TLDR
Der EU AI Act verpflichtet Unternehmen bereits heute, für AI Literacy bei allen Mitarbeitenden zu sorgen, die KI-Systeme einsetzen oder betreiben. Die meisten Schweizer Unternehmen ignorieren das. Das Risiko ist nicht nur regulatorisch: Ungeschulte Teams treffen schlechtere Entscheidungen, vertrauen KI-Output blind, und unterschätzen Datenschutzrisiken. Starte mit einem einfachen Kompetenz-Assessment – nicht mit einem Pflicht-Webinar.

Dein Team nutzt ChatGPT täglich. Vielleicht Copilot. Vielleicht noch drei andere KI-Tools, die verschiedene Abteilungen selbst abonniert haben. Und trainiert hat das... niemand.

Das war bis jetzt ein Managementproblem. Ab diesem Jahr ist es ein Compliance-Problem.

Artikel 4 EU AI Act: was da genau steht

Der EU AI Act ist seit August 2024 in Kraft. Die meisten Unternehmen haben das zur Kenntnis genommen, abgeheftet, und sind wieder zum Tagesgeschäft übergegangen. Was dabei unterging: Artikel 4 gilt nicht erst für High-Risk-AI-Systeme. Der gilt jetzt, pauschal, für alle.

Der Artikel ist kurz. Fast schon täuscht er durch seine Kürze:

"Providers and deployers of AI systems shall take measures to ensure, to their best extent, a sufficient level of AI literacy of their staff and other persons dealing with the operation and use of AI systems on their behalf."

Auf Deutsch: Wer KI-Systeme einsetzt oder betreibt, ist verpflichtet, dafür zu sorgen, dass die beteiligten Personen genügend AI Literacy haben. Nicht irgendwann. Nicht wenn die anderen Artikel greifen. Jetzt.

"Aber wir sind in der Schweiz." – Ja, haben wir oft gehört. Und stimmt natürlich, die Schweiz ist kein EU-Mitglied. Aber wenn du EU-Kunden hast, EU-Daten verarbeitest oder mit EU-Unternehmen zusammenarbeitest – und wer tut das nicht – dann gilt der AI Act für deine Geschäftstätigkeiten mit EU-Bezug. Ganz abgesehen davon, dass die Schweiz eigene KI-Regulierungen aufbaut, die sich stark am EU-Modell orientieren.

Das Fenster, in dem "wir schauen das mal an" eine akzeptable Antwort ist, schliesst sich.

Was "AI Literacy" wirklich bedeutet

Hier liegt das grösste Missverständnis, das wir in unserer Arbeit immer wieder sehen.

"Wir nutzen ChatGPT, wir haben das im Griff" ist keine AI Literacy. Genauso wenig wie "wir haben letzten Monat einen Workshop gemacht" eine Schulung ergibt.

AI Literacy ist kein Prompt-Engineering-Kurs. Es ist die Fähigkeit, verantwortungsbewusst mit KI-Systemen umzugehen – zu verstehen, was diese Systeme können, wo sie versagen, wann man ihnen nicht vertrauen sollte, und welche Konsequenzen das für Entscheidungen hat.

Konkret heisst das:

Was KI kann und was nicht. Sprachmodelle halluzinieren. Sie erzeugen plausibel klingende, sachlich falsche Antworten mit derselben Sicherheit wie korrekte. Wer das nicht weiss, prüft nicht nach. Wer nicht nachprüft, trifft schlechte Entscheidungen auf Basis von KI-Output.

Wann man KI-Outputs überprüfen muss. Nicht jede Aufgabe trägt dasselbe Risiko. Eine KI, die Meetingnotizen zusammenfasst, braucht weniger Aufsicht als eine, die Vertragsklauseln analysiert oder Finanzdaten auswertet. Mitarbeitende müssen diesen Unterschied kennen und beurteilen können.

Datenschutz und Vertraulichkeit. Was darf in ein KI-System eingegeben werden? Was nicht? Viele Teams wissen das nicht. Wir haben Unternehmen gesehen, bei denen Mitarbeitende Kundendaten, interne Strategiedokumente oder Personaldaten in externe KI-Tools eingegeben haben – ohne böswillige Absicht, einfach weil niemand erklärt hatte, warum das ein Problem ist.

Wie man KI-Fehler erkennt. Klingt der Output zu glatt? Stimmen die Quellenangaben? Passt das Ergebnis zum Kontext des Unternehmens? Das sind erlernbare Fähigkeiten.

Das ist AI Literacy. Ein ganzes Spektrum. Kein einstündiges Webinar.

Der Fehler, den wir fast überall sehen

Wir arbeiten mit Unternehmen unterschiedlichster Grössen und Branchen zusammen. Und das Muster ist fast immer dasselbe: Investitionen in KI-Tools, aber nicht in die Menschen, die diese Tools nutzen.

Das Ergebnis erinnert uns an einen Vergleich, den wir gerne verwenden. Es ist wie einen Formel-1-Boliden zu kaufen und den Fahrkurs zu überspringen. Das Auto kann das Rennen nicht fahren – der Fahrer muss es können.

Konkret: Ein Pharmaunternehmen hat ein KI-Recherche-Tool eingeführt. Grosses Budget, gute Integration. Sechs Monate später stellte sich heraus, dass das Team die Ausgaben kaum hinterfragte, weil "die KI das ja geprüft hat." Prüfschritte, die vorher Pflicht waren, wurden stillschweigend übersprungen.

Eine Bank hat GitHub Copilot für das Entwicklerteam ausgerollt. Ohne Policy, ohne Schulung, ohne Verständnis dafür, dass Copilot manchmal veralteten oder sicherheitskritischen Code vorschlägt. Erst nach einem internen Audit fiel auf, dass mehrere Sicherheitslücken ihren Ursprung in unverändert übernommenem KI-generierten Code hatten.

Das sind keine Einzelfälle. Das ist der Normalzustand bei unvorbereiteter KI-Einführung.

Ein pragmatischer Ansatz in vier Schritten

Keine Panik, kein Grossvorhaben. So geht es einfach:

Schritt 1: Kompetenz-Assessment – was ist schon da?

Bevor du ein Trainingsprogramm entwickelst, musst du wissen, wo dein Team steht. Welche KI-Tools werden eingesetzt? Von wem? In welchen Prozessen? Was verstehen die Nutzenden über diese Tools – und was nicht?

Das muss keine aufwändige Studie sein. Ein strukturiertes Assessment von ein bis zwei Tagen reicht, um ein realistisches Bild zu bekommen. Und meistens ist dieses Bild... ernüchternd. Nicht weil die Mitarbeitenden schlecht sind, sondern weil niemand je erklärt hat, was sie wissen sollen.

Schritt 2: Rollenbezogene Trainingsziele definieren

AI Literacy ist nicht für alle gleich. Was ein Entwickler wissen muss, unterscheidet sich fundamental von dem, was ein Marketingmanager, eine Compliance-Verantwortliche oder ein CFO wissen muss.

Definiere drei bis vier Rollengruppen in deinem Unternehmen. Identifiziere je Gruppe: Welche KI-Tools nutzen sie? Welche Entscheidungen unterstützen diese Tools? Was kann schiefgehen, wenn das Urteilsvermögen fehlt?

Dann bau daraus konkrete Lernziele. Nicht "weiss, was KI ist" sondern "kann bei diesem spezifischen Tool die häufigsten Fehlerquellen benennen und Ausgaben entsprechend einordnen."

Schritt 3: Trainingsprogramm – aber kein Eintagsevent

Das ist der heikelste Punkt. Ein einstündiger Workshop ergibt keine AI Literacy. Er ergibt ein Häckchen im Compliance-Protokoll.

Wirkungsvolles KI-Training hat mehrere Ebenen:

Grundlagen (für alle): Was ist ein Sprachmodell, wie entsteht KI-Output, welche typischen Fehler gibt es, was sind die Grundregeln für Datenschutz beim KI-Einsatz.

Fachspezifisches Training (je Rollengruppe): Die konkreten Tools, die diese Gruppe nutzt, mit realen Beispielen aus ihrem Arbeitsalltag.

Laufende Verstärkung: Kurze Updates wenn neue Tools eingeführt werden. Fallbeispiele aus dem eigenen Unternehmen wenn Fehler passieren. Ein internes Forum für Fragen.

Schritt 4: Wirksamkeit messen – und iterieren

Wie misst du, ob das Training funktioniert hat?

Nicht mit einem Quiz am Ende des Workshops. Sondern mit Indikatoren aus dem Arbeitsalltag: Werden KI-Outputs stärker hinterfragt? Passieren weniger Datenschutzverletzungen im Zusammenhang mit KI-Tools? Eskalieren Teams unsichere KI-Entscheidungen zu ihren Vorgesetzten anstatt sie stillschweigend umzusetzen?

Das braucht Baselinedaten – deshalb ist Schritt 1 nicht optional.

Branchenspezifisch denkt es sich besser

In der Schweiz gibt es Branchen, für die AI Literacy besonders dringend ist – und wo die spezifischen Anforderungen stark variieren.

Bei Banken und Versicherungen ist FINMA-Konformität bei KI-gestützten Entscheidungen relevant. Wer KI in Kreditentscheidungen, Risikomodellen oder Kundenkommunikation einsetzt, trägt eine besondere Sorgfaltspflicht.

In der Pharmaindustrie und Medizintechnik ist regulatorische Validierung von Software-Systemen verbreitet – und KI-Tools fallen zunehmend darunter. Mitarbeitende, die KI-Tools in dokumentationspflichtigen Prozessen einsetzen, müssen die Grenzen dieser Systeme kennen.

In der Fertigungsindustrie wachsen KI-gestützte Prozessoptimierungen und Predictive-Maintenance-Anwendungen schnell. Wer Produktionsentscheidungen auf KI-Empfehlungen basiert, muss die Fehleranfälligkeit des Modells kennen.

Gemeinsam ist allen: Die regulatorischen Anforderungen werden spezifischer, nicht allgemeiner. Ein generisches KI-Training genügt langfristig nicht.

Was das für dein Unternehmen bedeutet

Wenn dein Unternehmen KI-Tools einsetzt – und das tut fast jedes Unternehmen, bewusst oder unbewusst – dann triffst du bereits heute Entscheidungen unter dem Dach des EU AI Act.

Das bedeutet nicht, dass du sofort ein komplexes Trainingsprogramm brauchst. Es bedeutet, dass du anfangen musst. Dokumentiert. Strukturiert. Mit klarem Verantwortlichen.

Ein erster, ehrlicher Check: Kannst du heute beantworten, welche KI-Tools in deinem Unternehmen eingesetzt werden, von wem, und was diese Personen darüber wissen? Wenn nicht, ist das der Ausgangspunkt.

(Wir helfen beim KI Readiness Check, falls der Überblick fehlt. Mehr dazu in unserem Artikel über KI Readiness.)

Der nächste Schritt

Vergiss den grossen Trainingsplan für jetzt. Mach morgen genau eines: Schreib auf, welche KI-Tools in deinem Unternehmen eingesetzt werden und wer sie nutzt.

Das ist keine grosse Analyse. Eine Stunde, vielleicht zwei. Aber ohne diese Liste weisst du nicht, wo das Training ansetzen muss. Und du kannst nicht belegen, dass du als Unternehmen die Pflicht aus Artikel 4 ernst nimmst.

Wenn du bei diesem Schritt Unterstützung brauchst oder direkt mit einem strukturierten KI-Enablement-Programm anfangen willst, schau dir an, was wir im Bereich AI for Business machen. Keine generischen Workshops – Trainingsprogramme, die zu deinen realen KI-Einsatzszenarien passen.