Ich gestalte und entwickle digitale Lernangebote, die echte Probleme im Arbeitsalltag lösen.

Wo das Projekt begann. Es fing bei uns zu Hause an. Meine Frau zeigte mir eine E-Mail, die angeblich von der Schulleitung kam. Betreff: „Dringende Aufgabe." Die Mail klang dringend: Die Schulleitung sei in Meetings und telefonisch nicht erreichbar, die Antwort solle einfach direkt auf die Mail kommen. Sie sagte: „Das kommt mir irgendwie komisch vor." Etwas stimmte nicht, aber sie konnte nicht sagen, was. Ich zunächst auch nicht, obwohl ich bereits Trainings zur Informationssicherheit entwickelt hatte. Es war ein Spoofing-Versuch. Bis wir sicher waren, dauerte es bei uns beiden zu lange. Genau diese Lücke zwischen einem unguten Gefühl und sicherem Erkennen schließt das Modul.

Für wen es ist. Für Mitarbeitende, die in einer internen CEO-Spoofing-Simulation auf einen Link geklickt haben. Sie sind darauf hereingefallen, weil ihnen nie jemand gezeigt hat, worauf sie achten müssen. Das Modul vermittelt ein klares Ziel: Warnsignale in verdächtigen E-Mails erkennen und richtig handeln.

Warum Training hier die richtige Maßnahme ist. Bevor ich mit der Entwicklung angefangen habe, habe ich das Thema an einer Frage geprüft, die Mager und Pipe schon in den 1970er-Jahren stellten: Könnten die Mitarbeitenden es, wenn ihr Leben davon abhinge? Wenn die Antwort Ja lautet, wird ein Training das Problem nicht lösen. Beim Erkennen gefälschter E-Mails lautet die Antwort Nein. Es ist eine echte Kompetenzlücke. Deshalb ist Training hier die richtige Maßnahme.

Rahmenbedingungen. Ich habe das Projekt allein und parallel zur Kundenarbeit in einem realistischen Zeitrahmen umgesetzt. Zugleich sollte es als öffentliches Portfolio-Projekt funktionieren. Deshalb wählte ich ein fiktives Szenario rund um eine reale Marke und kennzeichnete es klar als eigenständiges Portfolio-Projekt. Alle Zahlen, auch die 38 %, stammen aus dieser fiktiven Simulation.

Die Entscheidungen, die mir am wichtigsten sind.

Die Interaktion zeigt eine realistische E-Mail mit vier Warnsignalen und vier plausiblen, harmlosen Elementen. Auch ein Klick auf ein harmloses Element löst eigenes Feedback aus: warum es verdächtig wirken kann und warum es in Ordnung ist. Im Alltag geht es darum, echte Warnsignale von harmlosen Details zu unterscheiden. Genau das trainiert das Modul, statt zufälliges Klicken zu belohnen.

Ich habe die Kernübung vom Lernziel aus gewählt. Die Aufgabe ist, Muster im Kontext zu erkennen. Deshalb steht eine Suchaufgabe in einer vollständigen E-Mail im Mittelpunkt: mit Zähler, Feedback für jedes Element und einer Abschlusslogik. Eine Zuordnungsaufgabe hätte vor allem geprüft, ob die Warnsignale bekannt sind. Die eigentliche Herausforderung liegt darin, sie in einer realistischen E-Mail zu erkennen.

Das Modul orientiert sich an GitHubs öffentlichen Markenrichtlinien. Ich habe die Schriftarten eingerichtet, ein Schriftarten- und ein Farbthema angelegt, den Player angepasst und alles konsequent über die Layouts hinweg umgesetzt. Ich wollte zeigen, dass ich Markenrichtlinien schnell erfassen und daraus ein Lernmodul entwickeln kann, das sich stimmig in den Markenauftritt einfügt.

Wo KI in den Workflow passt. Die Sprecherstimme stammt von ElevenLabs. Zuerst testete ich die integrierten KI-Stimmen von Storyline, entschied mich dann aber für das Ergebnis von ElevenLabs. Die Feedback-Sounds entstanden mit Storylines KI-Assistent, beim Anlegen des Themes unterstützte mich mein eigener Storyline Theme Genie GPT. Für einen Solo-Build mit begrenzten Ressourcen war eine KI-Stimme die richtige Wahl. Vor einem Kunden-Rollout lässt sie sich jederzeit durch eine professionelle Sprecherstimme ersetzen. Für mich liegt die eigentliche Kompetenz darin, zu wissen, wo KI im Produktionsprozess sinnvoll ist und wo nicht.

Was ich verbessern würde. Die Phishing-E-Mail selbst ist ein KI-generiertes Bild. Sie wirkt überzeugend und war schnell erstellt. Für Screenreader ist sie jedoch unsichtbar, und der Text skaliert nicht. Beim nächsten Mal würde ich die E-Mail nativ in Storyline aus Textfeldern und Formen bauen. Aufwendiger, aber besser für alle Lernenden.

Ein ausführliches Video zum Entstehungsprozess ist auf meinem YouTube-Kanal in Arbeit.

Wo es herkommt. Eine Retention-Kurve aus einem meiner YouTube-Videos zeigte genau den Moment, in dem die Leute weiterspringen: dort, wo ich alle 16 Farbfelder in Storyline einzeln durchgehe. Die Zuschauer haben mir damit etwas gesagt. Sie wollten keine Lektion über Farbfelder. Sie wollten ein fertiges Theme, um endlich bauen zu können. Also habe ich die Abkürzung gebaut.

Was es macht. Man gibt Theme Genie das Markenmaterial, das man hat: Styleguide, Screenshots, eine Website, ein PDF. Es ordnet die Farben allen 16 Feldern zu, schlägt Schriftalternativen vor, wenn die Markenschriften nicht verfügbar sind, und zeigt eine visuelle Vorschau, bevor irgendetwas in Storyline landet. Wenn eine Palette nur vier oder fünf Farben enthält, füllt es die übrigen Felder mit begründeten, passenden Vorschlägen.

Wie es genutzt wird. Ich setze es im Coaching ein, damit die Teilnehmenden schnell durch das Setup und ins Bauen kommen, denn dort passiert das Lernen. Eine ehemalige Kundin hat sich selbst gestoppt: 2 Minuten und 43 Sekunden vom leeren Projekt bis zum fertigen Theme. Eine andere Nutzerin beschrieb, wie sie ihr Storyboard und ihre Assets direkt in das GPT gibt und daraus das vollständige 16-Farben-Theme rund um das entstehen lässt, was sie schon hatte.

Der ehrliche Ausblick. Storylines KI-Assistent nimmt inzwischen 16 Hex-Werte entgegen und legt daraus direkt ein Theme an. Bis dahin holte man sich die Farben einzeln mit der Pipette aus dem Farbraster, das Theme Genie ausgibt. Dieser Schritt entfällt jetzt. Was bleibt, ist der Schritt davor: aus vorhandenem Markenmaterial überhaupt erst eine vollständige, stimmige Palette machen. Genau dafür ist Theme Genie da.