Agil und strukturiert: eine Umgebung für KI-gestütztes Lernen

Ein moderner Ansatz für die Wissensaneignung

In der heutigen Arbeitswelt, insbesondere in der Softwareentwicklung und Qualitätssicherung, ist die Fähigkeit zur schnellen Einarbeitung in unbekannte Fachdomänen eine essenzielle Kompetenz. Oftmals müssen Fachkräfte, wie etwa Tester, komplexe Systeme verstehen, um präzise Testfälle zu entwickeln. Herkömmliche Lernmethoden, wie das lineare Durcharbeiten von Fachbüchern oder umfangreichen Onlinekursen, erweisen sich dabei häufig als ineffizient. Sie führen oft zu einem zu breiten Wissensaufbau, während für das konkrete Projekt nur ein kleiner, hochspezifischer Ausschnitt erforderlich wäre. Der von Nils Röttger vorgestellte Ansatz des agilen Lernens mit Unterstützung durch Künstliche Intelligenz (KI) adressiert genau diese Herausforderung. Statt eines starren Lernplans setzt dieser Prozess auf kurze, iterative Zyklen – sogenannte Sprints –, die durch gezielte Reviews und eine klare Strukturierung des Wissens ergänzt werden. Ziel ist es, die Lernenden befähigen, sich Wissen bedarfsgerecht anzueignen und dieses direkt in der Praxis anzuwenden. Dabei fungiert die KI nicht als alleiniger Lehrmeister, sondern als strukturierender Begleiter, während die menschliche Fachexpertise die notwendige Qualitätssicherung übernimmt.

Struktur und Methodik des Lernprozesses

Der agile Lernprozess beginnt mit einer präzisen Zieldefinition, die über vage Wünsche hinausgeht. Statt sich vorzunehmen, eine Domäne wie „Wetter“ allgemein zu verstehen, wird ein konkretes Lernziel formuliert, etwa das Einordnen spezifischer Fachbegriffe. Dieser Prozess basiert auf sechs zentralen Fragen, die den Rahmen abstecken: Was ist das konkrete Ziel und bis wann soll es erreicht sein? Welcher Zeitrahmen steht zur Verfügung? Wie lang sind die Sprints? Wo und wann wird gelernt? Welche Lernform ist am effektivsten? Welche Ressourcen, wie Fachbücher oder Experten, stehen bereit? Ein typischer Sprint dauert eine Woche, kann aber bei komplexen Themen auf zwei Wochen ausgeweitet werden. Ein entscheidender Vorteil dieses Modells ist die bewusste Einplanung von Pausen zwischen den Lerneinheiten. Diese ermöglichen es dem Gehirn, das Gelernte zu verarbeiten, was den Lernerfolg nachhaltig festigt. Nach jedem Sprint erfolgt ein Review, in dem geprüft wird, ob das Ziel erreicht wurde oder ob eine weitere Runde notwendig ist. Erst nach Abschluss aller Sprints findet eine Retrospektive statt, um den Prozess für zukünftige Lernzyklen zu optimieren.

Die Rollenverteilung im Lernumfeld

Ein wesentlicher Erfolgsfaktor für das KI-gestützte Lernen ist die klare Rollenverteilung. Die lernende Person übernimmt die Steuerung des Lernpfads und trägt die Verantwortung für den Lernerfolg. Die KI übernimmt zwei Rollen: Als Lernarchitektin strukturiert sie den Stoff, bereitet Zusammenhänge auf und formuliert Übungen. Als Lernbegleiterin stellt sie im Dialog Rückfragen und prüft das Verständnis, beispielsweise durch sokratische Fragetechniken. Um die Vertrauenswürdigkeit des Prozesses zu gewährleisten, ist eine menschliche Fachexpertin aus der jeweiligen Domäne unverzichtbar. Diese Person prüft den Lernpfad zu Beginn und bleibt als Ansprechpartnerin bei Unklarheiten erhalten. Dies ist besonders wichtig, da die KI zwar bei der Wissensvermittlung hilft, aber keine fachliche Autorität in einem spezifischen Projektkontext ersetzt. Eine vierte Rolle kann der Vorgesetzte einnehmen, der Lernzeit ermöglicht und die Lernziele mit der Projektrealität abgleicht. Wer ohne diese Rückendeckung lernt, läuft Gefahr, dass das erworbene Wissen mangels Anwendungsmöglichkeiten nicht zu echtem Können reift.

Technische Absicherung der Lernumgebung

Da KI-Modelle gelegentlich fehlerhafte Informationen liefern, ohne dass dies sofort erkennbar ist, sind technische und prozessuale Sicherungen essenziell. Erstens wird der Lernpfad im Dialog mit der KI erstellt und durch die menschliche Fachexpertin qualitätsgesichert. Zweitens müssen alle Aussagen der KI durch verifizierbare Quellen belegbar sein. Die Lernende ist angehalten, Fundstellen zu prüfen und bei Zweifeln die Fachexpertin hinzuzuziehen. Ein weiterer kritischer Punkt ist die Sicherheit der Lernumgebung. Da die KI für Recherchen auf das Internet zugreifen muss, dürfen keine internen oder vertraulichen Dokumente in die Umgebung gelangen. Die Nutzung einer virtuellen Maschine (VM) bietet hier eine robuste Trennung zwischen dem Host-System und der KI-Umgebung. Der Datenaustausch erfolgt ausschließlich über einen explizit geteilten Ordner. Dies schafft ein Bewusstsein dafür, welche Informationen in die Cloud gelangen. Während Container wie Podman oder Sandbox-Lösungen wie Bubblewrap ebenfalls genutzt werden können, bietet die VM durch ihren eigenen Kernel eine besonders strikte Isolierung, was sie für diesen Zweck sehr attraktiv macht.

Einordnung der Methode in den Arbeitsalltag

Einzuordnen ist das vorgestellte Modell als eine Methode, die den Spagat zwischen notwendiger Wissensaneignung und hoher Arbeitseffizienz schlägt. Den Berichten zufolge ist dieser Aufbau nicht als Ersatz für formelle Schulungen zu verstehen, sondern als ergänzendes Werkzeug für den projektbegleitenden Wissenserwerb. Die Stärke des Ansatzes liegt in der Kombination aus agiler Methodik und technischer Disziplin. Die bewusste Trennung von öffentlichem Lernmaterial und vertraulichen Projektdaten ist dabei ein zentrales Element, das die Anwendbarkeit in professionellen Umgebungen erst ermöglicht. Die Dokumentation der Retrospektiven in Wissensdatenbanken wie Confluence sorgt zudem dafür, dass der Lerneffekt über die einzelne Person hinausgeht und dem gesamten Team zugutekommt. Es ist jedoch zu beachten, dass dieser Prozess eine aktive Auseinandersetzung mit der Materie erfordert. Die KI nimmt dem Lernenden nicht das Denken ab, sondern liefert lediglich den strukturellen Rahmen, innerhalb dessen die fachliche Tiefe durch den Menschen selbst erarbeitet werden muss.

Offene Fragen und Grenzen des Modells

Der vorliegende Text lässt einige Punkte unbeantwortet, die für eine breite Implementierung relevant sein könnten. So wird nicht detailliert darauf eingegangen, wie genau die Auswahl der KI-Modelle oder die Konfiguration der Prompts für die Rolle als „Lernarchitektin“ im Detail auszusehen hat. Auch die Frage, wie mit sehr spezifischen, proprietären Technologien umgegangen werden soll, für die kaum öffentliches Material existiert, bleibt offen. Der Text betont zwar, dass interne Dokumente nicht in die KI-Umgebung geladen werden dürfen, bietet aber keine Lösung für Szenarien an, in denen das Lernen ohne Zugriff auf solches Wissen kaum möglich ist. Zudem bleibt unklar, wie der Zeitaufwand für die Fachexperten, die als Mentoren fungieren, in einem straffen Projektalltag dauerhaft kompensiert werden kann. Die praktische Umsetzung der Wissensarchitektur, also wie genau Daten in Markdown oder XML strukturiert werden müssen, damit die KI sie optimal verarbeiten kann, wird ebenfalls nur angerissen, ohne konkrete Best-Practices für die Dateistruktur zu definieren.

Zukünftige Entwicklungen und Ausblick

Der Lernprozess ist als iteratives System konzipiert, das sich durch die Retrospektiven stetig weiterentwickelt. Für die Zukunft ist vorgesehen, dass die Ergebnisse der Retrospektiven konsequent in Wissensdatenbanken festgehalten werden, um nachfolgenden Teams als Referenz zu dienen. Dies schafft eine Wissensbasis, die den Einstieg für neue Mitarbeiter in ähnliche Themengebiete erheblich verkürzen kann. Die technische Umgebung, bestehend aus der VM und dem geteilten Ordner, ist als ein modulares System zu verstehen, das an die jeweiligen Sicherheitsanforderungen und die verfügbaren Werkzeuge angepasst werden kann. Da die Auswahl an Isolationswerkzeugen groß ist, wird die Entscheidung für eine bestimmte Lösung – etwa VirtualBox oder Container-Technologien – auch in Zukunft individuell und kontextabhängig bleiben. Die vorgestellte Methode ist bereits in der Praxis bei der imbus AG im Einsatz, was darauf hindeutet, dass sie sich in realen Projektszenarien bewährt hat und als Vorbild für andere Unternehmen dienen kann, die ihre Lernprozesse agiler und KI-gestützt gestalten möchten.