken, ist die nächste große Herausforderung für personalisiertes L&D.

Adaptives Lernen ist ein System, das den Inhalt, das Tempo oder das Format einer Lernerfahrung basierend auf dem Fortschritt des einzelnen Lernenden anpasst, anstatt jedem denselben festen Pfad zu vermitteln. Die Technologie existiert heute in einer frühen Form, aber sie so zu gestalten, dass alle Lernziele unabhängig vom gewählten Pfad abgedeckt werden, bleibt ein offenes Problem. Laut einer Analyse der Brandon Hall Group aus dem Jahr 2024 berichten Unternehmen, die adaptives Lernen implementiert haben, von einer 40%igen Reduzierung der Schulungszeit bei gleichbleibenden Ergebnissen bei der Wissensspeicherung, obwohl Implementierungen in vollem Umfang relativ selten bleiben.

Was dies für Instruktionsdesigner und L&D-Fachleute bedeutet

Talha beschrieb, was er in Gesprächen mit Praktikern sieht. Viele Instructional Designer sehen bereits, wie sich ihre Rolle in Richtung Beratung entwickelt. Fachexperten werden jetzt mit Wissen über Instructional Design ausgestattet, das sie zuvor nicht hatten, und KI ist das, was diese Barriere überwindet. Die ID-Expertise verschwindet nicht; sie wird verteilt.

Derek bestätigte dasselbe Muster: „Die Rolle dessen, was wir Content-Designer nennen würden, hat sich definitiv von der reinen Gestaltung von Inhalten wegbewegt. Sie hat sich hin zum Coaching von Einzelpersonen entwickelt, um KI zu verstehen.“

Louise Puddifoot, eine unabhängige L&D-Beraterin, machte eine ähnliche Beobachtung in einem separaten Gespräch über L&D-Trends: „Die große Veränderung, die ich wirklich sehe, ist, dass L&D-Leute in Begriffen der Befähigung denken, anstatt nur in Design oder Entwicklung. Ich habe sogar angefangen zu sehen, dass ‚Befähigung‘ jetzt ziemlich häufig in Berufsbezeichnungen für Leute in Lern- und Entwicklungsrollen vorkommt.“

Was dies in der Praxis bedeutet, ist, dass die Expertise im Instructional Design nicht an Wert verliert. Sie wird breiter verteilt. Wenn Fachexperten mit KI-Unterstützung einen strukturell soliden Kurs erstellen können, verlagert sich die Aufgabe des Instructional Designers hin zu Qualitätssicherung, Governance und strategischer Beratung darüber, was erstellt werden sollte und warum. Das ist eine interessantere Aufgabe, keine geringere, aber sie erfordert eine echte Bereitschaft, die Produktionsrolle aufzugeben.

Für L&D-Teams, die diesen Wandel bewältigen, lautet Dereks Rat, ihn genauso anzugehen wie jede andere bedeutende organisatorische Veränderung: Lassen Sie ihn normal statt außergewöhnlich erscheinen. Schaffen Sie strukturierte Möglichkeiten für unsichere Kollegen, sich damit vertraut zu machen. Teilen Sie sowohl die Fehler als auch die Erfolge öffentlich. Und akzeptieren Sie, dass Prompting eine berufliche Fähigkeit ist, in die es sich zu investieren lohnt, und keine Abkürzung.

Laut dem World Economic Forum’s Future of Jobs Report 2023 gehören KI- und Machine-Learning-Spezialisten weltweit zu den am schnellsten wachsenden Rollen, während sich Rollen in der Inhaltserstellung und im instruktionalen Bereich eher verlagern als verkleinern. Die Organisationen, die dies gut meistern, werden diejenigen sein, die ihren L&D-Teams helfen, KI-Kompetenz als Kernkompetenz statt als optionales Upgrade zu entwickeln.