Mehr als Prompting: KI-Kompetenz als Zukunftsfrage
Generative KI, Meta-Arbeit und Kompetenzverlust: Warum Artikel 4 des AI Acts Humankapital in den Mittelpunkt rückt
Autorinnen: Sabine Theresia Köszegi & Heidi Scheichenbauer (Research Institute – Digital Human Rights Center)
Datum: 12. Februar 2026
Ein Klick und plötzlich wird Denken „auslagerbar“.
Ein Klick, und der Entwurf steht. Ein zweiter Klick, und die E-Mail klingt verbindlicher, der Bericht wirkt geordneter, die Präsentation runder. Genau diese Unmittelbarkeit ist das Erfolgsgeheimnis generativer Künstlicher Intelligenz. Sie macht geistige Anstrengung scheinbar auslagerbar und kann so sogar Teilhabe ermöglichen.
Doch was kurzfristig wie ein Produktivitätsschub aussieht, kann langfristig in eine paradoxe Situation führen. Wir werden schneller im Produzieren, aber unsicherer im Beurteilen. Dieses Risiko des Kompetenzverlustes (De-Skilling) rückt mit dem AI Act und insbesondere Artikel 4 (KI-Kompetenz) ins Zentrum: KI ist nicht nur ein Tool-Thema, sondern eine Frage von Handlungsfähigkeit, Verantwortung und Zukunftsfähigkeit.
These 1: Generative KI bringt Effizienz und verschiebt Arbeit in Richtung „Meta-Arbeit“
Ein großer Teil der Arbeitserleichterung entsteht durch kognitives Auslagern: Formulierungen, Struktur, erste Entwürfe oder Argumentationslinien werden an Systeme delegiert, die plausibel klingende Antworten erzeugen. Das ist attraktiv, weil der Nutzen sofort spürbar ist: schneller schreiben, zusammenfassen, Varianten erzeugen.
Gleichzeitig verändert sich Wissensarbeit weg vom „selbst herstellen“ hin zum auswählen, bearbeiten und einpassen. Viele Tätigkeiten wandern von Problemlösung und Ausführung hin zu einer Rolle, die man als Aufsicht und Verantwortung über einen delegierten Produktionsprozess beschreiben kann.
Meta-Arbeit ist echte Arbeit
Generative KI produziert flüssige Sprache oder ansprechende Bilder und garantiert aber weder Richtigkeit noch Vollständigkeit. Dadurch entsteht zusätzliche Arbeit:
- Quellen prüfen
- Ergebnisse in Kontext und Zielgruppe einpassen
- implizite Annahmen sichtbar machen
- Datenschutz, Vertraulichkeit und Verzerrungen aktiv managen
Für viele Nutzende wirkt dieses kritische Prüfen wie eine Zusatzschleife, die im Arbeitsauftrag gar nicht vorgesehen ist, obwohl sie zentral für Qualität und Verantwortung ist.
Kompetenzverlust: Wenn Übung fehlt, fehlt Urteilskraft
Kompetenz entsteht nicht nur durch Wissen, sondern durch wiederholte Praxis. Wenn Routinen kaum noch ausgeführt werden, sinkt die Übungsdichte und damit die Sicherheit in genau jenen Fähigkeiten, die wir später für Kontrolle und Verantwortung brauchen.
Besonders riskant ist das dort, wo KI die ersten 80 Prozent erledigt und Menschen nur noch abnicken oder minimal nachbearbeiten. Für Berufsanfängerinnen und Berufsanfänger kann das bedeuten: typische Übungsfelder fallen weg und damit die Erfahrungsbasis, um KI-Ausgaben überhaupt qualifiziert beurteilen zu können.
Kollektive Folge: weniger Vielfalt, weniger Innovationskraft
Neben individueller Erosion gibt es eine kollektive Dimension: Wenn viele Menschen mit denselben Systemen arbeiten, steigt oft die Gleichförmigkeit von Formulierungen und Denkwegen. Statt Vielfalt kann Einfalt drohen – mit Folgen für Kreativität und Innovationskraft. Wenn KI-Outputs wiederum zu neuen Inputs werden, entstehen Rückkopplungen, die Varianz weiter reduzieren.
These 2: Nachhaltige Mensch-Maschine-Zusammenarbeit braucht Regeln, Schnittstellen und Lernräume
Ob KI zu Kompetenzaufbau oder Kompetenzabbau führt, entscheidet sich nicht mit dem Tool, sondern in der Gestaltung der Nutzung. Eine sinnvolle Zusammenarbeit braucht Systeme und Prozesse, die Menschen in der Verantwortung halten und gleichzeitig Lernen ermöglichen.
Menschen sollen wirksam entscheiden, korrigieren, begründen und verantworten können. Handlungsfähigkeit braucht reale Möglichkeiten, einzugreifen, Qualität zu sichern und Richtung vorzugeben mit Rollen, Teilaufgaben und Verantwortlichkeiten, die wirklich komplementär sind.
Von Automatisierung zu Ermächtigung
Nachhaltiger Wettbewerbsvorteil entsteht nicht nur durch schnellere Outputs, sondern durch Kernkompetenzen wie:
- domänenspezifisches Fachwissen
- professionelles Urteilsvermögen
- die Fähigkeit, gute Fragen zu stellen
- Risikoerkennung und verantwortliches Entscheiden unter Unsicherheit
Technologie ist dabei kein Schicksal. Ob generative KI als Automatisierungsprojekt oder als Ermächtigungsprojekt wirkt, hängt von organisatorischen Entscheidungen ab: Anreizsysteme, Prozessdesign, Qualifizierung und davon, welche Art von Arbeit als wertvoll gilt.
Recht als Hebel: Warum Artikel 4 des AI Acts entscheidend ist
Seit Inkrafttreten der EU-KI-Verordnung ist KI-Kompetenz auch eine Frage der Regelkonformität. Artikel 4 verpflichtet Organisationen dazu, Maßnahmen zu setzen, damit Menschen, die KI-Systeme im Auftrag nutzen oder betreiben, über ausreichende KI-Kompetenz verfügen – abhängig von Vorerfahrung, Ausbildung und Einsatzkontext.
KI-Kompetenz ist mehr als technische Bedienung. Sie umfasst auch:
- Verständnis von Chancen und Risiken
- Fähigkeit, mögliche Schäden zu erkennen und zu vermeiden
- menschenrechtliche und ethische Fragen
- ganz praktische Themen wie Dateninputs, Vertraulichkeit, Bias, Verantwortung
- wie KI Kompetenzen verändert und wie De-Skilling-Risiken minimiert werden können.
Fazit: Gestalten, Regeln setzen, Lernen ermöglichen
Generative KI ist weder Heilsversprechen noch Untergangsszenario. Sie ist ein mächtiges Werkzeug, das Arbeit neu ordnet. Ob daraus nachhaltiger Kompetenzaufbau oder Kompetenzverlust entsteht, hängt davon ab, ob und wie wir den Wandel aktiv gestalten.
Wer Artikel 4 des AI Acts ernst nimmt, braucht nicht nur Basics zu Datenschutz, Urheberrecht oder Diskriminierung, sondern auch Nutzungsformen, die Prüfen als integralen Bestandteil professioneller Arbeit verankern, Vielfalt fördern und einen Teil der Zeitgewinne systematisch in Training, Reflexion und Kompetenzaufbau investieren.
So kann Mensch-Maschine-Zusammenarbeit nicht nur kurzfristig produktiver werden, sondern langfristig Kompetenz, Selbstständigkeit und Innovationsfähigkeit erhalten.
Kurz-Bio der Autorinnen
Sabine Theresia Köszegi ist Universitätsprofessorin für Arbeitswissenschaft und Organisation an der TU Wien und leitet das Institut für Managementwissenschaften.
Heidi Scheichenbauer ist Senior Researcher und Senior Consultant am Research Institute – Digital Human Rights Center; sie forscht, berät und lehrt zu Datenschutz (u. a. im NPO-Sektor), KI in der Verwaltung und Plattformregulierung.
Wir schreiben für den STANDARD. Hier geht es zum Blog-Artikel.
