Innovation und Transfer in der beruflichen Bildung

1 Einleitung

Künstliche Intelligenz (KI) ist aus vielen Bereichen unseres Lebens nicht mehr wegzudenken, spätestens mit dem Aufkommen leistungsfähiger Machine-Learning-Methoden und der breiten Verfügbarkeit digitaler Anwendungen. In der beruflichen Bildung eröffnet KI neue Möglichkeiten, etwa durch personalisierte Lernumgebungen, intelligente Tutoring-Systeme oder die Unterstützung bei der Erstellung und Auswertung von Lernmaterialien (Seufert, 2023). Auch in der beruflichen Weiterbildung üben KI-Technologien einen Einfluss aus, diese reichen von der Automatisierung administrativer Aufgaben über die Entwicklung personalisierter Lernwege bis hin zur Analyse individueller Lernbedarfe und der Schaffung adaptiver Lernumgebungen. So bietet KI erweiterte Chancen zur individuellen Förderung und kann hierbei insbesondere eine Unterstützung des Lernens darstellen (Bundesministerium für Bildung und Forschung, BMBF, 2023). Im Sinne des lebenslangen Lernens spielt die berufliche Weiterbildung eine entscheidende Rolle für die individuelle berufliche Entwicklung und Wettbewerbsfähigkeit auf dem Arbeitsmarkt (Erol, 2025). Der Adult Education Survey (AES) des BMBF zeigt, dass 40% der befragten 18-69-Jährigen (n=9820) ein Weiterbildungsverhalten im Sinne des informellen Lernens als Selbstlernangebote in Form von Online und Offline Lernangeboten nutzen. Diese Anzahl hat sich im Vergleich zu den Ergebnissen zum Bericht des Jahres 2016 nahezu verdoppelt (BMBF, 2022). Gezielt eingesetzt, können KI-gestützte Anwendungen auch hier einen Beitrag leisten, indem sie Weiterbildungsinteressierte bei der Orientierung auf einem schwer überschaubaren Weiterbildungsmarkt unterstützen (Kullmann & Kaufmann-Kuchta, 2024). Auch in berufsbildenden Schulen nimmt die Relevanz von individualisierter Berufsorientierung zunehmend zu, wodurch unterstützende digital Angebote zur Orientierung und Entscheidungsfindung von Bedeutung gewinnen (Giek & Seefried, 2023). Für die Nutzungsintention ist es entscheidend, dass Innovationen von den Nutzer:innen tatsächlich angenommen werden. Hierfür werden die Fragen, inwieweit technologisch gestützte Bildungstools Akzeptanz finden und durch welche Faktoren diese Akzeptanz beeinflusst wird, vielfach diskutiert (siehe bspw. Antonietti et al., 2022; Albayati, 2024).

Das vom BMBF geförderte^[1] Projekt KIM: „Künstliche Intelligenz als Mentoring-Lösung für lebenslanges Lernen“^[2], verfolgte das Ziel, Weiterbildungsprozesse zu individualisieren und Nutzer:innen einer beruflichen Weiterbildungswebsite mithilfe einer KI-gestützten Mentoring-Anwendung bei der Wahl geeigneter Selbstlernkurse zu unterstützen. Mentoring wird in diesem Zusammenhang nicht als ein Prozess verstanden, bei dem Mentor:innen und Mentees im wechselseitigen Kontakt zueinanderstehen. Ebenso tritt die KI-gestützte Mentoring-Anwendung nicht selbst als kommunikative oder personifizierte Instanz auf (Raufelder & Ittel, 2012). Vielmehr übernimmt das System Mentoring-bezogene Funktionen, indem es Nutzer:innen eine Orientierung bietet, Entwicklungsbedarfe sichtbar macht und darauf aufbauend passgenaue Weiterbildungsempfehlungen ableitet und vorschlägt. Im Rahmen des Verbundprojektes^[3] wurde untersucht, wie KI-gestützte Mentoring-Anwendungen perspektivisch gestaltet werden können, um die Akzeptanz dieser neuen Informationstechnologie bei Nutzer:innen zu erreichen, um so im Sinne eines nachhaltigen Transfers sowohl für Anbieter:innen als auch für Anwender:innen einen langfristigen Nutzen zu bieten. Wichtig hierfür war es herauszufinden, welche Faktoren die Nutzer:innenakzeptanz beeinflussen.

Dieser Beitrag fokussiert sich auf die Nutzer:innenakzeptanz neuer Informationstechnologien. Im Zentrum der Untersuchung standen zwei Forschungsfragen:

Wodurch wird die Akzeptanz für die Anwendung sowie der KI-gestützten Entwicklung von Weiterbildungscurricula geschaffen?

Wie müssen die Anwendung und das dahinterliegende Konzept gestaltet sein, um eine regelmäßige Nutzung durch die Anwender:innen im Sinne des lebenslangen Lernens zu erreichen?

Zur Beantwortung der Forschungsfragen wurde anknüpfend an das Technology Acceptance Modell 3 (TAM3) (Venkatesh & Bala, 2008) mittels eines qualitativen Ansatzes nutzer:innenzentriert erhoben, welche Aspekte einen Einfluss auf die Nutzer:innenakzeptanz haben, um den nachhaltigen Transferprozess KI-gestützter Mentoring-Anwendungen zielorientiert zu fördern.

Nachfolgend wird die Struktur des Beitrags skizziert. Zunächst werden der konzeptionelle Rahmen skizziert sowie der bisherige Forschungsstand dargestellt. Hierbei werden sowohl die Rolle von KI in der Weiterbildung als auch Transferkonzepte in der Berufsbildung sowie die Technologieakzeptanz als Voraussetzung für einen nachhaltigen Transfer beschrieben. Daran anschließend erfolgt die Vorstellung des methodischen Vorgehens und die Darstellung und Analyse der empirischen Ergebnisse, die in der anschließenden Diskussion anhand des TAM3 sowie unter Einbezug aktueller Forschungsergebnisse interpretiert werden. Daraus werden Implikationen für die Praxis abgeleitet, insbesondere für eine nachhaltige Implementierung KI-gestützter Mentoring-Anwendungen in der beruflichen Weiterbildung.

2 Konzeptioneller Rahmen

Der konzeptionelle Rahmen dieser Untersuchung verknüpft drei zentrale Perspektiven, die sich gegenseitig ergänzen und die Grundlage zur Beantwortung der Forschungsfragen bilden. Erstens wird der Forschungsstand zum Stellenwert von KI in der beruflichen Weiterbildung dargestellt. Zweitens werden die Bedingungen für einen nachhaltigen Transfer KI-gestützter Mentoring-Anwendungen in Bildungs- und Arbeitskontexte betrachtet. Drittens erfolgt eine Analyse der Nutzer:innenakzeptanz auf Basis des TAM3 (Venkatesh & Bala, 2008). Die Verbindung dieser drei Perspektiven ermöglicht es, Faktoren zu identifizieren, die die Akzeptanz der Nutzer:innen von KI-gestützten Mentoring-Anwendungen in der Weiterbildung beeinflussen. Daran anknüpfend können Rückschlüsse auf Bedingungen eines nachhaltigen Transfers gezogen werden. Zielgruppe der KI-gestützten Mentoring-Anwendung sind Personen, die sich durch eine positive Weiterbildungsbereitschaft auszeichnen. Daher liegt die Untersuchungsperspektive der Nutzer:innenzentrierung im Fokus dieses Beitrags.

2.1 Künstliche Intelligenz in der Weiterbildung

In diesem Beitrag wird KI als technologiegestütztes System verstanden, welches über eine Nutzer:innenschnittstelle eingesetzt wird und Empfehlungen erzeugt. Zur begrifflichen Einordnung wird auf die KI-Verordnung der Europäischen Union (KI-VO; Amtsblatt der Europäischen Union, 2024) Bezug genommen, die zwischen einem KI-Modell und einem KI-System unterscheidet. Hierbei beschreibt das KI-Modell den technischen Kern einer Anwendung. Um zu einem KI-System zu werden, müssen KI-Modellen weitere Komponenten hinzugefügt werden, wie beispielsweise eine Nutzendenschnittstelle. Ein KI-System kann als technisches System verstanden werden, welches maschinell arbeitet und in unterschiedlicher Ausprägung selbstständig agiert. Es kann sich anpassen und aus den erhaltenen Daten eine Ausgabe erzeugen, die einen Einfluss auf die reale oder virtuelle Umgebung haben. KI grenzt sich insofern von anderer Software ab, dass die Ergebnisgenerierung nicht vollständig durch zuvor vorgegebenen und festen, menschlichen Regeln bestimmt wird, sondern teilweise aus einem Lernprozess des Systems entsteht (Amtsblatt der Europäischen Union, 2024). Vor diesem Hintergrund steht die Nutzung und Wahrnehmung der Anwendung als Technologie im Vordergrund, weshalb in dieser Arbeit nicht das KI-Akzeptanzmodell (KIAM), sondern das TAM3 herangezogen wird (Scheuer, 2020), um Einflussfaktoren auf die Akzeptanz einer KI-gestützten Mentoring-Anwendung zu untersuchen und Implikationen für einen nachhaltigen Transfer abzuleiten.

Die Nutzung von KI-gestützten Weiterbildungsplattformen kann Nutzer:innen durch eine effiziente und zielgerichtete Suche dabei unterstützen, flexible und individualisierte Weiterbildungen zu finden (Helmold, 2024). Diese Potenziale verdeutlichen die zunehmende Relevanz KI-gestützter Anwendungen im Weiterbildungskontext, die im Folgenden näher skizziert wird.  

Lebenslanges Lernen bezeichnet „den kontinuierlichen Prozess der Wissens- und Kompetenzerweiterung in persönlichen, sozialen oder beruflichen Bereichen“ (Hölzle & Prochaska, 2025, S. 1). Da Arbeitnehmende ihre Qualifikationen und Fähigkeiten an die sich verändernde Arbeitswelt anpassen müssen, gewinnt lebenslanges Lernen zunehmend an Bedeutung (Dogu, 2023). Es erfordert von den Menschen Flexibilität, sowie die Bereitschaft, sich dauerhaft weiterzuentwickeln und Veränderungen anzunehmen (Giese & Suhr, 2023). Schoeneberger (2024) versteht unter dem Begriff des lebenslangen Lernens einen fortlaufenden Lernprozess, der aus eigener Motivation erfolgt und sowohl persönliche als auch berufliche Entwicklungsziele verfolgt. Lernen wird dabei nicht als zeitlich oder räumlich begrenzte Aktivität verstanden, sondern als ein Prozess, der in unterschiedlichen Lebenssituationen stattfinden kann (Schoeneberger, 2024). Laut Erol (2025) nimmt lebenslanges Lernen eine „Schlüsselrolle für die individuelle berufliche Entwicklung und Wettbewerbsfähigkeit“ ein (Erol, 2025, S. 16). So können Arbeitnehmende neue Fähigkeiten erlernen sowie vorhandene Fähigkeiten anpassen (Erol, 2025). Die persönliche Entwicklung wird motiviert gefördert und Erwerbsbiographien können nach individuellen Wünschen und Bedürfnissen gestaltet werden (Hölzle & Prochaska, 2025). Zudem entspricht das lebenslange Lernen dem Interesse der Unternehmen, durch geschultes Personal angemessen auf zukünftige Herausforderungen reagieren zu können und zudem wettbewerbsfähig zu sein. Es trägt weiter zur Mitarbeitendenbindung bei, erhöht die Arbeitszufriedenheit und steigert die Produktivität (Hölzle & Prochaska, 2025). Weiterbildung ist in diesem Zusammenhang für das lebenslange Lernen von großer Bedeutung (Qi, 2024). Insbesondere auch durch die zunehmende Digitalisierung gewinnt das lebenslange Lernen zusätzlich an Relevanz (Plätzer & Kral, 2025).

Weiterbildungsinteressierten stehen viele Möglichkeiten zur Verfügung, um sich über Weiterbildungskurse zu informieren. Hierzu zählen Portale und Suchmaschinen, die dabei helfen können, verschiedene Angebote aufzuzeigen. Für Suchende kann es allerdings aufgrund der hohen Anzahl an möglichen Kursen sehr herausfordernd sein, passende Weiterbildungen zu finden (Kullmann & Kaufmann-Kuchta, 2024). Hierbei können KI-gestützte Mentoring-Anwendungen einen entscheidenden Beitrag leisten, indem sie Interessierten passgenaue Weiterbildungsangebote unterbreiten. Dabei ist es entscheidend, den Nutzer:innen den unmittelbar wahrnehmbaren praktischen Nutzen der Anwendung transparent zu machen, was auch für KI-gestützte Mentoring-Anwendungen von besonderer Bedeutung ist (Spöttl & Tärre, 2024). Unter Berücksichtigung der individuellen Kompetenzen, Interessen und Lernziele wird nicht nur das kollaborative Lernen gefördert, sondern auch die gezielte Vernetzung von Lernenden (Blanc et al., 2025). KI-Systeme können hier maßgeblich dazu beitragen, dass „Weiterbildung effizienter, effektiver, individueller und zugänglicher“ wird (Nussbaum, 2024, S. 43). In Strauch und Lattke (2025) wird beschrieben, dass KI-gestützte Anwendungen Lernprozesse in der Erwachsenenbildung vor allem durch Personalisierung unterstützen und Lernenden „auf ihre Bedürfnisse abgestimmte Inhalte und Lernpfade“ liefern, die im Verlauf weiter angepasst werden können (Strauch & Lattke, 2025, S. 19). So kann der Lernprozess durch die Berücksichtigung individueller Bedürfnisse nicht nur effizienter, sondern auch relevanter gestaltet werden (Albrecht et al., 2024).

Dieser Beitrag fokussiert einen spezifischen Anwendungsfall KI-gestützter Tools in der Weiterbildung. Innovation bezeichnet in diesem Zusammenhang ein „verbessertes Produkt bzw. ein neuer oder verbesserter Prozess (oder eine Kombination der beiden), das bzw. der sich von den bisherigen Produkten bzw. Prozessen der Einheit merklich unterscheidet und für potenzielle Nutzer verfügbar gemacht wurde (…)“ (OECD & Eurostat, 2018, S. 20). Aus diesem Grund wird die betrachtete KI-gestützte Mentoring-Anwendung als Innovation verstanden, deren Akzeptanz eine Voraussetzung für eine erfolgreiche gesellschaftliche Integration darstellt. Diese lässt sich über Phasenmodelle beschreiben, bei denen das Produkt bzw. der Prozess bereits zum Ende der ersten Phase („Entstehungsphase“) existiert. In der anschließenden Stabilisierungsphase wird es ausdifferenziert und angepasst, bevor es in der Verbreitungsphase schließlich gesellschaftlich verankert wird (Schulz-Schaeffer, 2021).

Der vorliegende Beitrag lehnt an dieses Phasenmodell an, da die Entwicklung und Gestaltung der KI-gestützten Mentoring-Anwendung einerseits als Entstehung einer Innovation angesehen und gleichzeitig als Prozess der Stabilisierung und perspektivischen Verbreitung verstanden wird. Zentraler Faktor für Stabilisierung, Verstetigung und Verbreitung ist die Nutzer:innenakzeptanz, da sie die Weiterentwicklung und Verstetigung der Anwendung unterstützt und damit auch einen nachhaltigen Transfer begünstigt. Im folgenden Unterkapitel wird der Zusammenhang zwischen einem nachhaltigen Transfer und Innovation dargestellt.

2.2 Nachhaltiger Transfer KI-gestützter Anwendungen

Zum Erreichen der Nutzer:innenakzeptanz und einer damit einhergehenden dauerhaften Nutzung, bedarf es entsprechender Konzepte für einen nachhaltigen Transfer. Hierfür wird zunächst der im Beitrag verwendete Transferbegriff von Euler (2004) formuliert und anschließend mit dem zugrunde gelegten Nachhaltigkeitsverständnis in Beziehung gesetzt. Euler (2004) beschreibt Transfer als einen Prozess, bei dem in einem institutionellen und persönlichen Kontext entwickelte und erprobte Lösungsansätze auf vergleichbare Problemstellungen in ähnlichen strukturellen Bereichen der Berufsbildung übertragen und dort angewendet werden (Euler, 2004). Hierbei können vier Transferarten voneinander unterschieden werden. Der temporale Transfer, bei dem die in einem Projektzeitraum entwickelten und erprobten Problemlösungen über das Projekt hinaus verstetigend in die zukünftige Praxis transferiert werden. Der regionale Transfer, der Ergebnisse von einer lokalen Verbreitung in andere Regionen intendiert. Weiter der laterale Transfer, bei dem das Ziel des Austausches von Ergebnissen zwischen unterschiedlichen Handlungsfeldern der beruflichen Bildung angestrebt wird. Sowie der vertikale Transfer, bei dem die Nutzung der Projektergebnisse in übergeordneten Strukturen beruflicher Bildung beabsichtigt wird (Mahorič et al., 2017). Im hier vorliegenden Beitrag wird im Weiteren auf den temporalen Transfer Bezug genommen, da der Fokus darauf liegt, die im Projektverlauf entwickelte und erprobte KI-gestützte Mentoring-Anwendung über die Projektlaufzeit hinaus dauerhaft in die Praxis zu überführen und zu verstetigen. Regionale, laterale oder vertikale Transferprozesse stehen nicht im Zentrum der Untersuchung. Ergänzend wird ein Nachhaltigkeitsverständnis herangezogen, das „(…) mit den Begriffen Institutionalisierung, Implementation, Verstetigung oder Wissenstransfer, aber auch durch Stabilisierung, Akzeptanz, Dauerhaftigkeit, Aufrechterhaltung, Routine oder Integration umschrieben“ wird (Maschwitz et al., 2019). In diesem Zusammenhang bedeutet Nachhaltigkeit, die KI-gestützte Mentoring-Anwendung dauerhaft und erfolgreich in die bestehenden Strukturen der beruflichen Bildung zu integrieren, sodass sie von den Nutzenden kontinuierlich angewendet, routiniert eingesetzt und als fester Bestandteil der Bildungspraxis etabliert wird. Oevel und Graf-Schlattmann (2021) beschreiben den nachhaltigen Transferprozess in Bezug auf digitale Lehr- und Lerninnovationen als besonders herausfordernd, da diese zusätzliche Dimensionen beinhalten, die hierbei Beachtung finden müssen. Dazu gehören beispielsweise der kurze Technologiezyklen technischer Informationssysteme und die in der Entstehungsphase begrenzt adressierte Zielgruppe (Oevel & Graf-Schlattmann, 2021). In dem hier vorliegenden Beitrag wird ein Hauptaugenmerk auf die Nutzer:innenzentrierung gelegt, da davon ausgegangen wird, dass die Akzeptanz und Usability einer Innovation zu den zentralen Faktoren gehört, die einen nachhaltigen Transfer positiv beeinflussen (Müller, 2024). Der Untersuchungsgegenstand der hier vorliegenden Studie stellt eine KI-gestützte Mentoring-Anwendung in Form einer Website dar, bei der das KI-System nicht in direkter, emotionaler Interaktion mit den Nutzenden tritt, sondern als Technologie im Hintergrund arbeitet. Diese Charakteristik stützt die Eignung des TAM3 zur Analyse akzeptanzrelevanter Faktoren (Scheuer, 2020).

2.3 Nutzer:innenakzeptanz nach dem Technologieakzeptanzmodel 3 (TAM3)

Das TAM3 (Venkatesh & Bala, 2008) stellt die dritte Erweiterung des ursprünglich von Davis (1989) entwickelten Technology Acceptance Models zur Nutzung neuer Informationstechnologien dar (Venkatesh & Bala, 2008; Davis, 1989). Es baut auf dem TAM2 (Venkatesh & Davis, 2000) sowie dem Modell der Determinanten der wahrgenommenen einfachen Nutzung (Venkatesh, 2000) auf. Scheuer (2020) beschreibt das TAM3 daher als ein integriertes Rahmenwerk zur Erklärung der Technologieakzeptanz (Scheuer, 2020). Das Hauptaugenmerk des TAM3 „(…) verschiebt sich von der Erklärung, wie und warum Akzeptanz zustande kommt, hin zu einer Bewertung gezielter Interventionsmöglichkeiten.“ (Jockisch, 2010, S. 238). So wird angenommen, dass gewisse Faktoren einen direkten Einfluss auf den wahrgenommenen Nutzen und die empfundene Benutzungsfreundlichkeit haben, was folgend in eine Nutzungsintention und einem letztendlichen Nutzungsverhalten resultiert (vgl. Abbildung 1) (Jockisch, 2010).

Abbildung 1: Darstellung des TAM3 nach Venkatesh & Bala (2008), eigene Abbildung

Das TAM3 dient der hier vorliegenden Untersuchung als Rahmen, um die Nutzer:innenakzeptanz der KI-gestützten Mentoring-Anwendung zu beleuchten. So wurde basierend darauf in einer qualitativen Untersuchung mit Hilfe von leitfadenzentrierten, halbstandardisierten Interviews die Nutzungsintention potenzieller Nutzer:innen untersucht. Hierbei dienten die sozialen Prozessvariablen subjektive Norm, Systemimage, Job Relevanz, Ergebnisqualität und Nachweisbarkeit der Ergebnisse sowie die Determinanten Selbstsicherheit am Computer, Wahrnehmung externer Kontrolle, Computerangst, spielerische Computernutzung, wahrgenommenes Vergnügen sowie Benutzer:innenfreundlichkeit als Richtwerte der Befragung und anschließenden Ergebnisinterpretation. Es handelt sich hierbei um alle Prozessvariablen des TAM3, um dieses in Gänze zu testen. Ausführliche Definitionen der einzelnen Variablen sind in Scheuer (2020) zu finden.

3 Forschungsdesign und Studienkontext

Aufbauend auf den theoretischen Grundlagen und den Akzeptanzfaktoren des TAM3 wird im Folgenden das Forschungsdesign vorgestellt.

3.1 Studienkontext: Das Projekt KIM im Kurzüberblick

Das Ziel des Projektes KIM ist die Entwicklung einer KI-basierten Unterstützung bei der Auswahl geeigneter Weiterbildungskurse in Form von Online-Offline Selbstlernangeboten. Abbildung 2 zeigt einen Ausschnitt der im Projektverlauf erstellten Website auf der die KI-basierte Mentoring-Anwendung verortet wurde. Nutzer:innen können im Zuge der Nutzung optional ihren Lebenslauf hochladen und ein Berufsziel angeben. Auf dieser Basis analysiert das entwickelte KI-System, welche Fähigkeiten bereits vorhanden sind und welche noch erworben werden müssten, um das angestrebte Berufsziel zu erreichen. Anschließend haben die Nutzer:innen die Möglichkeit die vorgeschlagenen Fähigkeiten zu bestätigen oder abzuwählen. Der Upload des Lebenslaufes ist freiwillig. Wird darauf verzichtet, erstellt das KI-System eine Übersicht aller für das Berufsziel erforderlichen Fähigkeiten. Diese können die Nutzer:innen daraufhin manuell auswählen, um anzugeben, welche ihrer Meinung nach bereits vorhanden sind. Auf Grundlage der ermittelten Qualifikationslücken schlägt die KI-gestützte Mentoring-Anwendung passgenaue Weiterbildungskurse vor. Dieser Prozess bietet die Möglichkeit, die Akzeptanz einer innovativen KI-gestützten Mentoring-Anwendung zu untersuchen und daraus Implikationen für einen nachhaltigen Transfer abzuleiten.

Abbildung 2: Screenshot der Anwendung

3.2 Methodisches Vorgehen

Zur Beantwortung der Forschungsfragen wurde ein Forschungsdesign entwickelt, welches die erforderlichen Rahmenbedingungen zur Nutzer:innenakzeptanz erläutern soll, damit daraus Implikationen für die Gestaltung der KI-gestützten Mentoring-Anwendung abgeleitet werden können. Hierbei handelt es sich um ein zweistufiges qualitatives Verfahren, bei dem vor und nach Erstellung der KI-gestützten Mentoring-Anwendung Interviews mit potenziellen Nutzer:innen geführt wurden (vgl. Abbildung 3).

Abbildung 3: Übersicht und Ziele des zweistufigen Forschungsdesigns, eigene Abbildung

3.2.1 Stufe 1: Problemzentrierte Interviews nach Witzel (2000)

In der ersten Erhebungsstufe kamen problemzentrierte Interviews nach Witzel (2000) zum Einsatz, die vor Erstellung der KI-gestützten Mentoring-Anwendung geführt wurden. Ziel dieser Erhebung war es, aus den Interviews Ansätze für die Gestaltung der KI-gestützten Mentoring-Anwendung abzuleiten und diese unmittelbar in die Entwicklung des KI-Systems einfließen zu lassen. Bei problemzentrierten Interviews handelt es sich um halbstandardisierte, theoretisch vorstrukturierte Leitfadeninterviews. Die Fragen werden mittels eines deduktiv-induktiven Wechselspiels aus dem Forschungsstand abgeleitet und weiterentwickelt (Witzel, 2000). Aus den Antworten der Interviewten lässt sich eine zielgerichtete und systematische Erfassung der Nutzer:innenakzeptanz ableiten, die auf den subjektiven Erfahrungen und Wahrnehmungen der Interviewten basiert. Es wurde bewusst Abstand von Gruppendiskussionen genommen, da sich die jeweilige Gruppendynamik teilweise insofern auf die Diskussion auswirkt, dass die Meinungen oder Äußerungen Einzelner dazu führen können, dass diese spontan von anderen Teilnehmer:innen übernommen werden, obwohl sie nicht der tatsächlichen Meinung entsprechen (Hussy, Schreier & Echterhoff, 2013). Der Interviewleitfaden wurde auf Basis der Literaturrecherche sowie des TAM3 erstellt. Die Teilnehmenden wurden einleitend gebeten sich gedanklich vorzustellen, dass die KI-gestützte Mentoring-Anwendung mit dem Ziel den Anwender:innen Weiterbildungen zu einem individuellen Berufsziel zu generieren, bereits existieren würde. Daraufhin wurden im Hauptteil der Interviews insgesamt 26 gezielte Fragen zu den Kategorien wahrgenommener Nutzen, Benutzungsfreundlichkeit und Vertrauensbildung und Nutzungsintention und Faktoren dauerhafter Akzeptanz gestellt. Hierbei handelte es sich teils um offene Fragen wie beispielsweise „Was spricht Sie bei der Vorstellung an die Nutzung an?“, teils um spezifische Fragen: „Wie sollte die Datenschutzerklärung optisch dargestellt werden, damit Ihr Vertrauen in die Anwendung gesteigert wird?“. Die Interviews endeten im Schlussteil mit einer offenen Frage zu weiteren, bisher im Interview noch nicht angesprochenen Aspekten, die die Teilnehmenden folglich ergänzen konnten.

Die Stichprobe umfasst 20 Interviewteilnehmer:innen aller Altersgruppen <65 Jahren aus verschiedenen beruflichen Tätigkeitsfeldern, darunter Technik, Naturwissenschaften und IT, Produktion, Fertigung und Handwerk, Verkehr, Logistik und Sicherheit, Bildung, Soziales und Gesundheit sowie Wirtschaft und Verwaltung. Die Rekrutierung erfolgte über einen öffentlichen Aufruf in den sozialen Medien. Als Einschlusskriterium galt der aktuelle Berufsstatus der Teilnehmenden, welcher entweder der Gruppen Auszubildende, Studierende oder berufsfähige Personen zugeordnet werden konnte.

Die Auswertung der Interviews erfolgte auf Basis der Transkripte mittels einer Qualitativen Inhaltsanalyse nach Kuckartz und Rädiker (2022) unter Verwendung der Software MAXQDA. Hierbei entstand die deduktive Kategorienbildung der folgenden zentralen Themen Erwartung an den Nutzen, Vertrauensanforderungen, Designpräferenzen, sowie Nutzungsbereitschaft und langfristige Nutzungsintention. Für eine differenziertere Analyse wurden an diese Kategorien anknüpfend feingliedrigere Codes als Subkategorien definiert, die eine präzise Strukturierung der Daten ermöglichen. Hierzu zählen beispielsweise für die Kategorie Vertrauensanforderungen die Codes: Datenschutzerklärung, Layout der Website, KI als Figur oder im Hintergrund, technische Hintergrundinformationen und Benutzungsfreundlichkeit. Auf dieser Grundlage konnten die Interviewaussagen zu Kernaussagen zusammengefasst und systematisch den Kategorien zugeordnet werden. Das Datenmaterial wurde in eine Themenmatrix (Personen mal Kategorien) klassifiziert, die einer klassischen Datenmatrix quantitativer Forschung ähnelt. Da der Fokus dieser Untersuchung auf der Analyse themenspezifischer Perspektiven der Teilnehmenden liegt, erfolgte abschließend eine kategorienbasierte Auswertung (Kuckartz & Rädiker, 2022). Die zentralen Ergebnisse dieser ersten Untersuchung flossen als Nutzer:innenakzeptanz beeinflussende Faktoren unmittelbar in die Gestaltung der Anwendung ein.

3.2.2 Stufe 2: Experteninterviews

In der zweiten Erhebungsstufe wurden diese Faktoren im Hinblick auf die konkrete Gestaltung der KI-gestützten Mentoring-Anwendung evaluiert. Diese anschließende Follow-Up-Untersuchung wurde mit einer Zufallsstichprobe aus den Teilnehmenden der ersten Erhebung (N=5; Altersbereich 30-60 Jahre) mittels Experteninterviews durchgeführt, nachdem sie die KI-gestützte Mentoring-Anwendung getestet haben. Bei dieser Art von Interviews handelt es sich um ein systematisches und theoriengeleitetes Verfahren (Kaiser, 2021), bei dem der halbstandardisierte Interviewleitfaden mit insgesamt 35 Fragen so gestaltet wurde, dass er einerseits Aspekte aus der Literatur und dem TAM3 sowie andererseits die im Vorfeld erhobenen Daten einbezieht. Hierzu zählen Fragen zum wahrgenommenen Nutzen, der Benutzungsfreundlichkeit und Vertrauensbildung sowie der langfristige Nutzungsintention und Faktoren dauerhafter Akzeptanz. Der Faktor Benutzungsfreundlichkeit und Vertrauensbildung beinhaltete beispielsweise Fragen zur Anwendungsfreundlichkeit, einer spielerischen Nutzung, Unterhaltung sowie Aufbereitung der Datenschutzerklärung. Ziel war es zu überprüfen, ob die in der ersten Erhebung als einflussreich identifizierten Faktoren von den Befragten auch tatsächlich als solche wahrgenommen wurden und zu einer Akzeptanz führten, um daraus Implikationen für einen nachhaltigen Transfer ziehen zu können. Die Auswertung der transkribierten Interviews erfolgte auf identische Weise wie in 3.2.1 beschrieben. Die als einflussreich identifizierten Faktoren bilden übergeordnete Kategorien, entlang derer im Zuge der Auswertung feingliedrigere Codes als Subkategorien ausdifferenziert wurden, um das Datenmaterial präzise zu strukturieren. So wurden der Kategorie wahrgenommener Nutzen beispielsweise die Codes allgemeines Nutzungsverhalten, Gründe für die Nutzungsbereitschaft und KI-Akzeptanz in Kombination mit der Nutzungsbereitschaft zugeordnet (Kuckartz & Rädiker, 2022).

4 Empirische Ergebnisse der Untersuchung

Die Kernergebnisse der Untersuchungen werden im Folgenden entlang der Kategorien Wahrgenommener Nutzen der KI-gestützten Mentoring-Anwendung, wahrgenommene Benutzungsfreundlichkeit und Vertrauensbildung sowie langfristige Nutzungsintention dargestellt. Methodisch werden die in der ersten Stufe erhobenen Erwartungen an die KI-gestützte Mentoring-Anwendung in der zweiten Stufe als Follow-Up evaluiert, indem sie den Erfahrungen mit der Anwendung gegenübergestellt werden.

4.1 Kernergebnis 1: Wahrgenommener Nutzen der KI-gestützten Mentoring-Anwendung

Beim Kernergebnis 1 wahrgenommener Nutzen der KI-gestützten Mentoring-Anwendung (vgl. Tabelle 1) zeigt sich in den Ergebnissen der ersten Stufe (Erwartungen), dass sich die Befragten durch die Nutzung der KI-gestützten Mentoring-Anwendung eine Zeitersparnis sowie Orientierungshilfe bei der Wahl geeigneter Weiterbildungskurse wünschen. Zudem sehen sie in der Nutzung eine unkomplizierte und vielseitige Möglichkeit neue Impulse und Ideen zu entdecken, die ohne die Unterstützung einer KI-gestützten Mentoring-Anwendung möglicherweise unberücksichtigt blieben. Diese Ergebnisse der zweiten Stufe zeigen in Bezug auf die Erfahrungen mit dem realisierten Nutzen der erstellten KI-gestützten Mentoring-Anwendung, eine bestätigte wahrgenommene Zeitersparnis. Auch die gewünschte Individualisierung konnte erreicht werden, indem das KI-System den Befragten neue Perspektiven unterbreitet hat und sogenannte Out-Of-The-Box Vorschläge generierte, von denen sie sich erhoffen, sich damit von anderen Personen auf dem Arbeitsmarkt abzuheben. Als Verbesserungswunsch äußern die Befragten ein übersichtliches Ranking der vorgeschlagenen Weiterbildungskurse, um den Prozess der Zeitersparnis sowie der Wahl eines passenden Kurses zu optimieren.

Tabelle 1: Zusammenfassung Kernergebnis 1: wahrgenommener Nutzen der KI-gestützten Mentoring-Anwendung

4.2 Kernergebnis 2: Wahrgenommene Benutzungsfreundlichkeit und Vertrauensbildung

Kernergebnis 2 wahrgenommene Benutzungsfreundlichkeit und Vertrauensbildung (vgl. Tabelle 2) zeigt die Vertrauensanforderungen und Design-Präferenzen der Befragten. Sie gaben an, ein professionelles Layout sowie eine transparent und prägnant gestaltete Datenschutzerklärung (große Überschriften, kurze Abschnitte, übersichtliche Textabschnitte) als vertrauenssteigernd zu empfinden. Hierzu zählen für sie auch ein transparentes Impressum sowie persönliche Ansprechpersonen mit Foto. Die Ergebnisse der zweiten Stufe zeigen die diesbezügliche Bewertung der implementierten Lösung. Hier bewerten die Interviewteilnehmer:innen das Layout der Anwendung als professionell und ansprechend. Die auf Basis der Wünsche der Befragten kurz und übersichtlich gestaltete Datenschutzerklärung, führt bei den Interviewpartner:innen zu einer Steigerung des Vertrauens. Allgemein beschreiben die Befragten die Nutzung der Anwendung als einen unterhaltsamen Vorgang, wobei sie die Vorschläge des KI-Systems in ihrer Relevanz und Wirkung auf eine Ebene mit Vorschlägen aus dem Freundeskreis oder der Nachbarschaft setzen.

Tabelle 2: Zusammenfassung Kernergebnis 2: wahrgenommene Benutzungsfreundlichkeit und Vertrauensbildung

4.3 Kernergebnis 3: Nutzungsintention und Faktoren dauerhafter Akzeptanz

Beim Kernergebnis 3 Nutzungsintention und Faktoren dauerhafter Akzeptanz (vgl. Tabelle 3) zeigt sich in den Ergebnissen der ersten Stufe, welche die grundsätzliche Nutzungsbereitschaft adressiert, eine positive Nutzungsbereitschaft. Mehrere Teilnehmende gaben an, dass sie die Zusammenarbeit mit einem KI-System als interessant und potenziell gewinnbringend einschätzen. Einer Innovation scheinen sie offen und interessiert gegenüberzustehen. Diese Vorannahmen konnten in der zweiten Stufe konkrete Nutzungsabsichten nach Erprobung bestätigt und vertieft werden, so dass die Befragten in der zweiten Befragung konkrete Nutzungsabsichten benennen. Für eine dauerhafte Nutzungsintention sehen sie eine zielführende Zusammenarbeit, bei der ihnen passende Weiterbildungskurse präsentiert werden, als notwendig an. Zusätzlich geben sie an, dass die Option eines Newsletters, der passende Weiterbildungsvorschläge enthält, individuell im Versandintervall anpassbar ist und optional abbestellt werden kann, bei ihnen zu einer dauerhaften Akzeptanz führen würde. Hierbei wird auch die Idee sich ein eigenes Profil anlegen zu können genannt, um dort vorhandene Daten wie bereits erworbene Weiterbildungszertifikate zu speichern und mit folgenden Weiterbildungen daran anknüpfen zu können.

Tabelle 3: Zusammenfassung Kernergebnis 3: Nutzungsintention und Faktoren dauerhafter Akzeptanz

5 Diskussion

In diesem Kapitel werden die Kernergebnisse der Untersuchungen im Zusammenhang mit dem TAM3 und dem zuvor beschriebenen Forschungsstand diskutiert. Ziel ist es, die Einschätzungen der Teilnehmenden mit den theoretischen Annahmen zu verknüpfen, um daraus zentrale Aspekte eines nachhaltigen Transfers KI-gestützter Mentoring-Anwendungen in der beruflichen Weiterbildung ableiten zu können.

Kernergebnis 1: Wahrgenommener Nutzen

Die Aussagen der Befragten zum wahrgenommenen Nutzen zeigen, dass KI-gestützte Mentoring-Anwendungen als eine Chance zur individuellen Förderung gesehen werden und eine besondere Unterstützung bei der Wahl passgenauer Selbstlernangebote bieten, wodurch sie das lebenslange Lernen unterstützen. Die in der ersten Stufe erhobenen Erwartungen an den Nutzen der Anwendung konnten in der zweiten Stufe als Erfahrung mit dem realisierten Nutzen bestätigt werden. Es deutet darauf hin, dass die KI-gestützte Mentoring-Anwendung insbesondere dann als nützlich wahrgenommen wird, wenn sie neue Impulse liefert mit denen sich die Nutzenden auf dem Arbeitsmarkt von anderen Personen abheben können. Zudem spricht vieles dafür, dass die Anwendung als entlastend bei der Suche nach geeigneten Weiterbildungen erlebt wird. Dieses wird nicht nur als zielführend eingeordnet, sondern auch mit einer damit einhergehenden Zeitersparnis verbunden. Damit knüpfen die Ergebnisse an aktuelle Forschungsergebnisse an, die den Nutzen solcher Systeme ebenfalls hervorheben. So werden KI-gestützte Mentoring-Anwendungen dort als leistungsstarke Tools zur Optimierung von Zeitmanagement und Lernprozessen bezeichnet, welche Nutzer:innen durch eine individuelle Hilfestellung dabei unterstützten, eigene Ziele schneller zu erreichen (Peukert, 2025) indem sie eine zielgerichtete und individualisierte Unterstützung bei der Suche von Weiterbildungen bieten (Helmold, 2024). Gleichzeitig weisen Kullmann und Kaufmann-Kuchta (2024) darauf hin, dass die Vielzahl an Kursangeboten für Weiterbildungsinteressierte eine erhebliche Herausforderung darstellen kann (Kullmann & Kaufmann-Kuchta, 2024). Gerade an dieser Stelle kann eine KI-gestützte Mentoring-Anwendung als Orientierungshilfe dienen und die Zugänglichkeit erhöhen. Das bedeutet für die Berufsbildung allgemein, dass Berufsorientierungsmaßnahmen durch Innovationen zugänglicher und effizienter gestaltet werden können, wenn sie dem wahrgenommenen Nutzen entsprechen und individualisiert werden. Die Relevanz von Berufsorientierung nimmt vor dem Hintergrund heterogener Lerngruppen besonders an berufsbildenden Schulen zu (Giek & Seifried, 2023).

Die Ergebnisse stehen im Einklang mit anderen Forschungsergebnissen, die die Rolle und die Relevanz individueller Kompetenzen in der beruflichen Bildung untersuchen (Meyer & Haunschild, 2017; Noppong et al., 2025). Vor dem Hintergrund des TAM3 können die in den Ergebnissen deutlich gewordenen Aspekte positiv zu einem Nutzungsverhalten der innovativen Anwendung beitragen. Sie zeigen, dass die Befragten die Nutzung der KI-gestützten Mentoring-Anwendung durch ihre Ergebnisqualität zu schätzen wissen und hierbei auch eine Job Relevanz sehen. Diese beiden Faktoren münden in einen wahrgenommenen Nutzen, welcher im TAM3 zu einer Nutzungsintention und einem Nutzungsverhalten führt. Der von den Befragten genannte Verbesserungswunsch in Form von in einem Ranking dargestellten Weiterbildungskursen kann hierbei als Steigerungsfaktor der Nutzungsintention gesehen werden.

Kernergebnis 2: Benutzungsfreundlichkeit und Vertrauensbildung

Das zweite Kernergebnis Benutzungsfreundlichkeit und Vertrauensbildung zeigt, dass die Benutzungsfreundlichkeit eng mit Aspekten der Vertrauensbildung verknüpft ist. So äußerten die Befragten in der ersten Erhebung zu Vertrauensanforderungen und Design-Präferenzen klare Anforderungswünsche an das Design sowie die Transparenz der Anwendung. Hierzu zählten ein professionelles Layout, eine übersichtliche und verständlich formulierte Datenschutzerklärung, ein transparentes Impressum sowie die Möglichkeit, persönliche Ansprechpartner:innen mit Foto einzusehen. Dieses zeigt sich in der Bewertung der implementierten Lösung (Stufe 2) bestätigt. Die hier umgesetzten Faktoren führten bei den Befragten zu einer Stärkung des Vertrauens in diese KI-gestützte Mentoring-Anwendung. So wurde die Funktion nicht nur als funktional, sondern auch als unterhaltsam wahrgenommen. Das Vertrauen führte dazu, dass die Relevanz der Vorschläge analog zu denen eines Freundes oder Nachbar:in wahrgenommen wurde. Diese Ergebnisse passen zu vertrauenssteigernden Faktoren, welche in der Literatur beschrieben werden. Demnach beschreiben Payer und Worgatsch (2025), dass ein benutzungsfreundliches Design das motivationale Lernen und somit den Lernerfolg beeinflusst (Payer & Worgatsch, 2025). Weiter scheinen Nutzer:innen einer KI-gestützten Mentoring-Anwendung ein gesteigertes Vertrauen gegenüber zu bringen, wenn sie verstehen, wie mit ihren Daten umgegangen wird (Altendorfer, 2024). Hierfür sind die Gestaltung der Datenschutzerklärung sowie ein transparentes Impressum Stellschrauben, welche durch ihre klare Aufbereitung zum Verständnis beitragen können. Im Sinne des TAM3 lassen sich diese Ergebnisse auf der Ebene der Determinanten der Technologieakzeptanz zuordnen. Die im TAM3 beschriebene empfundene Benutzungsfreundlichkeit resultiert aus den beschriebenen Faktoren Benutzer:innenfreundlichkeit, einer Reduzierung der Computerangst und der Selbstsicherheit am Computer und führt im Sinne des TAM3 zur Nutzungsintention sowie zum Nutzungsverhalten. Ein nachhaltiger Transfer demnach wird insbesondere dann begünstigt, wenn die Nutzungsintention in ein tatsächliches Nutzungsverhalten überführt wird und zu einer langfristigen Nutzung der Anwendung beiträgt. Usability und Akzeptanz stellen hierfür zentrale Voraussetzungen dar, was sich mit anderen Forschungsergebnissen deckt (Müller, 2024).

Kernergebnis 3: Nutzungsintention und Faktoren dauerhafter Akzeptanz

Das dritte Kernergebnis Nutzungsintention und Faktoren dauerhafter Akzeptanz verdeutlicht, dass die Befragten eine grundsätzlich positive Einstellung zur Nutzung einer KI-gestützten Mentoring-Anwendung zeigen und dieser bereits vor der Erprobung mit Offenheit und Neugier begegnen. Diese grundsätzliche Nutzungsbereitschaft zeigte sich in der ersten Stufe und konnte in der zweiten Stufe durch konkrete Nutzungsabsichten nach Erprobung bestätigt werden. Die KI-gestützte Mentoring-Anwendung wurde demnach nicht nur als funktional, sondern auch als stimulierend beschrieben, was laut der Befragten einen positiven Einfluss auf die Akzeptanz und Nutzungsintention hat. Auch in der Literatur wird die Wichtigkeit spielerischer Elemente in der beruflichen Weiterbildung als wichtiger Faktor für die Akzeptanz von Lernen beschrieben, der dazu beiträgt Barrieren abzubauen und negative Erfahrungen zu überwinden (Spies, 2022). Für eine dauerhafte Akzeptanz ist es notwendig, dass die Anwendung für die Nutzenden beispielsweise durch die zielgerichtete Bereitstellung passender Weiterbildungskurse einen klaren Mehrwert bietet. Für eine dauerhafte Nutzungsbereitschaft wurde der konkrete Wunsch nach der Option eines individuell anpassbaren Newsletters genannt. Diese Ergebnisse zeigen, dass eine dauerhafte Nutzungsintention nicht allein auf der Neuartigkeit der Technologie basiert, sondern von einem wahrnehmbaren praktischen Nutzen sowie von Funktionen abhängt, die den individuellen Bedürfnissen der Nutzer:innen entsprechen. Damit decken sich die Ergebnisse mit Befunden die darauf hinweisen, dass es keine allgemeingültige Lösung gibt, sondern der Nutzen neuer Technologien immer im Hinblick auf Kontext und individuelle Bedürfnisse bewertet werden sollte (Müller, Hoßbach & Geldmacher, 2024). Diese Ergebnisse lassen sich wie folgt im TAM3 einordnen: Durch das wahrgenommene Vergnügen und einer spielerischen Computernutzung die mit einer Ergebnisqualität verknüpft wird, führen diese Faktoren bei den Befragten zu einem wahrgenommenen Nutzen und einer empfundenen Benutzungsfreundlichkeit, die zu einer Nutzungsintention und einem Nutzungsverhalten führen. Für die Berufsbildung kann daraus abgeleitet werden, dass die didaktische Aufbereitung eine zentrale Aufgabe ist und bleibt. Dabei geht es darum, den Nutzer:innen den wahrnehmbaren praktischen Nutzen kenntlich zu machen, was auch bei KI-gestützten Mentoring-Anwendungen Relevanz findet (Spöttl & Tärre, 2024).

6 Fazit und Ausblick

Aus den empirischen Ergebnissen des zweistufigen Verfahrens wird deutlich, dass die Akzeptanz dieser KI-gestützten Mentoring-Anwendung von drei Faktoren abhängig ist. Erstens vom wahrgenommenen Nutzen, zweitens von der Benutzungsfreundlichkeit und Vertrauensbildung sowie drittens von der Nutzungsintention und Faktoren dauerhafter Akzeptanz. Die eingangs formulierten Forschungsfragen (1) Wodurch wird die Akzeptanz für die Anwendung sowie der KI-gestützten Entwicklung von Weiterbildungscurricula geschaffen? und (2) Wie müssen die Anwendung und das dahinterliegende Konzept gestaltet sein, um eine regelmäßige Nutzung durch die Anwender:innen im Sinne des lebenslangen Lernens zu erreichen? können wie folgt beantworten: Akzeptanz entsteht insbesondere dann, wenn die KI-gestützte Mentoring-Anwendung für die Nutzer:innen einen erkennbaren Mehrwert darstellt, wie beispielsweise eine Zeitersparnis, individuelle und zielgerichtete Kursvorschläge sowie die Generierung neuer Ideen, um die Wettbewerbsfähigkeit auf dem Arbeitsmarkt zu erhöhen. Zudem führen eine empfundene Benutzungsfreundlichkeit und ein professionelles Layout der Anwendung, genauso wie eine prägnante und transparente Datenschutzerklärung und ein transparentes Impressum ebenso zu einer Steigerung der Akzeptanz. Um eine dauerhafte Nutzungsintention zu erzielen, ist es wichtig aus einer anfänglichen Nutzungsbereitschaft eine konkrete Nutzungsabsicht zu erzielen, etwa durch ein wahrgenommenes Vergnügen in Bezug auf die Nutzung der Anwendung, welches mit einer positiven Ergebnisqualität kombiniert einen Faktor für die Nutzungsintention bildet. Dieses wird durch individuell anpassbare Funktionen (beispielsweise einem Newsletter oder persönlichen Profilen) untermauert. Die genannten Aspekte konnten in der Erhebung der ersten Stufe aufgezeigt und folgend in der zweiten Stufe validiert werden und identifizieren so Bedingungen für die Akzeptanz KI-gestützter Mentoring-Anwendungen.

Die Einordnung der Ergebnisse anhand des TAM3 verdeutlichen, dass ein nachhaltiger Transfer einer KI-gestützten Innovation nicht nur von einer technischen Funktionsfähigkeit abhängt, sondern ebenso eine Gestaltung erfordert, die Vertrauen schafft und einen erkennbaren praktischen Nutzen im Alltag bietet. Daraus ergeben sich für die Praxis folgende Implikationen: bei KI-gestützten Innovationen sollte ein Fokus auf Transparenz und Nutzer:innenfreundlichkeit gelegt werden, um das Vertrauen und den wahrgenommenen Nutzen der Anwendung zu fördern. Zudem empfiehlt es sich, Nutzer:innen frühzeitig in Entwicklungsprozesse einzubinden und beispielsweise Feedbackschleifen einzuführen. Gleichzeitig ist es von Vorteil personalisierbare Funktionen zu integrieren, um eine langfristige Nutzung zu erzielen.

Eine Generalisierbarkeit der Ergebnisse ist u.a. aufgrund der Stichprobengröße aktuell nicht gegeben. Darüber hinaus ist eine Selbstselektion der Teilnehmer:innen zu berücksichtigen, da vorwiegend Personen mit einem grundsätzlichen Interesse an der Untersuchung, teilgenommen haben, was potenziell zu einer positiven Verzerrung der Ergebnisse geführt haben kann (Nonresponse-Bias; Engel & Schmidt, 2014). Zukünftige Forschungsarbeiten könnten eine quantitative Anschlussuntersuchungen mit einer umfangreichen Stichprobe in den Blick nehmen, um die Ergebnisse großflächiger zu validieren. Interessant wäre zudem eine Analyse nach Altersgruppen, um zu untersuchen inwiefern sich unterschiedliche Altersklassen mit KI-gestützten Mentoring-Anwendungen identifizieren können. Ein weiteres Forschungsdesiderat besteht in der Identifizierung unterschiedlicher Akzeptanztypen in der ersten Stufe, die in einer zweiten Stufe tiefgehender untersucht werden könnten. Dieses könnte heterogene Nutzungs- und Bewertungsmuster sichtbar machen, aus denen sich darauf aufbauend zielgruppenspezifische Gestaltungs- sowie Implementationsstrategien ableiten ließen. Dabei könnten im Zuge der Auswertung ergänzende Auswahlkriterien, wie etwa die berufliche Expertise oder das jeweilige Berufsfeld systematisch berücksichtigt werden. Außerdem sind zukünftige Längsschnittstudien sinnvoll, um über einen längeren Zeitraum hinweg zu beobachten, inwiefern die Faktoren im Zeitverlauf einen Einfluss auf die Akzeptanz haben. KI-gestützte Anwendungen entfalten ihre nachhaltige Wirkung demnach dann, wenn sie nicht als reine Technologie verstanden, sondern als nutzer:innenorientierte Bildungsinnovationen eingeführt werden. Akzeptanzarbeit (durch Transparenz, Nutzenorientierung und Partizipation) ist daher ebenso wichtig, wie die technische Entwicklung. Die Ergebnisse dieses Papers weisen des Weiteren darauf hin, dass die Interaktion zwischen Mensch und Maschine auch in Zukunft ein relevantes Forschungsgebiet sein wird (vgl. bspw. Deutscher Ethikrat, 2023). Zusammenfassend unterstreicht die Studie die Bedeutung nutzer:innenzentrierter Gestaltung für die Akzeptanz und Verstetigung KI-gestützter Mentoring-Anwendungen im Weiterbildungskontext.

^[2] https://www.invite-toolcheck.de/html/de/KIM.php

^[3] Beteiligte Projektpartner waren das Institut für Laser- und Anlagensystemtechnik (ILAS) der Technischen Universität Hamburg (TUHH), das Institut Technik und Bildung (ITB) der Universität Bremen, die consider it GmbH sowie die oncampus GmbH.