KI im E-Learning: Was funktioniert wirklich?

Die meisten L&D-Teams haben inzwischen KI in irgendeiner Form eingesetzt. Die Frage hat sich verändert. Es geht nicht mehr darum, ob man KI einführen sollte. Es geht darum, ob KI tatsächlich etwas Besseres liefert oder nur etwas schneller liefert.

In unserem neuesten Webinar warfen Nelson Sivalingam, CEO bei HowNow und Autor von Learning at Speed, sowie Talha Faridy, AI Innovation Lead bei Easygenerator, gemeinsam mit Moderatorin Ashling Moran einen ehrlichen Blick darauf, wo KI im Bereich L&D tatsächlich ankommt. Was hat funktioniert, was nicht, und was sollten L&D-Profis von den Tools verlangen, in die sie investieren?

🎥 Sehen Sie sich die Sitzung an: Haben Sie es live verpasst? Sehen Sie sich oben die vollständige Aufzeichnung an.

Effizienz ist nicht dasselbe wie Effektivität

Wenn man fragt, wie L&D-Teams heute KI einsetzen, ist die Antwort meist dieselbe: um das zu tun, was sie bereits getan haben, nur schneller. Erstellung von Inhalten, Lehrplanplanung, Analyse von Bewertungsdaten. Die Effizienzgewinne sind real.

Aber Nelson zog eine Grenze zwischen Effizienz und Effektivität, die sich durch das gesamte Gespräch hindurchzog.

„Es gibt einen großen Unterschied zwischen etwas schnell zu erledigen und das Richtige zu tun.“ Und im Moment erledigen wir Dinge schnell, aber wir prüfen nicht unbedingt, ob es auch die richtigen Dinge sind.“

Das Risiko ist nicht nur Zeitverschwendung. Das Problem ist, dass KI es einfacher macht, die falschen Dinge zu skalieren. Wenn Ihre Inhalte vorher nicht ankamen, löst die schnellere Produktion von mehr Inhalten das Problem nicht. Wie Nelson sagte:

„Was wir möglicherweise tatsächlich tun, ist, genau das Problem zu skalieren, das wir zu lösen hoffen. Eine der Herausforderungen ist die riesige Menge an Inhalten. Und wenn man eine riesige Menge an Inhalten hat, ist die Auffindbarkeit eine der größten Herausforderungen. Indem man sehr schnell viele Inhalte von geringer Qualität erstellt, skaliert man tatsächlich das Problem, das man bereits hatte, viel, viel schneller.“

Es gibt auch eine Konsequenz, von der man sich nur schwer erholen kann. Wenn Lernende mit qualitativ minderwertigen, KI-generierten Inhalten interagieren und diese nicht nützlich finden, bilden sie sich eine Meinung. Sie danach wieder zurückzugewinnen, ist schwierig.

Talha fügte hinzu, dass unrealistische Erwartungen ein Teil dessen sind, was dies antreibt. Viele Autoren gehen davon aus, dass sie eine Aufgabe mit minimalem Kontext an die KI übergeben können und etwas Produktionsreifes zurückerhalten.

„Viele Autoren haben falsche Erwartungen an das, was KI leisten kann. Sie haben das Gefühl, dass sie einfach delegieren können, ohne viel Kontext und ohne viel Vorarbeit, und dann ein Ergebnis erwarten, das komplett produktionsreif ist. Während das oft nicht der Fall ist.“

Wie ein echter Maßstab für Wert aussieht

Wenn Geschwindigkeit nicht das Maß ist, was ist es dann? Nelsons Antwort führt zurück zu dem, wofür L&D eigentlich da ist.

„Das Ergebnis von L&D ist nicht die Erstellung von Inhalten. Es ist ein Mittel zum Zweck. Unsere Aufgabe in diesem Beruf ist es, Menschen dabei zu helfen, ihre Arbeit besser zu machen und ihnen beim Wachsen zu helfen. So einfach ist das.“

Das bedeutet, die Frage ist nicht, wie viele Kurse ausgeliefert oder wie viele Lernstunden absolviert wurden. Es geht darum, ob die für das Unternehmen wichtigen Fähigkeiten tatsächlich aufgebaut wurden.

Nelson betrachtete dies durch die Linse dessen, was er als Talentmangel bezeichnete: Organisationen, die Schwierigkeiten haben, spezialisierte Fähigkeiten einzustellen, die stark nachgefragt werden und knapp sind. Die einzige nachhaltige Antwort ist die interne Weiterbildung der Mitarbeiter. Das macht den Kompetenzaufbau zum entscheidenden Ergebnis, und es ist das Ergebnis, das die meisten L&D-Messungen immer noch nicht direkt verfolgen.

„Die Frage dreht sich nicht darum, wie viele Lernstunden jemand absolviert hat oder welche Inhalte abgeschlossen wurden. Es läuft wirklich darauf hinaus: Haben wir die Fähigkeiten aufgebaut, die wir benötigten, um diese Ziele zu erreichen? Das ist wirklich das Maß für den Wert.“

Kontext ist das, was der KI fehlt

Einer der klarsten praktischen Punkte aus der Sitzung betraf die Frage, was KI-Ergebnisse tatsächlich nützlich macht. Allgemeine KI-Tools sind bei allgemeinen Informationen einigermaßen gut. Worin sie standardmäßig nicht gut sind, ist der Unternehmenskontext.

Talha drückte dies direkt aus:

„Große Sprachmodelle sind wirklich gut bei allgemeinen Informationen. Aber eine Sache, bei der sie standardmäßig immer noch nicht großartig sind, ist der Unternehmenskontext. Ihr Unternehmenskontext, Ihre Geschäftsziele, die Ergebnisse, die Sie anstreben. Das ist die Art von Kontext, die Sie in die KI einbringen möchten. Diese Vorarbeit muss geleistet werden, bevor man mit der KI an irgendeinem Tool arbeitet.“

Dies gilt auch für die Kurserstellung. Die Leichtigkeit, mit der man etwas mit KI erstellen kann, macht es auch einfacher, das Falsche zu erstellen.

„Es ist heute einfacher, Dinge zu erstellen, aber es ist auch einfacher, die falschen Dinge zu erstellen.“ Dieses Konzept lässt sich auf die Kurserstellung übertragen. Sie erstellen etwas, um sinnvolle Ergebnisse zu erzielen. Es ist sicherlich einfacher, Schulungen zu erstellen, aber es ist auch einfacher, die falschen Schulungen für die falschen Leute in den falschen Formaten zu erstellen.“

Die Vorarbeit, die dies verhindert, besteht darin, Lernziele im Voraus zu definieren, die Verhaltensänderung, die die Lernenden erreichen sollen, genau zu benennen und der KI ein klares Bild davon zu geben, wie ein gutes Ergebnis aussieht, bevor man beginnt. In Easygenerator ist dies in die Funktion Course Guidelines integriert, die es Autoren ermöglicht, EasyAI explizite Anweisungen zu Zielen, Inhaltspräferenzen und Quellenmaterial zu geben, bevor sie irgendetwas generiert.

KI mit Fokus auf den Autor vs. KI mit Fokus auf die Inhaltserstellung

Dies führte das Gespräch zu einer Unterscheidung, die sich durch die gesamte Sitzung zog: der Unterschied zwischen einer KI, die von der Absicht des Autors ausgeht, und einer KI, die von der Inhaltserstellung ausgeht.

Talha beschrieb, wie Easygenerator dies angeht, indem Bloom’s taxonomy verwendet wird, um Lernziele zu verankern, bevor Inhalte erstellt werden.

„Wir fragen den Fachexperten oder den Instruktionsdesigner, was genau die Lernenden nach Abschluss des Kurses tun sollen.“ Welche Verhaltensänderung in Bezug auf die Anwendung soll damit bewirkt werden? Sobald dies im Voraus definiert ist, zusammen mit dem Wissen, das der Lernende benötigt, lenkt dies die KI in die richtige Richtung und hebt insgesamt die Qualität der Inhalte.“

Nelson fügte einen nützlichen Rahmen dafür hinzu, was dies ermöglicht. Im alten Modell ging ein L&D-Team zu einem Fachexperten (SME), sammelte Fachwissen, nahm es mit, wandte didaktische Designprinzipien an und kam Wochen später mit einem Kurs zurück. KI-gestütztes Authoring verändert diesen Zeitplan.

„Als Fachexperte kann ich zu Easygenerator gehen und mit der KI zusammenarbeiten, um zu sagen: Ich bringe hier mein Fachwissen ein, aber Sie haben das pädagogische Fachwissen und wissen, wie man dies am besten formuliert und strukturiert. Es hätte Wochen gedauert, bis Sie etwas pädagogisch Fundiertes erreicht hätten. Aber jetzt können wir sehr schnell von ‚hier ist das Fachwissen‘ zu einer ‚pädagogisch fundierten Lernressource‘ gelangen.“

Dennoch deutete keiner der Redner an, dass dies das menschliche Urteilsvermögen überflüssig macht. Die Power-User von KI sind diejenigen, die iterieren, die den ersten Output als Ausgangspunkt betrachten und die bei jedem Schritt ihren eigenen Kontext und ihre Expertise in den Prozess einbringen.

Die neue Aufgabe von L&D besteht darin, den Kontext zu gestalten, nicht den Inhalt.

Wenn SMEs nun Inhalte direkt mit KI-Unterstützung erstellen können, was bedeutet das für die Rolle von L&D? Sowohl Nelson als auch Talha wiesen in dieselbe Richtung.

Nelsons Formulierung war einprägsam: In dieser Welt sind L&D-Teams effektiv Manager von KI. Und die Aufgabe eines Managers ist es, die Messlatte festzulegen und die Bedingungen dafür zu schaffen, dass andere sie erreichen können.

„Es ist nicht unbedingt die Aufgabe von L&D, den Inhalt zu gestalten. Es ist die Aufgabe von L&D, den Kontext so zu gestalten, dass alle anderen mit sehr wenig Reibungsverlust nützlichere Ressourcen erstellen können.“

Das bedeutet zu definieren, wie Qualität aussieht, Kursrichtlinien festzulegen, denen jeder SME folgen kann, die richtigen pädagogischen Rahmenbedingungen zu wählen und Governance-Strukturen aufzubauen, die die Qualität im gesamten Unternehmen konsistent halten, ohne jeden SME mit Entscheidungen zum Instructional Design zu belasten.

Talha vertrat denselben Standpunkt von der Produktseite aus:

„Das L&D-Team kann diesen Rahmen vorgeben und die Dinge in die richtige Richtung lenken. Wenn Sie das nicht tun, ist es nur eine weitere Situation, in der SMEs, die ohnehin schon stark beansprucht sind, nun auch noch lernen müssen, wie man qualitativ hochwertige Lerninhalte erstellt. KI kann hier sehr hilfreich sein, indem L&D-Teams definieren, wie Qualität aussieht, und SMEs dies dann nutzen können, um Inhalte zu erstellen, ohne dass dies für sie eine zusätzliche Belastung darstellt.“

Auch die Anerkennung spielt eine wichtige Rolle. Ashling erwähnte etwas, das sich in der Praxis bewährt hat: Namen der Mitarbeiter auf Kursen nennen, gute Beispiele hervorheben und SMEs, die es gut machen, öffentlich loben. Das setzt die Messlatte sichtbar und gibt anderen ein Ziel, auf das sie hinarbeiten können.

Ob KI integriert oder aufgesetzt ist, spielt eine größere Rolle, als Sie vielleicht denken.

Eine Frage aus dem Publikum während der Sitzung berührte etwas, das immer wieder zur Sprache kam: Wie erkennt man, ob KI wirklich in ein Tool integriert ist oder nur auf ein bestehendes Produkt aufgesetzt wurde?

Nelsons Ansicht war, dass sich die Antwort meist daran zeigt, wie die KI im gesamten Workflow funktioniert.

„Wenn man KI-nativ ist, wendet man im Wesentlichen bei jedem Schritt in diesem Prozess Intelligenz an.“ So erhalten Sie nicht nur Effizienzgewinne, sondern auch einen Zuwachs an Effektivität, indem Sie diese Intelligenz in jedem Schritt anwenden. Als Zusatz ist es wirklich schwierig. Sie versuchen, die letzte Meile mit KI zu verfeinern, was es besonders schwierig macht.“

Die Erstellung von Inhalten umfasst, wie Nelson betonte, mehrere Schritte, die bei jedem Schritt von Intelligenz profitieren: Lehrplangestaltung, Strukturierung einzelner Inhalte, Einbau von Unterstützungsmaßnahmen, Anwendung pädagogischer Rahmenbedingungen. Eine Zusatzlösung kann bei einem oder zwei dieser Punkte unterstützen. Eine Plattform, auf der KI nativ ist, kann alle diese Schritte unterstützen.

Der praktische Test, den er vorschlug, ist einfach: Wie effektiv hat Ihnen die KI geholfen, die spezifische Aufgabe, die Sie erledigen wollten, zu bewältigen? Nicht, welche KI am beeindruckendsten klingt, sondern welche Ihnen tatsächlich geholfen hat, das Problem vor Ihnen zu lösen.

Talha sprach die Preisdimension direkt an. Einige Anbieter haben auf die Kosten von KI reagiert, indem sie die Kosten durch höhere Preise weitergeben. Die Position von Easygenerator ist, dass KI für alle im Grundpreis enthalten sein sollte.

„Wir sind fest davon überzeugt, dass die Zukunft für die meisten Autoren und L&D-Fachkräfte KI-nativ sein wird. Unsere Position ist, dass jeder diese Technologie nutzen können sollte. Daher berechnen wir für unsere KI-Kernplattform keinen Aufpreis. Sie ist im Grundpreis enthalten. Das ist der Hauptgrund dafür: alle zu befähigen und gemeinsam mit ihnen auf diese KI-native Zukunft hinzuarbeiten.“

Wohin es als Nächstes geht

Das letzte Kapitel im Gespräch befasste sich mit den nächsten 12 Monaten. Talha wies auf agentenbasierte KI als die Richtung hin, in die es geht: KI, die sich iterativ durch einen Arbeitsablauf bewegt und verschiedene Werkzeuge und Fähigkeiten nutzt, um eine Aufgabe zu erfüllen, anstatt als Reaktion auf einen einzelnen Prompt nur ein Ergebnis zu liefern. Effektiver, kontextbewusster, besser darin, etwas Nützliches zu erreichen, ohne dass der Benutzer mehrere Runden manueller Korrekturen durchführen muss.

Nelsons Ausblick war weitreichender. Er beschrieb eine Lücke im L&D, die bisher nie geschlossen wurde: die Verbindung zwischen Lernen und Leistung. Die meisten Unternehmen wissen nicht, welche Fähigkeiten fehlen oder warum, wenn die Leistung nachlässt. Und selbst wenn sie eine Qualifikationslücke identifizieren können, wissen sie oft nicht, welche Lernmaßnahme diese beheben kann.

„Mit autonomen Agenten, die diesen Kreislauf vollständig eigenständig durchlaufen können, können Sie jetzt Arbeitssignale betrachten, Leistungslücken erkennen, herausfinden, welche Fähigkeiten fehlen, Sie mit der richtigen relevanten Lernressource verbinden und dann die Arbeitsdaten überwachen, um zu sehen, ob sich die Leistung tatsächlich verändert hat. Alles in einem einzigen autonomen Kreislauf.“

Er nannte dies die Vision eines selbstoptimierenden Unternehmens. Die Personalentwicklung setzt die Leitplanken, und das System steuert den Kreislauf.

Fazit

KI in der Personalentwicklung bringt echte Effizienzgewinne. Die Unternehmen, die den größten Nutzen sehen, sind diejenigen, die den Kontext als ersten Schritt betrachten, Menschen in den Prozess einbeziehen, anstatt sie zu entfernen, und Ergebnisse statt Output messen.

Die Tools spielen ebenfalls eine Rolle. KI, die von Anfang an in den Erstellungsworkflow integriert ist, verhält sich anders als KI, die nachträglich zu einem Legacy-Produkt hinzugefügt wurde. Diesen Unterschied zu verstehen, ist Teil der Bewertung, ob eine Plattform Ihnen tatsächlich hilft oder Ihnen nur dabei hilft, mehr Inhalte schneller zu produzieren.

👏 Ein riesiges Dankeschön an Nelson Sivalingam für ein wirklich ehrliches und praktisches Gespräch.

Transkript des Webinars mit den Referenten

Ashling: Lassen Sie uns direkt beginnen. Vielen Dank an alle für Ihre Teilnahme. Wenn Sie wieder dabei sind, wissen wir das sehr zu schätzen. Und falls Sie zum ersten Mal dabei sind, herzlich willkommen. Heute werden wir über KI und E-Learning sprechen und darüber, was tatsächlich funktioniert. Mein Name ist Ashling und ich habe das Vergnügen, diese Sitzung zu moderieren, und ich werde von Nelson und Talha begleitet, die sich in wenigen Sekunden selbst vorstellen werden. Dies ist eine Fortsetzung eines Gesprächs, das wir im Oktober 2025 hatten, und dabei ging es ganz um KI und E-Learning. Und dieses Mal beginnen wir an einem etwas anderen Punkt. Anstatt zu untersuchen, ob wir KI einsetzen sollten, konzentrieren wir uns darauf, ob dies tatsächlich funktioniert. Ohne weitere Umschweife übergebe ich das Wort an unsere heutigen Gäste. Nelson, Sie sind auf meinem Bildschirm zuerst zu sehen. Möchten Sie sich also vorstellen?

Nelson: Gerne. Ich bin Nelson, einer der Gründer und CEO von HowNow. Bei HowNow sind wir eine Lernplattform, die Unternehmen dabei hilft, herauszufinden, über welche Fähigkeiten sie verfügen, welche Fähigkeiten ihnen fehlen, und die Menschen mit relevanten Lerninhalten verbindet, damit sie die benötigten Fähigkeiten aufbauen können. Ich bin auch der Autor von Learning at Speed. Es wäre toll zu wissen, ob es jemand in dieser Sitzung gelesen hat; falls nicht, es ist ein Buch, das Ihnen einen praktischen Leitfaden und Rahmenbedingungen bietet, wie Sie die Geschwindigkeit, mit der Sie in Ihrem Unternehmen lernen, beschleunigen können. Es ist toll, hier zu sein. Ich freue mich sehr auf die Diskussion.

Ashling: Nun, danke, dass Sie bei uns sind. Ich bin gespannt darauf, was Sie beitragen können. Falls jemand das Buch gelesen hat, schreiben Sie es bitte in den Chat, das würde mich interessieren. Talha, möchten Sie sich als Nächstes vorstellen?

Talha: Danke, Ashling. Hier ist Talha, der die KI-Produktentwicklung bei Easygenerator leitet. Ich bin verantwortlich für die KI-Vision, die Produktstrategie und die Zusammenarbeit mit L&D-Teams und Fachexperten, um den Traum von Employee-generated Learning zu verwirklichen und zu sehen, wie KI beim Authoring, im E-Learning, aber auch darüber hinaus eingesetzt werden kann. Und wir erforschen diesen Bereich hier bei Easygenerator ziemlich intensiv, würde ich sagen.

Ashling: Eine spannende Zeit, vieles verändert sich, daher freue ich mich, heute etwas Zeit zu haben, um von Ihrem Wissen zu profitieren. Bevor wir mit unserer ersten Frage beginnen, würde ich gerne von Ihnen allen hören, die heute bei uns sind. Ich würde gerne in einem Wort wissen, wie Sie beschreiben würden, wo Ihr Team gerade in Bezug auf KI steht. Ich werde eine Umfrage in den Chat stellen. Sie können die Option wählen, die Ihrer Meinung nach am besten passt. Falls etwas nicht aufgeführt ist, können Sie es auch einfach eintippen. Okay, nach den ersten Antworten scheint es, dass viele Teams noch experimentieren oder sogar schon einen Schritt weiter sind und skalieren. Also ja, viele Teams experimentieren derzeit. Es wird interessant sein zu sehen, womit Sie experimentieren und was gut funktioniert. Was wir heute sehen, ist, dass die meisten L&D-Teams tatsächlich begonnen haben, KI in irgendeiner Form zu nutzen, und die Fragestellung hat sich verlagert. Es geht nicht mehr darum, ob Sie KI einführen sollten, sondern darum, ob sie das Lernen tatsächlich verbessert oder nur beschleunigt. Wir werden uns also ehrlich damit auseinandersetzen, was funktioniert hat, was nicht funktioniert hat, wie der Qualitätsunterschied in der Praxis wirklich aussieht und was L&D-Experten von den Tools erwarten sollten, in die sie investieren. Also, um den Anfang zu machen, Nelson, würde ich gerne Ihre Erkenntnisse darüber erfahren, wie L&D-Teams heute tatsächlich KI nutzen und ob es funktioniert.

Nelson: Ja, ich denke, wenn man sich ansieht, wie die Leute es heute nutzen, denke ich, dass es größtenteils um Effizienzgewinne geht. Was aus einer großartigen Studie, die Donald Taylor zur KI-Nutzung im L&D-Bereich durchführt, deutlich wird, zeigt klar, dass wir KI im Wesentlichen nutzen, um die Dinge zu tun, die wir bereits getan haben, aber um sie schneller zu erledigen. Und das bezieht sich speziell auf die Erstellung von Inhalten oder die Unterstützung bei der Planung eines Lehrplans oder die Strukturierung von Inhalten. Und dann geht es um die Analyse von Daten. Wenn Sie also große Mengen an Bewertungsdaten oder Daten zum Lernengagement haben, sind die Fähigkeit, diese zu analysieren und einen Sinn daraus zu ziehen, wahrscheinlich die beiden Hauptbereiche. Aber die Herausforderung besteht darin, dass wir versuchen, mit KI effizienter zu sein, aber was wir nicht sehen, sind Anwendungen, bei denen KI L&D-Teams effektiver macht. Und genau da liegt im Moment die Herausforderung. Zu Ihrer Frage, ob es tatsächlich funktioniert? Es gibt einen großen Unterschied zwischen etwas schnell zu erledigen und das Richtige zu tun. Und im Moment erledigen wir Dinge schnell, aber wir bewerten nicht unbedingt, ob es die richtige Sache ist oder nicht. Und das führt zu weit mehr als nur der Anwendung von KI auf einige der Aufgaben, die wir bereits erledigt haben. Es gibt Fragen dazu, wie es mit der gesamten Geschäftsstrategie übereinstimmt. Messen Sie die richtigen Dinge, um zu wissen, ob Sie die gewünschte Wirkung auf Ihr Unternehmen haben oder nicht? Und deshalb denke ich, dass wir dort derzeit die Herausforderungen sehen. Ich habe gesehen, dass fast 10 % der Umfrageteilnehmer skeptisch sind, und ich sehe, dass viel Skepsis daher rührt, dass man nicht sofort die Produktivität oder das verbesserte Ergebnis sieht. Und wir ziehen voreilig den Schluss, dass dies die Schuld der KI oder der KI-Tools ist, anstatt die grundlegenderen Fragen zu stellen, ob wir sie richtig anwenden und ob es ein grundlegenderes strategisches Problem gibt, um zu sehen, ob es tatsächlich funktioniert oder nicht. Es gibt also definitiv Effizienzgewinne, aber haben wir einen signifikanten Anstieg der Effektivität gesehen? Das müssen wir erst noch sehen.

Ashling: Ja, aber das würde, denke ich, Sinn machen. Viele Leute, die an der Umfrage teilgenommen haben, gaben an, dass sie sich in der Experimentierphase befinden, also versuchen, herauszufinden, was funktioniert und was nicht. Und hoffentlich werden wir uns das heute genauer ansehen. Talha, haben Sie bemerkt, dass wir Dinge vielleicht zwar schneller erledigen, aber diesen Effizienzfaktor immer noch erschließen müssen?

Talha: Ja, absolut. Ich denke, aus meiner Perspektive, wie ich die Dinge sehe, gibt es zwei Hauptkategorien, in die der Bedarf an KI und die aktuelle Situation fallen. Da ist zum einen die Ressourcenknappheit bei L&D-Teams, richtig. Sie haben also diese großen Rückstände, eine Menge Aufgaben, die sie erledigen müssen, eine Menge Kurse, die sie herausbringen müssen. Ein großes Volumen an Kursen, also ein Problem. Und das zweite ist die Qualität, richtig. Um diesen Ressourcenengpass zu überwinden, ist es natürlich eine der Möglichkeiten, die Inhaltserstellung an Fachexperten zu delegieren. Das ist Mitarbeiter-generiertes Lernen. Und da stellt sich natürlich die Frage nach der Qualität. Wie stellt man die Qualität des Outputs sicher, also die didaktische Qualität des Lernens, das durchgängig erstellt wird? Und ich denke, genau hier suchen L&D-Teams nach KI, um diese Probleme zu lösen, und zwar verstärkt auf der Produktionsseite. Inhaltsproduktion, das ist wahrscheinlich der wichtigste Aspekt. Und da stimme ich Nelson auf jeden Fall zu. Und ich stimme absolut zu, wir sehen das oft, dass Dinge schneller zu produzieren nicht unbedingt bedeutet, dass man es auf die richtige Weise tut. Und das führt manchmal auch zu falschen Erwartungen und falschen Ergebnissen. Viele Autoren haben falsche Erwartungen an das, was KI leisten kann. Sie haben das Gefühl, dass sie es einfach ohne viel Kontext und ohne viel Vorarbeit delegieren können und dann ein Ergebnis erwarten, das komplett produktionsreif ist. Während das oft nicht der Fall ist. Es bedarf also natürlich einer starken Governance, einer starken Strategie und einer Ausrichtung auf die Geschäftsergebnisse, damit KI im gesamten Prozess der Inhaltserstellung wirklich effektiv eingesetzt werden kann. Ja, das ist es, was ich von meiner Seite aus sehe.

Nelson: Und um das noch zu ergänzen: Ich halte es für einen wichtigen Punkt, dass niemand seinen Job behalten darf, nur weil er effizient darin ist, keinen Mehrwert zu liefern. Und genau das ist das Risiko im Moment: Liefern Sie tatsächlich ein Ergebnis, das das Unternehmen will, oder produzieren Sie nur eine Menge Zeug? Und was wir möglicherweise tun, ist, genau das Problem zu skalieren, das wir eigentlich lösen wollen. Eine der Herausforderungen ist die riesige Menge an Inhalten, und wenn man eine riesige Menge an Inhalten hat, ist die Auffindbarkeit eine der größten Herausforderungen. Indem Sie sehr schnell viele Inhalte erstellen, die keine gute Qualität haben, skalieren Sie eigentlich das Problem, das Sie bereits hatten, viel, viel schneller und machen es sich dadurch selbst schwerer. Und außerdem erzeugt es eine negative Rückkopplungsschleife. Wenn die Leute anfangen, sich mit Ihren KI-generierten Inhalten zu beschäftigen, und diese von geringer Qualität sind, ist es sehr schwierig, sie wieder zurückzugewinnen, da sie es ausprobiert haben, es nicht nützlich fanden, es nicht relevant fanden und sich nun eine entsprechende Meinung über diese Inhalte gebildet haben. Wenn Sie also das nächste Mal einen Kurs starten und sagen: „Kommen Sie zurück, ich habe mehr Inhalte“, ist die Wahrscheinlichkeit geringer, dass Sie sich darauf einlassen, weil es beim letzten Mal eine negative Rückkopplungsschleife erzeugt hat. Auch wenn Sie sich vielleicht von der Effizienz angezogen fühlen, Inhalte schneller zu produzieren, kann dies auf lange Sicht schädliche Auswirkungen haben, da Sie es sich selbst erschweren könnten, Menschen in Zukunft für das Lernen zu begeistern, wenn Sie nicht sicherstellen, dass die Inhalte von hoher Qualität und Relevanz sind.

Ashling: Ja, das ergibt Sinn. Es ist also wichtig sicherzustellen, dass die Qualität stimmt und die Lernenden sich damit beschäftigen wollen. Wenn sie an einer Schulung teilnehmen, erkennen sie den Wert für sich selbst und möchten sich wieder engagieren. Was ich dabei interessant finde, Nelson, ist: Wenn Geschwindigkeit nicht gleichbedeutend mit Wert ist, was sollten L&D-Teams als echten Test dafür verwenden, ob KI funktioniert oder nicht?

Nelson: Ja, ich denke, das führt zurück zum heiligen Gral dessen, worum es bei L&D geht. Das Ziel von L&D ist nicht die Erstellung von Inhalten, das ist nur ein Mittel zum Zweck. Und unsere Aufgabe in diesem Beruf ist es, Menschen dabei zu helfen, ihre Arbeit besser zu machen und sich weiterzuentwickeln. So einfach ist das. Und dann fangen Sie an, das aufzuschlüsseln, um zu erkennen, ob wir dem Unternehmen den gewünschten Mehrwert bieten. Wenn man sich nun das makroökonomische Umfeld ansieht, haben wir derzeit einen massiven Fachkräftemangel, was vielleicht nicht so offensichtlich ist, da viele Schlagzeilen derzeit von massiven Entlassungen in Unternehmen berichten. Und daher denkt man leicht, dass die Arbeitslosenquoten steigen. Aber tatsächlich, wenn man sich zum Beispiel Großbritannien oder die USA ansieht, steigen die Arbeitslosenquoten nicht, sie sinken. Und was wir tatsächlich haben, ist eine Einstellungstrockenheit bei sehr spezialisierten Fähigkeiten. Eine großartige Statistik, die ich gesehen habe, war eine aktuelle Umfrage, die ergab, dass etwa 70 % der technischen Mitarbeiter zum Zeitpunkt der Annahme eines Jobs mehrere Stellenangebote hatten. Was uns das sagt, ist, dass für sehr spezialisierte Fähigkeiten eine sehr hohe Nachfrage besteht. Tatsächlich ist die Nachfrage nach bestimmten Fähigkeiten höher als das Angebot, was bedeutet, dass es für Unternehmen sehr wettbewerbsintensiv und teuer ist, die Fähigkeiten einzustellen, die sie zur Erledigung der Arbeit benötigen. Das bedeutet, der einzige nachhaltige Weg für Unternehmen, dies im aktuellen Umfeld zu tun, besteht darin, ihre eigenen Mitarbeiter weiterzubilden und umzuschulen. Das ist also das Ziel, richtig. Das Ziel ist: Wie stellen wir in unserem Unternehmen sicher, dass wir die Fähigkeiten aufbauen, die wir benötigen, um die Arbeit zu erledigen? Das bedeutet, wir müssen jetzt verstehen, welche Fähigkeiten wir nicht haben. Und das wird zu unserer Priorität. Dies sind die Ziele, die das Unternehmen erreichen möchte, und um diese Ziele zu erreichen, sind hier die Fähigkeiten, die wir im Unternehmen aufbauen müssen. Und ob wir einen Mehrwert liefern oder nicht, hängt davon ab, ob wir diese Kernkompetenzen aufbauen oder nicht. Die Frage ist also nicht, wie viele Stunden jemand gelernt hat oder welche Inhalte abgeschlossen wurden. Es läuft wirklich darauf hinaus: Haben wir die Fähigkeiten aufgebaut, die wir benötigen, um diese OKRs oder Ziele zu erreichen? Und das ist wirklich das Maß für den Wert. Es geht weniger um die Geschwindigkeit, mit der Inhalte erstellt werden, als um die Geschwindigkeit, mit der Inhalte erstellt werden, die den Aufbau der Fähigkeiten unterstützen, die wir benötigen, um dem Unternehmen einen Mehrwert zu bieten.

Ashling: Das ergibt Sinn. Wenn also heute jemand neu anfängt, wäre Ihr Rat dann: Wenn Sie am Anfang dieses Prozesses stehen, finden Sie heraus, welche Fähigkeiten Sie benötigen, und das bestimmt dann den Rest? Und wenn Sie bereits wissen, welche Fähigkeiten Sie benötigen, fangen Sie an zu messen, ob Ihre Schulungsbemühungen dazu beitragen, diese Qualifikationslücke zu schließen, oder ob Sie sehen, dass ein Mehrwert entsteht, weil diese Fähigkeiten vorhanden sind?

Nelson: Ja. Ich würde es fast wie eine Pyramide betrachten, oder? Und an der Spitze der Pyramide befindet sich alles, was das Unternehmen tut. Jedes Unternehmen hat eine Mission, und jedes Unternehmen hat eine Strategie, wie es diese Mission erreichen kann. Und dann hat jedes Unternehmen eine Reihe von KPIs oder Zielen oder OKRs, um zu sehen, ob es auf dem richtigen Weg ist, diese Strategie umzusetzen oder nicht. Nehmen wir an, das ist die Spitze der Pyramide. An der Basis dieser Pyramide haben Sie aus L&D-Perspektive Lerninitiativen, richtig? Und typischerweise sieht man in Unternehmen eine Lücke zwischen dem, was L&D tut, und dem, was das Unternehmen erreichen will. Normalerweise versuchen wir, die Punkte zur Spitze der Pyramide rückwirkend zu verbinden. Ich habe eine Menge Inhalte bereitgestellt und jetzt stellt sich die Frage: Hat das einen Mehrwert gebracht? Nun, lassen Sie mich herausfinden, wie es das getan hat. Und wir versuchen, diese Punkte rückwirkend zu verbinden. Das ist ein bisschen wie Bingo spielen. Jemand ruft eine Zahl auf, manche Leute haben die passende Zahl, sie gewinnen. Aber die Realität ist, dass die meisten Leute keine passende Zahl haben, also verlieren sie. Jedes Mal, wenn jemand verliert, ist das eine Verschwendung von Zeit, Ressourcen und Geld. Wenn Sie L&D-Bingo spielen, brauchen Sie eine sicherere Methode, um diese Punkte zu verbinden. Und die fehlende Lücke in dieser Pyramide ist: Welche Fähigkeiten müssen die Einzelpersonen und Teams haben, um diese KPIs zu erreichen? Der Prozess, den ich durchlaufen würde, ist also: Sprechen Sie im Vorfeld mit dem Unternehmen darüber, welche OKRs oder Ziele hier für uns wirklich am wichtigsten sind. Nehmen wir dieses hier, sagen wir, es geht um die Steigerung der Kundenbindung. Dann unterteilen wir das und fragen uns: Welche Stellenprofile beeinflussen diese Ziele am stärksten? Und welche Fähigkeiten müssen sie besitzen, um die Aufgaben erfüllen zu können, die dieses Ziel vorantreiben? Sobald wir wissen, welche Fähigkeiten sie benötigen, müssen wir herausfinden, welche Fähigkeiten sie tatsächlich haben. Verfügen sie über diese Fähigkeiten? Nehmen wir an, sie müssen über Problemlösungsfähigkeiten auf Stufe drei verfügen. Haben sie diese oder nicht? Und wenn sie diese Fähigkeiten nicht haben, geht es darum, dass dies die Schwerpunkte sind, an denen Sie arbeiten müssen. Welche Inhalte müssen Sie also erstellen, um die Problemlösung in Ihrem Unternehmen zu verbessern, oder welche Ressourcen haben Sie möglicherweise bereits, die Sie nur zugänglicher oder ansprechender für die richtigen Leute machen müssen, um das Beste daraus zu machen? Und jetzt, da Sie wissen, wie die Ausgangslage ist, verfolgen Sie diese Leistungskennzahl, um festzustellen, ob wir uns darauf zubewegen oder nicht. Verbessert sich die Kundenbindung? Wenn nicht, müssen wir den Kurs ändern. Wir müssen prüfen, ob es am Inhalt liegt oder an der Auffindbarkeit des Inhalts. Aber die entscheidende Kennzahl, die wir betrachten, ist diese, und die Realität ist, dass wir in zu vielen Unternehmen diese Leistungskennzahl erst viel zu spät messen. Und die Realität ist, dass man das erreicht, was man misst. Wenn man darüber nachdenkt: Wer war sich bis vor fünf Jahren bewusst, 10.000 Schritte zu machen? Niemand hat wirklich darüber nachgedacht, ob er seine 10.000 Schritte gemacht hat oder nicht. Aber jetzt, da wir messen können, ob wir unsere Schritte machen oder nicht, ist es uns allen wichtig, 10.000 Schritte zu machen. Man erreicht also das, was man misst. Und um anzufangen, muss man beginnen, die Auswirkungen des Lernens auf die Kompetenzentwicklung und die Leistung zu messen, um dies zu erreichen. Wenn man es nicht misst, erreicht man es auch nicht.

Ashling: Das ergibt sehr viel Sinn. Und ich denke auch, dass dies vielleicht, Talha, an etwas anknüpft, das du erwähnt hast, nämlich, dass einige Teams hier bzw. einige Organisationen dies bereits messen oder zumindest auf dem Weg zu diesem Endziel sind. Und jetzt haben sie eine Fähigkeit, sie brauchen Training für diese Fähigkeit. Vielleicht gibt es nur ein oder zwei Personen in der Organisation, die derzeit einen bestimmten Bedarf oder eine bestimmte Rolle erfüllen können. Sie beginnen also, Schulungen zu erstellen, erwarten aber zu viel von der KI. Also Talha, meine Frage wäre: Welche Art von Kontext macht tatsächlich den größten Unterschied, wenn du KI nutzt, um beim Lernen zu helfen?

Talha: Ja, das ist eine sehr gute Frage. Ich denke auch, wenn man den Chat liest, die Teilnehmer des Webinars, ich denke, eine Sache ist sehr klar: Große Sprachmodelle sind, obwohl sie darin besser werden, wirklich gut bei allgemeinen Informationen. Bei allgemeinen Informationen zu den meisten Themen sind sie ziemlich gut, auch bei einigen technischen Dingen. Aber eine Sache, in der sie standardmäßig immer noch nicht großartig sind – und das ist sehr wichtig, standardmäßig sind sie darin nicht großartig –, ist der Unternehmenskontext. Ihr Unternehmenskontext, Ihre Geschäftsziele, die Ergebnisse, die Sie anstreben. Das ist die Art von Kontext, die du in die KI einbringen möchtest. Und ich denke, diese Vorarbeit muss geleistet werden, bevor du mit der KI an einem Tool arbeitest, das du verwendest. Sobald du also die Fähigkeiten identifiziert hast, auf die du abzielen möchtest, und die richtigen Lernziele festgelegt hast – stets das gewünschte Ergebnis im Auge behaltend –, bevor du tatsächlich mit der Erstellung des E-Learnings beginnst, all das im Voraus zu dokumentieren und deine Erstellung so zu steuern, ist wirklich von großer Bedeutung. Ich denke, ein wirklich gutes Beispiel hierfür ist, dass es, selbst wenn man es aus einer Produktperspektive betrachtet, heutzutage tatsächlich einfacher ist, Dinge zu bauen – aber eben auch einfacher, die falschen Dinge zu bauen. Und dieses Konzept gilt auch für die Kurserstellung. Denn du erstellst etwas, um sinnvolle Ergebnisse zu erzielen. Und es ist sicherlich einfacher, eine Schulung zu erstellen, aber es ist eben auch einfacher, die falsche Schulung für die falschen Leute in den falschen Formaten zu erstellen. Diese Vorarbeit – also das Einbringen deines Unternehmenskontexts, der angestrebten Ergebnisse und das Formulieren der richtigen Lernziele sowie das Einbringen des passenden Kontexts in die KI – ist wirklich, wirklich wichtig.

Ashling: Ich würde sagen, ja, das ergibt Sinn. Ich denke, vielleicht gibt es einen Schritt zwischen dem, was du, Nelson, gerade über die Lücke, die Vorbereitung und das Wissen darüber, was wir messen, erklärt hast, und dem anschließenden Erstellen der Inhalte. Und ich weiß, dass heute wahrscheinlich Leute an diesem Webinar teilnehmen, die sich genau in diesem Zwischenschritt befinden. Vielleicht könntest du uns also, Nelson, dabei helfen herauszufinden, wie wir weitermachen können. Wie würdest du also vorschlagen, dass L&D-Teams in dieser Situation vorgehen, sobald sie die Fähigkeiten und geschäftlichen Anforderungen identifiziert haben und entscheiden müssen, welche Lernintervention den größten Unterschied macht?

Nelson: Ja, ein Teil davon besteht darin, zu verstehen, was diese Qualifikationslücken sind. Welche Fähigkeiten benötigst du jetzt? Die Fähigkeiten lassen sich dann in die Aufgaben und Verhaltensweisen unterteilen, die du beherrschen solltest, nachdem du die Fähigkeit erworben hast. Nun, ein Großteil davon stammt aus der Problemerkennung. Ich verwende hierfür gerne das Beispiel einer Produktmentalität, weil ich denke, dass vieles davon zutrifft. Und ein großer Teil der Produktentwicklung ist die Problemerkennung. Wie viel Zeit verbringst du tatsächlich damit, zu verstehen, was das eigentliche Problem ist? Warum haben wir ein Leistungsproblem? Welche Aufgaben und Verhaltensweisen können diese Personen nicht ausführen oder in denen sie sich verbessern müssen? Und genau hier ist die Zusammenarbeit mit dem Fachexperten wirklich, wirklich wichtig, um den Kontext zu verstehen, in dem diese Fähigkeit angewendet wird. Ein großartiges Beispiel hierfür ist eine Fähigkeit wie Kommunikation. Wie Kommunikation angewendet wird, unterscheidet sich sehr stark zwischen einem Vertriebsmitarbeiter in seinem Kontext und einem Ingenieur in seinem Kontext. Wenn du also verstehst, wie sich diese Fähigkeit als Aufgabe oder Verhalten manifestiert, kannst du sicherstellen, dass du über die richtigen Ressourcen verfügst, um dies zu erreichen. Wenn es nun um Ressourcen geht, kommt man wieder auf die Frage zurück: Was ist das richtige Format? Es ist nicht für jede Art von Fähigkeit dasselbe Format, und genau das ist es, woran wir normalerweise hängen bleiben. Aber worüber wir hier wirklich nachdenken müssen, ist ein Ökosystem an Ressourcen, das für verschiedene Kontexte, verschiedene Rollen und verschiedene Fähigkeiten geeignet ist. Es geht nicht darum, einen einzigen Kurs zu haben, der das Problem für jeden löst, der über diese spezielle Fähigkeit verfügt. Und da denke ich, dass man sich stärker auf das Kuratieren verlässt und im Grunde sogar verschiedene Fachexperten hinzuzieht, um Inhalte zu erstellen. Die Nutzung von beispielsweise Easygenerator, um sie in die Lage zu versetzen, diese Inhalte zu erstellen, ist eine Form des Kuratierens, bei der sich die Rolle von L&D von einer Art Inhaltsfabrik, die alle Inhalte produziert, hin zur Befähigung von Fachexperten verschiebt, damit diese sich in der Lage fühlen, die Ressourcen zu erstellen, die man benötigt, um diese Lücken zu schließen. Das ist also für mich diese Brücke. Ich denke, einer der entscheidenden Schritte ist, bevor wir uns in die Erstellung von Inhalten stürzen, wirklich diese anfängliche Problemerkundung durchzuführen, um zu verstehen, was tatsächlich fehlt.

Ashling: Das ergibt Sinn. Also ja, es passiert eine Menge, und es ist interessant zu sehen, wie es sich im Laufe der Zeit entwickelt und wie diese anfängliche Erkundung wirklich helfen kann, und ein Plan, mit dem man an die Dinge herangeht, kann einen Unterschied machen. Ich weiß, dass das Anklang zu finden scheint, es gibt viele Kommentare im Chat. Ich habe gerade gesehen, dass eine Nachricht von Jodi reingekommen ist, und ich finde es interessant, wie Jodi KI genutzt hat, um täglich Inhalte zu erstellen. Für Dinge wie Zusammenfassungen, Gliederungen, Skripte aus bildschirmaufgezeichneten Videos oder die Strukturierung von Lehrplänen kann man auf Basis des Ergebnisses anschließend validieren und mit besseren Prompts weiter iterieren. Hier wird also KI genutzt, um bei der Qualität zu helfen, und ich weiß, dass das für viele Teilnehmer dieses Calls ein wichtiges Thema ist. Talha, das ist etwas, das du auch erwähnt hast, daher bin ich neugierig, ob das bei irgendjemandem wirklich Anklang findet: Was würdest du ihnen raten, um zu bewerten, ob eine KI-Funktion tatsächlich die Lernqualität verbessert oder ob sie nur Zeit spart?

Talha: Ich denke, eines ist sicher, ich würde zustimmen, wir sehen dieses Muster oft, wenn es darum geht, hilfreiche Zusammenfassungen und Gliederungen zu erstellen und natürlich diesen ersten Output zu erhalten und dann daran zu iterieren, anstatt zu erwarten, dass die KI das Allheilmittel ist. Nehmen wir zum Beispiel an, man gibt ihr einen Prompt und zack, mit einem Versuch ist der Kurs fertig – das passiert nicht. Die Realität ist, dass man hingehen und mit der KI iterieren muss, und oft ist es der fehlende Kontext, der anfangs nicht da war, der in dieser Phase eingebracht wird, und dann perfektioniert man den Inhalt und macht ihn veröffentlichungsreif. Und das sehen wir sehr oft. Tatsächlich sind die Power-User von KI, diejenigen, die sie am effektivsten nutzen, diejenigen, die genau diesen Workflow befolgen. Während diejenigen, die irgendwie erwarten, dass die KI unrealistische Dinge tut, wahrscheinlich nach der ersten Nutzung abspringen. Diejenigen, die im Iterationszyklus weitermachen, holen auf jeden Fall am meisten aus der KI heraus. Und im Hinblick auf die Erstellung effektiver Inhalte halte ich es auch für wichtig, um auf Nelsons Punkt zurückzukommen, dass man die Verhaltensänderung, die der Lernende am Ende erreichen soll, im Grunde von Anfang an im Blick hat und seine Inhalte darauf ausrichtet. Innerhalb von Easygenerator nutzen wir die Bloom-Taxonomie, um diesen Prozess zu unterstützen. Während des Inhaltserstellungszyklus verwenden wir die Bloom-Taxonomie im Grunde, um bei der Erstellung von Lernzielen zu helfen, und das inspiriert dann den Rest der Inhalte, die mit KI erstellt werden, in dem Sinne, dass wir den Fachexperten bzw. den Instructional Designer, der unser Tool zur Erstellung von Lerninhalten nutzt, vorab fragen: Was genau sollen deine Lernenden tun, nachdem sie den Kurs abgeschlossen haben? Welche Verhaltensänderung im Hinblick auf die Anwendung sollen sie vorantreiben? Und sobald dies vorab definiert ist, zusammen mit dem Wissen, das sie benötigen, um diese Handlung ausführen zu können, lenkt das die KI in die richtige Richtung und verbessert insgesamt die Qualität deiner Inhalte. Und es hilft auch bei der Auswahl der richtigen Formate, weil es viele verschiedene Formate gibt, in denen man Lerninhalte konsumieren kann. Wenn man also wieder auf die Ziele zurückkommt, die man im Vorfeld festgelegt hat, hilft das der KI wirklich dabei, die richtigen Formate zu bestimmen. Für handlungsorientierte Szenarien sind zum Beispiel Rollenspiele vielleicht ein sehr gutes Format, während für das reine Verstehen und Erinnern Textblöcke vielleicht die bevorzugte Methode sind. Das ist also die Art von Konfiguration, die man vorab vornehmen muss, um die KI in die richtige Richtung zu lenken und natürlich mehr Inhalte zu erstellen, die effektiver sind.

Ashling: Wirklich interessant. Dass also ein Mensch am Steuer sitzt und die KI unterstützt, das scheint gut anzukommen. Jemand verglich es mit dem Kochen im Vergleich zu einer Mikrowelle oder damit, KI als Sidekick zu nutzen. Also, ja, wenn eine Person beteiligt ist, sehen die Menschen bereits die besten Ergebnisse. Nelson, ich bin wirklich an deiner Sichtweise interessiert. Nehmen wir an, Teams untersuchen dies und möchten Menschen in den Lernprozess einbeziehen. Welche Rolle sollten Fachexperten dabei spielen, der Personalentwicklung zu helfen, das tatsächliche Leistungsproblem zu verstehen, damit sie sich bestmöglich vorbereiten können, wie Talha es erwähnt hat?

Nelson: Ja, ich denke, das alte Modell war, dass ich als Instructional Designer oder als L&D-Manager bzw. Experte in der Personalentwicklung zu einem Fachexperten gehe, um zu sagen: Gib mir den Inhalt, gib mir das Fachwissen, oder? Der Fachexperte hat also sein gesamtes Wissen preisgegeben, und ich, in der Personalentwicklung, habe das übernommen, daran herumgefeilt, Pädagogik angewandt und daraus einen Kurs entwickelt. Und was KI in Kombination mit Autorentools ermöglicht, ist die Beseitigung des Engpasses, dass ein sehr kleines Personalentwicklungsteam für all das verantwortlich sein muss. Was man jetzt tun kann, ist: Ich als Fachexperte gehe zu Easygenerator und arbeite mit der KI zusammen, um zu sagen: Ich gebe hier mein Fachwissen ein, aber du hast das pädagogische Know-how und weißt, wie man das am besten formuliert, strukturiert und umsetzt. Der Vorteil ist, dass du früher Wochen gebraucht hättest, um etwas zu entwickeln, das pädagogisch fundiert ist. Aber jetzt können wir sehr schnell von dieser Expertise zu pädagogisch fundierten Lernressourcen gelangen. Davon abgesehen stellt sich die Frage: Was ist die Rolle von L&D? Und ich denke, es ist eine sehr grundlegende und wichtige Rolle, bei der L&D die Richtlinien und den Rahmen dafür vorgibt, wie gute Ergebnisse aussehen. Und das bedeutet nicht zwangsläufig, dass ich es selbst erstellen muss. Ein guter Vergleich hierfür ist, wie ich oft sage, wenn ich über die Rolle einer Führungskraft nachdenke: Für mich ist eine Führungskraft jemand, der die Messlatte hochlegt und dann die Bedingungen schafft, unter denen man diese Messlatte erreichen kann. Das sind die einzigen zwei Dinge, die eine Führungskraft tun muss. Und ich denke, in dieser Welt sind wir im Grunde alle Manager von KI. Und für mich ist L&D ein Manager von KI, die speziell für L&D entwickelt wurde. Und daher ist es deine Aufgabe, die Messlatte für die KI zu setzen und die Bedingungen dafür zu schaffen, dass sie diese erreicht. Und die Bedingungen, um die Messlatte zu erreichen, sind hier Dinge wie der Kontext, der zuvor beschrieben wurde. Was hast du getan, um es einfach zu machen, diesen Kontext einzubringen? Denn du kannst nicht erwarten, dass der Fachexperte jedes Mal den Kontext einbringt. Gibt es etwas in der Art – quasi eine Skill-MD-Datei? Was sind für das Unternehmen universelle Anweisungen oder Dateien, hinsichtlich dessen, wie wir die Welt sehen, was wir mögen und was wir nicht mögen? Wie bringst du diesen Kontext ein, damit der Fachexperte das nicht ständig tun muss? Gibt es bestimmte pädagogische Rahmenwerke, zu denen du tendierst und bei denen du sicherstellen möchtest, dass die KI sie kennt? Dieser Kontextaufbau ist also eine große Aufgabe, und man erkennt erst, wie wichtig er ist, wenn man versucht, Dinge ohne diesen Kontext zu erstellen, und sieht, wie schrecklich das Ergebnis ist. Und das ist wirklich die Rolle von L&D: Es geht nicht unbedingt darum, den Inhalt zu entwickeln, sondern den Kontext zu gestalten, damit alle anderen mit sehr geringem Aufwand nützlichere Ressourcen erstellen können.

Ashling: Mir hat sehr gefallen, wie du es ausgedrückt hast: die Messlatte setzen und dann die Bedingungen schaffen, damit man sie erreichen kann. Talha, angesichts deiner Rolle bei der Gestaltung von EasyAI bei Easygenerator würde ich gerne wissen, wie diese Lektionen dich auf dem Weg von einer autorzentrierten KI gegenüber der regulären KI-Inhaltserstellung beeinflusst haben.

Talha: Ja, ich denke, was die Geschichte von EasyAI von den Anfängen bis heute betrifft, so spiegelt sie auch im Allgemeinen wider, wie sich die KI selbst und die Wahrnehmung um sie herum im Laufe der Zeit verändert hat. Natürlich hatten die Leute, als es zum ersten Mal aufkam, die Erwartung, dass man ihm einfach einen Prompt gibt, und mit einem einzigen Prompt in der Lage wäre, sein Ergebnis zu erhalten. Und dann hieß es so etwas wie: Okay, können Sie ein paar Beispiele für großartige Ergebnisse geben, und dann würden Sie eine bessere Antwort erhalten. Dann kam die Idee der Projekte, zum Beispiel kann man Dinge in Projekte einordnen und dann verwaltet es den Kontext. Dann kamen wir in die Ära von Claude Code, wir haben jetzt MD-Dateien, die als Kontext gespeichert werden, und heutzutage haben wir Skills. Wir sehen also ein klares Muster: Die Dinge bewegen sich – um auf Nelsons Punkt zurückzukommen – in die Richtung, die KI in die richtige Bahn zu lenken, diese Messlatte zu setzen und Skills zu haben, zum Beispiel mehrere Messlatten für verschiedene Bereiche, Domänen oder Dinge, die die KI tun sollte, und sie dann dazu zu bringen, diese zu befolgen. Und genau das bietet das „Author-First“-Authoring, bei dem Sie die KI in die richtige Richtung lenken und die Bedingungen dafür festlegen. Zum Beispiel haben wir in unserer EasyAI-Suite etwas namens Kursrichtlinien. Und innerhalb der Kursrichtlinien erlauben wir dem Autor, der KI Anweisungen zu geben, was die inhaltlichen Präferenzen sind, was die Ziele sind, was die Quelldateien sind. Und es ist im Grunde eine der Aufgaben der KI, diese Richtlinien tatsächlich zu lesen und immer wieder auf sie zurückzugreifen, wann immer sie eine Entscheidung darüber trifft, was erstellt werden soll. Und das ist extrem wichtig, denn es hilft der KI zu verstehen, was für mich gut ist, wie ein gutes Ergebnis aussehen soll, und diese Anweisungen dann zu befolgen. Ich denke also, das ist das gemeinsame Muster, auf das wir jetzt zusteuern. Und ich denke, aus L&D-Perspektive, um Nelsons Punkt zu unterstreichen, dreht sich alles um den Governance-Aspekt. Das Festlegen dieser Standards, damit die KI dann effektiv auf breiter Front arbeiten kann. Jeder Fachexperte kann die Inhaltserstellung übernehmen, und dann haben Sie diese Governance-Ebene, die Experten dabei hilft, KI bestmöglich zu nutzen. Andernfalls baut man wieder nur sehr schnell die falschen Dinge, ohne jegliche Richtung und Qualität.

Ashling: Ja, ich denke, du hast etwas angesprochen, das bei mir persönlich definitiv Anklang findet, und ich wäre neugierig, ob das noch jemand so empfindet. Aber KI wird zu einem solchen Modewort, und all diese Tools haben jetzt KI, sodass es wirklich wichtig ist, dass wir anfangen zu betrachten, was KI tatsächlich tun kann, wie sie in ein Tool integriert ist oder ob sie nur an ein Tool angehängt wurde. Vielleicht können wir dieses Gespräch also auch erweitern. Nelson, angesichts der Arbeit, die du bei HowNow leistest, würde ich gerne auch deine Perspektive dazu hören. Wenn du KI-Lern-Tools bewertest, was signalisiert dir, dass dies etwas ist, das wirklich in das Produkt integriert ist und einen Mehrwert bietet, anstatt etwas, das nur nachträglich angehängt wurde?

Nelson: Ja, ich denke, es läuft im Grunde auf dieselbe grundlegende Frage hinaus: Du nutzt etwas nicht nur, weil es KI ist. Und ich glaube nicht, dass das bei irgendeiner Technologie der richtige Ansatz ist. Es läuft grundlegend darauf hinaus, welches Problem man zu lösen versucht. Und ich glaube, der berühmte Satz lautet: Man liebt das Problem, nicht die Lösung. Und ich denke, das ist hier der Schlüssel. Andernfalls kann man massiv von Technologie um der Technologie willen überwältigt werden. Aber sobald du klar hast, welches Problem du lösen möchtest, läuft es darauf hinaus, welches Werkzeug bzw. welche KI-Lösung am besten dazu geeignet ist, dir bei der Bewältigung zu helfen. Wo es darauf ankommt, ob es KI-nativ oder ein Zusatz ist: Bei einem Zusatz ist man für einen bestimmten Aufgabenbereich sehr eingeschränkt, weil er einen sehr veralteten Ansatz darstellt, und dann versucht man, die letzte Meile mit KI zu verfeinern, was es sehr schwierig macht. Aber wenn man KI-nativ arbeitet, wendet man im Grunde bei jedem Schritt dieses Prozesses Intelligenz an. So erhält man Effizienzgewinne, aber auch einen Gewinn an Effektivität, indem man diese Intelligenz bei jedem Schritt anwenden. Das soll nicht heißen, dass man Zusatzlösungen komplett ausschließen sollte. Ich denke, in manchen Szenarien, je nachdem, was man erreichen will, kann eine Zusatzlösung für das, was man tun möchte, völlig in Ordnung sein. Aber wenn man sich etwas wie die Inhaltserstellung ansieht, liegt der Grund dafür, dass – obwohl wir es Inhaltserstellung nennen – tatsächlich mehrere Schritte ablaufen: vom Verständnis, was das geeignete Lehrplandesign ist, über die Inhalte der einzelnen Elemente, bis hin dazu, wie man dynamische Unterstützung einbindet und verschiedene pädagogische Rahmenwerke einbringt. Es gibt mehrere Dinge, die passieren, um dies zu tun. Und als Zusatzlösung ist das wirklich schwierig umzusetzen; wir müssen KI wirklich von Grund auf in die Art und Weise integrieren, wie man Inhalte erstellt. Ich denke, die Art und Weise, dies zu bewerten, ist: Wie effektiv hat es geholfen, die Aufgabe zu erledigen, die man zu erledigen versuchte, anstatt zu versuchen, es so zu betrachten: Ist diese KI besser als jene KI? Welche KI am besten dabei geholfen hat, das Problem zu lösen, das man ursprünglich hatte, ist die Art und Weise, wie ich es betrachten würde. Es läuft wirklich auf diese Zuordnung hinaus: zu wissen, was das Ziel am Ende ist, und sich vielleicht nicht von etwas ablenken zu lassen, das neu oder glänzend ist, sondern darauf zu achten, ob es einem tatsächlich einen Mehrwert bietet, ob es einem hilft, seine Ziele zu erreichen.

Ashling: Ich sehe eine Frage von Victoria, die über den Chat hereinkam, die meiner Meinung nach hier gut anknüpft. Victoria erklärte, wie KMUs jetzt viel KI nutzen, sie erstellen Dinge wie Dokumente und denken sich: Hey, das ist wirklich großartig, das ist wirklich nützlich. Allerdings ist es nicht immer wirklich hilfreich, besonders wenn wir die Pädagogik berücksichtigen. Also, Talha, ich schätze deine Einblicke hier. Wie können wir Fachexperten in den Prozess einweisen und ihnen die Notwendigkeit zumindest einer Überprüfung vermitteln, wenn es um das Lernen oder die Erstellung von Lerninhalten geht?

Talha: Ich denke eher, ich würde nicht sagen, dass es wahrscheinlich der richtige Ansatz ist, den Fachexperten beizubringen, wie man qualitativ hochwertige Inhalte erstellt. Ich würde sagen, das ist Aufgabe von L&D, ich denke, das L&D-Team kann diesen Rahmen setzen und die richtige Richtung vorgeben. Wiederum das Konzept der Kursrichtlinien, die Messlatte höher legen, einige Fähigkeiten vermitteln und dann die Fachexperten diese nutzen lassen. Andernfalls ist es nur eines dieser Probleme, bei denen, sagen wir mal, die Fachexperten nicht die Zeit und die Ressourcen haben, um diese Inhalte zu erstellen, und es wird nur eines dieser Elemente sein, die man ihnen jetzt beibringen muss und bei denen sie lernen müssen, wie man qualitativ hochwertige Lerninhalte erstellt. Und daher denke ich, dass KI wirklich sehr, sehr hilfreich sein kann, wenn L&D-Teams das wirklich aufgreifen und diese Governance-Ebene haben und definieren, wie „gut“ aussieht, und dann können die Fachexperten das nutzen, um Inhalte zu erstellen, und im Grunde genommen bedeutet das dann keine zusätzliche Belastung für sie. Bei Themen wie mitarbeitergeneriertem Lernen in großem Maßstab haben die Fachexperten also nicht die Zeit, die Last der Erstellung von Lerninhalten zu tragen. Anstatt ihnen also zusätzlich die Last aufzubürden, lernen zu müssen, wie man qualitativ hochwertige Lerninhalte erstellt, schafft man diese Governance-Ebene, um ihnen zu helfen, diese zu verstehen und zu nutzen. Und genau da kann KI super hilfreich sein.

Nelson: Und um das noch zu ergänzen: Ich glaube, wenn man hingeht und sagt, wir müssen aus Lernperspektive eine Überprüfung durchführen, nur weil wir es eben müssen, dann wird das wahrscheinlich nicht gut ankommen. Und ich denke, man ist selbst in der Pflicht, das zu erklären und mit Daten zu belegen, denn sonst wirkt es nur wie ein Punkt, der abgehakt werden muss, nur um ihn abgehakt zu haben. Man muss also die Daten erfassen, um zu sehen: Wo stehen wir, warum ist es nicht nützlich oder sind einige Teile davon nützlich? Und man sagt dann: Schau dir diese Daten an, es kommt hier nicht an oder es bewirkt nicht X, Y, Z so, wie du es möchtest, das liegt daran. Ich denke also, dass eine solche Durchsetzung dazu führen kann, dass sich die Leute entmutigt fühlen, und man möchte nicht, dass das die Botschaft ist, die ankommt, sondern man möchte die Leute ermutigen, die sich überhaupt erst die Mühe machen, was großartig ist. Das bedeutet, dass sie Lernen wirklich als Lösung für das Problem sehen, was ein großartiger Ausgangspunkt ist, denn oft kommen die Leute gar nicht erst an diesen Punkt, sie erkennen nicht, dass Lernen die Lösung für das Problem ist. Es geht also wirklich darum, taktvoll vorzugehen und zu sagen: Hier sind die quantitativen und qualitativen Daten, die zeigen, dass diesem Lerninhalt etwas fehlt, und ich kann dir dabei helfen, das ist meine Expertise, lass mich dich dabei unterstützen, das hättest du tun können, und es eher als Coaching-Gelegenheit zu nutzen, anstatt als „Ich habe es dir doch gesagt“-Gelegenheit.

Ashling: Das gefällt mir, also ja, eine Coaching-Gelegenheit. Und wir sehen immer mehr, dass L&D im Zuge der Weiterentwicklung in diesen unterstützenden Rollen arbeitet, dass ihre Funktion innerhalb des Unternehmens nun darin besteht, das Lernen zu unterstützen und zu ermöglichen und sicherzustellen, dass Lernen einen Mehrwert schafft.

Nelson: Wenn du dies versuchst – basierend auf meinen Erfahrungen mit verschiedenen Organisationen auf diesem Weg – erweist es sich als sehr wirkungsvoll, diese Unterstützung zu bieten und zugleich Anerkennung zu zeigen. Es könnte also bedeuten, dass die Namen von Personen in den Kursen aufgeführt werden und zu sagen: „Hey, Talha, du hast einen wirklich fantastischen Kurs über KI erstellt – du hast unsere Checkliste befolgt und bekommst jetzt begeisterte Bewertungen.“ Oder dass ein Wettbewerb veranstaltet wird oder einfach das Lernen anerkannt und referenziert wird. Diejenigen, die es richtig machen, werden also ermutigt, dies weiterhin zu tun, und diejenigen, die vielleicht nur Dokumente produzieren, die nicht so nützlich sind, haben ein Ziel, auf das sie hinarbeiten können. Also noch einmal: die Messlatte höher legen und ihnen dann helfen, sie zu erreichen.

Ashling: Ich sehe eine weitere Frage im Chat. Wir sprechen über KI und Tools, wie wir KI unterstützen. Aber es gibt auch etwas Interessantes: Es geht darum, wie einige Tools KI dranhängen und dann zusätzlich noch einen Aufpreis verlangen oder diese Kosten nicht absorbieren. Dann stellt sich die Frage: Ist das nützlich? Ist das etwas, das wir brauchen? Talha, ich würde mich über deinen Input dazu freuen, bevor wir für heute zum Schluss kommen, bezüglich der Preisgestaltung, der Übernahme der Kosten, wie gehst du an diese Sache heran, wenn du dir verschiedene Tools ansiehst?

Talha: Nun, das hängt von Tool zu Tool ab, wenn es um das Angebot geht. Ich werde unsere Position direkt bei Easygenerator darlegen: Wir glauben fest daran, dass die Zukunft für die meisten Autoren und L&D-Leute natürlich KI-nativ ist. Es ist eine Realität, dass sich KI im Grunde genommen in wichtige Arbeitsabläufe einbettet, unabhängig von Ihrem Bereich; in den meisten Bereichen hatte sie einen sehr bedeutenden Einfluss. Und unsere Position ist, dass jeder mit dieser Technologie befähigt werden sollte, und wir wollen natürlich auf dieser Reise mit unseren Kunden, mit den L&Ds, mit den Fachexperten zusammen sein und lernen, wie KI für sie und mit ihnen arbeitet. Und daher berechnen wir für die KI unserer Kernplattform keinen Aufpreis. Sie ist im Grundpreis enthalten. Und das ist der Hauptgrund dafür: Es geht darum, jeden zu befähigen, gemeinsam mit ihnen auf diese Zukunft hinzuarbeiten, in der man KI-nativ ist, und mit ihnen zu lernen, wie das in Zukunft aussieht. Das ist also unsere Position, und es ist nicht für jedes Tool möglich, das zu tun; es hängt davon ab, woher sie kommen, im Hinblick darauf, wie KI-nativ sie waren oder wie bereit sie waren, die KI-Revolution anzunehmen. Denn einige Tools mussten die Kosten für KI natürlich an die Kunden weitergeben, während wir sie absorbiert und die Kunden auf dieser Reise mitgenommen haben. Wir befinden uns natürlich auf der anderen Seite.

Ashling: Ja, ich denke, es läuft darauf hinaus, wie KI im Tool verwendet wird: Ist es etwas, das einen Mehrwert bietet? Ist es nur angehängt? Wird es Ihre Erfahrung verändern? Das sind also wirklich hilfreiche Einblicke. Ich habe gesehen, dass wir noch etwas Zeit haben, also wollen wir natürlich immer in die Zukunft blicken. Dann werden wir auch noch etwas Zeit für Fragen lassen. Wenn Sie also Fragen haben, stellen Sie sicher, dass Sie diese in den Chat schreiben. Talha, vielleicht kannst du den Anfang machen, wenn wir auf die Zukunft blicken: Wo siehst du die Entwicklung der KI im nächsten Jahr oder so?

Talha: Ja, viele verschiedene Dinge haben sich definitiv mit der Zeit geändert, natürlich ist die KI in unterschiedlichen Bereichen großartig geworden. Es fing also alles damit an, nur mit Text zu arbeiten, dann wurde es wirklich gut bei Bildern und Videos, und heute beherrscht es viele verschiedene Arten von Aufgaben und Arbeitslasten sowie den Umgang mit unterschiedlichen Multimedia-Inhalten. Ich denke, die Zukunft liegt definitiv – was ziemlich offensichtlich ist und der Richtung entspricht, die die meisten Tools da draußen sowie Easygenerator einschlagen – in der Richtung der agentischen KI. Und es greift viele der Probleme auf, die wir heute diskutiert haben: das Problem, nicht genügend Kontext bereitzustellen, wobei Qualität eines davon ist, bessere Ergebnisse von vornherein zu erhalten, und ähnliche Dinge. Und wenn ich von agentenbasiert spreche, meine ich wieder die iterative Natur der KI: Die KI verfügt über die Tools, geht diese verschiedenen Tools kreativ durch, nutzt sie, erledigt Aufgaben und arbeitet mit dem Autor oder dem Benutzer für dessen spezifische Aufgabe und Arbeitsablauf zusammen, um das zu erreichen. Und auf dieser ganzen Reise nutzt sie dann verschiedene Teile des Kontexts, die berücksichtigt werden müssen, verschiedene Fähigkeiten und verschiedene Tools, um das zu erreichen, was sie erreichen muss. Ich denke also, das ist ein effektiverer Weg, KI anzuwenden, als nur auf einen einmaligen Versuch zu setzen. Und ich denke, die Branche realisiert das.

Ashling: Wir werden zu den Fragen übergehen, aber in den letzten ein oder zwei Minuten, Nelson, siehst du noch etwas, das du in den nächsten sechs bis zwölf Monaten im Bereich KI und L&D erwartest?

Nelson: Ja, ich denke, eines der Dinge, die wir in L&D nie wirklich geschafft haben, ist, eine Verbindung zwischen Lernen und Leistung herzustellen. Wenn Sie sich die meisten Organisationen ansehen, können die meisten Organisationen, wenn die Leistung nachlässt, nicht sagen, welche Fähigkeiten fehlen und was der Grund für den Leistungsabfall war. Nehmen wir an, durch ein Wunder wüssten Sie, welche Fähigkeiten fehlen, wissen Sie oft nicht, welche Lernmaßnahme für dieses Fähigkeitsniveau passend ist. Und um diese Punkte miteinander verbinden zu können, und nehmen wir an, das Lernen findet statt, können Sie nur sehr selten sagen, ob es tatsächlich funktioniert. Diese Lücke zwischen Lernen und Leistung ist uns bisher nie gelungen zu schließen. Und der Grund dafür ist, dass man, um diese Lücke schließen zu können, zuerst die Arbeit sehen muss; man muss tatsächlich sehen, wie Menschen arbeiten, oder Arbeitsdaten sehen, um beurteilen zu können, ob sie ihre Arbeit gut machen oder nicht. Und dann benötigt man die Intelligenz, um diese Arbeitsdaten betrachten und aufschlüsseln zu können, um sagen zu können: Basierend auf dem, was ich diese Person tun sehe, ist sie in diesem Bereich gut, aber in jenem weniger. Und sobald das System das herausgefunden hat, muss es in der Lage sein, Ihnen genau die richtige Hilfe zu geben, damit Sie bei der Aufgabe, die Ihnen zuvor nicht gelungen ist, besser werden. Und das war bisher typischerweise sehr fragmentiert; man brauchte verschiedene Menschen und verschiedene Systeme, und es gab enorme Koordinationskosten zwischen all diesen Elementen. Jetzt, mit Agenten, aber noch wichtiger mit autonomen Agenten, die diesen Kreislauf ganz von selbst durchlaufen können, können Sie nun Arbeitssignale betrachten, die Leistungslücken erkennen, herausfinden, welche Fähigkeiten fehlen, Sie dann mit der richtigen relevanten Lernressource verbinden und anschließend die Arbeitsdaten überwachen, um zu sehen, ob sich die Leistung oder das Verhalten tatsächlich geändert hat – und das alles in einem autonomen Kreislauf. Das ist es, was wir derzeit bei Organisationen haben, mit denen wir mit HowNow zusammenarbeiten, und das ist die Richtung, in die es sich unserer Meinung nach entwickelt: Dieser Leistungsverbesserungskreislauf wird völlig autonom sein, mit von L&D festgelegten Leitplanken, aber Sie müssen diese Vorarbeit nicht leisten, was unglaublich ist, denn wenn man die Leistung autonom in Geschwindigkeit und Umfang verbessern kann, eröffnet das wirklich die Vision eines sich selbst verbessernden Unternehmens.

Ashling: Was ich ziemlich aufregend finde, das finde ich auch. Und ich denke, du hast uns gut zu einigen der im Chat eingehenden Fragen geführt, und vielleicht kannst du helfen – Talha, falls du dazu einen Standpunkt hast, kannst du dich gerne einklinken. Sanjo hat gefragt, wie man in seiner L&D-Organisation von einer kurzfristigen Umsatzgenerierungsstrategie ablenkt, ohne qualitative Ziele oder Vorgaben, um nicht nur glänzenden Objekten und KI hinterherzulaufen, sondern zuerst eine dezentrale oder kreative Strategie zu definieren? Also, wie trennt man vielleicht das Wesentliche vom Unwesentlichen, indem man eine fundierte Strategie definiert, anstatt einfach auf den neuesten Trend aufzuspringen?

Talha: Das ist eine sehr gute Frage. Und ich denke, ja, eine Sache, die definitiv daraus hervorgeht, ist, dass es natürlich auch auf einer höheren Ebene ein Problem gibt, nämlich das mangelnde Verständnis dafür, wie KI im Allgemeinen funktioniert, welche greifbaren Vorteile sie bringen kann und wo ihre Grenzen liegen. Das führt zu diesen unrealistischen Erwartungen und dann zur Priorisierung kurzfristiger Gewinne, anstatt zuerst eine Strategie zu definieren. Ich denke, dieser Wandel muss stattfinden. Ich denke, es muss von unten kommen, es sollte natürlich Bottom-up sein, innerhalb einer Organisation, in der es Power-User von KI gibt, denn die meisten Organisationen haben diese Power-User von KI, die die Technologie wirklich sehr annehmen. Und ich denke, es ist irgendwie, vielleicht sollten sie eine geteilte Verantwortung übernehmen, um dieses Wissen dort oben voranzutreiben und zu Fachexperten innerhalb ihrer Unternehmen zu werden, um der Führung wirklich zu helfen, zu erkennen, wo KI funktioniert, wo KI nicht funktioniert, und dann von dort aus weiterzuarbeiten und dann eine kreative Strategie zu priorisieren. Ich denke, das wäre meine Sichtweise. Ich bin gespannt, wie das aus Nelsons Sicht aussehen würde.

Nelson: Ja, ich meine, ich werde darauf aufbauen und eigentlich darauf zurückkommen, es mit einer anderen Frage zu verknüpfen, die hereinkam, wie man Zustimmung bekommt. Ich denke, sie überschneiden sich irgendwie. Das Werkzeug und die Technologie sind zweitrangig, oder? Entscheidend ist, was die Unternehmensstrategie ist, was wir tun müssen, um sie umzusetzen, und welche Fähigkeiten dafür aufgebaut werden müssen – so richtet man seine Strategie aus und gewinnt Zustimmung. Ich empfehle normalerweise, und vielen der Organisationen, mit denen wir zusammenarbeiten, dieses Framework, die drei Warums, für den Aufbau Ihres Business Case. Und das erste Warum ist das Warum jetzt. Und das Warum jetzt ist, dass die meisten von uns, wenn nicht sogar alle, Veränderungen hassen. Wir hassen Veränderungen. Und der Grund, warum wir Veränderungen hassen, ist, dass Veränderungen viele Risiken mit sich bringen – persönliches Risiko, soziales Risiko, finanzielles Risiko, es gibt viele Risiken, das ist der Grund, warum wir Veränderungen hassen. Aber es gibt nur eine Sache, die uns dazu bringt, uns zu ändern, wenn wir Veränderungen hassen, und das ist eine wirklich große Veränderung, richtig. Wenn eine wirklich große Veränderung eintritt, macht sie den aktuellen Status quo inakzeptabel. Und wenn sie den aktuellen Status quo inakzeptabel macht, müssen wir uns daher ändern, um die Chance zu ergreifen oder der Bedrohung auszuweichen. Und ich denke, der erste Teil, um die Zustimmung zu erhalten, besteht darin, zu erklären, was diese große Veränderung ist, die den aktuellen Status quo inakzeptabel macht, und das ist Ihr Warum jetzt. Wenn Sie nun Ihr Warum jetzt erledigt haben, kommen Sie zu Ihrem Warum, Ihrem Lösungs-Warum, der Sache, die Sie vorschlagen. Und genau da sprechen Sie darüber: Okay, ich verstehe jetzt Ihr Warum, aber was sind die Hindernisse, die Sie im Moment daran hindern, dieses Problem anzugehen? Sie müssen die Hindernisse benennen, bevor Sie zur Lösung springen, sonst senden Sie nur eine Lösung, aber überlassen es mir, diese Punkte zu verbinden. Wenn Sie diese Hindernisse nun benannt haben, sprechen Sie über Ihre Lösung; diese Lösung könnte HowNow, Easygenerator, KI dies, KI das sein. Aber wenn Sie über diese Lösung sprechen, sprechen Sie darüber im Kontext von: Was sind die Hindernisse, bei deren Überwindung mir diese Lösung helfen wird? Nehmen wir nun an, Sie haben das getan, dann kommen Sie zu Ihrem letzten Teil, dem Warum nicht. Das Warum nicht ist im Wesentlichen: Kein Business Case oder Vorschlag ist solide, bis Sie über all die Dinge gesprochen haben, die schiefgehen können, und Sie diese ansprechen. Und eines der häufigsten Dinge, die derzeit aufkommen, ist die Angst, etwas falsch zu machen. Diese Phobie ist der häufigste Grund, warum Menschen nichts gegen etwas unternehmen. Und deshalb müssen Sie ansprechen: Warum haben wir diese Angst, etwas falsch zu machen? Ist es der Mangel an Fachwissen, ist es der Mangel an Kapazitäten und Ressourcen? Und das bauen Sie in Ihren Business Case ein, um die Zustimmung zu erhalten und ihn auf diese Strategie auszurichten. Das ist also typischerweise der Rahmen, mit dem wir mit Organisationen arbeiten, um die Lösung vorzubringen, für die Sie eine Zustimmung erhalten möchten.

Ashling: Ja, und ich würde sagen, die Arbeit mit Kunden auf der Seite des Kundennutzens bei der Erstellung von Business Cases ist sehr sinnvoll, also das auszuarbeiten, und ich hoffe, das hilft. Ich denke, Sie haben auch geholfen, eine Frage von Callum zum Thema Zustimmung zu beantworten, also Callum, drei Warums, Sie haben es hier von Nelson gehört. Bevor wir zum Schluss kommen, sehe ich auch eine Frage von Monique. Monique verwendet KI, um E-Learning zu erstellen, und hat bemerkt, dass man nach mehrmaligem Regenerieren unterschiedliche Ergebnisse erhalten kann, und fragt sich, ob es Richtlinien für Einstellungen gibt, um Inhalte von bester Qualität zu erstellen. Talha, mit Ihrer Expertise könnten Sie vielleicht hier einige Einblicke geben.

Talha: Ja, ich denke, wir werden versuchen, einige allgemeine Richtlinien zu teilen, ich denke natürlich gibt es sehr tool-spezifische, aber dann gibt es einige allgemeine Dinge, die wir tun können. Ich denke, es ist wichtig zu verstehen, dass KI-Modelle von Natur aus nicht deterministisch sind, und es ist absolut der Fall, dass Sie bei vielen Ihrer Iterationen mit KI oder Arbeitsabläufen, die Sie durchlaufen, wahrscheinlich ein Ergebnis erhalten, und beim zweiten Mal wahrscheinlich ein völlig anderes Ergebnis. Und es gibt natürlich Möglichkeiten, zu versuchen, deterministischere Ergebnisse zu erhalten. Natürlich fangen Sie damit an, womit Sie arbeiten: Schreiben Sie deutlich bessere und detailliertere Prompts und stellen Sie sicher, dass Ihre Prompting-Techniken nicht aus pauschalen Anweisungen wie „tu dies“ oder „tu das“ bestehen, sondern stattdessen präzise Details darüber enthalten, was genau Sie mit dem Ergebnis erreichen möchten. Und wenn Sie etwas Konsistentes möchten, dann stellen Sie sicher, dass auch Ihre Prompts konsistent sind, indem Sie einer Art Vorlage folgen, und natürlich auch Ihr Quellinhalt. Wenn Sie mit einer RAG-basierten Lösung arbeiten, bei der Sie Dokumente und andere Kontexte hochladen, stellen Sie sicher, dass diese nicht zu groß und auch nicht zu detailliert sind. Stellen Sie sicher, dass Ihre Dokumente und Ihr Quellinhalt bereinigt, gut strukturiert und ideal für die Aufnahme sind. Es sollte weder ein drei- bis vierhundertseitiges Buch noch ein zweiseitiges Dokument sein, von dem man erwartet, dass daraus ein neunseitiges E-Learning entsteht. Sie müssen also ein gutes Verständnis dafür haben, womit Sie arbeiten, im Hinblick auf die Fähigkeiten des Tools, aber dann auch Ihr Quelldokument darauf abstimmen. Prompting ist wahrscheinlich eine der Schlüsselkompetenzen hier, und dann natürlich die Bereinigung Ihres Quellinhalts und die Sicherstellung, dass er KI-bereit ist. Das sind die beiden Dinge. Und aus Lernperspektive, um auch ein Beispiel von Easygenerator zu nennen: Wir haben eine Funktion namens „Course Builder“, bei der wir einen Bereich haben, in dem der Lernende seine Ziele definiert. Auch hier ermutigen wir den Autor sehr, bei seinen Zielen sehr spezifisch zu sein, wie zum Beispiel: Was genau soll der Lernende tun oder wissen, welche Themen, was sind die Ergebnisse? Und dort detailliert zu sein, hilft der KI wirklich dabei, die Inhaltserstellung in diese Richtung zu lenken und die richtigen Dinge aus dem Quelldokument aufzugreifen.

Ashling: Monique, ich kann das auch offline mit Ihnen besprechen, um zu sehen, ob es etwas war, das eher Easygenerator-spezifisch war. Ich kann Ihnen auch noch spezifischere Richtlinien mitteilen, aber ich werde mich auf jeden Fall bei Ihnen melden. Ich denke, das bringt uns zum Ende des heutigen Tages. Ich sehe, dass wir fast bei der vollen Stunde sind. Bevor wir also zum Schluss kommen, haben Sie noch letzte Worte, Talha, oder Sie, Nelson?

Nelson: Ich kann den Anfang machen. Es war gut zu sehen, dass Experimentieren eines der meistgewählten Themen in Ihrer Umfrage war, und ich denke, das ist im Moment das Wichtigste. Ich würde sagen, jeder muss in seinem Unternehmen zum „Chief Tinkering Officer“ werden. Und was ich empfehlen würde, ist, öffentlich zu experimentieren. Es geht nicht nur darum, dass Sie mit Tools experimentieren und herumtüfteln, sondern ich denke, es ist auch wichtig, eine Kultur im Unternehmen aufzubauen, in der man teilt, womit man herumgetüftelt hat, was man gelernt hat, was funktioniert hat, was nicht funktioniert hat, und dies öffentlich zu tun. Und ich denke, das ist der beste Weg, die Kultur des KI-Experimentierens und der Einführung in Ihrem Unternehmen voranzutreiben. Es gibt keinen besseren Weg, als öffentlich zu experimentieren.

Talha: Ja, das haben Sie gut zusammengefasst. Ja, das ist definitiv etwas, das ich wirklich empfehlen würde. Ich denke, das ist sehr hilfreich für das Unternehmen, und beim gemeinsamen Lernen über KI wird der eigentliche Fortschritt erzielt. Auch ich bin sehr gespannt, wohin sich die Branche entwickelt. Es passiert gerade sehr viel Spannendes, fast jeden Tag gibt es eine neue KI-Innovation, die die sozialen Medien im Sturm erobert, und es sind wirklich interessante Entwicklungen zu beobachten. Was das für L&D-Teams und Fachexperten bedeutet, werden wir in den kommenden Monaten herausfinden.

Ashling: Mal sehen, in den nächsten sechs bis zwölf Monaten werden wir wieder hier sein und besprechen, was als Nächstes kommt. Aber für heute, vielen Dank an Nelson und Talha für ein wirklich ehrliches und praktisches Gespräch – ich habe es sehr genossen und habe viele Ideen, die ich jetzt umsetzen möchte. Und ich möchte auch allen danken, die dabei waren und Fragen eingereicht haben.

Transkript erstellt aus VEED-Untertiteln. Sprecherzuordnung basierend auf Kontext und Rolle.