weiterbildung

#neuhier
#moin#servusPädagoge für Erwachsenenbildung, hybrides und digitales Lernen. Mich beschäftigt, was Lernangebote wirklich wirksam macht.

🗯️ Worüber ich mich hier austauschen möchte: Lernwirksamkeit, Lernmythen, Kursdidaktik, persönliches Wissensmanagement, …

Über Empfehlungen, wem ich hier folgen könnte oder sollte, freue ich mich. 🤗

Ein Aha-Moment
Heute ein Praxisbeispiel aus einem Bereich, in dem Anwendungsfälle für KI manchmal übersehen werden. Ich habe mir eine wiederkehrende Arbeitsroutine aus dem Controlling zeigen lassen.

Jeden Monat werden Arbeitsstunden aus SAP exportiert und in Excel aufbereitet. Unwichtige Zeilen und Spalten müssen entfernt, neue Spalten ergänzt und Formeln eingefügt werden.

Parallel wird eine zweite Tabelle aus Confluence, einem internen Wiki und Dokumentationstool, exportiert. Sie enthält die Zuordnung von Personen, Projekten und Stunden. Auch diese Daten müssen zunächst aufbereitet werden, bevor beide Tabellen miteinander verglichen werden können.

Bei Abweichungen werden anschließend die betroffenen Personen per E-Mail angeschrieben. Derselbe fehleranfällige Ablauf wiederholt sich jeden Monat für unterschiedliche Projekte und benötigt mehrere Stunden.

Für mich begann die Optimierung mit der Frage: „Welche Schritte benötigen tatsächlich eine menschliche Beurteilung?“

Das Ergebnis: Nur die gefundenen Abweichungen müssen noch menschlich auf Plausibilität geprüft werden.

Gemeinsam haben wir in zwei Stunden einen Workflow aufgesetzt, der die Daten automatisiert zusammenführt und in einer einheitlichen Excel-Tabelle aufbereitet. Abweichungen werden markiert, übersichtlich sortiert und passende E-Mails vorformuliert. Aus mehreren Stunden manueller Arbeit wurde damit ein kurzer Reviewprozess für die Abweichungen und das damit verbundene, bewusste manuelle Versenden der E-Mail-Entwürfe.

Durch das gemeinsame Erarbeiten des Workflows kam es zu einem Aha-Moment: „Das ist ja großartig, ich hätte nicht gedacht, dass das funktioniert.“ Daraus entstanden direkt mehrere Effekte:

Changeprozess: KI ist kein abstraktes Tool oder eine Bedrohung für meinen Arbeitsplatz, sondern ein Werkzeug, das bei einer konkreten Aufgabe unterstützt.
Befähigung: Die Person konnte anschließend selbstständig weitere Workflows umsetzen.
Motivation: Plötzlich sprudelte es nur so vor Ideen für die nächsten Automatisierungen.

Befähigung entsteht nicht durch eine allgemeine Toolvorstellung, sondern durch das gemeinsame Lösen eines echten Problems. So macht Arbeiten Spaß.

Kennt ihr aus eurem Umfeld ähnliche Aha-Momente mit KI-Tools?

Die KI-Einsparung ist schon eingeplant – aber wer bezahlt die Lernkurve?
In aktuellen Gesprächen über neue Projekte beobachte ich die beunruhigende Entwicklung, dass bereits bei der Kostenkalkulation mögliche Effizienzsteigerungen durch KI eingepreist werden sollen.

Dafür werden Expertenschätzungen eingefordert, wie viel sich während der Projektlaufzeit einsparen lässt. Das Einsparpotenzial wird teilweise schon vor dem Projektstart berücksichtigt, unabhängig davon, ob die im Projekt eingesetzten Mitarbeiter*innen mit den neuen Werkzeugen bereits arbeiten können.

Besonders problematisch wird es, wenn Projekte deshalb direkt mit weniger Personal geplant werden. Wer das Werkzeug noch nicht sicher beherrscht, soll dann die gleiche Arbeit in weniger Zeit erledigen. Aus einem Effizienzversprechen kann so schnell Überlastung werden.

Was dagegen oft in der Kalkulation fehlt, sind Lizenzkosten und die schwer vorhersehbaren Kosten der Token-Nutzung. Noch wichtiger sind Schulungen, Prozessanpassungen, neue Qualitätskontrollen, Datenschutzprüfungen und die notwendige Zeit zum Ausprobieren.

Die Produktivitäts-J-Kurve beschreibt genau diesen zeitlichen Versatz: Neue Technologien benötigen zunächst ergänzende Investitionen. Der messbare Nutzen folgt häufig später [1].

Dass es sich für Unternehmen lohnt, KI früh und strukturiert zu erproben, steht für mich außer Frage [2]. Gerade deshalb sollten Erwartungen nicht mit belastbaren Erfahrungswerten verwechselt werden.

Aus meiner Sicht braucht es einen klaren Ablauf: Erfahrungen in laufenden Projekten sammeln, Beschäftigte qualifizieren und die tatsächliche Entlastung messen. Erst daraus entsteht eine tragfähige Kalkulationsgrundlage für neue Projekte.

Erst befähigen, dann messen und erst danach einkalkulieren.

Für künftige Gespräche möchte ich deshalb drei Fragen stellen: Wer bekommt Zeit zum Lernen? Woran messen wir die tatsächliche Entlastung? Und was passiert mit der Personalplanung, solange diese Antworten noch fehlen?

Quellen
[1] Brynjolfsson, Rock und Syverson: The Productivity J-Curve, American Economic Journal: Macroeconomics, 2021. (AEA)

[2] LMU München: „Es lohnt sich für Unternehmen, KI früh zu erproben“. Interview mit Florian Englmaier, 25. März 2026. (LMU München)