Zahlen zuerst
Unser Forschungskorpus umfasst jetzt 13.150 Papers, 11.721 davon vollständig analysiert. Die Spanne reicht von 1984 bis September 2026, zusammengetragen aus 1.125 arXiv-Preprints und 3.289 Journal-Publikationen. Alle 160 Taxonomie-Zellen (20 Themen, je 8 Untersuchungsaspekte) sind gefüllt.
Zur Einordnung: Frühere Posts nannten zeitweise 9.653 oder 11.640 Papers. Das war ein Zählfehler aus einer früheren Pipeline-Version, kein anderes Korpus.
Interessant ist dabei weniger die Menge als die Verteilung: welche Themen das Feld bearbeitet und welche es auslässt.
Wovon die Forschung redet: Gefühle vor Messung
Am meisten publiziert wird über Einstellungen, Vertrauen und Akzeptanz. Nicht über Kompetenzmodelle und auch nicht über Messung.
Ganz unten stehen Assessment & Measurement (152 Papers) und Program Evaluation (177). Überschlagen beschäftigt sich das Feld mehr als doppelt so intensiv damit, wie Menschen zu KI stehen, wie damit, ob Schulungsprogramme überhaupt wirken. Wer Schulungen plant, sollte das wissen: Über Stimmungen gibt es viel Material, über Wirksamkeit fast keins.
Ein extrem junges Feld
Fast die gesamte Evidenz ist jung. 77 % aller datierten Papers stammen aus 2025 oder 2026.
Bis 2021 war „AI literacy" ein Nischenthema mit einstelliger Jahresproduktion. Für die Praxis heißt das: Referenzen altern schnell, Meta-Analysen fehlen fast vollständig. Wer jetzt thematische Autorität aufbaut, kann sie langfristig halten.
Die Evaluation-Lücke: 2,2 %
Jedes Paper ordnen wir einem von acht Untersuchungsaspekten zu. Die Verteilung bringt vielleicht die wichtigste Erkenntnis des ganzen Korpus auf den Punkt:
Nur 2,2 % der Papers evaluieren. Die dünnsten Zellen der Taxonomie sind fast alle evaluativer Natur: Organisationale Implementierung × Evaluation, 1 Paper. Lebenslanges Lernen × Evaluation, 1 Paper. KMU-Schulung × Evaluation, 2. Sogar Compliance × Evaluation, 2.
Wer heute ein KI-Literacy-Programm aufsetzt, entscheidet also weitgehend ohne Wirksamkeitsevidenz. Belastbare Studien dazu, ob und wie KI-Schulungen das Verhalten am Arbeitsplatz verändern, gibt es schlicht nicht. Unser Evaluations-Framework greift genau diese Lücke auf.
Wohin das Feld zieht: agentic AI und der AI Act
Im 12-Monats-Fenster (1.477 Papers seit August 2025) brechen einige Schlagwörter deutlich über ihrem langfristigen Niveau aus:
| Schlagwort | Papers (12 M) | Burst-Faktor |
|---|---|---|
| Agentic | 48 | 2,5× |
| Article 4 (AI Act) | 6 | 2,0× |
| Productivity | 57 | 1,7× |
| Readiness | 48 | 1,7× |
| EU AI Act | 46 | 1,7× |
| Compliance | 46 | 1,7× |
| Trust | 98 | 1,5× |
Auf Kategorie-Ebene dasselbe Bild. Compliance & AI Act hat sich im 12-Monats-Fenster verdreifacht (214 → 652 Papers, +205 %) und ist damit der am schnellsten wachsende große Bereich, gefolgt von Assessment (+155 %). Die Frage des Feldes kippt von „Was ist KI-Literacy?" zu „Wie werden wir compliant, und was bringt es?".
Diese Diskussion brauchen Unternehmen ohnehin. Art. 4 des EU AI Act gilt seit August 2024 und verlangt rollenspezifische KI-Kompetenz. Dass die Forschung jetzt dorthin dreht, ist kein Zufall.
Was wir daraus bauen
Drei Guides entstehen aus dem Korpus:
- Implementierungs-Playbook, für Organisationen, die KI-Literacy-Programme aufsetzen wollen (Development ist mit 4 % selbst ein White-Space)
- Evaluations-Framework mit Messung auf Kirkpatrick-Level 3–4 (Verhaltensänderung und Ergebnisse), für den 3-%-White-Space
- Assessment-Instrument-Spec, task-orientiert und berufsaligniert auf den Leveln 1 bis 4, statt reiner Self-Report-Skalen
Weiterlesen
Quartalsweise Re-Scans halten das Korpus aktuell. Der nächste Trends-Post kommt mit frischem 12-Monats-Fenster. Wer praktisch einsteigen will: Die 16 Lektionen des Kurses bauen genau auf diesen Evidenz-Bausteinen auf.