Die Faster-Horse-Falle im E-Learning

Anfang April haben wir eine Gesprächsrunde mit L&D-Praktikern, Beratern und Produktmanagern aus ganz Europa veranstaltet. Die Frage, die wir gestellt haben: Was geht uns verloren, wenn wir KI nutzen, um dieselben Dinge wie bisher zu tun, nur schneller?

Die Antworten waren ehrlicher als erwartet.

Die Produktions-Falle

Die meisten Organisationen, die KI im L&D-Bereich einsetzen, tun gerade dasselbe: Sie nehmen ihren bisherigen Workflow von Storyboard bis SCORM-Paket und beschleunigen ihn. Mehr Inhalte in weniger Zeit. Gleiches Format, weniger Aufwand.

Mark, ein unabhängiger Evaluator für Lernmanagementsysteme, der mit einer Vielzahl von L&D-Tools gearbeitet hat, brachte das Problem in der Session auf den Punkt:

> "Wir können mehr Inhalte in kürzerer Zeit produzieren. Aber das hängt nicht wirklich mit dem zusammen, was die Mitarbeiter tatsächlich erreichen wollen. Welchen Leistungseffekt wir erzielen wollen."

Das Problem ist strukturell. Mehr Content bedeutet mehr Navigation. Wenn Lerner vorher schon nicht gefunden haben, was sie brauchen, macht eine größere Kursbibliothek das nicht besser. Es macht es schlechter.

Wil, ein Berater für digitale Transformation und Lernen, der die Runde mit moderiert hat, formulierte es so: "Viele Organisationen nutzen KI, um dasselbe zu tun wie bisher. Die Frage ist, was dabei verloren geht."

Seine Antwort: die Tiefe des Fachwissens. Wenn Wissen den klassischen L&D-Prozess durchläuft und als Foliensatz oder Storyboard landet, ist der größte Teil des Kontexts weg. Die Randfälle, die Beispiele, die Zusammenhänge, die ein Lerner im Moment der Anwendung braucht.

Das Datenproblem hinter dem Problem

Bevor man ändern kann, wie Lerninhalte ausgespielt werden, muss man klären, wo das Wissen überhaupt liegt.

Kanika, die im Lernbereich eines Verlags mit fast 200-jähriger Geschichte arbeitet, beschrieb die Realität in ihrer Organisation:

> "Die Daten liegen nicht in einem einzigen strukturierten Format an einem Ort. Sie stecken in den Köpfen der Mitarbeiter, in Altsystemen, in Offline-Dokumenten."

Mark fügte etwas hinzu, das die meisten L&D-Teams kennen, aber selten aussprechen:

> "Wir können alles aus Confluence ziehen. Aber man weiß nicht, was dort noch stimmt und was nicht. Wir haben all diese Präsentationen auf Google Drive. Zehn davon sind Kopien derselben Vorlage, leicht abgewandelt. Welche ist die einzige verlässliche Quelle? Kuration ist eine riesige Herausforderung."

Hier versagt eine häufig gewählte Abkürzung. Thomas, Gründer von Netresearch und Kopf hinter ScormIQ, beschrieb ein Muster, das er immer wieder sieht:

> "Der klassische IT-Ansatz ist: Wir verbinden einfach Jira, Confluence, das Wiki, und dann läuft es. Aber selbst in Organisationen mit einem gut gepflegten Dokumentenmanagementsystem ist die fehlende Schicht nicht die Information. Es ist die Wissensschicht."

Die Wissensschicht ist das, was einem Mitarbeiter hilft, die vorhandene Information zu finden und zu nutzen. Sie ist der Kontext, die Struktur, das Verständnis dafür, welches Dokument man zuerst lesen sollte und warum. Ohne sie ist selbst eine gut sortierte Wissensbasis ein verschlossenes Zimmer.

Ein besseres Modell: Erfassen. Speichern. Ausgeben.

Wil skizzierte in der Session ein Drei-Stufen-Modell, das das Denken über Lerninhalte grundlegend verändert.

Erfassen — Fachwissen aufnehmen, bevor es in Folien gegossen wird. Interviews, Aufnahmen, Beobachtungen von Menschen bei ihrer täglichen Arbeit. Das Ziel ist es, die Tiefe zu behalten, nicht nur die Schlussfolgerungen.

Speichern — In einem Format ablegen, das Maschinen lesen können. Keine vollständige relationale Datenbank nötig. Wil beschrieb seinen eigenen Ansatz: JSON-Dateien auf einem geteilten Laufwerk, im Einklang mit bestehenden Systemen, ohne schwere Infrastruktur.

> "Das hat wirklich sehr viel gebracht."

Ausgeben — Die KI das Format produzieren lassen, das der Lerner in diesem Moment tatsächlich braucht. Eine kurze Antwort. Eine übersetzte Erklärung. Eine Chatbot-Antwort auf dem Handy. Oder ja, ein SCORM-Modul, wenn das die Situation erfordert.

Der Unterschied ist subtil, verändert aber den ganzen Ansatz. Das SCORM-Paket hört auf, das Ziel zu sein. Es wird zu einer von vielen möglichen Ausgaben.

Simon, ein Produktmanager, der bei seinem Unternehmen interne KI-Lernwerkzeuge aufgebaut hat, beschrieb, wo dieser Ansatz schon funktioniert:

> "Statt statisches Wissen, das man sich selbst aneignen muss, verlassen die Teilnehmer die Schulung mit einer funktionierenden Software, die sofort in ihrer Arbeit hilft. Das fühlt sich anders an."

Die fehlende Wissensschicht

Selbst Organisationen, die die harte Arbeit des Sammelns und Speicherns erledigt haben, stoßen oft an eine Wand.

Thomas beschrieb einen Kunden mit einem ausgefeilten, gut gepflegten Dokumentenmanagementsystem:

> "Die Information war gespeichert und klassifiziert. Aber für einen Neuen war es nicht einfach, damit zu arbeiten. Es gab ein dichtes Informations-Silo, aber die Wissensschicht fehlte."

KI-Tutoren, die diesen Unterschied kennen, können helfen. Nicht indem sie menschliches Wissen ersetzen, sondern indem sie es im richtigen Moment zugänglich machen. Bei Sika zum Beispiel haben wir ScormIQ mit bestehenden SCORM-Kursen zu komplexen technischen Inhalten verbunden. Vertriebsmitarbeiter können jetzt mitten im Kurs Fragen stellen, in ihrer eigenen Sprache, und erhalten Antworten aus dem Kursmaterial. Das Wissen war immer da. Der Zugang fehlte.

Wo anfangen

Einer der nützlichsten Momente in der Session war, als die Gruppe auf Perfektionismus reagierte.

Thomas war direkt:

> "Meine Empfehlung: Klein anfangen. Bau eine einfache Struktur. Du hast einen Eingang, in den du alle Rohdaten einwirfst. Dann vielleicht einen kleinen Agenten, der alles liest und vorschlägt, wohin es gehört. So baut sich über die Zeit eine Wissensbasis auf. Es wird nicht beim ersten Versuch zu 100 Prozent klappen. Aber du wirst überraschend gute Ergebnisse sehen."

Ceri, eine freiberufliche Lernberaterin, die an einem KI-Projekt für ein großes Technologieunternehmen arbeitet, nannte das eigentliche Hindernis:

> "Das Loslassen davon, wie Dinge bisher gemacht wurden, ist wirklich schwer. Es liegt nicht daran, dass die Menschen kein Interesse haben. Es sind die Zuständigkeiten, die Infrastruktur, die organisatorischen Rahmenbedingungen."

Zehn Prozent besser ist trotzdem Fortschritt. Man braucht kein fertiges System, bevor man anfängt.

Was das für dein L&D-Team bedeutet

Die Faster-Horse-Falle ist kein Technologieproblem. Es ist ein Denkproblem. Die richtige Frage ist nicht: "Wie produzieren wir mit KI mehr Inhalte?" Sie lautet: "Wie machen wir das Wissen, das wir schon haben, besser nutzbar?"

Das beginnt damit, in drei Schritten zu denken: Reich erfassen, zugänglich speichern, am richtigen Moment ausgeben.

Wenn du sehen möchtest, wie ScormIQ in einen solchen Workflow passt, gerne ausgehend von deinen bestehenden SCORM-Kursen, sprechen wir es gern durch. Demo buchen.

---

Dieser Beitrag basiert auf einer Gesprächsrunde vom 14. April 2026 mit L&D-Praktikern aus ganz Europa. Teilgenommen haben Wil, Mark, Kanika, Simon, Ceri und andere.