Bau dir dein eigenes Lernsystem: Meisterschaft in der KI-Ära

Was mache ich, wenn es für das, was ich lernen will, keinen fertigen Lehrplan gibt?

Für Tennis finde ich einen Trainer. Für Klettern einen Verein. Für Buchhaltung gibt es Ausbildungen, Fachliteratur und Prüfungen.

Aber nehmen wir ein Ziel, das weniger sauber abgegrenzt ist: Ich möchte KI-Agenten entwickeln, Unternehmen mit künstlicher Intelligenz neu organisieren, bessere Entscheidungen treffen und gleichzeitig lernen, eigene Anwendungen zu bauen.

Wer ist dafür mein Lehrer?

Lange hätte ich wahrscheinlich nach der richtigen Person, dem richtigen Kurs oder der richtigen Ausbildung gesucht.

Heute halte ich diese Suche teilweise für falsch gestellt.

Genau das passiert bei vielen neuen Themen.

Die Entwicklung ist schneller als klassische Curricula. Die relevante Kompetenz liegt quer über mehrere Disziplinen. Der Mensch, der hervorragend programmieren kann, versteht vielleicht wenig von Organisationsentwicklung. Der Steuerexperte kennt den Prozess, aber nicht die Möglichkeiten moderner Agentensysteme. Der KI-Spezialist versteht das Modell, aber nicht unbedingt die Realität eines mittelständischen Unternehmens.

Wenn mein Ziel zwischen diesen Disziplinen liegt, kann ich nicht darauf warten, dass jemand anderes den perfekten Ausbildungsweg für mich baut.

Ich werde selbst zum Architekten meiner Lernumgebung.

Das klingt zunächst nach Freiheit. Tatsächlich bedeutet es vor allem mehr Verantwortung.

Ich muss entscheiden: Was will ich am Ende können? Welche Teilkompetenzen fehlen mir? Was kann ich alleine lernen? Wo brauche ich einen Experten? Wann brauche ich einen Trainingspartner? Und woran erkenne ich überhaupt, ob ich besser werde?

Im Leistungssport würde kaum jemand ernsthaft sagen: „Ich trainiere seit einem Jahr, also bin ich vermutlich besser.“

Man schaut hin.

Auf Zeiten. Wiederholungen. Technik. Wettkampfergebnisse. Video. Belastung. Fehler. Entwicklung.

Ein guter Coach arbeitet nicht nur mit Erinnerung und Bauchgefühl. Er versucht, Leistung beobachtbar zu machen.

Genau dieses Denken fehlt mir häufig beim Lernen von Wissensarbeit.

Wir lesen Bücher, besuchen Seminare, sehen Videos und führen Gespräche. Danach sagen wir: „Ich beschäftige mich seit zwei Jahren mit KI.“

Das sagt fast nichts über Kompetenz aus.

Nehmen wir Stand-up-Paddling.

Ich könnte einfach regelmäßig aufs Wasser gehen. Nach jeder Einheit hätte ich das Gefühl, trainiert zu haben. Vielleicht werde ich tatsächlich besser.

Aber ich könnte auch beginnen, mein Training sichtbar zu machen.

Welche Einheit habe ich absolviert? Welche Distanz? Welche Technik wollte ich verbessern? Wie hoch war die Belastung? Was hat funktioniert?

Und dann kommt die Kamera dazu.

Plötzlich sehe ich nicht mehr nur das Ergebnis. Ich sehe Bewegung.

Eine Aufnahme von heute lässt sich mit einer Aufnahme in drei Monaten vergleichen. Ein Trainer kann auf dasselbe Material schauen. Und zunehmend kann auch eine KI helfen, Muster, Unterschiede und wiederkehrende Probleme sichtbar zu machen.

Das Entscheidende daran ist nicht die Kamera.

Es ist etwas Grundsätzlicheres:

Wenn ich eine KI-Anwendung entwickle, muss ich mich natürlich nicht beim Tippen filmen.

Aber auch dort hinterlasse ich Spuren.

Code. Prompts. Architekturentscheidungen. Agent-Workflows. Tests. Fehlermeldungen. Screen-Recordings. Projektbeschreibungen. Retrospektiven. Funktionierende und gescheiterte Prototypen.

Das sind Trainingsdaten.

Und bei meinen Artikeln passiert etwas Ähnliches.

Am Anfang steht häufig kein fertiger Text. Da ist ein Gespräch, eine Beobachtung, eine These. Ich denke laut. Manche Gedanken sind brauchbar. Manche sind zu grob. Manche muss ich nach der Literaturrecherche wieder verwerfen.

Dann entsteht ein Entwurf. Quellen kommen dazu. Argumente werden geschärft. Beispiele werden besser. Am Ende steht ein veröffentlichter Artikel.

Wenn ich nur den fertigen Artikel speichere, sehe ich das Ergebnis.

Wenn ich den Prozess dokumentiere, sehe ich die Entwicklung meines Denkens.

Nach einem Jahr könnte ich fragen: Welche Argumente wiederholen sich? Wo bin ich präziser geworden? Welche Annahmen musste ich korrigieren? Welche Ideen wurden tatsächlich umgesetzt? Welche Fehler mache ich immer wieder?

Dann ist Dokumentation keine Ablage mehr. Sie wird Lerninfrastruktur.

Ich mag die Idee eines „Second Brain“. Aber für Meisterschaft greift sie mir zu kurz, wenn sie hauptsächlich bedeutet, möglichst viele Informationen zu speichern.

Ich brauche nicht nur Wissen. Ich brauche vier verschiedene Datenarten.

Bücher, Studien, Fachartikel, Notizen, Videos, Modelle und Zusammenfassungen.

Das ist das Material, aus dem ich denken kann.

Was habe ich tatsächlich getan? Welche Übung? Welches Projekt? Wie oft? Unter welchen Bedingungen?

Was konnte ich tatsächlich leisten?

Videos. Code. Falllösungen. Präsentationen. Artikel. Simulationen. Ergebnisse.

Nicht meine Meinung über meine Kompetenz – sondern beobachtbare Leistung.

Was hat ein Trainer gesehen? Was hat ein Kollege kritisiert? Welche Fehler hat eine KI gefunden? Was ist in der Praxis schiefgegangen? Was habe ich selbst in der Reflexion erkannt?

Erst wenn diese Ebenen zusammenkommen, entsteht für mich mehr als ein Wissensarchiv.

Es entsteht ein Meisterschaftssystem.

Hier muss ich allerdings eine Warnung einbauen – auch an mich selbst.

Man kann aus diesem Gedanken ein wunderschönes System bauen und trotzdem nichts lernen.

Ein perfektes Notion-Setup. Zwanzig Ordner. 47 Tags. Drei Dashboards. Automationen. Datenbanken. Farbcodes.

Und keine zehn Stunden ernsthafte Praxis.

Das ist keine Lerninfrastruktur. Das ist dekorierte Prokrastination.

Deshalb würde ich eine harte Regel setzen:

Wenn eine Videoaufnahme hilft, Technik zu beurteilen: aufnehmen.

Wenn ein Screen-Recording zeigt, warum ein Agent gescheitert ist: speichern.

Wenn ein Logbuch Fortschritt sichtbar macht: führen.

Wenn eine Information nur gesammelt wird, weil sie irgendwann vielleicht interessant sein könnte, produziere ich wahrscheinlich digitalen Müll.

Mehr Daten sind nicht automatisch bessere Daten.

Wenn ich heute eine Bewegung aus fünf Metern Entfernung filme und morgen aus einem völlig anderen Winkel unter anderen Bedingungen, ist der Vergleich begrenzt.

Dasselbe gilt beim Schreiben, Programmieren oder Entscheiden.

Ich brauche wiederkehrende Messpunkte.

Beim Schreiben könnten das Argumentationsstruktur, Klarheit, Quellenqualität, Präzision und Redundanz sein.

Beim Programmieren Funktionsfähigkeit, Fehlerquote, Wartbarkeit, Komplexität oder die Zeit bis zum funktionierenden Prototyp.

Beim Sport eine standardisierte Techniksequenz.

Damit entsteht über die Zeit etwas, das viel wertvoller ist als mein Gefühl:

eine Zeitreihe meiner Kompetenz.

Früher hatte dieses System einen offensichtlichen Engpass.

Feedback ist teuer.

Ein guter Trainer kann nicht jeden Tag stundenlang meine Videos analysieren. Ein Professor kann nicht jeden Gedanken mit mir diskutieren. Ein Softwarearchitekt kann nicht jeden privaten Prototyp reviewen.

KI verändert genau diese Ökonomie.

Sie macht menschliche Expertise nicht wertlos. Im Gegenteil: Sie kann dafür sorgen, dass wir sie gezielter einsetzen.

Eine KI kann meine Dokumentation strukturieren, mich abfragen, wiederkehrende Fehler suchen, Argumente angreifen, Trainingsdaten vergleichen, Code untersuchen, Lernkarten erzeugen oder unterschiedliche Lösungswege simulieren.

Der menschliche Experte wird dann dort besonders wertvoll, wo Erfahrung, Kontext, Urteilskraft und Nuancen zählen.

Und manchmal brauche ich einen Menschen schlicht dafür, dass er mir sagt:

Damit verändert sich auch mein Verständnis von Community.

Eine Lerncommunity ist für mich nicht primär eine Plattform mit möglichst vielen Beiträgen und Likes.

Sie ist ein Netzwerk unterschiedlicher Funktionen.

Ein Fachmentor. Ein Trainingspartner. Ein kritischer Kollege. Ein Spezialist für ein enges Problem. Menschen ungefähr auf meinem Niveau. Menschen weit vor mir. Menschen, denen ich selbst etwas erklären muss. Und zunehmend KI-Systeme oder Agenten mit klar definierten Rollen.

Ich brauche also nicht den einen perfekten Lehrer.

In der Selbstverteidigung habe ich das sehr konkret erlebt.

Ich habe bewusst mit unterschiedlichen Trainern gearbeitet. Nicht weil der eine „richtig“ und der andere „falsch“ lag.

Sondern weil sie dieselbe Situation unterschiedlich sahen.

Einer achtete auf Technik. Ein anderer auf Timing. Ein anderer auf Distanz oder das Verhalten unter Stress.

Wenn mehrere gute Perspektiven auf dasselbe Problem treffen, beginne ich, hinter der einzelnen Technik das Prinzip zu erkennen.

Genau das möchte ich auch in anderen Bereichen.

Einen Steuerfall kann ich mit einem Steuerrechtsexperten diskutieren. Mit einem Softwareexperten, der die Umsetzung im System kennt. Mit einem Prozessmenschen, der fragt, warum der Ablauf überhaupt so kompliziert ist. Und mit einer KI, die versucht, Gegenargumente und Sonderfälle zu finden.

Jetzt lerne ich nicht nur eine Antwort.

Ich lerne, das Problem zu sehen.

Eine der interessantesten Rollen von KI ist für mich deshalb nicht die des Antwortautomaten.

Wir verwenden KI sehr häufig so:

„Erkläre mir X.“

Das ist bequem. Aber Lernen entsteht nicht automatisch dadurch, dass eine Maschine eine gute Erklärung produziert.

Ich kann die Richtung umdrehen:

Plötzlich muss ich abrufen. Strukturieren. Erklären. Verteidigen.

Das passt zur Forschung über Learning by Teaching. Eine Metaanalyse von Ribosa und Duran fand einen positiven Effekt des Erstellens von Lehrmaterial für andere auf das eigene Lernen.

KI kann damit zum Trainingspartner werden – nicht nur zum Lieferanten fertiger Antworten.

Wenn ich das alles auf eine Logik reduzieren müsste, sähe sie so aus:

Ziel → Curriculum → Wissen → Training → Evidenz → Feedback → Reflexion → nächster Trainingsschritt.

Dann beginnt die Schleife erneut.

Retrieval Practice zwingt zum Abruf. Spacing verteilt Lernen. Interleaving mischt Problemtypen. Variierte Praxis zwingt mich, Prinzipien in neuen Situationen wiederzuerkennen. Produktive Schwierigkeiten verhindern, dass ich Training mit echter Beherrschung verwechsle.

Die digitale Infrastruktur ist dabei nicht das Lernen selbst.

Sie sorgt dafür, dass das Lernen nicht jedes Mal bei null beginnt.

Wenn wir von Big Data sprechen, denken wir fast immer an Unternehmen.

Kundendaten. Finanzdaten. Maschinendaten. Marketingdaten.

Aber was wäre, wenn wir einen kleinen Teil derselben Konsequenz auf unsere eigene Entwicklung anwenden?

Stellen wir uns vor, ich dokumentiere über fünf Jahre meine Artikel, Projekte, programmierten Agenten, Entscheidungen, Fehler, Reflexionen, Lernziele, Vorträge und das Feedback von Experten.

Dann besitze ich nicht nur einen Ordner voller Dateien.

Ich besitze einen persönlichen Trainingsdatensatz.

Und hier entsteht eine asymmetrische Chance: Mit steigender Leistungsfähigkeit von KI kann der Wert gut strukturierter historischer Daten zunehmen.

Eine zukünftige KI kann aber nur analysieren, was ich heute überhaupt dokumentiere.

Nicht mit einer neuen Software.

Nicht mit hundert Kategorien.

Sondern mit sieben einfachen Bereichen:

Google Drive, eine lokale Struktur oder eine andere Plattform ist zunächst zweitrangig.

Wichtiger ist, dass die Daten strukturiert, zugänglich und langfristig unter meiner Kontrolle bleiben.

Vielleicht ist das eine der interessantesten Veränderungen der KI-Ära.

Wir müssen nicht mehr darauf warten, dass für jedes neue Wissensgebiet irgendwann der perfekte Kurs erscheint.

Wir können unser Ziel definieren. Ein Curriculum bauen. Wissen sammeln. Experten hinzuziehen. KI einsetzen. Projekte durchführen. Leistung dokumentieren. Feedback sammeln. Fortschritt messen. Und den Weg nach jeder Runde verbessern.

Die Frage verändert sich damit fundamental.

Nicht mehr:

Sondern:

Das ist mehr Verantwortung.

Aber auch wesentlich mehr Freiheit.

Und vielleicht ist genau das die neue Form des lebenslangen Lernens: nicht immer mehr Inhalte zu konsumieren, sondern die eigene Entwicklung wie ein Hochleistungssystem zu organisieren.

Bjork, R. A., & Bjork, E. L. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher et al. (Hrsg.), Psychology and the Real World. Worth Publishers.

Brown, P. C., Roediger III, H. L., & McDaniel, M. A. (2014). Make It Stick: The Science of Successful Learning. Harvard University Press.

Mollick, E. (2024). Co-Intelligence: Living and Working with AI. Portfolio.

Ribosa, J., & Duran, D. (2022). Do students learn what they teach when generating teaching materials for others? A meta-analysis through the lens of learning by teaching. Educational Research Review, 37, 100475.

Sliwka, A. (2018). Pädagogik der Jugendphase: Wie Jugendliche engagiert lernen. Beltz.