Data Literacy: Muss jetzt jeder Statistiker werden?

350 Prozent Umsatzwachstum! Zeit, die Sektkorken knallen zu lassen?

Die Vertriebsabteilung präsentiert ihre Quartalszahlen. Das neue Projekt hat im dritten Quartal eine Umsatzsteigerung von satten 350 Prozent erzielt. Begeisterung im Konferenzraum. Schulterklopfen. Wenn das so weitergeht, können wir schon mal die nächste Firmenfeier planen.

Was bei der Präsentation etwas untergeht: Das Projekt ist erst im Vorquartal mit zwei Kunden gestartet. Nehmen wir an, aus 2.000 Euro Umsatz sind inzwischen 9.000 Euro geworden. Tatsächlich 350 Prozent Wachstum. Mathematisch gibt es daran überhaupt nichts auszusetzen.

Aber was sagt uns diese Zahl wirklich? Ist das Projekt auf einem guten Weg? Wie viel hat es gekostet, die zusätzlichen Umsätze zu erzielen? Wie viele Kunden sind hinzugekommen? Und lässt sich die Entwicklung überhaupt fortsetzen?

Die 350 Prozent sind nicht falsch. Sie erzählen nur einen kleinen Teil der Geschichte.

Und genau hier beginnt Data Literacy, auf Deutsch Datenkompetenz: die Fähigkeit, Daten nicht nur zu lesen, sondern sie zu verstehen, kritisch einzuordnen und daraus sinnvolle Schlussfolgerungen abzuleiten.

Das klingt zunächst selbstverständlich. Schließlich arbeiten wir alle täglich mit Daten. Wir lesen Berichte, betrachten Diagramme, erstellen Excel-Tabellen und treffen Entscheidungen auf Grundlage irgendwelcher Kennzahlen.

Aber verstehen wir auch immer, was wir da vor uns haben?

Was ist Data Literacy eigentlich?

Eine häufig verwendete Definition stammt vom Forschungs- und Beratungsunternehmen Gartner. Vereinfacht ausgedrückt beschreibt Gartner Data Literacy als die Fähigkeit, Daten in ihrem jeweiligen Kontext zu lesen, zu schreiben und darüber zu kommunizieren. Dazu gehören unter anderem Kenntnisse über Datenquellen, Datenstrukturen und analytische Methoden.

Das MIT Sloan beschreibt Datenkompetenz ähnlich: Daten lesen, mit ihnen arbeiten, sie analysieren und darüber kommunizieren können.

Das klingt zunächst ziemlich technisch. Gemeint ist aber etwas sehr Alltägliches.

Wer einen Wetterbericht liest, nutzt Daten. Wer Stromtarife vergleicht, ebenso. Wer wissen möchte, warum die Umsätze einer Produktgruppe sinken, arbeitet ebenfalls mit Daten.

Datenkompetenz bedeutet dabei nicht, jede Zahl selbst berechnen zu können. Vielmehr geht es darum, die richtigen Fragen zu stellen, Zusammenhänge zu erkennen und die Aussagekraft von Informationen zu beurteilen.

Nehmen wir einen Onlineshop, dessen Conversion Rate innerhalb eines Monats von drei auf sechs Prozent steigt. Eine Verdopplung! Großartig.

Allerdings hat sich im gleichen Zeitraum die Zahl der Besucher halbiert. Was bedeutet das nun für die tatsächlichen Bestellungen? Und warum hat sich die Besucherstruktur verändert?

Wer datenkompetent ist, bleibt nicht bei der ersten erfreulichen Kennzahl stehen. Er versucht, das Gesamtbild zu verstehen.

Datenkompetenz beginnt nicht mit einer Software oder einer statistischen Formel, sondern mit Neugier und kritischem Denken.

Dabei sollten wir Data Literacy nicht mit anderen Disziplinen verwechseln. Data Management beschäftigt sich vor allem damit, Daten über ihren Lebenszyklus hinweg zu organisieren, zu verwalten und verlässlich bereitzustellen. Data Science nutzt statistische, mathematische und informatische Methoden, um Erkenntnisse aus Daten zu gewinnen.

Data Literacy ist dagegen eine übergreifende Fähigkeit. Sie ermöglicht Menschen, die Ergebnisse solcher Tätigkeiten zu verstehen, selbst angemessen mit Daten zu arbeiten und fundierte Entscheidungen zu treffen.

Welche Fähigkeiten gehören zur Datenkompetenz?

Data Literacy ist keine einzelne Fähigkeit, die man in einem zweitägigen Seminar erwirbt und anschließend im Lebenslauf abhakt. Sie setzt sich aus unterschiedlichen Kompetenzen zusammen, die je nach Tätigkeit mehr oder weniger wichtig sind.

Daten verstehen und einordnen

Was bedeuten die vorliegenden Zahlen überhaupt? Woher stammen sie? Was genau wurde gemessen und nach welchen Regeln?

Ein klassisches Beispiel ist die Kennzahl „Kunde“. Zählt ein Unternehmen jeden, der irgendwann etwas gekauft hat? Nur aktive Kunden? Oder ausschließlich Kunden mit einem Umsatz innerhalb der vergangenen zwölf Monate?

Alle drei Definitionen können sinnvoll sein. Aber sie führen zu unterschiedlichen Ergebnissen.

Datenqualität beurteilen

Sind die Informationen vollständig, korrekt, aktuell und für ihren Zweck geeignet?

Eine Datenbank kann technisch einwandfreie Werte enthalten, die inhaltlich trotzdem Unsinn ergeben. Ein Kleinwagen mit einem Gewicht von 51,21 Tonnen passt möglicherweise problemlos in ein numerisches Datenbankfeld. Plausibel ist er deshalb noch lange nicht.

Datenkompetenz umfasst daher auch ein Bewusstsein für die Qualität und die Grenzen der verwendeten Informationen.

Daten analysieren und interpretieren

Hier kommen grundlegende statistische Kenntnisse ins Spiel. Mittelwerte, Median, Prozentwerte, Verteilungen und zeitliche Entwicklungen sollte man zumindest verstehen und richtig interpretieren können.

Man muss dafür keine komplexen Formeln beherrschen. Aber man sollte beispielsweise wissen, warum das durchschnittliche Gehalt in einem Unternehmen wenig über die typische Vergütung aussagen kann, wenn der Geschäftsführer ein Vielfaches seiner Beschäftigten verdient.

Zusammenhänge kritisch hinterfragen

Zwei Größen entwickeln sich gleichzeitig in dieselbe Richtung. Bedeutet das automatisch, dass die eine die andere verursacht?

Natürlich nicht.

Wenn während einer Werbekampagne die Umsätze steigen, kann das an der Kampagne liegen. Vielleicht hat aber auch die Hauptsaison begonnen, ein Wettbewerber seine Preise erhöht oder ein Großkunde außergewöhnlich viel bestellt.

Korrelation ist nicht gleich Kausalität. Dieser Unterschied gehört zu den wichtigsten Grundkenntnissen im Umgang mit Daten.

Daten visualisieren und kommunizieren

Ein gutes Diagramm kann komplizierte Zusammenhänge auf einen Blick verständlich machen. Ein schlechtes Diagramm kann selbst einfache Sachverhalte bis zur Unkenntlichkeit verzerren.

Wer Datenkompetenz besitzt, erkennt beispielsweise, dass eine abgeschnittene Y-Achse kleine Veränderungen dramatisch aussehen lassen kann.

Genauso wichtig ist die Fähigkeit, Ergebnisse so zu erklären, dass andere Menschen sie verstehen und daraus Entscheidungen ableiten können.

Daten verantwortungsvoll nutzen

Nicht alles, was technisch möglich ist, ist auch zulässig oder sinnvoll.

Datenschutz, Vertraulichkeit, faire Interpretation und ein verantwortungsbewusster Umgang mit sensiblen Informationen gehören ebenfalls dazu. Besonders dann, wenn Daten über Menschen erhoben, ausgewertet oder zur Entscheidungsfindung verwendet werden.

Und schließlich kommt eine Kompetenz hinzu, die immer wichtiger wird: der kritische und sachkundige Umgang mit künstlicher Intelligenz.

Dazu kommen wir gleich noch ausführlicher.

Muss jetzt jeder Statistiker werden?

Nein. Genauso wenig, wie jeder Autofahrer ein Kfz-Mechatroniker sein muss.

Es ist allerdings hilfreich, die wichtigsten Kontrollleuchten zu verstehen und zu wissen, wann man besser eine Werkstatt aufsucht.

Mit Daten verhält es sich ähnlich.

Nicht jeder Beschäftigte muss eine Regressionsanalyse durchführen, SQL-Abfragen schreiben oder statistische Hypothesentests beherrschen. Aber jeder sollte die Informationen verstehen können, die für seine tägliche Arbeit relevant sind.

Die benötigte Tiefe hängt von der jeweiligen Aufgabe und Verantwortung ab.

Alle Mitarbeitenden: Grundlegende Kennzahlen verstehen, Daten sorgfältig erfassen, Fehler und Unstimmigkeiten erkennen.

Fachabteilungen: Daten auswerten, geeignete Kennzahlen auswählen, einfache Analysen durchführen und Ergebnisse interpretieren.

Führungskräfte: Die Aussagekraft von Kennzahlen beurteilen, Annahmen hinterfragen, Risiken erkennen und Entscheidungen auf Daten stützen.

Datenverantwortliche: Anforderungen an Datenqualität, Definitionen, Herkunft und Verwendung von Daten verstehen und fachlich verantworten.

Datenexperten: Vertiefte Methodenkenntnisse in Datenanalyse, Statistik, Modellierung oder Datenmanagement besitzen und komplexe Fragestellungen bearbeiten.

Diese Einteilung ist natürlich keine starre Hierarchie. Auch ein Sachbearbeiter kann hervorragende Analysekenntnisse besitzen, während ein Geschäftsführer nicht zwingend jede statistische Methode kennen muss.

Entscheidend ist, dass Menschen über die Kompetenzen verfügen, die sie für ihre Aufgaben benötigen.

Gerade bei Führungskräften wird das gelegentlich unterschätzt. Wer über Budgets, Investitionen und strategische Maßnahmen entscheidet, muss nicht jede Analyse selbst durchführen können. Er sollte aber erkennen, ob eine Präsentation wesentliche Informationen auslässt.

Kommen wir zurück zu unserer Vertriebsabteilung.

Die entscheidende Leistung der Geschäftsführung besteht nicht darin, die 350 Prozent eigenhändig nachzurechnen.

Sie besteht darin, die Frage zu stellen: „350 Prozent von wie viel? Und was bedeutet das für unser Geschäft?“

Warum Data Literacy ein Wettbewerbsvorteil ist

Dass analytisches Denken längst zu den zentralen beruflichen Kompetenzen gehört, zeigt auch der Future of Jobs Report 2025 des World Economic Forum.

In der zugrunde liegenden Arbeitgeberbefragung bezeichneten 69 Prozent der befragten Unternehmen analytisches Denken als eine Kernkompetenz ihrer Beschäftigten. Damit steht diese Fähigkeit an der Spitze der untersuchten Kompetenzen. Kenntnisse im Umgang mit KI und Big Data gehören zugleich zu den Fähigkeiten, deren Bedeutung nach Einschätzung der befragten Arbeitgeber besonders stark wachsen wird.

Das überrascht wenig.

Unternehmen investieren seit Jahren in Datenbanken, Business-Intelligence-Systeme, Dashboards und inzwischen zunehmend in KI-Anwendungen. Doch die beste technische Infrastruktur nützt wenig, wenn niemand die bereitgestellten Informationen richtig einordnen kann.

Der wirtschaftliche Nutzen von Datenkompetenz zeigt sich an verschiedenen Stellen.

Bessere Entscheidungen: Wer Daten kritisch beurteilen kann, erkennt Chancen und Risiken früher und verlässt sich nicht ausschließlich auf Vermutungen oder einzelne Kennzahlen.

Effizientere Prozesse: Mitarbeitende, die ihre Daten verstehen, erkennen Fehler, unnötige Arbeitsschritte und Verbesserungspotenziale häufig selbst.

Weniger Missverständnisse: Wenn Vertrieb, Controlling und Geschäftsführung dieselben Definitionen verwenden und verstehen, lassen sich unnötige Diskussionen über widersprüchliche Zahlen vermeiden.

Mehr Eigenständigkeit: Fachabteilungen können viele Fragen selbst beantworten, statt für jede kleine Auswertung auf die IT warten zu müssen.

Bessere Nutzung von KI: Wer weiß, welche Daten er benötigt und wie Ergebnisse zu interpretieren sind, kann KI-Werkzeuge wesentlich gezielter einsetzen.

Ein Beispiel aus dem Einkauf: Zwei Lieferanten bieten dasselbe Produkt an. Lieferant A ist fünf Prozent günstiger. Lieferant B liefert zuverlässiger, hat weniger Reklamationen und kürzere Lieferzeiten.

Wer ausschließlich auf den Einkaufspreis schaut, entscheidet sich für A. Wer zusätzlich die Kosten durch Verzögerungen, Rücksendungen und Nachbearbeitung betrachtet, kommt möglicherweise zu einem anderen Ergebnis.

Keine hochkomplexe Datenwissenschaft. Nur eine bessere Entscheidungsgrundlage.

Datenkompetenz führt natürlich nicht automatisch zu besseren Geschäftsergebnissen. Dazu braucht es auch geeignete Daten, funktionierende Prozesse und Menschen, die Erkenntnisse tatsächlich nutzen.

Aber sie verbessert die Voraussetzungen dafür erheblich.

Und jetzt kommt KI: Warum soll ich das überhaupt noch selbst können?

Eine berechtigte Frage.

Moderne KI-Systeme können Daten analysieren, Diagramme erstellen, statistische Verfahren erklären, Excel-Formeln entwickeln und umfangreiche Berichte zusammenfassen.

Sie können sogar komplexe Sachverhalte so erklären, dass man sie ohne besondere Vorkenntnisse versteht.

Warum also selbst noch etwas über Statistik, Datenqualität oder analytische Methoden lernen?

Weil KI zwar viele Aufgaben übernehmen kann, aber nicht automatisch weiß, ob sie die richtigen Aufgaben bearbeitet.

Stellen wir uns vor, wir geben einer KI unsere Umsatzzahlen aus dem Eingangsbeispiel und schreiben:

„Erstelle eine überzeugende Präsentation über die hervorragende Entwicklung unseres neuen Projekts.“

Die KI kann daraus eine durchaus ansehnliche Präsentation machen. Mit Diagrammen, Wachstumsraten und einer motivierenden Zusammenfassung.

Vielleicht wird die Umsatzsteigerung von 350 Prozent besonders prominent herausgestellt. Schließlich soll die Präsentation überzeugen.

Nun ändern wir die Aufgabenstellung:

„Untersuche kritisch, wie aussagekräftig die Umsatzsteigerung ist. Welche zusätzlichen Informationen benötigen wir, um den wirtschaftlichen Erfolg des Projekts beurteilen zu können?“

Plötzlich stehen ganz andere Fragen im Mittelpunkt.

Wie hoch war der Ausgangsumsatz? Wie haben sich Kosten und Deckungsbeiträge entwickelt? Wie viele Kunden sind hinzugekommen? Handelt es sich um wiederkehrende oder einmalige Umsätze? Ist der beobachtete Zeitraum überhaupt lang genug, um belastbare Prognosen abzuleiten?

Dieselben Daten. Dasselbe KI-System. Aber zwei vollkommen unterschiedliche Blickwinkel.

Das zeigt ein grundlegendes Problem: Eine KI kann Fragen beantworten, auf die wir selbst vielleicht gar nicht gekommen wären. Wir müssen sie aber dazu bringen, diese Fragen auch zu stellen.

Eine KI kann zudem falsche Angaben machen, Zusammenhänge erfinden oder auf unpassende Methoden zurückgreifen. Und sie kann dabei ausgesprochen überzeugend klingen.

Wer keinerlei Verständnis für die analysierten Daten besitzt, wird solche Fehler kaum erkennen.

Deshalb wird Data Literacy durch KI nicht überflüssig. Im Gegenteil: Sie gewinnt an Bedeutung.

Wir müssen nicht mehr zwingend jede Berechnung selbst durchführen. Dafür müssen wir umso besser beurteilen können, ob die Berechnung sinnvoll ist, welche Annahmen dahinterstehen und welche Schlussfolgerungen zulässig sind.

Die Bedienung der Werkzeuge wird einfacher. Die Verantwortung für die Ergebnisse verschwindet dadurch nicht.

KI als persönlicher Lehrer: Datenkompetenz war noch nie so zugänglich

Bei aller berechtigten Vorsicht eröffnet KI allerdings auch eine großartige Möglichkeit: Sie kann den Erwerb von Datenkompetenz erheblich erleichtern.

Früher musste man sich für viele Fragen durch Fachbücher, Onlinekurse oder umfangreiche Softwaredokumentationen arbeiten.

Heute kann man eine KI bitten, ein Thema auf dem eigenen Wissensniveau zu erklären. Und wenn man etwas nicht versteht, fragt man einfach noch einmal nach.

Ohne genervten Dozenten. Ohne peinliche Fragen vor versammelter Mannschaft. Und notfalls auch zum fünften Mal.

Eine Mitarbeiterin im Personalwesen kann sich erklären lassen, worin sich Mittelwert und Median unterscheiden. Ein Vertriebsleiter kann lernen, wie man Kundenabwanderung misst. Ein Geschäftsführer kann sich die Grenzen einer Umsatzprognose erläutern lassen.

Und wer tiefer einsteigen möchte, kann sich Schritt für Schritt an komplexere Methoden heranarbeiten.

Besonders hilfreich ist, dass KI nicht nur fertige Antworten liefern, sondern auch als interaktiver Lernbegleiter dienen kann.

Prompt 1: Mein persönlicher Datenkompetenz-Trainer

Du bist mein persönlicher Trainer für Datenkompetenz. Ich möchte lernen, betriebliche Kennzahlen und statistische Auswertungen besser zu verstehen.

Erkläre mir den Unterschied zwischen arithmetischem Mittelwert und Median anhand eines einfachen Beispiels mit zehn Mitarbeitergehältern.

Zeige mir, wann welche Kennzahl sinnvoll ist und wie Fehlinterpretationen entstehen können.

Erkläre zunächst ohne komplizierte mathematische Formeln. Stelle mir anschließend drei Verständnisfragen, jeweils eine nach der anderen. Warte auf meine Antwort, bevor du fortfährst.

Wenn ich einen Fehler mache, erkläre mir, warum meine Antwort nicht stimmt, und hilf mir, selbst auf die richtige Lösung zu kommen.

Passe den Schwierigkeitsgrad schrittweise an meinen Kenntnisstand an.

Das ist nicht einfach eine Suchanfrage, sondern der Beginn eines kleinen individuellen Trainings.

Das Thema lässt sich beliebig austauschen: Prozentrechnung, Diagramminterpretation, Stichprobengrößen, Korrelation und Kausalität oder auch fortgeschrittene statistische Verfahren.

Die KI kann dabei helfen, Wissenslücken zu identifizieren und Lerninhalte unmittelbar mit praktischen Aufgaben zu verbinden. Ihre Erklärungen sollten bei fachlich anspruchsvollen Themen allerdings anhand verlässlicher Quellen überprüft werden.

KI als kritischer Sparringspartner

Noch spannender wird es, wenn wir KI nicht nur zum Lernen, sondern unmittelbar bei der täglichen Arbeit einsetzen.

Dabei ist es sinnvoll, sie nicht ausschließlich nach Antworten zu fragen. Man kann sie ausdrücklich auffordern, Annahmen zu hinterfragen, fehlende Informationen zu identifizieren und alternative Erklärungen vorzuschlagen.

Das funktioniert auch ohne besondere technische Kenntnisse.

Prompt 2: Der kritische Datenanalyst

Du unterstützt mich als kritischer Datenanalyst bei der Bewertung einer geschäftlichen Entwicklung.

Ein neues Projekt hat im zweiten Quartal mit zwei Kunden begonnen und einen Umsatz von 2.000 Euro erzielt. Im dritten Quartal stieg der Umsatz auf 9.000 Euro.

Deine Aufgabe ist nicht, diese Entwicklung möglichst positiv darzustellen, sondern ihre tatsächliche Aussagekraft zu beurteilen.

1. Berechne die absolute und relative Umsatzveränderung.

2. Erkläre, welche Aussagen sich anhand dieser Zahlen zuverlässig treffen lassen.

3. Identifiziere wichtige Informationen, die für die Beurteilung des wirtschaftlichen Erfolgs fehlen.

4. Nenne alternative Erklärungen für die beobachtete Entwicklung.

5. Schlage geeignete Kennzahlen vor, mit denen sich das Projekt künftig bewerten lässt.

6. Unterscheide klar zwischen Fakten, Annahmen und möglichen Interpretationen.

Erfinde keine fehlenden Daten und leite keine Prognosen ab, die sich aus den Angaben nicht begründen lassen.

Formuliere das Ergebnis verständlich für eine Geschäftsführung ohne vertiefte Statistikkenntnisse.

Dieser Prompt lässt sich natürlich auch auf andere Fragestellungen übertragen: die Entwicklung von Reklamationen, ungewöhnliche Kostensteigerungen, Ergebnisse einer Kundenbefragung oder die Bewertung einer Marketingkampagne.

Die entscheidende Idee: Wir lassen die KI nicht einfach eine Antwort produzieren, sondern nutzen sie, um unsere eigene Fragestellung zu verbessern.

Allerdings sollten wir beim Einsatz öffentlicher KI-Dienste darauf achten, keine vertraulichen Unternehmensdaten oder personenbezogenen Informationen unzulässig weiterzugeben. Für sensible Auswertungen braucht es geeignete, freigegebene Lösungen und klare Regeln.

Wie können Unternehmen Data Literacy fördern?

Natürlich kann nicht jeder Beschäftigte neben seiner eigentlichen Tätigkeit noch ein Studium in Datenwissenschaft absolvieren.

Das ist auch gar nicht erforderlich.

Datenkompetenz lässt sich hervorragend im Arbeitsalltag entwickeln. Dafür braucht es vor allem praktische Aufgaben, etwas Neugier und eine Unternehmenskultur, in der Fragen ausdrücklich erwünscht sind.

Der erste Schritt besteht darin, herauszufinden, welche Datenkenntnisse in den verschiedenen Bereichen tatsächlich benötigt werden.

Welche Kennzahlen werden regelmäßig verwendet? Wo entstehen Unsicherheiten? Welche Auswertungen bereiten Schwierigkeiten? Und welche Entscheidungen könnten durch ein besseres Verständnis der vorhandenen Daten unterstützt werden?

Darauf aufbauend lassen sich gezielte Lernangebote entwickeln. Für die eine Abteilung kann das ein kurzer Workshop zur Interpretation von Diagrammen sein. Für eine andere die Beschäftigung mit Datenqualität oder der sinnvollen Gestaltung von Kennzahlensystemen.

Nicht jeder muss dasselbe lernen.

Besonders wirkungsvoll ist das Lernen anhand eigener Aufgaben. Wer eine konkrete Frage aus seinem Arbeitsalltag beantworten möchte, hat in der Regel eine deutlich höhere Motivation, sich mit den benötigten Methoden zu beschäftigen.

Hier kann KI wiederum einen wichtigen Beitrag leisten. Sie kann Zusammenhänge erklären, Übungen entwickeln, bei Auswertungen helfen und individuelles Feedback geben.

Allerdings darf der Aufbau von Datenkompetenz nicht ausschließlich den Beschäftigten überlassen werden.

Wenn Kennzahlen im Unternehmen unterschiedlich definiert sind, wichtige Informationen fehlen oder Datenbestände nicht verlässlich gepflegt werden, hilft auch der beste Statistikunterricht nur begrenzt.

Datenkompetenz und gutes Datenmanagement ergänzen sich. Beide sind notwendig, um aus vorhandenen Daten einen tatsächlichen Nutzen zu ziehen.

Und noch etwas ist wichtig: Führungskräfte sollten mit gutem Beispiel vorangehen.

Wer bei jeder Präsentation nur nach der größten Wachstumszahl fragt, darf sich nicht wundern, wenn irgendwann nur noch beeindruckende Wachstumszahlen präsentiert werden.

Wer dagegen nach der Herkunft, Aussagekraft und den Grenzen von Daten fragt, fördert eine ganz andere Kultur.

Fazit: Wir müssen nicht alles wissen. Aber wir sollten verstehen, was wir tun.

Kommen wir noch einmal zu unseren 350 Prozent Umsatzwachstum zurück.

Die Zahl war korrekt. Die Berechnung vermutlich einfach. Und die Präsentation sah bestimmt hervorragend aus.

Ob das Projekt tatsächlich wirtschaftlich erfolgreich ist, wissen wir trotzdem noch nicht.

Genau darum geht es bei Data Literacy.

Nicht darum, aus jedem Beschäftigten einen Statistiker, Datenanalysten oder Programmierer zu machen. Sondern darum, Menschen in die Lage zu versetzen, Daten zu verstehen, sinnvoll zu nutzen und ihre Aussagekraft kritisch zu beurteilen.

Das gilt für den Sachbearbeiter ebenso wie für die Geschäftsführerin, für Unternehmen ebenso wie für öffentliche Institutionen und andere Organisationen.

Künstliche Intelligenz kann uns dabei enorm unterstützen. Sie macht Wissen leichter zugänglich, hilft bei Analysen und ermöglicht Aufgaben, für die früher umfangreiche Spezialkenntnisse erforderlich waren.

Aber sie nimmt uns nicht die Verantwortung ab, die richtigen Fragen zu stellen und Antworten kritisch zu prüfen.

Vielleicht ist das sogar die wichtigste Erkenntnis im Zeitalter der KI:

Wir müssen nicht mehr alles selbst ausrechnen können. Aber wir sollten verstehen, was wir uns da ausrechnen lassen.

Und wenn beim nächsten Meeting wieder eine Umsatzsteigerung von 350 Prozent präsentiert wird, darf man sich selbstverständlich freuen.

Man sollte nur vorher noch eine kleine Frage stellen:

„350 Prozent von wie viel?“