KI-Reife ist eine Treppe: Wie Unternehmen Stufe für Stufe lernen

Wenn ich Kund:innen zeige, was mit KI heute schon möglich ist, erlebe ich oft einen vergleichbaren Ablauf. Zuerst sind alle kurz beeindruckt. Die Erkenntnis kommt schnell, und unmittelbar danach kommt die Hilflosigkeit: "Mit meiner Mannschaft komme ich da nie an, so wie es jetzt läuft." Dann folgt die Frage, welche Rollen und welche Fähigkeiten in Zukunft gebraucht werden und wie man überhaupt dorthin kommt.

An fehlender Offenheit liegt das selten. Die meisten Unternehmen, die am Anfang stehen, wissen schlicht nicht, wie das Zielbild aussieht; nennen wir es Position Z. Oft wissen sie nicht einmal, wie Position C aussieht. Und dass der Weg dorthin treppenmäßig verlaufen muss, ist ihnen meistens ebenfalls nicht bewusst. Eine Demonstration kann diesen Abstand sichtbar machen. Eine eigene Arbeitsroutine entsteht dadurch aber noch nicht, denn was man tatsächlich braucht, lernt man erst mit der Nutzung.

Deshalb beschreibe ich die Entwicklung als Treppe. Jede Stufe baut auf Fähigkeiten auf, die auf der vorherigen entstanden sind. Einen KI-Assistenten sinnvoll einzurichten gelingt zum Beispiel erst dann, wenn Aufgaben klar beschrieben und Ergebnisse zuverlässig geprüft werden können. Für Unternehmen führt das zu einer Frage, die über Lizenzen und Toolauswahl hinausgeht: Wie können Teams KI-Kompetenz aufbauen, die im Alltag trägt, sicher bleibt und von vielen genutzt werden kann?

Dieser Beitrag ergänzt unseren Artikel zum KI-Reifegrad und KI-Reifegradmodell. Dort geht es um die Standortbestimmung des ganzen Unternehmens. Hier steht die Lernentwicklung einzelner Mitarbeitender und Teams im Mittelpunkt und die Frage, was Führung tun kann, wenn der Fortschritt zwischendurch stockt.

Die sieben Lernstufen der KI-Nutzung

Vor Kurzem habe ich einem neuen Entwickler bei uns gesagt, dass er beim KI-gestützten Entwickeln aktuell auf Reifegrad eins arbeitet. Seine erste Reaktion war Skepsis. Die Einstufung bezog sich ausschließlich auf den Modus, in dem ich ihn mit KI arbeiten sah; über seine Qualität als Entwickler sagt sie nichts aus. Genau so ist das folgende Stufenmodell zu lesen.

Das Modell beruht auf meinen Beobachtungen aus Transformationsprojekten. Es ist ein praktisches Lernmodell und kein wissenschaftlich validiertes Verfahren. Reihenfolge und sinnvolles Zielniveau können je nach Aufgabe unterschiedlich sein, und nicht jede Tätigkeit muss die oberste Stufe erreichen. Als Rangliste für Mitarbeitende ist das Modell nicht gedacht.

Übersicht: Die sieben KI-Lernstufen

Tabelle 1: Lernaufgaben und beobachtbare Fortschritte je Stufe. Die Tabelle beschreibt eine typische Entwicklung; im Einzelfall kann sie anders verlaufen.

Stufe 1 und 2: Vom ersten Kontakt zur bewussten Nutzung

In der ersten Stufe stecken zwei sehr unterschiedliche Ausgangslagen. Manche Mitarbeitende haben bisher kein Interesse an KI oder sehen keinen Bezug zu ihrer Arbeit. Andere nutzen KI-Funktionen längst, ohne es zu merken, etwa in Übersetzungs-, Such- oder Schreibhilfen ihrer Standardsoftware. Beide Gruppen brauchen einen konkreten Bezug zu ihrer eigenen Tätigkeit. Der zweiten Gruppe hilft es zusätzlich, vorhandene Funktionen und ihre Grenzen bewusst einordnen zu können.

In der zweiten Stufe wird KI gezielt für bestimmte Aufgaben eingesetzt. Hier zeigt sich schnell, wie viel von der Qualität des Auftrags abhängt. Fehlt einer KI der nötige Kontext, spinnt sie sich das Thema zu Ende, um das Problem trotzdem zu schließen. Die wichtigste Lernaufgabe dieser Stufe besteht deshalb darin, Aufgaben zu strukturieren, klare Aufträge zu formulieren und das Ergebnis fachlich zu prüfen. Die KI hebt den Output des Menschen, und ein Mensch, der gut strukturiert, hebt den Output der KI.

Stufe 3 bis 5: Vom eigenen Assistenten zur geteilten Arbeitsweise

Beim ersten KI-Assistenten legen Nutzer:innen Zweck, Kontext und Arbeitsregeln einmal fest, statt sie bei jeder Anfrage neu zu formulieren. Damit wird der Assistent zu einem festen Bestandteil eines begrenzten Aufgabenbereichs, zum Beispiel beim Vorbereiten von Angeboten oder beim Zusammenfassen von Fachdokumenten.

In Stufe vier wird die KI an freigegebene Datenquellen angebunden, etwa an ein Ticketsystem, ein Code-Repository oder ein Dokumentenarchiv. Wie viel das bringt, habe ich vor einem Kundentermin erlebt: In rund anderthalb Stunden habe ich Ticketsystem, Repository und KI-Assistenten verbunden und mir das gesamte Projekt analysieren, beschreiben und einordnen lassen. Im Termin konnte ich dadurch sehr konkret sagen, was zu tun ist. Der eigentliche Gewinn lag in der Strukturierung, also im Verständnis dessen, was wir überhaupt machen.

In Stufe fünf werden bewährte Vorgehensweisen zu Skills. Das sind wiederverwendbare Anweisungs- und Arbeitsbausteine, die auch andere im Team verstehen und nutzen können. Das zugrunde liegende Modell bleibt dabei unverändert; ein Skill hält fest, wie ein bestimmter Ablauf gut funktioniert.

Technisch überschneiden sich diese drei Stufen oft. Viele Assistenten können bereits an Tools angebunden werden, und Skills lassen sich mit beidem kombinieren. Für die Lernentwicklung lohnt sich die Unterscheidung trotzdem, denn mit jeder Stufe kommt eine eigene Verantwortung hinzu.

Stufe 6 und 7: Abläufe, die selbst starten und geprüft werden

Ein Startevent stößt einen Ablauf an, ohne dass jemand eine Anfrage stellt, zum Beispiel ein fester Zeitpunkt oder eine neue E-Mail in einem bestimmten Postfach. Bei mir läuft jeden Morgen um 7:30 Uhr ein Agent los, der E-Mails, Kalender und Aufgaben auswertet und mir einen kurzen Tagesbericht mit meinen drei wichtigsten Prioritäten vorlegt, jeweils mit Hinweis, aus welcher Quelle eine Aufgabe stammt. Autonome Agenten braucht es für solche Abläufe nicht zwingend, oft reicht ein klar festgelegter Workflow. Neu zu lernen ist der Umgang mit Auslösern, Benachrichtigungen und Fehlerfällen: Was passiert, wenn eine Quelle nicht erreichbar ist oder ein Ergebnis unplausibel wirkt?

In der siebten Stufe prüfen KI-Agenten die Arbeit anderer Agenten. Spätestens hier wird deutlich, dass sich große Mengen KI-generierter Ergebnisse von Hand nicht mehr qualifizieren lassen. Wenn man einmal in diesem Spiel ist, muss man es auch zu Ende spielen. In unseren Projekten laufen deshalb Security- und Test-Agenten über die Ergebnisse, deren Skills wir laufend weiter optimieren. Inzwischen finden sie viele Fehler schneller als ein Mensch. Auch diese zusätzliche Bewertung hat allerdings eigene Fehlergrenzen, und die Verantwortung bleibt bei den Menschen. Prüfkriterien werden deshalb an bekannten Fällen getestet, und unklare Ergebnisse landen bei den verantwortlichen Personen.

Was sich beim nächsten Schritt verändert

Der Wechsel auf die nächste Stufe bringt mehr als eine weitere Funktion. Es verschiebt sich, worauf Nutzer:innen achten müssen. Vier Aspekte helfen, diese Veränderung einzuordnen:

• Kontext: Mit einem Assistenten werden Zweck, Zielgruppe und Qualitätsmaßstäbe einmal festgelegt. Diese Vorgaben müssen gepflegt werden, wenn sich Aufgaben oder Anforderungen ändern.
• Zugriff: Sobald Datenquellen angebunden sind, hängt die Qualität der Ergebnisse von der Aktualität und Vollständigkeit dieser Quellen ab. Zugriffsrechte müssen zur Rolle der Nutzer:innen passen.
• Wiederverwendbarkeit: Ein Skill, den andere nutzen, braucht eine nachvollziehbare Beschreibung, Tests mit typischen Fällen und eine verantwortliche Person für Änderungen.
• Handlungsbefugnis: Ab automatischen Startevents arbeitet ein Ablauf ohne direkte Aufsicht. Spätestens jetzt muss feststehen, welche Ausnahmen sichtbar gemacht werden und wer bei Fehlern eingreift.

Daraus folgt etwas Wichtiges für die Auswahl von Anwendungen: Eine Lösung muss zur Arbeitsfähigkeit der Menschen passen, die sie im Alltag nutzen sollen. Setzt eine Anwendung Fähigkeiten aus Stufe fünf voraus, während das Team gerade die bewusste Nutzung einübt, klaffen Erwartung und Wirklichkeit auseinander. Wie solche Lücken KI-Vorhaben ausbremsen, zeigt unser Beitrag Warum KI-Projekte scheitern.

Für einen Stufenwechsel braucht es außerdem nicht immer ein neues Produkt. Oft genügen bessere Arbeitsregeln: eine klarere Beschreibung des Kontexts, eine sauber freigegebene Datenquelle oder ein dokumentierter Ablauf, den das ganze Team nutzt. Neue Anwendungen lohnen sich dann, wenn die vorhandenen Werkzeuge einen konkreten Bedarf nachweislich nicht abdecken.

Warum das gemeinsame Teamniveau zählt

Ein Muster beobachte ich in vielen Teams: Einige Mitglieder haben Lust auf KI und gehen mit, andere gehen nicht mit. Das wird schnell zu einem echten Problem. Einzelne Mitarbeitende, die KI bereits auf hohem Niveau nutzen, sind wertvoll. Für die Wirkung im Unternehmen halte ich das gemeinsame Niveau eines Teams trotzdem für entscheidender. Eine Anwendung, die ein ganzes Team sicher beherrscht, entlastet einen Bereich meist stärker als ein komplexer Ablauf, den nur eine Person versteht und pflegt. Fällt diese Person aus oder wechselt sie die Rolle, steht der Ablauf still.

Mit der Größe wächst die Herausforderung. Eine einzelne KI-Entwicklerin mit den richtigen Skills ist kein Problem, ein kleines Team mit zwei oder drei Leuten auch nicht. Bei größeren Teams oder vielen parallel arbeitenden Teams kommen Fähigkeiten hinzu, die mit dem Werkzeug selbst wenig zu tun haben, etwa Kommunikation, Freigaben und Absprachen. Im Vergleich zweier Teams gewinnt deshalb häufig das eingespieltere. Rund um die Werkzeuge braucht es Prozess- und Wissens-Governance, klare Verantwortlichkeiten sowie gutes Knowledge- und Context-Management. Und es muss sichergestellt sein, dass alle auf diese Weise arbeiten.

Für die Bedeutung des Teamniveaus gibt es auch wissenschaftliche Hinweise. In der Studie Generative AI at Work wurden 5.172 Mitarbeitende im Kundenservice untersucht, die mit einem KI-Assistenten für Gesprächsvorschläge arbeiteten. Die Zahl der gelösten Fälle pro Stunde stieg im Durchschnitt um 15 Prozent. Besonders profitierten weniger erfahrene und bisher weniger leistungsstarke Beschäftigte. Bei den erfahrensten und leistungsstärksten Mitarbeitenden zeigten sich nur kleine Geschwindigkeitsgewinne. Die Autor:innen fanden außerdem Hinweise darauf, dass die Beschäftigten durch die Arbeit mit dem System dazulernten.

Diese Ergebnisse beziehen sich auf Supportarbeit, zeigen aber, dass KI vorhandenes Wissen breiter zugänglich machen und Unterschiede innerhalb einer Tätigkeit verringern kann. Dass jedes einfache System automatisch das ganze Team verbessert, folgt daraus allerdings nicht.

Für mich liegt genau darin einer der wichtigsten Gründe, den mühsamen Weg überhaupt zu gehen: eine Demokratisierung von Fähigkeit. Wenn Mitarbeitende mehr der Probleme, die sie heute haben, künftig selbst lösen können, wird eine Organisation effizienter. Sie kann das anfallende Arbeitsaufkommen dann auch mit weniger Personal bewältigen, wenn in den kommenden Jahren die geburtenstarken Jahrgänge in Rente gehen.

Erfahrene Nutzer:innen sind deshalb besonders wichtig, wenn sie als Multiplikator:innen arbeiten. Sie dokumentieren bewährte Skills, sammeln Fehlerfälle, unterstützen Kolleg:innen bei konkreten Aufgaben und melden zurück, wo Vorgaben oder Werkzeuge nicht passen. Diese Arbeit braucht Zeit. Läuft sie nur nebenbei, bleibt das Wissen bei einzelnen Personen.

Auch die Europäische Kommission betont in ihren Fragen und Antworten zur KI-Kompetenz, dass Maßnahmen zur Kompetenzentwicklung die Erfahrung der Beschäftigten, den Einsatzkontext und die konkreten Risiken berücksichtigen sollten. Ein einheitliches Schulungsprogramm für alle wird dem selten gerecht. Wie Beteiligung, Kommunikation und Qualifizierung zusammenspielen, beschreiben wir ausführlich im Beitrag KI im Unternehmen einführen und Mitarbeitende mitnehmen.

Whitepaper: Den nächsten KI-Schritt strukturiert vorbereiten

Welche Anwendung eignet sich als nächster Schritt, wie planen Sie ein Pilotprojekt und woran messen Sie den Erfolg? Das Whitepaper "KI im Unternehmen einführen" bietet eine praxisnahe Roadmap mit Best Practices und Quick Wins für eine strukturierte und risikoarme Einführung.

Whitepaper herunterladen

Die Durchhaltephase zwischen ersten Erfolgen und Routine

Wenn ich mit Kund:innen über Transformation spreche, zeichne ich eine Zackenlinie. Eine KI-Transformation kostet Geld, Schweiß und Nerven. Es bleibt ja nicht bei einem Workshop. Es braucht viele Workshops, Schulungsmaßnahmen, passende Technologie und unter Umständen externe Beratung. Allein ein Tag, an dem zwanzig Leute über die KI-Einführung sprechen, kostet Geld, und diese zwanzig Leute erledigen an diesem Tag ihre eigentliche Arbeit nicht. Hinzu kommt, dass viele Probleme, die es im Unternehmen ohnehin gibt, im Verlauf aufkommen werden und aktiv angegangen werden müssen, etwa uneinheitliche Abläufe, verstreute Informationen oder unklare Zuständigkeiten.

Deshalb braucht jede Organisation einen klaren Grund, diesen steinigen Weg zu gehen. Unter Wettbewerbsdruck liegt er auf der Hand. Andere Treiber sind die Gewinnung guter Fachkräfte oder die Aussicht, künftig mit weniger Arbeitskräften auszukommen. Ohne einen solchen Treiber fehlt in der schwierigen Phase schnell die Kraft zum Weitermachen.

Schaubild: Die Zackenlinie

Abbildung 1: Der Weg zur belastbaren KI-Routine verläuft meist in Zacken. Vereinfachte Darstellung ohne Messwerte.

Die Grafik zeigt eine verbreitete Erfahrung. Eine feste Gesetzmäßigkeit lässt sich daraus nicht ableiten. Sie soll vor allem erklären, warum Lernfortschritte zunächst oft nicht in den üblichen Produktivitätskennzahlen auftauchen. Ein Team, das gerade lernt, Ergebnisse gründlich zu prüfen, braucht für manche Aufgaben vorübergehend sogar mehr Zeit.

Das Mittelstand-Digital Zentrum Berlin nennt in seinem Leitfaden zum Change Management die Ernüchterung als typische Herausforderung bei der KI-Einführung: Ist die Umsetzung komplexer als erwartet, entsteht Frust bei den Beteiligten. Als Gegenmittel empfiehlt der Leitfaden, Mitarbeitende frühzeitig einzubeziehen, sie zu schulen und transparent zu kommunizieren.

Ob ein Stocken zum normalen Lernverlauf gehört oder auf ein tieferes Problem hinweist, lässt sich nur im Einzelfall beurteilen.

Vier Konstellationen sollten Führungskräfte auseinanderhalten:

Tabelle 2: Typische Schwierigkeiten in der Durchhaltephase und passende Reaktionen. Ähnliche Symptome können ganz unterschiedliche Ursachen haben.

Die letzte Zeile kenne ich aus eigener Erfahrung: Der Agent, der mir morgens meine Prioritäten vorlegt, macht liegengebliebene Aufgaben sichtbar. Gleichzeitig wird man durch ein solches System schnell zum Getriebenen. Irgendwann ist eine Belastungsgrenze erreicht, an der zusätzlicher Output keinen Gewinn mehr bringt, weil Menschen ihn auf Dauer nicht tragen können.

Eine schwierige Phase ist also kein Grund, ein ungeeignetes Vorhaben unbegrenzt weiterzuführen. Durchhalten lohnt sich, wenn die Ergebnisse besser werden und der Einsatz zu realen Aufgaben passt. Fehlt die Wirkung dauerhaft, muss die Ursache untersucht werden. Warum sichtbare Erfolge und langfristige Grundlagen zusammengehören, erläutert unser Beitrag Quick Wins vs. Foundation.

Wie Führung Lernfortschritt und Nutzen beurteilt

In der Durchhaltephase hat Führung vier Aufgaben: Probleme einordnen, Ressourcen sichern, Entscheidungen nachvollziehbar machen und Fortschritt an konkreten Ergebnissen erkennen. Dazu gehört eine unbequeme Erkenntnis, die ich bei vielen Führungskräften beobachte. Zuerst müssen sie sich selbst zurücknehmen und akzeptieren, dass sie Teil des Problems sein können.

Lernzeit, Unterstützung und Mandat absichern

Kompetenzaufbau gelingt am besten an echten Aufgaben aus dem Arbeitsalltag. Dafür brauchen Teams Lernzeit, die im Tagesgeschäft auch tatsächlich zur Verfügung steht, und Ansprechpersonen, die bei konkreten Fragen schnell helfen können. Multiplikator:innen sollten für ihre Rolle Kapazität bekommen. Genauso wichtig ist ein Umfeld, in dem Mitarbeitende Fehlerfälle offen ansprechen können.

Die richtigen Rollen und Fähigkeiten zu benennen reicht allein nicht aus. Die passenden Personen müssen identifiziert, ausgewählt und mit einem echten Mandat ausgestattet werden. Andernfalls bleiben sie in politischen Strukturen hängen, und der Fortschritt stockt aus Gründen, die mit KI wenig zu tun haben.

Aussagekräftige Fortschrittssignale

Vollständige Kontrolle über jedes Ergebnis hat dabei niemand. Auch der Vorstand eines Konzerns mit Hunderttausenden Beschäftigten kann nicht in jede Entscheidung seiner Organisation hineinsehen. Er baut sich Kontrolle über Prozesse, Stichproben, Dashboards und Kennzahlen auf. Für den KI-Kompetenzaufbau gilt dasselbe.

Login-Zahlen, Lizenzanzahl und Schulungsteilnahmen zeigen, ob ein Angebot verfügbar ist. Über seine Wirkung sagen sie wenig. Aussagekräftiger sind diese Signale:

• Qualität bei typischen Aufgaben und bei wichtigen Ausnahmen
• tatsächlich benötigte Bearbeitungszeit einschließlich Prüfung
• notwendiger Korrektur- und Unterstützungsaufwand
• Wiederverwendbarkeit durch weitere Teammitglieder
• geringere Abhängigkeit von einzelnen Spezialist:innen
• sinnvolle Anwendung bei geeigneten Aufgaben

Diese Signale sollten auf Teamebene betrachtet werden. Persönliche Ranglisten führen schnell dazu, dass Probleme verschwiegen und Erfolge geschönt werden. Damit fehlen genau die Informationen, die Führung für gute Entscheidungen braucht.

Durchhalten, nachsteuern oder beenden

Am Ende einer Auswertung stehen drei mögliche Entscheidungen. Sie sollten bewusst getroffen und begründet werden:

• Durchhalten: Die Ergebnisse verbessern sich, der Einsatz passt zu realen Aufgaben, und der Gesamtaufwand bleibt vertretbar. Dann braucht das Team vor allem Zeit und verlässliche Unterstützung.
• Nachsteuern: Dieselben Fehler wiederholen sich, oder die Nacharbeit steigt. Dann werden Kontext, Ablauf, Datenquelle oder Umfang angepasst, bevor die Nutzung weiter ausgebaut wird.
• Beenden: Der Anwendungsfall passt auch nach Anpassungen nicht zur tatsächlichen Arbeit. Ein nachvollziehbar begründeter Abbruch schützt Ressourcen und das Vertrauen des Teams für den nächsten Versuch.

Halten Sie fest, welche Beobachtungen zu einer Entscheidung geführt haben. So kann das Team die Entscheidung nachvollziehen, und die Erkenntnisse fließen in künftige Vorhaben ein.

Fazit: Einen tragfähigen nächsten Schritt wählen

KI-Kompetenz entsteht schrittweise, und jede Stufe bringt eigene Lernaufgaben mit sich. Das Treppenmodell hilft, diese Entwicklung sichtbar zu machen und Anwendungen so auszuwählen, dass sie zur tatsächlichen Arbeitsfähigkeit der Nutzer:innen passen. Die Zielposition Z muss dabei niemand von Anfang an kennen. Es reicht, die nächste Stufe sauber zu erreichen und daraus zu lernen.

Dabei kommt es weniger auf einzelne Spitzenleistungen an als auf ein solides gemeinsames Niveau im Team. Breit beherrschte Anwendungen entlasten zuverlässiger und verringern die Abhängigkeit von einzelnen Personen. Für schwierige Phasen braucht es eine Führung, die Lernfortschritt an konkreten Ergebnissen misst und die Ursachen von Problemen sorgfältig unterscheidet.

Für Ihre nächsten Schritte empfehle ich drei Fragen pro Team und Aufgabe:

1. Auf welcher Stufe arbeitet das Team bei dieser Aufgabe heute verlässlich?
2. Welche Fähigkeit braucht es für den nächsten sinnvollen Schritt, und reicht dafür eine bessere Arbeitsregel oder ist eine neue Anwendung nötig?
3. Welcher konkrete Nutzen wird von diesem Schritt erwartet, und woran lässt er sich erkennen?

Welche KI-Arbeitsweise passt zu Ihrem Team?

Im Erstgespräch klären wir gemeinsam, welche Anwendungen zu den Aufgaben und dem Erfahrungsstand Ihrer Teams passen, wo Lernbedarf besteht und welche organisatorischen Voraussetzungen der nächste Schritt braucht.

Erstgespräch vereinbaren

Häufige Fragen zu KI-Reife und KI-Kompetenz

Wie können Unternehmen KI-Kompetenz im Team aufbauen?

Am wirksamsten an realen Aufgaben. Unternehmen bestimmen zuerst den aktuellen Erfahrungsstand je Team und wählen Anwendungen, die dazu passen. Lernzeit, erreichbare Unterstützung und erfahrene Multiplikator:innen helfen beim nächsten Schritt. Bewährte Abläufe werden dokumentiert, damit möglichst viele Mitarbeitende sie sicher wiederverwenden können.

Müssen alle Mitarbeitenden dieselben KI-Lernstufen erreichen?

Nein. Welches Zielniveau sinnvoll ist, hängt von Aufgabe, Risiko und Nutzen ab. Für viele Tätigkeiten reichen eine sichere bewusste Nutzung oder ein gut eingerichteter Assistent. Automatische Abläufe und Agentenprüfungen lohnen sich vor allem bei häufigen, klar strukturierten und gut überprüfbaren Aufgaben. Wichtig ist eine gemeinsame, verlässliche Basis im Team.

Woran erkennen Führungskräfte Fortschritt beim KI-Kompetenzaufbau?

Aussagekräftig sind die Ergebnisse bei typischen Aufgaben: Qualität, tatsächliche Bearbeitungszeit einschließlich Prüfung, Korrekturaufwand und Wiederverwendbarkeit durch Kolleg:innen. Auch eine geringere Abhängigkeit von einzelnen Spezialist:innen ist ein gutes Zeichen. Login-Zahlen, Lizenzen oder Schulungsteilnahmen allein belegen keinen Lernfortschritt.

Was hilft, wenn die KI-Nutzung nach ersten Erfolgen stockt?

Zuerst sollte die Ursache geklärt werden. Fehlt die Routine, helfen Lernzeit und erreichbare Unterstützung. Wiederholen sich dieselben Fehler, müssen Vorgaben, Kontext oder System überarbeitet werden. Passt der Anwendungsfall nicht zu realen Aufgaben, sind ein anderer Einsatzbereich oder ein bewusster Abbruch sinnvoller als bloßes Durchhalten.