Jahr für Jahr bereiten Mathematiklehrer Unterrichtsstunden über quadratische Gleichungen, Funktionen und Wahrscheinlichkeitsrechnung vor. Sie entwickeln Präsentationen, formulieren Aufgaben und erklären mathematische Zusammenhänge, die Tausende Kollegen ebenfalls vermitteln. Die Universität organisiert ihre Einführungsvorlesungen nach einem vergleichbaren Prinzip. In Unternehmen absolvieren Beschäftigte standardisierte Weiterbildungsprogramme, unabhängig davon, welche Kenntnisse sie bereits besitzen und welche Fähigkeiten sie tatsächlich benötigen. Drei Institutionen, ein Organisationsproblem: Wissen wird nach einem festen Plan verteilt, während die Voraussetzungen der Lernenden erheblich voneinander abweichen.
Demis Hassabis hält dieses Verfahren für eine gewaltige Verschwendung menschlicher Ressourcen. Der Mitgründer und Chef von Google DeepMind, 2024 mit dem Nobelpreis für Chemie ausgezeichnet, fordert eine Neuordnung des Unterrichts. Lehrkräfte sollen ihre Zeit für persönliche Betreuung, Projekte, Kreativität und die Entwicklung menschlicher Urteilskraft einsetzen. Intelligente Lernsysteme könnten die Vermittlung grundlegender Kenntnisse individuell begleiten. Seine Überlegungen reichen bis in die Hochschulen und Unternehmen. Denn auch die Personalentwicklung folgt häufig einer Logik, die aus einer Zeit stammt, in der Wissen knapp, seine Verbreitung teuer und individuelle Förderung ein Privileg war.
Der ZP Think Tank Innovation der Zukunft Personal hat diese Entwicklung bereits in seiner Studie „Die große Transformation: Fünf Thesen zur Neuerfindung von HR und Organisationen“ von 2025 untersucht. Das Kapitel „Die Befreiung des Lernens“ entwickelt eine Perspektive, die sich mit Hassabis’ Vorschlägen verbindet: Aus standardisierter Weiterbildung entstehen individuelle Lernwege, die sich an Fähigkeiten, Aufgaben und beruflicher Entwicklung orientieren. Das Bild der „Losgröße 1“, ursprünglich aus der industriellen Fertigung entlehnt, beschreibt diese neue Organisationsform. Für eine breitere Managementdebatte lässt sich der Gedanke verständlicher ausdrücken: Ein Lehrplan, tausend Lernwege. Gemeinsame Bildungsziele verbinden sich mit persönlicher Förderung. Künstliche Intelligenz verändert die wirtschaftlichen Voraussetzungen dieser Verbindung.
Der teure Umweg über die immergleiche Mathematikfolie
Hassabis entwickelte seine Vorstellungen bei einem Gespräch mit der britischen Informatikerin Dame Wendy Hall auf einer Veranstaltung der Worshipful Company of Information Technologists. Sein Beispiel stammt aus dem gewöhnlichen Schulalltag. Mathematiklehrer erstellen immer neue Folien für Lehrinhalte, die an zahllosen Schulen nach vergleichbaren Lehrplänen unterrichtet werden. Die einzelne Lehrkraft investiert Zeit in die Herstellung eines Materials, das längst in ausgezeichneter Qualität vorliegen könnte. Die Vielzahl solcher Wiederholungen bindet Arbeitskraft, die für persönliche Förderung dringend gebraucht würde.
Hassabis schlägt deshalb ein umgekehrtes Klassenzimmer vor. Fachlich und didaktisch hervorragende Lehrkräfte könnten grundlegende Unterrichtsinhalte zentral produzieren. Personalisierte KI-Systeme würden die anschließende Arbeit mit dem Stoff begleiten. Ein Schüler, der beim Bruchrechnen Schwierigkeiten hat, erhielte zusätzliche Erklärungen und Übungen. Eine Schülerin, die algebraische Grundbegriffe bereits beherrscht, könnte anspruchsvollere Aufgaben bearbeiten. Der Unterricht orientierte sich am individuellen Kenntnisstand. Die Lehrkraft würde als Lernbegleiterin mehr Zeit für schwierige Fragen, gemeinschaftliche Aufgaben und persönliche Entwicklung erhalten.
Hassabis nennt fünf Bereiche, denen die gemeinsame Zeit im Klassenzimmer künftig dienen soll: soziale Fähigkeiten, Projekte, Unternehmertum, Kreativität und Urteilsvermögen. Diese Kompetenzen lassen sich am besten entwickeln, indem Menschen zusammenarbeiten, Probleme bearbeiten, Entscheidungen begründen und die Folgen ihres Handelns erleben. Eine Schulklasse könnte beispielsweise ein Energieversorgungskonzept für ihre Kommune entwerfen. Die mathematischen Voraussetzungen erarbeiten die Schüler mit unterschiedlichen Lernhilfen. Im gemeinsamen Projekt müssen sie Kosten berechnen, technische Möglichkeiten untersuchen, Interessen abwägen und ihre Vorschläge verteidigen. Der Unterricht verbindet fachliches Können mit praktischer Erfahrung.
Wendy Hall ergänzt eine gesellschaftlich wichtige Einschränkung. Die individuelle Lernbegleitung darf keineswegs allein in den privaten Haushalt wandern. Manche Kinder verfügen über einen ruhigen Arbeitsplatz, leistungsfähige Geräte und familiäre Unterstützung. Andere benötigen gerade die Schule, um unter geeigneten Bedingungen lernen zu können. Hall fordert daher einen institutionellen Rahmen für den Einsatz personalisierter Systeme. Der Zugang zu individueller Förderung muss unabhängig von den wirtschaftlichen Verhältnissen der Eltern funktionieren.
Benjamin Blooms alter Traum bekommt eine technische Grundlage
Die wissenschaftliche Vorgeschichte reicht mindestens vier Jahrzehnte zurück. 1984 veröffentlichte der amerikanische Bildungsforscher Benjamin Bloom seine Untersuchung zum „2-Sigma-Problem“. Bloom verglich herkömmlichen Gruppenunterricht mit Verfahren, bei denen Schüler so lange an einem Gegenstand arbeiten, bis sie ihn sicher beherrschen. Besonders große Leistungsunterschiede fand er zugunsten individueller Betreuung. Daraus entstand eine Forschungsaufgabe, die Bildungswissenschaftler über Jahrzehnte beschäftigte: Wie lässt sich die Wirksamkeit persönlicher Förderung für große Gruppen verfügbar machen?
Die wirtschaftlichen Grenzen waren offensichtlich. Ein Privatlehrer kann seine Aufmerksamkeit auf einen einzelnen Menschen richten. Eine Lehrkraft vor dreißig Schülern muss ihre Zeit verteilen. Die Unterschiede betreffen weit mehr als das Lerntempo. Menschen besitzen unterschiedliches Vorwissen, entwickeln eigene Vorstellungen über mathematische Zusammenhänge und machen Fehler aus verschiedenen Gründen. Eine falsch gelöste Gleichung kann auf einem Rechenfehler beruhen, auf einem missverstandenen Begriff oder auf fehlenden Grundlagen. Für jede Ursache braucht es eine passende Erklärung.
Hier eröffnet generative KI neue Möglichkeiten. Ein gut entwickelter Tutor kann Rückfragen stellen, Fehler analysieren, zusätzliche Beispiele erzeugen und bei Bedarf auf frühere Lernschritte zurückgehen. Er kann prüfen, ob ein Schüler eine Formel lediglich wiederholt oder ihren Zusammenhang erklären kann. Solche Systeme ermöglichen individuelle Betreuung in großem Umfang. Die Qualität hängt von ihrer fachlichen Zuverlässigkeit, der didaktischen Konstruktion und der menschlichen Aufsicht ab.
Ökonomisch entsteht eine Verbindung, die lange schwer herzustellen war. Einmal entwickelte Lehrinhalte lassen sich vielfach verwenden. Die persönliche Anpassung übernimmt ein digitales System, dessen zusätzliche Nutzung vergleichsweise geringe Kosten verursacht. Diese Grenzkosten sinken mit zunehmender technischer Leistungsfähigkeit, auch wenn Infrastruktur, Energie, Datenschutz, Qualitätsprüfung und pädagogische Begleitung weiterhin erhebliche Investitionen verlangen. Der Unterschied zur traditionellen Organisation liegt in der Möglichkeit, gemeinsame Wissensbestände mit individueller Betreuung zu verbinden.
Damit verändert sich auch die Bedeutung herausragender Lehrender. Eine ausgezeichnete Erklärung kann weltweit zugänglich werden. Der Wert einer Bildungseinrichtung entsteht zusätzlich durch die Qualität der Lernbegleitung, den Austausch mit anderen Menschen und die Gelegenheit, erworbenes Wissen anzuwenden. Für Schulen und Hochschulen erweitert sich dadurch der Wettbewerb um pädagogische Qualität.
Aus Losgröße 1 wird die Maßarbeit des Lernens
Die industrielle Metapher „Losgröße 1“ beschreibt ursprünglich die wirtschaftliche Herstellung eines individuell konfigurierten Produkts. Moderne Fertigungssysteme sollen die Vorteile standardisierter Produktion mit den Wünschen einzelner Kunden verbinden. Übertragen auf Bildungsprozesse bedeutet dies, dass Menschen individuelle Lernangebote erhalten, während die zugrunde liegenden Inhalte und technischen Ressourcen gemeinsam genutzt werden.
Das Bild besitzt eine Grenze. Ein Mensch ist kein Produkt, dessen Fertigstellung sich planen und kontrollieren lässt. Lernen verläuft durch eigene Anstrengung, durch Irrtümer, Wiederholungen, Erfahrung und die Auseinandersetzung mit anderen Menschen. Die technische Organisation kann solche Prozesse unterstützen. Sie kann ihren Verlauf weder vollständig vorhersagen noch ihren Erfolg garantieren.
Deshalb ist „Ein Lehrplan, tausend Lernwege“ die geeignetere Formel. Sie verbindet die verbindliche fachliche Grundlage mit individueller Förderung. Für jeden Menschen muss ein Weg offenstehen, der seinen Kenntnisstand berücksichtigt und ihn auf ein anspruchsvolles Kompetenzniveau führt. Gemeinsame Standards verhindern, dass Bildung in voneinander isolierte Lernbiografien zerfällt. Die individuelle Begleitung erleichtert es, diese Standards tatsächlich zu erreichen.
Für das Management eröffnet diese Perspektive eine neue Betrachtung der Personalentwicklung. Ein Unternehmen beschäftigt Menschen mit unterschiedlichen Berufsbiografien, Erfahrungen und Lernbedürfnissen. Die jährliche Pflichtschulung behandelt sie häufig als homogene Gruppe. Ein personalisiertes System könnte zunächst erfassen, welches Wissen vorhanden ist und welche Fähigkeiten für die gegenwärtige oder künftige Tätigkeit fehlen. Daraus entstehen unterschiedliche Lernangebote, die an realen Aufgaben ansetzen. Die Führungskraft muss anschließend beobachten, ob das Gelernte in der Arbeit ankommt. Die betriebliche Weiterbildung wird so zu einem Bestandteil der Wertschöpfung. Aus dem Seminarangebot entsteht eine dauerhafte Begleitung beruflicher Entwicklung.
Mathematik lernt man durch eigenes Denken
Eine Gefahr liegt in der Vorstellung, KI könne den gesamten mühsamen Teil des Lernens übernehmen. Mathematische Fähigkeiten entstehen durch die eigenständige Beschäftigung mit Zahlen, Begriffen und Beweisen. Wer eine Gleichung umformt, entwickelt ein Verständnis für ihre Struktur. Wer einen Fehler entdeckt, gewinnt Einsicht in die Gültigkeit eines Verfahrens. Wer eine Lösung begründen muss, lernt die Unterschiede zwischen einer richtigen Antwort und einer tragfähigen Argumentation kennen.
Hassabis verteidigt deshalb ausdrücklich die weitere Bedeutung von Mathematik, Naturwissenschaften und Informatik. Selbst dort, wo Software zunehmend durch gewöhnliche Sprache gesteuert werden kann, benötigen Menschen technisches Verständnis. Sie müssen wissen, wie Systeme aufgebaut sind, welche Grenzen Verfahren besitzen und welche Konsequenzen aus ihren Ergebnissen folgen. Hassabis verweist außerdem auf die wachsende Bedeutung von Philosophie und Ökonomie. Die Entwicklung leistungsfähiger KI verlangt eine Auseinandersetzung mit menschlichen Zielen, gesellschaftlichen Institutionen und der Verantwortung für Entscheidungen.
Die Vorstellung einer vollständigen Auslagerung des Lernens unterschätzt die Funktion geistiger Anstrengung. Ein Schüler, der eine fertige Lösung erhält, besitzt damit noch keine mathematische Kompetenz. Ein Student, der eine wissenschaftlich klingende Zusammenfassung erzeugen lässt, hat den Forschungsgegenstand möglicherweise kaum durchdrungen. Und eine Führungskraft, die eine KI-generierte Strategie übernimmt, muss deren Annahmen, Risiken und praktische Folgen weiterhin selbst beurteilen können.
Darin liegt eine anspruchsvolle Aufgabe für intelligente Tutoren. Sie sollen Lernende zu eigenen Leistungen befähigen, Rückfragen stellen und bei Bedarf Hilfestellungen geben. Die Versuchung, jede Schwierigkeit sofort mit einer fertigen Antwort zu beseitigen, kann den Erwerb grundlegender Fähigkeiten behindern. Lernen benötigt Widerstand. Seine produktive Bearbeitung gehört zum Erkenntnisprozess.
Die Forschung liefert ein widersprüchliches Bild
Die Wirksamkeit KI-gestützter Lernsysteme lässt sich bereits anhand kontrollierter Experimente untersuchen. Greg Kestin, Kelly Miller und ihre Kollegen veröffentlichten 2025 in „Scientific Reports“ eine randomisierte Studie mit 194 Studierenden eines Physikkurses an der Harvard University. Ein speziell entwickelter KI-Tutor vermittelte den Teilnehmern fachliche Inhalte unter Berücksichtigung lernpsychologischer Erkenntnisse. Die Versuchsgruppe erzielte höhere Lernzuwächse als die Vergleichsgruppe mit aktivem Präsenzunterricht und benötigte dafür weniger Zeit. Die Autoren führen den Erfolg auf die Verbindung personalisierter Rückmeldungen mit einer sorgfältig entwickelten didaktischen Struktur zurück.
Ein Experiment von Hamsa Bastani und ihren Mitautoren zeigt die Risiken. Die Forscher untersuchten knapp tausend Mathematikschüler an einer Schule in der Türkei. Während der Übungsphase verbesserten KI-Systeme die Bearbeitung mathematischer Aufgaben erheblich. Nach dem Entzug des technischen Hilfsmittels erzielte die Gruppe mit weitgehend freiem Zugang zu GPT-4 jedoch um 17 Prozent schlechtere Prüfungsergebnisse als die Kontrollgruppe. Ein speziell entwickelter Tutor, der eigenständige Lösungsversuche förderte und Hinweise statt fertiger Lösungen gab, konnte diesen negativen Effekt weitgehend vermeiden. Ein zusätzlicher Lernerfolg gegenüber der Kontrollgruppe ließ sich in dieser Variante allerdings ebenfalls nicht nachweisen. Die Forscher veröffentlichten ihre Ergebnisse 2025 in den „Proceedings of the National Academy of Sciences“.
Eine weitere Untersuchung aus dem Oktober 2026 liefert zusätzliche Gründe zur Vorsicht. Jing Liu und Kollegen analysierten in einer randomisierten Hochschulstudie den Einsatz eines in Lehrveranstaltungen integrierten KI-Tutors. Insgesamt umfasste das Experiment 2.379 Studierende und 30 Lehrende an einer großen amerikanischen Universität. Beim Vergleich von Gruppen innerhalb gleicher Lehrveranstaltungen verschlechterte der Zugang zum KI-Tutor die Abschlussnoten um 0,37 Standardabweichungen. Zugleich ging die Beteiligung an den vorhandenen digitalen Lernaktivitäten zurück. Bei Studierenden der ersten Generation, deren Eltern keinen Hochschulabschluss besitzen, fielen die geschätzten Nachteile größer aus. Die Untersuchung liegt bislang als wissenschaftliches Arbeitspapier vor.
Die drei Studien untersuchen unterschiedliche Systeme, Lehrsituationen und Lerngruppen. Ein allgemeines Urteil über KI im Bildungswesen erlauben sie deshalb kaum. Gemeinsam zeigen sie allerdings, dass bessere Aufgabenergebnisse und nachhaltige Lernfortschritte auseinanderfallen können. Wer einen Tutor entwickelt oder einführt, muss deshalb prüfen, welche geistigen Leistungen der Mensch anschließend eigenständig erbringen kann.
Diese Erkenntnis ist für Unternehmen von unmittelbarem Interesse. Die Produktivität eines Beschäftigten kann mit KI-Unterstützung steigen, während seine Fähigkeit sinkt, fehlerhafte Ergebnisse zu erkennen oder einen Arbeitsprozess eigenständig zu bewältigen. Eine Personalentwicklung, die ausschließlich die Geschwindigkeit der Aufgabenerledigung misst, könnte einen Verlust an Kompetenz übersehen.
Der Think Tank Innovation und die Befreiung des Lernens
Der Think Tank Innovation der Zukunft Personal beschäftigte sich bereits 2025 mit dem Verhältnis von künstlicher Intelligenz, Lernen und Unternehmensorganisation. Sein Whitepaper „Die große Transformation: Fünf Thesen zur Neuerfindung von HR und Organisationen“ behandelt die technologischen Veränderungen als Herausforderung für Führung, Unternehmenskultur und Personalentwicklung. Das Kapitel „Die Befreiung des Lernens – Das Ende der Bildungsprivilegien und Bulimie-Pädagogik“ beschreibt, wie KI individuelle Lernwege ermöglichen und den Zugang zu hochwertiger Bildung erweitern kann.
Die Arbeit verknüpft diesen Gedanken mit einer grundlegenden Kritik an traditionellen Weiterbildungsmodellen. Unternehmen planen Seminare, verwalten Teilnehmer und dokumentieren Abschlüsse. Die tatsächlich erworbenen Fähigkeiten und deren Anwendung im Arbeitsprozess geraten dabei leicht aus dem Blick. Eine individualisierte Lernorganisation würde von den beruflichen Aufgaben und dem vorhandenen Können ausgehen. Sie begleitet die Entwicklung kontinuierlich und verbindet Lernen mit konkreten Problemen aus dem Unternehmensalltag.
Die 2026 erschienene Vertiefung „Die Feuerprobe der Großen Transformation“ unterzieht die ursprünglichen fünf Thesen einer qualitativen Prüfung. Neunzehn strukturierte Experteninterviews mit Vertretern aus Unternehmen, Wissenschaft, Beratung und Technologieentwicklung bilden die Grundlage. Hinzu kommen kritische Beiträge von Masterstudierenden der Hochschule Pforzheim. Die Untersuchung beansprucht ausdrücklich keine statistische Repräsentativität. Ihr Erkenntniswert liegt in der Gegenüberstellung verschiedener Erfahrungen und in der Weiterentwicklung der ursprünglichen Argumente.
Besonders intensiv diskutierten die Gesprächspartner die These „Die KI-Revolution macht uns menschlicher“. Einige sahen in der Automatisierung von Routinetätigkeiten eine Chance für Kreativität, persönliche Beziehungen und anspruchsvollere Aufgaben. Andere verwiesen auf die Gefahr, dass Unternehmen menschliche Interaktion durch digitale Angebote ersetzen und Beschäftigte zunehmend von automatisierten Empfehlungen abhängig werden. Die Interviews machen deutlich, wie sehr die Ergebnisse vom konkreten Einsatz der Technik und von den Entscheidungen der Führung abhängen.
Für die Bildungsökonomie erwächst daraus ein zusätzlicher Gedanke. Individuelle Lernsysteme können Kenntnisse vermitteln und Aufgaben begleiten. Unternehmen müssen jedoch gleichzeitig Räume schaffen, in denen Menschen gemeinsam handeln, Fehler untersuchen, Erfahrungen austauschen und Verantwortung übernehmen. Erst diese Verbindung lässt aus digitaler Wissensvermittlung eine lernfähige Organisation entstehen.
Die Annahmenmaschine entscheidet über Lernwege
Die Personalisierung des Lernens berührt eine Frage, die der Think Tank in seiner „Feuerprobe“ besonders sorgfältig untersucht: Auf welcher Grundlage bildet eine KI ihre Vorstellungen über einen Menschen? Ein digitaler Tutor muss einschätzen, welches Wissen der Lernende besitzt, welche Schwierigkeiten bestehen und welche nächsten Aufgaben sinnvoll erscheinen. Ein betriebliches Lernsystem könnte darüber hinaus berufliche Erfahrungen, bisherige Weiterbildungen und die Anforderungen einer neuen Tätigkeit berücksichtigen.
Die Informatik beschäftigt sich seit Jahrzehnten mit solchen Verfahren. Wolfgang Wahlster und Alfred Kobsa untersuchten bereits in den achtziger Jahren die Nutzermodellierung in Dialogsystemen. Ihr Forschungsansatz beschreibt, wie ein technisches System Annahmen über Kenntnisse, Ziele und Interessen seines Gegenübers bildet und diese im Dialog verändert. Die heutige generative KI erweitert die Möglichkeiten solcher Modellierungen erheblich.
Der Think Tank bezeichnet KI deshalb als „Annahmenmaschine“. Sie verarbeitet Informationen über Menschen und erzeugt daraus Einschätzungen, Empfehlungen und Prognosen. Diese Ergebnisse können das Lernen erleichtern. Sie können ebenso Vorurteile reproduzieren, Fähigkeiten falsch bewerten und berufliche Entwicklungschancen begrenzen. Ein System, das eine Beschäftigte aufgrund früherer Lernergebnisse für eine bestimmte Aufgabe als ungeeignet einstuft, trifft eine folgenreiche Vorentscheidung. Die Qualität und Überprüfbarkeit dieser Einschätzung werden zur Führungsfrage.
Die „Feuerprobe“ entwickelt dafür den Begriff der „Annahmen-Governance“. Beschäftigte müssen erfahren können, welche Informationen das System über sie verarbeitet und welche Schlussfolgerungen es daraus zieht. Fehlerhafte Annahmen müssen korrigierbar bleiben. Unternehmen brauchen klare Regeln für den Umgang mit Kompetenzprofilen, Lerndaten und automatisierten Empfehlungen. Bei Personalentscheidungen müssen verantwortliche Menschen die Ergebnisse fachlich beurteilen können.
Damit erhält die individuelle Lernbegleitung eine zweite institutionelle Aufgabe. Neben ihrer pädagogischen Qualität braucht sie ein Verfahren, das Transparenz, Korrekturmöglichkeiten und die Verantwortung für Entscheidungen sichert. Gerade personalisierte Systeme verlangen eine sorgfältige Begrenzung ihrer Eingriffe in persönliche Entwicklungswege.
Die Universität verliert ihr Monopol auf die Erklärung
Für die Hochschulen verändert sich das Verhältnis zwischen Wissensvermittlung und wissenschaftlicher Arbeit. Eine Universität kann grundlegende Vorlesungen in Mathematik, Statistik oder Informatik aufzeichnen und durch interaktive Lernsysteme ergänzen. Studierende erhalten zusätzliche Erklärungen und können fachliche Schwierigkeiten bearbeiten, bevor sie in Seminaren mit anderen diskutieren. Die eigentliche wissenschaftliche Arbeit beginnt dort, wo Theorien geprüft, Hypothesen entwickelt, Methoden ausgewählt und Ergebnisse kritisch beurteilt werden.
Die klassische Vorlesung bleibt sinnvoll, soweit sie eine eigenständige intellektuelle Leistung bietet. Ein hervorragender Wissenschaftler kann einen komplexen Zusammenhang erschließen, historische Entwicklungen erklären und durch originelle Gedanken neue Fragen eröffnen. Der bloße Vortrag standardisierter Grundlagen wird dagegen zunehmend durch digitale Angebote ergänzt. Die Universität muss deshalb ihren besonderen Wert deutlicher durch Forschungsnähe, persönliche Betreuung und anspruchsvolle wissenschaftliche Praxis begründen.
Daraus folgt eine Reform der Prüfungen. Die Reproduktion leicht verfügbarer Informationen sagt immer weniger über das Können eines Studierenden aus. Anspruchsvolle Prüfungen können dokumentierte Lösungswege, die Begründung wissenschaftlicher Entscheidungen und die Verteidigung eigener Ergebnisse einbeziehen. In geeigneten Fächern gehört der Umgang mit KI zum Prüfungsgegenstand. Zugleich müssen Studierende ihre fachlichen Grundlagen eigenständig anwenden können.
Für Unternehmen ist diese Entwicklung bedeutsam, weil akademische Abschlüsse künftig andere Fragen aufwerfen. Neben dem erworbenen Fachwissen interessieren die Fähigkeit zur Zusammenarbeit, die Qualität des Urteils und die Bereitschaft, sich neue Gegenstände zu erschließen. Hochschulen und Arbeitgeber brauchen Verfahren, die diese Kompetenzen sichtbar machen, ohne komplexe menschliche Fähigkeiten auf eine weitere Kennzahl zu reduzieren.
Weiterbildung wandert in den Arbeitsprozess
In Unternehmen zeigt sich die wirtschaftliche Bedeutung individualisierter Lernwege besonders deutlich. Ein Servicetechniker muss ein neues Diagnoseverfahren verstehen. Eine Vertriebsmitarbeiterin bereitet sich auf eine veränderte Produktgeneration vor. Ein Entwicklungsingenieur soll ein KI-System zur Analyse technischer Daten einsetzen. Der klassische Weiterbildungsapparat würde für diese Aufgaben Seminare buchen, Materialien bereitstellen und Zertifikate vergeben. Der tatsächliche Lernbedarf lässt sich jedoch erst aus der konkreten Tätigkeit und dem vorhandenen Wissen ableiten.
Ein intelligentes Lernsystem könnte diesen Bedarf unmittelbar im Arbeitsprozess aufgreifen. Es erklärt technische Grundlagen, bietet Übungen an, simuliert typische Fehler und beantwortet Fragen. Ein erfahrener Kollege übernimmt die praktische Einweisung und beurteilt, ob die gewonnenen Kenntnisse auch unter schwierigen Bedingungen tragen. Das Lernen rückt an jene Stelle, an der Beschäftigte Wissen benötigen und anwenden.
Diese Organisation verlangt neue Aufgaben für HR. Die Personalentwicklung muss passende Lernangebote bereitstellen, ihre Qualität prüfen und mit den Fachabteilungen vereinbaren, welche Kompetenzen für bestimmte Tätigkeiten erforderlich sind. Führungskräfte müssen Lernzeit ermöglichen, Verantwortung übertragen und Rückmeldungen geben. Fachliche Experten bringen Erfahrungswissen ein, das aus Handbüchern und Datenbanken allein kaum zu gewinnen ist.
Die „Feuerprobe“ beschreibt diese Entwicklung als Teil einer grundlegenden Erneuerung des People Managements. Personalentwicklung, Führung und technologische Infrastruktur greifen ineinander. HR gestaltet den organisatorischen Rahmen, während die Führungskräfte die Entwicklung ihrer Mitarbeiter im Tagesgeschäft verantworten. Ein solcher Ansatz verlangt eine enge Verbindung zwischen Unternehmensstrategie und Kompetenzaufbau. Die Weiterbildung erhält ihren Wert durch das, was Beschäftigte anschließend leisten können.
Das verschwundene Einstiegsprogramm
Gerade Unternehmen, die KI besonders konsequent einsetzen, könnten in eine neue Schwierigkeit geraten. Viele berufliche Fähigkeiten entstehen durch Aufgaben, die heute als automatisierbare Routine gelten. Junge Juristen recherchieren Rechtsprechung, Berufseinsteiger im Controlling prüfen Zahlen, Nachwuchsentwickler korrigieren Programme, neue Mitarbeiter im Kundenservice bearbeiten einfache Anfragen. Diese Tätigkeiten beanspruchen Zeit und verursachen Kosten. Zugleich vermitteln sie Erfahrungen, die später für anspruchsvolle Entscheidungen gebraucht werden.
Die „Feuerprobe“ beschreibt dieses Problem als drohende Unterbrechung der Entwicklungspipeline. Unternehmen gewinnen kurzfristig Produktivität, indem sie einfache Aufgaben automatisieren. Sie benötigen langfristig jedoch erfahrene Fachkräfte, die komplexe Situationen beurteilen und Fehler erkennen können. Fehlen die traditionellen Einstiegsaufgaben, müssen andere Formen des Erfahrungsaufbaus entstehen.
Ein Unternehmen könnte junge Beschäftigte zunächst eigenständig Lösungsvorschläge entwickeln lassen. Anschließend vergleichen sie ihre Ergebnisse mit einem KI-System und besprechen die Unterschiede mit erfahrenen Kollegen. Technische Simulationen ermöglichen zusätzliche Übungen, ohne dass jeder Fehler unmittelbar einen Kunden oder einen Produktionsprozess betrifft. Projektarbeit, Mentoring und gezielte Verantwortungsübernahme ergänzen diese Verfahren.
Die Personalentwicklung muss damit auch die Entstehung von Erfahrung organisieren. Geschwindigkeit allein reicht als Maßstab für betriebliche Leistung kaum aus. Ein Beschäftigter, der eine schwierige Entscheidung sorgfältig begründen kann, besitzt eine Qualität, die erst in anspruchsvollen Situationen ihren wirtschaftlichen Wert zeigt. Unternehmen müssen diese Fähigkeit kultivieren, bevor sie im Ernstfall gebraucht wird.
Der Vorstand muss Lernergebnisse messen
Aus den Überlegungen von Hassabis und den Befunden des Think Tanks ergibt sich ein konkreter Auftrag für die Unternehmensführung. Die Einführung intelligenter Lernsysteme sollte mit einer überprüfbaren Frage beginnen: Erwerben Beschäftigte mit dieser Form der Unterstützung die notwendigen Fähigkeiten zuverlässiger, nachhaltiger und wirtschaftlicher als mit den bisherigen Verfahren?
Ein Pilotprojekt könnte vergleichbare Mitarbeitergruppen bei der Einführung einer neuen technischen Anwendung begleiten. Die eine Gruppe nutzt das vorhandene Weiterbildungsprogramm. Die andere erhält einen fachlich geprüften KI-Tutor, passende Übungen und persönliche Betreuung. Beide Gruppen benötigen angemessene Lernzeit. Anschließend untersuchen die Verantwortlichen den Kompetenzzuwachs anhand praktischer Aufgaben. Eine weitere Prüfung nach mehreren Wochen zeigt, wie viel Wissen erhalten blieb und ob die Beschäftigten das Gelernte in neuen Situationen anwenden können.
Für die Bewertung zählen die Qualität der Arbeit, der Umgang mit Fehlern, die Fähigkeit zur eigenständigen Problemlösung und die Zusammenarbeit. Auch die Kosten gehören dazu. Die Zahl absolvierter Schulungen oder erzeugter Lerninhalte liefert dafür lediglich eine Verwaltungskennzahl. Der wirtschaftliche Nutzen entsteht durch bessere Leistungen, geringere Fehlerkosten und die Fähigkeit, neue Aufgaben zu übernehmen.
Eine solche Überprüfung könnte zeigen, dass personalisierte KI-Tutoren bei standardisierten Fachkenntnissen erhebliche Vorteile bieten. Bei komplexen Führungsaufgaben oder anspruchsvollen sozialen Situationen kann persönliche Betreuung einen größeren Beitrag leisten. Unterschiedliche Tätigkeiten verlangen unterschiedliche Formen des Lernens. Genau diese Differenzierung bildet den Kern der neuen Lernökonomie.
Der Vorstand sollte deshalb die Kompetenzentwicklung als Bestandteil seiner strategischen Steuerung behandeln. HR, Fachabteilungen und Technologieverantwortliche müssen gemeinsam festlegen, welche Fähigkeiten künftig benötigt werden, welche Lernangebote sich bewähren und welche Risiken der Technikeinsatz erzeugt. Eine transparente Kontrolle der eingesetzten Systeme gehört ebenso dazu wie der Schutz persönlicher Lerndaten. Über den Erfolg entscheidet die tatsächliche Entwicklung menschlichen Könnens.
Die lernfähige Organisation als Wettbewerbsvorteil
Die Bildungsideen von Demis Hassabis treffen auf eine Wirtschaft, deren Wissensbestände sich immer schneller verändern. Technische Verfahren verlieren an Bedeutung, neue Anwendungen entstehen und gewohnte Berufsbilder entwickeln sich weiter. Unternehmen können ihren künftigen Kompetenzbedarf deshalb nur begrenzt durch mehrjährige Seminarprogramme abdecken. Sie benötigen Beschäftigte, die sich neue Fähigkeiten aneignen, ihr Wissen überprüfen und unter veränderten Bedingungen verantwortlich handeln können.
Der Think Tank Innovation hat diese Frage mit seinen Arbeiten zur „Großen Transformation“ früh aufgegriffen. Die fünf ursprünglichen Thesen verbinden die Erneuerung des Personalmanagements mit dem Umgang mit Komplexität, den Möglichkeiten künstlicher Intelligenz, dauerhafter Veränderung und der Fähigkeit, aus Krisen zu lernen. Die anschließende „Feuerprobe“ zeigt anhand der Experteninterviews, wie unterschiedlich Unternehmen diese Herausforderungen erleben und welche Grenzen allgemeine Transformationsversprechen besitzen. Für die Personalentwicklung ergibt sich daraus eine klare Aufgabe: Sie muss das Lernen in die Organisation integrieren und menschliche Urteilskraft systematisch fördern.
Die Metapher der „Losgröße 1“ war ein Versuch, diese Entwicklung mit einem Begriff aus der Industrieökonomie zu erklären. „Ein Lehrplan, tausend Lernwege“ reicht weiter. Die Formel beschreibt eine Bildungsordnung, in der gemeinsames Wissen und individuelle Förderung zusammenfinden. Sie lässt sich auf Schulen, Hochschulen und Unternehmen übertragen. Ihr wirtschaftlicher Anspruch besteht darin, hochwertige Lernbegleitung für viele Menschen verfügbar zu machen. Ihr pädagogischer Anspruch verlangt, dass Lernende eigene Fähigkeiten entwickeln und mit anderen produktiv zusammenarbeiten.
Die Fähigkeit zu lernen wird damit zu einem zentralen Vermögenswert der Organisation. Sie entsteht durch fachliche Grundlagen, persönliche Erfahrung, den Austausch verschiedener Perspektiven und die Bereitschaft, eigene Annahmen zu überprüfen. KI kann diese Prozesse begleiten und in großem Umfang unterstützen. Der Erfolg zeigt sich dort, wo Menschen anschließend bessere Fragen stellen, anspruchsvollere Probleme bewältigen und die Folgen ihrer Entscheidungen verstehen. An dieser Leistung werden sich Schulen, Universitäten und Unternehmen künftig messen lassen müssen.