Thomas Jenewein - Use Cases und Szenarien für KI Agenten in Learning & Development entlang des ADDIE
Thomas Jenewein: Use Cases und Szenarien für KI Agenten in Learning & Development entlang des ADDIE
KI-Agenten sind autonome, intelligente Softwareprogramme, die eigenständig in einer definierten Umgebung Daten wahrnehmen, analysieren und darauf basierend Entscheidungen treffen, um vorgegebene Ziele zu erreichen Sie handeln selbstständig, passen sich an neue Situationen an und optimieren ihre Aktionen kontinuierlich. Wir wollen mit euch die Use Cases für Agenten in der Weiterbildung reflektieren und erarbeiten. Keine Powerpoints - alles auf einem Whiteboard entlang des ADDIE Modells.
Der Vortrag behandelt eine offene Diskussion über KI-Agenten im Kontext von Corporate Learning und deren Anwendungsmöglichkeiten entlang des ADDIE-Modells. Die Teilnehmer reflektieren gemeinsam über Definition, aktuelle Anwendungsbeispiele und zukünftige Potentiale von KI-Agenten in der Personalentwicklung. Dabei wird deutlich, dass trotz des aktuellen Hypes um KI-Agenten noch wenige konkrete, vollständig autonome Implementierungen existieren, während gleichzeitig vielversprechende Anwendungsfelder identifiziert werden.
Die Diskussion folgt einer strukturierten Herangehensweise:
Definition und Grundlagen von KI-Agenten
- Begriffsklärung und Abgrenzung zu herkömmlichen Chatbots
- Konkrete Anwendungsbeispiele aus der Praxis
- Diskussion über "Agent Washing" als Marketing-Phänomen
Anwendung des ADDIE-Modells als Strukturierungsrahmen
- Analyse-Phase: Bedarfsermittlung und Zielgruppenanalyse
- Design-Phase: Konzeptentwicklung und didaktische Planung
- Development-Phase: Inhaltserstellung und Prototyping
- Implementation-Phase: Umsetzung und Rollout
- Evaluation-Phase: Bewertung und kontinuierliche Verbesserung
Kernaussagen
Was ist ein KI-Agent?
Die Teilnehmer arbeiten mit folgender Definition: "Ein KI-Agent ist ein intelligentes System, das selbstständig Aufgaben löst, indem es seine Umgebung analysiert und entsprechend handelt." Dabei werden drei zentrale Eigenschaften hervorgehoben:
- Handlungsfähigkeit: "selbstständig Entscheidungen treffen zu können und den Weg zur Aufgabenlösung selbst zu bestimmen"
- Autonomie: Der Agent ist nicht auf vorgefertigte Workflows angewiesen
- Umgebungsanalyse: "er kann sich Daten besorgen, die er gegebenenfalls braucht"
Abgrenzung zu bestehenden Systemen
Ein wichtiger Diskussionspunkt ist die Unterscheidung zwischen echten KI-Agenten und herkömmlichen Assistenzsystemen. Wie ein Teilnehmer feststellt: "solange noch keine [...] Selbstständigkeit [vorhanden ist], die jetzt einen vollwertigen Agenten auszeichnet", handelt es sich noch nicht um echte Agenten. Die Diskussion zeigt, dass viele als "Agenten" beworbene Systeme eher erweiterte Chatbots oder Custom-GPTs sind.
Praktische Anwendungsbeispiele
IT-Support Agent
Ein konkretes Beispiel aus der Praxis: "Co-Pilot Agent auf diesen IT Campus losklassen [...] sodass der künftig auch abends um 11 noch Fragen beantwortet, wie kann ich mein Passwort zurücksetzen". Die Weiterentwicklung könnte beinhalten: "im Nachgang auch Aktionen direkt startet, sowas wie ich sperre den Handyvertrag oder ich setze dein Passwort automatisch zurück".
Vorstandsassistent
Ein innovatives Beispiel zeigt einen Agenten für Führungskräfte: "habe darauf jeweils einen Agent gebaut, der mir dann bei künftigen Sitzungen [...] wurde dieses Thema schon mal irgendwann besprochen, was war da die Zusammenfassung aus den Protokollen".
Anwendungsfälle entlang des ADDIE-Modells
Analyse-Phase: Bedarfsermittlung und Zielgruppenanalyse
TNA-Bot für automatisierte Bedarfsanalyse
Ein zentraler Anwendungsfall ist ein "TNA-Bot, der Bedarfsanalyse macht, der vielleicht Leute anschreibt, befragt, in den Chat verwickelt und dann eine Auswertung macht". Dies würde die aufwendige manuelle Arbeit der Learning-Needs-Analyse automatisieren.
Persona-Entwicklung
Die Teilnehmer berichten positive Erfahrungen: "dass wir uns Lernpersonas entwickeln lassen [...] das funktioniert relativ ganz gut, dass wir bestimmte Parameter eingeben und unserem Chat-GPT dann sagen, entwickle mir vier, fünf Lernpersonas".
Kontinuierliches Monitoring
Ein Agent könnte "kontinuierlich überhaupt das Trainingsangebot und die Trainingsnutzung beobachtet und darauf aufbauend Vorschläge macht oder direkt auch schon Änderungen durchführt".
Design-Phase: Konzeptentwicklung und didaktische Planung
Automatisierte Qualitätssicherung
Für die Qualitätssicherung wird vorgeschlagen: "einmal durchgehen, sind überall interaktive Elemente drin. Einmal durchgehen, sind alle Links richtig gesetzt. Diese Sachen können [...] für so einen KI-Agent eignen".
Didaktisches Konzeptdesign
Ein Agent könnte "auf der Basis dessen, was ich jetzt über die Zielgruppe, über die Aufgaben, über die Inhalte [...] mir da automatisiert eigentlich ein didaktisches Konzept auswirft".
SME-Unterstützung
Besonders wertvoll für Subject Matter Experts: "für die wäre so ein KI-Agent eine Begleitung zu diesem [...] didaktischen Prozess", da diese oft nicht über instructional Design-Expertise verfügen.
Development-Phase: Inhaltserstellung und Prototyping
Automatisierte Inhaltserstellung
Fortgeschrittene Systeme können bereits "auf Knopfdruck wird dann einmal so ein Design-Blueprint gemacht und mit Vorschlägen an Inhalten", wodurch Design und Entwicklung kombiniert werden.
Kontinuierliche Aktualisierung
Agenten könnten "rechtliche Neuerungen [...] mergerbedingt, Umfirmierungen" überwachen und entsprechende Updates vorschlagen oder durchführen.
Evaluation-Phase: Bewertung und kontinuierliche Verbesserung
Intelligente Feedback-Sammlung
Statt standardisierter Fragebögen könnten Agenten "eher ein Interview" führen, wodurch "der Nutzer vielleicht auch bereiter [ist], noch mehr Informationen zu teilen".
Zielgerichtete Evaluation
Ein Agent könnte analysieren, "wer jetzt dieses Learning durchlaufen hat. Und nach einer gewissen Statistik überlegt er sich, wen er ins Tiefeninterview holt".
Herausforderungen und Grenzen
Datenschutz und rechtliche Aspekte
Die Diskussion zeigt Bedenken bezüglich Datenzugriff: "wir haben ja alle Lernplattformen in den Unternehmen im Einsatz. [...] das zieht ja dann wahrscheinlich ein Rattenschwanz nach sich mit rechtlichen Geschichten und Datenschutz".
Bias und Selbstreferenzialität
Ein wichtiger Punkt ist die Gefahr von Verzerrungen: "ob sich das System dann nicht selbstreferenziell dann sich dann gerne bestätigt" und das Beispiel, dass "Microsoft-Agenten empfehlen dann nur Microsoft-Tools".
Technologische Reife
Die Diskussion macht deutlich: "im Moment ein Riesenhype, jeder spricht drüber, die Definition ist oder das Verständnis davon, was so ein Agent eigentlich ist, ist sehr unterschiedlich".
Handlungsempfehlungen
Experimentieren und Lernen
Die Teilnehmer ermutigen zum praktischen Ausprobieren und Experimentieren mit verfügbaren Tools und Frameworks.
Strukturiertes Vorgehen
Empfohlen wird die Nutzung von Design-Frameworks wie dem erwähnten "Agent-Design Workshop" für die systematische Entwicklung von Agenten-Konzepten.
Realistische Erwartungen
Es wird empfohlen, zwischen Marketing-Hype und tatsächlichen Möglichkeiten zu unterscheiden und mit kleineren, konkreten Anwendungsfällen zu beginnen.
Datenschutz frühzeitig mitdenken
Bei der Planung von Agenten sollten Datenschutz- und Compliance-Aspekte von Anfang an berücksichtigt werden.
Kontinuierliche Beobachtung
Die Teilnehmer empfehlen, die Entwicklung im Bereich KI-Agenten kontinuierlich zu verfolgen, da sich das Feld schnell entwickelt.
Die Diskussion zeigt, dass KI-Agenten im Corporate Learning großes Potential haben, aber noch in den Anfängen stehen. Während die Technologie vielversprechend ist, sind praktische Implementierungen noch selten. Die systematische Betrachtung entlang des ADDIE-Modells bietet jedoch einen strukturierten Rahmen für die Identifikation und Entwicklung sinnvoller Anwendungsfälle.