INSIGHTS
Herausforderungen und Chancen: Metriken mit KI in L&D neu definieren

In diesem Artikel untersuchen wir die grundlegende Art und Weise, in der KI-gestützte Analysen die Interpretation und Nutzung von Daten in L&D verändern, gehen auf die Herausforderungen und Grenzen traditioneller Methoden ein und heben die entscheidende Rolle hervor, die KI im Jahr 2024 spielen wird.

KI ist im Bereich des Lernens und der Entwicklung (L&D) keine Zukunftsvision mehr. Sie ist schon da. 58% der HR-Teams1  berichten von einer Umsatzsteigerung durch den Einsatz von KI.

Im Zuge der technologischen Entwicklung im Bereich L&D wird die KI-gestützte Datenanalyse zu einem wichtigen Motor für moderne L&D-Initiativen. Analytik ist heute nicht mehr nur ein Mittel, um die Auswirkungen des Lernens im Unternehmen zu messen (wobei KI auch die Lernanalyse verändert), sondern eine Grundlage für datengesteuerte Lernpfade.

Sehen wir uns an, wie KI-gestützte Analysen die Art und Weise verändern, wie wir Daten interpretieren und nutzen, und warum dies im Jahr 2024 von entscheidender Bedeutung ist.

 

Herausforderungen und Grenzen traditioneller Methoden zur Messung der Lerneffektivität

Traditionelle L&D-Analysemethoden halten nicht mit den sich ändernden Bedürfnissen und Zielen moderner Organisationen Schritt, was dazu führt, dass wir unsere Strategien zur Messung der Lernwirkung neu definieren müssen.

Die Metriken passen nicht zu den modernen L&D-Zielen

Heutige L&D-Profis verwenden nach wie vor eitle Metriken, um die Wirkung von Mitarbeiterschulungen zu messen. Zu den wichtigsten Indikatoren2 für die Bewertung des L&D-Erfolgs gehören die Mitarbeiterzufriedenheit, die Anzahl der an der Schulung beteiligten Mitarbeitenden, die Bewertungsergebnisse nach der Schulung und die Anzahl der abgeschlossenen Lehrveranstaltungen.

Das Problem ist, dass Learning Analytics zwar dabei helfen können, das Engagement der Angestellten in Lernprogrammen zu erfassen, aber sie spiegeln nicht den Beitrag von L&D zu Ihrer Unternehmensleistung wider.

95% der L&D-Führungskräfte3 haben Schwierigkeiten, die Auswirkungen von Mitarbeiterschulungen zu messen, und möchten die Korrelation zwischen der Verbesserung der Mitarbeitenden und der Unternehmensleistung nachvollziehen können. Angesichts der Tatsache, dass herkömmliche Datenanalysemethoden nicht dazu beitragen, diese Lücke zu schließen, hat KI-gestützte Analytik das Potenzial, unseren Ansatz zur Messung der L&D-Wirkung zu verbessern.

„Ich glaube, das wichtigere Problem ist, wie L&D das Potenzial der KI in erster Linie als einen Mechanismus zur Produktion formaler Lerninhalte zu betrachten scheint.

L&D wäre mit KI besser bedient, wenn wir sie einsetzen würden, um Lernen und Arbeiten zusammenzubringen, und wenn wir die Geschäftsanalyse als Treiber nutzen würden – nicht die Lernanalytik.

Das enorme Potenzial der KI für die Leistungsunterstützung ist enorm und ermöglicht es, das Lernen und die kontinuierliche Verbesserung in den Arbeitsablauf einzubinden (mit einem Leistungs- statt einem Lerndenken). Es wird weitaus größer sein, als es einfach nur als Inhalts-/Analysemaschine in einem inhaltszentrierten L&D-Modell des 20. Jahrhunderts zu nutzen.“

Charles Jennings

Managing Director | Duntroon Consultants

Zu viele Daten, zu wenig Ressourcen

Jeden Tag sammeln wir eine Vielzahl von Informationen aus HR-Systemen, Mitarbeiterumfragen und Berichten von Lernmanagementsystemen (LMS). Mit all diesen Daten können wir jedoch nur wenig anfangen. Also lassen wir sie verstauben, während wir uns auf unbedeutende Metriken konzentrieren (weil sie leicht zu interpretieren sind).

Eine der gängigsten Methoden zur Interpretation großer Datenmengen ist die Erstellung von Dashboards, die etwas über die L&D-Leistung aussagen sollen. Viele versäumen es jedoch, die Datenanalyse in eine Geschichte zu verwandeln, die die Beteiligten zum Handeln anregt.

“Daten- und Analyseteams haben schon immer Dashboards und Visualisierungen erstellt, aber viele sind nicht damit vertraut, diese Ergebnisse in eine Erzählung zu verwandeln.“

James Richardson

Senior Director Analyst | Gartner4

Verfügbare Daten ≠ aussagekräftige Daten

Was hindert uns daran, die Daten zu sammeln, die die tatsächlichen Ergebnisse der durchgeführten Schulungen widerspiegeln? Es ist nicht so, dass L&D-Teams absichtlich die falschen Messgrößen auswählen. Es ist die Zugänglichkeit der Daten, die uns zu schlechten Entscheidungen verleitet.

“[…] wenn wir uns auf Daten verlassen, die leicht zu erheben sind, anstatt auf Daten, die sinnvoll zu erheben sind, steuern wir auf Schwierigkeiten zu.

Als MBA-Student lernte ich das klassische Verkäuferproblem kennen, bei dem wir Daten über die Höhe der Einnahmen eines Verkäufers sammeln und dabei vergessen, die Höhe des Gewinns zu messen, den der Verkäufer erzielt. Indem wir das eine messen und das andere nicht, belohnen wir den Umsatz, während wir auf den Gewinn hoffen. Wäre es unhöflich von mir, darauf hinzuweisen, dass Ihre Vergütung wahrscheinlich an einige Dinge gebunden ist, die leichter zu messen sind (wie der aktuelle Gewinn oder der Aktienkurs), anstatt an andere Dinge, die wichtig zu messen sind (wie die Stärke und Innovation Ihres F&E-Teams)?”

Will Thalheimer

Consultant, Speaker, and Researcher | Work-Learning Research5

KI verändert die Art und Weise, wie wir ausbilden und evaluieren

Da herkömmliche Lösungen nicht in der Lage sind, die wichtigsten L&D-Herausforderungen zu lösen, bringt KI neue Möglichkeiten der Datenanalyse mit sich (sehr zeitgemäß).

Anstatt das Engagement der Lernenden zu messen, ermöglicht die KI-gestützte Analyse den Zugang zu komplexen Datensätzen, Big Data und maschinellen Lernalgorithmen. Mit diesen Hilfsmitteln können wir die manuelle Arbeit minimieren, aussagekräftige Einblicke in die Effektivität unserer Schulungsmaßnahmen gewinnen und die Personalisierung von L&D-Programmen verbessern.

Use Cases von KI im Bereich Lernen und Entwicklung im Jahr 2024

KI-gestützte Analysen werden das Lernen und die Entwicklung im Jahr 2024 verändern, und L&D-Fachleute werden damit beschäftigt sein, diese sieben Anwendungen von KI in der betrieblichen Weiterbildung zu implementieren. Und so geht’s.

1. Erstellung von Schulungsinhalten

Weniger als ein Jahr nach dem Debüt der generativen KI-Technologie gibt ein Drittel6 der Unternehmen an, dass mindestens eine ihrer Geschäftsfunktionen regelmäßig generative KI einsetzt.

Generative KI-Tools können große Datenmengen analysieren, um in kürzester Zeit Schulungsmaterialien zu erstellen. Von der Umwandlung von PDFs in ansprechende Inhalte über die Übersetzung von Trainingsprogrammen in mehrere Sprachen bis hin zur KI-Voicing von geschriebenem Text – all diese Aufgaben werden bereits von KI in Attensi-Produkten übernommen.

Mit Hilfe der PROCESS-Lösung von Attensi hat Equiniti 15 spielbare Trainingsmodule erstellt und einen dreifachen Return on Investment in Form von kürzeren Trainingszeiten und geringerer Mitarbeiterfluktuation erzielt. Erfahren Sie mehr in der Fallstudie.

2. Gen AI-basierte Informationssuche

47% der digitalen Mitarbeitenden7 haben Schwierigkeiten, die Informationen zu finden, die sie für die erfolgreiche Ausführung ihrer Aufgaben benötigen. Bei der Fülle an Informationen und Anwendungen, die am Arbeitsplatz genutzt werden, verschwenden Mitarbeitende Stunden mit der Suche nach den benötigten Daten. Die KI-gestützte Suche wird hier Abhilfe schaffen.

McKinsey hat kürzlich „Lili”8 auf den Markt gebracht, eine eigene generative KI-Lösung, die aus dem umfangreichen Wissen des Unternehmens die notwendigen Informationen heraussucht und die Recherche beschleunigt. Wenn ein Nutzer eine Frage eingibt, durchsucht Lili die gesamte Wissensdatenbank von McKinsey und identifiziert fünf bis sieben Inhalte. Sie liefert dann die wichtigsten Punkte, einschließlich Links und sogar Experten in den entsprechenden Feldern in der resultierenden Datei – so muss man nicht mehr Tausende von Dokumenten manuell durchgehen.

Und ja, Sie können in Attensi auch auf KI-generierte Antworten zugreifen.

3. KI-gestützte Bewertung von Qualifikationslücken

Obwohl wir schon seit geraumer Zeit HR-Technologien für die Analyse von Qualifikationsdefiziten einsetzen, ist dies immer noch mit viel manuellem Aufwand verbunden. KI-Analysen helfen dabei, manuelle Skill-Mapping-Aufgaben zu automatisieren und diese Lücken effektiver zu schließen.

Durch die Analyse großer Datenmengen aus verschiedenen Quellen gewährleistet KI eine umfassende Analyse der Kompetenzen in verschiedenen Rollen und Funktionen, so dass die L&D-Spezialisten nicht nur auf Kompetenzlücken eingehen, sondern diese auch vorhersehen können.

4. Datenauswertung

Mit dem Aufkommen der generativen KI erhalten L&D-Experten Zugang zu verwertbaren Erkenntnissen, ohne sich durch Diagramme, Tortendiagramme und Streudiagramme wühlen zu müssen. Dank ihrer Fähigkeit, Daten in reichhaltige und hilfreiche Erzählungen umzuwandeln, können wir mit KI endlich große Datensätze in umsetzbare Pläne verwandeln.

5. Interne Mobilität und Mitarbeiterentwicklung

Moderne KI-Lösungen sind in der Lage, Ressourcen und Lernpfade so zuzuschneiden, dass die berufliche Entwicklung der Mitarbeiter gefördert und die interne Mobilität unterstützt wird. Anhand historischer Daten kann KI potenzielle Karrierewege auf der Grundlage der Leistung und der Wünsche eines Angestellten vorhersagen. KI-Algorithmen können auch Stellenanforderungen analysieren und sie mit Mitarbeiterprofilen abgleichen, um Personen mit den erforderlichen Fähigkeiten geeignete interne Stellenangebote vorzuschlagen.

Um seinen Mitarbeitenden Wachstumschancen zu bieten, hat Spotify beispielsweise den internen Talentmarktplatz Echo ins Leben gerufen9. Die KI-gestützte Technologie hilft den Mitarbeitenden, ihre Fähigkeiten während ihrer Zeit bei Spotify weiterzuentwickeln, ihr Karriereportfolio aufzubauen und über den Marktplatz Aufstiegsmöglichkeiten zu finden.

6. Feedback-Analyse

Die Zufriedenheit der Lernenden lässt kaum Rückschlüsse auf die Effektivität der Mitarbeiterschulung zu. Anstatt sich nur auf subjektive Eindrücke zu verlassen, können KI-gesteuerte Feedback-Analysen die qualitativen Aspekte des Feedbacks der Lernenden genauer untersuchen.

Algorithmen zur Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) können die Antworten der Lernenden automatisch analysieren und dabei nicht nur herausfinden, was den Lernenden gefiel oder nicht gefiel, sondern auch, warum bestimmte Aspekte positiv aufgenommen wurden oder Herausforderungen darstellten.

7. Personalisierung von Lernerfahrungen

Da herkömmliche, einheitliche Schulungsmethoden den individuellen Bedürfnissen der Lernenden nicht gerecht werden, kommt die KI zur Rettung.

Die besondere Fähigkeit der KI, sich mühelos an die spezifischen Bedürfnisse jedes Lernenden anzupassen, hilft dabei, personalisierte Lernpfade zu erstellen, die sicherstellen, dass jeder Mitarbeitende sein eigenes Potenzial und seine Interessen erfüllt. KI-gesteuerte Personalisierung befähigt die Lernenden, ihre Fort- und Weiterbildung selbst in die Hand zu nehmen und ihre eigenen Wege des lebenslangen Lernens zu erkunden.

Zu den gängigsten Beispielen für KI-gesteuerte Lernerfahrungen in der Praxis gehören Microlearning, AR- und VR-Simulationen, Mini-Spiele und KI-gesteuerte Persönlichkeiten.

Die immersiven Lernszenarien von Attensi ermutigen die Mitarbeitenden, durch realistische und wirkungsvolle Schulungen, die auf ihre Bedürfnisse zugeschnitten sind, durch Handeln zu lernen. Durch den Einsatz von KI schaffen wir personalisierte Lernpfade, die auf die individuellen Bedürfnisse eingehen, die Wissensspeicherung optimieren und die praktische Anwendung von Fähigkeiten erleichtern. Die daraus resultierende Lernerfahrung trägt unmittelbar zu messbaren Verbesserungen der Leistungskennzahlen bei.

 

Überlegungen zur Implementierung von KI-gestützter Analytik

Wenn Sie KI mit Daten betrauen, sollten Sie die ethische und rechtliche Verantwortung beachten:

1. Ethische Implikationen der KI-Nutzung

KI birgt zwar ein enormes Potenzial für das Lernen und die Entwicklung von Unternehmen, birgt aber auch die Gefahr von Voreingenommenheit und ethischen Problemen bei ihrer Implementierung. Wir dürfen nicht vergessen, dass diese Technologie dazu gedacht ist, menschliche Fähigkeiten zu ergänzen, nicht sie zu ersetzen.

KI ist nicht dazu da, unbeaufsichtigte Entscheidungen zu treffen, sondern uns dabei zu helfen, Daten zu sammeln und zu optimieren, die wir mit ethischen, moralischen und anderen menschlichen Überlegungen kombinieren können, bevor wir Maßnahmen ergreifen.

Bryan Hancock, Partner bei McKinsey, teilte mit10, dass er in seiner Rolle als McKinsey-Bewerter KI und menschliche Intelligenz für Leistungsbewertungen kombiniert:

“Einer meiner persönlichen Lieblingseinsätze für generative KI an der Menschenfront ist tatsächlich die Leistungsbeurteilung. Hören Sie mir zu: Ich möchte nicht, dass generative KI die Leistungsbeurteilung von Menschen erstellt. Dazu braucht es den Menschen selbst, ein menschliches Urteilsvermögen und Einfühlungsvermögen.”

Hancock erklärt, dass generative KI ihm hilft, schriftliches Feedback zu jeder Person in einen ersten Entwurf zu verwandeln, von dem aus er einen manuellen Überprüfungsprozess startet. Eine solche Synthese hilft ihm, Zeit bei der manuellen Datenorganisation zu sparen und „schneller zu dem zu gelangen, was ich wirklich für die Entwicklung und das Wachstum dieser Person untersuchen muss“.

2. Privacy regulations and AI

Die Kombination von KI und menschlicher Intelligenz ist nicht nur vorteilhaft, sondern wird bald weltweit verbindlich sein. Zum ersten Mal in der Geschichte der Welt wird der Einsatz von KI gesetzlich geregelt sein. Das EU-Parlament hat das KI-Gesetz verabschiedet, das Leitlinien und Transparenzanforderungen für alle an der Entwicklung oder Nutzung von KI beteiligten Parteien festlegt.

In der neuen Verordnung heißt es, dass „KI-Systeme von Menschen und nicht von der Automatisierung überwacht werden sollten, um schädliche Ergebnisse zu verhindern“.

Die EU ist die erste, die ein umfassendes KI-Gesetz angekündigt hat, aber es sieht so aus, als ob der Rest der Welt in den nächsten Jahren nachziehen wird11. Und auch wenn die KI-Gesetze noch nicht verabschiedet sind, haben wir bereits andere Datenschutzrichtlinien, die wir befolgen müssen:

“Wenn man generative KI beispielsweise bittet, private oder sensible Daten zusammenzufassen und statistisch auszuwerten, kann man gegen Gesetze verstoßen (z. B. die HIPAA-Gesetze für medizinische Daten oder die GDPR-Gesetze für personenbezogene Daten). Zumindest ist die Weitergabe persönlicher Daten wahrscheinlich unethisch. Wenn Ihre Daten privat oder sensibel sind, müssen Sie herausfinden, ob Sie Generative KI für die von Ihnen gewünschten Zwecke ethisch vertretbar einsetzen können.”

Patti Shank

Author and Founder | Learning Peaks

KI verbessert das Lernen durch Datenanalytik

KI-gestützte Analysen helfen Ihnen nicht nur dabei, die Wirkung von L&D-Programmen zu messen, sondern verwandeln auch riesige Datensätze in umsetzbare Informationen, die personalisierte Lernpfade für Auszubildende bieten.

Bei all den Vorteilen der KI dürfen wir nicht vergessen, wie wichtig das menschliche Urteilsvermögen für den Entscheidungsprozess ist. Die ausgewogene Integration von KI und menschlicher Expertise und Empathie ist der Schlüssel, um das volle Potenzial von Lernen und Entwicklung zu erschließen.

Buchen Sie einen Termin mit Attensi, um zu sehen, wie KI-gestützte Lernszenarien in Ihr Unternehmen passen.

Sind Sie bereit, Ihr Training auf das nächste Level zu bringen?

Das könnte Sie auch interessieren

DEI – wie können Sie echten Mehrwert schaffen?

Motivation im spielbasierten Training verstehen

Training für gesteigerte Produktivität in 2024

Das Gastgewerbe ist kaputt – ist richtiges Training die Rettung?

Quellen

  1. The state of AI in 2022—and a half decade in review, mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2022-and-a-half-decade-in-review
  2.  2023 Workplace Learning Report, learning.linkedin.com/resources/workplace-learning-report
  3. The State of L&D, Organizational Effectiveness, and Performance Management 2023 Report, acorn.works/wp-content/uploads/2023/08/Acorn-State-Of-The-LD-OE-and-Performance-Management-Industry-Report.pdf
  4. Use Data and Analytics To Tell A Story, gartner.com/smarterwithgartner/use-data-and-analytics-to-tell-a-story
  5. Learning Data is Often Crap Data, linkedin.com/pulse/learning-data-often-crap-will-thalheimer-sgmje/?trackingId=FD1SqJc%2FRY6RQg77bR2xhw%3D%3D
  6. The state of AI in 2023: Generative AI’s breakout year, mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2023-generative-ais-breakout-year
  7. Gartner Digital Worker Survey, gartner.com/en/newsroom/press-releases/2023-05-10-gartner-survey-reveals-47-percent-of-digital-workers-struggle-to-find-the-information-needed-to-effectively-perform-their-jobs
  8.  Meet Lili, mckinsey.com/about-us/new-at-mckinsey-blog/meet-lilli-our-generative-ai-tool
  9.  Celebrating One Year With Echo, spotify.com/2022/11/15/celebrating-one-year-with-echo/
  10. Generative AI and the future of HR, mckinsey.com/capabilities/people-and-organizational-performance/our-insights/generative-ai-and-the-future-of-hr
  11. Regulate AI? How US, EU and China Are Going About It, bloomberg.com/news/articles/2023-10-30/ai-regulation-what-biden-s-new-rules-might-mean-in-the-us