Claude Academy
Wird geladen

Ein Diskussionsleitfaden für den AI Fluency Index

Entdecke, wie du KI-Kompetenz in deiner Organisation aufbaust

10 Min.
Wird geladen

Dieser Leitfaden ist dafür gedacht, zusammen mit dem Anthropic Education Report: The AI Fluency Index verwendet zu werden. Er funktioniert für Teams jeder Größe, egal ob du eine Führungsgruppe bist, die die Entwicklung von KI-Fähigkeiten erkundet, ein Lehrkörperteam, das Auswirkungen für deine Institution diskutiert, oder eine professionelle Lerngemeinschaft, die darüber reflektiert, wie ihr bei der Arbeit mit KI zusammenarbeitet.

Den Rahmen setzen

Jeder Abschnitt unten enthält eine kurze Zusammenfassung eines Schlüsselthemas, gefolgt von Diskussionsanregungen. Du musst nicht jeden Abschnitt oder jede Frage behandeln. Wähle aus, was für deine Gruppe am relevantesten ist.

Vorgeschlagenes Format:

  • Plane 45 bis 60 Minuten für eine fokussierte Diskussion ein.
  • Lass die Teilnehmer:innen den Bericht vorab lesen oder überfliegen.
  • Wähle 2 bis 3 Diskussionsabschnitte und eine optionale Aktivität aus.

Thema 1: Was dein Team bereits gut macht

Die Daten zeigen, dass die meisten Menschen bereits auf natürliche Weise eine Reihe von Kompetenzverhaltensweisen zeigen. Etwa 86 % der Gespräche enthalten Iteration und Verfeinerung. Etwa die Hälfte enthält Zielklärung. Rund 41 % enthalten Beispiele dafür, wie gute Ergebnisse aussehen. Das sind echte Fähigkeiten, und wahrscheinlich wenden viele Menschen in deinem Team sie bereits an.

Diskussionsanregungen

1. Wenn du dir das Diagramm zur Verhaltenshäufigkeit im Bericht ansiehst, welche Kompetenzverhaltensweisen sind deiner Meinung nach in deinem Team am stärksten ausgeprägt? Welche würdest du als am schwächsten einschätzen?

2. Das häufigste Verhalten ist Iteration und Verfeinerung. Wenn du darüber nachdenkst, wie dein Team KI nutzt: Tendieren die Leute dazu, zu iterieren und bei ersten Antworten nachzuhaken, oder akzeptieren sie das erste Ergebnis? Was treibt dieses Verhalten an?

Thema 2: Der Iterationseffekt

Iteration und Verfeinerung ist der stärkste Einzelfaktor, der mit jedem anderen Kompetenzverhalten in den Daten korreliert. Gespräche mit Iteration zeigen durchweg deutlich höhere Raten: +23,6 Prozentpunkte für die Klärung von Zielen, +22,6 Prozentpunkte für die Bereitstellung von Beispielen, +17,1 Prozentpunkte für das Identifizieren fehlenden Kontexts, +16,3 Prozentpunkte für die Angabe des Formats und +14,7 Prozentpunkte für das Hinterfragen der Argumentation.

Diskussionsanregungen

1. Der Bericht zeigt, dass Iteration mit mehr Kompetenzverhaltensweisen korreliert, aber noch keine Kausalität belegen kann. Was glaubst du, erklärt diesen Zusammenhang? Könnte es sein, dass komplexere Aufgaben auf natürliche Weise sowohl Iteration als auch mehr Kompetenzfähigkeiten erfordern?

2. Welche Hürden könnten Menschen in deinem Team davon abhalten zu iterieren? Denke an Zeitdruck, empfundenen Aufwand, Unsicherheit darüber, was als Nächstes zu fragen ist, oder einfach daran, nicht zu wissen, dass Iteration wertvoll ist.

3. Wenn du eine Teamnorm oder -praxis entwerfen würdest, um mehr Iteration zu fördern, wie würde sie aussehen? Wie würde eine „gute" Folgenachricht im Vergleich zu einer weniger effektiven aussehen?

Thema 3: Der Artefakt-Effekt

Wenn KI ausgefeilte Ergebnisse produziert, investieren Nutzer:innen im Vorfeld mehr Aufwand in die Steuerung der Arbeit, werden aber weniger geneigt, das Ergebnis zu bewerten, das sie zurückbekommen. Der Bericht nennt dies den Artefakt-Effekt.

Die Daten zeigen höhere Raten direktiver Verhaltensweisen in Artefakt-Gesprächen: +14,7 Prozentpunkte für die Klärung von Zielen, +14,5 Prozentpunkte für die Angabe des Formats, +13,4 Prozentpunkte für die Bereitstellung von Beispielen und +9,7 Prozentpunkte für Iteration. Aber alle drei Beurteilungsverhaltensweisen sinken: -3,1 Prozentpunkte für das Hinterfragen der Argumentation, -3,7 Prozentpunkte für die Faktenprüfung und -5,2 Prozentpunkte für das Identifizieren fehlenden Kontexts.

Der Bericht bietet mehrere mögliche Erklärungen an, da diese Daten korrelativ und nicht kausal sind. Ausgefeilte Ergebnisse können „fertig" signalisieren, selbst wenn sie es nicht sein sollten. Artefakt-Aufgaben könnten weniger faktische Präzision erfordern als andere Arbeiten. Oder Nutzer:innen bewerten Ergebnisse möglicherweise über andere Kanäle, etwa durch das Ausführen von Code oder das Teilen von Entwürfen mit Kolleg:innen, statt innerhalb des Gesprächs selbst.

Diskussionsanregungen

1. Hast du jemals ein KI-generiertes Ergebnis akzeptiert, weil es ausgefeilt aussah, nur um später Probleme zu entdecken? Was ist passiert?

2. Der Bericht stellt fest, dass Nutzer:innen Artefakte möglicherweise außerhalb des Gesprächs bewerten. Wo findet nach der Erfahrung deines Teams die eigentliche Bewertung von KI-Ergebnissen statt? Im Gespräch oder danach?

3. Der Bericht argumentiert, dass mit zunehmend ausgefeilt aussehenden Ergebnissen von KI-Modellen die Fähigkeit, diese Ergebnisse kritisch zu bewerten, wertvoller wird. Was würde Menschen in deinem Team helfen, einen kritischen Blick zu bewahren, wenn Ergebnisse fertig aussehen?

Thema 4: KI-Kompetenz in deiner Organisation fördern

Die Forschung weist auf drei Bereiche hin, in denen viele Nutzer:innen ihre Fähigkeiten stärken könnten: im Gespräch bleiben (iterieren), ausgefeilte Ergebnisse hinterfragen und die Bedingungen der Zusammenarbeit festlegen.

Diskussionsanregungen

1. Welche der drei Empfehlungen aus dem Bericht (mehr iterieren, ausgefeilte Ergebnisse hinterfragen, die Bedingungen der Zusammenarbeit festlegen) erscheint für dein Team gerade am umsetzbarsten? Welche wäre am schwierigsten zu übernehmen, und warum?

2. Der Bericht schlägt vor, der KI zu sagen, wie sie mit dir interagieren soll, mit Anweisungen wie „widersprich mir, wenn meine Annahmen falsch sind" oder „sag mir, worüber du dir unsicher bist". Hat das schon jemand in deinem Team ausprobiert? Welchen Unterschied hat das gemacht?

3. Wie sieht der aktuelle Ansatz deiner Organisation zur Entwicklung von KI-Fähigkeiten aus? Ist es formales Training, Peer-Learning, Versuch und Irrtum oder etwas anderes? Wie gut funktioniert das?

4. Wenn du dich im nächsten Quartal darauf konzentrieren könntest, eine KI-Kompetenz in deiner gesamten Organisation aufzubauen, welche wäre das? Was wäre ein konkreter Schritt, mit dem du beginnen könntest?

Optionale Aktivitäten

Diese praktischen Übungen können die Diskussion in die Praxis erweitern. Wähle eine basierend auf den Interessen deiner Gruppe und der verfügbaren Zeit.

Die Iterations-Challenge (15 Minuten)

Jede:r Teilnehmer:in beginnt ein Gespräch mit Claude zu einer für die eigene Arbeit relevanten Aufgabe. Nach Erhalt der ersten Antwort müssen mindestens drei Folgenachrichten gesendet werden, die das Ergebnis verfeinern, widersprechen oder umlenken, bevor das Ergebnis als abgeschlossen betrachtet wird. Diskutiert anschließend: Wie hat sich das Ergebnis verändert? Was hättest du verpasst, wenn du bei der ersten Antwort aufgehört hättest?

Die Lücke finden (15 Minuten)

Lass Claude ein Artefakt (ein Dokument, ein Stück Code, eine Analyse) zu einem Thema erstellen, das deine Gruppe gut kennt. Überprüft das Ergebnis gemeinsam und identifiziert, was richtig aussieht, aber falsch sein könnte, was fehlt und welche Annahmen ungeprüft blieben. Nutze dies, um das Gespräch über Bewertungsfähigkeiten zu verankern.

Die Bedingungen festlegen (10 Minuten)

Jede:r Teilnehmer:in schreibt eine kurze „Kollaborationspräambel", die sie oder er am Anfang wichtiger KI-Gespräche verwenden würde: wie das Modell mit ihnen interagieren soll, welche Art von Widerspruch sie wollen, was sie vom Modell erwarten, dass es anmerkt. Teilt und vergleicht die Ansätze in der Gruppe.

Weiterführende Lektüre

Diese Ressourcen bieten zusätzlichen Kontext zu den Ergebnissen des AI Fluency Index.

Dieser Diskussionsleitfaden ist ein Begleitmaterial zum Anthropic Education Report: The AI Fluency Index (2026). Er wurde vom AI Fluency Program bei Anthropic erstellt, um Führungskräfte, Lehrkräfte und Teams dabei zu unterstützen, die Ergebnisse des Berichts zu verstehen und eine stärkere KI-Kompetenz in ihren Organisationen zu fördern.