chunkx ist eine AI-First-Plattform für Corporate Learning, die Lerninhalte individuell für Mitarbeitende erzeugt und an ihren Lernbedarf anpasst. Dieser Ansatz verbindet hyperpersonalisiertes Lernen mit einem Rahmen, den Unternehmen gestalten können: Sie legen Lernziele, fachliche Quellen und Vorgaben fest. Innerhalb dieses Rahmens entwickelt die KI passende Erklärungen und Übungen. Laufende Qualitätsprüfungen und menschliche Rückmeldungen helfen, Abweichungen zu erkennen und die Anwendung zu verbessern.
Wie viel Freiheit braucht eine solche KI, und wie behalten Unternehmen die Kontrolle? Diese Frage habe ich bei der Handelsblatt-Konferenz AI in Insurance 2026 am 16. und 17. September in Düsseldorf aus unserer Umsetzungsperspektive diskutiert. Gerade in regulierten Arbeitsfeldern wird die Aufgabe konkret: Eine Erklärung soll zum Menschen passen. Die zugrunde liegende fachliche Regel muss dabei erhalten bleiben.
Was AI First im Corporate Learning bedeutet
AI First bedeutet bei chunkx, dass KI den individuellen Lernprozess mitgestaltet. Die Plattform erzeugt Mikrolerneinheiten auf Basis des Unternehmenswissens und des jeweiligen Kurskontexts. Vorwissen, Rolle, Lernbedarf und Rückmeldungen beeinflussen, wie Inhalte vermittelt werden. Die Personalisierung umfasst die Inhalte selbst, ihre Erklärung und die passenden Übungen.
Ein beispielhaftes Szenario: Zwei Mitarbeitende lernen dieselbe Versicherungsleistung kennen. Eine neue Kollegin braucht zunächst die Begriffe erklärt und anschließend einen einfachen Anwendungsfall. Ein erfahrener Kollege möchte eine Ausnahme verstehen und an einem anspruchsvolleren Fall üben. Für beide gilt dieselbe fachliche Grundlage. Welche Unterstützung ihnen beim Verstehen hilft, unterscheidet sich.
Diesen Ansatz nennen wir hyperpersonalisiertes Lernen. Er verbindet die Auswahl relevanter Themen mit der individuellen Erzeugung und Anpassung von Lerninhalten. Lernende können nachfragen, sich eine Erklärung vereinfachen lassen oder um ein Beispiel aus ihrem Arbeitskontext bitten. Den Schritt von der Auswahl zur Erzeugung beschreiben wir ausführlicher in unserem Beitrag zur adaptiven Inhaltserstellung.
Daraus entsteht eine fortlaufende Lerninteraktion: Mitarbeitende erhalten Unterstützung, üben die Anwendung und geben Rückmeldung, wenn sie etwas noch nicht verstanden haben. Fachverantwortliche gestalten die Grundlage dafür. Sie definieren Ziele und Grenzen und überprüfen, ob die individuelle Vermittlung diese einhält.
Welche Kontrolle Unternehmen über die KI haben
Ein guter Trainer reagiert auf Verständnisprobleme, findet andere Erklärungen und stellt passende Rückfragen. Gleichzeitig weiß er, welche Regeln er fachlich nicht verändern darf. Nach diesem Prinzip gestalten wir den Spielraum der KI: Die Vermittlung darf individuell sein, während die fachlichen Anforderungen verbindlich bleiben.
Im chunkx Creator legen Verantwortliche Kurskontext, Lernziele, Pflichtthemen und Zugriffsrechte fest. Sie hinterlegen Dokumente und ergänzen Anweisungen für die Erzeugung der Inhalte. Die Quellenbindung bestimmt mit, wie eng sich die KI an die bereitgestellten Unterlagen halten soll. So lässt sich der Rahmen passend zum Lernzweck ausgestalten.
| Lernsituation | Individueller Spielraum | Verbindlicher Rahmen |
|---|---|---|
| Produktwissen | Sprache, Erklärungstiefe und passende Beispiele | Produktmerkmale, Bedingungen und Ausschlüsse |
| Rollenspiel | Gesprächsverlauf, Rückfragen und Reaktionen | Lernauftrag, fachliche Regeln und Verhaltensgrenzen |
| Regulierte Weiterbildung | Lernweg und zusätzliche Übung | Erforderliche Inhalte und festgelegte Nachweise |
Diese Unterscheidung ist für Unternehmen entscheidend. Ein enger fachlicher Rahmen lässt weiterhin viel Raum für persönliche Unterstützung. Zugleich müssen Quellen und Anweisungen selbst stimmen. Widersprüchliche oder veraltete Vorgaben lassen sich nicht allein durch mehr Personalisierung auflösen.
Wie wir die Qualität erzeugter Lerninhalte überprüfen
Quellenbindung und klare Anweisungen wirken bereits bei der Erzeugung. Sie beseitigen jedoch nicht jede mögliche Abweichung. Deshalb gehört die Prüfung im laufenden Betrieb zu unserem Ansatz. Unser Qualitätsprozess verbindet automatisierte Prüfungen erzeugter Lerneinheiten mit Nutzerfeedback und fachlicher Einordnung durch Menschen. Erkenntnisse aus dem Betrieb fließen in die Weiterentwicklung ein.
Ein Praxisfall zeigt, weshalb das wichtig ist: In einer erzeugten Lerneinheit erklärte der Lerntext eine fachliche Regel korrekt. Die Musterlösung zur anschließenden Quizfrage wich jedoch davon ab. Eine Fachprüferin meldete die Unstimmigkeit. Lernende hätten damit trotz richtigen Verständnisses eine widersprüchliche Rückmeldung erhalten können.
Wir haben den Fall untersucht und unsere Qualitätssicherung weiterentwickelt. Die zentrale Erkenntnis lautet: Lerntext, Aufgabe und Musterlösung müssen auch untereinander konsistent sein. Für die Lernqualität zählt, ob die gesamte Einheit ein schlüssiges Verständnis vermittelt.
Solche Fälle helfen uns, Prüfungen gezielt zu verbessern. Der Maßstab ist dabei der konkrete Lernzweck: Bleibt die fachliche Aussage erhalten? Prüft die Aufgabe tatsächlich das vermittelte Wissen? Und hilft die Rückmeldung dem Lernenden, einen Fehler zu verstehen?
Warum auch eine KI zur Qualitätsprüfung geprüft werden muss
Auch automatische Qualitätsprüfungen können falsch liegen. In einem unserer Praxisfälle wurden fachlich zulässige Inhalte unnötig beanstandet. Wir haben die Prüfung daraufhin angepasst. Das Beispiel zeigt, warum wir bei chunkx auch die Qualität unserer Prüfverfahren überprüfen.
Für Unternehmen ist entscheidend, dass eine Kontrolle tatsächliche Fehler erkennt und gleichzeitig hilfreiche, zulässige Inhalte akzeptiert. Unnötige Beanstandungen kosten Fachverantwortliche Zeit und können sinnvolle Personalisierung einschränken. Beide Seiten gehören zu unserem Verständnis von Qualität.
Wie dokumentierte Grenzen den Einsatz im Unternehmen unterstützen
Unternehmen brauchen neben Einstellungen im Produkt eine nachvollziehbare Beschreibung seines Einsatzzwecks. Für die Bewertung unseres KI-Einsatzes im Kontext des EU AI Act haben wir drei zusammengehörige Unterlagen ausgearbeitet: Das Intended Purpose & Classification Statement beschreibt den vorgesehenen Einsatz und unsere Einordnung des Systems. Die Provider Documentation erläutert Funktionen, Architektur, Datenverarbeitung und Schutzmaßnahmen. Die Deployer Guideline übersetzt den Rahmen in Vorgaben für den Einsatz beim Kunden.
Eine wesentliche Grenze betrifft die Verwendung von Lernfeedback. Individuelles KI-Feedback ist bei chunkx zur Unterstützung des Lernens vorgesehen. Es soll nicht zur Grundlage für Personalentscheidungen oder formale Qualifikationsentscheidungen werden. Wird eine solche Verwendung geplant, muss der Einsatz neu bewertet werden. Deshalb betrachten wir auch, wer welche Informationen erhält und wofür Reports genutzt werden.
Diese Dokumentation gibt den beteiligten Fachbereichen eine gemeinsame Grundlage für ihre Prüfung und für Entscheidungen über neue Einsatzszenarien. Einen Überblick geben wir auf unserer Seite zu Sicherheit und Compliance.
Woran sich der Nutzen hyperpersonalisierten Lernens zeigen sollte
Für L&D-Verantwortliche zählt, ob Menschen das benötigte Wissen verstehen und im Arbeitsalltag anwenden können. Deshalb sollten Unternehmen neben Lernaktivität und Abschlüssen auch passende Anwendungssituationen betrachten: Können Mitarbeitende eine Produktregel auf einen neuen Fall übertragen? Benötigen sie bei wiederkehrenden Aufgaben weniger Unterstützung? Wie viel fachliche Prüfarbeit bleibt auf Seiten der Verantwortlichen?
Solche Fragen lassen sich in einem Pilotprojekt mit einer Ausgangsmessung und wiederholten Aufgaben untersuchen. Unser Anspruch mit chunkx ist, individuelle Lernunterstützung für viele Menschen verfügbar zu machen. Unternehmen geben die fachliche Richtung vor, während die KI unterschiedliche Wege zum Verständnis eröffnet. Der Nutzen muss sich an hilfreichen Lernerfahrungen und überprüfbarer Qualität zeigen.
Du möchtest sehen, wie dieser Ansatz mit eurem Unternehmenswissen funktioniert? In einer Demo von chunkx besprechen wir euren Lernfall, den sinnvollen Spielraum und die Anforderungen an die Qualität.
