Online-Kurse mit KI entwickeln

Meine ersten Erfahrungen in der Online-Kurs Erstellung mit KI waren ernüchternd: Eine LLM schreibt in zwanzig Minuten einen kompletten Online-Kurs. Das Ergebnis liest sich flüssig, hat eine saubere Gliederung, plausible Übungen – und ist trotzdem unbrauchbar. Ich habe das ein paar Mal durchgemacht, bevor ich verstanden habe, woran es lag.

Dieser Beitrag beschreibt den Prozess, der daraus entstanden ist: vier Dokumente, zwei harte Regeln und ein paar Werkzeuge. Er ist nicht auf Online-Kurse beschränkt — dasselbe Vorgehen trägt auch Workshops, Printmaterial oder eine Blogserie.

Warum der erste Versuch scheitert

Die Kurse, die dabei herauskamen, hatten alle dieselben vier Mängel:

• Zu viel Text. Lektionen mit 300 Wörtern Erklärung und einer Reflexionsfrage am Ende. Das ist kein Kurs, das ist ein Skript mit Zwischenüberschriften.
• Attrappen statt Prüfungen. Aufklappbare „Selbsttests“ mit Frage und Antwort darunter. Sieht nach Quiz aus, wurde aber nicht wirklich in das LMS integriert.
• Keine Arbeitsmaterialien: Kein einziges Arbeitsblatt. Online-Kurse leben von spezifischen Arbeitsaufträgen an einer echten eigenen Situation, sonst könnten sie auch einfach ein Text sein.
• Erfundene Modelle: Der schwerwiegendste Punkt. Für einen Kurs über Transformation und Widerstände entstand ein Sammelsurium aus Eisberg-Modell und Change-Kurve. Dabei gab es längst ein eigenes, besseres Modell von mir – die Transformations-Melone, mit Widerstands-Matrix und einer fertigen Fallvignette. Das Material lag in einem Order, der sogar für die KI zugänglich war. Es wurde aber nur nicht danach gesucht.

Fazit: Eine KI erfindet lieber etwas halbwegs Plausibles, als strenge Qualitätsrichtlinien anzulegen und ggf. Lücken zu lassen. Und das Erfundene klingt gut genug, dass es nicht sofort auffällt. Am Ende macht das aber viel mehr Arbeit und bringt mittelmäßige Qualität.

Die zwei Grundregeln

Regel 1: Nichts erfinden, was schon existiert.

Vor jeder Konzeption wird gesucht – im meinem eigenen Blog, in den eigenen Slide-Decks, in den Workshop-Unterlagen. Das Gefundene wird wortgleich übernommen, nicht „verbessert“, nicht umbenannt, nicht in eine eigene Variante umgebaut.

Warum so streng? Weil eine leicht abgewandelte Version eines eigenen Templates schlechter ist als gar keins. Bei einem Test zum Thema Prozess-Optimierung hatte ich einen Prozess-Snapshot – ein fertiges Arbeitsblatt zu Prozess-Schritten, Stakeholdern, Erfolgsparametern und Fehlerquellen. Was zurückkam, war eine Tabelle mit den Spalten „Dauer“ und „Verantwortlich“. Erkennbar verwandt, aber eben nicht das Werkzeug, mit dem ich arbeite.

Regel 2: [Lücke für …] statt Erfindung.

Wo Material fehlt oder eine Entscheidung offen ist, wird eine markierte Lücke gelassen:

[Lücke für: Karls ausgearbeitete Schlüsselfaktoren für Spur A]
[Lücke für: Entscheidung — 6 oder 7 Lektionen?]
[Lücke für: Originalgrafik aus Folie 3 exportieren]

Das klingt banal, verändert aber die Zusammenarbeit grundlegend. Eine Lücke ist ein Arbeitsauftrag an mich, kein Mangel des Entwurfs. Und sie verhindert, dass ich beim Gegenlesen erfundene Inhalte übersehe, weil sie sich flüssig lesen.

Vier Strukturen für Qualitätssicherung

Konzipiert wird in Markdown, nicht in fertigen Kursseiten. Der Grund ist derselbe wie beim Prototyping überhaupt: Ein fertiger Kurs ist zu spät und zu hochauflösend, um noch gemeinsam daran zu denken.

1. Materialsichtung

Was es schon gibt in den bisherigen Materialsammlungen, auf Blog, oder in Unterlagen früherer Projekte, mit Link, geprüft, und mit Einschätzung: direkt übernehmbar, als Grundlage überarbeitbar, oder nur Hintergrund.

2. Lernlog

Das Lernlog ist das didaktische Backlog für den ganzen Kurs, in sieben Kategorien:

1. Inhalte,
2. Kompetenzen,
3. Methoden,
4. Probleme,
5. Alltagsbezüge,
6. Historie und Anekdoten,
7. Bilder.

Erst breit sammeln, dann bewusst auswählen. Die Fokus-Priorisierung sortiert quer über alle sieben Kategorien, nicht kategorienweise.

Jeder Eintrag bekommt einen Status: implementiert, raus, offen.

Der Lernlog umspannt den Erfolgszustand: Was können die Lernenden am Ende?

3. Lernheldenreise

Hier liegt der eigentliche Hebel. Die Reise wird vom Erfolgszustand aus rückwärts entwickelt:

Schritt	Frage
Erfolgszustand	Was kann die Person am Ende?
Endgame	Welche eine Erfahrung beweist, dass sie es kann?
Scaffolding	Welche Teilschritte führen dahin — erst mit viel Gerüst, dann ohne?
Onboarding	Was muss vorher sitzen, damit Scaffolding greift?
Entdecken	Was macht Appetit, und welche Voraussetzungen sind zu klären?

Vorwärts gedacht entsteht fast automatisch eine Themenliste. Rückwärts gedacht entsteht eine Kompetenzkette — und es fällt sofort auf, wenn ein Schritt nicht trägt.

4. Kursstruktur-Prototyp

Die Abfolge, wie Lernende sie sehen: Lektionen als Arbeitsaufträge, Glossare an den Phasenübergängen, Tests als Zwischen- und Abschlussprüfung. Dazu die Regel, dass Designer-Sprache draußen bleibt: Nach außen heißt es Lektion, nicht Quest.

5. Anforderungsliste an den menschlichen Lerndesigner

Welche essenzielle Lücken gibt es bisher zwischen dem Lernlog und dem tatsächlich vorhandenen Material? Die KI listet auf, was sie davon prototypisch selbst erstellen könnte und was aber eigentlich in sorgfältige menschliche Konzeption gehört.

Die Technik dahinter

Der Prozess ist plattformunabhängig. Für die Umsetzung zum LMS (bei mir LearnDash) sind folgende Prinzipien entscheidend geworden:

1. Pro Kurs eine neue Dateistruktur. Anfangs lagen alle Kurse als Python-Strukturen in einer einzigen Datei — 5000 Zeilen für zehn Kurse. Unhandlich, und nur über die Kommandozeile bearbeitbar. Heute ist jeder Kurs eine Klartextdatei mit YAML für Strukturiertes und einfachem Text für den Rest. Bearbeitbar in jedem Editor, versionierbar, und die Zahl der Kurse ist egal.
2. Der Blog als Wissensdatenbank. Die Materialsuche war Handarbeit: Blog-Suche aufrufen, Links aus dem HTML klauben, jede URL prüfen. Dabei wurde übersehen und geraten — von vier aus dem Gedächtnis rekonstruierten Permalinks waren drei falsch. Jetzt zieht ein kleines Skript den gesamten Blog über die WordPress-REST-API in einen lokalen Index: 704 Artikel, 723 Bilder, mit Kategorien, Schlagwörtern, Volltext und — entscheidend — den URLs aller eingebetteten Grafiken. Materialsuche ist damit eine Abfrage statt einer Recherche. Die erste Abfrage lieferte prompt zwei Grafiken, die zunächst übersehen wurden: den Prozess-Canvas und leere Spinnennetz-Schablonen für Szenarien mit mehr als zwei Schlüsselfaktoren. Beides schön längst im eigenen Blog.
3. Originale statt Nachbauten. Für Grafiken gilt dieselbe Regel wie für Modelle. Ein Foliensatz wird nicht nachgezeichnet, sondern gerendert — LibreOffice wandelt ihn über die Kommandozeile zum PDF, daraus werden die einzelnen Folien als PNG extrahiert. Und einzelne Folien lassen sich als eigenständige Arbeitsblätter herausschneiden, die Lernende in drei Formaten bekommen: online bearbeiten, herunterladen, ausdrucken.

Was sich übertragen lässt

Drei Dinge, unabhängig von Werkzeug und Thema:

1. Suchen kommt vor Erzeugen. Wer schon Material hat, sollte es inventarisieren, bevor eine KI Neues produziert. Der Aufwand für einen durchsuchbaren Index amortisiert sich beim ersten Kurs.
2. Markierte Lücken schlagen plausible Fülltexte. Eine sichtbare Leerstelle kostet dreißig Sekunden Entscheidung. Ein plausibel erfundener Absatz kostet eine halbe Stunde Suche nach dem, was daran nicht stimmt.
3. Rückwärts denken. Vom Zielzustand aus zu planen, ist der Unterschied zwischen einer Themenliste und einem Lernweg. Das gilt für Kurse wie für Transformationsprozesse — und ist derselbe Gedanke wie beim Backcasting im Future Thinking.

Der Prozess ist als LLM-Skill formalisiert und wird laufend weiterentwickelt. Wenn dich die technische Seite interessiert oder du Ähnliches vorhast: schreib mir.