Ein fester Maßstab für personalisierte KI-Missionen

Personalisiertes KI-Training kann leicht inkonsistent werden. Ein Lernender im Einkauf bekommt einen Lieferantenfall, im Support einen Kundenfall, in der Finanzabteilung einen Abweichungsfall. Nicht nur die Details ändern sich, sondern auch die Erfolgskriterien. Einer wird für flüssiges Schreiben belohnt, ein anderer für Quellenprüfung, ein dritter für Tempo. Das Programm wirkt maßgeschneidert, doch der Leistungsnachweis ist nicht mehr vergleichbar.

Ein gutes Bokili-Missionsdesign trennt, was angepasst wird und was fix bleibt. Passen Sie Rolle, Tool, Starthilfe und Kontext an. Behalten Sie aber einen einheitlichen Bewertungsmaßstab für das Zielverhalten bei. Personalisierung soll Lernenden helfen, eine Kompetenz von ihrem jeweiligen Startpunkt aus zu erreichen, statt verschiedene Kompetenzdefinitionen zu schaffen.

Personalisierung braucht einen gemeinsamen Bezugspunkt

Bokili beschreibt öffentlich kurze Missionen, die an Rolle, Level und KI-Tools der Lernenden angepasst sind. Das ist sinnvoll, denn laut den KI-Kompetenz-Leitlinien der EU-Kommission sollen Organisationen Wissen, Erfahrung, Schulung und Nutzungskontext des KI-Systems berücksichtigen. Die Leitlinien erlauben auch unterschiedliche Lernansätze. Kontextsensitives Lernen ist nicht das Problem, sondern uneinheitliche Bewertungsmaßstäbe.

Das US Office of Personnel Management definiert Schulungsbedarf als Lücke zwischen Soll- und Ist-Leistung. Das impliziert zwei Anker: Die Soll-Leistung muss klar sein und die Leistung des Lernenden muss damit verglichen werden. Ändert sich die Anforderung mit dem Szenario, ist unklar, ob der Lernende sich verbessert hat oder nur eine leichtere Aufgabe löste.

Der ANCHOR-Bewertungsmaßstab

ANCHOR ist kein universeller Score für jede KI-Kompetenz, sondern eine Designvorlage für ein Programm. L&D sollte das beobachtbare Verhalten wählen und jedes Feld definieren, bevor die Mission angepasst wird. Eine Mission zur Quellenprüfung kann verlangen, dass jede Aussage auf die Unterlagen zurückführbar ist. Eine Datenschutz-Mission kann fordern, dass Lernende ein gesperrtes Feld ablehnen, bevor sie einen Prompt schreiben.

Anwendungsbeispiel: eine Kompetenz, drei Rollen

Angenommen, das Zielverhalten ist die Trennung von Fakten und Schlussfolgerungen. Der Bewertungsmaßstab ist fix: Lernende müssen ein kurzes Arbeitsergebnis erstellen, jede wesentliche Aussage als „belegt“ oder „abgeleitet“ kennzeichnen, Belege mit der Quelle verknüpfen, einen unbelegten Satz korrigieren und den finalen Entscheider benennen.

Die Missionskarten sollten nicht identisch sein. Der Einkauf kann eine Vergleichstabelle nutzen, der Support eine Zeitleiste und die Finanzabteilung ein kleines Spreadsheet. Anfänger erhalten ein kommentiertes Beispiel, erfahrene Lernende weniger Hinweise. Diese Anpassungen reduzieren irrelevante Schwierigkeiten. Der Leistungsnachweis bleibt vergleichbar, weil das Zielverhalten dasselbe ist.

Achten Sie auf Scheinkonsistenz

Derselbe Prompt, Timer oder Test für alle wirkt fair, prüft aber möglicherweise das Falsche. Ein Text voller Fachsprache aus dem Einkauf benachteiligt gute Marketer, ohne etwas über die Quellenprüfung zu verraten. Der umgekehrte Fehler ist eine Überpersonalisierung, bis jeder Lernende eine private Bewertungsmatrix hat. Echte Konsistenz liegt im Nachweis der Kompetenz, nicht in identischen Aufgaben.

Diese Methode erweitert Bokilis bestehende Leitlinien zu rollenbasierten KI-Kompetenzen, mehrsprachigem Training mit einem gemeinsamen Standard und geführten Missionen, die echte Entscheidungen erhalten. Bokilis öffentliche Features beschreiben rollenadaptive Missionen und sichtbaren Kompetenzfortschritt; eine feste Messlatte für den Nachweis ist die Design-Disziplin, die diese beiden Ideen verbindet.

Personalisieren Sie den Weg, nicht das Ziel.

Rollenrelevanz hilft Lernenden, die Aufgabe zu erkennen. Niveaugerechte Unterstützung erleichtert den Einstieg. Tool-Anpassungen halten Anleitungen praxistauglich. Keine dieser Entscheidungen sollte die Vergleichbarkeit von Kompetenzen verhindern. Behalten Sie einen sichtbaren Nachweis-Standard bei, passen Sie den Weg dorthin an und lassen Sie den Versuch des Lernenden die nächste nützliche Mission aufzeigen. So wird Personalisierung zum Fortschritt statt zur reinen Variation.