Lernen im digitalen Zwilling. Wie Unternehmen ihre Mitarbeiter auf die Zusammenarbeit mit KI und Robotern vorbereiten

Wer im digitalen Zwilling übt, darf Fehler machen, die im echten Betrieb teuer wären.

^{Foto: Im Hands-on-Workshop der NVIDIA GTC Berlin wird ein KI-Rechenzentrum zum Übungsraum ohne Betriebsrisiko | Foto: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Berlin, 20. Oktober 2026, Workshop-Tag der NVIDIA GTC. Auf dem Laptop leuchtet eine Netzwerktopologie: Switches, Server und GPU-Knoten, verbunden durch feine Linien. Der Arbeitsplatz Pod 143 meldet „Active“. Vorne auf der Bühne erklärt der Trainer die Architektur eines Rechenzentrumsnetzes für künstliche Intelligenz, auf dem eigenen Bildschirm liegt genau diese Architektur als bedienbares System bereit. Die Teilnehmenden melden sich an Switches an, setzen Befehle ab, prüfen Verbindungen und lösen gezielt Fehler aus. Keiner dieser Server steht im Raum. Das gesamte Rechenzentrum existiert als digitaler Zwilling.

Die Methode dahinter ist älter als jede KI. Piloten trainieren seit Jahrzehnten im Flugsimulator, bevor sie ein echtes Flugzeug steuern. Neu ist, dass sich dieses Prinzip heute auf fast jede Technik übertragen lässt: auf Netzwerke, Maschinen, ganze Fabriken und auf die Zusammenarbeit mit Robotern und KI-Assistenten. Ein Link im Browser genügt, und jede Person arbeitet in ihrer eigenen, vollständigen Umgebung.

Für Unternehmen wird daraus eine Schlüsselfrage. KI-Systeme und Roboter ziehen schneller in Werkhallen, Rechenzentren und Büros ein, als klassische Schulungskonzepte nachkommen. Wer Mitarbeiter auf diese Zusammenarbeit vorbereiten will, braucht Lernräume, in denen echte Handgriffe geübt werden, ohne den laufenden Betrieb zu gefährden. Genau diese Lernräume entstehen gerade, und sie verändern, wie Unternehmen Kompetenz aufbauen.

Für Personalverantwortliche, Innovationsabteilungen und technische Führungskräfte ist das eine Investitionsfrage. Dieser Artikel folgt dem Weg Schritt für Schritt: vom Rechenzentrum im Browser über die Grenzen klassischer Schulungen, die Frage, was einen Lernzwilling ausmacht, und die Erkenntnisse der Lernforschung bis zur Fabrikhalle, zur Zusammenarbeit von Mensch und Maschine, zur Messung des Lernerfolgs und zum ersten Pilotprojekt.

• Ein komplettes KI-Rechenzentrum lässt sich heute virtuell trainieren.
• Lernzwillinge verbinden echtes Systemverhalten mit null Betriebsrisiko.
• Die Lernforschung belegt den Vorteil des aktiven Übens.
• Dasselbe Prinzip trägt bis in die Fabrikhalle und zum Roboter.
• Ein kleiner, messbarer Pilot ist der beste Einstieg.

Der folgende Artikel zeigt, wie ein Lernzwilling funktioniert, warum er klassische Schulungen ergänzt, wie er Menschen auf die Arbeit mit KI und Robotern vorbereitet und wie Unternehmen seinen Nutzen belegen.

Ein Rechenzentrum, das nur im Browser existiert

Der Workshop beginnt mit einem Browserfenster. Darin öffnet sich ein Arbeitsbereich mit der Topologie eines Rechenzentrumsnetzes: Spine- und Leaf-Switches, Server, GPU-Knoten für verschiedene Mandanten. Hinter jedem Symbol steckt ein lauffähiges System mit echtem Betriebssystem. Wer einen Knoten anklickt, landet in einer Konsole und arbeitet mit denselben Befehlen wie im realen Rechenzentrum. NVIDIA beschreibt dieses Prinzip mit NVIDIA Air als Plattform, die Rechenzentrumsnetze als digitalen Zwilling nachbildet, mit denselben Netzwerkbetriebssystemen und Konfigurationen wie in der Produktion.^[1]

Der Grund für diesen Aufwand liegt in der Technik selbst. Der Workshop behandelt NVIDIA Spectrum-X, eine Ethernet-Plattform, die speziell für die Vernetzung großer KI-Rechenzentren entwickelt wurde.^[2] Solche Systeme verbinden tausende Grafikprozessoren, die nur dann effizient rechnen, wenn das Netz präzise konfiguriert ist. Kein Unternehmen stellt einen laufenden KI-Cluster für eine Schulung zur Verfügung, und kaum ein Unternehmen kann für jede Fachkraft eine eigene Testumgebung aus echter Hardware bereitstellen.

Der digitale Zwilling löst beide Probleme zugleich. Jede teilnehmende Person erhält ein eigenes, vollständiges Netz. Ein falscher Befehl legt eine Verbindung lahm, und im Zwilling bleibt das folgenlos. Im realen Betrieb stünden an dieser Stelle womöglich hunderte Grafikprozessoren still. Hier genügt ein Neustart der Übung. Der Fehler wird zur Lernerfahrung, die Ursache wird sichtbar, die Korrektur lässt sich sofort ausprobieren.

Die Übung ist virtuell, die Kommandos sind echt.

^{Infografik: Ein Lernzwilling reagiert wie die echte Technik, Fehler bleiben jedoch ohne Folgen für den Betrieb | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen zeigt das Beispiel einen entscheidenden Unterschied zu vielen bisherigen Schulungsformen. Wer im Zwilling lernt, bedient dieselbe Oberfläche und erlebt dasselbe Systemverhalten wie später im Einsatz. Das Gelernte muss nicht erst übersetzt werden, es lässt sich direkt übertragen. Hinzu kommt die Skalierung: Auf einer Konferenz arbeiten dutzende Menschen gleichzeitig in identischen Umgebungen, jede davon mit demselben Ausgangszustand. Ein Trainer kann eine Störung für alle zugleich einspielen und anschließend vergleichen, wie unterschiedlich die Gruppe sie löst. Diese Vergleichbarkeit ist in realen Anlagen kaum herzustellen, weil keine zwei Maschinen, Netze oder Schichten exakt gleich sind.

Bemerkenswert ist auch, wie selbstverständlich das alles wirkte. Niemand musste Software installieren, niemand wartete auf Hardware. Nach wenigen Minuten arbeiteten alle an derselben Aufgabe. Das nächste Kapitel zeigt, warum klassische Schulungen bei KI und Robotik an ihre Grenzen stoßen.

• Der Workshop lief in einem virtuellen Rechenzentrumsnetz im Browser.
• Hinter jedem Symbol arbeitet ein echtes System mit echten Befehlen.
• Spectrum-X vernetzt KI-Rechenzentren mit tausenden Grafikprozessoren.
• Fehler im Zwilling kosten nichts und erklären viel.
• Identische Umgebungen machen Lernfortschritte vergleichbar.

Ein Rechenzentrum im Browser ist damit mehr als eine technische Spielerei. Es zeigt, wie Lernen aussieht, wenn Übung und Ernstfall dieselbe Sprache sprechen.

Warum klassische Schulungen bei KI an ihre Grenzen stoßen

Das Tempo des Wandels ist messbar. Laut dem Future of Jobs Report 2025 des Weltwirtschaftsforums erwarten Arbeitgeber, dass sich bis 2030 rund 39 Prozent der heute zentralen Kompetenzen verändern. Von 100 Beschäftigten werden demnach 59 bis 2030 eine Weiterbildung oder Umschulung benötigen.^[3] KI und Informationstechnik gehören zu den stärksten Treibern dieser Entwicklung.

Viele Schulungen folgen dennoch einem bekannten Muster: Präsentation, Lernvideo, Wissenstest, danach zurück an den Arbeitsplatz. Zwischen Wissen und Können bleibt eine Lücke. Wer nur zugehört hat, muss die ersten echten Handgriffe später im Betrieb machen, oft unter Zeitdruck. Hinzu kommt das Vergessen. Eine Replikation der klassischen Vergessenskurve von Hermann Ebbinghaus durch Murre und Dros bestätigte, dass ein großer Teil neu gelernten Materials bereits in den ersten Stunden und Tagen verloren geht, wenn es nicht wiederholt und angewendet wird.^[4]

Bei KI und Robotik verschärfen drei Faktoren dieses Problem. Die Hardware ist teuer und knapp, Übungsgeräte stehen selten zur Verfügung. Fehler im laufenden Betrieb sind riskant, weil Systeme eng verkettet sind. Und die Zyklen sind kurz: Ein Software-Update kann Oberflächen, Abläufe und Fähigkeiten innerhalb weniger Wochen verändern. Ein Schulungshandbuch ist dann veraltet, bevor es gedruckt ist.

Die Technik ändert sich schneller als jeder Lehrplan.

^{Infografik: Wissen, das nicht angewendet wird, verblasst schnell, regelmäßige Praxis im Zwilling hält Fähigkeiten lebendig (schematische Darstellung) | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen verschiebt sich damit die Frage. Mehr Schulungsstunden lösen das Problem kaum. Entscheidend ist, wo Menschen üben können. Übung braucht einen Ort, an dem Fehler erlaubt sind, und das laufende Rechenzentrum oder die produzierende Linie ist dieser Ort nicht. Niemand möchte, dass der erste Kontakt mit einem kollaborierenden Roboter oder einem KI-Assistenten in der Nachtschicht stattfindet, wenn kein Experte erreichbar ist. Gleichzeitig verlangen kurze Innovationszyklen Lernformen, die sich schnell aktualisieren lassen. Ein digitaler Zwilling lässt sich anpassen, sobald sich das reale System ändert. Er wächst mit der Technik, statt ihr hinterherzulaufen.

Klassische Formate behalten ihren Platz, etwa für Grundlagen, Sicherheitsunterweisungen und Hintergrundwissen. Sie brauchen aber eine Ergänzung, in der aus Wissen Handlung wird. Das nächste Kapitel zeigt, was einen solchen Lernraum ausmacht.

• Bis 2030 verändern sich rund 39 Prozent der zentralen Kompetenzen.
• 59 von 100 Beschäftigten brauchen bis dahin Weiterbildung.
• Ungeübtes Wissen geht in den ersten Tagen zu großen Teilen verloren.
• Teure Hardware und Betriebsrisiken verhindern echte Übung.
• Lernräume müssen sich so schnell anpassen wie die Technik.

Die Grenze klassischer Schulungen liegt damit weniger im Inhalt als im fehlenden Übungsraum.

Was einen Lernzwilling von einer Simulation unterscheidet

Der Begriff digitaler Zwilling geht auf Michael Grieves zurück. Er beschrieb das Konzept als Verbindung aus physischem Produkt, virtuellem Produkt und dem Datenfluss zwischen beiden. Ziel war es, unerwartetes Verhalten komplexer Systeme früher zu erkennen und zu verstehen.^[5] Genau dieses Verstehen ist auch der Kern des Lernens.

Ein Lernzwilling ist ein digitaler Zwilling, der für das Training von Menschen eingesetzt wird. Er verhält sich wie das reale System und verwendet dieselben Bedienoberflächen und Befehle. Gleichzeitig ist er bewusst vom laufenden Betrieb entkoppelt, lässt sich jederzeit zurücksetzen und gezielt mit Störungen versehen. Madni, Madni und Lucero unterscheiden mehrere Reifegrade digitaler Zwillinge, vom einfachen Vorläufermodell über den synchronisierten Zwilling bis zu adaptiven und intelligenten Varianten, die aus Daten lernen.^[6] Für das Training ist diese Einordnung hilfreich: Erste Grundlagen gelingen oft mit einer einfachen Stufe, komplexe Fehlerbilder brauchen ein genaueres Abbild.

Der wichtigste Maßstab ist dabei die Verhaltenstreue. Ein fotorealistisch gestalteter Raum hilft wenig, wenn die Maschine darin falsch reagiert. Umgekehrt kann eine schlichte Darstellung sehr wirksam sein, solange Ursache und Wirkung stimmen. Im GTC-Workshop war die Topologie grafisch einfach gehalten, das Verhalten jedes Knotens jedoch vollständig realistisch.

Ein Lernzwilling verhält sich wie das echte System, nur ohne dessen Risiken.

^{Infografik: Der Lernzwilling verbindet hohe Realitätsnähe mit einem Risiko von null und schließt damit die Lücke zwischen Simulation und Ernstfall | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

^{Übersicht: Lernformen im Vergleich, eigene Einordnung auf Basis der zitierten Arbeiten zu digitalen Zwillingen | Tabelle: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen ergibt sich daraus eine einfache Entscheidungsregel. Je teurer ein Fehler im realen Betrieb ist, desto eher gehört die Übung in den Lernzwilling. Seltene, aber kritische Situationen profitieren besonders: ein Netzausfall, eine Störung in einer Roboterzelle, ein Neustart nach einem Not-Halt. Solche Situationen erleben viele Fachkräfte im Alltag nur selten, müssen sie im Ernstfall aber sicher beherrschen. Im Zwilling lassen sie sich beliebig oft wiederholen. Ein weiterer Vorteil liegt im definierten Ausgangszustand. Ein Trainer setzt ein Szenario wie „Verbindung drei gestört“ auf, und alle Lernenden starten von exakt derselben Situation. Damit lassen sich Lösungswege vergleichen, besprechen und verbessern.

Der Lernzwilling ersetzt somit weder Grundlagenschulung noch die Einarbeitung am realen Arbeitsplatz. Er schließt die Lücke dazwischen. Das nächste Kapitel zeigt, warum dieses aktive Üben so wirksam ist.

• Grieves beschrieb den Zwilling als Verbindung aus Objekt, Abbild und Daten.
• Ein Lernzwilling nutzt dieses Abbild gezielt für das Training von Menschen.
• Reifegrade helfen, die passende Genauigkeit zu wählen.
• Verhaltenstreue zählt mehr als Fotorealismus.
• Je teurer ein Fehler ist, desto eher gehört die Übung in den Zwilling.

Ein Lernzwilling ist damit der Ort, an dem aus Verstehen sicheres Können wird.

Lernen durch Tun, Fehler ohne Folgen

Der Erziehungswissenschaftler David Kolb beschrieb Lernen als Kreislauf aus vier Phasen: konkrete Erfahrung, Reflexion, Verallgemeinerung zu einem Konzept und aktives Ausprobieren.^[8] Im Klassenraum dauert ein solcher Kreislauf oft Wochen. Im Lernzwilling lässt er sich innerhalb einer Stunde mehrfach durchlaufen: einen Befehl absetzen, die Wirkung beobachten, die Ursache verstehen, eine bessere Lösung testen.

Wie stark aktives Lernen wirkt, zeigt eine viel zitierte Metaanalyse von Scott Freeman und Kollegen. Das Team wertete 225 Studien zu naturwissenschaftlichen und technischen Lehrveranstaltungen aus. In klassischen Vorlesungen fielen Studierende rund anderthalbmal so häufig durch wie in Kursen mit aktiven Lernformen. Die Prüfungsleistungen lagen bei aktivem Lernen im Mittel um etwa sechs Prozent höher.^[7]

Ein besonderer Hebel ist der bewusste Umgang mit Fehlern. Im realen Betrieb werden Fehler vermieden, und das ist richtig so. Für das Lernen bedeutet es jedoch, dass viele Menschen Störungen nur aus der Theorie kennen. Im Zwilling kann ein Trainer Fehler gezielt einspielen, etwa eine falsch konfigurierte Schnittstelle oder einen ausgefallenen Sensor. Die Lernenden müssen die Ursache selbst finden. Dabei entsteht ein Verständnis für Zusammenhänge, das kein Handbuch vermitteln kann.

Verstehen entsteht beim Handeln, nicht beim Zuschauen.

^{Infografik: Im Lernzwilling wird der Lernkreislauf aus Handeln, Reflektieren, Verstehen und erneutem Versuch in kurzer Zeit mehrfach durchlaufen | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen bedeutet das: Die Qualität eines Lernzwillings entscheidet sich weniger an der Grafik als an der Gestaltung der Übungen. Ein gutes Lernszenario hat eine klare Aufgabe, eine realistische Störung, eine unmittelbare Rückmeldung und eine Nachbesprechung, in der Lösungswege verglichen werden. Es beginnt mit überschaubaren Situationen und steigert die Schwierigkeit Schritt für Schritt. Hilfen werden angeboten, aber nicht aufgedrängt. Wichtig ist auch eine ehrliche Einordnung der Forschung. Freeman und Kollegen untersuchten Hochschulkurse. Die Übertragung auf die berufliche Weiterbildung ist plausibel, sollte im Unternehmen aber mit eigenen Messungen überprüft werden.

Genau hier liegt die eigentliche Konzeptarbeit. Technik macht den Zwilling möglich, Didaktik macht ihn wirksam. Das nächste Kapitel zeigt, wie dieses Prinzip den Weg vom Rechenzentrum in die Fabrikhalle findet.

• Kolbs Lernkreislauf verbindet Erfahrung, Reflexion, Konzept und Versuch.
• Im Zwilling lässt sich dieser Kreislauf mehrfach pro Stunde durchlaufen.
• Aktives Lernen senkte die Durchfallquote deutlich.
• Gezielt eingespielte Fehler schaffen echtes Verständnis.
• Gute Übungen sind wichtiger als aufwendige Grafik.

Aktives Üben ist damit der Kern jedes wirksamen Lernzwillings, und seine Gestaltung ist eine eigene Disziplin.

Von der Netzwerkübung zur Fabrikhalle

Was im Rechenzentrum funktioniert, verbreitet sich gerade in der Industrie. Roboter lernen und werden geprüft, bevor sie eine reale Halle betreten. NVIDIA Isaac Sim ist eine Simulationsumgebung, in der Roboter in physikalisch genauen virtuellen Welten entwickelt, trainiert und getestet werden.^[9] Kamerabilder, Sensordaten, Greifbewegungen und Fahrwege entstehen dort zuerst digital.

Einen Schritt weiter geht das Konzept, ganze Anlagen als digitalen Zwilling für Roboterflotten zu nutzen. Mit der Omniverse Blueprint Mega hat NVIDIA eine Referenzarchitektur vorgestellt, mit der Unternehmen ganze Flotten von Robotern in einem digitalen Zwilling ihrer Fabrik oder ihres Lagers testen, bevor sie in der realen Anlage eingesetzt werden.^[10] Damit existiert in immer mehr Unternehmen ein detailliertes, verhaltenstreues Abbild der eigenen Produktion.

Daraus ergibt sich eine naheliegende Idee. Wenn der Roboter seine ersten Bewegungen im Zwilling macht, kann auch der Mensch dort seine ersten Begegnungen mit ihm haben. Mitarbeiter erleben, wie sich ein mobiler Roboter durch die Halle bewegt, wo Schutzbereiche liegen, wie ein Greifer reagiert und wie ein KI-Assistent einen Störfall einordnet. All das geschieht, bevor die reale Anlage in Betrieb geht.

Was für Server gilt, gilt auch für Roboter.

^{Infografik: Die Methode des Lernzwillings reicht vom Rechenzentrum bis in die Fabrikhalle, Mensch und Roboter üben vor dem Start im selben virtuellen Raum | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen entsteht so ein doppelter Nutzen. Ein Zwilling, der ohnehin für Layoutplanung, Roboterprogrammierung oder Inbetriebnahme aufgebaut wird, kann mit überschaubarem Zusatzaufwand zur Trainingsumgebung werden. Die Schulung beginnt dann nicht erst nach dem Start der Anlage, sondern Wochen vorher. Allerdings ist ein Planungswerkzeug nicht automatisch ein Lernraum. Planer brauchen Detailtiefe und Parameter, Lernende brauchen Aufgaben, Orientierung, Rückmeldung und vereinfachte Ansichten. Ein Lernzwilling benötigt deshalb eine eigene didaktische Ebene: Szenarien, Rollen, Schwierigkeitsstufen und eine Sprache, die Fachkräfte ohne Vorwissen verstehen.

Diese Ebene entscheidet darüber, ob ein digitaler Zwilling nur von Spezialisten genutzt wird oder ob er die gesamte Belegschaft erreicht. Das nächste Kapitel zeigt, warum der Mensch in dieser Zusammenarbeit die zentrale Rolle behält.

• Roboter werden heute zuerst in Simulationen trainiert und geprüft.
• Isaac Sim bildet Roboter und Umgebung physikalisch genau nach.
• Mega testet ganze Roboterflotten im Zwilling der Fabrik.
• Derselbe Zwilling kann Menschen auf den Start vorbereiten.
• Aus einem Planungswerkzeug wird erst mit Didaktik ein Lernraum.

Die Fabrik der Zukunft wird damit zweimal in Betrieb genommen, zuerst virtuell mit Menschen und Robotern gemeinsam, dann in der Realität.

Der Mensch bleibt Teil des Systems

Die Zusammenarbeit mit KI und Robotern schafft neue Rollen. Menschen überwachen Abläufe, greifen bei Abweichungen ein, übernehmen Aufgaben von Maschinen und geben sie wieder ab. Der Gesetzgeber hat diese Verantwortung ausdrücklich aufgegriffen. Artikel 4 der europäischen KI-Verordnung verpflichtet Anbieter und Betreiber von KI-Systemen seit dem 2. Februar 2025, für ein ausreichendes Maß an KI-Kompetenz ihres Personals zu sorgen.^[11]

Auch in der Robotik ist der Mensch fester Bestandteil der Sicherheitsbetrachtung. Die überarbeitete Norm ISO 10218-2:2025 legt Sicherheitsanforderungen an Roboteranwendungen und Roboterzellen fest und berücksichtigt dabei auch kollaborative Anwendungen, in denen Mensch und Roboter einen Arbeitsraum teilen.^[12] Technische Schutzmaßnahmen wirken dann am besten, wenn die Menschen in der Zelle das Verhalten des Roboters verstehen und richtig darauf reagieren.

Ein dritter Aspekt ist Vertrauen. Mitarbeiter müssen lernen, wann sie einer Empfehlung eines KI-Assistenten folgen und wann sie widersprechen sollten. Dieses abgestimmte Vertrauen entsteht durch Erfahrung, und dazu gehören auch Situationen, in denen das System falschliegt. Im Lernzwilling kann ein Trainer eine fehlerhafte KI-Empfehlung bewusst einspielen und beobachten, ob das Team sie erkennt.

Zusammenarbeit muss man üben, bevor sie im Betrieb stattfindet.

^{Infografik: Mensch, Roboter und KI-Assistent bilden ein Team, das im Lernzwilling seine Rollen einübt, bevor es im Ernstfall zusammenarbeitet | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen lassen sich daraus konkrete Trainingsszenarien ableiten. Ein Roboter stoppt unerwartet mitten im Ablauf. Ein KI-Assistent schlägt eine Ursache vor, die nicht zutrifft. Bei der Schichtübergabe muss ein halb abgeschlossener Vorgang korrekt übernommen werden. Ein Sensor liefert widersprüchliche Werte, und das Team muss entscheiden, welcher Quelle es vertraut. Solche Situationen sind im realen Betrieb selten und gleichzeitig entscheidend. Im Zwilling werden sie zu wiederholbaren Übungen. Ein Nebeneffekt ist die Nachvollziehbarkeit: Wer dokumentiert, welche Szenarien Mitarbeiter geübt und bewältigt haben, kann besser darlegen, wie das Unternehmen KI-Kompetenz aufbaut. Das ersetzt keine rechtliche Prüfung, liefert aber eine belastbare Grundlage.

Der Mensch rückt dadurch nicht an den Rand, er wird zur entscheidenden Instanz, die das Gesamtsystem versteht. Das nächste Kapitel zeigt, wie Unternehmen messen, ob diese Vorbereitung wirkt.

• Die KI-Verordnung verlangt seit Februar 2025 KI-Kompetenz im Personal.
• ISO 10218-2:2025 regelt die Sicherheit von Roboteranwendungen.
• Abgestimmtes Vertrauen in KI entsteht nur durch Erfahrung.
• Seltene Störfälle werden im Zwilling zu wiederholbaren Übungen.
• Dokumentierte Übungen machen Kompetenzaufbau nachvollziehbar.

Die Zusammenarbeit mit KI und Robotern wird damit zu einer Fähigkeit, die sich gezielt trainieren lässt.

Wie Unternehmen den Lernerfolg messen

Für die Bewertung von Trainings hat sich das Modell von Donald Kirkpatrick etabliert. Es unterscheidet vier Stufen: die Reaktion der Teilnehmenden, den Lernerfolg, das veränderte Verhalten am Arbeitsplatz und die Ergebnisse für das Unternehmen.^[13] In der Praxis bleibt die Auswertung häufig bei der ersten Stufe stehen, also beim Feedbackbogen am Ende des Kurses.

Ein Lernzwilling verändert diese Ausgangslage, weil jede Übung Daten erzeugt. Welche Befehle wurden in welcher Reihenfolge eingegeben? Wie lange dauerte die Fehlersuche? Wann wurde Hilfe angefordert? Für die Erfassung solcher Lernerfahrungen gibt es mit der Experience API, kurz xAPI, einen Standard, der inzwischen als IEEE 9274.1.1-2023 verabschiedet ist. Er beschreibt Lernaktivitäten als einfache Aussagen nach dem Muster „Person, Tätigkeit, Objekt“ und macht sie zwischen Systemen austauschbar.^[14]

Damit lassen sich auch die oberen Stufen des Kirkpatrick-Modells erreichen. Aussagekräftige Messgrößen sind die Zeit bis zur korrekten Diagnose, die Zahl der Versuche bis zur Lösung, die Art der Fehler und die Entwicklung über mehrere Übungen. Werden diese Werte mit Kennzahlen aus dem Betrieb verknüpft, etwa Stillstandszeiten oder Rückfragen an Experten, wird der Beitrag des Trainings zum Unternehmenserfolg sichtbar.

Jede Übung hinterlässt Daten.

^{Infografik: Ein Lernzwilling liefert Daten, mit denen sich Lernerfolg und Verhaltensänderung belegen lassen, weit über den Feedbackbogen hinaus | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen gilt dabei: Messen braucht einen Vergleich. Vor dem Pilotprojekt sollte feststehen, wie lange eine typische Fehlersuche heute dauert und wie häufig Rückfragen auftreten. Erst dann lässt sich zeigen, was der Lernzwilling verändert. Ebenso wichtig ist der verantwortungsvolle Umgang mit den Daten. Lerndaten sind personenbezogene Daten. Der Zweck ihrer Auswertung muss klar definiert sein, der Betriebsrat sollte frühzeitig eingebunden werden, und für die Bewertung des Trainings genügen in vielen Fällen zusammengefasste Werte statt individueller Profile. Ein Lernzwilling soll Menschen stärken, nicht überwachen. Wer das von Beginn an klar regelt, gewinnt Akzeptanz und ehrliche Daten.

Gute Messung ist damit kein bürokratischer Zusatz. Sie macht sichtbar, ob das Training seinen Zweck erfüllt. Das nächste Kapitel zeigt, wie ein erster Schritt aussieht.

• Kirkpatrick unterscheidet Reaktion, Lernen, Verhalten und Ergebnis.
• Viele Trainings werden nur auf der ersten Stufe bewertet.
• Ein Lernzwilling erzeugt bei jeder Übung auswertbare Daten.
• xAPI macht Lerndaten als IEEE-Standard austauschbar.
• Datenschutz und Mitbestimmung gehören von Beginn an dazu.

Der Lernerfolg wird damit messbar, und Weiterbildung wird zu einer Investition mit belegbarer Wirkung.

Der erste Schritt zum eigenen Lernzwilling

Die Wirksamkeit computerbasierter Simulationen ist gut untersucht. Traci Sitzmann wertete in einer Metaanalyse 65 Stichproben aus. Teilnehmende, die mit Simulationsspielen gelernt hatten, zeigten im Vergleich zu anderen Gruppen eine um 20 Prozent höhere Selbstwirksamkeit, 11 Prozent mehr Faktenwissen, 14 Prozent mehr prozedurales Wissen und behielten das Gelernte um 9 Prozent besser. Am stärksten waren die Effekte, wenn die Lernenden aktiv arbeiteten und die Simulation beliebig oft nutzen konnten.^[15]

Ob das Gelernte im Alltag ankommt, hängt jedoch nicht allein vom Training ab. Grossman und Salas zeigen in ihrer Übersicht zum Transfer von Trainings, dass drei Bereiche zusammenwirken: die Lernenden selbst, die Gestaltung des Trainings und das Arbeitsumfeld. Realistische Trainingsumgebungen, ein bewusster Umgang mit Fehlern, Unterstützung durch Vorgesetzte und die Gelegenheit zur Anwendung erhöhen den Transfer deutlich.^[16]

Daraus ergibt sich ein klarer Einstieg. Ein Pilotprojekt beginnt mit einer einzigen Aufgabe, die selten, kritisch oder teuer ist: die Fehlersuche in einem Netzwerksegment, der Neustart einer Roboterzelle, die Inbetriebnahme einer Maschine. Für genau diese Aufgabe entsteht ein Lernzwilling mit wenigen, gut gestalteten Szenarien und eine Messgröße, die den Erfolg belegt.

Klein anfangen, an einer kritischen Aufgabe.

^{Infografik: Eine Aufgabe, ein Zwilling und eine Messgröße bilden das Fundament, auf dem ein Lernzwilling mit belegbarem Nutzen wächst | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen lohnt sich dabei ein Blick auf die eigenen Erfahrungsträger. Langjährige Fachkräfte wissen, welche Störungen wirklich vorkommen, welche Fehler Neulinge typischerweise machen und welche Handgriffe in keinem Handbuch stehen. Werden sie als Mitautoren der Szenarien eingebunden, fließt ihr Wissen direkt in den Lernzwilling ein. Gerade mit Blick auf anstehende Ruhestände sichert das Know-how, das sonst verloren ginge. Der Pilot wird mit einer echten Lerngruppe durchgeführt und mit dem bisherigen Training verglichen. Erst wenn dieser kleine Kreislauf funktioniert, lohnt sich die Erweiterung auf weitere Aufgaben, Standorte und Zielgruppen.

Ein solcher Einstieg ist überschaubar im Aufwand und liefert schnell belastbare Ergebnisse. Das folgende Kapitel zeigt den Workshop der GTC Berlin im Video.

• Simulationen steigern Wissen, Können und Selbstvertrauen messbar.
• Aktives und wiederholbares Üben verstärkt die Wirkung.
• Transfer gelingt, wenn Training und Arbeitsumfeld zusammenpassen.
• Ein Pilot beginnt mit einer seltenen, kritischen Aufgabe.
• Erfahrene Fachkräfte werden zu Autoren der Szenarien.

Der Weg zum eigenen Lernzwilling beginnt damit nicht mit Technik, sondern mit der Frage, welche Aufgabe am dringendsten geübt werden muss.

Lernen im digitalen Zwilling auf der GTC Berlin im Video

Das Video entstand während des Hands-on-Workshops am Workshop-Tag der NVIDIA GTC Berlin am 20. Oktober 2026.^[17] Ulrich Buckenlei hat den Workshop selbst besucht und die Atmosphäre im Saal festgehalten: die Bühne mit dem Trainer, die Reihen der Teilnehmenden und die Arbeitsumgebung auf dem eigenen Laptop mit der Topologie eines KI-Rechenzentrumsnetzes.

Der stärkste Eindruck entsteht im Zusammenspiel von Bühne und Bildschirm. Vorne wird die Architektur erklärt, auf dem eigenen Gerät liegt dieselbe Architektur als bedienbarer Zwilling bereit. Zuhören und Ausprobieren verschmelzen zu einem Vorgang. Genau diese Verbindung macht den Unterschied zu einem klassischen Vortrag aus.

Der Rahmen dafür ist etabliert. Das NVIDIA Deep Learning Institute bietet weltweit praxisnahe Workshops an, in denen Teilnehmende in vollständig ausgestatteten Cloud-Umgebungen arbeiten.^[18] Neu ist die Selbstverständlichkeit, mit der solche Umgebungen inzwischen komplette Rechenzentren abbilden.

^{Video: Im Workshop der NVIDIA GTC Berlin 2026 arbeitet jede teilnehmende Person in einem eigenen virtuellen Rechenzentrum | Aufnahme, Schnitt und Analyse: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Bemerkenswert ist, wie wenig von der Komplexität dahinter sichtbar wird. Hunderte virtuelle Systeme laufen parallel, und für die Teilnehmenden fühlt sich das an wie ein gewöhnliches Browserfenster.

Für die Einordnung ist ebenso wichtig: Das Video zeigt eine Schulungsumgebung für Netzwerkspezialisten, keine Fabrik und keinen Roboter. Es macht aber das Prinzip sichtbar, das sich auf jede komplexe Technik übertragen lässt. Die eigentliche Frage richtet sich an die nächste Stufe: Welche Aufgabe in einem Unternehmen ließe sich auf genau diese Weise üben?

• Das Video entstand im Hands-on-Workshop der GTC Berlin 2026.
• Bühne und Bildschirm zeigen dieselbe Architektur.
• Jede teilnehmende Person arbeitet in einem eigenen Zwilling.
• Die Komplexität bleibt hinter einer einfachen Oberfläche verborgen.
• Das Prinzip lässt sich auf jede komplexe Technik übertragen.

Das Video zeigt damit, was die Kapitel beschreiben: Lernen wird wirksam, wenn Menschen echte Technik bedienen, ohne echte Risiken einzugehen.

Wirksames Lernen beginnt mit dem richtigen Konzept

Ein wirksamer Lernzwilling entsteht aus zwei Arten von Wissen. Das Unternehmen kennt seine Aufgaben, seine Risiken und die Menschen, die mit neuer Technik arbeiten sollen. Für die Umsetzung braucht es Erfahrung in Didaktik, 3D-Welten, KI und Bedienoberflächen, die Fachkräfte ohne lange Einarbeitung verstehen. Diese Verbindung steht im Mittelpunkt der Arbeit von Ulrich Buckenlei.

Seit über 25 Jahren entwickelt der Diplom-Technikredakteur computerbasierte Trainings und konzipiert Lernumgebungen, Trainingsplattformen und digitale Zwillinge für Industrie und Mittelstand. Sein Schwerpunkt liegt darauf, komplexe Technologie verständlich, erlebbar und erlernbar zu machen. Umgesetzt werden seine Konzepte gemeinsam mit dem Team der VISORIC GmbH in München auf der Plattform XR Stager, im Browser, auf großen Displays oder in XR.

Wissen über die Aufgabe und Wissen über Didaktik ergeben gemeinsam einen wirksamen Lernzwilling.

^{Foto: Das Unternehmen bringt Aufgabe, Risiko und Erfahrung ein, das Konzept macht daraus einen Lernraum mit messbarer Wirkung | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Der Einstieg muss nicht groß sein. Sinnvoll ist ein kompakter Konzeptworkshop, in dem eine kritische Aufgabe ausgewählt, die vorhandenen Daten und Modelle geprüft und ein erstes Lernszenario skizziert werden. Dabei wird festgelegt, welche Messgröße den Erfolg belegt und wie Erfahrungsträger aus dem Unternehmen eingebunden werden. Auf dieser Grundlage entsteht ein Pilot, der mit einer echten Lerngruppe getestet und mit dem bisherigen Training verglichen wird.

• Eine kritische Aufgabe auswählen, die heute schwer zu üben ist.
• Ein Lernszenario mit realistischen Störungen und klarer Rückmeldung.
• Ein Pilot mit echter Lerngruppe, gemessen am bisherigen Training.

Gerade weil KI und Roboter jetzt in die Unternehmen kommen, ist jetzt der richtige Zeitpunkt, die Menschen gezielt darauf vorzubereiten.

Welche Aufgabe sollten Ihre Mitarbeiter zuerst im digitalen Zwilling üben?

Sprechen Sie mit Ulrich Buckenlei. Gemeinsam lässt sich klären, welche Aufgabe sich für einen Lernzwilling eignet, welche Daten bereits vorhanden sind und wie ein erster Pilot aussehen kann.

Kontakt:

E-Mail: info@visoric.com
Telefon: +49 89 21552678

Quellen und Referenzen

1. NVIDIA. NVIDIA Air, Plattform zur Simulation von Rechenzentrumsnetzen als digitaler Zwilling. air.nvidia.com.
2. NVIDIA. Spectrum-X Ethernet-Plattform für KI-Rechenzentren. nvidia.com/en-us/networking/spectrumx.

3. World Economic Forum. The Future of Jobs Report 2025. Genf, Januar 2025. weforum.org/publications/the-future-of-jobs-report-2025.
4. Murre, J. M. J., Dros, J. Replication and Analysis of Ebbinghaus‘ Forgetting Curve. PLOS ONE 10(7), e0120644, 2015. doi.org/10.1371/journal.pone.0120644.

5. Grieves, M., Vickers, J. Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems. In: Transdisciplinary Perspectives on Complex Systems, Springer, 2017, S. 85 bis 113. doi.org/10.1007/978-3-319-38756-7_4.
6. Madni, A. M., Madni, C. C., Lucero, S. D. Leveraging Digital Twin Technology in Model-Based Systems Engineering. Systems 7(1), 7, 2019. doi.org/10.3390/systems7010007.

7. Freeman, S., Eddy, S. L., McDonough, M. et al. Active learning increases student performance in science, engineering, and mathematics. PNAS 111(23), 8410 bis 8415, 2014. doi.org/10.1073/pnas.1319030111.
8. Kolb, D. A. Experiential Learning. Experience as the Source of Learning and Development. 2. Auflage, Pearson, 2015.

9. NVIDIA. Isaac Sim, Referenzanwendung für Robotiksimulation auf Basis von Omniverse. developer.nvidia.com/isaac/sim.
10. NVIDIA. Mega, Omniverse Blueprint für das Testen von Roboterflotten in digitalen Zwillingen industrieller Anlagen, vorgestellt im Januar 2025. nvidianews.nvidia.com.

11. Verordnung (EU) 2024/1689 über künstliche Intelligenz (KI-Verordnung), Artikel 4 KI-Kompetenz, anwendbar seit 2. Februar 2025. eur-lex.europa.eu/eli/reg/2024/1689/oj.
12. ISO 10218-2:2025. Robotics, Safety requirements, Part 2, Industrial robot applications and robot cells. iso.org.

13. Kirkpatrick, J. D., Kirkpatrick, W. K. Kirkpatrick’s Four Levels of Training Evaluation. ATD Press, 2016.
14. IEEE 9274.1.1-2023. IEEE Standard for Learning Technology, JSON Data Model Format and RESTful Web Service for Learner Experience Data Tracking and Access (xAPI). standards.ieee.org.

15. Sitzmann, T. A meta-analytic examination of the instructional effectiveness of computer-based simulation games. Personnel Psychology 64(2), 489 bis 528, 2011. doi.org/10.1111/j.1744-6570.2011.01190.x.
16. Grossman, R., Salas, E. The transfer of training: what really matters. International Journal of Training and Development 15(2), 103 bis 120, 2011. doi.org/10.1111/j.1468-2419.2011.00373.x.

17. NVIDIA. GTC Berlin 2026, Konferenz- und Workshop-Programm, 20. bis 22. Oktober 2026. nvidia.com/gtc.
18. NVIDIA Deep Learning Institute. Praxisnahe Workshops und Kurse mit Cloud-Laborumgebungen. nvidia.com/en-us/training.

19. Über 25 Jahre Praxiserfahrung von Ulrich Buckenlei in der Konzeption computerbasierter Trainings, Lernumgebungen und digitaler Zwillinge.
20. XR Stager Plattform für Echtzeit-3D, digitale Zwillinge und Trainingsanwendungen im Browser, auf großen Displays und in XR.

Kontaktpersonen:
Ulrich Buckenlei (Kreativdirektor)
Mobil: +49 152 53532871
E-Mail: ulrich.buckenlei@visoric.com

Nataliya Daniltseva (Projektleiterin)
Mobil: + 49 176 72805705
E-Mail: nataliya.daniltseva@visoric.com

Adresse:
VISORIC GmbH
Bayerstraße 13
D-80335 München