Was ist ein Haus ohne Fundament?

KI hält in Unternehmen selten Einzug über einen einzigen, formellen Einführungsmoment. Meist entsteht sie schrittweise – aus Neugier, Zeitdruck oder dem Wunsch, Prozesse „einfach schneller“ zu machen. Lernorganisationen erleben das früh, weil Lernplattformen nah an der täglichen Arbeit angesiedelt sind: an Rollenentwicklung, Compliance‑Trainings, Performance‑Gesprächen und internem Wissen.

Diese Nähe erzeugt ein spezifisches Risikoprofil:

• Lernsysteme enthalten sensible Mitarbeiterdaten – etwa Lernfortschritte, Bewertungen, Interessen und teils auch Verhaltenssignale
• Lernempfehlungen beeinflussen Chancen, Sichtbarkeit und wahrgenommene Kompetenz
• Shadow‑AI‑Nutzung findet bereits statt – häufig außerhalb der Kontrolle von L&D, IT und Compliance
• Vertrauen ist bei HR‑nahen Technologien besonders fragil, vor allem dann, wenn Mitarbeitende sich überwacht statt befähigt fühlen

Der EU AI Act soll KI im Corporate Learning nicht verhindern. Jedoch zwingt er einen zu einer grundlegenden Frage: Können Sie nachweisen, dass Ihr KI‑gestütztes Lernerlebnis kontrolliert, transparent und verantwortungsvoll genutzt wird?

Das Model Context Protocol (MCP) ist ein entstehender Standard, der KI‑Modelle strukturiert mit Tools, Systemen und Datenquellen verbindet. Anstatt dass jede KI‑Anwendung eigene, individuelle Integrationen entwickelt, schafft MCP eine einheitliche Schnittstelle zwischen dem Modell und den Ressourcen, die es im Unternehmen benötigt.

Für Corporate Learning liegt der Mehrwert nicht primär in „neuen Features“. Der eigentliche Mehrwert heißt: Governance.

Ohne eine kontrollierte Kontextschicht folgen KI‑gestützte Lernfunktionen meist einem von zwei Mustern:

1. Das Modell ist vom internen Unternehmenswissen isoliert. Es erzeugt generische Ergebnisse, die auf den ersten Blick hilfreich wirken, sich jedoch schrittweise von internen Richtlinien, Prozessen und Verantwortlichkeiten entfernen. So sieht die Realität von KI im Corporate‑L&D aktuell in einem Großteil der Organisationen aus.
2. Das Modell ist direkt über ad‑hoc‑Integrationen mit internen Systemen verbunden. Das erhöht das Risiko von Datenabflüssen, erschwert die Nachvollziehbarkeit für Audits und führt zu einer unüberschaubaren Integrationslandschaft. Es ist ein Beispiel für KI‑Implementierungen, die primär auf Performance optimiert sind – nicht auf die Prinzipien, die der EU AI Act fördern will.

MCP eröffnet zusätzlich eine dritte Option...

In einfachen Worten kann MCP als Vermittler zwischen dem KI‑Modell (oder KI‑Assistenten in Ihrer Lernplattform), Ihren unternehmensinternen Wissensquellen (Richtlinien, Content‑Bibliotheken, LMS‑Kataloge, Intranet‑Seiten) und Ihren Enterprise‑Systemen (Identity‑Management, Berechtigungen, Ticketing‑Tools, Dokument-Ablagen) fungieren. Richtig implementiert, ermöglicht dieser Ansatz vier zentrale Funktionen:

• Kontrollierter Datenaustausch: Dem Modell werden ausschließlich die Informationen bereitgestellt, die für Rolle und Kontext erforderlich sind.
• Berechtigungsgesteuerter Zugriff: Der KI‑Assistent kann nichts „sehen“, was der Nutzer selbst nicht sehen darf.
• Auditfähige Protokollierung: Tool‑Aufrufe und Retrieval‑Aktionen werden dokumentiert und sind im Bedarfsfall prüfbar.
• Durchsetzung von Data Governance: Schwärzungs‑, Klassifizierungs‑ und Aufbewahrungsregeln lassen sich zentral anwenden; dies ist vermutlich einer der entscheidendsten Faktoren überhaupt.

Genau deshalb ist MCP ein relevanter Baustein für das Vertrauensmodell digitaler Lernplattformen. Vertrauen entsteht nicht durch Kommunikation allein, sondern durch Vorhersehbarkeit, klare Begrenzungen und belastbare Nachweise.

Schattennutzung von KI nimmt zu, wenn offizielle Systeme intransparent, restriktiv oder wenig hilfreich wirken – oder wenn Mitarbeitende den Eindruck haben, dass jede Aktion überwacht wird. Ist das offizielle KI‑gestützte Lernerlebnis hingegen transparent, in vernünftigem Maße steuerbar und tatsächlich hilfreich, sinkt der Anreiz, die Plattform zu umgehen. Das ist einer der praktischsten Vertrauenseffekte überhaupt – weil er Umgehungsverhalten reduziert, statt es kontrollieren zu müssen.

Strategie wird erst dann glaubwürdig, wenn sie der Umsetzung standhält. Die zugespitzte Formulierung ist bewusst gewählt. Eine pragmatische Roadmap zur Integration von KI in die Enterprise‑L&D‑Strategie umfasst häufig Schritte wie die folgenden:

• Schritt 1: Use Cases in klarer, verständlicher Sprache definieren und anschließend das Risiko klassifizieren
• Schritt 2: Datenflüsse abbilden, bevor Tools ausgewählt werden
• Schritt 3: Ein KI‑Governance‑Framework für HR und L&D etablieren
• Schritt 4: Die Kontextschicht als zentralen Bestandteil der Architektur aufbauen
• Schritt 5: Pilotprojekte mit vertrauensbasierten Kennzahlen starten – nicht nur mit Adoptionsmetriken
• Schritt 6: Skalierung über Lernkultur erreichen, nicht über bloßen Zugriff

Befindet sich Ihre Organisation noch in der Orientierungs‑ oder Entscheidungsphase, geht es nicht darum, die Zukunft von KI im Corporate Learning vorherzusagen. Ziel ist es, ein Setup zu schaffen, das auch dann stabil bleibt, wenn sich Tools und Modelle verändern. Ein möglicher Startpunkt: Wählen Sie zwei bis drei klar abgegrenzte KI‑Use‑Cases im L&D mit messbaren Ergebnissen. Definieren Sie anschließend ein KI‑Governance‑Framework für HR und L&D mit benannten Verantwortlichkeiten und klaren Eskalationspfaden. Darauf aufbauend sollten Anforderungen an Compliance‑fähige Lernsysteme festgelegt werden, etwa zu Protokollierung, Transparenz und menschlicher Aufsicht. Erst dann können Sie MCP als Governance-basierte Kontextschicht nutzen, um das Integrations-Chaos zu reduzieren und die Revisionsfähigkeit zu verbessern. Zudem gilt es, KI-Policy-Schulungen zu etablieren, die das Urteilsvermögen statt reiner Tool-Kenntnis fördern, und Vertrauen als operative Leistung anstatt als bloße Kommunikationsaufgabe zu behandeln.

Compliance ist das Fundament, Vertrauen ist die Decke und die Implementierung ist die Verkabelung, die ein Gebäude tatsächlich bewohnbar macht. MCP wird nicht jede Governance‑Herausforderung allein lösen. Es bietet jedoch einen konkreten Ansatz, um KI‑Fähigkeiten mit Kontrolle, Nachvollziehbarkeit und verantwortungsvollem Zugriff auf Unternehmenswissen zu verbinden.

Für unseren nächsten Artikel liegt es nahe, diesen Gedanken weiterzuverfolgen: Daher behandeln wir, wie sich Vertrauen in großem Maßstab operationalisieren lässt und wie ein Vertrauensframework für digitale Lernplattformen gestaltet werden kann, das Audits, kritische Mitarbeiterfragen und den praktischen Einsatz übersteht, ohne Lernen unnötig auszubremsen.