Wie lernt man eine Technologie, die sich schneller verändert, als jede Schulung nachkommt? Künstliche Intelligenz ist in fast jeder Arbeitssoftware angekommen, doch das meiste bleibt an der Oberfläche, weil kaum jemand gelernt hat, sie kompetent einzusetzen. ELAI verlegt das Lernen deshalb in die Anwendung selbst, in den Moment, in dem gearbeitet wird.

Künstliche Intelligenz wird zur Infrastruktur der kommenden Jahre. Sie sitzt in fast jeder Unternehmenssoftware, und darüber entsteht eine ganze Kategorie neuer Werkzeuge, gebaut für einzelne Branchen und Arbeitsabläufe. Ausgerollt wird das meist von oben nach unten, unabhängig davon, ob die Menschen davor bereit sind. Die Investitionen sind enorm, doch der versprochene Ertrag bleibt bei den meisten Unternehmen aus. Der Grund liegt selten in der Technologie. Künstliche Intelligenz ist nur so gut wie die Menschen, die täglich mit ihr arbeiten, und erst sie schaffen den Mehrwert, den die Technologie verspricht.

Problem
Wie sicher und wie gut die Zusammenarbeit zwischen Mensch und KI läuft, hängt vor allem davon ab, wie kompetent die Menschen mit ihren Anwendungen umgehen. Überfordert von Tempo und Menge nutzen viele KI, ohne beurteilen zu können, was zurückkommt. Es bilden sich falsche Gewohnheiten, und wenn etwas schiefgeht, trägt die einzelne Person die Verantwortung. Klassische Weiterbildung kommt dagegen nicht an. Formate, die für berechenbare Software gemacht sind, bereiten niemanden auf wahrscheinliche, nie ganz vorhersehbare Ausgaben vor, und bis ein Kurs fertig ist, hat sich das Werkzeug längst verändert. Der EU AI Act verlangt zusätzlich den Nachweis von KI-Kompetenz und menschlicher Aufsicht, ohne dass ein etabliertes Vorgehen dafür existiert. Die eigentliche Frage ist nicht mehr, wie viele Menschen KI nutzen, sondern wie gut sie es tun.

Zusammenarbeit mit einem KI-Unternehmen
Entstanden ist die Arbeit gemeinsam mit einem Enterprise-KI-Anbieter, bei dem genau dieser Druck zusammenläuft. Das Unternehmen stellt seinen Kunden spezialisierte KI-Anwendungen bereit, steht unter regulatorischer Beobachtung und arbeitet an einem Lernangebot, das bisher nicht greift. Der Partner brachte reale Anwendungsfälle und ein echtes Produkt mit echten Nutzenden ein. Das hielt die Arbeit nah an der Praxis und an den Anforderungen regulierter Branchen, allen voran dem On-Premise-Betrieb und der Datensouveränität.

Die Lösung
Statt Kompetenz in einen separaten Kurs auszulagern, behandelt die Arbeit das Interface selbst als den Ort, an dem sie entsteht. Das Ergebnis ist ELAI, ein Embedded Learning System, das sich als konfigurierbarer Lern-Layer über bestehende Enterprise-KI-Anwendungen legt, ohne sie zu verändern. Der Name steht für Embedded Learning System for AI. ELAI lehrt im Arbeitsfluss, überwiegend indem es fragt, statt fertige Antworten zu liefern. Es läuft on-premise, und Nutzungsdaten verlassen die Organisation nur in aggregierter, anonymisierter Form.

Das System besteht aus zwei KI-Agenten. Der Tutor Agent begleitet End-User direkt im Interface ihrer Anwendung, reaktiv auf Anfrage und proaktiv mit kurzen Lernimpulsen. Der Composer Agent unterstützt Learning-Experience-Designer dabei, die Anwendung zu analysieren, Lernmomente zu setzen und ihren Erfolg über die Zeit zu messen.

Die End-User-Erfahrung
Für die Menschen an der Anwendung verläuft ELAI in drei Phasen. Den Einstieg bildet ein kurzes Setup aus drei Fragen, das den Tutor einrichtet und erklärt, wie er funktioniert. Danach tritt das System in den Hintergrund und meldet sich nur, wenn Kontext und Moment passen.

Im Arbeitsalltag entstehen Learning Moments, auf zwei Wegen. Beim Push markiert der Tutor eine Stelle im Interface, je nach Dringlichkeit als kleinen Pin oder als ganze Zone. Diese Hinweise sind an ablaufende Zeiten geknüpft und verschwinden wieder, sie lassen sich also ignorieren, ohne den Arbeitsfluss zu stören. Erst bei einem eindeutigen Qualitäts- oder Sicherheitsrisiko bleibt die Markierung bestehen, bis der Nutzer reagiert. Beim Pull ruft der Nutzer den Tutor selbst, über das Icon oder indem er mit gedrückter Shift-Taste eine eigene Zone über den Bereich zieht, bei dem er Unterstützung braucht.

Beide Wege führen zur selben Mechanik. Der Tutor stellt immer eine Frage und nie eine Erklärung. Er folgt damit dem Prinzip der Desirable Difficulties, nach dem eine produktive kognitive Hürde nachhaltiger wirkt als eine passive Erklärung (vgl. Bjork & Bjork, 2020). Der Nutzer reflektiert sein eigenes Handeln und bleibt neugierig. Die einzige Reaktion auf die Frage ist Show. Dann übernimmt ein blauer Tutor-Cursor, navigiert durch die Anwendung, zeigt auf Elemente und trägt seinen Text in einer Sprechblase mit. Am Ende verweist ein Deep Link auf passenden Lernstoff aus dem angebundenen LMS, bewusst als Kurzformat von drei bis fünf Minuten, direkt als Modal im Interface.

Nach Wochen oder Monaten kommen Follow-Ups. Statt eines langen Fragebogens stellt der Tutor jeweils nur eine kontextnahe Frage, die in Sekunden beantwortet ist. Drei Kategorien greifen ineinander. Reaction erfasst, wie der Tutor insgesamt ankommt, Understanding, ob eine Erklärung getragen hat, und Transfer, ob aus der Begleitung verändertes Handeln geworden ist.

Der Composer
Was der End-User als leichte Begleitung erlebt, wird an anderer Stelle bewusst gestaltet. Der Composer ist die Anwendung, über die Learning-Experience-Designer das System steuern und prüfen. Er macht das Prinzip hinter ELAI konkret. Der Mensch konfiguriert, die KI führt aus.

Im Zentrum steht ein pädagogisches Framework, in diesem Fall die vier Dimensionen des AI Fluency Frameworks (Dakan & Feller, 2025). Der Composer Agent analysiert jeden Screen und ordnet die Elemente diesen Dimensionen zu. Daraus entsteht pro Feature ein Observable Behavior, eine positiv formulierte, messbare Aktion, die ein kompetenter Nutzer ausführen würde (vgl. Mager, 1962). Zeigen zu wenige Nutzer dieses Verhalten, entsteht eine Learning Gap. Der Agent unterscheidet, ob den Menschen das Wissen, die Fertigkeit oder allein die Kenntnis des Features fehlt (vgl. Gagné, 1985; Norman, 2013), denn jeder Fall braucht eine andere Antwort. Aus dieser Analyse werden Signal-Cards und daraus Learning Moments, die der Designer prüft, anpasst und live schaltet.

Der Designer bleibt dabei durchgehend die prüfende Instanz (Human-on-the-loop). Er sieht in der Beobachtungsebene, wo Kompetenz wächst und wo Lücken bleiben, und misst dafür nicht nur klassische Nutzungszahlen, sondern KI-spezifische Signale wie die Push-Acceptance-Rate. In den Einstellungen legt er fest, wer der Tutor ist, welche didaktische Linse er anlegt und worauf er zugreifen darf. Das Framework lässt sich austauschen, indem der Designer eigene Quellen hochlädt, aus denen der Composer den Kompetenzrahmen extrahiert und wie ein Design-System aufbereitet, jede Kompetenz mit Rückverweis auf ihre Quelle. Das Modell kann lokal laufen, sodass beim On-Premise-Betrieb keine Daten das Unternehmen verlassen.

Vorgehen
Die Arbeit folgt dem Ansatz Research through Design. Statt festen Phasen zu folgen, laufen Recherche, Entwurf und Validierung weitgehend parallel und bilden eher eine Schleife als eine geordnete Abfolge. In kurzen, KI-gestützten Zyklen entstehen Prototypen, die erprobt und entweder weiterentwickelt oder verworfen werden, bis sich daraus eine Konzeption verdichtet.

Die begleitende Desk-Research liefert die Ansätze, aus denen im Entwurf Hypothesen und daraus Prototypen werden. Validiert wird vor allem mit dem Kooperationspartner, im wöchentlichen Austausch. Interne Fachleute aus dem Lern- und Designbereich erleben die Prototypen live und geben Feedback, ergänzt um Interviews mit externen Expertinnen und Experten aus Lernen und KI für eine breitere Einschätzung. Mit jeder Runde verdichten sich die tragfähigen Ansätze zu einem Konzept und einer Gestaltungsstrategie. Eine anschließende Umsetzungsstrategie zeigt, wie sich die Lösung beim Partner realisieren lässt, und eine Reflexion fragt, was daraus für die Forschungsfrage folgt.

Fazit
Kompetenz im Umgang mit KI dem Zufall oder der Schuld des Einzelnen zu überlassen, ist keine Antwort auf ein gesellschaftliches Problem. ELAI macht die KI selbst zum Mittel, mit dem man den kompetenten Umgang mit ihr lernt, direkt in der Arbeit, im Moment des Bedarfs. Für Gestalterinnen und Gestalter öffnet sich damit ein Feld, das gerade erst entsteht. KI-gestützte Tutoren, Lerninhalte und Systeme brauchen eine Gestaltung, die Verantwortung übernimmt und Grenzen setzt, damit am Ende die gewünschte Wirkung entsteht. KI ist überall. Dass wir mit ihr auch lernen können, ist kein Zufall, sondern Gestaltungsraum.