Ihre Compliance-Schulung sagt, alle haben bestanden. Ich habe ein Modell gebaut, das weiß, dass das nicht stimmt.

Eine Compliance-Beauftragte bei einer Bank führte mich einmal durch ihre jährliche Rezertifizierung zur Geldwäscheprävention. Fünfhundert Personen in der Compliance-Funktion, ein vierstündiges Modul, allen wurden dieselben Inhalte zugewiesen: Kundensorgfaltspflicht, Verdachtsmeldungen, Erkennung strukturierter Transaktionen, handelsbasierte Geldwäsche, Sanktions-Screening. Am Ende produzierte ihr Lernsystem fünfhundert grüne Häkchen. Sie zeigte sie mir so, wie man jemandem eine Quittung zeigt.

Dann sagte sie das, was ich seither nicht mehr überhören konnte — dass sie keine Ahnung hatte, welche dieser fünfhundert Personen tatsächlich wusste, wie man eine Verdachtsmeldung einreicht.

Diese Lücke — zwischen abgeschlossen und beherrscht — ist der ganze Grund, warum ich meine Zeit inzwischen damit verbringe, adaptive Lern-KI für Unternehmensschulungen zu entwickeln. Nicht die Empfehlungs-Engine-Variante, die Ihnen Ihren nächsten Kurs vorschlägt. Die diagnostische Variante, die auf einer Technik namens Knowledge Tracing basiert, die modelliert, was jeder einzelne Mitarbeiter tatsächlich weiß — Konzept für Konzept — und diese Einschätzung bei jeder beantworteten Frage aktualisiert. Ihr LMS verfolgte den Abschluss. Was sie brauchte, war ein System, das Kompetenz verfolgte. Wir bauen genau diese Kompetenzschicht, und es ist die Lösung, an der mein Team jeden Tag arbeitet.

Ein grünes Häkchen sagt einem Prüfer, dass ein Video zu Ende abgespielt wurde. Es sagt nichts darüber aus, ob irgendjemand gelernt hat, die Arbeit auch zu tun.

Die 102,8-Milliarden-Dollar-Lücke zwischen „Erledigt“ und „Beherrscht“

US-Unternehmen gaben 2025 102,8 Milliarden Dollar für Schulungen aus, gegenüber 98 Milliarden im Jahr zuvor — das ist die Zahl von Training Magazine, und sie ergibt etwa 874 Dollar pro Lernendem. Der Großteil dieses Geldes kauft Abschlussdaten. SCORM, das Dateiformat, in dem die Mehrheit der Unternehmenskurse noch immer ausgeliefert wird, wurde um eine 1.2-Spezifikation herum entworfen, die Bestehen, Durchfallen und Abschluss erfasst. Das war’s. Es ist eine Anwesenheitsliste mit besserer Produktionsqualität.

Ich finde das wirklich seltsam, wenn man einen Moment darüber nachdenkt. Wir haben zwei Jahrzehnte damit verbracht, die Bereitstellung von Schulungen zu optimieren — flottere Videos, mobil, Microlearning — und fast nichts von diesem Aufwand floss in die Messung, ob die Schulung veränderte, was jemand tun kann. Die Josh Bersin Company veröffentlichte im Februar 2026 einen Beitrag mit dem Argument, dass KI im Begriff ist, 400 Milliarden Dollar an Unternehmenslernen zu verändern, und die Statistik, die mir im Gedächtnis blieb, war diese: Weniger als 5 % der Unternehmen haben tatsächlich KI-native Lerntechnologie eingeführt. Jeder hat ein LMS. Fast niemand hat Intelligenz darin.

Und die Kosten dieser Lücke sind nicht mehr abstrakt. Bersins Daten zeigen, dass Unternehmen, die KI-natives Lernen nutzen, mit sechsmal höherer Wahrscheinlichkeit ihre Finanzziele übertreffen. Auf der anderen Seite sagen 74 % der Unternehmen, dass sie mit der Nachfrage nach neuen Fähigkeiten nicht Schritt halten können, und die Halbwertszeit einer beruflichen Fähigkeit ist von rund zehn Jahren im Jahr 2000 auf heute unter fünf gesunken. Ich habe beobachtet, wie L&D-Teams auf diesen Zusammenbruch auf die einzige Weise reagieren, die ihre Werkzeuge zulassen — indem sie mehr Inhalte schneller ausliefern. Ich verstehe den Instinkt, denn zwanzig Jahre lang war mehr Inhalt der einzige Hebel, den uns die Systeme gaben. Der Hebel war nie das Problem. Das Instrument, mit dem wir messen, ob irgendetwas davon funktioniert hat, ist es.

Die erste Version, die ich baute, war falsch — und sah großartig aus

Hier ist der Teil, auf den ich nicht stolz bin. Als ich damit anfing, griff ich zum naheliegenden Modell. In der Knowledge-Tracing-Literatur gibt es einen bekannten Ansatz namens Deep Knowledge Tracing — DKT —, der ein LSTM verwendet, eine Art rekurrentes neuronales Netz, um vorherzusagen, ob ein Lernender die nächste Frage richtig beantwortet. Es ist der kanonische Ausgangspunkt. Wir verkabelten es, fütterten es mit Interaktionsdaten, und die Dashboards waren wunderschön. Beherrschungskurven, die anstiegen, Vorhersagegenauigkeit, die respektabel aussah.

Ich war bereit, es vorzuführen. Dann kehrte ich zu diesem AML-Anwendungsfall zurück und versuchte, die eigentliche Frage der Compliance-Beauftragten zu beantworten — welches Konzept kennt genau dieser Analyst nicht? — und das Modell konnte es mir nicht sagen. Es konnte mir sagen, ob jemand allgemein „gut abschnitt“. Es konnte nicht sauber sagen: „Sie ist sattelfest bei der Kundensorgfaltspflicht und gefährlich bei der handelsbasierten Geldwäsche.“

Ich brauchte länger als nötig, um zu verstehen, warum. Es gibt eine Arbeit aus dem Jahr 2025 aus der Educational-Data-Mining-Gemeinschaft, die einen leise brutalen Punkt macht: einfaches DKT lernt Können, nicht Wissen pro Fähigkeit. Es modelliert ein allgemeines „diese Person ist gut im Test“-Signal statt einer Beherrschung auf Konzeptebene. Schlimmer noch, Forscher haben gezeigt, dass untrainierte RNNs — Netze mit zufälligen Gewichten — trainierte DKT-Modelle bei manchen Benchmarks erreichen können. Mein wunderschönes Dashboard maß, in einem echten Sinne, Stimmungen.

Ich hatte ein Modell gebaut, das selbstsicher war, genau aussah und unfähig war, die eine Frage zu beantworten, für deren Beantwortung das ganze Projekt existierte.

Dieser Monat fühlte sich wie eine Sackgasse an. Ich hatte Kompetenznachweise versprochen und ein Selbstsicherheits-Messgerät gebaut, das nicht wusste, worüber es sich sicher war.

Warum wir auf Attention statt auf Gedächtnis neu aufgebaut haben

Der Ausweg kam aus der neueren Generation von Knowledge-Tracing-Modellen — den selbst-attentiven. Wir wechselten zu SAKT, Self-Attentive Knowledge Tracing, und dann zu AKT, der kontextbewussten attentiven Variante. Statt die gesamte Historie eines Lernenden in ein einziges rekurrentes Gedächtnis zu pressen, nutzen diese Modelle Attention, um bei jeder neuen Frage zu fragen: welche Ihrer früheren Antworten sind für diese Fähigkeit gerade wirklich relevant? AKT geht weiter und bezieht Ideen aus der pädagogischen Messtheorie ein, indem es die Schwierigkeit fortlaufend anpasst.

Die praktischen Vorteile waren die, die mir wichtig waren. SAKT schafft das mit rund 700.000 Parametern und einem AUC nahe 0,80 — klein genug, um effizient zu laufen, genau genug, um ihm zu vertrauen, und entscheidend: Es erzeugt eine Beherrschungswahrscheinlichkeit pro Konzept statt eines einzigen verschwommenen Kompetenzwerts. AKT erwies sich als die bessere Wahl, wenn ein Szenario wirklich individualisierten Unterricht braucht — was die Compliance-Rezertifizierung ganz sicher ist. Unternehmensdaten haben einen stillen Vorteil gegenüber den akademischen Benchmarks, für die diese Modelle gebaut wurden: Compliance-Sequenzen sind kurz und folgenreich, nicht die Tutoring-Protokolle mit tausend Interaktionen, die die Vorhersage langer Sequenzen zum schweren offenen Problem der Literatur machen. Das, womit die Fachartikel am meisten ringen, ist meist nicht unser Problem.

Da ergab das AML-Beispiel endlich das Bild, das es ergeben sollte. Stellen Sie sich eine Heatmap vor: Zeilen sind Mitarbeiter, Spalten die fünf AML-Konzepte, jede Zelle eine Wahrscheinlichkeit, dass diese Person dieses Konzept beherrscht. Eine erfahrene BSA-Analystin mit acht Jahren in der Rolle leuchtet grün bei Kundensorgfaltspflicht, Verdachtsmeldungen, Sanktionen — zeigt sich aber gelb bei der handelsbasierten Geldwäsche. Ein Filialleiter, der seit sechs Monaten in der Rolle ist, ist nirgends grün und tiefrot bei der SAR-Meldung und bei TBML. Dasselbe Modul, radikal unterschiedliche Bedürfnisse.

Die erfahrene Analystin sollte nicht vier Stunden absitzen, um erneut zu beweisen, was sie nachweislich weiß; sie sollte die beherrschten Konzepte schnell verifizieren und ihre Zeit auf die eine Schwachstelle verwenden. Der neue Manager braucht schrittweise begleitete, langsamere Pfade genau dort, wo seine Wahrscheinlichkeiten am niedrigsten sind. Wir setzten Schwellenwerte, die wir gegenüber einem Prüfer verteidigen konnten: über etwa 0,75 gilt das Konzept als beherrscht und wird kurz verifiziert; im mittleren Band liegt die produktive Ringzone, in der Lernen tatsächlich geschieht; unter 0,35 wird gestoppt und mit Unterstützung nachgeholt. Das Modell aktualisiert jede Zelle mit jeder Antwort.

Bei fünfhundert Mitarbeitern ist das der Unterschied zwischen zweitausend Stunden identischer Präsenzzeit und ungefähr der Hälfte davon — mit stärkeren Nachweisen am Ende, nicht schwächeren. Bei 874 Dollar pro Lernendem landet die zurückgewonnene Produktivität einer einzigen Compliance-Funktion mit fünfhundert Personen im niedrigen sechsstelligen Dollarbereich pro Jahr. Das ist keine Prognose, die ich mir ausgedacht habe. Fulcrum Labs und Allegiant Airlines dokumentierten, wie die Schulungszeit von 51 Tagen auf 23 fiel — ein Rückgang um 55 % — bei um 60 % gesunkenen Unfällen und Sachschäden. Und es sind nicht nur Banken und Fluggesellschaften: Ein globales Medizintechnikunternehmen, das denselben adaptiven Ansatz einsetzte, sparte mehr als 16.000 Schulungsstunden über 113.000 Lernende hinweg, und eine Gesundheitsorganisation verkürzte die Einarbeitungszeit um 22 %. Das Thema ändert sich — Umgang mit Patientendaten, Geräteprotokolle, AML-Typologien —, aber das diagnostische Problem nicht. Eine der zehn größten US-Banken führte adaptive Compliance bei mehr als 70.000 Mitarbeitern ein und verzeichnete 75 % mehr Zugriffe auf Pflichtkurse. Die Reduzierung der Präsenzzeit ist real, und sie wurde von Leuten bewiesen, die nicht ich sind.

„Macht Cornerstone das nicht schon?“

Das ist die erste Frage, die ich jedes Mal bekomme, und sie ist berechtigt. Im März 2026 brachte Cornerstone einen sogenannten Adaptive Learning Agent innerhalb seines Galaxy-AI-Systems heraus. Docebo übernahm 365 Talents, um eine Kompetenzbewertung anzuflanschen. Die ganze Branche stempelt „KI-gestütztes adaptives Lernen“ auf die Verpackung. Warum also überhaupt etwas Maßgeschneidertes bauen?

Weil das meiste, was als adaptiv verkauft wird, kollaboratives Filtern ist, nicht Knowledge Tracing — und der Unterschied ist alles. Kollaboratives Filtern ist der Netflix-Trick: Leute, die Kurs A abgeschlossen haben, belegten als Nächstes tendenziell Kurs B, also hier ist Kurs B. Es empfiehlt auf Basis dessen, was Ihresgleichen getan hat. Knowledge Tracing tut etwas kategorial anderes: Es modelliert, was Sie konkret beherrschen und was nicht, und zielt auf die Lücke. Das eine ist eine Empfehlungs-Engine. Das andere ist eine diagnostische Engine. Cornerstones Agent empfiehlt, was als Nächstes zu lernen ist; er misst keine Beherrschung auf Konzeptebene. Docebos Kompetenzerfassung ist weitgehend deklarations- oder abschlussbasiert — der Mitarbeiter sagt, dass er es weiß, oder er hat den Kurs beendet — nicht gemessen daran, wie er tatsächlich mit dem Material interagiert hat.

Es gibt Anbieter, die Knowledge Tracing wirklich gut beherrschen. Fulcrum Labs hat eine proprietäre Engine und die Fallstudien, um es zu belegen. Die EdTech-Player — Unternehmen wie Riiid, das 256 Millionen Dollar einsammelte — haben echte Knowledge-Tracing-Modelle. Aber Fulcrum verlangt, dass Sie Ihre Inhalte auf seine Plattform migrieren, und die EdTech-Modelle wurden für standardisierte Tests und K-12 gebaut, nicht für AML-Workflows und Prüfnachweise. Und die Big Four? Deloitte und PwC berechnen Ihnen ein Workforce-Transformationsprojekt für 500.000 bis 5 Millionen Dollar und installieren Cornerstone oder SAP wunderbar. Sie konfigurieren die Plattform des Anbieters. Die adaptive Intelligenz gehört noch immer dem Anbieter, nicht Ihnen.

Die meisten Unternehmen müssen ihr LMS nicht herausreißen. Sie brauchen eine Intelligenzschicht, die sich in das bereits vorhandene einklinkt.

Genau in diese Lücke bauen wir: eine Knowledge-Tracing-Engine, die auf Ihrem bestehenden Lernsystem aufsetzt und über offene Standards mit ihm spricht — xAPI, um granulare Interaktionsdaten zu erfassen, LTI, um Lernende hin und her zu übergeben. Sie behalten Ihr LMS. Wir fügen das Gehirn hinzu.

Das eigentliche Risiko ist nicht das Modell — es ist das Tagging

Ich sage Ihnen das, was die Demos nie erwähnen, denn es ist das, was tatsächlich darüber entscheidet, ob eines dieser Projekte gelingt. Der schwerste Teil beim Aufbau adaptiven Lernens ist nicht das neuronale Netz. Es ist das Content-Tagging.

Ein Knowledge-Tracing-Modell kann nur Wissen nachverfolgen, das es sehen kann. Jede Frage in Ihrem Compliance-Modul muss einem Konzept zugeordnet werden — dieses Item prüft handelsbasierte Geldwäsche, jenes prüft das Sanktions-Screening —, sonst hat das Modell nichts zu aktualisieren. Der meiste Unternehmensinhalt kommt als Haufen von SCORM-1.2-Paketen an, die ein einziges Abschluss-Flag ausgeben und überhaupt keine Konzeptstruktur. Der Wechsel zu xAPI bedeutet, einen Learning Record Store aufzubauen, Ihre Data Governance und Netzwerkarchitektur zu überdenken und oft Inhalte Frage für Frage neu zu taggen. Es ist unglamourös, hier steckt die eigentliche Arbeit, und deshalb bin ich misstrauisch gegenüber jedem, der Ihnen erzählt, adaptives Lernen sei ein Schalter, den man einfach umlegt.

Ich bin lieber von Anfang an ehrlich darüber, als ein Projekt mit einem Versprechen zu gewinnen, das ich nicht halten kann. Das Modell ist der Teil, den ich Ihnen in wenigen Wochen übergeben kann. Das Tagging ist der Teil, den wir gemeinsam machen, und es ist der Teil, der den Unterschied ausmacht zwischen einem System, das prüfungstaugliche Beherrschungsnachweise liefert, und einem, das hübschere Häkchen produziert.

Macht der EU AI Act die Abschlussverfolgung wertlos?

Lange Zeit war „Kompetenz versus Abschluss“ ein Qualitätsargument — schön zu haben, schwer zu finanzieren. Das ändert sich wegen des EU AI Act. Artikel 4, die Pflicht zur KI-Kompetenz, ist seit dem 2. Februar 2025 in Kraft, und die Aufsicht durch die nationalen Marktüberwachungsbehörden beginnt am 2. August 2026. Er verlangt, dass Mitarbeiter in einer ihrer Rolle angemessenen Weise für KI-Kompetenz geschult werden — und die EU-Leitlinien selbst sind eindeutig darin, dass es kein Einheitsformat für alle gibt. Rollenbasiert, sonst zählt es nicht.

Denken Sie daran, was das mit dem Grünes-Häkchen-Modell macht. „Alle haben dasselbe KI-Ethik-Video gesehen“ ist genau das, was Artikel 4 ablehnen soll, und die Strafen bei den Hochrisiko-Bestimmungen reichen bis zu 35 Millionen Euro oder 7 % des weltweiten Umsatzes. Regulierungsbehörden haben gezeigt, dass sie für Schulungsversagen in benachbarten Bereichen enorme Strafen verhängen — TD Bank kassierte eine Strafe von 3,1 Milliarden Dollar im Zusammenhang mit einem unzureichenden AML-Compliance-Programm. Die Kosten dafür, Schulung als Theater zu behandeln, sind nicht mehr hypothetisch.

Es gibt einen zweiten Druck, den ich zu Beginn nicht erwartet hatte, und er ist fast lustig. Mitarbeiter haben herausgefunden, dass sie sich auf KI-Assistenten stützen können, um im Handumdrehen durch Compliance-Module zu kommen — das Quiz beantworten, auf „Abschließen“ klicken, nichts lernen. HR Morning berichtete 2026 darüber, und Gartner ging so weit vorherzusagen, dass bis 2026 die Hälfte der Organisationen „KI-freie“ Kompetenzbewertungen verlangen wird, wegen des Verfalls des kritischen Denkens. Wenn Ihre Belegschaft den Abschluss in großem Maßstab vortäuschen kann, bedeutet der Abschluss überhaupt nichts mehr. Die einzige belastbare Antwort ist, zu messen, was jemand tatsächlich weiß — und genau dafür wurde Knowledge Tracing gebaut.

Was ich dieser Compliance-Beauftragten heute sagen würde

Man fragt mich, ob sich all das ausgerechnet für Schulungen lohnt — ist das nicht die Überentwicklung einer Unternehmenspflicht, die niemand mag? Meine Antwort ist, dass wir sie zwanzig Jahre lang unterentwickelt haben, und die Rechnung wird nun aus zwei Richtungen zugleich fällig: eine Halbwertszeit der Fähigkeiten, die unter fünf Jahre gefallen ist, und ein Regulierer, der gleich Nachweise verlangen wird, die wir größtenteils nicht haben. Nur 26 % der Führungskräfte fühlen sich heute überhaupt in der Lage, den ROI von Schulungen zu messen. Das, was wir nicht zu messen entschieden, ist das, was fällig wurde.

Ich denke an diesen Ordner mit fünfhundert grünen Häkchen zurück. Das Tragische daran war nicht, dass die Schulung schlecht war. Es war, dass die Organisation echtes Geld und echte Stunden ausgegeben hatte und am Ende weniger wusste, als sie dachte — selbstbewusst, schriftlich, mit Prüfprotokollen. Die erfahrene Analystin langweilte sich, und der neue Manager war verloren, und das System meldete beides als Erfolg.

Wenn ich zurückgehen und ihr eine Sache geben könnte, wäre es kein besseres Video. Es wäre die Heatmap — fünfhundert Zeilen, fünf Konzepte, jede Zelle eine Zahl, die sie tatsächlich verteidigen könnte. Nicht „alle haben bestanden“. Etwas Wahreres und weit Nützlicheres: hier ist genau, was jeder dieser Menschen weiß, und hier ist, was wir mit dem Rest tun werden. Das ist das System, das wir bauen, und je länger ich das tue, desto überzeugter bin ich, dass „abgeschlossen“ nie die Antwort auf eine Frage war, die tatsächlich irgendjemand hatte.