LEARNTEC 2026: Drei Muster für KI im Learning, und wo jedes passt

Henry Ford soll gesagt haben, dass die Leute schnellere Pferde verlangt hätten, hätte er sie gefragt. Das Zitat wird oft als Argument für radikale Innovation verwendet. Die etwas gelassenere Lesart ist hilfreicher: Menschen antworten mit den Werkzeugen, die sie kennen, und das ist ein vernünftiger Ausgangspunkt.

Die LEARNTEC 2026 in Karlsruhe hat einen klaren Blick darauf erlaubt, wo der Markt für KI im Learning gerade steht. Wir waren als Speaker vor Ort, haben den Sika-Piloten gemeinsam mit Daniel Shavit auf der Bühne vorgestellt, im Anschluss Publikumsfragen beantwortet und parallel das Messegeschehen mitverfolgt. Wir haben drei Muster nebeneinander gesehen, die jeweils ein anderes Problem lösen.

Muster 1: KI im Authoring-Workflow

Eine große Gruppe von Anbietern nutzt KI, um die Content-Produktion zu beschleunigen. Man bringt sein Storyboard, die Inhalte der Fachexperten und das bestehende Material mit. Das Tool entwirft SCORM-Module schneller, als ein menschliches Team es könnte.

Das ist echter Mehrwert, besonders für Organisationen mit hohem Volumen an Compliance- oder Produktschulungen. Lokalisierung, Updates und Versionsverwaltung werden weniger schmerzhaft. Wenn der Engpass „wir müssen mehr Kurse schneller produzieren" lautet, ist dieses Muster für genau diese Situation gebaut.

Es ändert nicht die Form des Kurses. Ein SCORM-Modul, das mit KI-Unterstützung entstanden ist, läuft im LMS genauso ab wie eines, das per Hand gebaut wurde. Der schnellere Teil ist vorgelagert.

Muster 2: KI im LMS, neben dem Player

Eine zweite Gruppe baut Chatbots direkt ins LMS ein. Der Lerner ist im Kurs, hat eine Frage, öffnet den Chat neben dem Player, und das System antwortet auf Basis von Inhalten, die auf Plattform-Ebene indexiert sind.

Auf dieses Muster konvergieren viele große LMS-Anbieter, und aus ihrer Perspektive ist das logisch. Wenn man sich ohnehin auf ein LMS festgelegt hat und eine konsolidierte Antwort auf die „Wo ist die KI?"-Frage haben will, gibt eine LMS-eingebaute Lösung eine zusammenhängende Story für IT, Security und Einkauf.

Zwei Trade-offs sind dabei zu beachten. Der erste ist Portabilität. Der Chatbot hängt an genau diesem LMS, also kommt er nicht mit, wenn derselbe Kurs durch ein anderes System laufen soll, in einem Partner-Portal oder einem Lernnetzwerk für eine bestimmte Geschäftseinheit. Für Organisationen mit mehreren LMS oder mit Kursen, die über externe Netze verteilt werden, wird das zu einer echten Beschränkung.

Der zweite Trade-off ist der Kurskontext, und der gilt auch bei nur einem LMS. Die meisten LMS-eingebauten Chatbots wirken eher wie ein Kurskatalog-Navigator als wie ein Tutor im Kurs selbst. Sie antworten auf Basis eines plattformweiten Index aller Inhalte, nicht aus der konkreten Folie, die der Lerner gerade vor sich hat. Für „finde mir das richtige Modul"-Fragen reicht das gut. Für den Moment mitten im Kurs, wenn ein Lerner sich das Diagramm auf der aktuellen Folie in seiner eigenen Sprache erklären lassen will, hängt der Mehrwert der KI daran, dass sie weiß, wo der Lerner gerade ist und was auf dem Bildschirm steht. Genau diese Lücke schließt Muster 3 weiter unten.

Muster 3: KI im SCORM-Paket selbst

Eine kleinere Gruppe, zu der wir gehören, geht einen anderen Weg. Der Tutor lebt im SCORM-Paket. Er reist mit dem Kurs. Egal welches LMS das Paket abspielt, der Tutor ist dabei.

Dieses Muster passt zu einem anderen Set an Voraussetzungen. Wer bereits in eine SCORM-Bibliothek investiert hat, wer Kurse über mehr als ein LMS verteilt, oder wer KI über bestehende Inhalte legen möchte, ohne auf eine Plattform-Roadmap zu warten, findet im In-Kurs-Tutor den Weg mit den wenigsten beweglichen Teilen.

Es ist auch das Muster, das wir bei Sika fahren und auf der LEARNTEC-Bühne gemeinsam mit Daniel Shavit, Corporate Training Manager bei Sika, vorgestellt haben. Sika hat rund einhundert technische E-Learnings auf Englisch für eine Belegschaft von rund 34.000 Menschen, verteilt auf über einhundert Länder. Der Pilot begann mit einem Proof of Concept auf den drei anspruchsvollsten Modulen, bewertet von sechzehn Fachbereichsleitern, deren Aufgabe es war, dem Tutor die schwierigsten Fragen zu stellen, die ihnen einfielen. In der zweiten Phase arbeiteten dreiundzwanzig Mitarbeiter im regulären Trainingsprozess mit dem Tutor. Der Tutor saß in Sikas SCORM-Modulen zu Klebekraft und Elastizität, beantwortete Fragen während des Kurses in der Sprache des Lerners und stützte jede Antwort auf den Folieninhalt. Antwortzeiten im Pilotbetrieb: durchschnittlich 3,7 Sekunden, neunzig Prozent unter sieben Sekunden.

Über die Produktionsseite dieser Trade-offs haben wir an anderer Stelle geschrieben: Die Faster-Horse-Falle im E-Learning. Dieser Beitrag betrachtet, wo die KI sitzt, sobald der Kurs spielfertig ist.

Was das Publikum in der Q&A nach der Session gefragt hat

Drei Fragen kamen im Anschluss an unsere Session, die das Aufschreiben wert sind, weil sie zeigen, was der Markt gerade abwägt.

„Wie verhindern Sie, dass die KI Sachen erfindet?" Ein Teilnehmer aus einer großen LMS-nutzenden Organisation beschrieb die Halluzinations-Erfahrungen mit einem LMS-integrierten KI-Feature. Unsere Antwort, von Jonas: Wir nutzen einen restriktiven System-Prompt, der jede Antwort am extrahierten Kursinhalt verankert und sichtbar macht, wenn der Tutor den Quellbereich verlässt. Daniel ergänzte die Kundensicht: über die gesamte Pilotphase hinweg habe sein Team keine einzige Qualitätsbeschwerde dazu an uns weitergeleitet, dass der Tutor Inhalte erfindet. Die Architekturentscheidung und die gelebte Erfahrung deuten in dieselbe Richtung.

„Unsere Kurse sind keine Folien. Das sind Lessons mit Branching und scenario-based Learning." Ein berechtigter Einwand gegen vereinfachte Pitch-Sprache. Die eigentliche Herausforderung hinter dieser Frage ist, wie der Tutor erkennt, wo der Lerner gerade im Kurs ist, damit eine Antwort an das gebunden bleibt, was im Moment auf dem Bildschirm zu sehen ist. Bei dynamischen Kursen signalisieren JavaScript-Tags, in welcher Lesson, in welchem Kapitel oder bei welcher Aktivität der Lerner steht. Eine weitere Möglichkeit ist, dass der Tutor einen Screenshot vom aktuellen Bildschirmzustand aufnimmt und ihn direkt ausliest. Die genaue Methode hängt vom SCORM-Format ab, das Problem bleibt aber lösbar, auch bei komplexeren Kursformaten. In beiden Fällen wird keine flache Folienreihe vorausgesetzt, und die Antwort bleibt dort verankert, wo der Lerner tatsächlich ist.

„Kann ich dem KI-Tutor im Kurs zusätzliche Wissensquellen mitgeben?" Ja, und genau diesen Weg gehen viele Piloten, sobald die ersten Module laufen. Der Kontext des Tutors lässt sich über das SCORM-Paket hinaus erweitern, sei es durch weitere Dokumente, eine Datenbank oder anderes Referenzmaterial, das ein Fachverantwortlicher in den Scope holen möchte. Über Retrieval-Augmented Generation entscheidet der Tutor selbst, wann er für eine vollständigere Antwort auf das ergänzende Material zugreift. Der Kurs bleibt der Anker, das Zusatzmaterial wird gezogen, wenn der Tutor es als nützlich einschätzt.

Wie man erkennt, welches Muster passt

Jedes der drei Muster antwortet auf eine andere Ausgangslage. Sie als Konkurrenten zu lesen, geht am Punkt vorbei.

Wenn der Engpass beim Content-Produktionsvolumen liegt, sind die Authoring-KI-Werkzeuge die richtige Adresse. Sie sparen dem Team echte Zeit.

Wenn der Engpass die Kursnavigation ist, also Lernern zu helfen, in einer großen Bibliothek das richtige Modul zu finden, mit einer konsolidierten IT-Story, deckt der LMS-eingebaute Chatbot das ab. Er ist ein Wegweiser durch den Kurskatalog, kein Tutor im Kurs selbst.

Wenn der Engpass das ist, was im Kurs selbst passiert, eine konkrete Folie erklären, eine Frage mitten im Kurs in der Sprache des Lerners beantworten, ein kurzes Quiz zum gerade behandelten Thema starten, passt das In-Kurs-Tutor-Muster. Dasselbe gilt, wenn eine bestehende SCORM-Bibliothek bereits ein ernstes Investment darstellt, wenn Kurse über mehr als ein LMS oder über Partner-Netze verteilt werden, oder wenn die KI-Fähigkeit gebraucht wird, ohne auf eine Plattform-Roadmap zu warten.

Die beiden Muster koexistieren auch gut: ein Navigator auf der LMS-Ebene, ein Tutor in jedem Kurs. Die meisten Organisationen landen mit der Zeit bei einer Mischung, und wir erwarten davon eher mehr als weniger.

Was wir vorschlagen, sich als Nächstes anzusehen

Wir haben einen Foliensatz zum Download zusammengestellt, mit unseren LEARNTEC-Sessions, dem Sika-Pilot-Setup und der architektonischen Argumentation hinter dem In-Kurs-Tutor. LEARNTEC 2026 Deck herunterladen (PDF).

Wenn Sie das In-Kurs-Tutor-Muster an einem SCORM-Modul sehen möchten, das Sie bereits nutzen, gehen wir das gern in 30 Minuten mit Ihrem Team durch. Demo buchen.

Wir sind ein Technologieunternehmen aus Leipzig, seit 1998 am Markt, mit über 25 Jahren Erfahrung in der Integration von Systemen, die mit dem koexistieren müssen, was schon vorhanden ist. ScormIQ ist der jüngste Ausdruck dieser Gewohnheit: bestehende Kursinvestitionen klüger machen, ohne den Rest des Stacks anzufassen.