Die Geschichte hinter dem Fluency Lab: Wie der Aufbau eines menschenzentrierten KI-Trainers aussieht

Von Ezequiel Saraceno,
AI Engineer Manager, Learnlight

Bevor ich mich zum KI-Ingenieur umschulen ließ, war ich 15 Jahre lang Neurowissenschaftler. Zunächst in meinem Heimatland an der Universität von Buenos Aires, später am CNRS in Frankreich, wo ich zwei Postdocs absolvierte. 

Während ich eine neue Disziplin erlernte und gleichzeitig mein Leben in einer Sprache aufbaute, die nicht meine eigene war, hat das meine Sicht auf das Sprachenlernen stärker geprägt als alles andere. Als mein Team bei Learnlight also die Aufgabe erhielt, das Fluency Lab zu entwickeln – einen KI-gestützten Sprachlern- und Übungspartner – brachte ich die Erfahrung mit, dies selbst durchlebt zu haben. 

Das Problem beim Sprachenlernen, das wir lösen wollten 

Die Frage, die mich immer wieder beschäftigte, war: Wie macht man KI wirklich nützlich fürs Lernen? 

Alle großen KI-Anbieter – OpenAI, Anthropic, Google – bieten konversationelle KI-Systeme an, mit denen Lernende innerhalb von Sekunden interagieren können. Sprachpraxis lässt sich mit jedem dieser Systeme erzeugen, wenn man weiß, wie man die richtigen Prompts formuliert. Für Learnlight lag die Messlatte jedoch höher.  

Diese Messlatte bedeutete, unsere von Expert:innen entwickelten pädagogischen Inhalte – mit klaren Lernzielen, Wortschatzsystemen und sorgfältig abgestufter Grammatik – in ein KI-Erlebnis zu überführen, das sich natürlich anfühlt. In der Praxis hieß das, unsere bestehende Methodik abzubilden, die Lerneinheiten auf nur 10 bis 15 Minuten zu begrenzen und etwas zu schaffen, das auch für Lernende zugänglich ist, die vielleicht noch nie mit einer KI gesprochen haben. Vor allem aber bedeutete es, die KI verlässlich zu halten: keine Halluzinationen und keine Sessions, die zwar intensiv wirken, aber keinen echten Lernwert liefern. 

Wie Fluency Lab funktioniert 

Das Herzstück von Fluency Lab ist ein konversationeller Übungszyklus. Lernende wählen ein Thema aus, wiederholen Vokabelkarten und steigen dann in ein Gespräch mit dem KI-Trainer ein. Die Aufgabe der KI besteht darin, sie auf natürliche Weise dazu zu führen, diese Vokabeln im Kontext zu verwenden – durch ein echtes Gespräch, das authentische Gelegenheiten schafft, die Sprache anzuwenden. Am Ende der Session erhalten die Lernenden direktes Feedback: was gut gelaufen ist, was nicht so gut war und wie eine stärkere Version eines bestimmten Satzes aussehen könnte. 

Die Herausforderungen beim Aufbau eines KI-Trainers 

Große Sprachmodelle (LLMs) sind von Natur aus generativ. Sie wollen Gespräche am Laufen halten, Pausen füllen, Abschweifungen verfolgen und in alle Richtungen gleichzeitig hilfreich sein. Für einen allgemeinen Assistenten ist das eine nützliche Eigenschaft. Für eine 12-minütige Sprachlernsession mit einem klaren didaktischen Ziel stellt sie jedoch eine echte Herausforderung dar. 

Die Arbeit am Fluency Lab bestand daher zu einem großen Teil darin, Kontrolle zu schaffen. Wir brauchten etwas, das sich wie ein echtes Gespräch anfühlt: warm, natürlich, reaktionsfähig – und gleichzeitig diszipliniert genug, um das Lernziel zu unterstützen. Das bedeutete erhebliches Prompt Engineering und rigoroses Stresstesting, bevor etwas überhaupt die Lernenden erreichte. 

Mein Hintergrund in der Neurowissenschaft war hier hilfreicher als erwartet. Zu verstehen, wie Gedächtniskonsolidierung funktioniert, wie Retrieval Practice die Behaltensleistung stärkt und wie kognitive Belastung den Lernprozess beeinflusst: All das floss in konkrete Designentscheidungen ein – etwa zur Struktur der Sessions, zum Timing des Feedbacks und dazu, wie die KI mit Fehlern umgeht. Tools zu entwickeln, die die menschliche Kognition verbessern sollen, erfordert ein grundlegendes Verständnis davon, wie Kognition tatsächlich funktioniert. Das sollte selbstverständlich sein, ist es in diesem Bereich aber oft nicht. 

KI zu etwas machen, zu dem Menschen zurückkehren 

Die technische Architektur war ein lösbares Problem. Was mich stärker beschäftigte, war die Frage der Adoption. 

Wir befinden uns gerade in einem besonderen Moment der KI-Adoptionskurve: Die Nutzung wächst schnell, aber die Technologie entwickelt sich noch schneller als die meisten Menschen ihr folgen können. Mir war sehr bewusst, dass wir einen Lernenden verlieren könnten, wenn er Fluency Lab einmal ausprobiert, sich unsicher oder verwirrt fühlt und den Tab schließt. 

Das Nutzererlebnis musste daher zwei Dinge gleichzeitig leisten: didaktisch wirksam sein und sich sicher anfühlen. Diese Ziele stehen nicht immer im Einklang. Eine Session, die Lernende angemessen herausfordert, kann sich gleichzeitig unangenehm anfühlen. Eine KI, die Fehler korrigiert, muss das so tun, dass sie Menschen im Gespräch hält, statt sie zu entmutigen. 

Wir haben viel Zeit darauf verwendet, wie die KI kommuniziert, wie sie mit unerwarteten Antworten umgeht und wie sie dafür sorgt, dass Sessions auch dann produktiv bleiben, wenn Lernende Schwierigkeiten haben. Für L&D-Teams, die über Rollouts nachdenken, ist genau diese Designarbeit entscheidend dafür, ob ein Tool nach dem ersten Versuch weiter genutzt wird. Adoption ist letztlich ein Produktdesign-Problem – und sollte von Anfang an auch so behandelt werden. 

Warum ein Human-First-Ansatz wichtig ist 

Bei Learnlight verfolgen wir einen Human-First-Ansatz, der durch Technologie unterstützt wird. Das sage ich als jemand, der diese Technologie entwickelt.  

Einige Unternehmen in diesem Bereich setzen auf einen AI-First-Ansatz, und ich kann nachvollziehen, warum das attraktiv ist. Meine Sichtweise – geprägt durch meinen technischen Hintergrund und das rasante Tempo, mit dem sich diese Technologie weiterentwickelt – ist jedoch, dass wir vorsichtig bleiben müssen. LLMs sind außergewöhnliche Werkzeuge, aber sie generieren Sprache nach wie vor auf der Grundlage von Wahrscheinlichkeiten und denken nicht selbstständig. Genau deshalb ist der Mensch im Prozess so wichtig. 

Fluency Labs AI Trainer auf den Markt bringen 

Im Februar haben wir Fluency Lab auf einer Konferenz in Frankreich vorgestellt. Die Resonanz im Raum war spürbar, und Kund:innen fragten bereits, wann sie das Tool ihren Teams zur Verfügung stellen könnten. 

Diese Reaktion bestätigte uns, dass wir das richtige Problem gelöst hatten. 

—- 

Über den Autor 

Ezequiel Saraceno ist AI Engineering Manager bei Learnlight und leitet dort das Team, das die KI-gestützten Sprachlern-Tools von Fluency Lab entwickelt. Bevor er in die KI-Entwicklung wechselte, war er 15 Jahre lang als Neurowissenschaftler tätig.