Umsetzungs-Playbooks4 Min. Lesezeit

KI-Kompetenzen für Mitarbeitende: Vertrauen vorab kalibrieren

Trainieren Sie Mitarbeitende, ihr Vertrauen vor der KI-Empfehlung zu bewerten, die entscheidende Aussage zu prüfen und aus der Lücke zwischen Prognose und Fakten zu lernen.

Bokili Editorial· Geprüft am 16. November 2026
TeilenX
Eine lernende Person notiert ihr Vertrauen vor der Prüfung und passt die nächste KI-gestützte Entscheidung anhand verifizierter Belege an.

KI-Kompetenzen für Mitarbeitende sollten ein oft vernachlässigtes Verhalten umfassen: das eigene Vertrauen zu bewerten, bevor die Antwort geprüft wird. Wenn Lernende ihr Vertrauen erst nach einer überzeugenden KI-Antwort einschätzen, spiegelt die Bewertung eher die Eloquenz des Outputs wider als das eigene Verständnis oder die Qualität der Fakten.

Vertrauen ist kein Beweis und geringes Vertrauen kein Scheitern. Es ist eine Prognose, die sich mit geprüften Ergebnissen vergleichen lässt. Eine kurze Kalibrierungsübung hilft Mitarbeitenden, zwei Risiken zu erkennen: schwache KI-Empfehlungen zu akzeptieren, weil sie überzeugend klingen, und nützliche Ratschläge abzulehnen, weil sie sich zu früh sicher fühlen.

Vertrauen kalibrieren mit PACT

PACT: Vertrauen als Lernsignal

1

Prognose

Wählen Sie vor der KI-Empfehlung eine vorläufige Antwort oder den nächsten Schritt und bewerten Sie Ihr Vertrauen als gering, mittel oder hoch, mit einer Begründung.

2

Frage

Nutzen Sie das freigegebene KI-Tool für dieselbe Aufgabe. Fordern Sie Begründungen, Unsicherheiten und Quellen an, wenn die Aufgabe dies zulässt.

3

Prüfen

Überprüfen Sie die entscheidende Aussage anhand einer freigegebenen Quelle oder eines Standards. Prüfen Sie die menschliche Einschätzung und den KI-Output, nicht nur die Version, der Sie nicht zustimmen.

4

Lernen

Halten Sie fest, ob sich das Vertrauen geändert hat, welche Fakten dies bewirkt haben und welches Verhalten beim nächsten Fall wiederholt werden soll.

PACT ist eine Trainingsschleife, keine Persönlichkeitsbewertung. Vergleichen Sie Mitarbeitende nicht danach, wie selbstsicher sie klingen. Vergleichen Sie die Prognose mit den Fakten und suchen Sie nach wiederholbaren Mustern: Das Vertrauen bleibt hoch bei Fehlern, niedrig bei korrekter Arbeit oder passt sich an, wenn entscheidende Fakten auftauchen.

Was die Kalibrierung aufzeigt

Beobachtetes MusterSinnvolle Lernreaktion
Hohes Vertrauen, schwache EvidenzDie Person legt sich fest, bevor sie die entscheidende Aussage prüftÜben, die Aussage zu benennen, die das Urteil ändern könnte
Geringes Vertrauen, richtiges UrteilDie Person kommt zum richtigen Ergebnis, kann es aber nicht begründenQuellenpfad und Akzeptanzkriterien sichtbar machen
Vertrauen folgt der FormulierungSicherheit steigt, wenn die KI-Antwort besonders glatt klingtEine flüssige falsche mit einer schlichten belegten Antwort vergleichen
Vertrauen folgt der EvidenzDie Person revidiert nach einer relevanten PrüfungDas Verhalten stärken und an einem neuen Fall testen
Keine Revision trotz WiderspruchNeue Evidenz wird gesehen, aber ignoriertEinen ausdrücklichen Stopp-, Korrektur- oder Eskalationsschritt üben

Das Playbook zum AI Risk Management Framework von NIST empfiehlt, das Vertrauen der Endnutzer zusammen mit der Validität, Zuverlässigkeit und Belegbarkeit von Outputs zu bewerten und zu verfolgen, wie Menschen KI-Ergebnisse überstimmen. Der britische Leitfaden für Arbeitgeber zur KI-Qualifizierung empfiehlt ebenfalls praxisnahes Training, Reflexion und die Beobachtung von Veränderungen bei Vertrauen, Nutzungsqualität und Entscheidungsfindung. Die Implikation ist praktisch: Messen Sie Vertrauen im Kontext von Fakten und Handlungen, nicht isoliert.

Anwendungsbeispiel: Priorisierung einer Wartungsanfrage

Lesen ist der Anfang. Üben macht den Unterschied.

Jetzt starten

Ein fiktiver Facility Coordinator erhält eine kurze, synthetische Wartungsanfrage. Sie erwähnt einen intermittierenden Aufzugsalarm, keine eingeschlossenen Personen und einen für morgen geplanten Technikerbesuch. Vor der Nutzung eines KI-Tools wählt der Lernende die normale Priorität und vermerkt mittleres Vertrauen, da der Alarmtyp unklar ist.

Die KI-Antwort empfiehlt eine dringende Eskalation und zitiert eine Formulierung, die in der Anfrage nicht vorkommt. Das Vertrauen des Lernenden sollte nicht allein deshalb steigen oder fallen, weil die Empfehlung entschieden klingt. PACT leitet den Lernenden an, den lokalen Prioritätsstandard und die ursprüngliche Anfrage zu prüfen. Laut Standard erfordert jedes Signal für eingeschlossene Personen eine sofortige Eskalation, aber keines liegt vor. Ein unbekannter Alarmcode muss zudem mit dem diensthabenden Techniker geklärt werden.

Die richtige Lernmaßnahme ist nicht, einfach die ursprüngliche Antwort beizubehalten oder den KI-Vorschlag zu akzeptieren. Der Lernende aktualisiert die Entscheidung: den diensthabenden Techniker kontaktieren, um den Alarmcode zu identifizieren, den geplanten Besuch beibehalten und sofort eskalieren, falls ein Einschluss-Signal auftritt. Das Vertrauen wandelt sich von mittel zu angemessen begrenzt, da eine benannte Quelle und eine Abbruchbedingung die Aktion nun stützen.

Eine faire Kalibrierungsübung durchführen

  1. 1

    Eine begrenzte Aufgabe

    Wählen Sie ein einfaches Szenario mit geringen Konsequenzen, synthetischen oder freigegebenen Informationen und einem schriftlichen Arbeitsstandard.

  2. 2

    Prognose vor KI-Einsatz

    Fragen Sie vor der KI-Antwort nach einer vorläufigen Entscheidung, dem Vertrauenslevel und einer Begründung.

  3. 3

    Plausible Alternative zeigen

    Stellen Sie eine KI-Antwort bereit, die einen relevanten Vorschlag und ein prüfbedürftiges Detail enthält.

  4. 4

    Beide Positionen prüfen

    Legen Sie dieselbe Messlatte für die erste Einschätzung des Lernenden und die KI-Empfehlung an.

  5. 5

    Änderung festhalten

    Erfassen Sie die finale Entscheidung, die Vertrauensänderung und entscheidende Fakten, ohne die Übung zu einem Leistungsranking zu machen.

  6. 6

    Mit neuem Fall wiederholen

    Ändern Sie die Details, während Sie dasselbe Verhalten testen, damit Glück nicht wie Kompetenz aussieht.

Halten Sie die Übung kurz und fair

Gestalten Sie die Übung fair: Erklären Sie, dass es um Lernunterstützung geht, nicht um ein Ranking. Nutzen Sie genehmigtes oder synthetisches Material mit geringem Risiko. Veröffentlichen Sie Arbeitsstandard und Konfidenzskala vorab. Dokumentieren Sie Gründe und Belege, nicht nur die Konfidenz. Ermöglichen Sie Anpassungen für Barrierefreiheit. Prüfen Sie mehr als einen Fall. Leiten Sie Lücken in Richtlinien, Zugriffen oder Workflows an die zuständige Stelle weiter, anstatt sie als Kompetenzmängel zu bewerten.

Verknüpfen Sie die Übung mit Bokilis Praxis-Landkarte (https://bokili.com/de/learn/ki-training-mitarbeitende-praxis-erfassen), dem verzögerten Transfer-Check (https://bokili.com/de/learn/verzoegerte-transfer-check-ki-weiterbildung) und dem Leitfaden zu verborgenen Fehlerfällen in Durchschnittswerten (https://bokili.com/de/learn/ki-scores-verschleiern-wichtige-faelle). Das Programm für HR und L&D finden Sie unter https://bokili.com/de/for-hr.

PACT in 10 Minuten
  1. Schreiben Sie einen synthetischen Arbeitsfall mit einer Entscheidung und einer maßgeblichen Referenz.
  2. Notieren Sie Ihre vorläufige Antwort, geringes, mittleres oder hohes Vertrauen und eine Begründung.
  3. Bitten Sie ein freigegebenes KI-Tool um Empfehlung, Begründung und Unsicherheiten.
  4. Prüfen Sie die entscheidende Aussage anhand der Referenz.
  5. Notieren Sie die endgültige Aktion, die Veränderung Ihres Vertrauens und den ausschlaggebenden Nachweis.
  6. Erstellen Sie einen zweiten Fall mit anderen Details, der dasselbe Urteil prüft.

Revision statt Sicherheit trainieren

Nützliche KI-Konfidenz ist weder permanenter Zweifel noch blindes Vertrauen. Es ist die Fähigkeit, ein vorläufiges Urteil zu fällen, es mit Fakten abzugleichen und bei Bedarf zu revidieren. KI-Training für Mitarbeitende wird effektiver, wenn Konfidenz als überprüfbare Prognose behandelt wird – nicht als Gefühl, das man belohnt. Bokilis kurze, rollenspezifische Missionen machen diesen Revisionsprozess sichtbar – durch Übung, Feedback und einen neuen Versuch.

Quellen

  1. Measure — AI RMF Playbook — National Institute of Standards and Technology
  2. Employer guide: What works for AI upskilling in the UK — UK Government and Skills England
TeilenX

Lesen ist der Anfang. Üben macht den Unterschied.

Bokili macht aus solchen Fähigkeiten Zehn-Minuten-Missionen für das ganze Team – mit sofortigem Feedback und sichtbarem Fortschritt.

Jetzt starten

Weiterlesen