Ich, du, wir und die KI

Mehr als ein halbes Jahrhundert nachdem in der Erwachsenenbildung bereits von einer "Individualisierung des Lernens" die Rede war, können digitale Systeme umsetzen, was damals technisch nicht möglich war. Zugleich stellt sich mit neuer Dringlichkeit die alte didaktische Frage: Welche Lernbedingungen braucht ein Mensch tatsächlich, um gut zu lernen? Die Antwort muss nicht immer ein noch genauer auf den individuellen Bedarf zugeschnittener Lerninhalt sein. Sie kann auch in mehr Handlungsspielraum, geeigneter Unterstützung oder im Austausch mit anderen liegen. 

Altes Konzept – neue Möglichkeiten 

Einen frühen Beleg für die Individualisierung in der Erwachsenenbildung lieferte bereits 1970 Hans Tietgens. Der langjährige pädagogische Leiter der Pädagogischen Arbeitsstelle des Deutschen Volkshochschul-Verbands  meinte damit ausdrücklich den verstärkten Einsatz technischer Medien. Zugleich erwartete er eine veränderte Rolle der Lehrenden, die zukünftig weniger auf die reine Wissensvermittlung ausgerichtet sei und sich stattdessen mehr mit der Organisation und Beratung von Lernprozessen beschäftigen sollte. 

In den folgenden Jahrzehnten wurde dieses Anliegen in der Erwachsenenbildung vor allem unter anderen Begriffen weitergeführt. Die Orientierung an den Teilnehmenden und Selbststeuerung rückten die Voraussetzungen, Erfahrungen und Handlungsmöglichkeiten der Lernenden in den Mittelpunkt. Beloer, Dauber und Tietgens fassten 1980 "Teilnehmerorientierung und Selbststeuerung in der Erwachsenenbildung" bereits im Titel eines gemeinsamen Bandes zusammen. Selbststeuerung bezeichnete die Möglichkeit der Lernenden, Einfluss auf Ziele, Inhalte, Methoden, Zeit, Ort oder auch die Wahl von Lernpartnern zu nehmen.  

Heute müssen Lernende nicht mehr zur gleichen Zeit dasselbe Material im gleichen Tempo bearbeiten. Daten über Vorwissen, Aufgaben am Arbeitsplatz und Lernfortschritt ermöglichen es in adaptiven Lernsystemen, nicht nur Zeit und Ort, sondern auch Inhalte und Lernwege anzupassen. Aus der pädagogischen Forderung nach mehr Orientierung am Einzelnen ist damit zunehmend auch eine technische Gestaltungsaufgabe geworden.  

Effektiver Lernen als Ziel

Wie das konkret aussehen kann, zeigt das Forschungsprojekt Kamaeleon, kurz für "Kontextbasierte und adaptive Maßnahmen für effektive Lernunterstützung in der Online-Weiterbildung". Im Rahmen des BMBF-Innovationswettbewerbs Invite entwickelten und evaluierten die Universität Mannheim und der Lernplattformanbieter Edyoucated GmbH aus Münster personalisierte Lernpfade und digitale Hilfen für das selbstgesteuerte Lernen. David Middelbeck, Mitgründer und Geschäftsführer von Edyoucated, nennt drei Elemente, die im Projekt weiterentwickelt wurden: eine möglichst kurze Diagnostik des Vorwissens, das automatische Überspringen bereits beherrschter Inhalte sowie ein Werkzeug zur Zielsetzung mit einem personalisierten Fortschritts-Dashboard. Das Ziel der Diagnostik sei, mit möglichst wenigen gezielten Fragen den Wissensstand einer lernenden Person zu ermitteln, um effektives Lernen zu ermöglichen. 

"Es geht darum, dass Menschen an der richtigen Stelle in einen Lernpfad einsteigen und an der richtigen Stelle wieder rauskommen, ohne Redundanz", erklärt Middelbeck. ""Schneller oder besser" ist damit kein Gegensatz. Überall dort, wo man am Ende klar sagen kann, die Person kann es oder kann es nicht - also bei Wissensthemen, technischen Inhalten oder Produktschulungen -, ist schneller in aller Regel auch besser. Wer einen großen Teil seiner Lernzeit mit Inhalten verbringt, die er längst beherrscht, lernt dadurch nicht gründlicher, sondern verliert nur die Zeit, die er für die tatsächlichen Lücken gebraucht hätte." 

Personalisierung ist demnach selten der erste Punkt auf der Anforderungsliste seiner Kunden, aber häufig der, der den Ausschlag gibt. Der größte Hebel entsteht, wenn eine sehr heterogene Zielgruppe und eine relevante Anzahl an Lernenden zusammenkommen, etwa bei unternehmensweiten Produktschulungen, Microsoft-365- oder Tool-Trainings. Bei einem Versicherungskunden von Edyoucated waren das nach eigenen Angaben etwa 6.200 eingesparte Lernstunden in zwei Jahren. "Das lässt sich dann auch direkt in Geld umrechnen", argumentiert Middelbeck. 

Ob neben der Zeitersparnis auch das Lernen verbessert wird, untersuchte das Kamaeleon-Team experimentell. 194 Teilnehmende wurden zufällig drei Varianten eines 14-tägigen Excel-Lernpfads zugeordnet. Die Gruppe, deren Lernpfad anhand der Selbsteinschätzung verkürzt worden war, erzielte einen signifikant höheren Wissenszuwachs als die Kontrollgruppe. Für die Gruppe, die auf Basis eines Wissenstests personalisierte Inhalte zugeordnet bekam, ergab sich kein höherer Wissenszuwachs. Auch bei Abschluss und Zufriedenheit zeigte sich kein nachweisbarer Vorteil der Personalisierung. Auch ein zweites Experiment ergab gemischte Ergebnisse. Personalisierung kann also Zeit sparen. Dass sie deshalb automatisch Lernerfolg, Abschluss oder Selbstregulation verbessert, zeigen die Experimente nicht. 

Ein digitales Lernsystem kann Inhalte und Lernpfade anpassen. Mehr Selbststeuerungsmöglichkeiten führen aber nicht automatisch zu erfolgreicher Selbstregulation.  

Yvonne M. Fromm (vormals Hemmler) und Dirk Ifenthaler haben 58 Studien zum selbstregulierten Lernen in der Weiterbildung systematisch ausgewertet und metaanalytisch zusammengeführt. Sie betrachten Selbstregulation nicht isoliert als Eigenschaft einer einzelnen Person, sondern unterscheiden Faktoren aus vier Bereichen: Lernprozess, Lernende, Weiterbildung und Arbeitskontext. Strategien des selbstregulierten Lernens standen mit Lernleistung, Engagement und Zufriedenheit in positivem Zusammenhang. Auch eine unterstützende Lernkultur und ein großer Handlungsspielraum bei der Arbeit gingen mit stärkerer Selbstregulation einher. Besonders eng hing die Lernleistung mit metakognitiven Strategien und dem Management von Zeit und anderen Ressourcen zusammen. Die Metaanalyse weist Zusammenhänge nach – belegt aber keine Ursache-Wirkungs-Beziehung. 

Individualisierung lässt sich also nicht darauf reduzieren, jedem Lernenden den passenden Content oder individuelle Lernpfade bereitzustellen. Wer erwartet, dass sich Lernende Ziele setzen, ihre Zeit planen, ihren Lernfortschritt überwachen und ihren Lernweg bei Bedarf verändern, muss ihnen dafür auch Handlungsmöglichkeiten eröffnen. Ein personalisiertes Dashboard kann zum Beispiel Lernzeit und Lernfortschritt sichtbar machen. Es kann aber weder Lernzeit noch Lernfortschritt schaffen.

Selbststeuerung und Social Learning

Welche Rolle andere Menschen für wirksames Lernen spielen können, zeigt eine breit angelegte Literaturanalyse zum Status Quo des Selbstgesteuerten Lernens in der beruflichen Weiterbildung aus dem Jahr 2022. Selbststeuerung beschreibt, welchen Einfluss Lernende auf ihren Lernprozess nehmen können. Dazu kann gehören, Unterstützung zu suchen, Feedback einzuholen, gemeinsam ein Problem zu bearbeiten oder einen Lernpartner zu wählen. Untersucht wurde unter anderen, welche didaktischen Prinzipien dort mit selbstgesteuertem Lernen verbunden werden. Soziales Lernen wurde demnach in 24 Publikationen genannt, Teilnehmerorientierung in 17, Handlungsorientierung in 15 und Offenheit in 13. 

Andere Menschen können etwas anderes in einen Lernprozess einbringen als vorgegebene Lerninhalte. Sie können Erfahrungen teilen, Vorgehensweisen hinterfragen, Rückmeldung geben oder gemeinsam Lösungen entwickeln.

Adaptive Systeme, Chatbots und Social Learning 

Adaptive Systeme passen beispielsweise Reihenfolge, Schwierigkeitsgrad oder Umfang der Inhalte an das Vorwissen und die bisherigen Lernleistungen an. Viele dieser Systeme greifen dabei auf vorab erstellte Inhalte, Aufgaben und Rückmeldungen zurück, heute kommt dabei auch generative KI zum Einsatz. KI-Chatbots erweitern das Prinzip. Ein Chatbot kann im laufenden Dialog in Echtzeit neue Erklärungen, Beispiele oder Übungen erzeugen und einen Lösungsversuch kommentieren, auch außerhalb der Lernplattform. Ein offener KI-Dialog erweitert die Möglichkeiten individueller Unterstützung, verlagert aber auch Entscheidungen auf die Lernenden. In einem traditionellen adaptiven Angebot wählt das System den nächsten Inhalt aus festgelegten Möglichkeiten. Im Dialog müssen Lernende selbst formulieren, was sie wissen wollen und ob sie eine Erklärung, einen Hinweis oder eine Lösung benötigen. Sie müssen die Antwort prüfen und entscheiden, was sie übernehmen. Je flexibler der KI-Lernbegleiter reagiert, desto stärker hängt sein Nutzen davon ab, ob Lernende den eigenen Lernprozess steuern und regulieren können. 

Einen Schritt weiter gehen agentenbasierte Systeme. Anders als ein Chatbot, der zunächst auf eine Eingabe reagiert, können KI-Agenten ein Ziel verfolgen, Informationen aus unterschiedlichen Quellen einbeziehen, weitere Schritte planen und selbst Aktionen auslösen. Für das Lernen kann das bedeuten, dass ein System nicht nur auf eine Frage antwortet, sondern den Lernfortschritt beobachtet, Unterstützungsbedarf erkennt und eine passende Intervention anstößt. Damit verschärft sich allerdings die Frage nach der Selbstregulation. In der Forschung wird bereits von einem "Regulation Paradox" gesprochen: Ein Agent kann Lernende beim Planen, Beobachten und Anpassen ihres Lernprozess unterstützen. Übernimmt er diese Funktion jedoch weitgehend selbst, reduziert er zugleich genau jene Regulationsleistungen, die Lernende entwickeln und ausüben sollen. Entscheidend ist deshalb nicht allein, wie individuell ein Agent reagieren kann, sondern auch, welche Entscheidungen bei den Lernenden bleiben.

KI kann den sozialen Austausch vorbereiten, Fragen sammeln, Gegenargumente liefern oder Diskussionen strukturieren. Menschliche Zusammenarbeit bringt jedoch Qualitäten ein, die ein KI-System nicht ohne Weiteres reproduziert: geteilte organisationale Erfahrung, reale Beziehungen, wechselseitige Verbindlichkeit und Verantwortung für gemeinsame Entscheidungen. 

Agentenbasierte Systeme können auch Social Learning unterstützen. Ein aktuelles asystematisches Review von 46 empirischen Studien zu KI-Agenten im computergestützten kollaborativen Lernen in Hochschulkontexten zeigt, dass sie auch Gruppenprozesse unterstützen können, etwa durch eine zeitlich begrenzte didaktische Lernunterstützung (kognitives Scaffolding), soziale Moderation oder die Orchestrierung von Lernaktivitäten. Die kognitiven Effekte fallen in den Studien vergleichsweise konsistent aus, soziale und emotionale Effekte hängen stärker vom jeweiligen Design ab.

Vom passenden Inhalt zum passenden Lernpartner

Das 2025 erschienene Dossier "Die Zukunft der beruflichen Weiterbildung. Szenarien und Handlungsempfehlungen für einen innovativen, digitalen Weiterbildungsraum 2035" entstand im BMBF-Innovationswettbewerb "Invite". Aus 34 Projekten und der Beobachtung des Bildungsmarktes entwickelten Berit Blanc, Lutz Goertz und ihr Autorenteam fünf Zukunftsszenarien. Drei betreffen die Individualisierung unmittelbar: Recommendersysteme erfassen Kompetenzen, Interessen und Lernziele und empfehlen passende Angebote. Learning Analytics passen Lernpfade an den Lernverlauf an, KI-Lernbegleiter unterstützen den Prozess. Zwei weitere Szenarien behandeln offene Standards, die plattformübergreifende Nutzung von Daten und digitale Kompetenznachweise.

Systeme sollen auch Menschen zusammenbringen, die an ähnlichen Themen oder Problemen arbeiten. Dieses Lernpartner-Matching bewerteten die Fachleute als besonders wünschenswert. Der Austausch kann berufliche Perspektiven eröffnen, den Praxisbezug stärken und der Isolation beim individuellen Online­lernen entgegenwirken. Seine Umsetzung hielten sie jedoch für weniger wahrscheinlich als Kursempfehlungen, die nach ihrer Einschätzung bereits weitgehend realisiert sind. Offen ist, nach welchen fachlichen und überfachlichen Merkmalen das Matching erfolgt, wie verlässlich die Kompetenzprofile sind und ob Lernende eine KI-Auswahl akzeptieren. Technische Personalisierung richtet sich bislang vor allem darauf, was ein Mensch lernt – weniger darauf, mit wem er das Gelernte prüft und in die Praxis überträgt.

Einen Schritt in diese Richtung gehen erste agentenbasierte Anwendungen wie etwa Gloat. Ein "Mentor Matching Agent" berücksichtigt unter anderem Skills und Entwicklungsziele, um Mentoren und Mentees zusammenzubringen und das Matching weiter zu begleiten. Das zeigt, dass sich das im Invite-Dossier beschriebene Szenario technisch konkretisiert. Ob ein solcher Agent tatsächlich erkennt, wann ein menschlicher Lernpartner für den individuellen Lernprozess die passende Unterstützung ist und welche Lernwirkung daraus entsteht, ist damit jedoch noch nicht beantwortet.

Eine Antwort auf die Frage, wie viel Steuerung das System übernehmen soll, ist das noch nicht. Von allen Szenarioelementen hielten  die Befragten ausreichende Fähigkeiten zum selbstgesteuerten Lernen bis 2035 für am wenigsten wahrscheinlich. Eine vollständige Automatisierung der Lernprozesssteuerung wurde ebenfalls abgelehnt. Bevorzugt wurde eine Arbeitsteilung: Systeme analysieren Lernverläufe und schlagen nächste Schritte vor, während Lehrende die Informationen einordnen, die Lernenden begleiten und die Beziehungen in der Lerngruppe gestalten.

Individueller Lernweg versus betriebliche Zielvorgaben

Wie individuell ein KI-gestützter Lernweg ist, hängt nicht nur davon ab, ob ein System Inhalte anpasst. Lutz Goertz, Leiter der Bildungsforschung am MMB-Institut und Mitautor des "Invite"-Dossiers, macht dies am Verhalten von Lern-Chatbots fest: Ob ein KI-gestützter Lernweg tatsächlich individuell ist, hängt seiner Meinung nach nicht allein davon ab, ob der Chatbot Fragen stellt und Erklärungen anpasst, sondern auch davon, welche Spielräume das System den Lernenden auf dem Weg zu einem Lernziel lässt.

Goertz hat sowohl Anwendungen erprobt, die den Wissensstand und die Interessen erfragen und auch einen Richtungswechsel zulassen, als auch Chatbots, die beharrlich zu einem vorgegebenen Ergebnis führen. Den Study Mode von Chat GPT beschreibt er beispielsweise als vergleichsweise offen. Das System frage nach Kenntnisstand und Interessen und schlage einen Lernweg vor, lasse sich aber auch in eine andere Richtung lenken. Bei einem weiteren von ihm getesteten Chatbot stand das Lernziel ebenfalls fest, der Weg war jedoch deutlich stärker vorgegeben. Versuchte Goertz einen anderen Weg einzuschlagen, führte ihn der Chatbot immer wieder auf den vorgesehenen Pfad zurück. Lasse ein System solche Abweichungen nicht zu, ist es für ihn "nicht mehr individuell".

Im Corporate Learning lässt sich diese Offenheit nicht überall verwirklichen. Bei Arbeitsschutz, Compliance oder Produktwissen muss ein bestimmtes Ergebnis erreicht werden. Variabel sind Einstieg, Tempo, Beispiele und Übungsumfang, nicht aber das Ziel. Entwicklungsprogramme können dagegen mehr Raum für persönliche Schwerpunkte lassen.

Effizienz ist nicht gleich Lernwirkung

Wie schon die Kamaeleon-Ergebnisse zeigen, ist Effizienz nicht mit Lernwirkung gleichzusetzen. Auch Goertz warnt davor, durch individualisiertes Lernen ermöglichte Zeitersparnis mit Wirkung zu verwechseln. Bearbeitungszeit und Testergebnis sind leicht zu erfassen, der Lerntransfer in die Arbeit jedoch nicht. Vergleichsstudien zwischen individuellen Pfaden, kollaborativen Formaten und begleiteten Angeboten sind weiterhin rar, besonders was den langfristigen Einsatz generativer KI in der beruflichen Weiterbildung betrifft.

Auch Datenschutz ist ein Thema. Bei Eingaben in öffentlich zugängliche oder nicht für Unternehmensdaten freigegebene Chatbots können personenbezogene oder interne Informationen nach außen gelangen. Empfehlungen, die Lerngewohnheiten und längerfristige Verläufe berücksichtigen, setzen zudem die Auswertung von Kompetenzen, Lernhandlungen und Ergebnissen voraus. Das kann die Leistungs- und Verhaltenskontrolle berühren. Lernende müssen wissen, welche Daten wofür verwendet werden, wer Einblick erhält und welche Entscheidungen daraus entstehen. Ohne transparente Regeln untergräbt Personalisierung die versprochene Autonomie. 

Individualisierung heißt deshalb nicht, dass jeder für sich lernt, sondern das Lernende die Unterstützung erhalten, die sie brauchen.

Dieser Beitrag ist erschienen in neues lernen, Ausgabe 5/2026, das Fachmagazin für Personalentwicklung. Sie finden weitere Inhalte zu diesem Beitrag ebenso wie weitere Artikel zum Thema im Heft, im Digitalmagazin und in der App Personalmagazin - neues lernen.

Gleich weiterlesen? Das könnte Sie auch interessieren:

"Mehr Adaptivität bedeutet nicht automatisch besseres Lernen." Warum die Lernkultur im Unternehmen eine entscheidende Rolle spielt, erläutert Dirk Ifenthaler, Professor für Wirtschaftspädagogik und technologiebasiertes Instruktionsdesign an der Universität Mannheim.

Ein »Safe Space« für Dummheit: Eine überkluge Fehlerkultur verengt den Blick auf „richtige“ Fehler und lässt keinen Raum für echte Fehler.

Der selbstgemachte Generationenkonflikt: Wer die Veränderungen verstehen will, sollte weniger auf Geburtsjahrgänge und stärker auf Werte schauen.