KI-Kompetenz ist kein Kurs, sondern eine organisatorische Fähigkeit.

Ein Zertifikat kann belegen, dass jemand an einer Lektion teilgenommen hat. Es kann jedoch nicht zeigen, ob eine Organisation ein KI-System anerkennen,...

KI-Kompetenz ist kein Kurs, sondern eine organisatorische Fähigkeit.

Der Rechtssatz, der die Besprechung verändert

Am 24. Juli 2026 veröffentlichte das Amtsblatt der Europäischen Union den Digital Omnibus zu KI. Unter den Änderungen befand sich eine kleine Anpassung von Artikel 4 des Gesetzes über künstliche Intelligenz. Die Verpflichtung bleibt bestehen, aber das Gesetz verlangt von Organisationen nicht länger, ein vorgeschriebenes oder universelles Niveau an KI-Kompetenz für jede einzelne Person zuzusagen. Anbieter und Betreiber sind verpflichtet, Maßnahmen zu ergreifen, die die Entwicklung von Kompetenz bei ihrem Personal und bei anderen Personen unterstützen, die KI-Systeme in ihrem Auftrag bedienen oder nutzen. Die Änderung besagt außerdem, dass die Kommission und die Mitgliedstaaten diese Bemühungen unterstützen sollten und dass der KI-Ausschuss auf gemeinsame Ziele hinarbeiten sollte.

Das ist eine rechtliche Änderung. Sie ist auch eine Managementfrage. Wenn es keine universelle Prüfungsnote gibt, was tut dann eine ernsthafte Organisation, wenn sie ein KI-System in einen realen Prozess bringt? Sie kann nicht allein mit einem Zertifikat antworten. Ein Zertifikat kann zeigen, dass jemand eine Lektion abgeschlossen hat. Es kann nicht zeigen, dass die Person einen Entwurf von einer genehmigten Richtlinie unterscheiden kann, erkennt, wann ein Modell außerhalb seiner Aufgabe arbeitet, nach den Belegen hinter einer Empfehlung fragt, einen Arbeitsablauf stoppt oder die verantwortliche Person findet, die ihn ändern kann. Der interessante Teil der Kompetenz beginnt, nachdem die Präsentation verstummt ist.

Die eigenen Fragen und Antworten der Europäischen Kommission bringen den Punkt mit ungewöhnlicher Deutlichkeit auf den Punkt. Es gibt kein einheitliches Format für KI-Kompetenz und keine Anforderung an ein bestimmtes Zertifikat. Die Organisation sollte ihre Rolle, das Risiko und den Zweck des Systems, das Wissen und die Erfahrung der beteiligten Personen sowie den Kontext, in dem das System verwendet wird, berücksichtigen. Sie sollte einen internen Nachweis über Schulungen oder andere begleitende Maßnahmen führen, aber ein Anwesenheitsnachweis ist nicht dasselbe wie die Fähigkeit, die diese Maßnahmen aufbauen sollen.

KI-Kompetenz ist daher am besten als ein trainierter Muskel zu verstehen. Ein Muskel wird nicht durch den Besitz einer Fitnesskarte bewiesen. Er wird durch wiederholte, kontextbezogene Anstrengung aufgebaut und wird sichtbar, wenn die Situation unangenehm ist. Eine kompetente Organisation kann das System benennen, das sie verwendet, angeben, was das System tun darf, bemerken, wenn die Belege schwach sind, fragen, wer betroffen sein könnte, und einen unsicheren Fall an eine Person mit Entscheidungsbefugnis weiterleiten. Das ist weniger glamourös als eine Einführungsveranstaltung. Es ist auch der Ort, an dem das Gesetz auf die alltägliche Arbeit trifft.

Dieser Artikel befasst sich mit dieser alltäglichen Arbeit. Er ist weder ein Kursplan noch eine Rechtsberatung. Er ist eine Möglichkeit, drei Dinge zu trennen, die oft zusammengeworfen werden: Bewusstsein, Kompetenz und Befugnis. Er folgt den Fragen, die entstehen, wenn eine öffentliche Einrichtung, ein Unternehmen, eine Schule oder ein professionelles Team versucht, KI nützlich zu machen, ohne sein Urteilsvermögen an einen Bildschirm abzugeben. Die Beispiele stammen aus europäischen öffentlichen Leitlinien und dokumentierter institutioneller Praxis. Jede erfundene Situation ist als hypothetisch gekennzeichnet, denn eine Geschichte ist nicht allein deshalb ein Beleg, weil ein plausibles Büro darin vorkommt.

Kompetenz ist eine Praxis, kein Abzeichen

Das Wort Kompetenz kam mit zu viel Gepäck in die KI-Debatte. Es kann wie eine grundlegende Einführung für Menschen klingen, die den wichtigen Wortschatz noch nicht gelernt haben. Es kann auch wie ein Compliance-Label klingen, das einer Person angeheftet und abgelegt werden kann. Keine der beiden Interpretationen ist hilfreich. Kompetenz ist die Fähigkeit, eine Situation gut genug zu lesen, um in ihr zu handeln. Ein Buch über eine Sprache zu lesen ist nicht dasselbe wie einen an Sie adressierten Brief zu verstehen. Eine Definition eines KI-Systems zu lesen ist nicht dasselbe wie zu wissen, ob das Werkzeug vor Ihnen eine Vorhersage trifft, einen Datensatz abruft, eine Fortsetzung erzeugt, Optionen einordnet oder einen Schritt in einem Arbeitsablauf steuert.

Die derzeitige Erläuterung der Kommission zu Artikel 4 beginnt an der richtigen Stelle: Organisationen sollten ein allgemeines Verständnis dafür entwickeln, was KI ist, wie sie funktioniert, welche Systeme sie einsetzen und welche Chancen und Gefahren diese Systeme mit sich bringen. Das ist ein Anfang, kein Ende. Allgemeines Verständnis gibt einer Person eine Landkarte. Die Landkarte wird erst dann nützlich, wenn sie mit einer Aufgabe, einer Rolle, einer Beweisquelle und einer Konsequenz verknüpft ist.

Stellen Sie sich ein hypothetisches Beschaffungsteam vor, das ein Werkzeug prüft, das Lieferanteneinreichungen zusammenfasst. Bewusstsein ermöglicht es dem Team zu erkennen, dass das Werkzeug generierten Text erzeugt und Fehler machen kann. Kompetenz ermöglicht es einer prüfenden Person, zu testen, ob die Zusammenfassung Ausschlüsse, Bedingungen und Daten bewahrt, und sie mit den zugrunde liegenden Einreichungen zu vergleichen. Autorität bestimmt, was geschieht, wenn die Zusammenfassung unvollständig ist. Kann die prüfende Person sie ablehnen? Kann das Team vom Lieferanten verlangen, die zugrunde liegenden Textstellen offenzulegen? Kann jemand die Bewertung aussetzen, während das Problem untersucht wird? Ohne Autorität wird Kompetenz zu einer privaten Sorge, die der Arbeitsablauf ignorieren darf.

Die Unterscheidung ist wichtig, weil Organisationen oft die einfachste Ebene schulen. Sie erklären, was ein Modell ist, zeigen ein paar Beispiele und bitten die Menschen, eine Nutzungsrichtlinie zu akzeptieren. Die Menschen gehen mit neuen Wörtern und den alten Anreizen. Wenn Geschwindigkeit belohnt wird und Hinterfragen als Behinderung behandelt wird, lernt eine Person, die ein Problem erkennt, zu schweigen. Die Organisation kann dann ein hohes Bewusstsein melden, während ihre Entscheidungen unverändert bleiben. Das Abzeichen ist echt. Die Kompetenz ist dekorativ.

Eine praxisorientierte Sichtweise stellt eine andere Frage: Was sollte eine Person an dem Punkt erkennen und tun können, an dem ein KI-System ihre Arbeit berührt? Die Antwort variiert je nach Rolle. Eine Person, die mit einem öffentlichen Dienst interagiert, muss wissen, wann eine Maschine beteiligt ist, was angefochten werden kann und wo sie nach einem menschlichen Weg fragen kann. Eine Sachbearbeiterin muss den Zweck des Systems, die Beweislage, die Unsicherheit und den Weg der Aufhebung verstehen. Eine Führungskraft muss entscheiden, ob die Aufgabe für Automatisierung geeignet ist und ob das Team Zeit hat, das Ergebnis zu prüfen. Eine Entwicklerin muss die Daten- und Modellgrenze, die Fehlermodi und die Aufzeichnungen kennen, die eine Änderung überstehen müssen. Dies alles als Kurs zu bezeichnen, verbirgt die Unterschiede, die die Arbeit sicher machen.

Der neue Gesetzestext schafft Raum für diese Vielfalt. Die Verordnung (EU) 2026/1744 besagt, dass KI-Kompetenz in der allgemeinen und beruflichen Bildung beginnen und durch lebenslanges Lernen fortgesetzt werden sollte. Sie erkennt auch an, dass verschiedene Anbieter und Bereitsteller unterschiedlichen Belastungen und Kontexten gegenüberstehen. Das ist keine Einladung, nichts zu tun. Es ist eine Einladung, aufzuhören, so zu tun, als könne eine einzige Prüfung die Fähigkeit messen, in jedem System, Sektor und jeder Gruppe betroffener Menschen verantwortungsvoll zu handeln.

Praxis hat eine weitere nützliche Eigenschaft: Sie deckt Lücken auf, ohne Menschen dafür zu beschämen. Eine Person mag verstehen, dass ein Sprachmodell wahrscheinliche Fortsetzungen vorhersagt, und dennoch nicht wissen, wie ein bestimmtes Abrufsystem Dokumente auswählt. Eine Datenverantwortliche mag die Herkunft verstehen und dennoch keine Berechtigung haben, den Index zu ändern. Eine Führungskraft mag wissen, dass ein Mensch ein Hochrisikosystem überwachen muss, und dennoch keine Zeit für eine sinnvolle Prüfung eingeplant haben. Das sind Gestaltungslücken, keine persönlichen moralischen Versäumnisse. Eine kompetente Organisation macht sie sichtbar, damit sie sie beheben kann.

KI-Kompetenz wird sichtbar, wenn eine Nutzung des Systems die nächste Nutzung besser verständlich macht, nicht erst, wenn eine Person eine Lektion abschließt.

Bewusstsein ist die Tür, nicht der Raum

Bewusstsein wird oft abgetan, weil es weich klingt. Das ist ein Fehler. Menschen können ein System nicht hinterfragen, das sie nicht benennen können, und sie können ein System nicht benennen, wenn jede Software als intelligent beschrieben wird. Bewusstsein gibt einer Organisation eine gemeinsame Sprache, um ein Modell von einer Oberfläche zu unterscheiden, eine Vorhersage von einer Entscheidung, eine Quelle von einer Zusammenfassung, eine Anweisung von einem Stück abgerufenen Inhalts und eine Konfidenzanzeige von einem Beleg für Korrektheit.

Die Sprache muss nicht großartig sein. Sie muss genau genug sein, um einen Kategorienfehler zu verhindern. Eine Suchmaschine, eine regelbasierte Anspruchsprüfung, ein Klassifikator, ein generativer Assistent und ein Workflow-Agent können alle im selben Produktkatalog erscheinen. Ihre Mechanismen und Risiken sind unterschiedlich. Wenn Mitarbeitende sie alle KI nennen und dabei stehen bleiben, verlieren sie die Fragen, die folgen sollten. Welche Daten sieht das System? Was ist sein beabsichtigter Zweck? Was gibt es zurück? Wer handelt auf der Grundlage des Ergebnisses? Welche Fehler sind relevant? Was kann rückgängig gemacht werden? Welche Menschen sind betroffen, auch wenn sie die Oberfläche nie berühren?

Bewusstsein umfasst auch das soziale Umfeld. Die Leitlinien der UNESCO für generative KI in Bildung und Forschung beschreiben menschliche Fähigkeiten als Teil eines menschenzentrierten Ansatzes. Sie stellt technisches Verständnis neben Datenschutz, Gerechtigkeit, Inklusion, sprachliche und kulturelle Vielfalt sowie sinnvolle Nutzung. Es geht nicht darum, dass jede Mitarbeiterin und jeder Mitarbeiter zur Politikforscherin oder zum Politikforscher wird. Es geht darum, dass ein System nicht neutral wird, nur weil es in einer vertrauten Anwendung platziert ist. Derselbe generierte Absatz kann in einem Kontext ein harmloses Schreibhilfsmittel sein und in einem anderen eine ungeprüfte Entscheidung.

Eine Person, die sich des Kontexts bewusst ist, kann den Unterschied zwischen einer Bitte um Hilfe und einer Übertragung von Befugnissen hören. Bittet man das System, Fragen für ein Meeting vorzuschlagen, bleibt die Nutzerin oder der Nutzer die Autorin oder der Autor des Meetings. Bittet man es zu entscheiden, welche Bewohnerin oder welcher Bewohner eine knappe Leistung erhält, betritt das System ein anderes moralisches und rechtliches Terrain. Die Worte auf dem Bildschirm mögen ähnlich aussehen. Die Aufgabengrenze ist es nicht. Bewusstsein ist die Gewohnheit, wahrzunehmen, dass sich die Grenze verschoben hat.

Öffentliche Einrichtungen benötigen dieses Bewusstsein in besonders disziplinierter Form. Ihre Systeme können Menschen betreffen, die sich nicht abmelden können, die nicht wissen, welche automatisierten Werkzeuge beteiligt sind, oder die es sich nicht leisten können, nach einem Fehler einen zweiten Versuch zu unternehmen. Ein Serviceteam braucht daher mehr als eine allgemeine Aussage, dass KI ungenau sein kann. Es braucht eine Sprache, um den Weg zu erklären, den eine Person gehen kann, wenn das System falsch liegt, wenn Daten fehlen oder wenn die Antwort niemals hätte automatisiert werden dürfen.

Unternehmen brauchen dieselbe Begrifflichkeit auch aus weniger offensichtlichen Gründen. Ein Anbieter mag ein Ranking-System als Entscheidungsunterstützung bezeichnen, während der Prozess des Kunden das Ranking als Entscheidung behandelt, weil niemand Zeit hat, es zu überprüfen. Ein Marketingteam mag ein Übersetzungstool für interne Entwürfe nutzen und die Ausgabe dann ohne zweite Prüfung in eine öffentliche Bekanntmachung übernehmen. Ein Recruitingteam mag einen Screening-Score als Bequemlichkeit bezeichnen und ihn stillschweigend nutzen, um Bewerber auszusortieren. Bewusstsein deckt diese Verschiebungen auf, bevor sie in einem Workflow-Diagramm begraben werden.

Bewusstsein sollte daher durch Sprache getestet werden, die zur Organisation gehört. Bitten Sie ein Team, ein System zu beschreiben, ohne die Wörter smart, automatisiert oder intelligent zu verwenden. Fragen Sie, welche Informationen es erhält, was es produziert und wer das Ergebnis ändern kann. Wird die Erklärung vage, hat die Organisation einen nützlichen Schulungsbedarf gefunden. Die Übung ist einfach, aber Einfachheit hat eine lange Geschichte der Unterschätzung durch Menschen, die ein kompliziertes Dashboard genießen.

Kompetenz hat eine Aufgabe

Kompetenz ist anspruchsvoller als Anerkennung, weil sie spezifisch ist. Eine Person ist nicht einfach kompetent im Umgang mit KI. Sie ist kompetent, eine definierte Aufgabe mit einem definierten System unter definierten Bedingungen auszuführen. Die Fragen und Antworten der Kommission binden Kompetenz wiederholt an den Kontext und Zweck des Systems, das Wissen der beteiligten Personen und das Risiko der Nutzung. Das ist eine bessere Beschreibung von Kompetenz als eine Liste allgemeiner Prompt-Tricks.

Für einen normalen Nutzer kann Kompetenz bedeuten, zu wissen, welche Informationen eingegeben werden können, welche Ausgabe überprüft werden muss, wie das Quellmaterial erhalten bleibt und wann man aufhören sollte. Es kann die Fähigkeit umfassen, eine generierte Antwort von einem abgerufenen Abschnitt zu unterscheiden, den Link hinter einer Behauptung zu prüfen, einen fehlenden Qualifikator zu erkennen und einen Fehler so zu melden, dass eine andere Person ihn reproduzieren kann. Das sind praktische Fähigkeiten. Sie verlangen nicht, dass der Nutzer einen Transformer implementiert, aber sie verlangen mehr, als zu glauben, dass das System die Richtlinie der Organisation gelesen hat.

Für einen Prüfer umfasst Kompetenz die Fähigkeit, die Ausgabe herauszufordern. Der Prüfer benötigt einen Testsatz, der der Arbeit ähnelt, eine Möglichkeit zu sehen, welche Beweise das System verwendet hat, und eine klare Aussage darüber, was als akzeptables Ergebnis gilt. Betrifft die Aufgabe ein öffentliches Recht oder den Lebensunterhalt einer Person, benötigt der Prüfer außerdem genügend Fachwissen, um eine Antwort zu erkennen, die grammatikalisch sauber und inhaltlich falsch ist. Sprachgewandtheit ist eine Eigenschaft der Oberfläche. Kompetenz ist ein Urteil über die Aufgabe.

Für einen Manager umfasst Kompetenz die Entscheidung, ob die Aufgabe überhaupt automatisiert werden sollte. Diese Entscheidung erfordert ein Verständnis der Arbeit hinter dem Etikett. Eine Aufgabe kann repetitiv sein und dennoch eine entscheidende Ausnahme enthalten. Eine Entscheidung kann für einen erfahrenen Fachmann Routine sein und dennoch zu folgenreich, um sie ohne sichtbaren Einspruchsweg zu delegieren. Ein Prozess kann technisch messbar und sozial unangemessen zu optimieren sein. Manager, die diese Fragen nicht stellen können, überlassen das Design dem Anbieter und den Standardeinstellungen.

Für einen Ingenieur umfasst Kompetenz, die Grenze des Systems prüfbar zu machen. Welche Modellversion lief? Welche Daten waren verfügbar? Welche Tool-Aufrufe waren erlaubt? Welche Richtlinie oder welcher Prompt wurde angewendet? Welche Unsicherheits- oder Verweigerungsbedingung wurde erreicht? Was passiert, wenn eine Quelle veraltet, widersprüchlich oder fehlend ist? Technisches Personal muss nicht jede Governance-Frage lösen, aber es muss verhindern, dass das System die Informationen auslöscht, die Governance später benötigen wird.

Die Hochrisikobestimmungen der KI-Verordnung machen dies konkret. In den FAQ der Kommission heißt es, dass Betreiber von Hochrisikosystemen sicherstellen müssen, dass Mitarbeiter, die in der Praxis mit diesen Systemen arbeiten, im Umgang mit ihnen geschult sind und die menschliche Aufsicht gewährleisten können. Es reicht nicht, lediglich Anweisungen neben das Werkzeug zu legen. Die Menschen, die die Arbeit verrichten, brauchen die Fähigkeiten und die praktischen Voraussetzungen, um den Aufsichtsmechanismus zu nutzen. Wenn die bedienende Person die Ausgabe nicht verstehen oder den Prozess nicht unterbrechen kann, wird das Wort menschlich in menschliche Aufsicht zu einem dekorativen Nomen.

Kompetenz entsteht, wenn die Organisation Menschen unter realen Bedingungen üben lässt. Ein Datenschutzteam kann eine hypothetische Anfrage mit personenbezogenen Daten durcharbeiten und entscheiden, was in das System gelangen darf. Ein Team im öffentlichen Dienst kann eine Ablehnung und eine Eskalation proben, ohne den Fall einer echten Person zu verwenden. Ein Produktteam kann ein verändertes Modell gegen einen festen Bewertungssatz erneut ausführen und besprechen, welche Unterschiede relevant sind. Diese Übungen sind kein Beleg dafür, dass eine künftige Bereitstellung sicher sein wird. Sie sind Proben für die Entscheidungen, die Sicherheit erfordert.

Es gibt eine wichtige Grenze. Kompetenz kann fehlende Belege nicht ersetzen. Eine hochqualifizierte Prüfperson kann eine Behauptung nicht verifizieren, wenn die Quelle verschwunden ist, und eine gut geschulte bedienende Person kann ein System nicht übersteuern, wenn die Schnittstelle keine Übersteuerung bietet. Schulung kann das Fehlen aufdecken, aber sie kann es nicht durch bloßen Enthusiasmus füllen. Organisationen reagieren auf ein fehlendes Kontrollelement manchmal mit der Planung eines weiteren Kurses. Der Zeitplan wird zu einem Denkmal für die Kontrolle, die nie gebaut wurde.

Befugnis ist die fehlende Hälfte

Befugnis ist der Teil der KI-Kompetenz, den Organisationen lieber implizit lassen. Es geht darum, wer entscheiden darf, wer ablehnen darf, wer einen Prozess anhalten darf, wer eine Regel ändern darf und wer die Konsequenzen trägt, wenn ein System falsch liegt. Befugnis ist nicht dasselbe wie Rang. Eine Person in leitender Position kann ein System genehmigen und dennoch nicht in der Lage sein, dessen Belege zu prüfen. Eine Mitarbeiterin an der Front kann ein Problem zuerst erkennen und dennoch zu hören bekommen, dass nur ein Anbieter es ändern kann.

Menschliche Aufsicht wird oft so beschrieben, als ob eine Person, die in der Nähe eines Dashboards steht, ausreichen würde. Das ist nicht der Fall. Aufsicht braucht eine Person mit Zeit, Wissen und Befugnis, um die Ausgabe zu verstehen, zu erkennen, wann sie außerhalb des Rahmens liegt, und einzugreifen. Die Hochrisikoanforderungen der KI-Verordnung machen den Schulungspunkt explizit, aber das zugrunde liegende Prinzip gilt allgemeiner. Eine Person kann keine Aufsicht über einen Prozess ausüben, der Eingriffe als Effizienzfehler behandelt.

Betrachten wir einen hypothetischen Wohnungsdienst, der ein Werkzeug zum Sortieren eingehender Anträge für die Prüfung verwendet. Das System darf eine Reihenfolge vorschlagen, aber die Organisation muss dennoch entscheiden, was geschieht, wenn der Quelldatensatz unvollständig ist, wenn die Umstände einer Person nicht in die Kategorien passen oder wenn die Sortierregel mit einer gesetzlichen Pflicht kollidiert. Ein kompetentes Team weiß nicht nur, dass das Modell falsch liegen kann. Es weiß, wer die Warteschlange anhalten kann, wer eine Ausnahme machen kann, welche Aufzeichnung geführt wird und wie die betroffene Person über das Geschehene informiert wird. Das Beispiel ist bewusst hypothetisch. Sein Zweck ist zu zeigen, dass Befugnis eine Eigenschaft des Arbeitsablaufs ist, keine Charaktereigenschaft.

Befugnis hat auch eine umgekehrte Richtung. Menschen, die von einem System betroffen sind, brauchen einen Weg, es infrage zu stellen, auch wenn sie das System nie gewählt haben. Eine Kundin, ein Student, eine Patientin, ein Antragsteller oder eine Bewohnerin muss die interne Mathematik des Modells nicht verstehen. Sie müssen wissen, ob eine Maschine beteiligt war, welche Art von Entscheidung sie beeinflusst hat, welche menschliche Stelle das Ergebnis überprüfen kann und welche Informationen dieser Prüfung helfen würden. Kompetenz gehört ebenso der Person auf der Empfängerseite wie der Person, die das Werkzeug bedient.

Deshalb ist Eskalation keine Bestrafung. Sie ist ein Informationsweg für Fälle, die der automatisierte Pfad nicht sicher aufnehmen kann. Ein nützlicher Eskalationsbericht hält fest, was das System tun sollte, welche Belege es gesehen hat, was es zurückgegeben hat, warum das Ergebnis infrage gestellt wurde und wer über das weitere Vorgehen entschieden hat. Er muss nicht jede gewöhnliche Interaktion in eine juristische Akte verwandeln. Er muss aber genug Kontext bewahren, damit ein wiederholter Fehler sichtbar wird, statt als isolierte Nutzerbeschwerde abgetan zu werden.

Zuständigkeiten sollten vor dem Einsatz geübt werden. Wer drückt auf Stopp? Wer kann ein neues Modell freigeben? Wer kann einen Schwellenwert ändern? Wem gehört eine umstrittene Datenquelle? Wer kann einem Anbieter mitteilen, dass ein Ergebnis nicht akzeptabel ist? Wer informiert die betroffenen Personen? Wer entscheidet, ob das System nach einem Vorfall zurückkehrt? Wenn die Antworten Namen statt Rollen sind, ist die Regelung fragil. Menschen gehen, wechseln den Job oder sitzen in einer Besprechung. Rollen überstehen einen Kalender.

Die menschlichste Antwort ist nicht immer, einer bereits vielbeschäftigten Fachkraft noch mehr Entscheidungen aufzubürden. Zuständigkeit hat einen Preis. Sie erfordert Zeit, Zugang zu Belegen, Unterstützung durch das Management und einen Prozess, der eine begründete Weigerung nicht bestraft. Wenn eine Organisation nominelle Zuständigkeit ohne diese Bedingungen gewährt, schafft sie einen Sündenbock statt einer Aufsicht. Die Person wird für ein Ergebnis verantwortlich, das sie nicht beeinflussen konnte. Das ist ein vertrautes Managementmuster mit einer neuen Oberfläche.

Die Quellendisziplin hinter jeder Antwort

KI-Kompetenz wird oft an den Ausgaben festgemacht, weil Ausgaben das sind, was Menschen sehen. Der schwierigere Teil ist zu lernen, zu fragen, was in das System gelangt ist. Eine generierte Antwort kann flüssig sein, während die Quellenlage veraltet, unvollständig, nicht autorisiert oder mit Material vermischt ist, das nie zur Steuerung der Aufgabe gedacht war. Ein Retrieval-System kann einen relevanten Absatz aus der falschen Version einer Richtlinie zurückgeben. Eine Zusammenfassung kann den Satz weglassen, der eine Ausnahme enthält. Ein Prompt kann eine Anweisung enthalten, die als Dokument getarnt ist. Quellendisziplin ist die Gewohnheit, Eingaben als reglementiertes Material zu behandeln und nicht als bequemen Kontext.

Menschen müssen nicht jedes Implementierungsdetail kennen, um Quellendisziplin zu üben. Sie müssen aber eine kurze Reihe von Fragen stellen. Was ist die Quelle? Wem gehört sie? Wann war sie gültig? Ist sie für diese Aufgabe maßgeblich? Wurde sie verändert? Kann das System die Passage oder den Datensatz zeigen, die die Antwort geprägt haben? Welche Daten wurden ausgeschlossen und aus welchem Grund? Was soll passieren, wenn zwei Quellen widersprüchlich sind? Diese Fragen sind gleichermaßen nützlich für einen Richtlinien-Assistenten, ein klinisches Suchwerkzeug, einen Code-Begleiter und einen öffentlichen Informationsdienst.

Eine Quelle ist nicht allein deshalb maßgeblich, weil sie leicht abrufbar ist. Gemeinsame Ordner enthalten Entwürfe. Datenbanken enthalten Duplikate. Eine modellgenerierte Zusammenfassung kann so indexiert worden sein, als wäre sie ein Primärdatensatz. Eine Übersetzung kann eine rechtliche Einschränkung verloren haben. Ein Dokument kann aktuell sein und dennoch außerhalb des Zwecks liegen, für den das System es verwenden darf. Kompetenz macht diese Unterscheidungen zu einem Teil der normalen Arbeit, statt sie zu einem Spezialthema zu machen, das erst nach einer Beschwerde auftaucht.

Quellendisziplin verändert auch die Art, wie Menschen über Sicherheit sprechen. Ein Ergebnis mit hoher Sicherheit ist kein starkes Indiz, wenn die relevante Quelle fehlt. Ein vorsichtiges Ergebnis kann das verantwortungsvolle Resultat sein, wenn die Quellenlage unvollständig ist. Die Organisation sollte Nutzer nicht dazu erziehen, flüssige Gewissheit zu belohnen und eine nützliche Verweigerung zu bestrafen. Wenn das System nicht innerhalb der erlaubten Belege antworten kann, kann der nächste Schritt sein, den Eigentümer der Quelle zu finden, eine menschliche Beurteilung zu erbitten oder die Frage einzugrenzen.

The source path should be visible at the right level. A user may need a link to the policy passage. A reviewer may need the version and transformation history. An auditor may need the complete input lineage. The information can be layered without being hidden. A tool that shows only a green confidence badge asks the user to trust an abstraction. A tool that shows the evidence and its limits lets the user exercise judgement.

This is also a literacy issue for procurement. A buyer should ask whether the supplier can describe the data boundary, export records, preserve version history, and explain what happens when a source is withdrawn. These are not only technical requirements. They determine whether the organisation can learn from an error. If the contract gives the buyer an answer but not the evidence behind it, the buyer has purchased prose and retained the risk.

Escalation is a form of knowledge

Organisations often treat escalation as a sign that the system has failed to deliver efficiency. A better view is that escalation is how the organisation learns where automation stops being trustworthy. Every escalation contains information about the boundary between the task and the world. The case may be unusual, the source may be defective, the policy may be ambiguous, the interface may have hidden a condition, or the workflow may have assigned authority to the wrong person.

A good escalation route is specific. It tells the user what to record, who receives the case and what response to expect. It distinguishes a missing source from a suspected harmful output, and a technical outage from a policy conflict. The distinction is not paperwork for its own sake. It allows the organisation to repair the correct layer. Re-training a model cannot fix a missing legal source. Updating a policy cannot fix an interface that gives nobody the ability to stop.

Escalation must be safe for the person who uses it. If a worker is measured only on speed, every escalation looks like a personal cost. If a public-service employee risks criticism for delaying a case, the system will accumulate silent overrides rather than visible records. Management has to make the prudent route legitimate. The alternative is a culture in which people are literate enough to see the problem and disciplined enough to hide it.

The European Commission’s own internal measures, described in its Article 4 questions and answers, are instructive because they extend beyond a single course. The Commission says it has developed an internal competency framework for basic AI literacy, learning packages for different groups including generalists, managers and developers, a portal with tool-specific resources, question-and-answer sessions, a community of practice, a monthly newsletter and an AI Champions network. These are not presented as a universal template, and the Commission notes that its internal framework may change as common objectives evolve. The important idea is the network: knowledge has a route through the organisation.

A community of practice is useful because it turns isolated questions into shared memory. A person can ask why a system behaved oddly, compare the answer with another team’s experience, and find someone who understands the domain. That does not replace formal ownership. It makes ownership easier to locate. A newsletter can point to a new risk, but it cannot decide whether a local workflow should change. An AI champion can help a team learn, but should not become the only person who knows how the system works.

Eskalationen sollten auch wieder in die Schulung einfließen. Wenn dieselbe Verwirrung wiederholt auftritt, handelt es sich nicht mehr um eine individuelle Wissenslücke. Es kann bedeuten, dass die Oberfläche irreführend ist, die Richtlinie unklar ist, die Nachweise nicht offengelegt werden oder die Rollengrenze falsch gezogen ist. Die Organisation kann dann die betreffende Ebene aktualisieren. Schulung ist eine Option. Ein besseres Label, eine sicherere Standardeinstellung, ein zusätzlicher Datensatz oder ein geänderter Genehmigungsweg können mehr bewirken.

Genau dieses Feedback ist der Grund, warum die Muskelmetapher wichtig ist. Ein Muskel wächst durch Widerstand. Eskalationen sind der Widerstand in einem KI-Workflow. Entfernt man sie, um das Dashboard ruhig wirken zu lassen, verliert die Organisation die Signale, die sie stärker gemacht hätten. Ein ruhiges System kann gesund sein. Es kann aber auch ein System sein, dessen Nutzer aufgehört haben zu melden, was sie sehen.

Gewohnheiten schlagen Ereignisse

Ein Kurs ist ein Ereignis. Kompetenz ist ein Muster kleiner Verhaltensweisen, die vor, während und nach der Nutzung eines Systems wiederholt werden. Vor der Nutzung identifizieren die Menschen die Aufgabe, den Zweck, die zulässigen Daten, die betroffenen Personen und die Autorität, die menschlich bleibt. Während der Nutzung prüfen sie die Nachweise, bemerken Unsicherheiten, dokumentieren wichtige Entscheidungen und eskalieren, wenn das System seine Grenzen verlässt. Nach der Nutzung überprüfen sie die Ergebnisse, bewahren relevante Aufzeichnungen auf und beheben die Quelle, die Richtlinie, die Schulung oder das System, wenn dasselbe Problem erneut auftritt.

Diese Gewohnheiten müssen in die Arbeit eingebaut werden. Eine Eingabeaufforderung, die nach der Quelle hinter einer Antwort fragt, ist nützlicher als ein Poster, das zur Kritikfähigkeit aufruft. Ein Pflichtfeld für die entscheidungsverantwortliche Person ist nützlicher als eine Schulungsfolie über Verantwortlichkeit. Ein sichtbares Stopp-Element ist nützlicher als ein Absatz, der die Mitarbeitenden daran erinnert, dass sie die Verantwortung behalten. Kontrollen ersetzen kein Urteilsvermögen, aber sie können gutes Urteilsvermögen an einem Dienstagnachmittag leichter anwendbar machen.

Gewohnheiten müssen auch zum Tempo der Arbeit passen. Ein öffentlicher Informationsschalter kann nicht für jeden Entwurf mit geringen Konsequenzen eine lange Prüfung durchführen. Ein sicherheitskritischer Workflow kann eine schnelle Sichtprüfung nicht als sinnvolle Aufsicht behandeln. Die Organisation sollte Evidenz- und Prüfungsstufen festlegen, die zur Aufgabe und ihren möglichen Konsequenzen passen. Es geht um Verhältnismäßigkeit, nicht um Minimalismus. Eine kleine Aufgabe mit großer Wirkung auf einen anderen Menschen verdient mehr Sorgfalt als eine große Aufgabe ohne bedeutsame Konsequenz.

Es gibt einen nützlichen Unterschied zwischen einer Regel und einer Gewohnheit. Eine Regel besagt, keine vertraulichen Daten in ein nicht freigegebenes Tool einzugeben. Eine Gewohnheit fragt, bevor man das Tool öffnet, welche Daten tatsächlich notwendig sind und ob der Zweck ihre Verwendung erlaubt. Eine Regel besagt, dass ein Mensch eine Empfehlung prüfen muss. Eine Gewohnheit fragt, ob die prüfende Person die Nachweise, die Zeit und die Autorität hat, um diese Prüfung real durchzuführen. Eine Regel besagt, Vorfälle zu melden. Eine Gewohnheit bemerkt Beinahe-Vorfälle, bevor sie meldepflichtige Vorfälle werden, und behandelt sie als Lernmaterial.

Gewohnheiten können beobachtet werden, ohne Menschen zu Überwachungsobjekten zu machen. Die Organisation kann prüfen, ob ein Workflow seine Quelle offenlegt, ob ein Eskalationsweg genutzt wird, ob Modelländerungen eine Überprüfung auslösen und ob Aufzeichnungen reproduzierbar sind. Sie sollte eine hohe Anzahl von Klicks nicht mit einem hohen Maß an Kompetenz verwechseln. Eine Person kann jedes Kästchen ankreuzen und die Entscheidung dennoch missverstehen. Beobachtbarkeit ist nützlich, wenn sie die Bedingungen für Urteilsvermögen misst, nicht wenn sie den Anschein von Compliance belohnt.

Das Repository für Kompetenzpraktiken des KI-Büros folgt dieser praktischen Logik. Die Kommission beschreibt mehr als vierzig Initiativen von Unternehmen und dem öffentlichen Sektor, darunter E-Learning, Präsenzschulungen, Bootcamps und die Zusammenarbeit zwischen Industrie und Wissenschaft. Sie stellt außerdem fest, dass das Kopieren einer Praxis aus dem Repository nicht automatisch eine Vermutung der Konformität begründet. Dieser Hinweis ist wichtig. Eine Praxis kann eine nützliche Idee sein, ohne ein Beleg dafür zu sein, dass eine andere Organisation ihren eigenen Kontext bewältigt hat.

Was übernommen werden kann, ist die Gewohnheit, zu fragen, wie eine Praxis mit der Arbeit verbunden ist. Erreicht sie die Menschen, die das System bedienen? Deckt sie die Risiken der Aufgabe ab? Gibt sie den Menschen einen Weg, Fragen zu stellen und Korrekturen anzuregen? Ändert sie sich, wenn sich das System oder der Kontext ändert? Schafft sie eine Aufzeichnung, die der Organisation hilft, zu lernen? Das Format kann variieren. Die Fragen sollten bleiben.

Die Menschen, auf die ein System angewendet wird

KI-Kompetenz richtet sich oft an das Personal, weil das Personal das am einfachsten in einem Raum zu versammelnde Publikum ist. Das Gesetz und das öffentliche Interesse sind weiter gefasst. Die Erläuterung der Kommission fordert Organisationen auf, die Menschen oder Gruppen zu berücksichtigen, auf die ihre Systeme angewendet werden. Dieser Satz hält die betroffene Person im Gestaltungsgespräch, selbst wenn sie das Modell nie sieht, der Einführung nie zugestimmt hat und nie die Schulungseinladung erhalten hat.

Für betroffene Menschen bedeutet Kompetenz eine andere Art von Zugang. Sie müssen möglicherweise wissen, dass ein automatisiertes System eine Dienstleistung beeinflusst hat, welche Art von Einfluss es hatte, welche Informationen berücksichtigt wurden und wie sie eine Überprüfung beantragen können. Die genauen Rechte und Hinweise hängen vom System und vom anwendbaren Recht ab. Das allgemeine Prinzip ist stabil: Eine Person sollte maschinelles Lernen nicht verstehen müssen, bevor sie eine Entscheidung anfechten kann, die für sie von Bedeutung ist.

Kommunikation ist Teil der Kontrolle. Ein Hinweis voller Fachbegriffe kann formal transparent und praktisch nutzlos sein. Eine kurze Erklärung, die den Zweck, den menschlichen Weg und die Einschränkung benennt, kann mehr für die Handlungsfähigkeit tun. Die Organisation sollte die Erklärung mit den Menschen testen, die sie benötigen, nicht nur mit den Ingenieuren, die das System gebaut haben. Klarheit ist keine dekorative Eigenschaft. Sie entscheidet, ob eine Anfechtung beginnen kann.

Sprache ist auch hier von Bedeutung. Die Leitlinien der UNESCO stellen sprachliche und kulturelle Vielfalt in ihren menschenzentrierten Ansatz für generative KI. Eine übersetzte Mitteilung kann dennoch scheitern, wenn sie den Unterschied zwischen einer Einladung und einer Verpflichtung verliert oder wenn sie einen Begriff verwendet, den die Menschen in der Dienstleistung, auf die sie zugreifen möchten, nicht erkennen. Kompetenz umfasst daher auch die Fähigkeit zu fragen, ob die Botschaft die Übersetzung überlebt hat und ob die Person sie nutzen kann, um zu handeln.

Öffentliche Einrichtungen sollten mit der Idee der informierten Nutzung besonders vorsichtig sein. Menschen werden nicht informiert, weil eine Webseite eine Offenlegung enthält. Sie werden informiert, wenn die Erklärung an dem Punkt ankommt, an dem sie ihre Wahl beeinflusst, wenn der menschliche Weg real ist und wenn die Einrichtung zeigen kann, was sie mit den erhaltenen Informationen getan hat. Die Last ist höher, wenn die Einrichtung Macht ausübt und die Person keine praktische Alternative hat.

Unternehmen stehen in Kunden- und Beschäftigungsdienstleistungen vor demselben Problem. Ein Unternehmen kann seine Mitarbeiter gründlich schulen und dennoch Kunden zurücklassen, die nicht verstehen können, warum eine Punktzahl ihre Bewerbung beeinflusst hat. Ein Arbeitsplatz kann Führungskräfte schulen und dennoch Arbeitnehmer einem Planungssystem aussetzen, das sie nicht in Frage stellen können. Kompetenz ist unvollständig, wenn die Organisation ihr Werkzeug versteht, aber die Person, die die Konsequenzen trägt, mit einer Blackbox und einem allgemeinen Kontaktformular zurückgelassen wird.

Die Gestaltung für betroffene Menschen verbessert auch das System. Fragen von Anwohnern, Patienten, Bewerbern und Arbeitnehmern decken oft Annahmen auf, die interne Tests übersehen haben. Die Frage ist nicht, ob jede Beschwerde richtig ist. Die Frage ist, ob die Organisation eine individuelle Meinungsverschiedenheit von einem Muster unterscheiden kann, das auf eine fehlerhafte Datenquelle, eine unfaire Schwelle oder eine irreführende Erklärung hinweist. Ein Weg zur Anfechtung ist auch ein Weg für Beweise.

Eine öffentliche Einrichtung muss ihre eigenen Grenzen lehren

Öffentliche Einrichtungen haben eine Lehraufgabe, auch wenn sie sich selbst nicht als Lehrende verstehen. Jeder automatisierte Dienst vermittelt den Menschen, was die Einrichtung für normal, belegbar und anfechtbar hält. Ein System, das nur strukturierte Nachweise akzeptiert, lehrt die Bürgerinnen und Bürger, dass ihr Leben in ein Formular passen muss. Ein System, das eine generierte Erklärung ohne menschlichen Ansprechpartner zurückgibt, lehrt sie, dass die Einrichtung Verantwortung delegiert hat. Ein System, das seine Grenzen klar benennt, vermittelt eine andere Lektion: Technologie kann eine öffentliche Aufgabe unterstützen, aber sie ersetzt die Aufgabe nicht.

Die aktualisierten ethischen Leitlinien der Europäischen Kommission für den Einsatz von KI und Daten in Lehre und Lernen bieten ein konkretes öffentliches Beispiel für diese Lehraufgabe. Die Leitlinien richten sich in erster Linie an Lehrkräfte und pädagogisches Personal, einschließlich Menschen mit wenig oder keiner Vorerfahrung sowie Personen mit fortgeschrittenen digitalen Kompetenzen. Die Aktualisierung von 2026 ergänzt praktische Szenarien, ein aktualisiertes Glossar und rechtlichen Kontext, der den AI Act und die DSGVO abdeckt. Die Form ist lehrreich, aber das Prinzip lässt sich gut übertragen: Menschen brauchen Definitionen, Fragen und Beispiele, die ihnen helfen, eine kontextbezogene Entscheidung zu treffen.

Die Leitlinien machen aus Lehrkräften keine Compliance-Beauftragten. Sie helfen Pädagoginnen und Pädagogen, potenzielle Vorteile, versteckte Risiken und die Verantwortlichkeiten zu verstehen, die mit dem Einsatz von KI und Daten im Umfeld von Lernenden verbunden sind. Diese Unterscheidung ist wichtig. Gute Kompetenz macht Fachleute nicht misstrauisch gegenüber jedem Werkzeug. Sie gibt ihnen genug Verständnis, um zu entscheiden, wo ein Werkzeug hilft, wo es Grenzen braucht und wo die menschliche Beziehung vorrangig bleiben muss.

Ein hypothetischer Schulvorstand veranschaulicht den Unterschied. Kauft er einen Schreibassistenten und bietet eine allgemeine Vorführung an, lernen Lehrkräfte vielleicht, wie sie Material schnell erstellen können. Fragt er zusätzlich, welche Schülerdaten in das System gelangen, wie generiertes Material geprüft wird, wie eine Schülerin oder ein Schüler eine automatisierte Markierung anfechten kann und wer das Werkzeug stoppen kann, baut der Vorstand institutionelle Kompetenz auf. Das zweite Gespräch dauert vielleicht länger. Es ist auch das Gespräch, das das erste verantwortungsvoll macht.

Öffentliche Einrichtungen sollten ihr eigenes Lernen veröffentlichen, soweit Vertraulichkeit und Sicherheit es zulassen. Eine kurze Beschreibung des Zwecks eines Systems, seiner Nachweisgrenzen, des Prüfwegs und der bekannten Grenzen kann Bürgerinnen und Bürgern, Personal und Anbietern helfen, über denselben Gegenstand zu sprechen. Öffentliche Dokumentation gibt auch der Zivilgesellschaft und Aufsichtsorganen etwas Konkretes, das sie hinterfragen können. Ein vages Versprechen verantwortungsvoller Innovation lässt alle über den Ton streiten.

Dies hat eine demokratische Dimension. KI-Kompetenz wird manchmal als Arbeitsmarktprogramm beschrieben, als wären Bürgerinnen und Bürger nur künftige Beschäftigte. Bürgerinnen und Bürger sind auch Wählerinnen und Wähler, Patientinnen und Patienten, Mieterinnen und Mieter, Eltern, Antragstellende, Nachbarinnen und Nachbarn und Menschen, deren Daten im Arbeitsablauf einer anderen Person auftauchen. Ihre Fähigkeit, automatisierte Systeme zu verstehen und anzufechten, ist Teil der öffentlichen Fähigkeit, die für demokratische Kontrolle erforderlich ist. Eine Gesellschaft, die KI nur durch Anbieter-Vorführungen diskutieren kann, hat ihr Vokabular ausgelagert.

Bildung ist eine organisatorische Probe

Schulen und Hochschulen sind natürliche Orte, um KI-Kompetenz zu diskutieren, aber die Lektion sollte nicht im Klassenzimmer enden. Die Leitlinien der UNESCO sagen, dass generative KI sich schneller verändert als viele nationale Regulierungsrahmen, und fordern, dass menschliche Fähigkeiten Schritt halten. Das ist kein Grund, jedes Werkzeug überstürzt in den Unterricht zu bringen. Es ist ein Grund, Menschen beizubringen, Werkzeuge zu bewerten, Daten zu schützen, Grenzen zu erkennen und zu fragen, wer von einer bestimmten Nutzung profitiert.

Die Europäische Kommission und die OECD haben im Juni 2026 einen Rahmen für KI-Kompetenz für die Primar- und Sekundarbildung vorgestellt. Der Rahmen wird als gemeinsame Referenz für Schulen, Lehrkräfte, Schulleitungen, politische Entscheidungsträger und Lerndesigner beschrieben, mit Raum für Anpassung an lokale Gegebenheiten. Eine gemeinsame Referenz ist nützlich, weil sie die Versuchung verringert, Kompetenz als das zu definieren, was ein Anbieter gerade verkauft. Anpassung ist ebenso wichtig, denn eine Schule, ein Forschungsinstitut und ein öffentlicher Dienst stehen nicht vor denselben Aufgaben oder denselben betroffenen Menschen.

Bildung kann die Gewohnheiten vorleben, die Organisationen später brauchen. Schülerinnen und Schüler können eine generierte Erklärung mit einer Quelle vergleichen, dokumentieren, was sich geändert hat, eine selbstsichere Antwort hinterfragen und besprechen, wann ein Mensch die Verantwortung behalten sollte. Lehrkräfte können Unsicherheit sichtbar machen, statt sie als Versagen des Unterrichts zu behandeln. Schulleitungen können die Beschaffungs- und Datenfragen in die Entscheidung einbeziehen, statt sie einer begeisterten Einzelperson mit einem kostenlosen Konto zu überlassen.

Bei diesen Praktiken geht es nicht darum, Kinder für die Steuerung kommerzieller Systeme verantwortlich zu machen. Es geht darum, Menschen ein dauerhaftes Vokabular zu geben, bevor sie in Arbeitsumgebungen und öffentliche Einrichtungen eintreten, wo die Einsätze höher sein können. Erwachsene brauchen dieselbe Gelegenheit. Eine Führungskraft, die in der Schule gelernt hat, Quellen zu hinterfragen, kann diese Gewohnheit in einer Beschaffungssitzung nutzen. Eine Einwohnerin, die weiß, dass ein Modell falsch liegen, aber dennoch einflussreich sein kann, kann nach dem richtigen Weg durch einen öffentlichen Dienst fragen.

Bildung zeigt auch, warum Kompetenz nicht auf technisches Können reduziert werden kann. Eine Lehrkraft kann lernen, wie ein Modell Text generiert, und muss dennoch entscheiden, ob die Nutzung die Beziehung zu einem Schüler verändert. Eine Forscherin kann den Trainingsprozess eines Modells verstehen und muss dennoch Rechte und Einwilligung in den Daten prüfen. Ein Schüler kann ein System beeindruckend bedienen und muss dennoch erkennen, wann das System keine geeignete Quelle ist. Menschliches Urteilsvermögen ist eine Fähigkeit, kein Rest, der nach der technischen Lektion übrig bleibt.

Universitäten und Berufsverbände können helfen, indem sie Disziplinen verbinden. KI-Kompetenz gehört zu Recht, Datenmanagement, Design, Ethik, Arbeit, öffentlicher Verwaltung, Gesundheit und Ingenieurwesen, nicht in einen Raum, in dem eine Fachrichtung allen anderen die Zukunft erklärt. Das Ziel ist nicht, jeden Menschen in jedem Bereich zum Experten zu machen. Es geht darum, Experten zu ermöglichen, zu erkennen, wo ihr eigenes Fachgebiet endet und wo ein anderes Fachgebiet hinzugezogen werden muss.

Was die Kommission mit sich selbst tut

Es gibt einen nützlichen Unterschied zwischen einer Politik, die anderen sagt, was sie tun sollen, und einer Institution, die beschreibt, was sie intern tut. Die Fragen und Antworten zu Artikel 4 der Kommission umfassen Letzteres. Sie beschreiben eine interne Politik für eine KI-qualifizierte Belegschaft, einen grundlegenden Kompetenzrahmen für KI-Kompetenz, Lernpakete für Generalisten, Führungskräfte und Entwickler, toolspezifische Ressourcen, Frage-und-Antwort-Sitzungen, eine Community of Practice, einen monatlichen Newsletter und ein Netzwerk von KI-Champions.

Nichts davon sollte als Zaubervorlage behandelt werden. Die Kommission selbst sagt, dass der interne Rahmen angesichts künftiger Empfehlungen geändert werden kann. Die Praktiken sind ein Beispiel dafür, dass eine Institution Kompetenz als Unterstützungssystem behandelt und nicht als einmaliges Ereignis. Ein Rahmen gibt Sprache. Verschiedene Lernpakete erkennen verschiedene Rollen an. Toolspezifische Anleitungen verbinden Lernen mit Arbeit. Eine Community gibt Fragen einen Ort. Champions schaffen einen Weg durch die Organisation, ohne sie zu den einzigen Wissenseigentümern zu machen.

The example also contains a quiet warning. The programme is described in terms of encouraged learning and practical resources, not as proof that every employee can perform every AI task safely. That is the honest boundary. An organisation can build capacity and still have gaps. It can offer training and still discover that a workflow lacks an override. It can publish guidance and still need to revise it when a tool, law or task changes.

The Commission’s public repository makes the same boundary explicit. It collects examples to support learning and exchange, but reproducing a practice does not automatically create a presumption of compliance. That sentence deserves to be repeated because organisations often copy a visible format and leave the invisible reasoning behind. A bootcamp may be useful in one place and irrelevant in another. An e-learning module may reach everyone and change nobody. A community of practice may flourish in a research setting and need a different shape in a public call centre.

The practical question for any organisation is not whether its programme resembles the Commission’s. It is whether people can use what they learned at the moment the system asks them to make a judgement. If they can, the programme is connected to work. If they cannot, the organisation has built a library without a doorway.

A capability map for an ordinary organisation

It helps to map literacy by capability rather than by attendance. The map should show what the organisation needs to do, who performs each part, which evidence supports it and what authority remains human. A small organisation can draw this on one page. A larger one may need a register connected to systems, roles and review cycles. The form matters less than keeping the relationships visible.

The first capability is recognition. The organisation can list the AI systems it provides, deploys or uses on someone else’s behalf, and describe their purpose in ordinary language. It knows which tools are experimental, which are approved, which are embedded in a supplier service and which entered through an individual account. Recognition is not surveillance of every employee’s curiosity. It is a way to stop consequential use from hiding behind a procurement category or an enthusiastic workaround.

The second is evidence. For each task, the organisation knows what data the system receives, what sources are authoritative, how freshness and permission are checked, and what records survive transformation. It can distinguish a generated suggestion from a source record and an evaluation result from a production outcome. Evidence is the part of literacy that turns a claim into something a second person can inspect.

The third is judgement. The organisation can state which actions the system may take, which it may suggest and which remain human decisions. It defines the conditions that require a refusal, an escalation or a review. It makes the trade-off visible when a faster path gives less evidence or less opportunity to contest. Judgement is not an argument against automation. It is the part of the design that says what automation is for.

The fourth is authority. Roles are assigned for approval, oversight, data ownership, incident handling, communication with affected people, supplier challenge and withdrawal. The roles have access and time. A person with a title but no route to stop or change the system is not an oversight mechanism. An escalation mailbox with no owner is a suggestion box in formal clothing.

The fifth is learning. The organisation records what people asked, where the system failed, which assumptions changed and what was repaired. It updates training when the task changes, but it also changes the interface, evidence path, policy or contract when that is the better fix. Learning is not a retrospective report that sits beside the system. It is the system becoming more honest about its limits.

Eine Capability Map hält die Menschen, Belege und Befugnisse rund um ein KI-System sichtbar. Sie ist eine Landkarte der Arbeit, kein Teilnehmerverzeichnis.

So übersteht der Kreislauf ein volles Quartal

Die meisten Literacy-Programme scheitern auf gewöhnliche Weise. Der Auftakt ist gut besucht, die Materialien sind ausgefeilt, und dann kehrt die dringende Arbeit zurück. Neue Werkzeuge kommen über einen Anbieter, ein Team kopiert einen Prompt von einem anderen Team, eine Richtlinie ändert sich, oder ein Modell-Update taucht in einer Versionshinweis auf. Die Organisation spricht weiterhin über Literacy, als ob der ursprüngliche Kurs noch vorhanden wäre. Das ist er nicht. Das System hat sich bewegt, während das Lernen stillstand.

Der erste Schutz ist ein klarer Auslöser für die Überprüfung. Eine Änderung am Modell, an der Datenquelle, am Zweck, an der betroffenen Personengruppe, am Anbieter, am Schwellenwert oder am menschlichen Weg sollte jemanden dazu veranlassen zu fragen, ob die bestehende Praxis noch passt. Der Auslöser muss nicht für jede kleine Änderung einen Ausschuss einberufen. Er muss verhindern, dass eine wesentliche Änderung als Wartung behandelt wird, wenn sie Befugnisse oder Risiko verändert.

Der zweite Schutz ist lokale Verantwortung. Ein zentrales KI-Büro kann Orientierung bieten, aber die Person, die der Aufgabe am nächsten steht, sieht meist zuerst die erste Diskrepanz zwischen dem System und der Arbeit. Diese Person braucht einen benannten Weg, um Fragen zu stellen, ein Problem zu melden und eine Antwort zu erhalten. Lokale Verantwortung verhindert auch, dass das Programm zu einer Reihe abstrakter Prinzipien wird, die niemand auf den Fall von morgen übertragen kann.

Der dritte Schutz ist ein kleiner Satz wiederverwendbarer Fragen. Was tut das System? Welche Belege verwendet es? Was kann es ändern? Wer ist betroffen? Was würde uns zum Anhalten bringen? Wer kann es ändern? Welcher Datensatz lässt uns das Ergebnis später verstehen? Diese Fragen können in der Beschaffung, im Design-Review, in der Mitarbeiteranleitung, in einer öffentlichen Bekanntmachung, in einem Vorfallformular und in einer Schulungsübung auftauchen. Wiederholung ist kein Fehler, wenn die Frage die Kontrolle ist.

Der vierte Schutz ist Zeit. Organisationen bitten Menschen oft, in den Lücken zwischen anderen Aufgaben Urteilsvermögen zu üben. Das lässt die richtige Handlung ineffizient wirken. Wenn ein Prüfer eine generierte Empfehlung prüfen soll, muss die Arbeitslast diese Prüfung enthalten. Wenn ein Mitarbeiter ein Anliegen eskalieren soll, muss der Zeitplan dies erlauben. Wenn ein Manager ein neues Modell prüfen soll, muss die Rolle die Prüfung umfassen. Sonst hat die Organisation Literacy zu einer Freiwilligentätigkeit gemacht und wird überrascht sein, wenn Freiwillige rar sind.

The fifth protection is a visible end to the loop. An escalation should not disappear into an inbox. The person who raised it should know whether the case was accepted, what changed and who owns the next step, subject to privacy and security limits. A small acknowledgement can be more powerful than another policy because it shows that the organisation treats judgement as part of work, not as an interruption to it.

Metrics can help, but they must be chosen carefully. Count how many systems have an owner, how many tasks have a declared evidence boundary, how many changes triggered review, how many escalations received a response and how often a source or policy was repaired. Do not use completion percentages as a proxy for understanding. A hundred per cent completion can coexist with zero authority. A lower completion figure may reveal that the organisation has finally stopped pretending that one lesson fits everyone.

The best measure is not a number. It is the quality of the next question. After the programme, can a team challenge a confident output without being told that the model is only a tool? Can it identify the source and the missing evidence? Can it say what would make the workflow stop? Can an affected person reach a human review? Can the organisation change the system without losing the history of what happened? If the answer improves, the muscle is being used.

What a certificate cannot tell you

A certificate can tell you that a person completed an identified activity. That may be useful for orientation, record-keeping or professional development. It cannot tell you whether the activity matched the system in front of the person, whether the person had a chance to practise, whether the organisation exposed its evidence, whether authority was real, or whether the system changed afterwards. Those questions belong to the organisation and the work.

The distinction is not an argument against courses. Courses can provide a shared starting point, especially when a new vocabulary is needed quickly. They can explain mechanisms, legal context and recurring risks. They can help people who have been excluded from technical conversations enter them without having to pretend they already know the answers. The problem begins when the course is treated as the outcome rather than as one instrument in a larger practice.

A good course should make the next use more demanding. It should leave people with questions they can ask, evidence they can inspect, limits they can state and routes they can use when the system is not enough. It should make a manager less comfortable with a vague claim and a worker more confident in a prudent refusal. It should make the organisation’s own gaps easier to see. Learning that produces only confidence has not necessarily produced literacy.

The law’s current wording helps because it refuses to define one finish line for every person. Article 4 now asks providers and deployers to take measures that support development. The amendment’s recital says literacy should be a strategic priority regardless of regulatory obligations and possible sanctions. That is a stronger foundation than a race to a universal score. It tells organisations to build capability because their work requires it, not because a certificate might quiet a checklist.

Our small note

Bei Dweve ist unser kleiner Beitrag Ground truth, ein kostenloser browserbasierter Leitfaden für Bürgerinnen und Bürger zum Thema KI. Er ist kein Zertifikat und kann eine Organisation nicht von sich aus mündig machen. Er ist ein Ort, an dem man die hier beschriebene gemeinsame Sprache üben kann: was ein System tut, welche Belege es verwendet, welche Grenzen relevant sind und wo menschliches Urteilsvermögen bleibt. Wir erwähnen ihn als Beispiel für das Material, das wir erstellen, nicht als Beleg für ein organisatorisches Ergebnis. Der Beleg muss in der Arbeit sichtbar werden, in den Fragen, die Menschen stellen, und in den Entscheidungen, die sie ändern dürfen.

Die Lektion

KI-Kompetenz ist nicht der Moment, in dem eine Person einen Kurs abschließt. Sie ist der Moment, in dem eine Organisation erkennen kann, was ihre Systeme tun, und trotzdem handeln kann, wenn die Antwort unsicher ist. Bewusstsein benennt das System und seinen Kontext. Kompetenz verbindet Wissen mit einer Aufgabe und ihren Belegen. Autorität ermöglicht Urteilsvermögen und Eingreifen. Gewohnheiten halten diese Fähigkeiten am Leben, wenn sich Werkzeug, Richtlinie, Daten oder Menschen ändern.

Die europäische Position wird klarer. Artikel 4 des KI-Gesetzes bleibt eine organisatorische Verantwortung, aber das geltende Recht schreibt keine einzelne individuelle Stufe oder ein Zertifikat vor. Die Leitlinien der Kommission verweisen auf Kontext, Risiko, Rolle und betroffene Personen. Ihr eigenes internes Programm kombiniert Rahmenwerke, rollenspezifisches Lernen, Werkzeugleitfäden, eine Gemeinschaft und einen Weg für Fragen. Die Bildungsleitlinien und die Leitlinien der UNESCO stellen menschliche Fähigkeiten, Rechte und sinnvolle Nutzung neben das technische Verständnis. Keine dieser Quellen verspricht eine Abkürzung. Genau darin liegt ihr Wert.

Für eine öffentliche Einrichtung besteht die Arbeit darin, den menschlichen Weg sichtbar und nutzbar zu machen. Für ein Unternehmen darin, Schulung mit Belegen, Verantwortung und der Fähigkeit zu verbinden, einen schlechten Arbeitsablauf abzulehnen. Für eine Schule darin, Menschen beizubringen, ein System zu hinterfragen, bevor das System sie auffordert, ihm zu vertrauen. Für eine von einer Entscheidung betroffene Person darin, einen Weg zu haben, zu verstehen, was passiert ist, und eine Überprüfung zu beantragen, ohne zuerst die Fachsprache des Anbieters zu lernen.

Die Fähigkeit wächst, wenn die Organisation übt, bevor die Konsequenz eintritt: erkennen, hinterfragen, prüfen, entscheiden, eskalieren und beheben. Es wird kein endgültiges Zertifikat geben, das besagt, dass die Arbeit getan ist. Das ist keine Lücke im Programm. Das ist der Punkt. Ein lebendiges System braucht lebendiges Urteilsvermögen, und lebendiges Urteilsvermögen ist etwas, das eine Organisation weiterhin ausüben muss.

Quellen