Künstliche Intelligenz verändert die betriebliche Weiterbildung. Lernvideos, Quizfragen, Präsentationen und ganze E-Learning-Kurse lassen sich heute in einem Bruchteil der bisherigen Zeit erstellen. Doch bedeutet eine schnellere Produktion automatisch bessere Lernergebnisse? Unternehmen stehen vor einer neuen Herausforderung: Sie müssen nicht nur messen, wie effizient KI Lerninhalte produziert, sondern auch, ob Mitarbeitende dadurch tatsächlich Wissen erwerben, Kompetenzen entwickeln und das Gelernte im Arbeitsalltag anwenden. Welche Kennzahlen dafür relevant sind und wie sich der Erfolg von KI-gestütztem Lernen sinnvoll bewerten lässt.
Wenn die Produktion schneller wird, aber der Lernerfolg unklar bleibt
Ein neues Schulungsvideo in wenigen Minuten erstellen, einen umfangreichen Fachtext automatisch zusammenfassen oder aus vorhandenen Dokumenten einen vollständigen Onlinekurs generieren: Was vor wenigen Jahren noch einen erheblichen redaktionellen und didaktischen Aufwand erforderte, lässt sich mithilfe generativer KI inzwischen deutlich beschleunigen.
Für Unternehmen eröffnet das interessante Möglichkeiten. Personalentwicklungsabteilungen können Lerninhalte schneller aktualisieren, Schulungsangebote stärker auf unterschiedliche Zielgruppen zuschneiden und auch kleinere Wissensbereiche digital abbilden. KI kann außerdem bei der Erstellung von Tests, Übersetzungen und ergänzenden Lernmaterialien unterstützen.
Damit wächst jedoch die Bedeutung einer entscheidenden Frage: Was genau wird durch den KI-Einsatz eigentlich verbessert?
Werden mehr Lernmodule produziert, sinken möglicherweise die Produktionskosten. Werden Kurse häufiger abgeschlossen, steigen die Nutzungszahlen. Beides sagt allerdings noch wenig darüber aus, ob Beschäftigte neue Kenntnisse tatsächlich verstanden haben oder diese später im Beruf einsetzen können.
Die zentrale Herausforderung besteht deshalb darin, zwischen Produktionseffizienz, Lernaktivität und tatsächlicher Lernwirksamkeit zu unterscheiden. Ein modernes Evaluationskonzept muss alle drei Perspektiven berücksichtigen.
1. Effizienz und Lernwirksamkeit sind zwei unterschiedliche Erfolgsdimensionen
Bei der Bewertung von KI-Learning werden häufig zunächst technische und wirtschaftliche Kennzahlen betrachtet. Dazu gehören die Zeit für die Erstellung eines Kurses, die Kosten pro Lerneinheit oder die Anzahl der produzierten Inhalte.
Diese Kennzahlen sind durchaus relevant. Wenn ein Unternehmen mit KI ein Schulungsmodul in zwei Stunden statt in zwei Arbeitstagen erstellen kann, ist das ein messbarer Produktivitätsgewinn. Allerdings ist damit noch nicht bewiesen, dass die Qualität des Lernangebots gleich geblieben oder sogar gestiegen ist.
Für eine umfassende Bewertung sollten Unternehmen daher zwei getrennte Fragen stellen:
Wie effizient ist die Erstellung?
- Wie viel Zeit benötigt die Produktion eines Lernmoduls?
- Wie hoch sind die Kosten pro Kurs?
- Wie viele Inhalte können innerhalb eines bestimmten Zeitraums erstellt werden?
- Wie hoch ist der Aufwand für Überprüfung und Korrektur?
- Wie schnell lassen sich Inhalte aktualisieren und übersetzen?
Wie wirksam ist das Lernen?
- Verstehen die Teilnehmenden die vermittelten Inhalte?
- Können sie das Wissen nach einiger Zeit noch abrufen?
- Sind sie in der Lage, das Gelernte praktisch anzuwenden?
- Verbessern sich relevante Kompetenzen?
- Entstehen messbare Verbesserungen in den betrieblichen Arbeitsabläufen?
Beide Dimensionen sollten gemeinsam betrachtet werden. Eine hohe Produktionsgeschwindigkeit ist nur dann ein nachhaltiger Vorteil, wenn die daraus entstehenden Lernangebote einen vergleichbaren oder besseren Beitrag zur Kompetenzentwicklung leisten.
2. Was bedeutet Lernerfolg im Zeitalter der KI?
Bevor Kennzahlen definiert werden, müssen Unternehmen festlegen, was sie unter Lernerfolg verstehen. Eine absolvierte Schulung, ein bestandener Abschlusstest und eine erfolgreich bewältigte Arbeitssituation sind unterschiedliche Ergebnisse.
Für die betriebliche Weiterbildung lassen sich vier aufeinander aufbauende Ebenen unterscheiden:
Ebene 1: Reaktion und Relevanz
Wie nehmen Beschäftigte das Lernangebot wahr? Empfinden sie die Inhalte als verständlich, relevant und hilfreich? Ist die Lernumgebung benutzerfreundlich? Feedback und Zufriedenheitsbefragungen liefern erste Hinweise auf die Akzeptanz. Sie sollten jedoch nicht mit tatsächlichem Lernerfolg gleichgesetzt werden.
Ebene 2: Wissen und Kompetenz
Haben die Teilnehmenden neue Kenntnisse erworben? Können sie Zusammenhänge erklären, Aufgaben lösen oder bestimmte Fähigkeiten demonstrieren? Hier sind Wissenstests, praktische Übungen und Vorher-Nachher-Vergleiche sinnvoll.
Ebene 3: Verhalten und Transfer
Wenden die Mitarbeitenden das Gelernte im Arbeitsalltag an? Nutzen sie beispielsweise neue Softwarefunktionen, beachten sie veränderte Sicherheitsvorschriften oder setzen sie neue Kommunikationsmethoden ein? Diese Ebene ist besonders wichtig, weil sie zeigt, ob Lernen über die eigentliche Schulung hinaus Wirkung entfaltet.
Ebene 4: Betriebliche Ergebnisse
Führen die erworbenen Kompetenzen zu Verbesserungen? Denkbar sind weniger Fehler, kürzere Bearbeitungszeiten, eine höhere Prozessqualität oder eine bessere Serviceleistung.
Diese vier Perspektiven orientieren sich an etablierten Ansätzen der Weiterbildungsevaluation, insbesondere am Kirkpatrick-Modell. Für KI-Learning lassen sie sich um zusätzliche Kennzahlen zur Produktionsqualität, Automatisierung und menschlichen Qualitätskontrolle ergänzen.
| Auch die US-amerikanischen Centers for Disease Control and Prevention (CDC) unterscheiden in ihren Empfehlungen zur Trainingsevaluation zwischen dem Erwerb von Wissen und dem Transfer in die berufliche Praxis. Besonders wichtig ist dabei die zeitversetzte Überprüfung, weil sich die tatsächliche Anwendung häufig erst nach der Schulung beurteilen lässt. Quelle: CDC, 2024. |
3. Die richtigen Kennzahlen für KI-gestützte Lernangebote
Ein häufiges Problem bei der Erfolgsmessung besteht darin, dass Unternehmen zwar zahlreiche Daten sammeln, diese aber nicht konsequent mit ihren Lernzielen verbinden.
Eine sterile Kennzahlenstruktur sollte deshalb mehrere Bereiche umfassen:
- Produktionskennzahlen: Diese zeigen, welchen Beitrag KI zur Effizienz der Inhaltserstellung leistet. Relevant sind beispielsweise die durchschnittliche Produktionszeit, die Kosten pro Lernmodul und der Anteil automatisiert erstellter Inhalte. Wichtig ist, auch den nachgelagerten Aufwand einzubeziehen. Müssen KI-generierte Inhalte intensiv fachlich geprüft, korrigiert oder neu strukturiert werden, kann der tatsächliche Zeitgewinn geringer ausfallen als zunächst angenommen.
- Nutzungskennzahlen: Hier geht es um die tatsächliche Verwendung der Lernangebote. Gemessen werden können aktive Lernende, Kursstarts, Abschlussquoten, Abbruchraten und die durchschnittliche Bearbeitungszeit. Diese Daten helfen, Nutzungshürden zu erkennen. Sie beweisen allerdings nicht automatisch, dass ein Lernziel erreicht wurde.
- Lernkennzahlen: Sie geben Aufschluss darüber, ob Wissen und Fähigkeiten aufgebaut wurden. Geeignete Indikatoren sind Ergebnisse von Wissenstests, praktische Aufgaben, Fehlerquoten bei Übungen und die Entwicklung von Kompetenzen zwischen einer Eingangsmessung und einer späteren Bewertung.
- Transfer- und Ergebniskennzahlen: Diese zeigen, ob sich das Gelernte im Arbeitsalltag bemerkbar macht. Je nach Lernziel können das die Qualität ausgeführter Aufgaben, die Zahl wiederkehrender Fehler, die Einhaltung von Prozessen oder die Bearbeitungsdauer sein.
Die entscheidende Regel lautet: Jede Kennzahl muss zu einer konkreten Fragestellung passen. Eine Abschlussquote ist für die Bewertung einer Pflichtschulung relevant, während bei einer Führungskräfteentwicklung die Qualität von Mitarbeitergesprächen aussagekräftiger sein kann.
4. KI kann Leistung verbessern, ohne dass nachhaltiges Lernen entsteht
Eine besondere Herausforderung entsteht, wenn KI nicht nur bei der Erstellung von Lerninhalten eingesetzt wird, sondern auch während des Lernprozesses selbst.
Ein KI-Tutor kann Fragen beantworten, Zusammenhänge erklären und individuelle Hilfestellungen geben. Ein generativer Assistent kann Lernende bei der Bearbeitung komplexer Aufgaben unterstützen. Dadurch entstehen häufig bessere unmittelbare Arbeitsergebnisse.
Allerdings muss unterschieden werden, ob eine Person eine Aufgabe selbstständig beherrscht oder ob sie diese nur mithilfe der KI erfolgreich lösen kann.
Ein Beispiel: Ein Mitarbeitender erstellt mithilfe eines KI-Assistenten eine überzeugende Kundenantwort. Das Ergebnis ist qualitativ hochwertig. Daraus lässt sich jedoch nicht automatisch ableiten, dass die Person die fachlichen Hintergründe verstanden hat oder eine ähnliche Situation ohne Unterstützung bewältigen könnte.
| Die OECD weist in ihrem Digital Education Outlook 2026 auf genau diese Unterscheidung hin: Generative KI kann die Leistung bei einer Aufgabe verbessern, ohne zwangsläufig entsprechende Lerngewinne hervorzubringen. Entscheidend ist unter anderem, ob KI als unterstützender Lernpartner eingesetzt wird oder lediglich die eigentliche Denkarbeit übernimmt. Quelle: OECD, 2026. |
Für Unternehmen bedeutet das: Lernfortschritte sollten auch unter Bedingungen überprüft werden, in denen die KI-Unterstützung eingeschränkt oder nicht verfügbar ist. Unabhängige Wissenstests, practical Demonstrationen und Transferaufgaben können zeigen, welche Kompetenzen tatsächlich aufgebaut wurden.
5. Vorher-Nachher-Messungen schaffen eine bessere Vergleichsgrundlage
Eine der praktikabelsten Methoden zur Bewertung von KI-Learning ist der Vergleich zwischen dem Wissensstand vor und nach einer Lernmaßnahme.
Vor Beginn eines Kurses bearbeiten die Teilnehmenden einen kurzen Eingangstest. Nach Abschluss folgt eine vergleichbare Überprüfung. Die Ergebnisse zeigen, ob sich der gemessene Wissensstand verändert hat.
Bei praktischen Kompetenzen können statt klassischer Multiple-Choice-Fragen konkrete Aufgaben eingesetzt werden. Wer beispielsweise eine neue Softwarefunktion erlernen soll, kann vor und nach der Schulung dieselbe Art von Arbeitsaufgabe bearbeiten.
Wichtig ist dabei, dass die Aufgaben vergleichbar sind und nicht lediglich das Erinnern einzelner Formulierungen prüfen.
Noch aussagekräftiger wird die Messung durch eine zeitversetzte Wiederholung. Ein Test unmittelbar nach der Schulung zeigt, was kurzfristig verfügbar ist. Eine weitere Überprüfung nach einigen Wochen kann Hinweise darauf geben, ob das Wissen erhalten geblieben ist.
Wenn möglich, können Unternehmen außerdem unterschiedliche Lernformate vergleichen: beispielsweise ein klassisches E-Learning-Modul mit einer KI-gestützt personalisierten Variante. Dabei sollten die Lernziele, die verfügbare Lernzeit und die Ausgangsvoraussetzungen möglichst vergleichbar sein. Nur so lassen sich Unterschiede sinnvoll interpretieren.
6. Den Transfer in den Arbeitsalltag beobachten
Der eigentliche Wert betrieblicher Weiterbildung zeigt sich häufig erst nach dem Ende eines Kurses. Deshalb sollte die Erfolgsmessung nicht mit dem Abschlusstest enden.
Eine Möglichkeit besteht darin, nach vier bis zwölf Wochen eine kurze Transferbefragung durchzuführen. Mitarbeitende können angeben, welche Inhalte sie bereits angewendet haben, wo sie Schwierigkeiten erleben und welche Unterstützung ihnen noch fehlt.
Ergänzend können Führungskräfte beobachten, ob sich bestimmte Arbeitsweisen verändert haben. Bei einer Schulung zur Gesprächsführung könnten beispielsweise Gesprächsstrukturen, Feedbackverhalten und der Umgang mit schwierigen Situationen betrachtet werden.
Allerdings sollten Unternehmen berücksichtigen, dass der Wissenstransfer nicht allein von der Qualität des Lernangebots abhängt. Auch Arbeitsbedingungen, verfügbare Zeit, technische Ausstattung und Unterstützung durch Vorgesetzte beeinflussen, ob neue Kompetenzen angewendet werden können.
Ein fehlender Transfer ist daher nicht automatisch ein Hinweis auf eine schlechte KI-generierte Schulung. Er kann ebenso auf organisatorische Hindernisse hinweisen.
7. Die Qualität KI-generierter Inhalte gesondert bewerten
Neben den Lernergebnissen muss auch die Qualität der produzierten Inhalte überprüft werden. Generative KI kann überzeugend formulierte, aber fachlich unvollständige oder falsche Informationen erzeugen. Besonders bei Compliance-, Sicherheits- oder technischen Schulungen kann das erhebliche Folgen haben.
Eine Qualitätsbewertung sollte mindestens vier Kriterien berücksichtigen:
- Fachliche Richtigkeit: Sind Aussagen korrekt, aktuell und durch geeignete Quellen abgesichert?
- Didaktische Qualität: Unterstützen Aufbau, Beispiele und Übungen tatsächlich das Lernziel?
- Zielgruppenorientierung: Passen Sprache, Schwierigkeitsgrad und Praxisbeispiele zu den Lernenden?
- Technische Qualität: Funktionieren Videos, Tests, interaktive Elemente und mobile Darstellungen zuverlässig?
Dabei sollte die menschliche Qualitätskontrolle nicht als nebensächlicher Korrekturschritt behandelt werden. Fachverantwortliche und didaktische Experten bleiben wichtig, insbesondere wenn KI Inhalte automatisch aus internen Dokumenten oder externen Quellen erstellt.
Eine weitere Kennzahl kann der Korrekturaufwand sein. Wie viele Inhalte müssen vor der Veröffentlichung fachlich überarbeitet werden? Wie häufig werden Fehler nachträglich entdeckt? Wie lange dauert die Freigabe? Erst wenn diese Aufwände berücksichtigt werden, lässt sich beurteilen, ob KI die Produktion tatsächlich wirtschaftlicher macht.
8. Welche Rolle spielt das LMS bei der Erfolgsmessung?
Ein Learning Management System kann die Erfolgsmessung erheblich erleichtern, weil es Nutzungs- und Lerndaten an einem zentralen Ort zusammenführt.
Je nach Funktionsumfang dokumentiert ein LMS Kursabschlüsse, Testergebnisse, Lernzeiten, Zertifikate und den Fortschritt innerhalb individueller Lernpfade. Werden zusätzlich geeignete Schnittstellen genutzt, können weitere Daten aus bestehenden Systemen einbezogen werden.
Entscheidend ist jedoch, welche Informationen das System tatsächlich erfassen kann. Ein dokumentierter Kursabschluss sagt beispielsweise nichts darüber aus, ob eine Person eine Fähigkeit später selbstständig anwenden kann.
Für die Messung von KI-Learning sollte deshalb geprüft werden, welche Auswertungsmöglichkeiten vorhanden sind und wo ergänzende Verfahren erforderlich werden.
Ein Beispiel für eine Plattform in diesem Bereich ist nectar LMS. Die strukturierte Verwaltung von Lernpfaden, Kursen und unterschiedlichen Lernformaten kann eine Grundlage schaffen, um Lernaktivitäten nachvollziehbar zu organisieren und auszuwerten. Für eine umfassende Wirkungsmessung sollten solche LMS-Daten allerdings mit Wissenstests, Transferbefragungen und geeigneten betrieblichen Kennzahlen kombiniert werden.
Auch die Integration von KI-Funktionen sollte differenziert betrachtet werden. Die automatische Erstellung von Lernmaterialien, personalisierte Empfehlungen und KI-gestützte Lernassistenz sind unterschiedliche Anwendungsfälle. Sie benötigen jeweils eigene Erfolgskriterien.
9. Datenschutz und verantwortungsvolle Datennutzung nicht vergessen
Je detaillierter Unternehmen Lernprozesse analysieren, desto mehr personenbezogene Informationen können entstehen. Dazu gehören Testergebnisse, Nutzungsverhalten, Lernzeiten, individuelle Kompetenzprofile und gegebenenfalls Interaktionen mit KI-Assistenten.
Die Erhebung solcher Daten sollte einem klar definierten Zweck folgen. Nicht jede technisch verfügbare Information muss automatisch gespeichert oder ausgewertet werden.
Unternehmen sollten insbesondere klären, welche Daten für die Erfolgsmessung tatsächlich notwendig sind, wer Zugriff erhält und wie lange die Informationen aufbewahrt werden. Auch die Nutzung von KI-Systemen durch Beschäftigte sollte transparent kommuniziert werden.
Bei der Bewertung individueller Leistungen ist besondere Vorsicht geboten. Ein einzelner Testwert oder eine automatisch generierte Einschätzung sollte nicht ohne nachvollziehbare Kriterien als umfassendes Urteil über die Kompetenz einer Person verwendet werden.
Eine datenschutzgerechte und transparente Auswertung stärkt nicht nur das Vertrauen der Mitarbeitenden, sondern verbessert auch die Akzeptanz der gesamten Lernstrategie.
10. Ein pragmatisches Messkonzept entwickeln
Unternehmen müssen nicht sofort ein komplexes Evaluationssystem aufbauen. Häufig ist es sinnvoller, mit wenigen klar definierten Kennzahlen zu beginnen und diese schrittweise zu erweitern.
Ein praktikabler Ansatz umfasst fünf Schritte:
- Erstens: Ein konkretes Lernziel definieren. Statt allgemein die Verbesserung der Weiterbildung anzustreben, sollte beispielsweise festgelegt werden, dass Mitarbeitende einen bestimmten Arbeitsprozess sicher beherrschen.
- Zweitens: Die Ausgangssituation erfassen. Wie lange dauert die Erstellung bisheriger Lerninhalte? Welche Fehler treten auf? Wie hoch ist der aktuelle Wissensstand?
- Drittens: Die KI-Anwendung testen. Das neue Lernangebot wird mit einer geeigneten Zielgruppe eingesetzt. Produktionsaufwand, technische Qualität und Lernaktivitäten werden dokumentiert.
- Viertens: Lernergebnisse überprüfen. Vorher-Nachher-Tests, praktische Aufgaben und eine zeitversetzte Transfermessung liefern Hinweise auf die tatsächliche Lernwirksamkeit.
- Fünftens: Ergebnisse gemeinsam bewerten. Personalentwicklung, Fachabteilungen und IT betrachten die Daten zusammen und entscheiden, welche Prozesse verbessert werden sollten.
Ein solches Vorgehen ermöglicht es, den Nutzen von KI nicht nur anhand eingesparter Produktionsstunden, sondern anhand konkreter Verbesserungen im Lernprozess zu beurteilen.
Fazit: Nicht die Menge der Inhalte entscheidet, sondern die Wirkung
Künstliche Intelligenz bietet der betrieblichen Weiterbildung erhebliche Möglichkeiten. Lerninhalte lassen sich schneller erstellen, leichter aktualisieren und teilweise stärker an individuelle Bedürfnisse anpassen. Diese Vorteile sind jedoch kein Selbstzweck.
Wenn Unternehmen den Erfolg von KI-Learning ausschließlich anhand der Anzahl produzierter Kurse, der Abschlussquoten oder eingesparter Arbeitsstunden messen, bleibt die entscheidende Frage unbeantwortet: Lernen die Beschäftigten tatsächlich mehr und besser?
Eine aussagekräftige Bewertung verbindet deshalb Effizienzkennzahlen mit Lernfortschritt, Wissenserhalt, Kompetenzentwicklung und Transfer in den Arbeitsalltag. Ergänzend müssen die Qualität der KI-generierten Inhalte und die notwendigen menschlichen Prüfprozesse berücksichtigt werden.
Das Ziel sollte nicht sein, möglichst viele Lerninhalte möglichst schnell zu produzieren. Vielmehr geht es darum, relevante Lernangebote bereitzustellen, die nachweisbar zur Entwicklung beruflicher Kompetenzen beitragen.
Denn am Ende zählt nicht, wie schnell ein курс fertig ist. Entscheidend ist, was nach dem Kurs tatsächlich gelernt wurde.
Quellen und weiterführende Informationen
- OECD – Digital Education Outlook 2026
- CDC – Evaluate Training: Measuring Effectiveness (2024)
- Kirkpatrick Partners – The Kirkpatrick Model
- OECD – Empowering Learners for the Age of AI (2026)
- nectar LMS – Produktinformationen
Veröffentlicht am 02.11.2026
Schreibe einen Kommentar