Das AI-Fluency 4D Framework

Du hast KI eingeführt. Die ersten Wochen waren euphorisch,Texte in Sekunden, Code-Drafts auf Knopfdruck, Meeting-Protokolle ohne Aufwand. Dein Team hat mitgezogen, der Chef war beeindruckt, du hast dir selbst auf die Schulter geklopft.

Und dann, irgendwo zwischen Monat zwei und drei, wird es seltsam.

Ein Kollege schickt KI-Output zum Kunden, ohne ihn zu lesen. Darin stehen Zahlen, die niemand geprüft hat. Ein anderer nutzt die gleichen fünf Prompts für alles, wundert sich aber, warum die Ergebnisse immer flacher werden. Und irgendwann fragt jemand im Meeting: „Wer ist eigentlich verantwortlich, wenn da was schiefläuft?“

Stille.

Das ist kein technisches Problem. Das ist ein Kompetenzproblem. Und es betrifft laut einer McKinsey-Analyse aus 2024 den Großteil der Unternehmen, die KI einführen, nicht weil sie die falschen Tools wählen, sondern weil sie in Tools investieren, aber nicht in die Fähigkeit, diese richtig zu nutzen.

Genau hier setzt das 4D Framework an, ein evidenzbasiertes Kompetenzmodell für echte KI-Fluency, entwickelt von Professor Joseph Feller (University College Cork) und Rick Dakan, und inzwischen auch Grundlage des offiziellen AI Fluency Framework von Anthropic.

KI-Fluency ist nicht das, was du wahrscheinlich denkst

Bevor wir ins Framework gehen, müssen wir einen Begriff klären, der inflationär und unscharf verwendet wird: KI-Kompetenz.

In den meisten Unternehmenskontexten bedeutet das: „Ich kann ChatGPT bedienen.“ Oder: „Ich weiß, wie man einen Prompt schreibt.“ Das ist ungefähr so, als würde jemand behaupten, er könne schreiben, weil er weiß, wie man einen Stift hält.

KI-Fluency, so wie das 4D Framework es definiert, ist etwas anderes. Es ist die Fähigkeit, mit KI-Systemen so zu interagieren, dass du dabei effektiv, effizient, ethisch und sicher handelst. Die Betonung liegt auf allen vier Adjektiven gleichzeitig. Nicht nur schnell. Nicht nur günstig. Auch verantwortungsbewusst und qualitätssicher.

Das ist eine strategische Kompetenz, keine technische. Und sie entscheidet, ob du KI als Hebel nutzt oder ob KI dich in eine Abhängigkeit führt, aus der du schlechter herauskommst als du reingegangen bist.

Die vier Dimensionen und warum sie kein Prozess sind

Das 4D Framework besteht aus vier Kompetenzbereichen: Delegation, Description, Discernment, Diligence. Der wichtigste Hinweis vorab: Diese vier Ds sind keine aufeinanderfolgenden Schritte. Sie sind überlappende, gleichzeitig aktive Fähigkeiten. Du nutzt sie parallel, nicht der Reihe nach.

Wer das Framework als Checkliste versteht, hat es missverstanden.

D1: Delegation – Die Frage, die die meisten überspringen

Delegation meint hier nicht das klassische Management-Konzept. Es geht um eine sehr konkrete Fähigkeit: zu entscheiden, ob, wann und in welchem Umfang du eine Aufgabe an KI übergibst.

Das klingt trivial. Es ist es nicht.

Die häufigste Fehlannahme lautet: „Was KI schneller erledigt, gibt man KI.“ Das stimmt aber es greift zu kurz. Denn Geschwindigkeit ist nur eine Dimension. Relevanter sind Fragen wie:

• Braucht diese Aufgabe menschliches Urteilsvermögen, das auf Kontext basiert, den die KI nicht hat?
• Ist das Ergebnis dieser Aufgabe direkt kundenseitig sichtbar, ohne dass jemand drüberschaut?
• Trägt diese Aufgabe Verantwortung, die rechtlich oder ethisch beim Menschen liegen muss?

Eine sinnvolle Delegationsstrategie unterscheidet zwischen drei Kategorien:

Mensch-Priorität: Aufgaben mit hohem Kontextwissen, ethischer Verantwortung oder kreativem Urteil: Strategieentwicklung, Kundenkommunikation in sensiblen Situationen, Qualitätsentscheidungen.

KI-Priorität: Aufgaben mit klaren Regeln, hohem Volumen, repetitivem Charakter: Erstdrafts, Datenstrukturierung, Code-Generierung nach Spezifikation, Recherche-Zusammenfassungen.

Hybrid: Aufgaben, bei denen KI einen Rohentwurf liefert und der Mensch den Rahmen setzt, prüft und entscheidet: Prompt-Engineering, Content-Review, komplexe Analysen.

Wer diese Unterscheidung nicht trifft, delegiert entweder zu wenig und verschenkt Effizienz oder zu viel (und verliert Qualitätskontrolle.

D2: Description – Kommunikation ist der Engpass, nicht die KI

Description ist die Fähigkeit, der KI so zu beschreiben, was du brauchst, dass sie tatsächlich liefert, was du meinst. Klingt einfach. Ist der häufigste Schwachpunkt in der KI-Nutzung.

Das Problem liegt nicht an der KI. Es liegt an uns. Wir sind es gewohnt, mit Menschen zu kommunizieren, die Lücken im Gespräch mit Kontext, Erfahrung und Interpretation füllen. KI tut das auch aber anders. Sie füllt Lücken mit dem, was statistisch wahrscheinlich ist, nicht mit dem, was du meinst.

Ein schlechter Prompt ist kein technisches Versagen. Es ist ein Kommunikationsversagen.

Das Framework empfiehlt eine Struktur, die sich in der Praxis bewährt hat, fünf Elemente, die ein guter Prompt enthält:

1. Rolle – Welchen Kontext und welche Perspektive soll die KI einnehmen?
2. Ziel – Was genau soll produziert werden?
3. Kontext – Für wen, in welchem Umfeld, mit welchen Rahmenbedingungen?
4. Format – Wie soll das Ergebnis strukturiert sein?
5. Qualitätskriterien – Woran erkennst du, dass das Ergebnis gut ist?

Der Unterschied zwischen „Schreib mir einen Artikel über KI“ und einem gut strukturierten Prompt mit diesen fünf Elementen ist kein marginaler Qualitätsunterschied. Es ist oft der Unterschied zwischen unbrauchbarem Output und direkt verwertbarem Material.

Ein weiterer unterschätzter Aspekt: Iteration ist kein Zeichen von Scheitern. Das beste Ergebnis entsteht selten im ersten Durchgang. Description als Kompetenz bedeutet auch, auf Basis des ersten Outputs weiterzuarbeiten, anzupassen und zu verfeinern, bewusst, nicht blind.

D3: Discernment – Die unbequeme Wahrheit über KI-Output

Discernment ist die Fähigkeit, die Qualität von KI-Output kritisch zu bewerten. Es ist wahrscheinlich die unterschätzteste der vier Kompetenzen und gleichzeitig die gefährlichste Lücke.

KI halluziniert. Das ist keine Metapher, das ist eine technische Tatsache. Sprachmodelle erzeugen Text, der auf Wahrscheinlichkeiten basiert, nicht auf Faktenprüfung. Sie produzieren mit hoher Konfidenz Aussagen, die falsch sind. Sie erfinden Quellen, falsche Daten, nicht existierende Studien und tun das in einem Ton, der Korrektheit suggeriert.

Das bedeutet nicht, dass KI-Output unbrauchbar ist. Es bedeutet, dass er immer geprüft werden muss.

Das 4D Framework unterscheidet hier zwischen zwei Arten von Discernment:

Product Discernment – die Bewertung des konkreten Outputs: Stimmen die Fakten? Sind Quellen verifizierbar? Passt der Stil zur Zielgruppe? Ist das Argument kohärent?

Process Discernment – die Bewertung des KI-Verhaltens: Hat die KI ethische Grenzen eingehalten? Hat sie Datenschutzvorgaben respektiert? Hat sie Bias-Muster reproduziert, die du nicht willst?

Für die Praxis bedeutet das einen dreistufigen Check vor jeder Veröffentlichung oder Weitergabe:

Stufe 1 – Faktenprüfung: Jede konkrete Aussage, jede Zahl, jede Quellenangabe wird unabhängig verifiziert. Nicht weil man der KI grundsätzlich misstraut, sondern weil es keine andere verlässliche Methode gibt.

Stufe 2 – Ethik-Check: Ist der Output DSGVO-konform? Werden Personengruppen fair dargestellt? Enthält er Formulierungen, die du nicht verantworten würdest?

Stufe 3 – Qualitätsprüfung: Trifft der Output den gewünschten Ton? Ist er für die Zielgruppe geeignet? Würdest du ihn so unterschreiben?

Discernment ist keine einmalige Kompetenz. Sie entwickelt sich mit der Erfahrung, wer regelmäßig KI-Output prüft, wird schneller und präziser darin, Schwachstellen zu erkennen.

D4: Diligence – Verantwortung lässt sich nicht delegieren

Diligence ist das ethische Fundament des Frameworks. Es beschreibt die Fähigkeit und die Bereitschaft –, Verantwortung für das zu übernehmen, was mit KI-Unterstützung entsteht.

Das klingt selbstverständlich. Ist es in der Praxis nicht.

Wenn ein KI-generierter Text fehlerhaft ist und das zum Kundenproblem wird, ist die häufigste erste Reaktion: „Die KI hat das so ausgespuckt.“ Das ist keine Verteidigung. Es ist eine Kompetenzlücke. Du als Mensch bist der Entscheider. KI ist kein Akteur mit Verantwortung, sie ist ein Werkzeug. Die Verantwortung bleibt immer beim Menschen, der dieses Werkzeug einsetzt.

Diligence bedeutet konkret:

Transparenz: Kunden, Kollegen und Öffentlichkeit wissen, wo und wie KI eingesetzt wird. Nicht als Marketing-Geste, sondern als Grundprinzip.

Compliance: Für deutsche und europäische Unternehmen ist das keine optionale Ergänzung. DSGVO, der EU AI Act, branchenspezifische Regularien, all das greift, auch wenn der Output von einer KI stammt.

Accountability-Strukturen: Wer prüft KI-Output, bevor er nach außen geht? Wer trägt die finale Verantwortung? Diese Fragen müssen intern geklärt und dokumentiert sein, nicht erst dann, wenn etwas schiefläuft.

Qualitätssicherung: KI-Output vor der Weitergabe menschlich zu prüfen ist keine Schwäche des Systems. Es ist der einzige Weg, wie das System zuverlässig funktioniert.

Warum das Framework tool-unabhängig ist und warum das entscheidend ist

Eines der stärksten Argumente für das 4D Framework: Es ist nicht an ein bestimmtes KI-System gebunden.

Die meisten „KI-Kompetenz“-Trainings, die derzeit auf dem Markt sind, schulen dich auf ChatGPT, auf Midjourney, auf ein spezifisches Tool. Das ist nützlich für die nächsten sechs Monate. Und dann kommt das nächste Modell, und du fängst von vorne an.

Die vier Kompetenzen: Delegation, Description, Discernment, Diligence funktionieren unabhängig davon, welches System du verwendest. Sie skalieren mit jedem neuen Tool. Sie bleiben relevant, egal wie schnell sich die Technologie entwickelt.

Das ist der eigentliche Wert: keine Tool-Schulung, sondern eine Denkweise.

Fazit: Das ist unsere Einschätzung

Das 4D Framework ist nicht perfekt. Kein Framework ist es. Und wer erwartet, dass vier Begriffe alle Komplexität der KI-Nutzung auflösen, wird enttäuscht.

Aber es löst ein echtes Problem und das besser als die meisten Alternativen.

Das eigentliche Defizit in deutschen Unternehmen ist nicht der Zugang zu KI-Tools. Den haben fast alle. Das Defizit liegt in der Kompetenz, diese Tools mit Urteilsvermögen, Verantwortung und kritischer Distanz zu nutzen. Genau das adressiert das Framework.

Was uns besonders überzeugt: Es bricht mit zwei verbreiteten Narrativen gleichzeitig. Es ist weder das Hype-Narrativ („KI macht alles besser, einfach loslegen“) noch das Angst-Narrativ („KI ersetzt euch alle“). Es setzt auf etwas Drittes: menschliche Kompetenz als Voraussetzung für sinnvolle KI-Nutzung.

Das ist evidenzbasiert. Das ist realistisch. Und das ist das, was Unternehmen brauchen, die KI nicht nur ausprobieren, sondern dauerhaft produktiv einsetzen wollen.

Unsere klare Empfehlung: Bevor du in das nächste KI-Tool investierst, investiere in die Kompetenz, das aktuelle richtig zu nutzen. Das 4D Framework ist ein guter Startpunkt.

Quellen:

• Feller, J. & Dakan, R.: AI Fluency Framework – Anthropic (2024): PDF
• Lessons from Professor Joseph Feller and the 4D Framework – Disco Blog: disco.co
• AI Fluency Foundations – Coursera / Claude Certifications: claudecertifications.com
• AI Fluency Framework Overview – YouTube: youtube.com

---

Hinweis: Dieser Artikel enthält Inhalte, die mit Unterstützung eines KI-Systems erstellt wurden. Die Inhalte wurden anschließend von einem Menschen mit ❤️ überprüft und bearbeitet, um Qualität und Richtigkeit sicherzustellen.