Die KI-Literacy Evidence-Lücke: Wo 11.640 Papers verstummen
Die KI-Literacy-Literatur ist nicht mehr dünn — sie ist schief verteilt. Unser lebendes Korpus umfasst jetzt 11.640 Papers über 20 Kategorien, vollständig gesättigt (jede Taxonomie-Zelle hat mindestens eine Studie). Aber Sättigung ist nicht dasselbe wie Abdeckung. Wenn man jede Zelle danach bewertet, wie unterversorgt sie relativ zu ihrer Kategorie ist — und das mit ihrer Wachstumsgeschwindigkeit gewichtet —, entsteht ein klarer weißer Fleck, über den fast niemand schreibt und den Organisationen am dringendsten beantwortet brauchen.
Wie wir ihn gefunden haben
Wir haben alle 160 Taxonomie-Zellen mit einem Opportunity-Score bewertet:
score = 0.6 × (1 − Anzahl/Kategorie-Durchschnitt) # Dünne
+ 0.4 × normalisiertes 12-Monats-Wachstum # Momentum
+ 0.15 falls Anzahl ≤ 5 # Floor-Bonus
Nur „dünn" ist nicht interessant — ein totes Thema soll tot bleiben. Die Zellen, die gewinnen, sind dünn und im Aufwind: kaum erforscht, aber beschleunigend. Das sind die Forschungs- und Produktlücken, die man zuerst schließen sollte.
Das Ergebnis
Die Spitze der Rangliste wird von Evaluation- und Implementierungs-Zellen dominiert:
| Rang | Zelle | Papers | 12-Mo-Wachstum |
|---|---|---|---|
| 1 | compliance/evaluation | 5 | +300 % |
| 2 | org-implementation/evaluation | 5 | +100 % |
| 3 | workforce-upskilling/evaluation | 7 | +33 % |
| 4 | ai-literacy-construct/evaluation | 12 | +1000 % |
| 5 | teacher-ai-literacy/evaluation | 11 | +75 % |
Klar gesagt: Wir haben jede Menge Papers, die KI-Literacy beschreiben, aber fast keine, die belegen, dass ein Programm funktioniert hat — besonders für die Literacy-Pflicht aus Artikel 4 des EU AI Act. Das ist die Lücke, die das Feld offen gelassen hat, und genau da sind Organisationen jetzt rechtlich und operativ exponiert.
Warum das für Organisationen wichtig ist
- Art. 4 macht „Sind unsere Leute literate geworden?" zur Compliance-Frage, kein Nice-to-have. Das Korpus zeigt: Readiness-Evaluation fängt gerade erst an (z. B. Digital transformation readiness: evaluating Dutch municipalities' compliance with the AI Act) — dünn, im Aufwind, weit offen.
- Implementierungs-Evidenz konzentriert sich am falschen Ort. Die meisten Implementierungsstudien sind Classroom-Fallberichte; die organisatorische, rollenspezifische, gemessene Evidenz (Reifegradmodelle, aufgabenbasierte Evaluation) ist rar. Das AIconomics Maturity Model und ähnliche Diagnose- Frameworks sind die Ausnahmen, die den Bedarf belegen.
- Die Instrumenten-Ebene existiert endlich. Validierte Skalen (MAIL-CS, AICOS, SAIL4ALL und das neue, multi-kohortale SFAILQ) bedeuten: Sie müssen nicht selbst eins bauen — Sie müssen eines richtig auswählen und einsetzen und es mit aufgabenbasierter Messung kombinieren, weil Selbstauskunft von gezeigter Fähigkeit abweicht.
Wie wir sie schließen
Das ist keine Forschungs-Neugier — es ist ein Produkt- und Service-Blaupause:
- Guide 1 (Implementierung) verwandelt den Implementierungs-Weißraum in ein 10-Schritte-Playbook mit Compliance-Track.
- Guide 2 (Evaluation) katalogisiert die Instrumente und liefert ein aufgabenbasiertes Quasi-Experiment-Design — die Vorlage, um zu belegen, dass ein Programm gewirkt hat.
- Die Assessment-Instrument-Spec sät das Design in korpus-validierten Maßen (AICOS / MAIL-CS / SFAILQ) und eine berufsalignierte Task-Matrix, die zugleich als Art.-4-Evidenzdatensatz dient.
Die Organisationen, die zuerst bei gemessenem KI-Literacy handeln — nicht nur geschult, sondern gegen echte Aufgaben geprüft — werden die defensible Compliance-Story besitzen, die der Rest des Marktes stillschweigend vermisst.
Weiterführende Links
- KI-Literacy Readiness Mini-Audit: kostenloser 10-Minuten-Self-Check
- EU AI Act Art. 4: Warum KI-Literacy zur Pflicht wird: die rechtliche Pflicht
- KI-Literacy-as-a-Service: Angebotsstufen: vom Mini-Audit zum Enterprise-Compliance-Paket
Erstellt als Phase-6-Transfer-Stück aus dem ai-literacy-research-Korpus. Zahlen
reproduzierbar via tools/research_gap_analyzer.py und
scripts/analysis/generate_analysis.py.