„Spotify für Lernen“ — wie man Kompetenzbedarf und Lernangebot zusammenbringt
Im BMAS-geförderten Weiterbildungsverbund REGIO-learn habe ich über drei Jahre die wissenschaftliche Begleitung übernommen — für eine Plattform, die individuellen Lernbedarf mit passenden Angeboten zusammenführt. Schon 2021, vor dem ChatGPT-Boom, am Schnittpunkt von KI und Skill-Management.
Wie bringt man Lernbedarf und passende Angebote zusammen — eine Art Empfehlungssystem fürs Lernen? Im BMAS-geförderten Verbund REGIO-learn habe ich über drei Jahre die wissenschaftliche Begleitung übernommen, für eine Plattform, die individuellen Bedarf mit passenden Weiterbildungen verbindet. So findet jeder das Lernen, das wirklich zu ihm passt.
Wie misst man den Lernbedarf eines einzelnen Menschen so, dass eine Maschine passende Angebote findet — ohne den Menschen zu entmündigen?
Die Ausgangslage
REGIO-learn war einer von vier vom BMAS geförderten Weiterbildungsverbünden in Thüringen (Programm „Aufbau von Weiterbildungsverbünden“). Konsortialführer war das Bildungswerk der Thüringer Wirtschaft, technischer Partner die IAD GmbH. Ziel: den regionalen Fachkräfte- und Weiterbildungsbedarf Thüringer KMU langfristig decken. Meine Rolle über die gesamte Laufzeit: die wissenschaftliche gutachterliche Begleitung der HTW Berlin — fünf Gutachten, die Leitung der KI-Machbarkeitsexperimente und die eingebundene studentische Begleitforschung.
Das Zielbild: ein zweiseitiger Marktplatz
Die Leitidee war eine automatisierte Matchmaking-Plattform — intern „Spotify für Lernen“ genannt: Sie sollte den individuellen Lernbedarf einzelner Beschäftigter mit den Angeboten vieler interner und externer Anbieter zusammenbringen. „Lernbedarf“ wurde dabei präzise definiert: die Abweichung des gemessenen Kompetenz-Ist von den Soll-Anforderungen einer Rolle — also individuelle Diagnostik, nicht formale Bedarfsplanung.
Die Methode
Hier floss meine Kompetenzarchitektur als Datenlogik ein: ein Skill-/Kompetenzprofil über die Auswahl eines Rollenmodells, hinterlegt mit einer Experten-Rollendatenbank, gegen die ein Soll-Ist-Abgleich zum „Job Fit“ gerechnet wird. Rollenprofile wurden nach dem verhaltensbeschreibenden Ansatz von Fleishman und Quaintance angelegt, die Kompetenzmessung als Kombination aus Methoden-, aktionaler, personaler und sozialer Kompetenz. Die Begleitforschung selbst folgte den Kriterien Exzellenz, Wirkung sowie Qualität und Effizienz, angelehnt an EU-Begutachtungsstandards.
Die entscheidende Leitplanke: der Mensch in der Schleife
Gegen den Reflex, alles zu automatisieren, habe ich eine klare Grenze gesetzt: kein automatischer Soll-Ist-Abgleich durch das System. Jeder Mensch behält die Hoheit über sein Profil; an der Kompetenzbestimmung sind mindestens zwei Entscheider — HR und Führungskraft — beteiligt. KI liefert die Vorschläge, das Urteil bleibt menschlich.
Die übertragbare Erkenntnis
KI im Skill-Management trägt nicht als Black Box, sondern als Assistenz: Sie beschleunigt Diagnostik und Matching, ohne die Verantwortung für die Bewertung zu übernehmen. Diese Haltung war 2021 früh — und sie trägt nach dem KI-Hype erst recht. Die methodische Grundlage dahinter ist die Kompetenzarchitektur.
Was hier erzählt wird Dieser Methoden-Fall beschreibt das öffentlich geförderte Vorgehen und die methodische Leitidee. REGIO-learn war BMAS-gefördert; vertrauliche Betriebs- und Teilnehmerdaten bleiben außen vor.
Vernetzt
Worauf dieser Fall aufsetzt — Modell, Feld, weitere Projekte.
Eine Kompetenzplattform oder Skill-Diagnostik im Aufbau?
Ich begleite Plattform- und Skill-Projekte wissenschaftlich — von der Kompetenzlogik bis zum Mensch-in-der-Schleife-Design. Schildern Sie kurz Ihre Situation.