KI-Kompetenz und interne Guidelines

Kernfrage für Unternehmen

Unternehmen brauchen klare KI-Guidelines und gezielte KI-Kompetenz, damit Mitarbeitende KI produktiv nutzen können, ohne Datenschutz, Geschäftsgeheimnisse, Qualität und Verantwortung zu gefährden (Niessner 2026).

Typische Stolpersteine

Ohne Regeln entsteht Schatten-KI. Mitarbeitende wollen schneller arbeiten und nutzen öffentliche Tools für Code, Meetingprotokolle, Kundendaten, Texte oder Analysen. Das kann Geschäftsgeheimnisse offenlegen, DSGVO-Verstöße auslösen, ungeprüfte Tools verbreiten und zu schlechter Qualität ohne Verantwortliche führen (Niessner 2026).

Verbote allein lösen das Problem meist nicht. Wenn Beschäftigte KI als hilfreich erleben, aber keine erlaubten Werkzeuge, Datenregeln oder Prüfschritte bekommen, wandert die Nutzung in inoffizielle Kanäle. Gute Guidelines schaffen daher Orientierung statt nur Einschränkung (Niessner 2026).

Bewährte Vorgehensweisen

Der Fraunhofer-Leitfaden betont zusätzlich, dass KI-Kompetenz eine Voraussetzung für echte Beteiligung ist. Mitarbeitende, Fachbereiche und Interessenvertretungen können KI nur sinnvoll mitgestalten, wenn sie Grundbegriffe, Möglichkeiten, Grenzen, Datenfragen und Risiken verstehen. Kompetenzaufbau ist deshalb nicht nur Compliance, sondern Teil von Change-Management und Organisationslernen (Braun et al. 2023).

Definieren Sie sechs Kerninhalte: Datenklassifikation, Tool-Freigabe, Output-Prüfung, Bias-Vermeidung, Verantwortlichkeiten und Schulungen. Für Bias-Vermeidung und menschliche Kontrolle bietet Bias und vertrauenswürdige KI die fachliche Vertiefung. Diese Punkte machen aus abstrakter KI-Governance konkrete Alltagsregeln für Mitarbeitende und Führungskräfte (Niessner 2026).

Abbildung: Interne KI-Guidelines sollten regeln, welche Daten eingegeben werden dürfen, welche Tools freigegeben sind, wie Outputs geprüft werden, wie Bias vermieden wird, wer verantwortlich ist und wie Mitarbeitende geschult werden. Quelle: Niessner 2026.

Verknüpfen Sie Guidelines mit KI-Kompetenz. Art. 4 AIA verpflichtet Anbieter und Betreiber, nach besten Kräften für ausreichende KI-Kompetenz bei Personen zu sorgen, die KI-Systeme entwickeln, betreiben oder einsetzen. Das kann durch interne Schulungen, externe Trainings, Beratung oder rollenbezogene Lernpfade erfolgen (Niessner 2026).

Für Projektrollen reicht es nicht, Mitarbeitende nur im Prompting zu schulen. Ein 6C-Modell für KI-gestütztes Projektmanagement unterscheidet sechs Kompetenzfelder: Datenkompetenz und KI-Innovation, strategische KI-Entscheidungsfindung, Collaborative Intelligence und KI-Kommunikation, AI-powered Projektmanagement, Design Thinking und KI-Kreativität sowie KI-Qualitätssicherung und Fehleranalyse (Bernert, Scheurer und Wehnes 2024).

Diese sechs Felder verbinden technische und menschliche Fähigkeiten. Projektmanager:innen müssen Daten, Automatisierungspotenziale, KI-MVPs, Modellüberwachung und Testlogik verstehen. Gleichzeitig brauchen sie Stakeholder-Kommunikation, Erwartungsmanagement, kritisches Denken, UX-Verständnis und die Fähigkeit, Grenzen von KI realistisch zu erklären (Bernert, Scheurer und Wehnes 2024).

Für interne Guidelines ergibt sich daraus ein praktischer Zusatz: Regeln sollten nicht nur verbieten oder erlauben, sondern rollenbezogen erklären, welche Kompetenzen für welche Nutzung nötig sind. Wer KI-Ausgaben in Projektreports, Projektpriorisierung oder Entscheidungsunterlagen verwendet, braucht andere Prüf- und Freigabekompetenzen als jemand, der KI nur für interne Textentwürfe nutzt (Bernert, Scheurer und Wehnes 2024).

AI Fluency als übertragbare Interaktionskompetenz

Das AI-Fluency-Framework von Rick Dakan und Joseph Feller ergänzt rollenbezogene Kompetenzmodelle um vier Fähigkeiten, die bei unterschiedlichen Aufgaben und Werkzeugen wiederkehren. Anthropic vermittelt sie als Delegation, Description, Discernment und Diligence. Der Rahmen zielt ausdrücklich auf effektive, effiziente, ethische und sichere Zusammenarbeit mit KI statt auf kurzlebige Prompt-Tricks (Anthropic o. J.).

1. Delegation: Mitarbeitende entscheiden, welche Schritte Menschen, KI oder beide gemeinsam übernehmen. Dazu gehört auch die Entscheidung, eine Aufgabe wegen fehlender Daten, zu hoher Risiken oder unklarer Verantwortung nicht an KI zu delegieren.
2. Description: Mitarbeitende beschreiben Ziel, Kontext, gewünschte Form, Grenzen und Prüfkriterien so, dass die Zusammenarbeit steuerbar bleibt.
3. Discernment: Mitarbeitende bewerten KI-Beiträge fachlich, erkennen Missverständnisse und unterscheiden überzeugende Formulierungen von belastbaren Ergebnissen.
4. Diligence: Mitarbeitende behandeln Datenschutz, Vertraulichkeit, Rechte, Dokumentation und Verantwortung während des gesamten Arbeitsprozesses sorgfältig (Anthropic o. J.).

Das 4D-Modell ersetzt das 6C-Modell für KI-gestütztes Projektmanagement nicht. Die 6C beschreiben breitere Kompetenzfelder einer Projektrolle; die 4D strukturieren die konkrete Zusammenarbeit mit einem KI-System. Unternehmen können daher rollenbezogene Lernziele mit einer gemeinsamen 4D-Arbeitslogik verbinden (Bernert, Scheurer und Wehnes 2024; Anthropic o. J.).

Kompetenz nach Vertrauenslage segmentieren

Ein einheitlicher Einführungskurs löst nicht jedes Kompetenzproblem. Zwingmann beschreibt KI-Lernen als Pendel zwischen Verstehen und Anwenden: Beschäftigte probieren eine Aufgabe aus, stoßen auf eine Grenze, lernen die Ursache und übertragen dieses Wissen in den nächsten Versuch. Je nachdem, wo dieses Pendel stockt, braucht es eine andere Intervention (Zwingmann 2026).

Für die Trainingsplanung unterscheidet Zwingmann drei Gruppen und leitet daraus unterschiedliche Lernangebote ab (Zwingmann 2026):

1. Praktizierende: Sie nutzen KI bereits regelmäßig. Sie brauchen weniger Grundlagen, dafür anspruchsvollere Aufgaben zur Quellenprüfung, Vollständigkeit, Gegenargumentation und fachlichen Freigabe.
2. Lernende ohne Anwendung: Sie kennen Begriffe und Risiken, setzen KI aber kaum ein. Sie brauchen geschützte Lernlabore mit realen Arbeitsaufgaben, Vergleichsergebnissen und Coaching.
3. Noch nicht Engagierte: Sie reagieren selten auf allgemeine Appelle oder zusätzliche Theorie. Ein glaubwürdiger Anwendungsfall aus dem eigenen Team kann einen relevanteren Einstieg schaffen als eine herstellergetriebene Demonstration.

Das Ziel ist kalibriertes Vertrauen: Menschen sollen KI dort einsetzen, wo sie nützt, und zugleich erkennen, wann Prüfung oder menschliche Übernahme nötig ist. Eine CHI-Befragung von 319 Wissensarbeiter:innen mit 936 berichteten Arbeitssituationen stützt diese Führungsfrage: Höheres Vertrauen in GenAI war mit weniger kritischer Prüfung verbunden, höheres eigenes Aufgabenvertrauen dagegen mit mehr kritischer Prüfung. Da die Studie Selbstauskünfte und Zusammenhänge untersucht, beweist sie keine einfache Ursache-Wirkung-Beziehung (Lee et al. 2025).

Lernen an realen Arbeitsvorhaben

KI-Kompetenz entsteht nicht allein durch Theorie oder isolierte Prompt-Übungen. Mitarbeitende sollten die vier Fähigkeiten an echten, begrenzten Arbeitsvorhaben üben: etwa an einer Entscheidungsvorlage, Marktanalyse, Richtlinienüberarbeitung oder einem Angebotskonzept. Dabei dokumentieren sie Ausgangslage, Aufgabenverteilung, verwendete Quellen, Korrekturschleifen und Freigaben. So wird sichtbar, wo KI Zeit spart und wo zusätzlicher Prüfaufwand entsteht (Lindner 2026; Anthropic o. J.).

Ein praxistaugliches Trainingsformat verbindet deshalb drei Elemente:

• Arbeitsauftrag: ein reales Ergebnis mit klarer fachlicher Verantwortung;
• Beobachtung: kurze Protokolle zu Eingaben, KI-Beiträgen, Fehlern und menschlichen Entscheidungen;
• Reflexion: gemeinsame Auswertung nach Delegation, Description, Discernment und Diligence.

Die Seite KI-gestützte Wissensarbeit zeigt, wie Unternehmen solche Übungen in einen Arbeitskreislauf aus Exploration, quellengebundener Verdichtung und Wissenssicherung einordnen können (Lindner 2026).

Gestufter Rollout mit Feedbackschleife

Breite KI-Assistenten sollten nicht nur technisch freigeschaltet werden. Zwingmann empfiehlt einen gestuften Rollout: zuerst freiwillige und motivierte Nutzer:innen mit einer konkreten Aufgabe, anschließend gemeinsame Lernformate und weitere Wellen, die auf dokumentierten Erfahrungen aufbauen. Tiefer integrierte Werkzeuge oder handlungsfähige Systeme brauchen strengere Rollenrechte und Freigaben als allgemeine Chat-Assistenten (Zwingmann 2026).

Guidelines und Trainings sollten dabei drei Qualitätsrisiken ausdrücklich sichtbar machen, die Zwingmann aus seiner Trainingspraxis hervorhebt (Zwingmann 2026):

1. Polierte Inhaltsarmut: sprachlich saubere Texte oder Präsentationen ohne ausreichende Substanz.
2. Unkritische Bestätigung: Vorschläge, die Annahmen der Nutzer:innen verstärken, statt Gegenpositionen und Unsicherheit einzufordern.
3. Plausible Fehler: überzeugende Analysen, Berechnungen oder Grafiken, bei denen Daten unvollständig verarbeitet wurden.

Verbinden Sie jede Rollout-Welle mit einer kurzen Feedbackschleife: Welche Aufgaben funktionieren gut, wo entsteht Nacharbeit und welche wiederkehrende Hürde sollte nicht länger individuell mit Prompts umgangen, sondern als kontrollierter Prozess-Use-Case geprüft werden? Damit wird Kompetenzaufbau zugleich zu einer Quelle für die KI-Roadmap (Zwingmann 2026).

Weiterführend: Die Überführung von Training und Nutzung in rollenbezogene Erwartungen, Routinen und Messlagen beschreibt KI-Adoption im Unternehmen systematisch verankern.

Machen Sie die Regeln entscheidungsnah. Eine praktische Leitfrage lautet: Würde ich diese Information mit ihrem Kontext veröffentlichen? Wenn die Antwort nein lautet, gehört sie nicht ungeprüft in ein öffentliches KI-Tool. Für erlaubte Tools sollten Unternehmen zusätzlich klare Qualitätsprüfung, Kennzeichnung und Eskalation definieren (Niessner 2026).

Verankern Sie Output-Prüfung als Pflicht, nicht als Empfehlung. Mitarbeitende sollten wissen, wann ein KI-Ergebnis als Entwurf genügt, wann externe Quellen nötig sind, wann Berechnungen mit Code, Tabellenkalkulation oder Fachsystem geprüft werden müssen und wann eine fachliche Freigabe erforderlich ist. Das reduziert Halluzinationen nicht technisch, verhindert aber, dass plausible Fehler ungeprüft in Kundendokumente, Entscheidungen oder Veröffentlichungen wandern (Glöckner 2026; Uintent 2024).

Eine hilfreiche Fragenliste für Guidelines umfasst sieben Punkte:

1. Welche Anwendungsfälle sind erlaubt?
2. Welche Tools dürfen Beschäftigte verwenden?
3. Welche E-Mail-Adresse und Lizenzform ist vorgesehen?
4. Dürfen sensible Informationen verarbeitet werden?
5. Wer prüft Outputs?
6. Wann müssen KI-Inhalte gekennzeichnet werden?
7. Welche Fortbildung ist verpflichtend?

Für Österreich ist besonders nützlich, dass die WKO eigene KI-Guidelines für KMU bereitstellt, die als Ausgangspunkt dienen können (Rohrlich 2025; WKO o. J.).

Einstiegspunkte für die Umsetzung

Starten Sie mit sechs Fragen (Illibauer 2026):

1. Welche KI-Tools sind offiziell erlaubt?
2. Welche Lizenzen und Auftragsverarbeiterverträge liegen vor?
3. Welche Datenklassen dürfen Mitarbeitende eingeben?
4. Wer prüft Outputs vor externer Nutzung?
5. Welche Teams brauchen Pflichtschulungen?
6. Wer entscheidet bei neuen Tools, Beschwerden, Sicherheitsvorfällen oder rechtlichen Zweifeln?

Ergänzen Sie diese Fragen um zwei Praxisbereiche, die oft vergessen werden: Marketing und synthetische Personeninhalte. Guidelines sollten ausdrücklich regeln, ob KI für Newsletter, Kundensegmentierung, Testimonials, Bilder, Avatare oder Stimmen genutzt werden darf und welche Freigabe vor externer Veröffentlichung erforderlich ist (Rohrlich 2025).

Diese Seite ergänzt EU AI Act für Unternehmen, AI Act Checkliste für KMU, DSGVO und KI-Projekte und Urheberrecht und Geschäftsgeheimnisse bei KI (Illibauer 2026).