Sag mir, was du klickst und ich sage dir, was du lernst

Ein Impuls für individuelle Lernpfade durch Künstliche Intelligenz im Bereich L&D

„Kunden, die diese Bettwäsche kauften, kauften auch …“ Dieses Prinzip kennen Sie sicher von E-Commerce-Plattformen. Ihr Verhalten wird erfasst, verglichen und in Empfehlungen übersetzt. Das Ziel: Sie kaufen bestenfalls mehr als diesen einen Artikel. Übertragen auf Lernplattformen heißt das: Klicks, Quiz-Ergebnisse und Suchanfragen lassen sich in individuelle Lernangebote und sogar in Lernpfade verwandeln. Zumeist Machine Learning-Algorithmen machen es möglich, Lernende gezielt zu unterstützen. Das zugrundeliegende Prinzip dabei: „Sag mir, was du klickst, und ich sage dir, was du lernst.“ Und neuerdings sogar: „Sag mir, was du werden willst, und ich sage dir, wie du dorthin gelangst.“

1. KI als didaktische Unterstützung

Kennen Sie das? Monatsanfang und die Onboardings stehen wieder an. In vielen Unternehmen durchlaufen alle Newcomer einer Abteilung dasselbe Programm, unabhängig von Vorkenntnissen (z. B. Sprach-Level, Tech-Skills), zukünftigen Aufgaben oder persönlichem Lernverhalten. Das kostet Zeit und ist wenig effizient. Empfehlungssysteme (Recommender Systeme) können hier durch die Generierung von individuellen Lernpfaden unterstützen (1). Recommender-Systeme werten Verhalten, Historie und Präferenzen aus und schlagen maßgeschneiderte Lerninhalte vor. Mithin entstehen Lernwege, die selbstgesteuertes Lernen fördern, Ziele klarer erreichbar machen und sich deutlich von One-size-fits-all-Lösungen abheben.

2. Warum individuelle Lernpfade?

Kennen Sie das Gefühl, in einer Weiterbildung zu sitzen und zu denken: „Was mache ich hier eigentlich?“ Refresher-Schulungen oder allgemeine Trainings passen selten für alle Teilnehmenden. One-size-fits-all ist eben meist nur One-size-fits-some. Die obligatorische Abfrage von Vorkenntnissen und Erwartungen zu Beginn eines Trainings? Leider oft nur ein pädagogisches Ritual, statt ein ernsthafter Versuch, die Heterogenität einer Gruppe zu bändigen. Ähnlich sieht es auf einigen E-Learning-Plattformen aus. Riesige Content-Bibliotheken allein mit Suchfeld und Filterfunktion ausgestattet, erschlagen eher, als dass sie inspirieren. Die Fähigkeit zur präzisen Selbstdiagnose nach Lernziel und Lernweg und eine adäquate Problemformulierung sind bei Lernenden nicht grundsätzlich gegeben, denn sie sind sehr voraussetzungsreich.

Individuelle Lernpfade richten sich dagegen an persönliche Voraussetzungen und Ziele und nehmen das Subjekt ernst. Durch personalisierte Pfade machen sie das Lernen relevanter, mitunter motivierender und nachhaltiger.(2)

Anhand von Diagnoseverfahren (z. B. Fähigkeitsbewertungen, Self-Assesments) können Wissenslücken früh erkannt und gezielt durch KI-gestützte personalisierte Lernpfade geschlossen werden. Statt Bildungsinitiativen von der Stange anzubieten, wird Lernen durch Recommender Systeme zur maßgeschneiderten Erfahrung.

3. Wie funktionieren Recommender Systeme im Learning?

People-to-Item Recommender Systeme (auch User-to-Item genannt) werten z. B. kognitive Fähigkeiten, Verhalten auf der Plattform, Vorwissen, Lernhistorie und Lernpräferenzen aus und weisen Usern jeweils passende Lernelemente und Lernpfade zu. Das ist herausfordernd!

Recommender Systeme (RS) im Learning müssen nämlich viele, oft dynamische Faktoren berücksichtigen, wie Lernzeit, Endgerät und Ort. Hier haben sich Context-Aware Systeme bewährt:(3) Am Abend mag ein Micro-Learning und ein einfaches Quiz auf dem Smartphone für eine spontane Weiterbildung genügen, tagsüber passen vielleicht komplexere Formate und Inhalte auf einem Desktop.

Darüber hinaus werden weitere Modelle unterschieden. Bei der kollaborativen Filterung basieren die Empfehlungen auf Daten ähnlicher Nutzender. Beim content-based Filtering werden Kurseigenschaften mit den Attributen in User-Profilen abgeglichen. Wer sich also z. B. für Projektmanagement interessiert, erhält die passenden Elemente. Knowledge-Based-Systeme wiederum fragen direkt nach Präferenzen, wie Lern- und sogar Karriereziele der Nutzenden und weisen daraufhin passende Lernressourcen zu. Etwa durch hinterlegte Kompetenzmodelle, die klar aufzeigen, welche Anforderungen an bestimmte Positionen im Unternehmen gestellt werden. Hybride Modelle kombinieren singuläre Filterungen, u. a. um verschiedene Kriterien mit einzubeziehen. Das können auch neuere Entwicklungen aus der RS-Forschung, wie Multi-Criteria-Ansätze oder Deep Learning. Dabei rücken auch pädagogische Anforderungen, wie Motivation und Lernverhalten in den Blick und können für Vorschläge verwendet werden.(4) All diese Methoden personalisieren auf unterschiedliche Weise Lernelemente- und pfade und werten so das Corporate Learning auf.

4. Strategischer Einsatz im L&D

Ein Programm zur Personalentwicklung hat einen unbestreitbaren Vorteil: Es arbeitet mit konkreten Lern-, Kompetenz- und Karrierezielen. Die Verbindung von User-Profil und relevanten und zu erlernenden Fähigkeiten, kann aus der üblichen Content-Flut einen individuellen Lernpfad entstehen lassen, der sicher ans Ziel bringt.

Werden neue Skills gebraucht (Upskilling), schlägt das System passende Micro-Learnings vor. Lerndiagnosen liefern Daten zur Identifizierung von Skill Gaps. Mithilfe von hinterlegten Kompetenzmatrizen füllen Empfehlungssysteme genau diese Lücken.(5) Wer wiederum eine höhere Position anstrebt, erhält Empfehlungen für genau die dafür nötigen Fähigkeiten. Ein Empfehlungssystem fungiert hier etwa nach dem Prinzip: „Sag mir, was du werden willst, und ich sage dir, wie du dorthin gelangst.“

So wird Lernen strategisch und individuell zugleich. Nach Abschluss eines Pfads schlägt das System die nächsten Schritte vor und wird damit zum Begleiter für lebenslanges Lernen. Das Ergebnis: weniger Ressourcenverschwendung, höhere Effizienz und steigender Return on Learning.(6)

5. Herausforderungen und Grenzen

Recommender Systeme sind kein Selbstzweck und ihre Entwicklung und Implementierung nicht trivial. Sie brauchen eine reflektierte Einführung und didaktische Einbettung. People-to-item Empfehlungssysteme können durch die Generierung individueller Lernpfade zwar didaktisch signifikant unterstützen, ersetzen aber keine Expertise im Bereich L&D. Hinzu kommen der Bedarf an hohen Rechenleistungen und mitunter enorme Datenmengen. Und selbst dann, sind noch einige Herausforderungen zu meistern, wie z. B. das “Cold-Start-Problem” beim collaborative filtering, also der Umgang mit neuen Nutzenden, von denen noch keine Daten vorliegen.(7)

Nicht zu unterschätzen ist auch der regulatorische Rahmen. Laut EU AI Act zählen People-to-item-Recommender zu den „High-Risk“-Systemen. Ihr Einsatz erfordert deshalb ein robustes Risikomanagement, Nachvollziehbarkeit (Explainability) und DSGVO-Konformität.(8) Die Datennutzung und der KI-Output müssen transparent sein, aber nicht nur aus regulatorischen Gründen. Transparenz ist Voraussetzung für Benutzendenvertrauen.(9)

6. Ausblick

Die personalisierte Förderung ist eine der zentralen Herausforderungen im Bereich L&D. Laut LinkedIn Workplace Learning Report 2024 setzen bereits 47 % der Unternehmen auf flexible und passgenaue Micro-Learnings.(10) Kompetenzmatrizen und Recommender Systeme können ein Corporate Learning didaktisch wie strategisch in diesem Sinne weiterentwickeln und begleiten Lernende individueller als klassische Formate.

Besonders wichtig werden sie bei den sogenannten Future Skills, wie Problemlösung, analytisches Denken, Umgang mit KI und Adaptionsfähigkeit. Klassische One-size-fits-all-Programme scheitern hier schnell, weil sie Einheitswege gehen. Future Skills sind aber komplex und höchst individuell ausgebildet. Recommender Systeme holen Lernende da ab, wo sie stehen und liefern passende Inhalte.
Zum Training von sozio-kognitiven Kompetenzen (z. B. Empathie) eröffnen Kombinationen mit XR-Technologien neue Möglichkeiten. Virtual-Reality-Übungen sind praxisnäher und individueller als klassische Rollenspiele. Recommender Systeme helfen bei der Vorbereitung auf Trainings durch eine Homogenisierung heterogener Gruppen. Das erleichtert die Arbeit von Lehrenden enorm, deren Aufgaben durch diese KI-Systeme nicht obsolet werden, sich aber stark ändern.

Kurzum, Recommender Systeme könnten eine echte Win-Win-Win-Situation schaffen. Und das für Unternehmen, Lernende und Lehrende. Vorausgesetzt, man hat den Mut, mit reflektiertem Innovationsdrang neue Wege zu gehen.

Quellenangaben

1. Für einen Überblick über Recommender Systeme, siehe: Francesco Ricci, Lior Rokach, Bracha Shapira (2022): Recommender Systems Handbook. Springer New York, NY.
2. Siehe hierzu u. a.: Sebastian Vaida (2020): A Brief Analysis of the Pros and Cons of Online Adaptive Learning and Education, in: Studia UBB Psychol.-Paed., LXV, 1, 2020, S. 31 – 39; Harteis, Christian; Bauer, Johannes; Festner, Dagmar; Gruber, Hans (2004): Selbstbestimmung im Arbeitsalltag, in: Unterrichtswissenschaft 32/ 2, S. 128-142.
3. Errakha, Kaoutar; Samih, Amina; Marzouk, Abderrahim; Krari, Ayoub (2025): Recommender Systems in e-Learning: Trends, Challenges, and Future Directions, in: Journal of Theoretical and Applied Information Technology 15th April 2025. Vol.103. No.7. S. 2969-2979.; Adomavicius, Gediminas; Bauman, Konstantin; Tuzhilin, Alexander; Unger, Moshe (2022): Context-Aware Recommender Systems: From Foundations to Recent Developments, in: Ricci, Francesco et al.: Recommender Systems Handbook. S. 211-250.
4. Salau, L.; Hamada, M.; Prasad, R.; Hassan, M.; Mahendran, A.; Watanobe, Y. (2022): State-of-the-Art Survey on Deep Learning-Based Recommender Systems for E-Learning, in: Applied Sciences 12, 11996. https://doi.org/10.3390/app122311996
5. Vgl. Wang, C.; Zhu, H.; Wang, P.; Zhu, C.; Zhang, X.; Chen, E.; Xiong, H. (2022): Personalized and Explainable Employee Training Course Recommendations: A Bayesian Variational Approach, in: ACM Transactions on Information Systems, 40(4), Article 70.
6. Vgl. Johnson, R., & Blake, S. (2021). AI and the future of employee learning, in: International Journal of Learning Technologies, 16(1), 15–30.
7. Siehe hierzu u. a.: Roy, D.; Dutta, M. (2022): A systematic review and research perspective on recommender systems, in: J Big Data 9, 59. https://doi.org/10.1186/s40537-022-00592-5
8. Siehe hierzu: Website EU AI-Act: https://artificialintelligenceact.eu/annex/3/ (letzter Zugriff: 30.08.2025); Website Taylor Wessing Germany: https://www.taylorwessing.com/de/interface/2024/ai-act-sector-focus/the-eu-ai-act-from-an-hr-perspective (letzter Zugriff: 30.08.2025).
9. Vgl. Website: McKinsey: https://www.mckinsey.com/capabilities/quantumblack/our-insights/building-ai-trust-the-key-role-of-explainability (letzter Zugriff: 30.08.2025).
10. Vgl. Website LinkedIn Learning: https://learning.linkedin.com/resources/workplace-learning-report-2024 (letzter Zugriff: 30.08.2025).

Tobias Weilandt gestaltet seit über zehn Jahren die Zukunft des Corporate Learning (u. a. Google Deutschland, Dashöfer und DFKI). Mit strategischem Tech-Know How (z. B. VR, KI) und didaktischer Expertise entwickelt er Lernangebote, die nachweislich wirken, Mitarbeitende gezielt auf neue Anforderungen vorbereiten und motivierende Lernkulturen schaffen.
LinkedIn: https://www.linkedin.com/in/tobias-weilandt/