Welche Kompetenzen brauchen Mitarbeiter im KI-Zeitalter wirklich?

Warum Prompt-Kenntnisse allein nicht reichen

Viele Unternehmen reagieren auf den KI-Wandel mit einem Reflex: ein Prompt-Engineering-Kurs für alle, fertig. Die Datenlage widerspricht dieser Verkürzung. Die OECD hat in ihrem Report "Skills in the AI age" Stellenanzeigen in stark KI-exponierten Berufen ausgewertet: 72 Prozent der untersuchten Vacancies verlangten mindestens einen Management-Skill, 67 Prozent mindestens einen Business-Process-Skill. Auch soziale, kognitive und digitale Fähigkeiten blieben durchgehend gefragt. Fortgeschrittene KI-Engineering-Fähigkeiten dagegen bleiben laut OECD auf einen kleinen Teil der Erwerbsbevölkerung konzentriert — AI-Literacy im Sinne von Anwendungskompetenz betrifft dagegen wesentlich breitere Beschäftigtengruppen. Wer das gesamte Weiterbildungsbudget in Prompt-Kurse verschiebt, baut also am falschen Kompetenzfeld.

Das Kompetenz-Bündel, das wichtiger wird

Aus der Forschungslage lässt sich kein einzelnes Schlüssel-Skill ableiten, sondern ein Bündel komplementärer Fähigkeiten:

• Fach- und Domänenwissen — KI erzeugt plausible, aber nicht garantiert korrekte Antworten; Fachwissen bleibt die Prüfinstanz, etwa bei Recht, Produktwissen oder technischen Standards.
• Problemdefinition — der Wert liegt oft darin, die richtige Frage, Datenbasis und Zielgröße vorab festzulegen, statt der KI eine schlecht umrissene Aufgabe zu geben.
• Qualitäts- und Evidenzprüfung — Outputs müssen gegen Quellen, Daten und reale Prozessanforderungen geprüft werden, etwa durch Fact-Checking oder Plausibilitätstests.
• Prozesskompetenz — KI verändert Arbeitsabläufe, nicht nur einzelne Texte; Übergaben und Automationsgrenzen müssen verstanden werden.
• Datenkompetenz — Datenherkunft, Qualität und Zugriffsrechte bestimmen, wie leistungsfähig ein KI-System im konkreten Fall überhaupt sein kann.
• Management- und Koordinationskompetenz — Projektsteuerung, Budget und Administration bleiben in hoch exponierten Berufen zentral gefragt.
• Soziale Kompetenz — Verhandlung, Vertrauensaufbau, Führung und Konfliktklärung bleiben menschliche Kernaufgaben.
• AI Literacy — ein realistisches Verständnis von Fähigkeiten, Grenzen und Risiken der eingesetzten Systeme, einschließlich Halluzinationsrisiken.
• Lernkompetenz — Modelle und Tools verändern sich schnell; statisches Produktwissen veraltet, wer nicht experimentiert und aktualisiert, fällt zurück.
• Verantwortungsurteil — bei risikoreichen Entscheidungen muss klar bleiben, wer freigibt, eskaliert und haftet.

Warum KMU keine eigene Data-Science-Abteilung brauchen

Die OECD unterscheidet zwei grundverschiedene Kompetenzpfade: AI Engineering — Modelle, Daten, Infrastruktur, Evaluation — und AI-enabled Professional Work, also Fachwissen kombiniert mit Toolverständnis, Prüfung, Prozess- und Risikokompetenz. Für einen Handwerksbetrieb, ein Steuerbüro oder ein Produktionsunternehmen ist der zweite Pfad entscheidend. Es braucht nicht in jeder Abteilung Data Scientists, sondern Beschäftigte, die KI in ihrem jeweiligen Prozess sinnvoll einsetzen und erkennen, wann menschliche Kontrolle nötig ist oder ein Einsatz schlicht nicht sinnvoll ist.

Was das für die Personalentwicklung bedeutet

Ein einmaliges, generisches KI-Seminar für alle Beschäftigten wird der Komplementarität dieser Kompetenzfelder nicht gerecht. Sachgerechter ist eine rollen- und risikobasierte Weiterbildung, die sich am tatsächlichen Aufgabenprofil orientiert: Wer KI-Ergebnisse in einem risikoarmen, gut prüfbaren Kontext nutzt, braucht andere Schulungstiefe als jemand, der KI-gestützte Entscheidungen mit Kundenwirkung verantwortet. Entscheidend ist außerdem, dass Kompetenzaufbau kein einmaliges Projekt ist: Modell- und Prozessänderungen sollten eine Neubewertung auslösen, welche Fähigkeiten aktuell fehlen.