Am 17. Juni sprechen wir bei der Learning & Talent Development Konferenz darüber, wie sich L&D neu ausrichten muss. Die Erwartungen der Lernenden haben sich verändert. Die Informationssituation im Arbeitsalltag hat sich verändert. Auch die Anforderungen der Organisation an Befähigung, Kompetenzaufbau und Talententwicklung verschieben sich. Veränderung ist kein Sonderfall mehr, sondern Teil des täglichen Arbeitens. In diesem Kontext reicht es nicht mehr aus, dass L&D-Teams Kurse bauen, Programme planen und Completion-Raten steigern. Vielmehr müssen sie Lernen und Talententwicklung stärker als Architektur für Arbeitsbefähigung verstehen.

Mitarbeitende fragen KI, wenn sie etwas wissen müssen. Sie konsultieren kollaborative Dokumente, lernen im Gespräch, probieren aus und holen sich Antworten direkt im Arbeitsprozess. Das klassische Lernprogramm erreicht diesen Moment oft nicht mehr. Deshalb bringen auch bessere oder zusätzliche Lerninhalte allein nur begrenzt weiter. Die entscheidende Frage lautet, wie L&D das eigene Tätigkeitsfeld erweitert und die eigene Rolle neu definiert.

Warum das bisherige L&D-Tätigkeitsfeld nicht mehr ausreicht

Josh Bersin beschreibt in seinem Report zur L&D-Revolution 2025 eine grundlegende Rollenverschiebung: L&D soll sich vom Publishing-Modell lösen und stärker auf dynamische, personalisierte Befähigung ausrichten. Auch die Rollenprofile verändern sich. Trainer werden zu Enablement Strategists, Course Designer zu Learning Architects, Content Curators zu Knowledge Architects und LMS Operators zu Workflow Performance Designers. Mit der breiten Etablierung sprachmodellbasierter Answer Machines, also konversationaler Antwortsysteme wie ChatGPT oder Microsoft Copilot, geht diese Verschiebung aus unserer Sicht noch weiter.

In seinem Beitrag zur KI-Transformation des Corporate-Learning-Markts Anfang 2026 beschreibt Bersin die Veränderung noch grundsätzlicher: Die Herausforderung liegt nicht mehr nur in „Learning“ oder „Training“, sondern im dynamischen Teilen von Informationen sowie in der Fähigkeit, neue Ideen zu erkunden, zu hinterfragen und anzuwenden. Das verschiebt die Rolle von L&D vom Planen und Erstellen von Inhalten hin zum Kuratieren, Steuern und Einbetten von Kompetenzentwicklung in reale Arbeitssituationen. L&D-Teams werden dadurch nicht automatisch kleiner oder größer. Sie werden aber beratender, geschäftsnäher und stärker an Arbeitsprozessen ausgerichtet.

Mit dem Siegeszug konversationaler Schnittstellen wie ChatGPT oder Microsoft Copilot entsteht zusätzlich eine Entwicklung, die in vielen L&D-Debatten noch zu wenig berücksichtigt wird: KI reduziert kognitive Last. Sie liefert Antworten, übernimmt Denkschritte, gibt Orientierung und macht Wissen schnell verfügbar. Lernen braucht aber nicht nur Verfügbarkeit. Lernen braucht auch kognitive Verarbeitung, Abruf, Anwendung, Irritation, Feedback und Reflexion. Cognitive Offloading beschreibt, wie externe Systeme kognitive Aufgaben übernehmen und damit den Aufwand für die eigene Verarbeitung senken. Desirable Difficulties und Retrieval Practice zeigen dagegen, dass Lernwirksamkeit häufig genau dort entsteht, wo Menschen aktiv abrufen, vergleichen, begründen und eigene Denkschritte leisten. (Siehe auch unsere Beiträge zum Lernen zur Abrufen und zur Aufbereitung zu den Veränderungen im Kontext der Lerntheorie)

L&D-Teams, die diese Mechanismen nicht berücksichtigen, laufen Gefahr, KI-gestützte Lernangebote zu bauen, die Wissen verfügbar machen, aber Kompetenzaufbau schwächen. Damit verschiebt sich der Lernkontext. Die Frage lautet nicht mehr nur, welche Inhalte vermittelt werden müssen. Die Frage lautet, wann direkte Antworten hilfreich sind, wann sie geprüft werden müssen und wann kognitiver Aufwand bewusst erhalten bleiben sollte. Genau daraus ergeben sich neue Tätigkeitsfelder für L&D.

Das Ausmaß der Answer Machines hängt vom Lernbedarf ab

Nicht jede Lernsituation verändert sich durch Answer Machines im gleichen Ausmaß. In Unternehmen gibt es sehr unterschiedliche Bedarfstypen. Eine Maschinenunterweisung folgt einer anderen Logik als ein Orientierungsbedarf in der Wissensarbeit. Eine formale Qualifizierung braucht andere Nachweise als ein situativer Informationsbedarf im Arbeitsfluss. Deshalb sollten wir nicht allgemein fragen, ob KI Lernen ersetzt. Wir sollten genauer fragen, bei welchen Bedarfstypen Answer Machines unterstützen, verändern oder neue Risiken erzeugen. 

Aus dieser Übersicht lässt sich ableiten: L&D muss sich nicht nur fragen, welche Lernangebote benötigt werden. Die Aufgabe wird breiter. L&D muss mitgestalten, wie Menschen mit direkten Antworten arbeiten, wie sie diese Antworten prüfen, wie sie daraus handlungsfähiges Wissen machen und wo weiterhin formale Schulung, Übung oder Nachweis erforderlich bleibt. Answer Machines sind damit nicht einfach ein weiteres Lernwerkzeug. Sie verändern den Zugang zu Wissen, die Erwartungen an Lernangebote und die Rolle von L&D im Arbeitsalltag.

Welche Aufgaben für L&D daraus entstehen

Die veränderten Bedarfslagen führen zu neuen Tätigkeiten. Einige davon liegen nahe am bisherigen Instructional Design. Andere greifen stärker in Wissensmanagement, Governance, Datenanalyse, Arbeitsprozessgestaltung und Organisationsentwicklung hinein. Entscheidend ist, dass L&D die Potenziale von Answer Machines nutzt, ohne direkte Antworten mit Kompetenzaufbau zu verwechseln.

Diese zehn Aufgaben ersetzen die bisherige L&D-Arbeit nicht. Sie erweitern sie. Aus unserer Sicht lassen sie sich in vier Kompetenzfelder bündeln, die L&D-Teams in den kommenden Jahren gezielt aufbauen müssen.

Vier erweiterte Kompetenzfelder für L&D in Zeiten von ChatGPT und Co.

Ergänzend zu den Rollenverschiebungen, die Bersin beschreibt, ergeben sich aus unserer Sicht vier Aufgabenfelder, für die sich L&D künftig stärker verantwortlich fühlen sollte. Sie verbinden Lernarchitektur, Wissensarchitektur, KI-Nutzung und Kompetenzentwicklung.

1. Knowledge Engineering

Das Fundament ist die Wissensarchitektur. L&D muss mitgestalten, welche Wissensbestände für KI-Systeme nutzbar werden, wie diese Inhalte strukturiert sind und wie die Qualität von KI-Antworten geprüft wird. Wer keinen Einfluss auf die Quellen, Strukturen und Freigaben hat, hat auch nur begrenzten Einfluss auf die Antworten, die Mitarbeitende im Arbeitsprozess erhalten. Knowledge Engineering ist deshalb keine reine IT-Aufgabe. Es ist eine gemeinsame Aufgabe von L&D, Fachbereichen, IT, Knowledge Management, Legal und Compliance.

Konkret bedeutet das: Wissensartikel prüfen und freigeben, bevor sie in Wissensdatenbanken fließen. Taxonomien entwickeln, die Retrieval-Logiken tragen. Abdeckungslücken identifizieren, also Bereiche, in denen KI-Antworten unvollständig oder irreführend sind. Qualitätssicherung muss dabei kontinuierlich laufen und nicht nur einmalig beim Setup erfolgen. Für L&D entsteht hier eine neue Rolle: nicht nur Inhalte bereitstellen, sondern Wissen so strukturieren, dass es im Arbeitskontext belastbar genutzt werden kann.

2. KI-Nutzungssignale lesen

Welche Fragen stellen Mitarbeitende den KI-Systemen? Wo fragen sie mehrfach nach? Wo brechen sie ab? Wo weichen sie auf externe Tools aus, statt interne Lern- oder Wissensangebote zu nutzen? Solche Nutzungssignale können reale Wissensbedarfe präziser sichtbar machen als klassische Completion-Dashboards. L&D-Teams, die diese Signale lesen und interpretieren können, erkennen Lernbedarfe früher und näher am Arbeitskontext.

Das setzt voraus, dass der Zugang zu solchen Daten sauber geregelt ist. Nicht jede Konversation darf ausgewertet werden. Datenschutz, Mitbestimmung, Transparenz und Zweckbindung müssen geklärt sein. Sinnvoll sind aggregierte Muster, nicht die Überwachung einzelner Personen. Häufige Fragen zu einem Thema zeigen, wo Wissen fehlt oder unklar bleibt. Wiederholte Nachfragen können auf fehlendes Grundverständnis hinweisen. Die Nutzung externer KI statt interner Systeme zeigt, wo interne Angebote nicht greifen. Aus diesen Mustern Prioritäten für Lernangebote, Wissenspflege und Performance Support abzuleiten, ist eine andere Logik als klassische Bedarfserhebung.

3. Conversational Design

Prompts können Lernarchitektur sein. Dialoge können Denken führen, statt es zu ersetzen. Sokratische KI-Interaktionen, gestufte Gespräche und geführte Reflexionspfade werden zu einer neuen Gestaltungsebene für KI-gestützte Lernerfahrungen. Sie unterscheiden sich von klassischem Kursdesign, weil sie nicht nur Inhalte vermitteln. Sie gestalten Interaktionen, die Kompetenz aufbauen sollen.

Ein gut gestalteter KI-Dialog antwortet nicht immer sofort. Er fragt nach Kontext, lässt Lernende Annahmen formulieren, führt durch den Lösungsweg und baut Reflexionspunkte ein. Lernende müssen ihr Verständnis ausdrücken, bevor der Dialog weiterführt. Das ist näher an sokratischer Pädagogik als an Kursarchitektur. Wer Conversational Design beherrscht, kann Lernerfahrungen gestalten, die im Arbeitskontext stattfinden, ohne dass ein separates Lernangebot geöffnet werden muss.

4. Kognitives Design und bewusste Reibung

L&D muss Lernmomente gestalten, in denen kognitive Verarbeitung bewusst erhalten bleibt. Dazu gehören Explorationsräume, Retrieval Practice, Problem Framing, Perspektivwechsel und begründete Entscheidungen. Das ist keine Gegenbewegung zu KI. Es ist die notwendige Ergänzung. Eine Lernarchitektur, die nur auf schnelle KI-Verfügbarkeit setzt, produziert Verfügbarkeit ohne Kompetenz.

Retrieval Practice funktioniert, weil der Abrufvorgang selbst das Gedächtnis stärkt, nicht nur der Zugriff auf Information. Problem Framing zwingt Mitarbeitende, eine Situation zu strukturieren, bevor sie nach einer Lösung suchen. Entscheidend wird die Frage, wann KI sofort verfügbar sein sollte und wann kognitiver Aufwand Teil des Lernprozesses bleiben muss. Dafür braucht L&D lerntheoretisches Urteilsvermögen, das sich durch Prompting allein nicht ersetzen lässt.

Alle vier Felder gleichzeitig zu entwickeln, ist nicht realistisch. Ein sinnvoller Einstieg ist ein begrenzter Pilot: ein Fachbereich, eine Wissensdomäne, ein Team. Dort lässt sich zeigen, wie Wissensarchitektur, Nutzungssignale, Conversational Design und kognitives Design zusammenspielen. Daraus entstehen Erfahrungen, interne Fürsprache und belastbare Argumente für die Skalierung. Debbie Richards von der Associations of Talent Development beschreibt die Verschiebung von Content Creators zu Strategic Learning Architects als eine zentrale Entwicklung im Feld. Für viele L&D-Teams ist diese Verschiebung noch keine Realität, sondern eine konkrete Entwicklungsaufgabe.

Was L&D-Teams jetzt entscheiden müssen

Die Kompetenzprofile, die L&D-Teams heute aufbauen, bestimmen, welche Rolle sie in KI-geprägten Organisationen spielen. Wer sich auf Kursproduktion konzentriert, steht in einem Umfeld mit immer leistungsfähigeren KI-Generatoren unter Druck. Wer Wissensinfrastruktur gestaltet, Lernbedarfe aus KI-Nutzungssignalen erkennt und Lernerfahrungen baut, die Kompetenz statt nur Information liefern, positioniert L&D als Funktion, die Organisationen in der Transformation brauchen.

Damit wird L&D nicht weniger wichtig. Die Aufgabe verschiebt sich. Lernen findet künftig stärker im Arbeitsfluss, im Dialog mit Systemen und im Zusammenspiel von Wissen, Anwendung und Reflexion statt. Genau dort muss L&D Orientierung geben: schnelle Antworten ermöglichen, Qualität absichern, kognitive Verarbeitung schützen und Kompetenzentwicklung nachweisbar machen.

Wie sich das auf Teamstruktur, Stellenprofile und Entwicklungsprogramme auswirkt, ist ein Thema der Learning & Talent Development Konferenz am 17. Juni. Wir freuen uns auf die Diskussion.

Dieser Artikel ist Teil einer Serie “KI & der Wandel im Lernen” - als Vorbereitung zur Learning & Talent Development Konferenz 2026.