Umsetzungs-Playbooks4 Min. Lesezeit

KI-Training im Unternehmen: Veraltete Gewohnheiten testen

KI-Training im Unternehmen sollte alte Gewohnheiten auf den Prüfstand stellen, die trotz neuer Tools, Richtlinien oder Workflows überleben – und dann die neue Vorgehensweise an einem frischen Fall üben.

Bokili EditorialVeröffentlicht am 15. Oktober 2026· Geprüft am 15. Oktober 2026

Veraltete Arbeitsgewohnheiten werden an einem Trainingskontrollpunkt erkannt und durch aktuelle, überprüfte Handlungen ersetzt.

KI-Training im Unternehmen erklärt meist neue Tools, Regeln oder Workflows. Die schwierigere Frage ist, ob Mitarbeitende die alte Aktion wiederholen, wenn der vertraute Auslöser erscheint. Jemand versteht die Neuerung im Training, fügt aber dieselben Daten ein, nutzt dieselbe Quelle, überspringt dieselbe Prüfung oder schickt die Arbeit an dieselbe genehmigende Person wie zuvor. Das ist negativer Transfer: Eine etablierte Gewohnheit wird in einem Kontext angewendet, in dem sie nicht mehr passt. Ein starkes Programm testet die Gewohnheit, die aufhören muss, nicht nur das Verfahren, das beginnen soll.

Warum KI-Training im Unternehmen alte Gewohnheiten testen muss

Die aktuelle KI-Kompetenz-Leitlinie der Europäischen Kommission besagt, dass Maßnahmen das Wissen, die Erfahrung, die Ausbildung, das Training der Mitarbeitenden und den Nutzungskontext eines Systems widerspiegeln sollten. Sie weist auch darauf hin, dass das Lesen von Anweisungen ineffektiv sein kann und gezielte Nachverfolgung notwendig ist. Das unterstützt eine praktische Designregel: Wenn sich eine materielle Bedingung ändert, geben Sie den Leuten ein frisches Szenario, in dem die veraltete Reaktion verlockend ist.

Die OPM-Leitlinie für Trainingsbedarfe fordert Teams auf, die Lücke zwischen erforderlicher und aktueller Leistung zu identifizieren, deren Ursachen zu erforschen und das benötigte kritische Verhalten zu beschreiben. Die NIST AI Use Taxonomy konzentriert sich ebenfalls auf menschliche Ziele und Aktivitäten statt auf Tool-Bezeichnungen. Zusammen legen sie nahe, dass eine Auffrischung um ein geändertes Verhalten in einem realen Arbeitskontext aufgebaut sein sollte – nicht um eine Tour durch alles, was das System kann.

Die SHIFT-Karte für veraltete Gewohnheiten

S — Signal

Benennen Sie die relevante Änderung: ein neues Tool, eine Datenregel, eine Quelle, ein Genehmigungsweg, ein Modellverhalten oder ein Arbeitsergebnis.

H — Habit (Gewohnheit)

Beschreiben Sie die alte Aktion, die ein erfahrener Mitarbeiter möglicherweise noch wiederholt. Machen Sie sie beobachtbar, nicht eine vage Einstellung wie Widerstand.

I — Impact (Auswirkung)

Geben Sie an, was schiefgehen könnte, wenn die Gewohnheit überlebt: schwache Beweise, Datenexposition, Verzögerung, inkonsistente Behandlung oder eine unautorisierte Entscheidung.

F — Fresh action (Neue Aktion)

Definieren Sie das neue Verhalten in einfacher Sprache, einschließlich Quelle, Prüfung, Verantwortlichem oder Abbruchbedingung.

T — Test

Nutzen Sie ein neues Szenario, in dem der alte Auslöser vorhanden ist. Der Lernende besteht, indem er die neue Aktion wählt und erklärt, bevor die Arbeit fortgesetzt wird.

Praxisbeispiel: eine neue Datengrenze, ein alter Reflex

Betrachten wir ein beispielhaftes Kundensupport-Team. Der genehmigte Workflow ändert sich: Mitarbeitende dürfen vollständige Kundenkonversationen nicht mehr in ein allgemeines KI-Tool einfügen. Sie müssen zuerst eine kurze, anonymisierte Fallzusammenfassung erstellen und den genehmigten Arbeitsbereich des Unternehmens nutzen. Eine Folie kündigt die Regel an. In der nächsten geschäftigen Schicht sieht ein Mitarbeiter jedoch eine lange Konversation und greift zum alten Shortcut.

Die SHIFT-Karte präzisiert die Lernaufgabe. Das Signal ist die neue Datenhandhabungsregel. Die Gewohnheit ist das Kopieren der gesamten Konversation. Die Auswirkung ist unnötige Offenlegung und eine nicht überprüfbare Eingabe. Die neue Aktion ist, Identifikatoren zu entfernen, nur aufgabenrelevante Fakten zu behalten und den genehmigten Arbeitsbereich zu nutzen. Der Test präsentiert einen anderen fiktiven Fall mit realistischen persönlichen Details und fragt den Lernenden, die Eingabe zu wählen, bevor das Tool geöffnet wird. Bestehen bedeutet, den Auslöser zu erkennen und die Aktion zu ändern, nicht die Richtlinie aufzusagen.

Lesen ist der Anfang. Üben macht den Unterschied.

Jetzt starten

	Gewöhnliche Auffrischung	Prüfung veralteter Gewohnheiten
Ausgangspunkt	Das neue Verfahren erklären.	Die alte Handlung benennen, die wahrscheinlich fortbesteht.
Übung	Einer störungsfreien Demonstration folgen.	Einen neuen Fall mit dem vertrauten Auslöser bearbeiten.
Feedback	Die richtige Antwort zeigen.	Erklären, warum die alte Gewohnheit nicht mehr passt und was sie ersetzt.
Nachweis	Die Teilnahme erfassen.	Handlung und Begründung der lernenden Person an einem neuen Fall erfassen.

Integrieren Sie die Prüfung in KI-Trainings-Updates

Von der Änderungsmitteilung zum verifizierten Ersatz

1
Wählen Sie eine wesentliche Änderung
Beginnen Sie mit einer Änderung, die Daten, Nachweise, Autorität, Tool-Wahl oder den Qualitätsstandard betrifft.
2
Interviewen Sie den alten Workflow
Fragen Sie erfahrene Nutzer, was sie vorher taten, welcher Auslöser dazu führte und warum die Aktion effizient erschien.
3
Erstellen Sie zwei sichere „Fallen“
Verwenden Sie fiktives oder genehmigtes Material. Fügen Sie den alten Auslöser ein, ohne Live-Kunden- oder Mitarbeiterdaten zu kopieren.
4
Üben Sie vor dem Prompting
Bitten Sie den Lernenden, die Eingabe, Quelle, Prüfung oder Eskalationsroute zu wählen, bevor er etwas generiert.
5
Geben Sie verhaltensbezogenes Feedback
Benennen Sie die veraltete Aktion, die Ersatzaktion und die Beweise, die die Wahl leiten sollten.
6
Erneuter Test mit einem anderen Fall
Ein zweites Szenario zeigt, ob die Ersatzaktion über das im Training verwendete Beispiel hinaus übertragen wird.

Halten Sie den Umfang eng

Erstellen Sie keinen Negativtransfer-Test für jede Schnittstellenänderung. Nutzen Sie ihn, wenn eine alte Aktion plausibel bleibt und die Konsequenz wichtig ist. Ein umbenannter Button benötigt vielleicht einen schnellen Tipp. Eine geänderte Datengrenze, Beweisregel, Genehmigungsroute oder Modellfähigkeit verdient ein Szenario. Der Fokus des UK Government AI Playbook auf Lebenszyklusmanagement, sinnvolle menschliche Kontrolle und aktualisierte Fähigkeiten untermauert diesen verhältnismäßigen Ansatz.

Erstellen Sie eine SHIFT-Prüfung in zehn Minuten

Notieren Sie eine aktuelle Änderung an Tool, Regel, Quelle oder Workflow.
Vervollständigen Sie „Die Mitarbeitenden könnten weiterhin …“ mit einer beobachtbaren alten Handlung.
Beschreiben Sie die Folge, wenn diese Handlung wiederholt wird.
Notieren Sie die neue Handlung und den Beleg oder die Regel, die sie stützt.
Entwerfen Sie ein fiktives Szenario aus zwei Sätzen, das den alten Auslöser enthält.
Bitten Sie eine Kollegin oder einen Kollegen, vor dem Einsatz von KI die Handlung zu wählen und zu begründen.

Ersatz lehren, nicht nur Bewusstsein schaffen

KI-Training im Unternehmen sollte Mitarbeitenden helfen zu erkennen, wann ein früher nützlicher Reflex im neuen Kontext riskant, schwach oder schlicht falsch geworden ist. Kombinieren Sie den SHIFT-Test mit einem Remediation Path (https://bokili.com/de/learn/ki-schulung-unternehmen-lernluecken-schliessen), einer Grenzfallbibliothek (https://bokili.com/de/learn/ki-schulung-unternehmen-grenzfallbibliothek) und dem manuellen Fallback für KI-Workflows (https://bokili.com/de/learn/ki-workflow-manueller-fallback). Die Bokili-Funktionen (https://bokili.com/de/features) unterstützen kurze szenariobasierte Missionen, rollenbezogene Inhalte und Feedback zu praktischen Arbeiten. Ziel ist nicht, Lernende in die Falle zu locken, sondern die neue Handlung leichter erkennbar, ausführbar und belegbar zu machen.