Subject Matter Expert

Dr. Philippa Hardman beschreibt in ihrem Artikel Has AI Finally Fixed L&D's SME Problem? den SME-Bottleneck als eines der hartnäckigsten Probleme in Learning & Development. Ihr Punkt ist wichtig: Der Engpass entsteht nicht nur, weil Subject Matter Experts wenig Zeit haben. Er entsteht auch, weil Experten ihr eigenes Können oft gar nicht vollständig erklären können.

Hardman unterscheidet damit zwei Ebenen. Die erste Ebene ist Zugang: L&D wartet auf Interviews, Dokumente, Reviews und Freigaben. Die zweite Ebene ist Artikulation: Selbst wenn der Subject Matter Expert im Raum ist, bleibt ein großer Teil der eigentlichen Expertise unausgesprochen. Erfahrene Menschen handeln mit Mustern, Abkürzungen, Warnsignalen und Entscheidungen, die für sie selbstverständlich wirken.

Genau deshalb greift die übliche Lösung zu kurz. Noch ein Interviewleitfaden, noch ein Reminder und noch ein KI-generiertes Transkript machen den Prozess schneller, aber sie verändern seine Logik kaum. L&D bleibt abhängig von punktueller Verfügbarkeit und muss weiterhin aus bruchstückhaften Informationen ein lernwirksames Produkt bauen.

Hardman nennt konkrete Zahlen aus dem State of Instructional Design Survey mit Synthesia: SME-Verzögerungen waren für 30 Prozent der befragten Designer ein Geschwindigkeitsproblem und für weitere 13 Prozent ein Qualitätsproblem. Sie beschreibt außerdem, dass ein typisches E‑Learning-Projekt 10 bis 12 Wochen dauert und mehrere SME-Reviewzyklen enthält, die jeweils ein bis zwei Wochen beanspruchen.

Die eigentliche Pointe ist jedoch schärfer als die Zahl. Der SME-Bottleneck ist keine kleine Prozessdelle, sondern eine strukturelle Steuer auf die gesamte L&D-Funktion. Je schneller KI Entwürfe, Skripte, Quizfragen und Kursstrukturen produziert, desto teurer wird jede Stelle, an der menschliche Expertise fehlt oder zu spät kommt.

Das ist der Zukunftskonflikt für L&D. KI macht Content-Produktion günstig. Dadurch wird nicht automatisch Lernen besser. Im Gegenteil: Wenn Produktion billiger wird, werden Urteilskraft, Kontext und Qualität knapper. Genau dort entscheidet sich, ob L&D strategischer wird oder in einer Flut mittelmäßiger Inhalte untergeht.

Hardman beschreibt vier heute sichtbare KI-Anwendungsfälle: KI wertet SME-Gespräche aus, KI führt asynchrone Interviews, KI dient als Forschungsassistenz und KI analysiert vorhandene Outputs eines Experten. Diese Ansätze sind sinnvoll. Sie senken den Reibungsverlust, sie verkürzen Wartezeiten und sie helfen L&D, vor dem nächsten Expertentermin bessere Fragen zu stellen.

Doch jeder Ansatz hat eine Grenze. Ein perfektes Transkript bleibt unvollständig, wenn das Gespräch unvollständig war. Ein KI-Interview bleibt ein Interview und hängt weiterhin daran, was der Subject Matter Expert artikulieren kann. Ein Forschungsassistent kennt veröffentlichte Literatur, aber nicht automatisch die gelebte Praxis eines Unternehmens. Ein virtueller SME aus Dokumenten kennt nur, was schon irgendwo abgelegt wurde.

Genau hier braucht L&D eine klarere Haltung. KI als Extraktionsmaschine ist hilfreich, aber defensiv. Sie macht das alte Modell effizienter. Die größere Chance liegt in einem offensiven Modell: Fachbereiche werden selbst produktionsfähig, L&D baut das Betriebssystem dafür und das Autorentool liefert die technische Arbeitsumgebung.

Ein möglicher nächster Entwicklungsschritt ist mehr verantwortete Wissensproduktion dort, wo Wissen entsteht. Subject Matter Experts werden zu Autor:innen, aber nicht zu Einzelkämpfern. Sie arbeiten in einem kontrollierten System aus Vorlagen, KI-Unterstützung, didaktischen Leitplanken, Reviews und zentraler Veröffentlichung.

Das ist Employee Generated Learning in einer erwachsenen Form. Es bedeutet, dass Unternehmen die Content-Erstellung aus dem SME-Flaschenhals befreien und zugleich Qualitätsstandards verbindlich machen.

In diesem Modell verschiebt sich die Arbeit:

• Der Subject Matter Expert liefert Praxisfälle, Fachlogik, typische Fehler, Ausnahmen und Entscheidungssituationen.
• KI hilft, daraus Struktur, Lernziele, Texte, Medien, Fragen, Übersetzungen und Varianten zu entwickeln.
• Autorentools wie Knowledgeworker Create halten Inhalte, Versionen, Review und Veröffentlichung in einem zentralen Prozess.
• L&D setzt Kriterien, schult Autor:innen, prüft Wirkung und übernimmt Co-Authoring bei sensiblen oder didaktisch anspruchsvollen Themen.

Das ist mehr als Prozessoptimierung. Es ist eine neue Architektur für Corporate Learning.

Die LVB zeigt noch etwas: Dezentralisierung funktioniert nur, wenn sie an eine gemeinsame Plattform gebunden ist. One Platform sorgt dafür, dass Mitarbeitende wissen, wo sie lernen. Nutzerzentrierung sorgt dafür, dass Inhalte für verschiedene Berufsgruppen auffindbar und zugänglich bleiben. Make statt Buy sorgt dafür, dass internes Praxiswissen nicht durch generische Inhalte ersetzt wird.

Das Ergebnis ist strategisch stark, weil es drei alte Gegensätze auflöst. Erstens: Fachnähe und Skalierung schließen sich nicht aus. Zweitens: dezentrale Erstellung und zentrale Qualität können zusammengehen. Drittens: L&D muss nicht jede Lerneinheit selbst bauen, um Verantwortung für Lernqualität zu behalten.

Genau darin liegt die Zukunftsvision. L&D der nächsten Jahre wird nicht daran gemessen, wie viele Kurse das Team selbst produziert. L&D wird daran gemessen, wie gut es Wissen im Unternehmen beweglich macht. Der Subject Matter Expert wird dabei nicht mehr als Engpass behandelt, sondern als Teil eines Lernnetzwerks.

Wenn Subject Matter Experts mit KI selbst Lerninhalte erstellen können, klingt externe Unterstützung auf den ersten Blick weniger wichtig. Genau hier lohnt ein zweiter Blick. Die Frage lautet: Welche Aufgaben gehören nah ans Fachwissen, und welche Aufgaben gewinnen durch Erfahrung, Abstand und professionelle Produktionsroutine?

Externe Unterstützung bleibt sinnvoll, wenn Projekte sensibel, didaktisch anspruchsvoll oder organisatorisch groß werden. Bei Compliance-Themen, sicherheitskritischen Inhalten, komplexen Produkttrainings oder strategischen Lernprogrammen reicht ein schneller Kursentwurf selten aus. Dann zählen Lernarchitektur, Medienqualität, Barrierefreiheit, Reviewlogik und klare Verdichtung vieler Fachstimmen.

Auch Teil-Auslagerung gewinnt an Bedeutung. Ein Unternehmen kann Fachexperten mit Knowledgeworker Create befähigen und trotzdem externe Partner für Konzeption, Co-Authoring, Qualitätssicherung oder Skalierung einbinden. So bleibt internes Wissen intern, während externe Lernexpertise dort unterstützt, wo sie Wirkung, Geschwindigkeit oder Sicherheit erhöht.

Praktisch entstehen drei sinnvolle Varianten:

• Fachexperten erstellen erste Entwürfe, externe Didaktikprofis schärfen Struktur, Lernziele und Transfer.
• L&D steuert das Programm, externe Autor:innen übernehmen Teilproduktionen bei hohem Volumen oder engem Zeitplan.
• Kritische Kurse werden vollständig begleitet, wenn Risiko, Zielgruppe oder Sichtbarkeit besonders hoch sind.

So wird externe Unterstützung präziser eingesetzt. Sie hilft beim Aufbau eines skalierbaren Systems, bei dem interne Autor:innen besser werden und L&D nicht allein zwischen Qualität, Tempo und Kapazität zerrieben wird.

Ein guter Start beginnt mit einem Thema, bei dem der Bottleneck heute schon schmerzt. Wählen Sie ein Projekt mit klarer Fachlichkeit, sichtbarem Aktualisierungsdruck und einer Zielgruppe, die vom Wissen direkt profitiert. Produktschulung, technische Einweisung, Onboarding oder Prozesswissen eignen sich besonders gut.

Danach wählen Sie zwei bis vier Subject Matter Experts aus, die fachlich stark sind und offen für digitale Formate arbeiten. Geben Sie ihnen Knowledgeworker Create, eine klare Vorlage und einen kurzen didaktischen Rahmen. L&D begleitet die ersten Entwürfe im Co-Authoring, sammelt typische Stolperstellen und entwickelt daraus Standards für weitere Autor:innen.

Dieser Schritt ist kulturell. Sagen Sie nicht: „Wir machen Fachexperten zu kleinen L&D-Abteilungen.“ Sagen Sie: „Wir machen Fachwissen lernfähig, ohne es aus seinem Kontext zu reißen.“ Diese Haltung verändert Akzeptanz. Fachexperten fühlen sich nicht als zusätzliche Produktionsressource, sondern als Gestalter ihres eigenen Wissens.

Wer diesen Ansatz praktisch testen möchte, kann Knowledgeworker Create 30 Tage ausprobieren und mit einem echten Thema starten. Die Testphase eignet sich besonders, um einen ersten Fachbereich einzubinden und den Weg vom Expertenwissen zum fertigen Onlinekurs realistisch zu prüfen.