KI-Kompetenz testen: Wie gut kannst du KI wirklich nutzen?

Ein KI-Kompetenz Test sollte mehr messen als die Frage, ob jemand ChatGPT kennt oder einen brauchbaren Prompt formulieren kann. Für KMU ist entscheidend, ob Mitarbeitende KI in realen Arbeitssituationen passend, kritisch, sicher und wirtschaftlich einsetzen. Dazu gehören Grundlagen und AI Literacy genauso wie Prompting, Toolwahl, Datenschutz und Quellenprüfung — und auf den oberen Stufen Agenten, Automatisierung, Governance und die Frage, was das Ganze an Tokens und Geld kostet.

Nützlich ist ein Assessment aber nur, wenn es klar definiert, was es messen will, seine Fragen auf unterschiedliche Kompetenzniveaus verteilt und typische Test-Biases reduziert. NIST betont für KI-Evaluationen, dass Messung immer kontextabhängig ist und valide Aufgaben, Messgrössen und Datensätze braucht. Die Europäische Kommission verfolgt bei AI Literacy ebenfalls keinen Einheitsansatz: technisches Vorwissen, Erfahrung, Rolle und Nutzungskontext gehören berücksichtigt (European Commission, 2026; NIST, 2026a).

Der KI-Kompetenz-Check von AHEAD OF TIME ist genau so ein Test — und er ist über sechs eigenständige Level aufgebaut, vom Einstieg bis zur Strategieebene. Das Ergebnis soll kein Etikett sein, sondern eine Standortbestimmung: Was kannst du bereits, und was lohnt sich als Nächstes zu lernen?

Worum es geht

«Ich arbeite jeden Tag mit ChatGPT.» Das klingt nach hoher KI-Kompetenz. Vielleicht stimmt es. Vielleicht heisst es aber bloss, dass jemand regelmässig Texte umformulieren lässt.

Nutzungshäufigkeit und Kompetenz sind nicht dasselbe. Eine Person kann täglich mit generativer KI arbeiten und trotzdem Mühe haben, Quellen zu prüfen, vertrauliche Daten richtig zu behandeln, RAG von Fine-Tuning zu unterscheiden oder für eine Aufgabe das passende Werkzeug zu wählen. Umgekehrt kann jemand technische Konzepte sauber erklären und KI im Arbeitsalltag trotzdem kaum produktiv einsetzen.

Ein sinnvoller KI-Kompetenz Test macht diese Unterschiede sichtbar. Genau darin liegt sein Wert für KMU: nicht Menschen gegeneinander ranken, sondern Kompetenzprofile und Lernbedarf erkennen.

Warum tägliche KI-Nutzung noch keine KI-Kompetenz beweist

Generative KI hat die Einstiegshürde radikal gesenkt. Ein natürlichsprachiges Interface vermittelt schnell das Gefühl, das System verstanden zu haben. Gute Bedienbarkeit verdeckt aber echte Komplexität.

Für den professionellen Einsatz stellen sich Fragen wie: Welche Information darf ich überhaupt eingeben? Wann brauche ich eine Quelle? Wann ist ein Modell mit Webzugriff sinnvoller als ein quellengebundenes System? Was passiert, wenn ein Agent externe Tools aufrufen darf? Ist eine überzeugend formulierte Antwort auch korrekt? Und brauche ich für diese Aufgabe wirklich das grösste Reasoning-Modell?

Die Europäische Kommission nennt für AI Literacy genau solche kontextbezogenen Überlegungen: Organisationen sollen verstehen, welche KI-Systeme sie einsetzen, welche Chancen und Risiken damit verbunden sind und welches Wissen Mitarbeitende aufgrund ihrer Rolle und Erfahrung brauchen (European Commission, 2026).

Vertiefung: Teil 1 dieser Serie — KI-Kompetenz im KMU erklärt, welche Kompetenzen Führungskräfte und Teams 2026 tatsächlich brauchen.

Was ein KI-Kompetenz Test messen sollte: neun Themen

Ein Assessment sollte nicht versuchen, «KI-Kompetenz» mit einer einzigen Wissensfrage abzubilden. Sinnvoller ist ein mehrdimensionales Modell. Der KI-Kompetenz-Check prüft neun Themen — und zwar auf jedem Level dieselben neun. Was sich ändert, ist nicht der Themenkanon, sondern die Tiefe der Fragen.

1. LLM-Grundlagen & Agenten

Kann jemand Chancen und Grenzen generativer Modelle realistisch einschätzen? Versteht die Person, warum ein Modell halluziniert, warum ein sprachlich sicherer Output nicht automatisch wahr ist und was ein Agent von einem Chatfenster unterscheidet? Das ist die Basis — ohne sie sind alle weiteren Entscheidungen Zufallstreffer.

2. KI-Tool-Landschaft

KI-Kompetenz zeigt sich darin, für einen konkreten Use Case das geeignete Werkzeug zu wählen. Quellengebundene Analyse, aktuelle Webrecherche, Coding, Bildgenerierung, Voice oder agentische Automation verlangen unterschiedliche Systeme. Geprüft wird die Passung zum beschriebenen Fall — nicht, ob eine Marke gerade als «die beste» gilt.

3. Datenschutz & Souveränität

Erkennt jemand, wann sensible Daten im Spiel sind? Ist klar, wo Daten verarbeitet werden, wer darauf zugreift und was das für ein Schweizer KMU bedeutet? Bei fortgeschrittenen Systemen kommen Berechtigungen, Prompt Injection und Human-in-the-Loop dazu. NIST ordnet Sicherheit, Robustheit, Transparenz und Risikomanagement als zentrale Dimensionen vertrauenswürdiger KI ein (Autio et al., 2024).

4. Prompt- & Context-Engineering

Kann eine Aufgabe so beschrieben werden, dass Ziel, Kontext, Anforderungen und Format klar sind? Wichtiger noch: Erkennt die Person, wann ein besserer Prompt reicht — und wann das Problem eigentlich fehlende Daten, ein ungeeignetes Tool oder ein kaputter Prozess ist?

Praxiswissen dazu: Prompt-Engineering für KMU.

5. Tool-Detailwissen

Die Toolwahl ist die eine Hälfte, das Detailwissen die andere. Was kann ein Modell mit welchem Kontextfenster, welche Grenzen hat ein Dateiupload, wo endet die Websuche, was macht ein Projekt- oder Custom-GPT-Feature wirklich? Dieses Wissen altert schnell, deshalb gehört es regelmässig überprüft — und deshalb ist es ein eigenes Thema und nicht mit der Tool-Landschaft vermischt.

6. Fehlerquellen & Grenzen

Halluzination ist nur eine Fehlerart unter vielen. Dazu kommen veralteter Trainingsstand, abgeschnittener Kontext, stillschweigend verlorene Zwischenschritte, überzeugende Falschzitate und Automatisierungen, die im Fehlerfall trotzdem weiterlaufen. Wer die typischen Bruchstellen kennt, prüft an der richtigen Stelle statt überall gleich viel.

7. Eigene Agenten bauen

Fortgeschrittene Nutzer:innen kennen nicht nur Chat-Interfaces, sondern verstehen, wie KI-Systeme mit Wissen, Tools und externen Diensten verbunden werden — RAG, Tool Calling, MCP, Automatisierungsketten. Entscheidend ist weniger, jede Technologie selbst zu programmieren, als ihre Möglichkeiten, Grenzen und Risiken beurteilen zu können.

Weitere Praxisbeispiele: Themen-Cluster KI & Automation.

8. Vibe Coding & Setup

KI schreibt Code — und ein wachsender Teil der Arbeit in KMU entsteht so: kleine Tools, Prototypen, Skripte, Automationen, gebaut von Leuten ohne Entwicklerrolle. Das ist ein eigenes Kompetenzfeld. Dazu gehört, ein Setup zum Laufen zu bringen, generierten Code zu prüfen statt blind zu übernehmen, und zu wissen, wann ein Prototyp eben ein Prototyp bleibt.

9. Effizienz & Kosten

Professionelle Nutzung heisst auch, Qualität und Ressourceneinsatz abzuwägen. Wer bei tokenbasierten APIs unnötig lange Kontexte, überdimensionierte Modelle oder überflüssige Agentenschritte verwendet, produziert Kosten und Compute ohne Qualitätsgewinn.

Für Unternehmen: KI-Transformation, Education & Engineering bei AHEAD OF TIME.

Sechs Level statt «bestanden oder nicht bestanden»

Ein binäres Resultat — kompetent oder nicht kompetent — hilft beim Lernen nicht weiter. Der KI-Kompetenz-Check strukturiert Kompetenz deshalb über sechs eigenständige Level. Jedes hat seinen eigenen Fragenkatalog, und jedes prüft dieselben neun Themen auf einer anderen Flughöhe.

Der Unterschied zu einem einzigen Gesamtscore ist wichtig: Ein Mittelwert über alle Themen verdeckt Stärken und Schwächen. Wer bei der Tool-Landschaft glänzt und beim Datenschutz durchfällt, bekommt im Gesamtscore ein «mittel» — und lernt daraus nichts.

So läuft ein Durchlauf ab

Pro Level warten 24 bis 26 Fragen, verteilt über die neun Themen. Ein Level dauert 10 bis 15 Minuten. Wer 80 Prozent erreicht, hat das Level bestanden und schaltet das nächste frei — Level 6 hat keinen Nachfolger mehr, dort bedeutet die Schwelle schlicht: durch.

Drei Dinge sind dabei bewusst so gebaut:

• Jede Antwort wird erklärt. Nicht nur «richtig» oder «falsch», sondern warum — inklusive der Frage, warum die naheliegende falsche Option naheliegend ist. Der Test ist damit selbst ein Lernformat.
• Die Auswertung geht nach Themen. Du siehst nicht nur eine Prozentzahl, sondern in welchem der neun Felder es klemmt.
• Zu jedem Level gibt es ein Lernset als PDF mit genau den Themenmodulen, die auf dieser Stufe geprüft werden — als Vorbereitung gedacht, nicht als Pflicht.

Die Antwortoptionen werden pro Seitenaufruf gemischt. Die Buchstabenposition hat also keine Bedeutung, und wer die Reihenfolge auswendig lernt, lernt nichts.

KI-Kompetenz-Check jetzt starten → · Übersicht über beide Checks

Warum schwierige Fragen und gute Distraktoren wichtig sind

Ein Test ist nicht automatisch gut, nur weil er schwierig wirkt. Schwierigkeit entsteht auch durch unklare Formulierungen, Spezialwissen oder Trickfragen. Für einen Kompetenztest sollten Items stattdessen relevante Entscheidungen abbilden und zwischen Wissens- beziehungsweise Fähigkeitsniveaus trennen.

Bei Multiple-Choice-Fragen spielen die falschen Antwortoptionen — die Distraktoren — die entscheidende Rolle. Sie müssen plausibel sein und aus verwandten Konzepten stammen. Die American Psychological Association empfiehlt unter anderem, Distraktoren aus relevantem Fachinhalt abzuleiten, auffällige Längenunterschiede bei der richtigen Antwort zu vermeiden und Konstruktionen wie «all of the above» oder unnötig negative Fragestellungen wegzulassen (American Psychological Association, 2018).

Auch die Zufallskomponente gehört eingerechnet. Bei vier Antwortoptionen liegt die Trefferwahrscheinlichkeit durch blindes Raten bei 25 Prozent. Deshalb entscheidet nie eine einzelne schwierige Frage über eine Einstufung. Aussagekräftig ist das Muster über 24 bis 26 Items und neun Themen hinweg.

Wie sich Test-Bias reduzieren lässt

Vollständig bias-frei ist ein Assessment in der Praxis kaum. Seriöser ist deshalb die Formulierung: Bias systematisch reduzieren und empirisch prüfen. Fünf Punkte sind dabei zentral.

• Answer-Position Bias: Die richtige Antwort darf nicht auffällig oft an derselben Position stehen. In der Webapp ist die Reihenfolge randomisiert, und die korrekte Antwort wird über eine stabile ID statt über A/B/C/D gespeichert.
• Längen- und Detail-Bias: Die korrekte Antwort darf nicht regelmässig länger, präziser oder fachsprachlich sauberer formuliert sein als die Distraktoren.
• Distraktor-Bias: Offensichtlich absurde Optionen machen aus einer Wissensfrage eine Ausschlussaufgabe. Falsche Optionen müssen fachlich plausibel bleiben.
• Vendor- und Familiarity-Bias: Bei Tool-Fragen darf Markenbekanntheit nicht mit Kompetenz verwechselt werden. Szenario und Auswahlkriterien wiegen schwerer als der Produktname.
• Construct-Irrelevant Bias: Eine Frage soll das beabsichtigte KI-Wissen messen — nicht Lesegeschwindigkeit, Englischkenntnisse, Rechentricks oder Erfahrung mit einer einzelnen Benutzeroberfläche.

Nach genügend Antworten beginnt die eigentliche Qualitätsprüfung. Item-Schwierigkeit, Trennschärfe, Distraktor-Effizienz und Antwortzeiten zeigen, welche Fragen tatsächlich funktionieren. Bei ausreichender Stichprobe lassen sich zusätzlich Unterschiede zwischen Rollen, Altersgruppen oder Sprachversionen prüfen. NIST betont, dass verlässliche KI-Evaluation Messziele, Kontext, Unsicherheit und Item-Schwierigkeit explizit berücksichtigen sollte (Keller et al., 2026; NIST, 2026a).

Was ein Testergebnis leisten kann — und was nicht

Ein Online-Test ist eine Standortbestimmung, keine Zertifizierung beruflicher Kompetenz. Multiple-Choice-Items prüfen Wissen, Verständnis und Entscheidungsfähigkeit effizient. Sie zeigen aber nicht, wie gut jemand einen komplexen KI-Workflow im echten Arbeitskontext aufsetzt.

Für KMU ist das Resultat dann am wertvollsten, wenn es drei Funktionen erfüllt:

1. Orientierung: Wo stehen Person oder Team heute?
2. Diagnose: In welchen der neun Themen bestehen konkrete Lücken?
3. Nächster Lernschritt: Welche Inhalte, Übungen oder Schulungen sind als Nächstes sinnvoll?

NIST verfolgt bei KI-Evaluation denselben Grundgedanken: Messung soll Fähigkeiten und Grenzen sichtbar machen und immer im jeweiligen Anwendungskontext interpretiert werden (NIST, 2026a).

Vom Ergebnis zum Lernpfad

Ein Score allein verändert keine Arbeitsweise. Der Mehrwert entsteht, wenn Assessment und Lernen verbunden werden:

Assessment → Skill Gap → Lerninhalt → Praxis → Re-Test

Wer bei der Tool-Landschaft gut abschneidet, aber bei Datenschutz oder beim Bauen eigener Agenten Lücken zeigt, braucht keinen allgemeinen «KI für Anfänger»-Kurs. Umgekehrt sollte jemand auf Level 1 nicht mit MCP-Spezifikationen oder Multi-Agent-Architekturen überfahren werden.

Genau hier wird ein Kompetenztest für KMU strategisch interessant: Er ermöglicht differenziertes Lernen statt Weiterbildung nach dem Giesskannenprinzip. AHEAD OF TIME verbindet diese Logik mit Custom KI-Schulungen, Team-Masterclasses und KI-Transformation — vom Skill-Check bis zur Anwendung an realen Unternehmensaufgaben.

Teil 3 dieser Serie zeigt, wie aus einem Testergebnis ein Lernpfad für Geschäftsleitung, Fachbereiche und technische Rollen wird.

Fazit: Nicht der Score ist das Ziel

Ein guter KI-Kompetenz Test beantwortet nicht nur «Wie viele Fragen waren richtig?». Er zeigt, welche Fähigkeiten vorhanden sind und wo die nächste Lerninvestition am meisten bringt.

Für KMU heisst das: weniger pauschale KI-Schulungen, weniger Selbstüberschätzung durch reine Tool-Nutzung, eine bessere Grundlage für Rollen, Governance und Weiterbildung. Gleichzeitig muss der Test selbst lernfähig bleiben. Tool-Fragen altern, neue Kompetenzfelder entstehen, Items gehören anhand realer Nutzungsdaten überprüft.

Der Check ist damit nicht das Ende der Kompetenzentwicklung, sondern ihr Startpunkt.

Q&A — KI-Kompetenz testen

Was ist ein KI-Kompetenz Test?

Ein strukturiertes Assessment, das Wissen und anwendungsbezogene Fähigkeiten rund um künstliche Intelligenz prüft. Ein guter Test deckt mehrere Themen ab — von LLM-Grundlagen, Prompting und Toolwahl über Datenschutz und Fehlerquellen bis zu eigenen Agenten, Vibe Coding und Kosten.

Wie viele Fragen hat der KI-Kompetenz-Check?

24 bis 26 Fragen pro Level, verteilt über neun Themen. Ein Level dauert 10 bis 15 Minuten. Wer 80 Prozent erreicht, schaltet das nächste der sechs Level frei.

Welche Level gibt es?

Sechs: KI-Einsteiger:in, KI-Anwender:in, KI-Fortgeschrittene:r, KI-Integrator:in, KI-Architekt:in und KI-Stratege:in. Jedes Level ist ein eigener Fragenkatalog und prüft dieselben neun Themen in grösserer Tiefe.

Kann ein Online-Test echte KI-Kompetenz messen?

Er misst Wissen, Verständnis und Entscheidungsfähigkeit — er ersetzt aber keine Beobachtung realer Arbeitsleistung. Sein Wert liegt in der Standortbestimmung und im Lernpfad, der daraus folgt.

Warum reicht es nicht, nur Prompting zu testen?

Weil produktive KI-Nutzung zusätzlich Toolauswahl, Qualitätsprüfung, Datenschutz, Quellenkompetenz und je nach Rolle technische Konzepte wie RAG, Agenten oder Automatisierung verlangt. Prompting ist eines von neun Themen, nicht das ganze Feld.

Was bedeutet das oberste Level?

KI-Stratege:in heisst nicht, jedes Produkt zu kennen. Gemeint ist die Fähigkeit, KI von der Organisation her zu denken: Berechtigungen, Entscheidungsgrundlagen, Abhängigkeiten, Risiken und Evaluation fundiert zu beurteilen.

Wie verhindert man Bias bei Multiple-Choice-Fragen?

Durch plausible Distraktoren, randomisierte Antwortpositionen, ähnliche Antwortlängen, klare Sprache und die Vermeidung von Markenbekanntheit als verstecktem Kompetenzindikator. Vollständig bias-frei wird ein Test dadurch nicht — er wird prüfbar. Nach dem Launch werden Items zusätzlich empirisch analysiert.

Wie oft sollte ein KI-Kompetenz Test aktualisiert werden?

Grundbegriffe und Sicherheitsprinzipien verändern sich langsam. Tool-Detailwissen und produktspezifische Fragen gehören deutlich häufiger überprüft, weil sich Funktionen und Marktpositionen schnell verschieben.

Ist ein KI-Kompetenz Test für ganze Teams sinnvoll?

Ja — solange die Ergebnisse nicht als Ranking verwendet werden. Aggregierte Kompetenzprofile zeigen, wo gemeinsame Grundlagen fehlen und welche Rollen gezielte Vertiefung brauchen.

Weiterlesen

• Teil 1: KI-Kompetenz im KMU → welche Fähigkeiten Führung und Team 2026 wirklich brauchen
• Teil 3: KI-Kompetenz systematisch aufbauen → vom Skill Gap zum Lernpfad, der den Alltag übersteht
• Prompt-Engineering für KMU → das Thema mit dem schnellsten sichtbaren Effekt