EU-KI-Verordnung:

Wie Unternehmen KI-Kompetenz systematisch aufbauen

Mit der EU-KI-Verordnung (EU AI Act) wird ein Punkt erstmals ausdrücklich geregelt, der in vielen Unternehmen bisher eher „mitlief“: Organisationen müssen sicherstellen, dass Mitarbeitende, die mit KI-Systemen arbeiten, über ein angemessenes Maß an KI-Kompetenz verfügen.

Diese Vorgabe trifft auf eine Realität, in der KI längst im Arbeitsalltag angekommen ist – oft jedoch ohne klare Leitplanken. Generative Systeme werden für Textentwürfe, Recherche oder Zusammenfassungen genutzt, ohne Schulung, verbindliche Standards oder systematisches Feedback. Aus regulatorischer Sicht entsteht so eine Lücke: Nutzung ist vorhanden, Kompetenz aber weder abgesichert noch sauber dokumentiert. Häufig fehlen einfache Standards wie: Welche Tools sind erlaubt? Welche Daten dürfen eingegeben werden? Und wann ist eine menschliche Prüfung zwingend?

Der EU AI Act macht deutlich, dass KI-Kompetenz kein „Nice-to-have“ mehr ist. Gleichzeitig stehen Unternehmen vor der Aufgabe, Qualifizierung so zu gestalten, dass sie wirksam und skalierbar ist – ohne unnötigen Trainings-Overhead.

KI-Kompetenz ist kein einmaliges Trainingsziel

In vielen Organisationen wird Kompetenzentwicklung noch immer nach klassischen Mustern organisiert: Schulung, Zertifikat, fertig. Für KI funktioniert dieses Modell nur bedingt.

Denn: KI-Systeme entwickeln sich schnell weiter, Anwendungsfälle ändern sich, und die Qualität der Ergebnisse hängt stark davon ab, wie Aufgaben gestellt und wie kritisch Ergebnisse geprüft werden. Wer KI nutzt, braucht daher mehr als Tool-Wissen: Es geht um Urteilsfähigkeit, Routine in der Anwendung und ein klares Verantwortungsbewusstsein. Schon weil „KI-Kompetenz“ mehrdimensional ist: Sie umfasst Anwendung (Wie nutze ich ein System?), Bewertung (Wann ist ein Output plausibel?), und Verantwortung (Welche Vorgaben gelten für Daten, Transparenz und Kontrolle?).

Studien zum arbeitsplatznahen Lernen zeigen zudem: Kompetenz entsteht vor allem dann nachhaltig, wenn Wissen direkt in die Praxis überführt wird. Für KI heißt das: Mitarbeitende müssen lernen, Systeme im eigenen Kontext anzuwenden, Resultate einzuordnen und Risiken (z. B. Halluzinationen, Bias, Datenschutz) zu erkennen.

Skill-Gaps sichtbar machen – ohne Assessment-Overkill

Viele Qualifizierungsinitiativen scheitern bereits am Einstieg: Umfangreiche Kompetenzmodelle und standardisierte Assessments liefern zwar strukturierte Daten, sind aber oft zeitaufwendig, schwer zu pflegen und schnell veraltet.

Pragmatischer ist ein Ansatz, der bei der tatsächlichen Nutzung startet: Entscheidend ist nicht, wer „KI kann“, sondern wo KI im Unternehmen bereits genutzt wird und wofür. So werden konkrete Lücken sichtbar: etwa dort, wo Ergebnisse unkritisch übernommen werden, Unsicherheit beim Datenschutz besteht oder Potenziale im Alltag ungenutzt bleiben.

Die Analyse realer Use Cases hilft dann nicht nur bei der Bestandsaufnahme, sondern auch bei der Priorisierung. Besonders relevant sind Aufgaben mit hohem Wiederholungsgrad, viel Informationsverarbeitung oder hohem Kommunikationsanteil. Genau hier kann gezieltes Enablement besonders schnell Wirkung entfalten, denn hier summieren sich kleine Effizienzgewinne schnell und zugleich steigt das Risiko, dass unklare Ergebnisse unbemerkt in Entscheidungen, Kundenkommunikation oder Dokumentation einfließen.

Differenzierung statt Gleichmacherei: KI-Kompetenz nach Rollen denken

Nicht jede Rolle braucht dieselbe Tiefe an KI-Kompetenz. Zu viel Qualifizierung ist genauso ineffizient wie zu wenig. Sinnvoll ist daher eine rollenspezifische Differenzierung.

Für die meisten Mitarbeitenden reichen solide Grundlagen: gute Aufgabenformulierung, kritische Bewertung von Ergebnissen, ein Grundverständnis für Datenschutz und ein realistisches Bild der Grenzen von KI-Systemen. Dazu zählen auch einfache Routinen wie der Umgang mit Prompt-Vorlagen, das Markieren von KI-Anteilen in Entwürfen oder ein Standardprozess, wann Inhalte freigegeben werden dürfen. Diese Basics entscheiden in der Praxis oft darüber, ob KI produktiv genutzt wird oder ob Fehler, Risiken und Frust entstehen.

Zusätzlich brauchen Unternehmen ausgewählte Rollen mit vertiefter Expertise, etwa für Workflow-Automatisierung, Integration von Kontextwissen oder die prototypische Entwicklung KI-gestützter Prozesse. Diese Personen fungieren als interne Multiplikatoren: Sie unterstützen Teams, übersetzen Anforderungen in konkrete Lösungen und bringen Wissen in die Breite – ohne, dass jede Person zur Spezialistin werden muss.

Welche Lernformate in der Praxis funktionieren

Ob Qualifizierung wirkt, hängt dann weniger vom Umfang ab als davon, wie gut sie in den Arbeitsalltag passt. Besonders effektiv sind Formate, die Lernen nicht als Zusatzaufgabe behandeln, sondern als Teil der Arbeit.

Microlearning ist dafür ein bewährtes Instrument: kurze, kontextspezifische Einheiten, die genau dann verfügbar sind, wenn sie gebraucht werden. Ergänzend funktioniert „Learning in the Flow of Work“ besonders gut, bei dem reale Aufgaben der Ausgangspunkt sind.

Ebenfalls wirksam sind Champion- oder Ambassador-Modelle. Mitarbeitende mit praktischer KI-Erfahrung unterstützen Kolleg:innen direkt im Team, liefern Beispiele aus dem Alltag und sind niedrigschwellige Ansprechpartner. Das erhöht die Akzeptanz – und sorgt dafür, dass Know-how nicht nur in Trainings, sondern im Arbeitsprozess entsteht.

KI-Kompetenz messbar und prüfbar machen

Mit Blick auf regulatorische Anforderungen reicht es nicht, Lernangebote anzubieten. Unternehmen müssen nachvollziehbar belegen können, dass relevante Kompetenzen tatsächlich vorhanden sind.

Zertifikate können dabei helfen, vor allem in stark regulierten Bereichen. Noch aussagekräftiger sind Nachweise, die an die Praxis anknüpfen: dokumentierte Anwendungsfälle, in denen Vorgehen, Ergebnis, Risiken und Learnings festgehalten werden.

Solche Projekt- oder Use-Case-Portfolios erfüllen mehrere Zwecke: Sie machen Kompetenz überprüfbar, sichern Wissen in der Organisation und fördern eine reflektierte Nutzung von KI. Gleichzeitig vermeiden sie einen „Zertifikatsinflation“-Effekt, bei dem formale Nachweise wenig über tatsächliche Handlungskompetenz aussagen.

Regulierung als Chance für nachhaltiges Upskilling

Der EU AI Act zwingt Unternehmen zum Handeln. Richtig verstanden, ist das weniger Bürde als Chance. Wer KI-Kompetenz gezielt, arbeitsnah und nachvollziehbar aufbaut, erfüllt nicht nur regulatorische Anforderungen, sondern stärkt auch die Anpassungsfähigkeit und Innovationskraft der Organisation. Wichtig ist die Verknüpfung von Qualifizierung und Governance: klare Tool-Freigaben, Regeln für den Umgang mit sensiblen Daten, definierte Verantwortlichkeiten und ein Mechanismus für kontinuierliches Update (z. B. quartalsweise Review der Use Cases und Lerninhalte). So bleibt Kompetenzentwicklung nicht ein Projekt, sondern wird zum dauerhaften Betriebsmodus. Entscheidend sind dabei ein klarer Ansatz und pragmatische Umsetzung: priorisierte Use Cases, lernwirksame Formate und belastbare Kompetenznachweise.