Gute Prompts reichen nicht: KI-Kompetenz bedeutet vor allem Urteilsfähigkeit

Die Tools sind da. Die Versprechen auch. Trotzdem bleibt der Impact von KI in der Praxis oft noch überschaubar. Zeitgleich erhöht sich die Zahl, der durch KI generierten, fehlerhaften oder oberflächlichen Arbeitsergebnisse, die im besten Fall lästig sind, in den schlimmsten zu echten Problemen führen können. Die Ursache dafür ist nicht primär die Technologie oder die Akzeptanz der Mitarbeitenden, sondern ein verkürztes Verständnis von KI-Kompetenz. 

Prompting ist das Handwerk. Wahre Kompetenz bedeutet mehr.

Viele Unternehmen haben generative KI bereits eingeführt oder beschäftigen sich aktiv mit den Einsatzmöglichkeiten in ihren Prozessen. Dabei schwingt oft still eine Erwartungshaltung mit: Ist die Technologie verfügbar, wird sie sich im Arbeitsalltag schon durchsetzen. Das erweist sich jedoch oft als Trugschluss.

So beobachtet man in der Realität oft wiederkehrende Herausforderungen: Die Nutzung bleibt aus Sicht der Geschäftsführung zunächst hinter den Erwartungen, die Qualität der Ergebnisse schwankt und viele Mitarbeitende sind unsicher, wofür sie die KI überhaupt einsetzen können und dürfen. Aber woran liegt das? 

Häufig wird das Problem reflexartig in Akzeptanzproblemen oder Schulungslücken gesucht. Doch weitere Prompting-Workshops oder verstärkte Mitarbeitendenkommunikation werden selten allein zu einer zufriedenstellenden Lösung führen.

Denn der flächendeckend produktive Einsatz von KI scheitert in der Praxis tatsächlich weniger an fehlendem Willen oder Veränderungsmüdigkeit. Vielmehr ist die Ursache meist ein fehlendes Verständnis davon, was KI-Kompetenz im Arbeitsalltag tatsächlich bedeutet.

Eine zentrale Fehlannahme liegt dabei auf der Hand: Kompetenz wird über die sichtbare Interaktion definiert. Wer gute Prompts formuliert und schnell zu ansprechenden Ergebnissen kommt, gilt als versiert. Für Unternehmen erscheint das als klarer Hebel: Tool bereitstellen, Prompting schulen, Nutzung steigern. Im besten Fall wird dieser Ansatz noch um eine kurze Grundlagenschulung ergänzt – häufig im Format eines kompakten Überblicks („Was ist KI?“) mit wenigen Standardbeispielen.

Doch genau hier liegt das zentrale Missverständnis.

Der Wert von KI entsteht nicht bei der Eingabe von Prompts, sondern bei der Einordnung der Ergebnisse.

Generative KI produziert sprachlich überzeugende Antworten, unabhängig davon, ob sie fachlich unvollständig, verkürzt oder im konkreten Kontext unpassend sind. Das größte Risiko ist daher nicht die Fehleranfälligkeit der Systeme, sondern ihre Fähigkeit, fehlerhafte Ergebnisse überzeugend wirken zu lassen.

In der Praxis zeigt sich dieses Problem in wiederkehrenden Mustern:

• Ergebnisse wirken plausibel, sind aber inhaltlich unvollständig oder sogar gänzlich falsch
• Komplexe Sachverhalte werden so stark vereinfacht, dass entscheidende Aspekte verloren gehen
• Kontextinformationen fehlen oder werden falsch gewichtet
• Formal korrekte Antworten erweisen sich als nicht praxistauglich

“Workslop” verursacht ein falsches Sicherheitsgefühl

Ein typisches Beispiel ist die Erstellung einer Entscheidungsvorlage. Die KI liefert eine sauber strukturierte und sprachlich überzeugende Ausarbeitung. Bei genauerem Hinsehen fehlen jedoch zentrale Punkte – etwa regulatorische Risiken oder spezifische Abhängigkeiten im eigenen organisatorischen Kontext. Die Struktur durch die vermeintliche Perfektion vermittelt Vollständigkeit, obwohl wesentliche Inhalte fehlen. 

Dass es sich dabei nicht um ein Einzelphänomen handelt, zeigt der mittlerweile verbreitete Begriff “Workslop”, der eben solche oberflächlich gutaussehenden, aber inhaltlich flachen oder fehlerhaften Arbeitsergebnisse beschreibt. Wenn “Workslop” als solcher nicht erkannt wird, entsteht ein trügerisches Gefühl von Sicherheit und damit einhergehend die reale Gefahr, dass sich Folgearbeiten auf gänzlich falsche Grundprämissen stützen.

Schwache Prompts sind in diesem Sinne selten die eigentliche Ursache, sondern meist nur das sichtbarste Symptom. Sie verweisen auf tieferliegende Probleme: unklare Zielbilder, fehlende Qualitätsmaßstäbe oder ein unzureichendes Verständnis der eigenen Aufgabe.

Wer KI-Kompetenz in der eigenen Abteilung oder im gesamten Unternehmen systematisch aufbauen will, muss deshalb den Blick verschieben. Entscheidend ist nicht die Interaktion mit dem Tool, sondern der Umgang mit Aufgaben und Ergebnissen.

Im Arbeitsalltag zeigt sich KI-Kompetenz vor allem in drei Fähigkeiten: Verstehen, Bewerten und Entscheiden.

1. Verstehen: Kontext vor Interaktion

Am Anfang jeder sinnvollen KI-Nutzung steht nicht der Prompt, sondern ein klares Verständnis der eigenen Aufgabe.

• Worum geht es konkret?
• Welche Informationen liegen vor?
• Was wäre in dieser Situation ein gutes Ergebnis – für diese Zielgruppe, in diesem Kontext?

In der Praxis zeigt sich diese Fähigkeit darin, dass Mitarbeitende Aufgaben präzise strukturieren und Zielbilder formulieren können. Zudem kennen sie die typischen Einsatzmuster von KI (z. B. Unterstützung bei der Strukturierung, aber nicht bei der spezifischen fachlichen Bewertung). Einfach gesagt: Sie verstehen, wo KI sie wirklich sinnvoll unterstützen kann und wo (noch) nicht. Fehlt dieses Verständnis, entstehen zwar schnell Ergebnisse, sie bleiben jedoch in aller Regel überwiegend generisch.

2. Bewerten: Substanz von Darstellung unterscheiden

Wie bereits angesprochen, liegt die entscheidende Kompetenz im Umgang mit generativer KI sodann in der Bewertung von Ergebnissen.

Es geht darum, zwischen überzeugender Darstellung und belastbarer Substanz zu unterscheiden. In der Praxis entsteht hier häufig ein „False-Confidence-Effekt“: Ergebnisse werden übernommen, weil sie professionell formuliert sind und nicht, weil sie fachlich tragen.

Eine einfache Prüflogik hilft, diese Bewertung systematisch vorzunehmen:

• Plausibilität: Ist die Argumentation der KI nachvollziehbar und widerspruchsfrei?
• Vollständigkeit: Sind alle relevanten Aspekte im konkreten Kontext berücksichtigt?
• Verwendbarkeit: Ist das Ergebnis für den beabsichtigten Zweck tatsächlich geeignet?

Erst wenn alle drei Dimensionen bejaht werden können, liegt ein tatsächlich belastbarer Output vor.

Typische Schwächen, die dabei erkannt werden müssen, sind unzulässige Vereinfachungen, fehlende Herleitungen, kontextunabhängige Standardantworten oder Aussagen, die nicht mit klaren, fachlichen Quellen belegt werden können.

3. Entscheiden: Verantwortung bleibt beim Menschen

KI kann Vorschläge machen, Inhalte strukturieren und Vorarbeiten leisten. Sie trifft jedoch keine kontextbezogenen Entscheidungen und übernimmt keine Verantwortung für deren Folgen. Diese Verantwortung bleibt vollständig beim Menschen.

In der Praxis bedeutet das:

• Ergebnisse werden nicht blind übernommen, sondern bewusst ausgewählt und weiterentwickelt
• Der Anwender übernimmt aktiv die Verantwortung für Qualität und Angemessenheit der Ergebnisse.

Der Unterschied zwischen Nutzung und Nutzen entsteht genau hier. KI erzeugt schnell Ergebnisse. Ob daraus bessere Arbeit entsteht, entscheidet sich in der bewussten Auswahl und Anwendung.

Die Tooleinführung ist der Anfang, der gezielte Kompetenzaufbau die eigentliche Arbeit.

Viele Organisationen starten (und enden) mit der Bereitstellung eines Tools, etwa in Form eines Unternehmens-GPTs. Dieser Schritt ist notwendig, ersetzt aber nicht die Befähigung der Mitarbeitenden.

Gerade im Fall von generischen Unternehmens-GPTs bleiben Nutzungsszenarien oft unklar. Es wird überschätzt, wie viele Mitarbeitende bereits regelmäßig Kontakt zu Sprachmodellen oder gar Agentic AI hatten. Es fehlt die Verbindung zu konkreten Aufgaben.

Gleichzeitig bleiben Schulungen häufig auf der Ebene der Bedienung. Vermittelt wird, wie ein Tool funktioniert, oder wie man richtig promptet, aber nicht, für welche Anwendungsfälle die KI geeignet ist bzw. wie Ergebnisse im eigenen Kontext bewertet und genutzt werden können.

Im Ergebnis erhalten die Mitarbeitenden zwar Toolwissen, aber bauen keine Handlungskompetenz auf.

Hinzu kommen starke Unterschiede im Kompetenzniveau. Während ein kleiner Teil der Mitarbeitenden sehr tief in das Thema einsteigt, fehlt bei vielen das breite Grundverständnis der Technologie und ihrer Eigenheiten. Einheitliche Schulungsansätze verstärken diesen Effekt, statt ihn auszugleichen.

Ein wirksamer Kompetenzaufbau setzt daher anders an:

• Er orientiert sich an konkreten Aufgaben statt an Tools.
• Er trainiert reale Anwendungssituationen statt isolierte Übungen.
• Er fokussiert sich auf Bewertung und Entscheidung statt lediglich auf Eingabetechniken.
• Er setzt auf rollenspezifische Kompetenzentwicklung statt auf Einheitsformate.

Gerade die Themen der Bewertung und Entscheidung sind in klassischen Trainings häufig unterrepräsentiert, obwohl genau hier der größte Einfluss liegt.

Erfolg neu messen

Um den Wert der KI im eigenen Unternehmen effektiv messen zu können, sollten auch die Maßstäbe für den Erfolg entsprechend angepasst werden. So sind reine Nutzungszahlen allein kein verlässlicher Indikator. Entscheidend ist vielmehr die Qualität der Anwendung.

Als Inspiration für ein geeignetes Performance-Management-System können z. B. folgende Fragen herangezogen werden:

• Werden die Arbeitsergebnisse fachlich belastbarer?
• Verkürzt sich der Weg zu tragfähigen Resultaten?
• Verbessern sich Entscheidungsgrundlagen?
• Werden Outputs bewusst und reflektiert eingesetzt?

Die Grundlinie sollte dabei sein: Nicht die Nutzung entscheidet über den Nutzen, sondern die Qualität des Umgangs mit Ergebnissen.

Fazit

KI ist kein Selbstläufer und die Bereitstellung von Tools führt nicht automatisch zu besseren Ergebnissen. Der entscheidende Unterschied liegt in der Qualität menschlicher Urteile. Wer versteht, bewertet und bewusst entscheidet, macht aus KI ein produktives Werkzeug. Wer das nicht tut, produziert vor allem mehr Output, aber nicht unbedingt bessere Arbeit.

Unternehmen, die KI-Kompetenz auf Bedienung reduzieren, werden Nutzung erzeugen, aber kaum nachhaltigen Mehrwert. Wer stattdessen aber gezielt die Urteilsfähigkeit seiner Mitarbeitenden aufbaut, schafft die Grundlage dafür, dass KI tatsächlich wirkt.

FAQ

Was ist KI-Kompetenz und warum reicht Prompting-Wissen nicht aus?

KI-Kompetenz bedeutet nicht, gute Prompts zu formulieren, sondern Ergebnisse fachlich einzuordnen, zu bewerten und verantwortungsbewusst zu entscheiden – denn generative KI produziert sprachlich überzeugende Antworten, unabhängig davon, ob sie inhaltlich korrekt, vollständig oder im jeweiligen Kontext tatsächlich verwendbar sind.

Was ist „Workslop“ und warum ist es ein ernstes Risiko im Arbeitsalltag?

Workslop bezeichnet oberflächlich professionell wirkende, aber inhaltlich flache oder fehlerhafte KI-Ergebnisse – das eigentliche Risiko entsteht, wenn solche Outputs ungeprüft übernommen werden und sich Folgearbeiten auf falsche Grundprämissen stützen.

Wie baut man KI-Kompetenz im Unternehmen wirksam auf?

Nicht durch weitere Prompting-Workshops, sondern durch rollenspezifische Trainings, die sich an konkreten Aufgaben orientieren und gezielt die drei Kernfähigkeiten schulen: Kontext verstehen, Ergebnisse bewerten und Verantwortung für die finale Entscheidung übernehmen.