AIEd-WissensbasisAIEd KB
Auf dieser Seite

Diese Seite wurde maschinell ins Deutsche übersetzt; die Artikelseiten sind weiterhin auf Englisch verfasst. Diese Seite auf Englisch lesen

Konzepte

Berufliche Weiterbildung

Erstellt 2026-08-09 · Aktualisiert 2026-10-10

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Berufliche Weiterbildung — der Einsatz von KI für die Entwicklung der Arbeitskräfte, unternehmerisches Lernen und den Erwerb professioneller Fähigkeiten. Berufliche Weiterbildung weitet KI in der Bildung über formale Bildung hinaus in Kontexte des Arbeitsplatzes und des lebenslangen Lernens aus.

Fragen zum Nachdenken

  • Denken Sie an eine Fähigkeit, die Sie im Job statt im Klassenzimmer gelernt haben. Was machte jenes Arbeitsplatzlernen wirksam, und wie könnte ein KI-Coach es replizieren oder verbessern?
  • Das Workforce-Readiness-Level-Framework der Seite legt nahe, dass die höchsten Kompetenzstufen „durch in der Industrie eingebettete Erfahrung begrenzt werden statt durch Kursarbeit“. Was bedeutet das dafür, wie wir Menschen ausbilden sollten — und für die Grenzen von KI-Simulation?
  • Virtuelle Patientinnen und Trainingssimulatoren lassen Fachkräfte sicher üben. Welche Arten von Urteils- und interpersonellen Fähigkeiten könnte ein Simulator nicht erfassen, egal wie realistisch?
  • Das „Dual-Train-Problem“ ist die Spannung zwischen sich rapide verändernden KI-Fähigkeiten und dem langsameren Tempo von Politik und Curriculum. Wenn Sie heute dauerhafte Kompetenzen wählen könnten, die Sie für Lernende priorisieren, welche wären das?
  • Erwachsene Lernende balancieren Arbeit und Studium, oft über Bildschirme. Wie könnte KI-gestützte berufliche Weiterbildung dieses Balanceakt sowohl ermöglichen als auch komplizieren — besonders rund um Daten, Vertrauen und Zeit?

Einführung

KI in der beruflichen Weiterbildung

  • Simulation und Praxis: Training mit virtuellen Patientinnen und ATCO-Trainingssimulatoren schaffen KI-gestützte professionelle Praxisumgebungen. In der Lehrkräftebildung weitet KI-Rollenspielsimulation dies in praxisbasiertes Lehren aus: Student GPT simulierte eine Mathematik lernende Person der Mittelstufe mit Missverständnis, damit angehende Lehrkräfte das Diagnostizieren und Fördern bei Fehlern der Studierenden üben konnten, abgestimmt auf die „Annäherungen an Praxis“ des praxisbasierten Lehr-Lernens als erschwingliche Ergänzung zu kostspieligen Plattformen wie TeachLivE.

Wang et al. (2026) fügen eine Lektion zur Coaching-Politik hinzu: Hilfe gegen die geschätzte Kompetenz der lernenden Person auszublenden senkte die Rundenzeit im Simulator um 27.9% (p = 0.005) und die Ausfälle um 3.52 pro Runde, während regelbasiertes Ausblenden nach festem Zeitplan keine verlässliche Veränderung der Rundenzeit erzeugte.

  • Integration lebenslangen Lernens: Lebenslanges Lernen- und Erwachsenenbildung-Forschung verbindet berufliche Weiterbildung mit kontinuierlicher Bildung.

  • Öffentlicher Sektor: KI-Übernahme im öffentlichen Sektor untersucht Training in Regierungskontexten.

  • Frameworks für Arbeitskräftebereitschaft: Smith et al. schlagen ein Workforce-Readiness-Level-(WRL)-Framework vor, das die Technology-Readiness-Level-Skala in neun Kompetenzstufen adaptiert, bewertet über vier Säulen (digitale/KI-Kompetenz, kyber-physische Flüssigkeit, Mensch-Maschine-Zusammenarbeit, datengetriebenes Entscheiden), unter einer „keine-dünne-Säule“-Regel. Belege aus Smart-Manufacturing-Capstones zeigen, dass die höchsten Bereitschaftsstufen durch in der Industrie eingebettete Erfahrung begrenzt werden statt durch Kursarbeit —, was auf arbeitsintegriertes Lernen als wesentlich für professionelles KI-Training hinweist.

  • Prioritäten von Lehrenden und Arbeitgebern divergieren. Eine Befragung von 500 US-amerikanischen Lehrenden und ein Arbeitgebergremium stimmten in der Bedeutung von nur einer von 26 KI-Fähigkeiten überein — realistische Erwartungen an KI-gestützte Arbeit setzen —, und nur drei der 26 wurden von der Hälfte oder mehr Lehrenden gelehrt (Fried (2026)).

  • Fachspezifische PD-Belege sind dünn. Ein systematischer Review von Sprachlehrenden (Li et al. 2026) fand nur drei von 23 Studien mit berichteter strukturierter professioneller Entwicklung, dennoch konvergierten jene, die es taten, bei Zugewinnen an Wissen, Vertrauen und Identität — Beleg, dass strukturiertes, fachspezifisches Training (das technische Fähigkeit mit praktischer Weisheit paart) sowohl rar als auch wirksam ist, und dass PD sich von Bewusstseinsbildung und Ethik über praktische Werkzeugbeherrschung hin zu Co-Design KI-verbesserter Lektionen bewegen sollte.

  • Professionelle Entwicklung von Lehrkräfteausbildenden als Modellbildung: Eyal (2025) führte einen einjährigen 180-Stunden-Kurs durch, in dem 22 Lehrkräfteausbildende der Hochschulbildung das Adaptive Artificial-Intelligence-Literacy-Model co-designten und feste Kompetenzleitern durch drei miteinander verbundene Achsen ersetzten (Kontextpassung, professionelle Bedürfnisse, dynamische Entwicklung) sowie einen Fragebogen zur reflexiven Selbsteinschätzung mit 20 Items. Die Designprämisse ist, dass KI-Kompetenz situativ ist: Eine angehende Lehrkraft in einem ressourcenbegrenzten Setting, eine Fachlehrkraft und eine Schulleitung brauchen unterschiedliche Kompetenzen, weshalb professionelle Entwicklung auf rollenspezifisches Urteil zielen sollte statt auf eine standardisierte Rubrik.

  • Was Training adressieren sollte: die Messbasis des Felds hinkt der Technologie hinterher, die sie beschreibt. In einem systematischen Review von 33 Instrumenten zur Messung von KI-Kompetenz bei Lehrkräften fanden Zainal, Mohd Matore und Maat (2026), dass 29 (87.9%) allgemeine KI-Konzepte adressierten, während nur vier (12.1%), alle 2025 veröffentlicht, generative KI adressierten. Wenn Instrumente verfolgen, was Training aufbauen soll, markiert diese Verteilung generative-KI-Kompetenz im Unterricht als das am wenigsten gemessene und dringendste Ziel professioneller Entwicklung.

  • Arbeitskräfteprognose: Fletcher et al. reviewen US-amerikanische Graue Literatur zu KI und den Ingenieurs- und Informatik-Arbeitskräften, rahmen das „Dual-Train-Problem“ (rapider Wandel gegenüber dringender Politik) und empfehlen, dass die Hochschulbildung dauerhafte KI-Kompetenzen, Ethik und Governance sowie fähigkeitsbasierte Zertifikate priorisiert, die an aufkommende Rollen angepasst sind (etwa Prompt Engineering, KI-Audit, KI-Politik), um menschenzentrierte Arbeit in einer automatisierten Wirtschaft aufrechtzuerhalten.

  • Fähigkeitserhaltende Designs verlieren unter Durchsatz-Kennzahlen. de Jong (2026) argumentiert, dass reflektierte Interaktion dem Versprechen schnellerer Entscheidungen und höheren Durchsatzes widerspricht, das die KI-Übernahme in professioneller Arbeit treibt: Eine kontrollierte Studie kann die Reibung absorbieren, eine Umgebung, die Leistung nach Geschwindigkeit oder Quantität misst, kann es nicht, und wo Rivalen gleichwertige Unterstützung ohne Reibung anbieten, werden fähigkeitserhaltende Designs zum Wettbewerbsnachteil — ein Problem, von dem das Papier sagt, es könne in die Organisationspolitik oder zu Regierungen gehören statt in das Interaktionsdesign.

  • Mündliches Assessment für Arbeitsplatzfähigkeit. Eine TVET-Designstudie adressiert ein lange bestehendes Missverhältnis zwischen textlastigem Assessment und den verbalen, situativen Fähigkeiten, die professionelle Qualifikationen zertifizieren, und nutzt ein LLM, um interaktives mündliches Assessment zu stützen. Über vier Kohorten hinweg wurde das Sprachformat von 21 von 33 Lernenden als realistisch bewertet, ohne ablehnende Antwort auf seinen Vorteil gegenüber einem schriftlichen Portfolio, und das System lief vollständig offline auf einem Laptop für bis zu 12 gleichzeitige Lernende, löschte Aufnahmen nach 90 Tagen und überließ die Bewertung den Prüfenden (Designing AI-Supported Oral Assessment in TVET). Es ist ein konkretes Beispiel dafür, dass KI die Spanne bewertbarer Kompetenz in der beruflichen Weiterbildung erweitert statt nur bestehende schriftliche Formate zu automatisieren. Seine Kohorten waren allerdings Level-3-Klassen in Kfz-Technik und Ingenieurwesen, sodass die Belege in der beruflichen Erstausbildung sitzen statt im Arbeitsplatz-Upskilling, das diese Seite abdeckt.

  • Institutionelle Bedingungen, nicht nationaler Kontext, erklären Bereitschaftslücken. Eine vergleichende Befragung von 568 Universitätsmitarbeiterinnen und -mitarbeitern in chinesischen (n = 340) und kasachischen (n = 228) Zentren für Fakultätsentwicklung (Bi, Araily, Lyu & Xiu, 2026) fand kasachische Mitarbeitende auf allen sieben GenAI-Bereitschaftsdimensionen vorn, mit den größten Lücken in fachlichem Transfer, Prompt-Design und KI-gestütztem Assessment. Hierarchische Regression demontierte die nationale Erklärung: der Länderunterschied fiel stark, sobald frühere GenAI-Nutzung und jüngstes Training in das Modell eingingen, und wurde nicht signifikant — eine 80% Reduktion —, sobald institutionelle Unterstützung, empfundene Erlaubnis zum Experimentieren, mehrsprachiger Ressourcenzugang, Politikklarheit und Risikosensitivität hinzugefügt wurden. Exposition war ungleich verteilt (eine klare Mehrheit der kasachischen Mitarbeitenden hatte KI- Training in den vergangenen sechs Monaten, gegenüber etwa einem Viertel der chinesischen), und chinesische Mitarbeitende berichteten sowohl höhere Politikk- larheit als auch höhere Risikosensitivität. Strukturiertes Prompt-Aufgaben-Training übertraf konventionelle GenAI-Vertrautmachung beim Posttest Prompt-Design deutlich. Bereitschaft der Fakultät wird auf dieser Evidenzbasis durch Bereitstellung und Erlaubnis erzeugt —, was ein Zentrum anbietet und was es erlaubt —, statt durch das nationale System, in dem es sitzt.

  • Kurzes Training verschiebt Urteile, nicht Absichten. Ein dreistündiges Prä-Post-Pilotprogramm mit 100 deutschen Lehrkräften (Mesenhöller und Böhme, 2026) fand, dass empfundene Nützlichkeit (d = .32) und empfundene Leichtigkeit der Nutzung (d = .25) nach einer kurzen praxisorientierten Sitzung zu KI für Differenzierung signifikant stiegen, während Verhaltensabsicht sich von einer bereits hohen Baseline (M = 3.07) nicht bewegte. Die Autoren lesen die Lücke als Zeichen, dass Akzeptanz von Bedingungen abhängt, die eine Sitzung nicht liefern kann, wie Zeit, Infrastruktur und klare institutionelle Regeln. Kurze Formate lohnen sich, aber sie mit jenen Bedingungen zu paaren ist das, was günstiges Urteil in Nutzung verwandelt.

  • Anhaltende Beobachtung, nicht einmalige Workshops, für das Erste Training. Ein systematischer Review von 11 Studien zu KI in der ersten Lehramtsausbildung für Primarstufenmathematik (Pinto et al., 2026) fand, dass neun Interventionen eine einzelne Sitzung oder wenige, in bestehende Kurse eingebettete Sitzungen waren, dass Einstellungen meist einmal im Nachhinein erhoben wurden, und dass Ethik in nur drei Studien erschien. Die Autoren argumentieren, KI-Kompetenz müsse sich über die gesamte Ausbildungssequenz entwickeln, von einer vorbereitenden Phase ins Praktikum und die ersten Praxisjahre, mit Beobachtung, die dieser Progression folgt.

  • Exposition und Wiederholung, nicht Demografie, verfolgen günstige Wahrnehmungen. In einer Mixed-Methods-Studie mit 302 türkischen Primarstufenmathematiklehrkräften (Ciğerci und Uygun, 2026) waren früheres KI-Training (t = 3.661) und Häufigkeit der KI-Nutzung (F = 41.280) die Variablen, die am konsistentesten mit positiven Sichtweisen verbunden waren, während Bereitschaft (M = 3.98) und Einstellungen (M = 3.82) deutlich über persönlicher Erfahrung (M = 3.00) lagen. Die Autoren behandeln früheres Training als den klarsten Hebel, an dem Schulen ansetzen können, was auf wiederholte, anhaltende Nutzung statt einer einzelnen Einführung hinweist.

  • Rollenrotation als lasttragende Struktur. Eine designbasierte Studie mit 62 angehenden Bildungspsychologinnen und -psychologen in Kasachstan (Kenzhebayeva et al., 2026) rotierte Studierende über acht Wochen durch vier professionelle Positionen, wobei generative KI vorläufige Ideen lieferte. Die Autoren argumentieren, der Wert habe in der Rotation gelegen statt im Werkzeug, da jede Rolle denselben Fall unterschiedlich rahmte, und spätere Zyklen zeigten mehr Anfragen nach theoretischer Begründung. Sie berichten Engagement statt gemessener Zugewinne, da sie keine Prä-Post-Kompetenzmaße erhoben.

Unterscheidbar von akademischer Bildung

Berufliche Weiterbildung unterscheidet sich von akademischer Bildung durch ihren Fokus auf angewandte Fähigkeiten, unmittelbare Arbeitsplatzrelevanz und Merkmale erwachsener Lernender. Erwachsenenbildung-Theorie und Erwachsenenbildung-Prinzipien informieren das Design professionellen KI-Trainings. Ihre andere Grenze ist berufliche Aus- und Weiterbildung: VET nimmt Menschen auf, die den Beruf noch nicht innehaben, und schließt mit einem Gewerbe- oder technischen Qualifikationsabschluss, sodass sie erste berufliche Vorbereitung und die Qualifikationsframeworks trägt, die sie zertifizieren, wohingegen berufliche Weiterbildung von einer bestehenden Rolle ausgeht — Umschulung, kontinuierliche professionelle Bildung oder Anbieterzertifizierung — und die Kompetenz voraussetzt, die VET verleiht.

Expertise-Regeneration als Trainingsanliegen. Das Cognitive-Commons-Framework (Lovett 2026) argumentiert, HRD müsse über organisationales Reskilling hinaus zur Verwaltung auf Professionsniveau gehen: Einstiegs-Entwicklungspositionen in KI-exponierten Sektoren zu eliminieren kann den gemeinsamen Expertise-Pool erschöpfen, von dem alle Organisationen abhängen, mit einem zeitverzögerten Effekt, der erst nach 5–20 Jahren erscheint. Das rahmt berufliche Weiterbildung neu, von individueller Kompetenzentwicklung zu kollektiver Commons-Pflege. KI-Produktion mit Verifikation paaren, und externe Maße suchen. Nguyen et al. (2026) setzen automatisierte Halluzinationsprüfungen und ein SME-Audit zwischen Entwurf und Auslieferung über eine fünfstufige Upskilling-Pipeline und ruhen die stärksten Behauptungen des Frameworks auf einer NASBA-CPE-Akkreditierung und einer Anbieterzertifizierungsprüfung statt auf selbstdefinierten Erfolgsmaßen.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte Ressourcen

  • Master Instructional Design
    Ein Claude-Skill, der die Methode einer erfahrenen Instructional Designerin in fünfzehn Beteiligungsmodi und einunddreißig bedarfsweise geladene Referenzdateien über das gesamte Spektrum von Learning und Development verpackt.

Metadaten

NiveauAdult Learning, Higher Ed
ZielgruppeInstructors, Administrators, Learners
Lernen und UnterrichtLebenslanges Lernen
Technologien und VerfahrenGenerative KI, Große Sprachmodelle (LLMs), Simulation
Grundlagen von KI in der BildungKI-Kompetenz, Lehr- und Curriculumsentwicklung
SourceHistoryEditChat

Diese Seite einbetten

Kopieren Sie den Code unten, um diese Seite in ein Lernmanagementsystem oder eine andere Website einzubetten. Die eingebettete Version zeigt nur den Seiteninhalt — Kopfzeile, Navigation und Fußzeile der Website werden ausgeblendet.