Aufbau von KI-Kompetenz: Frameworks, Tools und Praktiken

AI-Literacy ist die Fähigkeit einer Person, AI-Tools zu verstehen und effektiv zu nutzen, einschließlich des Verständnisses, wie AI funktioniert, der kritischen Bewertung von AI-Ergebnissen und des Erkennens der ethischen Auswirkungen der AI-Nutzung. Die Nachfrage nach AI-Literacy ist in zwei Jahren um das Siebenfache gestiegen, da sich generative AI-Tools von einer Neuheit zu einem täglichen Werkzeug am Arbeitsplatz entwickelt haben. Sie wird für den beruflichen Aufstieg mittlerweile ebenso wichtig wie digitale Kompetenz.

Zwölf Prozent der erwerbstätigen Erwachsenen nutzen AI mittlerweile täglich im Beruf, und das World Economic Forum prognostiziert, dass sich 40 % der erforderlichen Fähigkeiten innerhalb von fünf Jahren verändern werden. Dieser Leitfaden behandelt ein praktisches Framework für AI-Literacy, Strategien für die Hochschulbildung sowie die Tools, Evaluierungen und informatischen Grundlagen, die hinter echter AI-Fluency stehen.

Was ist AI-Literacy und Künstliche Intelligenz?

AI-Literacy ist die Kombination aus Fähigkeiten und Wissen, die es einer Person ermöglicht, AI-Tools effektiv zu nutzen, deren Ergebnisse kritisch zu bewerten und die Grenzen der Systeme zu verstehen, die diese Ergebnisse erzeugen – eine Form der angewandten Geläufigkeit, ähnlich wie digitale Kompetenz nicht voraussetzt, dass man einen Computer bauen kann, um ihn produktiv zu nutzen.

Künstliche Intelligenz bezieht sich auf Computersysteme, die für Aufgaben entwickelt wurden, die normalerweise menschliche Kognition erfordern, darunter Sprachverständnis, Mustererkennung und Entscheidungsfindung. Machine Learning und Deep Learning sind Teilbereiche der künstlichen Intelligenz, die es Systemen ermöglichen, sich bei Aufgaben durch den Umgang mit Daten zu verbessern, anstatt durch handgeschriebene Regeln.

Wer über grundlegende AI-Fluency verfügt, kann erkennen, wann ein AI-Tool für ein Problem geeignet ist, eine Anfrage so formulieren, dass sie ein brauchbares Ergebnis liefert, und Anzeichen dafür erkennen, dass ein Ergebnis ungenau oder voreingenommen sein könnte – eine angemessene, effektive und kritische Nutzung bildet das Rückgrat jedes hier behandelten Frameworks.

AI-Literacy-Framework

Die meisten Frameworks für AI-Literacy gliedern die Kompetenzen in drei Interaktionsbereiche: verstehen, wie AI-Systeme funktionieren, AI-Ergebnisse auf Genauigkeit und Bias überprüfen und AI-Tools zur Bewältigung von Aufgaben einsetzen. Frameworks für AI-Literacy umfassen oft funktionale, kritische und ethische Bereiche, die jeweils beobachtbaren Fähigkeiten statt abstraktem Wissen zugeordnet sind.

Der funktionale Bereich umfasst das Erstellen von Prompts und das Verstehen von Begriffen wie Large Language Models, Trainingsdaten und Machine-Learning-Modellen. Der kritische Bereich umfasst das Abgleichen von Ergebnissen mit Quellenmaterial und das Erkennen von halluzinierten Informationen. Der ethische Bereich umfasst Datenschutz, akademische Integrität und die Frage, wie Bias durch Trainingsdaten in AI-Ergebnisse gelangt.

AI-Literacy fördert das kritische Denken über AI-Technologien und deren Anwendungen, wobei jede Kompetenz mit einem Wert verknüpft wird: Genauigkeit, Skepsis und Verantwortungsbewusstsein.

Erweitertes AI-Literacy-Framework

Eine detailliertere Version des Frameworks unterteilt Verstehen, Evaluieren und Nutzen in verschiedene Niveaustufen. Auf der Grundstufe kann eine lernende Person Schlüsselbegriffe definieren und AI in Alltagsprodukten erkennen. Auf der Mittelstufe können Lernende Ergebnisse verschiedener Tools miteinander vergleichen. Auf der Fortgeschrittenenstufe können Lernende die Ergebnisse eines Systems auf Bias prüfen und Workflows mit menschlicher Aufsicht entwerfen.

Verstehen bedeutet zu begreifen, dass ein Modell Ergebnisse aus Mustern generiert, die in Trainingsdaten gelernt wurden, und nicht aus echtem Verständnis. Evaluieren bedeutet, eine konsistente Checkliste anzuwenden – einschließlich des Abgleichs von Behauptungen mit einer vertrauenswürdigen Quelle –, bevor ein Ergebnis verwendet wird. Nutzen bedeutet, AI-Tools auf reale Aufgaben in den Bereichen Recherche, Schreiben, Codierung und Datenanalyse anzuwenden, was Lernenden hilft, AI-Literacy als übertragbare Fähigkeit zu begreifen.

Aufbau von AI-Literacy in der Hochschulbildung

Hochschulen tragen eine besondere Verantwortung für AI-Literacy, da Studierende in eine Arbeitswelt entlassen werden, in der generative AI-Tools bereits Standard sind. Strategien zur Integration in den Lehrplan funktionieren am besten, wenn sie über alle Fachbereiche verteilt sind, anstatt auf ein einzelnes Informatik-Wahlfach beschränkt zu sein. Schließlich erfordert die Bewertung einer AI-generierten juristischen Zusammenfassung andere Fähigkeiten als die Bewertung eines AI-generierten Laborberichts.

Im Jahr 2024 ergab eine Umfrage unter Lehrkräften, dass AI-kompetente Lehrende AI-Tools häufiger nutzen. Dieses Muster überträgt sich auch auf die Studierenden: Praktisches Vorleben durch die Lehrenden fördert die Akzeptanz und das Vertrauen effektiver als reine Richtliniendokumente. Rollenspezifische Module sind wichtig – eine Schulung für Lehrkräfte zur verantwortungsvollen AI-Nutzung bei der Notenvergabe sieht anders aus als eine Schulung für Studierende zur AI-gestützten Recherche und Entwurfserstellung.

Bewertungs-Checkpoints ermöglichen es Institutionen, die AI-Literacy ähnlich wie die Schreibkompetenz zu erfassen: Ein früher Checkpoint könnte grundlegende Definitionen und Risiken abfragen, während ein Checkpoint vor dem Abschluss prüfen könnte, ob Studierende ein AI-generiertes Ergebnis mit dem Quellenmaterial abgleichen können.

Kursbeispiele und Aufgabenstellungen

Ein modularer Lehrplan für eine Einheit über generative AI beginnt in der Regel mit Definitionen und einer Demonstration, geht über in angeleitete Übungen zum Schreiben von Prompts und schließt mit einem Projekt ab, bei dem Studierende AI-generierte Inhalte bewerten und überarbeiten müssen, anstatt sie unbearbeitet einzureichen.

Eine Aufgabe zur Bewertung der Prompt-Qualität fordert Studierende auf, einen Prompt zusammen mit dem Ergebnis einzureichen und anschließend zu erklären, was funktioniert hat und wie sie ihn überarbeiten würden. Zur effektiven AI-Nutzung gehört auch das Erlernen von Prompt Engineering – der Praxis, präzise Prompts für bestimmte Ergebnisse zu formulieren. Dies macht die Prompt-Iteration zu einer sichtbaren Fähigkeit statt zu einem bloßen Ratespiel.

Ein Bewertungsraster für die ethische AI-Nutzung sollte Offenlegung, Überprüfung von Behauptungen und den Anteil der eigenen Analyse separat bewerten. So wird vermieden, „AI genutzt“ und „AI unverantwortlich genutzt“ als denselben Verstoß zu behandeln.

AI-Tools und generative AI-Tools

AI-Tools, die im Unterricht und am Arbeitsplatz eingesetzt werden, lassen sich im Allgemeinen in folgende Kategorien einteilen: Schreibassistenten, Recherche- und Zusammenfassungstools, Datenanalysetools sowie Bild- oder Codegenerierungstools. Die Katalogisierung von Tools nach Anwendungsfall statt nach Anbieter hilft Lehrenden, ein Tool auf ein bestimmtes Lernziel abzustimmen.

Generative AI-Tools können das Lernen und die menschlichen Fähigkeiten erweitern, wenn klare Grenzen gezogen werden zwischen dem, was das Tool erzeugt, und dem, was die lernende Person selbstständig erarbeiten muss. Die Kompetenz im Bereich der generativen AI konzentriert sich insbesondere auf Large Language Models, da diese Systeme die meisten Schreib- und Konversationstools antreiben, mit denen Lernende zuerst in Berührung kommen.

Der Vergleich der Stärken von Tools für bestimmte Aufgaben ist wichtig, da kein einzelnes Tool in allen Kategorien am besten abschneidet – zur AI-Literacy gehört es auch zu erkennen, wenn ein Tool für eine Aufgabe ungeeignet ist. Eine Schnellstart-Vorlage für ein Tool sollte dessen Anwendungsfall, einen Beispiel-Prompt und bekannte Einschränkungen, wie das Erfinden von Quellenangaben, enthalten.

Wie AI funktioniert: Modelle und Ergebnisse

AI-Chatbots analysieren Daten, um wahrscheinliche Textantworten zu generieren, anstatt vorformulierte Antworten aus einer Datenbank abzurufen. Ein Large Language Model wird mit riesigen Textmengen trainiert, lernt statistische Muster in der Beziehung von Wörtern zueinander und generiert jedes neue Wort, indem es das wahrscheinlichste nächste Token basierend auf dem vorherigen Kontext vorhersagt.

Das Modelltraining beinhaltet, ein System großen Datenmengen auszusetzen und interne Parameter anzupassen, bis die Ergebnisse mit den Mustern in diesen Daten übereinstimmen. Ein vortrainiertes Modell kann auch durch Fine-Tuning an eine spezifischere Aufgabe angepasst werden, obwohl selbst ein feinabgestimmtes System keinen integrierten Mechanismus besitzt, um zu überprüfen, ob seine Ergebnisse sachlich korrekt sind.

Bias in Modellergebnissen hat seinen Ursprung meist in den Trainingsdaten selbst: Über- oder unterrepräsentierte Perspektiven in diesen Daten zeigen sich als Ungleichgewicht in den Ergebnissen. Ein Bewusstsein für Daten ist notwendig, um zu verstehen, wie sich die Datenqualität auf AI-Ergebnisse auswirkt, was dies zu einer Kernkompetenz der AI-Literacy macht.

Halluzination – das Phänomen, dass ein Modell selbstbewusst plausible, aber sachlich falsche Informationen generiert – tritt auf, weil das Modell die statistisch wahrscheinliche Fortsetzung eines Prompts erzeugt, anstatt eine Tatsache mit einer verifizierten Quelle abzugleichen. Häufige Anzeichen dafür sind nicht auffindbare Quellenangaben und Antworten, die sich bei wiederholter Nachfrage ändern.

Praktische AI-Nutzung im Alltag

AI-Literacy befähigt Menschen, den Einfluss von AI auf den Alltag zu bewältigen – von AI-gestützten Suchergebnissen über Schreibassistenten am Arbeitsplatz bis hin zu Terminplanungstools. Zu erkennen, wo AI bereits im Hintergrund alltäglicher Apps arbeitet, ist selbst eine Kompetenz der AI-Literacy.

Eine Checkliste für die sichere AI-Datenfreigabe sollte vorsehen, keine personenbezogenen Daten oder vertraulichen Arbeitsdokumente in öffentlich zugängliche Tools einzugeben, es sei denn, ein Unternehmen hat diese Nutzung genehmigt. Viele kostenlose Tools speichern standardmäßig Konversationsdaten für Trainingszwecke. Die Überprüfung der Speichereinstellungen eines AI-Tools und die Trennung von privaten und geschäftlichen Konten verringern das Risiko einer unbeabsichtigten Offenlegung von Daten.

Kritische Bewertung und Ethik

AI-Literacy lehrt Nutzende, Probleme wie Bias und Datenschutz zu erkennen, bevor sie auf Basis eines AI-generierten Ergebnisses handeln. Eine schrittweise Checkliste zur kritischen Bewertung hinterfragt, ob eine Behauptung verifizierbar ist, ob das Ergebnis Anzeichen von Bias aufweist und ob ein darauf basierendes Handeln im Falle eines Fehlers erhebliche Kosten verursachen würde. Übungen zur Erkennung von Bias funktionieren am besten mit gepaarten Prompts – dieselbe Anfrage, formuliert mit unterschiedlichen demografischen Details –, damit Lernende beobachten können, wie sich die Ergebnisse je nach Framing verändern.

Ethische AI-Literacy beinhaltet das Verständnis der moralischen Auswirkungen von AI, einschließlich Urheberschaft, Einwilligung und den Kosten für das Training großer Modelle. Attribuierungs- und Transparenzpraktiken – also die Offenlegung, wenn AI an einer Arbeit mitgewirkt hat – schützen die akademische Integrität und die berufliche Glaubwürdigkeit. Das US Copyright Office hat 2023 den Urheberrechtsstatus von AI-generiertem Material geklärt und festgelegt, dass rein AI-generierte Inhalte ohne maßgebliche menschliche Urheberschaft im Allgemeinen keinen Urheberrechtsschutz erhalten können.

Informatische Grundlagen für AI-Literacy

Lernende benötigen kein Informatikstudium, um eine grundlegende AI-Kompetenz (AI Literacy) zu erlangen. Ein solides Verständnis einiger grundlegender Konzepte macht die Bewertung und Fehlerbehebung jedoch weitaus effektiver. Zu den wesentlichen Konzepten gehören die Strukturierung von Daten, der Unterschied zwischen regelbasierten Programmen und gelernten Modellen sowie die Art und Weise, wie Computersysteme Eingaben in Ausgaben umwandeln.

Einführende Programmierkurse sind selbst für Lernende ohne technischen Hintergrund nützlich, da das Schreiben von ein wenig Code entmystifiziert, wie AI in Produkte integriert wird, die Menschen bereits nutzen. Grundlegende Statistikthemen runden das Fundament ab: was eine Wahrscheinlichkeitsverteilung darstellt, warum ein Konfidenzwert nicht dasselbe ist wie Genauigkeit und wie sich Stichprobengröße und Datenqualität auf die Zuverlässigkeit auswirken.

Implementierung von Programmen zur AI-Kompetenz

Eine erste Bewertung der AI-Kompetenz sollte funktionale, kritische und ethische Kompetenzen separat messen, da ein Unternehmen zwar stark in der Tool-Nutzung, aber schwach in der kritischen Bewertung sein kann. Die Identifizierung und Schulung interner Multiplikatoren (Champions) beschleunigt dann die Einführung, da von Kollegen geleitete Trainings mehr Vertrauen aufbauen als Vorgaben von oben – Programme zur AI-Kompetenz sind für eine verantwortungsvolle AI-Nutzung unerlässlich, und in die Teams integrierte Champions leben diese Nutzung im Alltag vor.

Die Einrichtung einer klaren AI-Governance-Struktur und einer Richtlinie zur akzeptablen Nutzung gibt Lernenden einen konkreten Rahmen für das, was erlaubt ist. Dies reduziert Unklarheiten, die zu übervorsichtiger Vermeidung oder rücksichtsloser Übernutzung führen. Programme zur AI-Kompetenz sollten von Anfang an ethische Überlegungen und Governance einbeziehen und werden von Regierungen in mehreren Ländern als Teil der nationalen Strategie für digitale Kompetenzen anerkannt. Das Durchführen iterativer Experimente – wie das Testen eines Moduls mit einer kleinen Gruppe vor dem vollständigen Rollout – ermöglicht es Institutionen, Inhalte basierend auf echtem Feedback anzupassen.

Bewertung und Metriken

Messbare Lernziele sollten ein beobachtbares Verhalten definieren, nicht nur ein Thema: „Identifizieren Sie drei Anzeichen von AI-Halluzination in einer Beispielausgabe“ ist auf eine Weise messbar, wie es „AI-Einschränkungen verstehen“ nicht ist. Formative Aufgaben funktionieren am besten, wenn sie reale Anwendungsfälle widerspiegeln – die Bewertung einer fehlerhaften, von einer AI generierten Zusammenfassung demonstriert die kritische Bewertung direkter als eine abstrakte Multiple-Choice-Frage.

Wirkungsmetriken sollten Ergebnisse über den Kursabschluss hinaus erfassen, einschließlich der Frage, wie sicher Lernende die Nutzung von AI-Tools Monate später einschätzen und ob die offengelegte AI-Nutzung in Studienarbeiten im Laufe der Zeit zunimmt – langfristige Metriken sind ebenso wichtig wie Testergebnisse direkt nach dem Training.

Ressourcen, Toolkits und nächste Schritte

Empfohlene Lektüren sollten regelmäßig aktualisiert werden, da sich AI-Tools schneller verändern als die meisten anderen Lehrplanthemen. Ein Kurs zu den Grundlagen der generativen AI und ein beständiges Referenzwerk wie The Big Book of Generative AI altern besser als eine Leseliste, die auf bestimmten Tool-Namen basiert. Zudem verwandeln praktische Tutorials in Kombination mit einer kurzen Reflexionsaufgabe einen passiven Durchlauf in eine aktive Übung.

Bis 2026 glauben 67 % der CEOs, dass AI die Zahl der Berufseinsteiger erhöhen wird, selbst wenn sich die Rollen hin zu AI-gestützter Arbeit verschieben. Eine sechsmonatige Rollout-Roadmap sollte AI-Kompetenz als fortlaufende Fähigkeit behandeln: Monat eins für die erste Bewertung, die Monate zwei bis vier für die Bereitstellung von Modulen und das Training von Champions sowie die Monate fünf und sechs für die Wirkungsmessung und Verfeinerung des Programms.

Häufig gestellte Fragen zur AI-Kompetenz

Was ist AI-Kompetenz?

AI-Kompetenz ist die Fähigkeit einer Person zu verstehen, wie AI-Systeme funktionieren, deren Ausgaben kritisch zu bewerten und AI-Tools effektiv und ethisch zu nutzen.

Warum ist AI-Kompetenz in der Hochschulbildung wichtig?

Studierende werden in eine Arbeitswelt eintreten, in der generative AI-Tools bereits Standard sind. Institutionen, die AI-Kompetenz fachübergreifend integrieren, bereiten Studierende darauf vor, AI-Tools in jedem Bereich verantwortungsvoll zu bewerten und zu nutzen.

Was sind die Hauptbereiche eines Rahmens für AI-Kompetenz?

Rahmenwerke für AI-Kompetenz unterteilen Fähigkeiten typischerweise in drei Bereiche: funktionale Kompetenz (die Fähigkeit, AI-Tools effektiv zu nutzen), kritische Kompetenz (die Fähigkeit, Ausgaben auf Genauigkeit und Vorurteile zu überprüfen) und ethische Kompetenz (ein Verständnis der moralischen und rechtlichen Auswirkungen von AI).

Wie können Lehrende die AI-Kompetenz bewerten?

Lehrende können die AI-Kompetenz anhand messbarer, verhaltensbasierter Ziele bewerten, indem sie beispielsweise Studierende bitten, Fehler in einer fehlerhaften, von einer AI generierten Ausgabe zu identifizieren oder ihre AI-Nutzung in einem Projekt offenzulegen und zu begründen.

Was verursacht AI-Halluzinationen?

AI-Halluzinationen entstehen, weil große Sprachmodelle die statistisch wahrscheinlichste Fortsetzung eines Prompts generieren, anstatt Fakten aus einer vertrauenswürdigen Quelle abzurufen und zu überprüfen. Daher ist die kritische Bewertung von AI-Ausgaben eine Kernkompetenz der AI-Kompetenz.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag