# AI-driven Learning & Development: Vom Kurskatalog zum intelligenten Kompetenzsystem *https://www.hrm.de/ai-driven-learning-development/ — 2026-07-07* Künstliche Intelligenz macht Weiterbildung schneller und persönlicher. Ihr eigentlicher Wert liegt jedoch tiefer: Sie kann Lernen mit realen Aufgaben, strategischen Kompetenzlücken und der Transformation von Arbeit verbinden. Damit verändert sich nicht nur die Technologie, sondern das Selbstverständnis von Learning & Development. ## Weiterbildung gerät unter Zeitdruck Ein neues Tool wird eingeführt, ein Geschäftsmodell angepasst, eine Rolle neu zugeschnitten – und schon ist ein Trainingsprogramm veraltet, bevor der letzte Kurs ausgerollt wurde. Dieses Muster prägt den Arbeitsalltag vieler Organisationen. Wissen verschwindet nicht über Nacht, doch seine wirtschaftliche Relevanz kann sich innerhalb weniger Monate verschieben. Für Learning-&-Development-Teams entsteht daraus ein strukturelles Problem: Sie sollen Kompetenzen aufbauen, während sich das Zielbild permanent bewegt. Der Future of Jobs Report 2025 des World Economic Forum gibt dem Veränderungsdruck eine Größenordnung. Die befragten Arbeitgeber erwarten, dass sich bis 2030 rund 39 Prozent der Kernkompetenzen ihrer Beschäftigten verändern. Das ist kein Argument für hektische Schulungswellen. Es zeigt vielmehr, dass Weiterbildung nicht länger als Abfolge einzelner Maßnahmen organisiert werden kann. Unternehmen benötigen ein System, das kontinuierlich erkennt, welche Fähigkeiten gebraucht werden, wo sie fehlen und wie sie im Arbeitsprozess entstehen können. Genau hier setzt AI-driven Learning & Development an. Der Begriff wird häufig auf personalisierte Kursvorschläge oder automatisch erstellte Lerninhalte reduziert. Das greift zu kurz. Richtig eingesetzt verbindet künstliche Intelligenz Kompetenzdaten, Geschäftsanforderungen, Lernverhalten und operative Arbeit. Aus einem verwalteten Kursangebot wird im besten Fall eine lernende Infrastruktur für die Organisation. ## Was AI-driven Learning & Development tatsächlich bedeutet KI-gestütztes Learning & Development beschreibt den Einsatz intelligenter Systeme, um Entwicklungsbedarfe zu erkennen, Lernangebote zu gestalten, Menschen im Arbeitsalltag zu unterstützen und die Wirkung von Qualifizierung sichtbar zu machen. Zum Einsatz kommen unter anderem generative KI, Machine Learning, Skill-Intelligence-Plattformen, semantische Suche, Empfehlungssysteme und Predictive Analytics. Entscheidend ist nicht die einzelne Technologie, sondern das Zusammenspiel. Ein Sprachmodell kann Inhalte zusammenfassen, Übungen erzeugen oder als Lernassistent Fragen beantworten. Ein Skill-System ordnet Rollen und Tätigkeiten den benötigten Fähigkeiten zu. Analytische Modelle können Muster in Lern- und Leistungsdaten erkennen. Erst wenn diese Bausteine mit einer nachvollziehbaren Kompetenzarchitektur und klaren Unternehmenszielen verbunden werden, entsteht mehr als ein moderneres E-Learning-Angebot. Der Unterschied lässt sich an einer einfachen Frage erkennen. Klassisches L&D fragt: „Welche Schulung können wir anbieten?“ AI-driven L&D fragt: „Welche Fähigkeit muss in welchem Arbeitskontext entstehen – und welcher Lernimpuls hilft dieser Person jetzt weiter?“ Der Fokus verschiebt sich damit vom Content zur Kompetenz und vom Abschluss eines Kurses zur Anwendung in der Praxis. ## Warum der klassische Kurskatalog an seine Grenzen kommt Viele Weiterbildungslandschaften sind historisch gewachsen. Sie bestehen aus Pflichttrainings, Fachseminaren, Standardcurricula und einer Lernplattform mit mehreren hundert oder tausend Inhalten. Dieses Modell kann zuverlässig funktionieren, wenn Rollen stabil, Lernziele eindeutig und Veränderungen planbar sind. In dynamischen Märkten treten jedoch drei Schwächen hervor. Erstens bleibt der tatsächliche Bedarf oft unscharf. Selbsteinschätzungen, jährliche Entwicklungsgespräche und pauschale Rollenprofile liefern nur Momentaufnahmen. Zweitens ist die Auswahl der Inhalte aufwendig. Mitarbeitende müssen aus einem großen Angebot selbst erkennen, was für ihre aktuelle Aufgabe relevant ist. Drittens endet Lernen häufig an der Grenze der Plattform. Ein Kurs wurde abgeschlossen, doch ob das Wissen später in Entscheidungen, Prozessen oder Kundensituationen ankommt, bleibt offen. Hinzu kommt ein bekanntes Zugangsproblem. Die OECD beschreibt in ihrer Analyse zum Lernen Erwachsener, dass die Teilnahme an Weiterbildung stagniert und kurze, häufig compliance-orientierte Formate dominieren. Zeitmangel, ungleiche Zugänge und fehlende Passung zum Arbeitsalltag bleiben zentrale Hürden. Mehr Inhalte lösen dieses Problem nicht automatisch. Relevanz, Zeitpunkt und Anwendbarkeit werden wichtiger als die Größe des Katalogs. ## Die fünf Hebel, mit denen KI Weiterbildung verändert ##### 1. Kompetenzlücken werden konkreter Die strategische Stärke von KI beginnt bei der Diagnose. Moderne Skill-Intelligence-Systeme können Stellenprofile, Projektanforderungen, Tätigkeitsbeschreibungen, Lernhistorien und interne Kompetenzdaten zusammenführen. Sie erkennen verwandte Fähigkeiten, übersetzen unterschiedliche Begriffe in gemeinsame Skill-Cluster und machen sichtbar, welche Kompetenzen für künftige Rollen an Bedeutung gewinnen. Das ist mehr als eine automatisierte Skill-Gap-Analyse. Gute Systeme unterscheiden zwischen einer nominell vorhandenen Fähigkeit und ihrer tatsächlichen Anwendung. Sie können Hinweise darauf liefern, ob Wissen nur dokumentiert, in einem Kurs erworben oder bereits in Projekten genutzt wurde. Für Personalentwicklung und Workforce Planning entsteht dadurch eine gemeinsame Datengrundlage – vorausgesetzt, die Daten sind aktuell und die Schlussfolgerungen bleiben überprüfbar. ##### 2. Lernpfade werden situativ statt standardisiert Personalisierung bedeutet nicht, jedem Menschen einen anderen Kurs auszuspielen. Wertvoll wird sie, wenn Lernangebote den Kontext berücksichtigen: die aktuelle Rolle, das Erfahrungsniveau, bevorstehende Aufgaben, Karriereziele und den bereits erreichten Lernstand. Ein Vertriebsmitarbeiter benötigt vor einem Kundentermin möglicherweise einen fünfminütigen Gesprächsimpuls. Eine angehende Führungskraft braucht über mehrere Monate Feedback, Reflexion und reale Übungssituationen. Ein Data-Team wiederum profitiert von anspruchsvollen Fallstudien und einer technischen Lernumgebung. KI kann diese Unterschiede schneller erkennen und Empfehlungen laufend anpassen. Damit entsteht eine Learning Journey, die nicht starr im Voraus geplant wird, sondern auf Fortschritt und Bedarf reagiert. Die Qualität steht und fällt allerdings mit den Regeln hinter der Empfehlung. Ein Algorithmus, der nur vergangenes Verhalten verstärkt, kann Menschen in bekannten Themen halten und Entwicklungsmöglichkeiten verengen. Personalisierung braucht deshalb Wahlfreiheit, Transparenz und bewusst gesetzte Entwicklungsziele. ##### 3. Inhalte entstehen schneller – aber nicht automatisch besser Generative KI hat die Produktionslogik von Lerninhalten bereits verändert. Aus vorhandenen Dokumenten lassen sich Entwürfe für Microlearning, Fallbeispiele, Quizfragen, Rollenspiele, Zusammenfassungen oder Übersetzungen erstellen. Aktualisierungen, die früher mehrere Wochen beanspruchten, können in deutlich kürzerer Zeit vorbereitet werden. Besonders bei schnell wechselndem Produktwissen oder internen Prozessen ist das ein erheblicher Vorteil. Die neue Geschwindigkeit birgt jedoch ein Qualitätsrisiko. Sprachmodelle formulieren plausibel, auch wenn Quellen unvollständig oder Schlussfolgerungen falsch sind. Wer Lerninhalte automatisiert erzeugt, benötigt deshalb klare Freigabeprozesse, Quellenbezug, fachliche Verantwortung und Versionierung. Die zentrale Frage lautet nicht: „Kann die KI diesen Inhalt erstellen?“ Sondern: „Wer bestätigt, dass er richtig, didaktisch sinnvoll und für diese Zielgruppe geeignet ist?“ ##### 4. Lernen rückt in den Moment der Arbeit Der vielleicht größte Wandel findet außerhalb klassischer Lernplattformen statt. KI-Assistenten können Mitarbeitende direkt in Anwendungen und Arbeitsabläufen unterstützen: beim Erstellen einer Analyse, bei der Vorbereitung eines Gesprächs, bei der Interpretation einer Richtlinie oder beim Einüben eines schwierigen Dialogs. Lernen wird damit zu Performance Support – einer Hilfe im Moment des Bedarfs. Dieser Ansatz verkürzt den Abstand zwischen Wissen und Anwendung. Zugleich verändert er die Didaktik. Beschäftigte müssen nicht jede Information dauerhaft speichern, wohl aber gute Fragen stellen, Ergebnisse prüfen, Zusammenhänge verstehen und Verantwortung für Entscheidungen übernehmen. Die Fähigkeit, mit KI zu arbeiten, besteht deshalb nicht nur aus Prompting. Sie umfasst Urteilsvermögen, Domänenwissen, Datenschutz, Quellenkritik und das Erkennen von Situationen, in denen menschliche Expertise unverzichtbar ist. ##### 5. Wirkung lässt sich näher am Geschäft messen L&D wird traditionell an Teilnahmen, Abschlussquoten oder Zufriedenheit gemessen. Diese Kennzahlen sagen wenig darüber aus, ob sich Verhalten verändert oder ein strategisches Problem gelöst wurde. KI-gestützte Analysen können Lernaktivitäten stärker mit Kompetenzentwicklung, interner Mobilität, Projektbesetzung, Qualitätskennzahlen oder der Zeit bis zur sicheren Aufgabenübernahme verbinden. Dabei ist Zurückhaltung wichtig. Nicht jede Korrelation ist ein Wirkungsnachweis, und personenbezogene Leistungsprofile können schnell in Überwachung kippen. Sinnvolle Evaluation arbeitet deshalb mit klaren Hypothesen: Welche Verhaltensänderung wird erwartet? Welche Daten sind erforderlich? Welche alternativen Erklärungen gibt es? Je sensibler die Daten, desto stärker müssen Datenschutz, Mitbestimmung und Zweckbindung berücksichtigt werden. ## Die neue Rolle von Learning & Development Mit KI wird L&D nicht überflüssig. Die Funktion verändert sich jedoch grundlegend. Weniger Zeit fließt in die manuelle Produktion standardisierter Inhalte, mehr in die Gestaltung eines verlässlichen Lernökosystems. Learning-Teams werden zu Übersetzern zwischen Strategie, Arbeit, Technologie und menschlicher Entwicklung. Dazu gehört, gemeinsam mit den Fachbereichen belastbare Kompetenzmodelle zu entwickeln, Lernbedarfe zu priorisieren und geeignete Formate zu kombinieren. Es geht ebenso um Datenqualität, Governance und die Frage, welche Entscheidungen ein System treffen darf. Vor allem aber muss L&D den Lerntransfer organisieren: durch Praxisaufgaben, Feedback, Communities, Coaching und Führungskräfte, die Entwicklung im Alltag ermöglichen. Die OECD weist in ihrem Bericht „AI and Skills“ darauf hin, dass weniger als ein Prozent der Beschäftigten fortgeschrittene KI-Spezialkenntnisse benötigen. Für die Mehrheit zählen digitale Grundkompetenzen, der Umgang mit Daten sowie menschliche Fähigkeiten wie Problemlösen, Kreativität und Innovation. Diese Beobachtung ist für L&D zentral. Eine zukunftsfähige Lernstrategie darf nicht nur technische Trainings skalieren. Sie muss Fachkompetenz, kritisches Denken, Zusammenarbeit und verantwortungsvolle Anwendung gemeinsam entwickeln. ## AI Literacy wird zur Führungs- und Governance-Aufgabe Je tiefer KI in Arbeitsprozesse eindringt, desto weniger genügt ein freiwilliger Einführungskurs. Mitarbeitende müssen verstehen, welche Systeme im Unternehmen eingesetzt werden, welche Daten sie verarbeiten, wo typische Fehler entstehen und wie Ergebnisse zu prüfen sind. Führungskräfte benötigen zusätzlich ein Verständnis dafür, wie sich Verantwortlichkeiten, Kontrollen und Entscheidungswege verändern. Auch regulatorisch gewinnt das Thema Gewicht. Der EU AI Act hat AI Literacy ausdrücklich als organisatorische Anforderung verankert. Die Europäische Kommission betont einen risikobasierten Ansatz: Lernmaßnahmen sollen sich nach Vorwissen, Einsatzkontext und Gefährdungspotenzial der verwendeten Systeme richten. Unabhängig von Detailänderungen im laufenden europäischen Vereinfachungsverfahren bleibt die praktische Botschaft eindeutig: Eine allgemeine Präsentation über Chancen und Risiken reicht nicht aus. Qualifizierung muss rollenbezogen, dokumentierbar und mit der tatsächlichen Nutzung von KI verbunden sein. Für L&D eröffnet das eine neue Verantwortung. AI Literacy ist weder ein reines IT-Thema noch ein einmaliges Compliance-Modul. Sie umfasst technische Grundlagen, rechtliche und ethische Fragen, sichere Anwendung, menschliche Aufsicht und die Fähigkeit, Auswirkungen auf Kunden, Beschäftigte und andere Betroffene einzuschätzen. ## Wo die Versprechen von AI-driven Learning enden Die Vorstellung eines vollständig autonomen Lernsystems klingt attraktiv: Eine KI erkennt Kompetenzlücken, erstellt den passenden Inhalt, begleitet die Anwendung und misst den Erfolg. In der Praxis stößt dieses Modell an Grenzen. Kompetenzen sind keine statischen Datenpunkte. Sie entstehen in sozialen Situationen, hängen von Erfahrung ab und zeigen sich oft erst unter realen Bedingungen. Führung, Verhandlung, Kreativität oder ethisches Urteilsvermögen lassen sich nicht verlässlich aus Klickpfaden ableiten. Auch Verzerrungen bleiben ein Risiko. Wenn historische Karriere- und Lerndaten Benachteiligungen enthalten, kann ein Empfehlungssystem diese Muster fortschreiben. Wenn Mitarbeitende nicht wissen, wie Bewertungen zustande kommen, sinkt das Vertrauen. Und wenn jede Aktivität messbar gemacht wird, kann aus Lernunterstützung ein Kontrollinstrument werden. Verantwortungsvolles AI-driven L&D braucht daher Grenzen: keine automatischen Karriereentscheidungen allein auf Basis von Lernanalysen, keine intransparenten Kompetenz-Scores, keine Datensammlung ohne klaren Zweck. Systeme sollten Empfehlungen geben, nicht Biografien festlegen. Menschliche Entscheidungskompetenz bleibt besonders dort notwendig, wo Entwicklungschancen, Leistung oder Beschäftigung betroffen sind. ## Vom Pilotprojekt zum tragfähigen Lernsystem Viele Unternehmen beginnen mit einem KI-Chatbot oder einem Tool zur Content-Erstellung. Das ist verständlich, führt aber leicht zu isolierten Anwendungen ohne strategischen Nutzen. Ein tragfähiger Einstieg beginnt nicht mit der Produktauswahl, sondern mit einem konkreten Geschäftsproblem. Das kann eine zu lange Einarbeitungszeit, fehlende Datenkompetenz, eine neue Produktgeneration oder der Umbau eines Berufsbildes sein. Im nächsten Schritt müssen die erfolgskritischen Fähigkeiten und Anwendungssituationen beschrieben werden. Erst dann lässt sich entscheiden, ob KI bei Diagnose, Empfehlung, Inhaltserstellung, Coaching oder Evaluation unterstützen soll. Ein begrenzter Pilot mit klaren Wirkungskriterien liefert mehr Erkenntnisse als ein breiter Rollout ohne Zielbild. Parallel braucht es eine Governance, die Verantwortlichkeiten festlegt: Wer prüft Inhalte? Wer darf auf Kompetenzdaten zugreifen? Wie werden Empfehlungen erklärt? Welche Daten werden nicht erhoben? Wie können Mitarbeitende fehlerhafte Einschätzungen korrigieren? Diese Fragen sind kein bürokratischer Zusatz. Sie entscheiden darüber, ob das System akzeptiert und langfristig genutzt wird. Schließlich muss das Lernangebot in den Arbeitsalltag eingebettet werden. Ohne Zeit, Unterstützung durch Führungskräfte und Gelegenheit zur Anwendung bleibt auch die beste Empfehlung folgenlos. Die OECD berichtet, dass mehr als die Hälfte der Beschäftigten, die KI bei der Arbeit nutzen, arbeitgeberfinanzierte Weiterbildung erhalten. Diese Beschäftigten berichten häufiger von positiven Effekten wie besserer Leistung und verbesserten Arbeitsbedingungen. Der Zusammenhang unterstreicht: Technologie entfaltet ihren Nutzen nicht allein durch Bereitstellung, sondern durch qualifizierte Nutzung. ## Die Zukunft gehört nicht dem autonomen Lernen, sondern dem intelligenten Zusammenspiel Künftige Lernsysteme werden mehr Aufgaben selbstständig übernehmen. Sie werden Kompetenzsignale aus verschiedenen Quellen verbinden, Lernpfade dynamisch anpassen und kontextbezogene Unterstützung bereitstellen. Doch der Begriff „autonom“ kann in die Irre führen. Lernen bleibt eine menschliche Leistung – geprägt von Motivation, Erfahrung, Beziehung und Reflexion. Die produktivste Zukunft liegt deshalb nicht in einer Maschine, die Entwicklung vollständig steuert. Sie liegt in einem intelligenten Zusammenspiel: KI erkennt Muster und schafft Zugänge, L&D setzt Qualitätsmaßstäbe und gestaltet Lernarchitekturen, Führungskräfte ermöglichen Anwendung, und Mitarbeitende behalten Einfluss auf ihre Entwicklung. So wird aus Automatisierung echte Lernfähigkeit. ## Fazit: Weiterbildung wird zur Infrastruktur der Transformation AI-driven Learning & Development ist mehr als ein Effizienzprogramm für die Personalentwicklung. Richtig aufgebaut verbindet es Qualifizierung mit den tatsächlichen Veränderungen von Rollen, Prozessen und Geschäftsmodellen. Lernangebote werden relevanter, Inhalte schneller aktualisierbar und Unterstützung näher an der täglichen Arbeit. Der strategische Vorteil entsteht jedoch nicht durch möglichst viel KI. Er entsteht durch ein verlässliches Kompetenzmodell, gute Daten, klare Verantwortung und eine Lernkultur, die Anwendung ermöglicht. Unternehmen, die nur die Content-Produktion automatisieren, modernisieren ihre Werkzeuge. Unternehmen, die Lernen als dynamisches Kompetenzsystem organisieren, stärken ihre Anpassungsfähigkeit. Die entscheidende Frage lautet daher nicht, ob künstliche Intelligenz Weiterbildung verändert. Sie lautet, ob Organisationen daraus ein System bauen, das Menschen wirklich befähigt – oder lediglich einen schnelleren Kurskatalog. ## AI-driven Learning live erleben Wie AI Agents und Recruiting Automation bereits heute in der Praxis eingesetzt werden, zeigt die AI driven: HR Tech Expo. Dort erhalten Fachbesucher exklusive Einblicke in: - AI Recruiting Agents - Live-Demos - Recruiting Automation - Talent Intelligence Plattformen - AI-driven Candidate Experience Lösungen - internationale HR-Tech-Innovationen Die Expo zeigt nicht, was AI theoretisch kann – sondern wie Unternehmen Recruiting-Prozesse konkret automatisieren.