"If You're Very Clever, No One Knows You've Used It": The Social Dynamics of Developing Generative AI Literacy in the Workplace

Basierend auf Interviews mit 19 Wissensarbeitern zeigt diese Studie, dass zwar die sozialen Dynamiken am Arbeitsplatz das Lernen mit generativer KI unterstützen, die Wahrnehmung jedoch, dass das Verschweigen der KI-Nutzung Expertise bestätigt, zu einer verringerten Wissensweitergabe und Transparenz führt, was zu einem Aufruf für einen offeneren Dialog und kollaboratives Lernen zur Förderung der KI-Kompetenz auffordert.

Das Wesentliche

Das große Ganze: Die „Geheimsauce" des Büros

Stellen Sie sich vor, ein neues, magisches Küchengerät ist in jedem Büro aufgetaucht. Es kann E-Mails schreiben, Code reparieren und Berichte in Sekunden entwerfen. Dies ist Generative KI (GenAI).

Die Forscher wollten wissen: Wie lernen Büroangestellte tatsächlich, dieses Gerät zu benutzen? Nehmen sie einen Kurs? Fragen sie ihren Chef? Oder finden sie es selbst heraus?

Sie interviewten 19 verschiedene Wissensarbeiter (wie Anwälte, Programmierer, Marketingspezialisten und Forscher), um dies herauszufinden. Was sie entdeckten, ist ein bisschen wie ein Spiel von „Geheimagent" gemischt mit einem „Kochkurs".

Die zwei wichtigsten Fähigkeiten, die Arbeitnehmer schätzen

Die Studie ergab, dass Arbeitnehmer versuchen, zwei sehr unterschiedliche Fähigkeiten gleichzeitig zu meistern:

1. Die „Entdecker"-Fähigkeit (Wissen, was das Gerät kann)
Arbeitnehmer wollen alle coolen Dinge wissen, die die KI kann. Sie wollen neue Wege finden, sie zu nutzen, um ihre Arbeit zu erleichtern.

• Wie sie dies lernen: Sie lernen hauptsächlich durch Gespräche miteinander. Es ist wie ein Buffet, bei dem jeder ein neues Rezept mitbringt. Eine Person sagt: „Hey, ich habe KI benutzt, um ein Gedicht zu schreiben", und eine andere sagt: „Oh, ich habe sie benutzt, um eine Tabelle zu reparieren!"
• Das Ergebnis: Dieses Teilen hilft allen, schlauer darüber zu werden, wozu das Tool fähig ist.

2. Die „Unsichtbare Magier"-Fähigkeit (Verbergen, dass Sie das Gerät benutzt haben)
Dies ist der überraschende Teil. Arbeitnehmer schätzen auch die Fähigkeit, die KI so gut zu nutzen, dass niemand merkt, dass Sie sie benutzt haben.

• Warum tun sie das?
  • Angst vor Verurteilung: Manche Leute befürchten, ihr Chef oder ihre Kollegen würden denken: „Oh, du hast die Arbeit nicht selbst erledigt; du hast nur den Roboter gefragt." Sie schämen sich oder fürchten, als faul angesehen zu werden.
  • Beweisen von Expertise: Andere tun es, um zu zeigen, wie klug sie sind. Wenn Sie KI benutzen, aber das Ergebnis so perfekt bearbeiten, dass es zu 100 % menschlich aussieht, erhalten Sie Anerkennung dafür, ein „Genie" zu sein. Wie ein Teilnehmer es ausdrückte: „Wenn du sehr klug bist, weiß niemand, dass du es benutzt hast."
• Die Analogie: Stellen Sie sich einen Koch vor, der einen hochtechnologischen Sous-Chef-Roboter benutzt, um Gemüse zu schneiden. Wenn der Koch den Roboter versteckt und das Gericht serviert, als hätte er es von Hand geschnitten, erhält er standing ovations für seine Messerfertigkeiten. Wenn er zugibt, den Roboter benutzt zu haben, sagen die Leute vielleicht: „Naja, das war nicht wirklich dein Kochen."

Das Problem: Die „Stille Küche"

Hier liegt der Haken. Wenn jeder versucht, der „Unsichtbare Magier" zu sein, passiert etwas Schlechtes für den Lernprozess.

• Das Paradoxon: Um zu lernen, das Tool am besten zu nutzen, müssen Sie Ihre Fehler und Tricks mit anderen teilen (wie die „Entdecker"-Fähigkeit). Aber, um klug zu wirken und Verurteilung zu vermeiden, verbergen Sie die Tatsache, dass Sie das Tool überhaupt benutzt haben (die „Unsichtbare Magier"-Fähigkeit).
• Das Ergebnis: Die Küche wird still. Niemand gibt zu, dass er das Gerät benutzt. Niemand teilt seine „Geheimrezepte", weil er Angst vor Verurteilung hat oder weil er seinen „Genie"-Status behalten möchte.
• Die Konsequenz: Obwohl jeder das Tool benutzt, weiß das Unternehmen nicht, wie es genutzt wird, welche Fehler gemacht werden oder wie neue Mitarbeiter unterrichtet werden sollen. Es entsteht eine Kultur der Geheimhaltung statt der Teamarbeit.

Der „Arbeitsmatsch" vs. das „Meisterwerk"

Das Paper stellt auch fest, dass Menschen die KI manchmal verbergen, weil die rohe Ausgabe tatsächlich schlecht ist.

• Der „Arbeitsmatsch": Wenn Sie einfach kopieren und einfügen, was die KI sagt, klingt es oft roboterhaft, verwendet seltsame Wörter (wie „vertiefen" oder „Teppich") und fehlt echte menschliche Einsicht. Das ist wie ein Tiefkühlgericht zu servieren und es als Gourmetessen zu bezeichnen.
• Die Lösung: Erfahrene Arbeitnehmer „kritikieren" die KI. Sie beheben die seltsamen Wörter und fügen ihre eigene menschliche Note hinzu. Sie verbergen die KI nicht nur, um cool zu wirken, sondern um sicherzustellen, dass das Endprodukt tatsächlich gut ist. Indem sie diesen Prozess jedoch verbergen, verpassen sie die Chance, anderen beizubringen, wie sie es behoben haben.

Was die Autoren vorschlagen

Die Forscher sagen nicht „hören Sie auf, KI zu benutzen". Stattdessen schlagen sie einige Änderungen vor, um das Büro zu einem besseren Lernort zu machen:

1. Stoppen Sie die Scham: Manager müssen einen sicheren Raum schaffen, in dem es kein Verbrechen ist, zuzugeben, dass Sie KI benutzt haben. Es ist in Ordnung zu sagen: „Ich habe den Roboter benutzt, um dies zu entwerfen, und hier ist, wie ich es verbessert habe."
2. Feiern Sie das „Wie", nicht nur das „Was": Statt nur den endgültigen Bericht anzusehen, sprechen Sie über den Prozess. Teilen Sie die „Prompts" (die Anweisungen an die KI) und die vorgenommenen Änderungen.
3. Machen Sie das Teilen belohnend: Genau wie Menschen auf Social Media „Likes" erhalten, könnten Unternehmen Menschen belohnen, die ihre KI-Tipps und -Tricks teilen, wodurch es cool wird, transparent zu sein, anstatt cool zu sein, geheimnisvoll zu sein.

Zusammenfassung

Das Paper argumentiert, dass Büroangestellte zwar sehr gut darin werden, KI zu nutzen, aber auch sehr gut darin werden, sie zu verbergen. Sie tun dies, um klug zu wirken und Verurteilung zu vermeiden. Aber diese Geheimhaltung verhindert, dass das gesamte Team gemeinsam lernt. Um dies zu beheben, müssen Arbeitsplätze aufhören, die KI-Nutzung als Geheimnis zu behandeln, und anfangen, sie als eine gemeinsame Fähigkeit zu betrachten, von der jeder offen lernen kann.

Technische Zusammenfassung

1. Problemstellung

Während Generative KI (GenAI) die Wissensarbeit rapide transformiert, fehlt es der bestehenden Forschung zur KI-Kompetenz an empirischen Erkenntnissen darüber, wie Wissensarbeiter Kompetenzen innerhalb der komplexen sozialen Dynamiken des Arbeitsplatzes entwickeln. Aktuelle Rahmenwerke konzentrieren sich häufig auf technische Fähigkeiten oder formale Bildung und übersehen dabei die unstrukturierten, informellen Lernprozesse, die von Fachkräften genutzt werden.

Zu den identifizierten wesentlichen Lücken gehören:

• Das „Versteck"-Phänomen: Arbeitnehmer verbergen GenAI-Nutzung häufig aufgrund von sozialem Stigma oder Angst vor Verurteilung, doch die Auswirkungen dieses Verhaltens auf organisationales Lernen und Transparenz sind schlecht verstanden.
• Definition von Kompetenz: Es ist unklar, welche spezifischen Kompetenzen (technisch vs. sozio-technisch) Arbeitnehmer in der Praxis am höchsten bewerten.
• Lernstrategien: Es besteht ein begrenztes Verständnis dafür, wie Arbeitnehmer die Spannung zwischen dem Lernen von Kollegen und der Aufrechterhaltung einer professionellen Identität navigieren, die möglicherweise das Verschleiern von KI-Unterstützung erfordert.

2. Methodik

Die Studie verfolgte einen qualitativen Ansatz, um Überzeugungen, Strategien und soziale Dynamiken der GenAI-Einführung zu untersuchen.

• Teilnehmer: 19 Wissensarbeiter aus verschiedenen Sektoren (IT, Recht, Kreativwirtschaft, Wissenschaft, Personalwesen, Finanzen usw.).
• Rekrutierung: Die Teilnehmer wurden über Prolific rekrutiert und nach spezifischen Kriterien gescreent:
  • Beschäftigung in Sektoren, die GenAI schnell einführen.
  • Nutzung von GenAI mindestens wöchentlich für arbeitsbezogene Zwecke.
  • Mehr als 1 Jahr Erfahrung in der aktuellen Rolle.
  • Arbeit in Umgebungen ohne explizite Verbote von GenAI (oder bei unsicheren Richtlinien).
• Datenerhebung: Semi-strukturierte Interviews (50–60 Minuten), die zwischen Dezember 2024 und Januar 2025 online über Microsoft Teams durchgeführt wurden.
• Analyse:
  • Positionalität: Das Forschungsteam nahm eine Haltung des kritischen Realismus ein und anerkannte, dass Interpretationen subjektive Erfahrungen und soziale Kontexte widerspiegeln und nicht die objektive Realität.
  • Thematische Analyse: Ein Template-Ansatz wurde verwendet, wobei die initiale Kodierung durch zwei bestehende KI-Kompetenz-Rahmenwerke (Pinski & Benlian; Annapureddy et al.) und das COM-B-Modell (Capability, Opportunity, Motivation) als Gerüst diente, um Lernverhalten zu analysieren.
  • Strenge: Mehrere Autoren überprüften Codes und Themen, um Reflexivität und kritische Reflexion sicherzustellen.

3. Hauptbeiträge

Das Paper leistet drei wesentliche Beiträge zum Bereich Human-Computer Interaction (HCI) und KI-Kompetenz:

1. Empirische Fundierung: Es liefert eine detaillierte Darstellung, wie 19 diverse Wissensarbeiter GenAI-Kompetenz praktizieren und verhandeln, und geht damit über theoretische Rahmenwerke hinaus zur realen Anwendung.
2. Neudefinition von „KI-Verstecken": Es stellt die vorherrschende Ansicht in Frage, dass das Verbergen der KI-Nutzung ausschließlich auf Scham beruht. Die Studie findet heraus, dass das erfolgreiche Auslöschen von Hinweisen auf GenAI-Nutzung oft als positive Bestätigung von Fachwissen angesehen wird. Dieses Verhalten schafft jedoch ein Paradoxon: Es signalisiert den Kollegen Kompetenz, reduziert gleichzeitig aber die Möglichkeiten für Wissensaustausch und Transparenz.
3. Erweiterung des Rahmenwerks: Es erweitert bestehende KI-Kompetenz-Rahmenwerke, indem es die kritische Rolle sozio-technischer Kompetenzen hervorhebt. Es argumentiert, dass menschliche Akteure nicht nur Ressourcen für das Lernen sind, sondern auch Quellen sozialen Einflusses, die Nutzungsmuster prägen, was neue Designüberlegungen für offenen Dialog und Offenlegung erfordert.

4. Hauptergebnisse

Die Studie identifizierte zwei Kernkompetenzen und zwei entsprechende Lernstrategien, die eine zentrale Spannung zwischen individueller Identität und kollektivem Lernen aufzeigen.

A. Kernkompetenzen

1. Technische Kompetenz (Bewusstsein für Anwendungsfälle):
   • Arbeitnehmer schätzen die Fähigkeit, neue Anwendungen von GenAI zu identifizieren, um einen Wettbewerbsvorteil zu erlangen.
   • Dieses Bewusstsein wird oft durch die Angst vor Arbeitsplatzverlagerung oder den Wunsch getrieben, den Branchentrends voraus zu sein.
2. Sozio-technische Kompetenz (Entfernung von Hinweisen):
   • Arbeitnehmer entwickeln die Fähigkeit, „Hinweise" (z. B. spezifische Formulierungen wie „vertiefen", übermäßige Kommentare im Code, fehlender Kontext) zu erkennen und zu entfernen, die auf GenAI-Nutzung hindeuten.
   • Motivationen für die Entfernung:
     • Kritik/Qualitätssicherung: Entfernen generischer oder qualitativ minderwertiger Ausgaben, um sicherzustellen, dass die Arbeit professionellen Standards entspricht.
     • Validierung der Expertenidentität: Das erfolgreiche Verschleiern der KI-Nutzung signalisiert, dass der Arbeitnehmer tiefes Fachwissen besitzt und ihn von denen unterscheidet, die blind auf KI vertrauen.
     • Verheimlichung/Stigma: Vermeidung negativer Urteile durch ältere Generationen oder konservatives Management.

B. Lernstrategien

1. Lernen von anderen:
   • Informeller Wissensaustausch (Kollegen, LinkedIn, soziale Medien) ist entscheidend, um neue Anwendungsfälle zu entdecken und Wissenslücken zu schließen.
   • Dies ist jedoch oft strategisch; Arbeitnehmer teilen Wissen möglicherweise, um die KI-Nutzung zu normalisieren oder Validierung zu suchen, halten aber spezifische Details zurück, um einen Wettbewerbsvorteil zu wahren.
2. Praxiserfahrung:
   • Kompetenz ist weitgehend implizit und wird durch Versuch und Irrtum entwickelt.
   • Arbeitnehmer müssen lernen, kontextspezifische Angemessenheit zu bewerten, Modellgrenzen (Halluzinationen) zu verstehen und metakognitive Fähigkeiten zu entwickeln, um Prompts effektiv zu formulieren.

C. Die zentrale Spannung

Die Studie enthüllt ein Paradoxon: Während das Lernen von anderen für die Entwicklung technischer Bewusstheit unerlässlich ist, unterdrückt der Drang, die eigene Expertise durch „Hinweis-Entfernung" zu validieren, aktiv die Transparenz.

• Arbeitnehmer, die die KI-Nutzung erfolgreich verbergen, werden als Experten gelobt.
• Dieses Verhalten schafft „organisationsinterne Schweigen", in denen die KI-Nutzung weit verbreitet, aber nicht anerkannt ist, was den Austausch bewährter Verfahren, die Fehlererkennung und das kollektive Sinnstiften verhindert.
• Offenlegung wird oft vermieden, sei es aufgrund der wahrgenommenen Gleichgültigkeit der Kollegen („einfach die Arbeit erledigen") oder aus Angst vor sozialem Stigma.

5. Bedeutung und Implikationen

Die Ergebnisse haben erhebliche Implikationen für HCI-Design, Organisationsmanagement und KI-Kompetenz-Rahmenwerke.

• Für Organisationen:

  • Kultur der Offenheit: Führungskräfte müssen psychologische Sicherheit fördern, um die Angst vor Verurteilung im Zusammenhang mit der KI-Nutzung zu verringern. Passive Duldung von KI ist unzureichend; aktive Diskurse sind erforderlich, um „organisationsinterne Schweigen" zu durchbrechen.
  • Anreize zum Teilen: Organisationen sollten den Austausch von GenAI-Workflows, Prompts und gesammelten Erfahrungen belohnen und diese als wertvolle geistige Vermögenswerte und nicht als Geheimnisse behandeln.
  • Klarheit der Richtlinien: Es sind klare Richtlinien zur Offenlegung erforderlich, um Unsicherheit zu reduzieren und verantwortungsvolle Nutzung zu fördern.

• Für Designer (HCI):

  • Unterstützung der Offenlegung: Entwickeln Sie Tools, die es einfacher machen, „nutzergeneriertes Wissen" (z. B. Prompts, Workflows) zu teilen, ohne den Nutzer Stigma auszusetzen.
  • Anerkennungssysteme: Implementieren Sie Mechanismen ähnlich offenen „Kudos" oder „Hugs" im Open-Source-Bereich, um das Teilen von GenAI-Artifakten positiv zu verstärken.
  • Fokus auf Metakognition: Gehen Sie über das einfache Teilen von Prompts hinaus, um Nutzern zu helfen, die Strategien hinter erfolgreichen Interaktionen zu verstehen und so tieferes Lernen zu fördern.

• Für KI-Kompetenz-Rahmenwerke:

  • Kompetenzmodelle müssen sich weiterentwickeln, um sozio-technische Kompetenzen einzubeziehen und anzuerkennen, dass der soziale Kontext (Ruf, Identität, Peer-Urteil) ebenso kritisch ist wie technische Fertigkeit, um zu bestimmen, wie KI angenommen und genutzt wird.
  • Die Definition von „Kompetenz" muss die Spannung zwischen individueller Identitätsarbeit und kollektivem Lernen berücksichtigen.

Zusammenfassend argumentiert das Paper, dass echte GenAI-Kompetenz am Arbeitsplatz nicht allein durch technische Schulungen erreicht werden kann. Es erfordert die Bewältigung der sozialen Dynamiken, die Arbeitnehmer dazu bringen, ihre Tool-Nutzung zu verbergen, wodurch die Transparenz und das kollaborative Lernen untergraben werden, die für eine nachhaltige Anpassung an rasante technologische Veränderungen notwendig sind.