Der „Kurs auf Knopfdruck“-Mythos oder Fakt: Warum KI-Tools bei der (vollautomatisierten) E-Learning-Erstellung oft zu kurz greifen

(Bild mit KI erstellt)

Das verlockende Versprechen der Lerntechnologie-Anbieter

Stell dir vor, es ist Montagmorgen, der Kaffee dampft, und auf deinem Tisch landet ein neues, 80-seitiges Fachkonzept zur Compliance-Richtlinie. Abgabetermin für das entsprechende E-Learning: am besten gestern. Bisher bedeutete das: Wochenlange Arbeit, endlose Meetings mit Fachexperten und das mühsame Schreiben von Drehbüchern.

Heute verspricht uns die Tech-Welt ab sofort die ultimative Abkürzung: Dokument in ein KI-Tool hochladen, kurz Kaffee holen und fünf Minuten später das fertige E-Learning inklusive schicker Grafiken und Quizfragen in die Lernplattform hochladen.

Kein Wunder, dass HR-Abteilungen und L&D-Verantwortliche sich gerade scharenweise diesen Versprechungen zuwenden. Die Aussicht darauf, praktisch unbegrenzten Content bei nahezu null Zeitaufwand geschenkt zu bekommen klingt in Zeiten von Fachkräftemangel und Budgetdruck wie der heilige Gral der betrieblichen Weiterbildung.

Doch wer den Prozess der Kurserstellung komplett an die Maschine auslagert, merkt schnell, dass der Traum vom „Kurs auf Knopfdruck“ mit einem bösen Erwachen endet. Die harte Realität: KI ist eine verdammt schnelle Textmaschine, aber ein miserabler Didaktiker. Wer Tools blind die ganze Arbeit machen lässt, spart am Ende keine Zeit, sondern verbrennt die Qualität der Inhalte und – was noch viel schlimmer ist – das Vertrauen der Lernenden.

Die Sonnenseite: Wo KI-Tools heute schon glänzen

Um eines direkt klarzustellen: Das ist kein pauschales Plädoyer gegen KI im Bildungsbereich. Im Gegenteil, sie ist ein genialer Assistent, wenn man sie richtig einsetzt. Jeder, der schon einmal vor dem schrecklichen Weiß des Einstiegsslides im Autorentool stand und keinen Einstieg fand, lernt schnell die KI-Assistenz zu schätzen.

KI-Tools glänzen vor allem in drei Disziplinen:

• Strukturierung im Rekordtempo: Füttert man eine KI mit ungeordnetem Rohmaterial, kann sie daraus in Sekunden eine logische Kapitelstruktur und einen ersten Syllabus auswerfen. Das ist ein fantastisches Gerüst, an dem man sich orientieren und von dort weiterarbeiten kann.
• Zähmen von Textwüsten: KI ist hervorragend darin, ellenlange Absätze in knackige Microlearning-Happen oder prägnante Bullet Points zusammenzufassen. Sie filtert den Kern heraus und sorgt damit für Zeitersparnisse.
• Ideen-Sparring für Quiz: Brauchst du drei Ablenkungsantworten (Distraktoren) für eine Multiple-Choice-Frage? Die KI liefert dir sofort zehn Vorschläge. Die Qualität ist zwar manchmal durchwachsen, aber mit Feinschliff immer noch schneller als sie von Hand zu entwickeln.

Das Zwischenfazit lautet also: Als Co-Pilot auf dem Beifahrersitz ist KI ein mächtiges und nicht mehr zu ersetzendes Werkzeug. Sie nimmt uns lästige Fleißarbeit ab. Gefährlich wird es erst, wenn wir ihr das Lenkrad komplett überlassen und uns auf die Rückbank schlafen legen.

Der Realitätscheck: Die Illusion der „Absegnungs-Kultur“

Werfen wir einen Blick auf den aktuellen Markt. Die Anbieter von KI-Autorentools überbieten sich gegenseitig mit Versprechungen, die genau auf unsere Sehnsucht nach maximaler Effizienz abzielen.

Ein großer Trend ist hierbei Plattformen, die gezielt mit einem sogenannten workflowbasierten Ansatz werben. Die KI verwandelt vorhandenes Fachwissen – zum Beispiel aus hochgeladenen Dokumenten oder aufgezeichneten Experten-Interviews – Schritt für Schritt in Trainingsprogramme. Die Anbieter betonen dabei, dass die L&D-Abteilung nicht ersetzt wird, sondern am Steuer sitzt: Die KI liefert die Bausteine, der Mensch steuert und korrigiert.

Das klingt nach der perfekten Symbiose, birgt aber ein subtiles, didaktisches Problem. Wenn L&D primär zum „Kapitän und Prüfstelle“ von KI-Vorschlägen wird, verändert sich unsere Rolle fundamental: Wir gestalten nicht mehr aktiv, sondern reagieren nur noch auf das, was uns die Maschine auf den Tisch legt. Einen von der KI vorgeschlagenen Text auf fachliche Richtigkeit zu prüfen und freizugeben, ist machbar. Aber wie steuert man eine didaktische Lücke aus, die man gar nicht wahrnimmt? Wenn die KI die grundlegende Struktur und Didaktik vorgibt, neigen wir dazu, innerhalb dieses vorgegebenen Rahmens zu optimieren. Wir reparieren im Nachgang die Symptome einer KI-Struktur, anstatt von Anfang an ein echtes, maßgeschneidertes Lernerlebnis für die Zielgruppe zu konzipieren.

Ein ähnliches Versprechen der automatisierten Kurserstellung sehen wir bei dem Branchenriesen Articulate Rise. Dieser verspricht, dass du einfach ein bestehendes Dokument oder eine Präsentation hochlädst – und schwupps, generiert die KI ein fertiges Web Based Training inklusive Struktur, interaktiven Elementen und Quiz.

Technisch ist das absolut faszinierend. Wer einmal gesehen hat, wie Articulate Rise in Rekordzeit aus einem drögen Fließtext interaktive Flashcards oder Sortieraufgaben baut, zieht den Hut davor. Aber lassen wir uns nicht blenden: Aus einer schlechten, völlig überladenen PowerPoint-Präsentation wird durch den Upload in ein KI-Tool kein gutes E-Learning. Es wird nur eine anders verpackte, überladene Präsentation. Die KI nimmt den Input und würfelt ihn neu zusammen. Sie fragt nicht: „Braucht der Mitarbeiter diesen Inhalt an dieser Stelle überhaupt für seinen Job?“ Sie befüllt lediglich die vorgegebenen Schablonen. Denn auch Articulate Rise ist sich den Grenzen der automatisierten Kursproduktion bewusst – so verweisen sie selbst in einer Vorstellung des Features auf den PDF-Export der Zwischenschritte – bspw. in diesem Video. Sowohl die vorgeschlagenen Lernziele als auch die Struktur des Kurses könne man so mit dem SME absprechen und bei Bedarf nachsteuern. Didaktisch ist das absolut sinnvoll. Doch genau hier schließt sich der Kreis: Damit stecken wir wieder mitten in den klassischen Review-Schleifen und Abstimmungsprozessen mit Fachexperten, die durch die KI doch eigentlich überflüssig werden sollten. Die versprochene Abkürzung entpuppt sich als Umleitung.

Die psychologische Falle: Warum wir bei KI-Inhalten das Denken einstellen

Die Hersteller selbst geben also zu, dass wir das Steuer nicht komplett loslassen dürfen. Doch genau an dieser Schnittstelle – wo der Mensch die Vorschläge der Maschine kritisch prüfen, nachsteuern und mit Fachexperten abstimmen soll – wartet das eigentliche Problem. Es ist kein technisches Problem, sondern ein psychologisches: Das Phänomen Automation Bias (Automationsfehler).

Die Theorie besagt: Wir sollen zwar kontrollieren, aber wir können es psychologisch oft nicht mehr, sobald uns ein System die Arbeit abnimmt.

Die psychologische Forschung untersucht dieses Phänomen durch quantitative Experimente, unter anderem mit dem sogenannten Cognitive Reflection Test. Dabei zeigt sich ein erschreckendes Muster: Sobald Probanden bei komplexen Denkaufgaben von einer – bewusst fehlerhaften – KI unterstützt werden, nimmt ihre eigene Fehlerquote dramatisch zu. In Tests lösten Teilnehmer mit KI-Unterstützung bspw. weniger als die Hälfte der Aufgaben richtig im Vergleich zu Personen, die komplett auf sich allein gestellt waren. Sie schluckten die Fehler der Maschine blind.

Das Gefährliche daran: Belege weisen darauf hin, dass uns selbst ein hohes Vorwissen oder eine ausgeprägte KI-Kompetenz nicht vor dieser mentalen Falle schützen. Das menschliche Gehirn ist auf Energiesparen programmiert. Wenn uns die KI ein perfekt formuliertes, optisch cleanes Ergebnis liefert, signalisiert unser Unterbewusstsein: „Das sieht professionell aus, also wird es schon stimmen.“ Zwar zeigt die Studie auch, dass gezielte Warnhinweise in der Benutzeroberfläche (Nudges) die Aufmerksamkeit wieder spürbar steigern können. Die Fehlerquote der Nutzer blieb aber dennoch höher als in der Gruppe, die von Anfang an ohne KI dachte. Übertragen auf das Instructional Design bedeutet das: Wenn L&D-Verantwortliche in die Rolle des „Kapitäns“ gedrängt werden, erliegen sie fast unweigerlich diesem Automation Bias und verlieren die kognitive Energie für ein echtes Core-Review. Fachliche Fehler und didaktische Sackgassen rutschen so trotz vermeintlicher Kontrollschleifen ungehindert durch.

Was sagt die Wissenschaft zur Didaktik?

Dass automatisierte Kurse auf Knopfdruck oft zu kurz greifen, ist also kein rein Bauchgefühl, sondern lässt sich über die aktuelle Bildungsforschung herleiten. So zeichnen Ergebnisse zum Einsatz generativer KI bei der Erstellung von Lernmaterialien ein zwiegespaltenes Bild:

• Effizienzgewinne bei Zeit-, Arbeitslast- und Kostenersparnis
• Qualitätsmängel des KI-Outputs
• Technische Hürden bei der Umsetzung
• Negative Auswirkungen auf den Lernprozess und die Lernergebnisse

In der L&D Praxis sehen wir hier die Basis für das Phänomen Content Dumping: Die Tools nehmen das hochgeladene PDF, würfeln es neu zusammen und kauen es mundgerecht wieder, anstatt es sinnvoll für die Praxis zu reduzieren. Die KI scheitert somit bei der didaktischen Reduktion. Das ist wenig überraschend, da eine KI den spezifischen Arbeitsalltag der Zielgruppe nicht kennt und dahingehend das Material folglich nicht praxisnah aufarbeiten kann.

Dadurch entsteht eine kognitive Entkopplung: Die Kurse sind so glattgebügelt, dass das Gehirn der Lernenden in den Urlaubsmodus schaltet. Da echte, knifflige Praxisszenarien und Reibungspunkte fehlen, klicken sich die Mitarbeiter nur noch mechanisch durch.  Die Lernenden bringen den Kurs nicht mit ihrem Alltag in Verbindung und der erhoffte Transfer in den Job verpufft vollständig.

Warum echte Didaktiker nicht wegzurationalisieren sind

Die wichtigste Erkenntnis aus der aktuellen Debatte lautet: Klassische Instructional Designer und Didaktiker sind (bislang) nicht verzichtbar. Wer ernstzunehmende, wirksame Lernerfahrungen in Unternehmen schaffen will, kann das Steuer nicht an einen Algorithmus übergeben. KI versteht keine Empathie, sie kennt die Kultur eines Unternehmens nicht und sie hat kein Gespür für den impliziten Erfahrungsschatz einer Belegschaft.

Die Tools sind fantastische Assistenten für Fleißarbeit, aber sie sind keine Strategen. Ein gesunder Workflow sieht daher umgekehrt aus:

1. Der Mensch zieht die Leitplanken: Bevor ein Tool geöffnet wird, definiert der Didaktiker die präzisen Lernziele und das didaktische Konzept. Er weiß, was die Leute am Ende können müssen, nicht nur, was sie wissen sollen.
2. Die KI kommt hinzu: Erst jetzt nutzen wir KI-Tools gezielt, um das Skelett aufzubauen, Texte vorzustrukturieren oder erste Quiz-Ideen zu generieren.
3. Der Mensch macht das Produkt rund: Am Ende übernimmt wieder der Mensch komplett das Steuer. Er gießt echte Praxisszenarien hinein, betreibt didaktische Reduktion und führt den harten Fact-Check durch.

Das finale Key Takeaway:

Behandle KI-Tools zur Kurserstellung wie einen schnellen, hochmotivierten Praktikanten. Du nutzt seine Zuarbeit für Entwürfe unglaublich gerne und sparst dadurch massig Zeit. Aber du würdest niemals ein wichtiges strategisches Projekt blind in seinem Namen freigeben. Die Verantwortung für echten Lernerfolg braucht menschliche Expertise – und das wird bis auf weiteres auch in Zukunft so bleiben.

Quellen auf die sich der Text bezieht:

YouTube-Video: Build Course Drafts with AI Assistant in Rise | Articulate 360 Tutorial. Articulate 360.

Wingerter, T. L., Straub, T., & Schweitzer, S. (2025). Mitigating Automation Bias in Generative AI Through Nudges: A Cognitive Reflection Test Study. Procedia Computer Science, Vol. 270, S. 2106-2114.

Nuryadin et al. (2026). Generative Artificial Intelligence in Education: A Systematic Literature Review on Instructional Materials Development. Participatory Educational Research.