Frameworks & Vorlagen5 Min. Lesezeit

KI-Kompetenzen für Mitarbeitende: Prognose oder Szenario?

KI-Kompetenzen für Mitarbeitende brauchen eine Zahlenregel: Prognose, Szenario, Ziel oder unbelegte Schätzung müssen vor jeder Entscheidung getrennt werden.

Bokili EditorialVeröffentlicht am 26. Oktober 2026· Geprüft am 26. Oktober 2026

Ein Evidenzpaket verzweigt sich in eine Prognose mit Unsicherheit, mehrere Szenarien, ein Ziel und eine unbelegte Schätzung vor der menschlichen Entscheidung.

KI-Kompetenzen für Mitarbeitende sollten eine einfache analytische Gewohnheit einschließen: Eine Zahl wird gekennzeichnet, bevor jemand danach handelt. Eine überzeugend formulierte KI-Antwort kann 12.500 Einheiten wie eine Prognose darstellen. Tatsächlich könnte die Zahl ein Szenario unter optimistischen Annahmen, ein Vertriebsziel oder eine unbelegte Schätzung sein. Nicht nur die Rechnung birgt ein Risiko. Die Kennzeichnung bestimmt, was Entscheider aus der Zahl ableiten dürfen.

Vermitteln Sie vier klare Kategorien: Eine Prognose schätzt ein Ergebnis auf Basis benannter Daten und Annahmen. Ein Szenario untersucht, was unter einem zusammenhängenden Satz von Bedingungen geschehen könnte. Ein Ziel beschreibt, was die Organisation erreichen will. Eine unbelegte Schätzung hat weder eine nachvollziehbare Methode noch ausreichende Evidenz. Da Fachbereiche diese Begriffe unterschiedlich verwenden, muss das Training zusätzlich die lokale Methode und den verantwortlichen Besitzer verlangen – nicht nur ein Etikett.

Warum KI-Kompetenzen für Mitarbeitende Zahlenkennzeichnungen brauchen

Die Prognoseleitlinie des britischen Verkehrsministeriums bietet ein präzises Fachbeispiel: Sie definiert eine Prognose als einen Modelllauf für ein Jahr unter einem Satz von Annahmen und ein Szenario als mehrere Prognosen unter einem gemeinsamen Satz von Annahmen. Das Dokument verwendet Kern- und Alternativszenarien, um Unsicherheit sichtbar zu machen. Diese Definitionen stammen aus dem Verkehrsbereich. Die übertragbare Lektion ist dennoch eindeutig: Annahmen und Verwendungszweck gehören immer zur Zahl.

Auch das Playbook zum AI Risk Management Framework des NIST empfiehlt, Leistung im vorgesehenen Kontext gegen belastbare Referenzwerte zu messen, Unterschiede zwischen Test- und Einsatzumgebung zu dokumentieren und zu prüfen, ob die Daten das operative Umfeld weiterhin abbilden. Die britische Leitlinie zur Evaluation von KI-Maßnahmen fordert zudem, eine Ausgangslage festzulegen und den bisherigen Zustand zu dokumentieren, bevor Ergebnisse verglichen werden. Eine Zahl ohne Kontext kann diese Evidenz nicht transportieren.

	Bedeutung	Benötigte Evidenz	Richtige Verwendung
Prognose	Beste aktuelle Schätzung nach definierter Methode und für einen festen Horizont	Datenzeitraum, Methode, Annahmen, Unsicherheit und Verantwortlicher	Planen, Fehler verfolgen und bei veränderten Bedingungen aktualisieren
Szenario	Eine plausible Zukunft unter einem zusammenhängenden Satz von Bedingungen	Benannte Bedingungen, innere Konsistenz und Entscheidungszweck	Eine Entscheidung in mehreren möglichen Zukunftslagen prüfen
Ziel	Ein gewünschtes Ergebnis oder eine Verpflichtung	Geschäftliche Begründung, Verantwortlicher, Ressourcen und Termin	Handlungen koordinieren; nicht als Wahrscheinlichkeit darstellen
Unbelegte Schätzung	Eine Zahl ohne nachvollziehbare Grundlage	Noch keine ausreichende Evidenz	Als offene Prüfaufgabe behandeln, nicht als Entscheidungsgrundlage

Das ist eine Frage der KI-Kompetenz, nicht nur der Analyse. Die aktuelle Leitlinie der Europäischen Kommission verlangt, dass Maßnahmen zur KI-Kompetenz das Wissen der Mitarbeitenden, das eingesetzte System, seine Risiken und den Nutzungskontext berücksichtigen. Wer generative KI für eine Budgetnotiz, Bedarfsplanung oder Projektvorlage nutzt, muss erkennen können, wann einer flüssig formulierten Zahl die Evidenz für ihre Bezeichnung fehlt.

SCOPE prüfen, bevor eine Zahl in die Entscheidung gelangt

Fünf Felder für Prognosen, Szenarien und Ziele

S — Sorte festlegen

Schreiben Sie Prognose, Szenario, Ziel oder ungeprüfte Schätzung neben die Zahl. Ist die Kategorie unklar, stoppen Sie hier.

C — Conditions und Horizont

Nennen Sie Zeitraum, Population, geografischen Bereich und die Bedingungen, unter denen die Zahl gelten soll.

O — Ursprung von Daten und Methode

Verknüpfen Sie Quelldaten, Zeitfenster und Methode. Wenn KI Daten verändert oder Annahmen ausgewählt hat, machen Sie diesen Beitrag sichtbar.

P — Wahrscheinlichkeit und Unsicherheit

Zeigen Sie Fehlerspanne, Konfidenzaussage, Sensitivität oder das ausdrückliche Fehlen einer Wahrscheinlichkeit. Ein bestimmter Ton darf ein Szenario nicht in ein wahrscheinliches Ergebnis verwandeln.

E — Eskalation und Verantwortung

Benennen Sie, wer die Nutzung freigeben darf, welche Änderung eine neue Prüfung auslöst und wann die Zahl aktualisiert werden muss.

SCOPE macht nicht alle Mitarbeitenden zu Prognosefachleuten. Die Methode gibt Nichtfachleuten eine Stoppregel. Fehlen Methode, Annahmen oder Verantwortung, sollten sie die Formulierung nicht verstärken und keine zusätzlichen Dezimalstellen ergänzen. Stattdessen fordern sie die fehlende Evidenz an oder geben die Zahl an die für die Analyse zuständige Person weiter.

Lesen ist der Anfang. Üben macht den Unterschied.

Jetzt starten

Praxisbeispiel: die Bedarfszahl von 12.500 Einheiten

Ein Category Manager bittet ein KI-Tool, den Bedarf für das nächste Quartal zu schätzen. Der Prompt enthält die Quartalsverkäufe des Vorjahres – 9.600, 10.100, 9.900 und 10.300 Einheiten – sowie den Hinweis auf eine geplante Werbeaktion. Die Antwort lautet: „Der erwartete Bedarf beträgt 12.500 Einheiten.“ Sie zeigt weder Modell noch Promotionseffekt, Bestandsgrenzen, genaue Prognoseperiode oder Fehlerspanne.

Die Zahl vor der Nutzung richtig einordnen

1
1. Kennzeichnung prüfen
Noch ist die Zahl keine belastbare Prognose, weil Methode und Unsicherheit fehlen. Sie könnte ein optimistisches Szenario oder lediglich eine ungeprüfte Schätzung sein.
2
2. Bedingungen rekonstruieren
Fragen Sie, welche Aktionsgröße, Kanalabdeckung, Preise, Bestände und Vergleichszeiträume zu 12.500 führen. Trennen Sie bestätigte Fakten von vorgeschlagenen Annahmen.
3
3. Alternativen aufbauen
Erstellen Sie einen Basisfall aus dem historischen Muster, ein Promotionsszenario mit benannten Effektannahmen und ein negatives Szenario für schwächere Nachfrage oder Liefergrenzen.
4
4. Ziel getrennt halten
Wenn das Vertriebsteam 12.500 Einheiten anstrebt, erfassen Sie die Zahl als Ziel. Benennen Sie die Ambition nicht in erwartetes Ergebnis um.
5
5. Prüfung zuweisen
Der Verantwortliche für die Bedarfsplanung wählt die freigegebene Methode, prüft die Daten, dokumentiert die Unsicherheit und entscheidet, welche Zahl in den Plan eingeht.

Das KI-Tool kann weiterhin helfen. Es kann Annahmen ordnen, transparente Alternativen aus bereitgestellten Zahlen berechnen, eine Sensitivitätstabelle entwerfen und fehlende Eingaben auflisten. Es darf jedoch kein Ziel in eine Prognose oder ein Szenario allein durch entschlossene Formulierungen in eine Wahrscheinlichkeit verwandeln.

Vier häufige Fehler im Training

Erstens belohnen Übungen die „richtige“ Zahl, ohne ihre Entstehung zu prüfen. Zweitens heißen Szenarien hoch, mittel und niedrig, obwohl sich ihre Annahmen nicht unterscheiden. Drittens steht das Ziel ohne eigene Kennzeichnung in derselben Tabelle wie die Prognosen. Viertens soll dasselbe KI-System die Zahl erzeugen und anschließend ihre Zuverlässigkeit bestätigen. Jeder dieser Fehler verdeckt den Entscheidungsweg.

Verwenden Sie in Übungen fiktive oder freigegebene Daten. Bewerten Sie, ob Lernende die Ausgabe kennzeichnen, die Methode offenlegen, Annahmen benennen, Unsicherheit verständlich kommunizieren und die Freigabe richtig weiterleiten. Bewerten Sie nicht die Nähe zu einem zukünftigen Ergebnis, das noch niemand kennt. Der Lernnachweis ist die Qualität der analytischen Übergabe.

Zahlen in zehn Minuten richtig kennzeichnen

Wählen Sie eine von KI erzeugte Zahl aus einem synthetischen Planungsbeispiel.
Schreiben Sie daneben: Prognose, Szenario, Ziel oder ungeprüfte Schätzung.
Ergänzen Sie Zeithorizont, Population und Betriebsbedingungen.
Listen Sie Quelldaten, Methode und die beiden Annahmen auf, die das Ergebnis am stärksten beeinflussen.
Beschreiben Sie die Unsicherheit ehrlich, auch wenn keine Wahrscheinlichkeit verfügbar ist.
Benennen Sie den Verantwortlichen und die Änderung, die eine Aktualisierung auslösen würde.

Vermitteln Sie, was die Zahl erlaubt

Das Ziel ist nicht, KI aus der Planung zu verbannen. Präsentationsqualität darf nur nicht schneller wachsen als die analytische Aussagekraft. Wenn Mitarbeitende eine Prognose von einem Szenario, einem Ziel und einer unbelegten Schätzung unterscheiden, wissen sie, ob eine Zahl Planung, Stresstest, Koordination oder weitere Prüfung unterstützt.

Vertiefen Sie diese Kompetenz mit den Bokili-Leitfäden zu unabhängiger Evidenz und Schwellenwerten nach Fehlerkosten. Bokilis Ansatz für HR und L&D macht aus solchen Unterscheidungen kurze, rollenbezogene Übungen mit sichtbarem Feedback.