KI-adaptives Militärtraining: personalisierte Szenarien und automatisierter Nachbesprechungsbericht

Geskriptete Trainingsszenarien haben eine fundamentale Obergrenze. Sie liefern dieselbe Ereignissequenz an jeden Trainierenden unabhängig vom Fähigkeitsniveau — dasselbe Kräfteverhältnis, dieselbe OPFOR-Reaktionszeit, dieselben Kommunikationsbedingungen. Ein erfahrener Operator arbeitet sich durch ein geskriptetes Szenario in den ersten fünf Minuten und verbringt den Rest der Übung damit, auf planmäßig injizierte Ereignisse zu warten. Ein Anfänger trifft dasselbe Szenario und ist überwältigt, noch bevor der erste Gefechtsentscheidungspunkt erreicht ist. Keiner von beiden lernt effizient. Die Lücke zwischen dem, was ein festes Skript liefern kann, und dem, was jeder Trainierende tatsächlich braucht, ist das zentrale ungelöste Problem des Designs militärischer Simulationen.

KI-adaptive Militärtrainingssysteme lösen dieses Problem, indem sie das feste Skript durch eine kontinuierliche Rückkopplungsschleife ersetzen. Das System misst die Trainingsleistung in Echtzeit — Entscheidungslatenz, Aufgabenausführungsqualität, Gefechtsergebnisse, Kommunikationsmuster — erstellt ein probabilistisches Modell dessen, was der Trainierende weiß und kann, und passt die Parameter der Trainingsumgebung entsprechend an. Das Ergebnis ist ein Szenario, das sich automatisch an die aktuelle Leistungsfähigkeit des Trainierenden kalibriert und die Zone der nächsten Entwicklung aufrechterhält, in der das Lernen am effizientesten ist: anspruchsvoll genug, um Mühe zu erfordern, erreichbar genug, um einen kognitiven Kollaps zu vermeiden.

Dieser Artikel behandelt die Architektur eines KI-adaptiven Trainingssystems von Ende zu Ende: das Leistungsmodell, die adaptive Szenario-Engine, KI-gesteuertes OPFOR-Verhalten, biometrische Integration, automatisierte AAR-Generierung, Mehrspieler-Koordinationstraining, VR/AR-Integration und die Lernanalytikschicht, die individuelle Trainingsereignisse mit Einheitenbereitschaftsbewertungen verknüpft.

Grenzen geskripteter Trainings

Die Grenzen geskripteter Trainings sind struktureller, nicht zufälliger Natur. Ein geskriptetes Szenario wird von einem menschlichen Übungsdesigner erstellt, der jede wesentliche Trainingsentscheidung antizipieren und vorab eine Antwort verfassen muss. Dies ist für eine enge Verfahrensaufgabe machbar — eine Schießtabelle, ein Radioverfahrensübung — wo der Entscheidungsraum klein und die richtige Handlung eindeutig ist. Es wird unhandhabbar für kollektives taktisches Training, wo der Interaktionsraum zwischen Teammitgliedern, Gelände, OPFOR und Befehlsabsicht nach den ersten paar Minuten einer Übung Millionen möglicher Spielzustände erzeugt.

Wenn das Szenario sich nicht an den Trainierenden anpassen kann, wird die Trainingsqualität zu einer Funktion der anfänglichen Schwierigkeitskalibrierung — einem Urteil des Übungsdesigners, das getroffen wurde, bevor er die konkreten Trainierenden kannte. Dies erzeugt systematische Fehler: Trainingsprogramme stellen die Schwierigkeit auf den Durchschnittstrainierenden ein und bedienen gleichzeitig beide Enden der Fähigkeitsverteilung nicht ausreichend. Erfahrenes Personal, dessen Training am teuersten und dessen Fähigkeitsverlust für die Streitkräfte am kostspieligsten ist, wird chronisch untertrainiert, weil geskriptete Szenarien es langweilen. Jüngeres Personal, das die Voraussetzungsfähigkeiten für das entworfene Szenario noch nicht aufgebaut hat, wird überlastet, bevor doktrinales Lernen stattfinden kann.

Die zweite Einschränkung ist, dass geskriptete Szenarien Mustererkennung statt adaptiver Problemlösung lehren. Trainierende, die dasselbe Szenario mehrmals durchlaufen, lernen das Skript, nicht die Fertigkeit. Der Wert der Wiederholung im Fertigkeitstraining hängt von der Variation zwischen den Wiederholungen ab — dieselbe kognitive Herausforderung, die identisch geliefert wird, ist keine Wiederholungspraxis, sondern mechanisches Auswendiglernen. Ein adaptives System bietet echte Wiederholung: dieselbe Fertigkeit, die in strukturell unterschiedlichen Kontexten herausgefordert wird, verhindert das Auswendiglernen von Mustern und baut übertragbare Fähigkeiten auf.

Adaptive Szenario-Engine: Leistungsmodell und Schwierigkeitsanpassung

Das Kernstück eines KI-adaptiven Trainingssystems ist das Trainierenden-Leistungsmodell — eine rechnerische Darstellung dessen, was der Trainierende aktuell weiß und kann, die kontinuierlich aus beobachteten Trainingsereignissen aktualisiert wird. Der Standardansatz ist Bayesian Knowledge Tracing (BKT), ein probabilistisches Modell, das eine Überzeugungsverteilung über die Beherrschung jeder Fertigkeit in der Trainingsaufgabenzerlegung durch den Trainierenden aufrechterhält.

BKT verfolgt vier Parameter pro Fertigkeit: die A-priori-Wahrscheinlichkeit, dass ein eintretender Trainierender die Fertigkeit bereits hat; die Wahrscheinlichkeit, dass ein Trainierender ohne die Fertigkeit eine Frage zufällig richtig beantwortet (die Ratequote); die Wahrscheinlichkeit, dass ein Trainierender mit der Fertigkeit einen Fehler macht (die Ausrutscherquote); und die Wahrscheinlichkeit, dass ein Trainierender ohne die Fertigkeit sie nach einer einzigen Trainingsge­legenheit erwirbt (die Lernrate). Nach jedem Trainingsereignis aktualisiert das System die Beherrschungswahrscheinlichkeit mit dem Satz von Bayes: eine richtige Antwort erhöht die Beherrschungswahrscheinlichkeit; ein Fehler verringert sie. Die Beherrschungswahrscheinlichkeit steuert die Auswahl der Szenarioschwierigkeit — wenn die Beherrschungswahrscheinlichkeit einer Fertigkeit einen Schwellenwert überschreitet (typischerweise 0,95), rückt das System zur nächsten Fertigkeit im Abhängigkeitsgraphen vor.

Schwierigkeitsanpassungsparameter im militärischen Simulationskontext umfassen: Kräfteverhältnis (das Verhältnis der OPFOR-Kräfte zu den Kräften des Trainierenden), OPFOR-Reaktionszeit (die Verzögerung zwischen OPFOR-Bedrohungserkennung und Reaktion), OPFOR-Initiative (ob OPFOR proaktiv oder reaktiv handelt), Kommunikationszuverlässigkeit (Paketverlustrate, Latenz und Bandbreite in simulierten Funknetzen), Geheimdienstgenauigkeit (wie akkurat und zeitnah die simulierten ISR-Daten sind) und Zeitdruck (die Rate, mit der Szenarioinjektionen eintreffen). Jeder Parameter wird auf eine kontinuierliche Schwierigkeitsskala abgebildet und vom adaptiven System angepasst, um das Zielherausforderungsniveau aufrechtzuerhalten, das vom aktuellen Leistungsmodell impliziert wird.

KI-OPFOR: LLM-gesteuertes gegnerisches Entscheiden

Traditionelle OPFOR-KI verwendet Verhaltensbäume oder hierarchische Aufgabennetzwerke (HTN): vorgefertigte Entscheidungslogik, die aus einem festen Menü taktischer Optionen auf Basis des beobachteten Simulationszustands auswählt. Dies funktioniert gut für die unteren Schwierigkeitsstufen eines adaptiven Systems — wenn der Trainierende ein Anfänger ist, ist vorhersehbares OPFOR-Verhalten pädagogisch korrekt. Aber wenn das Fertigkeitsmodell des Trainierenden fortschreitet, wird geskriptete OPFOR-KI zum limitierenden Faktor. Ein erfahrener Trainierender wird jeden endlichen Entscheidungsbaum besiegen, indem er seine Grenzen ausnutzt.

LLM-gesteuertes OPFOR löst dies, indem es den geskripteten Entscheidungsbaum durch ein Sprachmodell ersetzt, das die taktische Situation analysiert und OPFOR-Aktionen aus doktrinär begründeten Prinzipien statt aus vorgefertigten Regeln generiert. Das LLM empfängt den aktuellen Simulationszustand, serialisiert als strukturiertes taktisches Lagebild — OPFOR-Positionen und -Status, erkannte Blue-Force-Kontakte, Geländeanalyse, Wetter, Befehle und Absicht des Kommandeurs — und generiert eine taktische Entscheidung: Manöver, Feuer, Unterdrückung, Rückzug, Unterstützungsanforderung. Die Ausgabe wird in ausführbare Simulationsbefehle geparst und von den OPFOR-Entitätskontrollern ausgeführt.

Doktrinär eingeschränkte Generierung ist unerlässlich. Ein uneingeschränktes LLM produziert taktisch effektives, aber doktrinär beliebiges Verhalten — es kann Aktionen auswählen, die im spieltheoretischen Sinne optimal sind, aber völlig inkonsistent damit, wie ein realistischer Gegner vorgehen würde. Das System muss die LLM-Ausgabe auf doktrinärkonsistente Optionen beschränken, entweder durch Prompt-Engineering (Bereitstellung der relevanten Gegnerdoktrin als Kontext und Anweisung des Modells, innerhalb dieser Einschränkungen zu argumentieren) oder durch ein strukturiertes Ausgabeformat, das einem vorab validierten Aktionsvokabular zugeordnet ist. Letzteres ist für Produktionssysteme zuverlässiger.

Für Mehrspieler- und Koalitionsübungen kann LLM-gesteuertes OPFOR auch realistisches Koalitionsreiben simulieren — plausible dienst- und behördenübergreifende Kommunikationsverzögerungen, Informationsaustauschibeschränkungen und Koordinationsausfälle generieren, die die reale Komplexität gemeinsamer Operationen widerspiegeln, anstatt der perfekten Zusammenarbeit, die geskriptetes OPFOR implizit voraussetzt.

Biometrische Integration zur stressbewussten Schwierigkeitsanpassung

Aus Simulationsereignissen abgeleitete Leistungsmetriken — Aufgabenausführungszeiten, Gefechtsergebnisse, Kommunikationshäufigkeit — liefern einen verzögerten Indikator für den Zustand des Trainierenden. Bis die Entscheidungsqualität des Trainierenden so weit abfällt, dass sie sich in den Ereignisprotokollmetriken registriert, könnte er bereits weit über der produktiven kognitiven Belastung in Überlastung sein. Biometrische Signale liefern einen Frühindikator: Sie registrieren den Beginn von Stress und kognitiver Sättigung, bevor Leistungsmetriken abfallen.

Herzfrequenz und Herzfrequenzvariabilität (HRV) sind die am leichtesten zugänglichen biometrischen Signale in Trainingsumgebungen. Ruhe-HRV ist eine individuelle Basismetrik; ein HRV-Abfall während des Trainings zeigt eine Aktivierung des sympathischen Nervensystems an — der Trainierende steht unter Stress. Brustgurte und Handgelenksensoren der Verbraucherkategorie reichen für die grobe Stressüberwachung aus; medizinische Ausrüstung ist für die HRV-Analyse erforderlich. Der galvanische Hautwiderstand (GSR) an den Fingern gemessen liefert ein empfindlicheres Echtzeitsignal der sympathischen Erregung: ein starker Anstieg der Hautleitfähigkeit zeigt einen akuten Stressbeginn an, typischerweise Sekunden bevor der Trainierende sich des Drucks bewusst ist.

Blickverfolgungsmetriken — verfügbar aus Head-Mounted-Displays in VR-Trainingsumgebungen und aus dedizierter Blickverfolgungshardware in Simulatorkabinen — liefern die reichhaltigsten Indikatoren für kognitive Belastung. Fixationsdauer (wie lange der Blick des Trainierenden auf einem einzelnen Punkt verweilt) nimmt bei hoher Belastung zu, was auf eine verringerte Fähigkeit hinweist, die Umgebung abzuscannen. Scanpfadentropie (die Zufälligkeit der Blicktrajektorie über das Display) nimmt bei Überlastung ab — die visuelle Aufmerksamkeit des Trainierenden verengt sich auf einen kleinen Teil des taktischen Displays, ein Phänomen, das als kognitives Tunneln bekannt ist und ein direkter Vorläufer von Entscheidungsversagen in zeitkritischen Szenarien ist.

Die biometrische Fusionsschicht kombiniert diese Signale mithilfe eines gewichteten Modells, das an die individuelle Baseline jedes Trainierenden kalibriert ist (Stressreaktionen sind hochgradig individuell und müssen personalisiert werden, um falsche Positive zu vermeiden). Wenn der zusammengeführte Stressindikator den Überlastungsschwellenwert überschreitet, reduziert die adaptive Engine einen oder mehrere Schwierigkeitsparameter — OPFOR-Initiative verringern, Kommunikationszuverlässigkeit verbessern oder das Tempo eingehender Injektionen verlangsamen — um den Trainierenden zurück in die produktive Lernzone zu bringen, bevor die Leistung zusammenbricht.

Automatisierte AAR-Generierung

Die Nachbesprechung ist das wertvollste Produkt jedes Trainingsereignisses. Sie ist auch die arbeitsintensivste in der Erstellung: Eine gründliche AAR erfordert, dass der Ausbilder stundenlange Übungsdaten überprüft, die wichtigsten Entscheidungspunkte identifiziert, die jedem Kommandeur zu jedem Zeitpunkt verfügbaren Informationen rekonstruiert und artikuliert, welches die doktrinär korrekte Handlung war und warum der Trainierende davon abgewichen ist. Für große Übungen mit mehreren Trainingsgruppen dauert dieser Prozess Tage und macht einen erheblichen Teil des gesamten Trainingsaufwands aus.

Die automatisierte AAR-Generierung komprimiert diesen Prozess, indem das Simulationsereignisprotokoll als strukturierter Input für eine LLM-Pipeline verwendet wird. Das Ereignisprotokoll enthält jede Entitätszustandsänderung — Positionen, Gefechte, Kommunikationsereignisse und Entscheidungspunkte — zeitgestempelt und mit Entitätskennzeichen und Ereignistyp versehen. Die automatisierte Pipeline verarbeitet dieses Protokoll in drei Phasen.

Die erste Phase ist die Ereignisprotokollstrukturierung: Der rohe Ereignisstrom wird gefiltert, dedupliziert und zu einer Zeitlinie bedeutsamer Ereignisse aggregiert. Die Bedeutsamkeit wird durch einen Regelsatz bestimmt, der aus den Trainingszielen der Übung und doktrinären Entscheidungskriterien abgeleitet wird — Gefechtsentscheidungen, Kommunikationsausfälle, Phaselinienüberschreitungen und Verlustereignisse sind bedeutsam; individuelle Fahrzeugpositionsaktualisierungen sind Rauschen. Die strukturierte Zeitlinie beträgt typischerweise 1–2 % des rohen Ereignisvolumens.

Die zweite Phase ist die LLM-Zusammenfassung: Die strukturierte Zeitlinie wird an ein LLM mit einem Prompt weitergegeben, der die Trainingsziele der Übung, den doktrinären Standard für jedes Ziel und eine Anweisung enthält, zu identifizieren, wo das Trainierenden-Verhalten von der Doktrin abwich und warum diese Abweichung von Bedeutung war. Das LLM generiert ein narratives AAR-Dokument, das die Übungszeitlinie, wichtige Entscheidungspunkte, doktrinäre Lücken und beitragende Faktoren abdeckt.

Die dritte Phase ist die Empfehlungsgenerierung: Ein zweiter LLM-Durchgang wandelt identifizierte doktrinäre Lücken in priorisierte Trainingsempfehlungen um, die jeweils auf eine spezifische METL-Aufgabe und einen Behebungsansatz (individuelles Studium, kollektive Übung oder Szenariowiederholung) abgebildet sind. Der Ausbilder überprüft den generierten AAR, kommentiert oder korrigiert ihn und veröffentlicht ihn für die Trainierenden — typischerweise innerhalb von dreißig Minuten nach Übungsabschluss statt nach drei Tagen.

Mehrspieler-Koordinationstraining und verteilte Simulation

Individuelles Fertigkeitstraining — Schießen, Verfahren, individuelle Entscheidungsfindung — wird von adaptiven Einzeltrainierenden-Systemen gut bedient. Kollektivtraining, das Koordination, Kommunikation und gemeinsames Lagebewusstsein entwickelt, das effektive Einheiten von Sammlungen qualifizierter Einzelpersonen unterscheidet, erfordert Mehrspieler-Umgebungen, in denen die adaptive Herausforderung die Koordinationsschicht einschließt.

Verteilte Simulation für Mehrspieler-Adaptivtraining basiert auf HLA- und DIS-Standards. Jede Trainierenden-Station betreibt einen Simulationsknoten, der den Entitätszustand für seine lokalen Entitäten besitzt und Aktualisierungen an die Föderation veröffentlicht. Die adaptive Engine läuft als Verwaltungs-Federat, abonniert alle Entitätszustandsaktualisierungen, pflegt das Leistungsmodell für jeden Trainierenden und veröffentlicht Schwierigkeitsanpassungsbefehle an den Szenariomanagement-Federat, der OPFOR-Verhalten und Injektionszeitplanung kontrolliert.

Die Simulation netzwerkbeeinträchtigter Bedingungen ist eine kritische Fähigkeit für kollektives Training. Ein Kommunikationseffekt-Simulations-Federat fängt die Zustellung von Protocol Data Units (PDU) zwischen Föderationsknoten ab und wendet Degradierungsmodelle an: Latenzinjektion basierend auf Geländemaskierung und Ausbreitungsmodellen, Paketverlust basierend auf Störungsintensität und Bandbreitendrosselung basierend auf Frequenzüberlastung. Trainierende erleben die Auswirkungen einer umkämpften elektromagnetischen Umgebung — verzögerte oder fehlende Meldungen, verzerrte Stimme, SA-Bilder, die über Knoten hinweg auseinanderdriften — ohne reale Funkausrüstung oder HF-Spektrum zu benötigen.

Koalitions-Interoperabilitätsszenarien verwenden die Föderationsarchitektur, um Knoten zu verbinden, die verschiedene nationale Kontingente repräsentieren, die jeweils doktrinärkonsistente Verfahren ausführen und ihre eigene C2-Systemschnittstelle verwenden. Die adaptive Engine kann Koalitionsreibung einführen — Informationsaustauchverzögerungen, Unterschiede im Umgang mit Geheimhaltungsstufen, Kommunikationsstandard-Mismatches — kalibriert darauf, die Koordinationsfähigkeiten der kollektiven Trainingsgruppe herauszufordern.

VR/AR-Integration und Simulator-zu-Feld-Übergang

VR-Headsets haben den Punkt erreicht, an dem sie ein praktisches primäres Display für taktische Trainingsszenarien sind — Head-Mounted-Displays führender Anbieter bieten ausreichende Auflösung, Sichtfeld und Bewegungsverfolgung, um einen Trainierenden überzeugend in eine simulierte operative Umgebung zu versetzen. Der wichtigste Vorteil für das adaptive Training ist, dass die VR-Umgebung vollständig instrumentiert ist: jede Blickrichtung, Kopforientierung und Handinteraktion ist als Datenstrom verfügbar und bietet den reichhaltigsten möglichen Input für das Leistungsmodell und die biometrische Fusionsschicht.

TAK-ähnliches Schnittstellentraining — Vertrautheit mit den Icons, Interaktionen und dem Arbeitsablauf verbreiteter Lageerkennungstools — profitiert erheblich von der VR-Integration. Der Trainierende bedient eine simulierte TAK-Schnittstelle, die in der VR-Umgebung gerendert wird, wobei die adaptive Engine die Dichte des Informationsbildes anpassen kann (mehr Entitäten, mehr Berichtstypen, höhere Aktualisierungsraten) wenn die Kompetenz zunimmt. Die physische Interaktionsmodalität — Touchscreen-Gesten auf einem virtuellen Display, Kartenschwenk, Berichtsannotation — kann mit hoher Auflösung für feinkörnige Kompetenzmessung verfolgt werden, die rein ereignisprotokollbasierte Systeme nicht liefern können.

Die Wiedergabetreue beim Simulator-zu-Feld-Übergang ist die kritische Designbeschränkung. Jedes Element der VR-Schnittstelle muss dem eingesetzten System genau entsprechen — Icon-Sets, Farbkodierung, Interaktionsgesten, Menüstrukturen und Datenformate. Jede Abweichung erzeugt negativen Transfer: Der Trainierende baut ein mentales Modell und motorisches Gedächtnis im Simulator auf, das seinem Erleben im realen System widerspricht, und muss das Simulatorverhalten verlernen, bevor er im Feld effektiv arbeiten kann. Die Aufrechterhaltung der Schnittstellenparität erfordert einen formalen Änderungsmanagementprozess: Wenn das eingesetzte System aktualisiert wird, muss die Simulatorschnittstelle im selben Release-Zyklus aktualisiert werden.

Die AR-Integration erweitert das adaptive Training auf Live-Umgebungen. AR-Headsets überlagern simulierte Entitäten und Datenströme auf die reale physische Umgebung, sodass Trainierende in tatsächlichem Gelände operieren können, während sie mit simuliertem OPFOR, simulierten ISR-Quellen und simuliertem C2-Verkehr interagieren. Die adaptive Engine kann AR-gelieferte Stimuli injizieren — ein OPFOR-Kontakt, der an einem Geländeelement erscheint, ein simulierter Funkbericht im Head-up-Display — kalibriert am aktuellen Leistungsmodell des Trainierenden, und kombiniert den physischen Realismus des Live-Trainings mit der instrumentierten Kontrollierbarkeit des Simulationstrainings.

Lernanalytik: Dashboards, Bereitschaftsmetriken und Effektivitätsmessung

Das während jedes Trainingsereignisses gepflegte Leistungsmodell ist der Input für eine breitere Lernanalytikschicht, die individuelle Trainingsergebnisse in Einheitenbereitschaftsbewertungen auf Einheitsebene und Trainingseffektivitätsmetriken aggregiert. Diese Schicht ist die Verbindung zwischen dem Trainingssystem und der Trainingsmanagementfunktion — das Datenprodukt, das Trainingsmanager zur Zuteilung von Trainingszeit, zur Identifizierung systemischer Fertigkeitslücken und zur Meldung der Einheitsbereitschaft verwenden.

Individuelle Fortschritts-Dashboards der Trainierenden präsentieren die aktuelle Fertigkeitsschätzung des Trainierenden über die Aufgabenzerlegung, Trendlinien, die die Verbesserungsrate über den Trainingszyklus zeigen, und Vergleich mit dem Kompetenzstandard für ihre Rolle. Fertigkeitsverfallsmodelle — die die geschätzte Beherrschungswahrscheinlichkeit verringern, wenn die Zeit seit der letzten Bewertung zunimmt — stellen sicher, dass das Dashboard die aktuelle Bereitschaft und nicht die historische Spitzenleistung widerspiegelt. Eine Fertigkeit, die vor sechs Monaten mit 0,95 Beherrschung bewertet und seitdem nicht geübt wurde, sollte in einem Bereitschaftsbericht nicht als kompetent erscheinen.

Einheitsbereitschaftsmetriken aggregieren individuelle Fertigkeitsschätzungen über die vollständige Aufgabenliste der Einheit. Die Bereitschaftsmatrix — Aufgaben auf einer Achse, Personal auf der anderen — bietet eine schnelle visuelle Bewertung, wo die Einheit kollektive Kompetenz hat und wo sie Lücken hat. Diese Matrix treibt die Trainingsplanungsfunktion an: Das System kann ein empfohlenes Trainingsprogramm generieren, das die Lücken mit höchster Priorität angesichts verfügbarer Trainingszeit und Ressourcenbeschränkungen adressiert und über die gesamte Einheit optimiert, anstatt Trainings basierend auf Ausbilderverfügbarkeit oder administrativer Bequemlichkeit zu planen.

Trainingseffektivitätsmessung — das schwierigste Problem im Trainingsystem-Design — erfordert die Verknüpfung von Simulatorleistung mit Live-Bewertungsergebnissen. Die Korrelation zwischen simulatorbewerteter Kompetenz und Live-Umgebungs-Aufgabenleistung ist der Transferkoeffizient, der je nach Fertigkeitstyp, Simulatortreue und der Qualität des adaptiven Trainingsalgorithmus erheblich variiert. Ein rigoroses Trainingseffektivitätsprogramm sammelt Live-Bewertungsdaten in definierten Intervallen, berechnet Transferkoeffizienten für jede Fertigkeit-Simulator-Kombination und speist diese Koeffizienten zurück in die Leistungsmodellkalibrierung. Fertigkeiten, bei denen der Transferkoeffizient niedrig ist, erhalten Flag-Status: Der Simulator ist möglicherweise nicht das richtige Trainingsmedium für diese Fertigkeit, oder der adaptive Algorithmus muss gegenüber dem Live-Standard rekalibriert werden.

Die Kombination aus KI-adaptiver Schwierigkeit, automatisiertem AAR und Lernanalytik ersetzt den Ausbilder nicht — sie verstärkt seine Effektivität. Der Ausbilder verbringt nicht mehr den Großteil seiner Zeit mit der administrativen Überprüfung von Ereignisprotokollen und dem Schreiben generischer Nachbesprechungskommentare. Er verbringt seine Zeit mit Aufgaben, die menschliches Urteil erfordern: den Trainierenden durch die Implikationen einer doktrinären Lücke zu coachen, den operativen Kontext bereitzustellen, der eine Lücke bedeutsam macht, und die Einschätzung zu treffen, ob ein Trainierender wirklich bereit oder lediglich simulatorkompetent ist. Das sind die Aufgaben, die bestimmen, ob das Training fähige Operatoren oder fähige Simulatoren-Operatoren produziert, und sie können nicht automatisiert werden.