KI-Kompetenz misst man am Fortschritt, nicht am Abschluss

Der Abschluss verdeckt das eigentliche Risiko

Ein Abschluss sagt L&D nur: Jemand hat einen Kurs geöffnet, sich durch die Inhalte geklickt und vielleicht ein Wissensquiz bestanden. Er zeigt nicht, ob diese Person KI sicher in einem KYC-Review, bei einer Kundenbeschwerde, in der Triage verdächtiger Transaktionen, im Code Review oder bei einem Product-Policy-Check einsetzen kann. In Finanz- und Krypto-Unternehmen bleiben Fehler nicht im Trainingsraum. Sie landen in regulierten Workflows, in der Kundenkommunikation und in Audit-Trails.

Die Leitlinien der Europäischen Kommission zu KI-Kompetenz geben einen rollen- und kontextspezifischen Maßstab vor. Mitarbeitende brauchen genug Fähigkeiten, Wissen und Verständnis für die KI-Systeme, mit denen sie arbeiten, für den Kontext, in dem diese Systeme genutzt werden, und für die Menschen, die davon betroffen sind. Das ist kein allgemeines Awareness-Modul. Es ist eine Kompetenzanforderung.

Eine Abschlussquote beantwortet die operative Frage nicht, die ein Compliance Lead früher oder später stellt: Erkennt diese Person, wann KI-Output falsch, riskant, nicht belegbar, voreingenommen, außerhalb der Policy oder außerhalb ihrer Zuständigkeit liegt?

KI-Kompetenz entwickelt sich schrittweise

Sinnvoll ist der Wechsel vom Kursabschluss zum Fortschritt bei KI-Fähigkeiten. Ein Paper zum AI Literacy Continuum aus dem Jahr 2026 beschreibt fünf Stufen: noch nicht aktiv, unkritische Nutzung, informierte Nutzung, kritische Bewertung und Verbesserung. Das Paper ist für die Hochschullehre geschrieben, passt aber gut zum Lernen in Unternehmen, weil es genau die Verhaltensänderung benennt, die Unternehmen sehen müssen.

• Nicht aktiv heißt: Mitarbeitende meiden KI oder haben keinen sicheren Zugang.
• Unkritische Nutzung heißt: Sie übernehmen Ergebnisse ohne Prüfung.
• Informierte Nutzung heißt: Sie kennen Grenzen und prüfen grundlegende Aussagen.
• Kritische Bewertung heißt: Sie prüfen Annahmen, Belege, Bias und mögliche Folgen.
• Verbesserung heißt: Sie überarbeiten Prompts, Workflows oder Kontrollen nach einem Fehler.

Im Training für KI-Einsatzbereitschaft in Unternehmen kann Stufe 2 für gelegentliche Produktivitätsnutzung reichen. Stufe 3 sollte das Mindestniveau für Risk, Compliance, Finance, Legal, Customer Operations, Product und Engineering sein. Stufe 4 gehört zu Workflow-Verantwortlichen, KI-Champions und Teams, die festlegen, wie KI im Unternehmen verankert wird.

Beobachtbare Kompetenz hinterlässt Spuren

Messbares KI-Training sollte auf Verhalten schauen. Hat der Lernende Quellen geprüft, eine KI-Antwort mit der Policy abgeglichen, Unsicherheit markiert, bewusst auf KI verzichtet, den Fall eskaliert oder den Workflow nach einem Fehler verbessert? Diese Spuren sind stärker als eine Bestehensnote, weil sie Urteilsvermögen im Kontext zeigen.

• Selbsteinschätzung vor und nach Szenarien
• Prüfschritte vor der Übernahme von KI-Output
• Richtige Ablehnung plausibler, aber riskanter Antworten
• Eskalationsentscheidungen unter Zeitdruck
• Verhalten bei Offenlegung und Dokumentation
• Wiederkehrende Fehlermuster nach Use Case
• Verbesserungsvorschläge aus operativen Teams

Das passt zu aktuellen Signalen aus dem Arbeitsmarkt. PwCs Analyse von Stellenanzeigen 2026 zeigt: In Rollen mit hoher KI-Exposition bekommen Urteilsvermögen, Führung und andere menschliche Fähigkeiten mehr Gewicht. Für Learning heißt das: KI-Einsatzbereitschaft in der Belegschaft lässt sich nicht nur als Tool-Vertrautheit messen.

Assessments müssen Urteilsvermögen mit echten Grenzen testen

Ein Assessment zu KI-Kompetenz sollte mit Szenarien arbeiten. Ein kurzes Quiz prüft Begriffe, Policy-Vorgaben und Basisrisiken. Es belegt aber nicht, dass jemand innehält, wenn eine KI-Antwort flüssig klingt, aber unvollständig ist. Besser ist ein Mix: Wissenschecks, Simulationen, Reviews von Arbeitsergebnissen und rollenspezifische Szenarien mit unsauberen Inputs.

• Ein Analyst erhält eine KI-generierte KYC-Zusammenfassung ohne ausreichende Quellenbelege.
• Ein Support-Mitarbeiter bekommt einen KI-Entwurf, der eine vorgeschriebene regulatorische Offenlegung abschwächt.
• Ein Entwickler lässt KI Monitoring-Code ändern, aber das Testergebnis widerspricht dem Vorschlag.
• Eine Führungskraft nutzt KI für Performance-Feedback und gibt sensible Mitarbeiterdaten ein.

Jede Aufgabe sollte die Antwort und die Begründung dahinter bewerten. Was hat die Person geprüft? Was hat sie übersehen? Wann hat sie eskaliert? Wie hat sie die Entscheidung dokumentiert? In regulierten Umfeldern entsteht so ein Nachweis für Urteilsvermögen, nicht nur ein Teilnahmenachweis.

Einsatzbereitschaft sollte nach Rolle und Team sichtbar sein

Für App-Learning verändert das das Plattformdesign. Die Quiz-, Szenario- und Analytics-Ebene sollte Fortschrittsnachweise erzeugen, nicht nur Badges. Ein gutes Dashboard zeigt, wo Teams auf dem Kontinuum stehen – nach Rolle, Use Case und Risikoexposition.

• Abschlussstatus für Kontrollabdeckung
• Stufenverteilung nach Team und Rolle
• Hotspots riskanter Selbstüberschätzung
• Szenario-Bestehensquoten nach Fehlertyp
• Trefferquote und Tempo bei Eskalationen
• Eingereichte Verbesserungen nach dem Training

So wird KI-Einsatzbereitschaft in der Belegschaft operativ greifbar. Compliance sieht Nachweise. L&D sieht Lernlücken. Fachverantwortliche sehen, welche Teams KI im Workflow nutzen können und wo Guardrails noch menschliche Unterstützung brauchen.

Fortschritt ist die bessere Metrik

KI-Kompetenz beweist sich nicht dadurch, dass jemand ein Modul abschließt. Sie zeigt sich, wenn Menschen von unkritischer zu informierter Nutzung kommen, danach zur kritischen Bewertung und, wo sinnvoll, zu einer Praxis, die Verbesserung aus Fehlern ableitet. Diese Entwicklung lässt sich gestalten, testen und berichten. Für Finance- und Krypto-Unternehmen geht es nicht um mehr Trainingsaktivität. Es geht um eine Belegschaft, die weiß, wann KI hilft, wann sie scheitert, wann man stoppt und wann man eskaliert.