Wer über KI-Kompetenz spricht, meint mehr als die Bedienung eines Werkzeugs. Gemeint ist ein angemessenes Grundverständnis dessen, was ein KI-System leisten kann, wo seine Grenzen liegen, wie es zu seinen Ergebnissen kommt und welche Folgen ein sorgloser Umgang haben kann. Eine mitarbeitende Person mit guter KI-Kompetenz weiß, dass ein Sprachmodell überzeugend klingende, aber falsche Antworten erzeugen kann, dass automatisierte Bewertungen Verzerrungen enthalten können und dass vertrauliche Daten nicht unbedacht in fremde Systeme eingegeben werden dürfen. Diese Urteilsfähigkeit ist der eigentliche Kern von AI Literacy.
Wichtig ist die Abgrenzung nach oben und unten. KI-Kompetenz bedeutet nicht, dass alle Beschäftigten zu Data Scientists oder Entwickler:innen werden müssen. Ebenso wenig genügt es, ein Werkzeug nur mechanisch bedienen zu können. Die Zielmarke liegt dazwischen: ein reflektiertes, aufgabenangemessenes Verständnis, das befähigt, KI im eigenen Arbeitskontext sinnvoll, sicher und regelkonform zu nutzen. Das notwendige Niveau ist dabei nicht für alle gleich, sondern hängt von Rolle, Vorwissen und dem konkreten Einsatzkontext ab – ein Gedanke, der sich durch den gesamten Artikel zieht.
In vielen Unternehmen wird KI-Kompetenz als abstraktes Schlagwort behandelt – etwas, das man „haben sollte“, ohne dass klar wäre, woran man es erkennt. Das ändert sich, sobald man Kompetenz an beobachtbarem Verhalten festmacht: Erkennt eine Person, wann ein KI-Ergebnis geprüft werden muss? Weiß sie, welche Daten sie eingeben darf und welche nicht? Kann sie einschätzen, ob ein Ergebnis plausibel ist? Meldet sie auffälliges Verhalten eines Systems? Solche konkreten Verhaltensanker machen aus einem Schlagwort eine messbare, trainierbare Fähigkeit – und schaffen die Grundlage für Curriculum, Nachweis und Erfolgsmessung, die in den späteren Kapiteln folgen.
Zwei Entwicklungen treffen aufeinander. Erstens hat generative KI die Nutzung von KI-Werkzeugen in den Arbeitsalltag getragen – oft schneller, als Regeln und Schulungen folgen konnten. Zweitens hat der EU-Gesetzgeber die KI-Kompetenz mit Art. 4 des AI Act zur ausdrücklichen Organisationspflicht gemacht (dazu ausführlich in Kapitel 02). Für Unternehmen bedeutet das: AI Literacy ist gleichzeitig Produktivitätsfaktor und Compliance-Baustein. Wer sie systematisch aufbaut, senkt Risiken wie den unkontrollierten Einsatz von Schatten-KI und hebt zugleich das Nutzenpotenzial der eingesetzten Werkzeuge. Die Investition zahlt also doppelt – auf die Regelkonformität und auf die tatsächliche Wertschöpfung.
Nach aktuellem Stand verpflichtet Art. 4 Anbieter und Betreiber von KI-Systemen, Maßnahmen zu ergreifen, damit ihr Personal sowie andere Personen, die in ihrem Auftrag mit dem Betrieb und der Nutzung von KI-Systemen befasst sind, über ein ausreichendes Maß an KI-Kompetenz verfügen. Dieses Maß soll angemessen sein – gemessen am technischen Wissen, an der Erfahrung, an Ausbildung und Schulung der betroffenen Personen sowie am Kontext, in dem die KI-Systeme eingesetzt werden, und an den Personengruppen, bei denen die Systeme zum Einsatz kommen.
Drei Merkmale machen diese Pflicht besonders praxisrelevant. Erstens ist sie risikoklassenunabhängig: Sie gilt nicht nur für Hochrisiko-Systeme, sondern grundsätzlich für den Einsatz von KI-Systemen im Sinne der Verordnung. Zweitens ist sie früh wirksam – nach aktuellem Stand gehört Art. 4 zu den Bestimmungen, die bereits vor dem Großteil der Hochrisiko-Pflichten anwendbar wurden. Drittens ist sie prinzipienbasiert und nicht formalistisch: Der Gesetzestext schreibt keine bestimmte Schulungsdauer, kein Zertifikat und kein festes Curriculum vor, sondern verlangt ein angemessenes, kontextabhängiges Ergebnis.
Der bewusst offene Wortlaut ist Chance und Herausforderung zugleich. Er gibt Unternehmen Spielraum, die Kompetenzmaßnahmen an ihre tatsächliche Situation anzupassen – ein kleiner Handwerksbetrieb mit einem einzigen KI-Assistenten braucht weniger als ein mittelständischer Personaldienstleister, der KI in der Bewerberauswahl einsetzt. Zugleich verlangt die Offenheit eine bewusste, dokumentierte Entscheidung: Warum halten wir gerade diese Maßnahmen für angemessen? Diese Begründung – abgeleitet aus Rollen, Systemen und Einsatzkontext – ist der eigentliche Kern einer belastbaren Umsetzung und zugleich die Brücke zum Nachweis (Kapitel 07).
Die Kompetenzpflicht steht nicht allein, sondern verzahnt sich mit anderen Anforderungen der Verordnung. Die menschliche Aufsicht über Hochrisiko-Systeme etwa läuft ins Leere, wenn die beaufsichtigenden Personen die Grenzen des Systems nicht verstehen – gute AI Literacy ist damit eine Voraussetzung wirksamer Aufsicht. Auch die Transparenzpflichten (etwa die Kennzeichnung von KI-Interaktionen) lassen sich nur einhalten, wenn die verantwortlichen Personen wissen, wann und wie zu kennzeichnen ist. KI-Kompetenz ist insofern kein isolierter Punkt auf einer Checkliste, sondern das Fundament, auf dem viele andere Pflichten überhaupt erst tragfähig werden.
Die vier Dimensionen greifen ineinander, und jede allein bleibt unvollständig. Wer nur die technische Funktionsweise versteht, aber die ethischen Folgen ausblendet, kann ein diskriminierendes System bauen oder betreiben, ohne es zu bemerken. Wer nur die rechtlichen Regeln kennt, aber die praktische Nutzung nicht beherrscht, erfüllt formal Vorgaben, hebt aber keinen Nutzen. Und wer nur anwendungsstark ist, aber Grenzen und Risiken nicht einschätzt, produziert schnell überzeugend wirkende Fehler. Erst das Zusammenspiel ergibt jene reflektierte Urteilsfähigkeit, die den Kern von AI Literacy bildet.
Nicht jede Rolle braucht jede Dimension gleich stark. Die Gewichtung folgt der Aufgabe: Bei einer Fachanwenderin im Marketing dominiert die anwendungsbezogene Dimension, ergänzt um solide rechtliche und ethische Grundlagen zum Umgang mit Daten und Inhalten. Bei einer Compliance-Verantwortlichen rücken die rechtliche und ethische Dimension in den Vordergrund. Bei Entwickler:innen ist die technische Tiefe entscheidend, ohne dass die anderen Dimensionen entfallen. Genau diese rollenabhängige Gewichtung ist der Übergang zu den Zielgruppen und Kompetenzstufen, die das nächste Kapitel behandelt.
In der Beratungspraxis hat sich eine Gliederung in drei bis vier Zielgruppen bewährt, die sich in der Tiefe ihrer benötigten Kompetenz deutlich unterscheiden. Entscheidend ist, dass die Zuordnung nicht am Organigramm klebt, sondern an der tatsächlichen Nähe zur KI: Wer trifft mithilfe von KI Entscheidungen mit spürbaren Folgen, wer nutzt sie als reines Hilfsmittel, wer verantwortet sie strategisch, und wer baut oder konfiguriert Systeme?
Die Geschäftsführung muss kein Werkzeug perfekt bedienen können, trägt aber die Letztverantwortung – auch für die Erfüllung der Kompetenzpflicht selbst. Ihre AI Literacy ist deshalb vor allem strategisch und governancebezogen: Sie muss die groben Chancen und Risiken von KI einschätzen, den rechtlichen Rahmen im Überblick kennen, Verantwortlichkeiten festlegen und Ressourcen für Kompetenzaufbau und Governance bereitstellen können. Ein häufiger Fehler ist, die Leitungsebene aus Schulungen auszuklammern – gerade sie setzt jedoch mit ihren Entscheidungen den Rahmen, in dem alle anderen arbeiten.
Die größte Gruppe sind Menschen, die KI als Hilfsmittel in ihrem Arbeitsalltag nutzen – im Kundenservice, im Marketing, in der Sachbearbeitung, in der Buchhaltung. Für sie steht die sichere Anwendung im Vordergrund: Sie sollen gute Eingaben formulieren, Ergebnisse kritisch prüfen, wissen, welche Daten sie eingeben dürfen, KI-Inhalte bei Bedarf kennzeichnen und die Grenzen der Werkzeuge erkennen. Diese Gruppe profitiert am meisten von praxisnahen, an ihren realen Aufgaben ausgerichteten Formaten – und weniger von abstrakter Technik.
Wer KI-Systeme entwickelt, auswählt, konfiguriert oder betreibt, braucht die größte Tiefe – insbesondere in der technischen und, bei sensiblen Anwendungen, in der ethischen und rechtlichen Dimension. Dazu gehören ein belastbares Verständnis von Modellen, Trainingsdaten und Verzerrungen, Kenntnisse zu Robustheit und Sicherheit sowie das Wissen um Dokumentations- und Nachweispflichten. Diese Gruppe ist zugleich oft Multiplikator: Sie kann Fachanwender:innen unterstützen und interne Standards prägen. Aus den so definierten Zielgruppen und Stufen ergibt sich unmittelbar das Kompetenzmodell des nächsten Kapitels.
Ein tragfähiges Kompetenzmodell verbindet die beiden vorangegangenen Kapitel zu einer Matrix: In den Zeilen stehen die Zielgruppen, in den Spalten die vier Kompetenzdimensionen, und in den Zellen steht das jeweils angemessene Niveau. So wird auf einen Blick sichtbar, dass etwa Fachanwender:innen in der anwendungsbezogenen Dimension ein hohes, in der technischen ein basales Niveau brauchen, während es bei Entwickler:innen umgekehrt liegt. Diese Matrix ist zugleich das Herzstück des späteren Nachweises, weil sie die Angemessenheit der Maßnahmen begründet.
Das Curriculum gliedert die Inhalte in aufeinander aufbauende Lernpfade. Bewährt hat sich ein modularer Aufbau: ein gemeinsames Basismodul für alle, das Grundverständnis, Datenregeln, typische Risiken und interne Leitlinien vermittelt, ergänzt um rollenspezifische Vertiefungsmodule. Ein solches Baukastenprinzip ist effizient – das Basismodul entsteht einmal und gilt für alle – und zugleich flexibel, weil neue Rollen oder Werkzeuge einfach als zusätzliches Modul ergänzt werden.
Ein häufiger Schwachpunkt von Curricula ist, dass sie Themen auflisten, aber keine überprüfbaren Lernziele formulieren. Wirksamer ist es, jedes Modul mit konkreten, beobachtbaren Zielen zu versehen: „Die Teilnehmenden können mindestens drei typische Fehlerquellen generativer KI benennen und beschreiben, wie sie ein Ergebnis prüfen.“ Solche Ziele knüpfen an die Verhaltensanker aus Kapitel 01 an, machen die Vermittlung fokussiert und liefern zugleich die Messlatte für die Erfolgsmessung in Kapitel 09. Sie sind außerdem die Grundlage, um die Angemessenheit gegenüber Dritten – etwa im Rahmen des Nachweises – plausibel darzustellen.
Kompetenz entsteht selten durch eine einzelne Maßnahme. Wirksam ist ein Methodenmix, der formelle Vermittlung und praktisches Lernen verbindet. Formelle Schulungen schaffen ein gemeinsames Fundament und einen dokumentierbaren Nachweis; praktisches Lernen am realen Arbeitsplatz verankert die Fähigkeiten dort, wo sie gebraucht werden. Die Kunst liegt darin, beide Stränge miteinander zu verzahnen, statt sie gegeneinander auszuspielen.
Reines Wissen verblasst schnell, wenn es nicht angewendet wird. Deshalb ist das Lernen an echten Aufgaben der wirksamste Hebel für nachhaltige Kompetenz. Formate wie offene Prompt-Sprechstunden, ein internes Netzwerk aus KI-Champions oder kurze Peer-Sessions, in denen Kolleg:innen ihre gelungenen und misslungenen KI-Erfahrungen teilen, verankern die Fähigkeiten im Alltag. Sie haben zugleich einen kulturellen Effekt: Sie machen den Umgang mit KI besprechbar und holen die verbreitete, aber unregulierte Schatten-Nutzung ans Licht – ein wichtiger Beitrag zur Risikominderung.
Nicht jedes Format passt zu jeder Gruppe. Für die breite Basis eignen sich skalierbare E-Learning-Module mit ergänzenden Präsenzelementen; für sensible Rollen lohnen sich interaktive Workshops mit Fallarbeit; die Leitung profitiert von kompakten, entscheidungsorientierten Briefings; Entwickler:innen von vertiefenden, praxisnahen Formaten und kollegialem Austausch. Entscheidend ist, dass die Formate zur Kompetenzstufe passen – und dass mindestens ein Format je Rolle einen dokumentierbaren Nachweis erzeugt. Denn genau dieser Nachweis ist Gegenstand des nächsten Kapitels.
Art. 4 schreibt nach aktuellem Stand keine bestimmte Form des Nachweises vor. Dennoch ist es aus Sicht der Rechenschaftsfähigkeit klug, die getroffenen Maßnahmen so zu dokumentieren, dass sich gegenüber Aufsichtsbehörden, Auftraggebern oder im Rahmen eines internen Audits belegen lässt: Wir haben das Thema strukturiert angefasst, die Angemessenheit begründet und die Maßnahmen tatsächlich durchgeführt. Diese Haltung entspricht dem aus der DSGVO bekannten Prinzip der Rechenschaftspflicht – wer Nachweise führt, ist im Zweifel deutlich besser aufgestellt.
Der wertvollste Teil des Nachweises ist nicht die Teilnahmeliste, sondern die Begründung der Angemessenheit. Weil Art. 4 ein kontextabhängiges Ergebnis verlangt, sollte dokumentiert sein, warum der gewählte Umfang im konkreten Unternehmen angemessen ist – abgeleitet aus den eingesetzten Systemen, ihren Risikoklassen, den betroffenen Personengruppen und dem Vorwissen der Beschäftigten. Diese Begründung schlägt die Brücke zurück zum KI-Inventar und zur Governance: Wer beides führt, kann die Angemessenheit fast von selbst herleiten.
Der Nachweis muss nicht aufwendig sein. Für viele Mittelständler genügt eine schlanke Kombination aus einer Schulungsmatrix (wer hat welches Modul wann absolviert), abgelegten Materialien und einem kurzen Begründungsdokument. Wer ein Lernmanagementsystem nutzt, kann Teilnahme und Fortschritt automatisiert protokollieren. Wichtig ist vor allem Konsistenz: Die Dokumentation sollte aktuell gehalten, bei Personalwechseln fortgeschrieben und in die reguläre Governance eingebunden werden, damit sie nicht als totes Archiv endet. Wie diese Umsetzung im Mittelstand konkret gelingt, zeigt das nächste Kapitel.
Der Mittelstand muss das Rad nicht neu erfinden. Viele Bausteine existieren bereits: DSGVO-Schulungsstrukturen, Onboarding-Prozesse, ein Lernmanagementsystem, vorhandene Fachkräfte als Multiplikatoren. Wer diese Ressourcen bündelt und um KI-Inhalte erweitert, kommt mit überschaubarem Aufwand zu einer belastbaren Umsetzung. Auch externe Angebote – etwa fertige E-Learning-Module oder begleitete Workshops – können den Aufwand senken, sollten aber immer an die eigenen Werkzeuge, Rollen und Richtlinien angepasst werden, damit die Angemessenheit gewahrt bleibt.
Gerade sehr kleine Organisationen fragen sich, wo sie anfangen sollen. Unser Rat: mit dem, was ohnehin genutzt wird. Ein kompaktes Basis-Briefing zu den tatsächlich eingesetzten Werkzeugen, eine einseitige KI-Richtlinie mit klaren Empfehlungen und Verboten sowie eine benannte Ansprechperson decken den größten Teil des Bedarfs für eine breite, wenig risikobehaftete Nutzung ab. Von dort lässt sich das Modell organisch ausbauen, sobald riskantere Anwendungsfälle hinzukommen. Wichtig ist, überhaupt strukturiert zu beginnen und die Schritte zu dokumentieren – Perfektion ist nicht der Maßstab, Angemessenheit und Nachvollziehbarkeit sind es.
Erfolg lässt sich bei KI-Kompetenz nicht allein an Teilnahmequoten ablesen. Wer wirklich wissen will, ob die Maßnahmen wirken, blickt auf Verhalten und Ergebnisse: Werden KI-Ergebnisse tatsächlich geprüft? Sinkt die unkontrollierte Nutzung nicht freigegebener Werkzeuge? Werden Datenregeln eingehalten und auffällige Vorfälle gemeldet? Solche Indikatoren – abgeleitet aus den Lernzielen und Verhaltensankern der früheren Kapitel – sagen mehr über den Reifegrad aus als jede Anwesenheitsliste.
Aus der Praxis wiederholen sich einige Fehler. Der häufigste ist die einmalige Alibi-Schulung: ein Pflichtvideo, abgehakt und vergessen, ohne Verankerung im Alltag. Ebenso verbreitet ist die einseitige Werkzeug-Fixierung, die Bedienung lehrt, aber ethische und rechtliche Reflexion ausblendet. Weitere Stolpersteine sind das Ausklammern der Leitung, ein Gießkannenprinzip, das alle gleich behandelt und damit sensible Rollen unterversorgt, sowie eine fehlende Dokumentation, die spätere Nachweise erschwert. Wer diese Muster kennt, kann sie bewusst vermeiden – und sein Programm entsprechend robuster aufsetzen.
Der Datenschutz berührt KI-Kompetenz auf zwei Ebenen. Erstens ist ein sicherer Umgang mit personenbezogenen Daten ein zentraler Lerninhalt: Beschäftigte müssen verstehen, welche Daten sie in KI-Werkzeuge eingeben dürfen und welche nicht, damit der KI-Einsatz nicht zu unzulässigen Verarbeitungen führt. AI Literacy stützt damit unmittelbar die DSGVO-Compliance. Zweitens erzeugt der Kompetenzaufbau selbst personenbezogene Daten – etwa Teilnahmenachweise, Testergebnisse oder Selbsteinschätzungen. Deren Erhebung und Speicherung unterliegt der DSGVO und sollte auf das Erforderliche beschränkt, transparent gestaltet und mit einer tragfähigen Rechtsgrundlage versehen sein.
