3C-Vorgehen
Ein dreiphasiges Vorgehen (Consult, Create, Connect) zur strukturierten Entwicklung von KI-Use-Cases: erst Potenzial-Workshops, dann Prototypen, dann abteilungsübergreifende Skalierung.
AI Literacy
Die gesetzlich vorgeschriebene (Art. 4 EU AI Act) und praktisch notwendige Kompetenz von Mitarbeitenden im Umgang mit KI-Systemen. Sporadische Webinare erfüllen diese Pflicht nicht — es braucht systematische Bildungsplanung.
Anonymisierung vs. Pseudonymisierung
Pseudonymisierte Daten unterliegen weiterhin vollumfänglich der DSGVO. Nur eine echte, irreversible Anonymisierung erlaubt eine rechtssichere Nutzung sensibler Daten für KI-Analysen.
Art. 22 DSGVO (Automatisierte Entscheidungen)
Regelt das Recht, keiner ausschließlich automatisierten Entscheidung mit rechtlicher Wirkung unterworfen zu werden. Im Beschäftigtenverhältnis ist eine wirksame Einwilligung dazu aufgrund des Machtgefälles rechtlich kaum haltbar — die menschliche Einzelfallprüfung bleibt Pflicht.
Automation Bias
Die Tendenz, KI-Ergebnisse unkritisch zu übernehmen, obwohl generative Modelle statistische Wortwahrscheinlichkeitsmaschinen ohne echtes Faktenverständnis sind und plausible, aber erfundene Antworten liefern können.
Big Data
Rasant wachsende Datenmengen fordern viele Unternehmen heraus. Gleichzeitig hilft Big Data aber auch dabei, Strukturen und Zusammenhänge besser zu verstehen. Um die Informationsflut zu händeln, werden spezielle, leistungsstarke Tools und IT-Systeme benötigt, die die Daten verarbeiten und auswerten.
Co-Leadership (im KI-Kontext)
Ein hybrides Führungsverständnis, das KI als leistungsfähigen Co-Piloten begreift, während die Letztverantwortung — moralisch wie rechtlich — unübertragbar beim Menschen bleibt.
Data Governance
Der strukturierte Umgang mit Datenqualität, -herkunft und -verantwortlichkeit als Grundlage für verlässliche KI-Ergebnisse. Eine der sieben BMWK-Säulen vertrauenswürdiger KI — schlechte Datenqualität führt unweigerlich zu fehlerhaften Ergebnissen („Garbage In, Garbage Out“).
Datenschutz-Folgenabschätzung (DSFA)
Eine nach Art. 35 DSGVO vorgeschriebene, dokumentierte Prüfung der Datenschutzrisiken, bevor ein KI-System mit voraussichtlich hohem Risiko für die Rechte natürlicher Personen eingesetzt wird — nicht erst danach.
DRIVE-Konzept
Daniel Pinks Konzept, das Autonomie, Meisterschaft (Mastery) und Sinn (Purpose) als zentrale Treiber intrinsischer Motivation beschreibt — baut auf der Self-Determination Theory auf.
