In immer mehr Vorstands- und Führungssitzungen taucht inzwischen dieselbe Frage auf: Wie steht es eigentlich um unsere KI-Kompetenz? Meist folgt darauf eine Zahl. Lizenzen, Nutzungsquoten, Schulungsteilnahmen, vielleicht ein paar Leuchtturmprojekte, die im Intranet vorgestellt wurden. Die Kurve zeigt nach oben, das beruhigt.
Trotzdem bleibt eine Frage im Raum stehen, die selten offen gestellt wird: Sind unsere Mitarbeitenden durch diese Investitionen tatsächlich kompetenter geworden? Oder lediglich schneller bei Aufgaben, die sie ohnehin schon beherrschten, während sich an Rollen, Prozessen und Entscheidungsqualität wenig verändert hat?
Für HR, Personalentwicklung und Führung ist diese Unterscheidung nicht akademisch. Sie entscheidet darüber, ob Weiterbildungsbudgets tatsächlich Wirkung entfalten, und ob sich einzelne KI-Pionierinnen und -Pioniere zu einer breiten organisationalen Fähigkeit ausweiten lassen. Die folgenden Kapitel zeigen, warum genau dieser Schritt so selten gelingt, und warum sich der eigentliche Engpass der KI-Transformation verschoben hat.
KI verändert nicht zuerst Software. Sie verändert Rollen.
1. Warum trotz hoher Investitionen der Geschäftsnutzen häufig gering bleibt
Die Nutzungszahlen allein wirken beruhigend. McKinsey berichtet für Anfang 2024, dass 65 Prozent der befragten Organisationen regelmässig generative KI einsetzen, ein Wert, der sich innerhalb weniger Monate fast verdoppelt hatte. Doch BCG findet in einer Befragung von über tausend Führungskräften in 59 Ländern, dass nur 26 Prozent der Unternehmen substanziellen KI-Wert erzielen und 74 Prozent nicht. Eine viel zitierte, methodisch vorsichtig zu behandelnde Zahl von MIT Project NANDA verschärft das Bild weiter: In einer Untersuchung, die 150 Interviews, 350 Befragungen und 300 Deployment-Analysen kombinierte, zeigen 95 Prozent der untersuchten GenAI-Pilotprojekte keinen messbaren Effekt auf Gewinn und Verlust. Diese Zahl ist eine Momentaufnahme, keine kontrollierte Langzeitstudie, und die zugrunde liegende Definition von «messbarem Effekt» bleibt interpretationsbedürftig. Als Hinweis auf ein real beobachtbares Muster ist sie dennoch aussagekräftig, gerade weil sie sich mit den BCG-Zahlen deckt.
Ein Teil der Erklärung liegt bereits auf Aufgabenebene. Im Kundendienst steigerte KI-Unterstützung laut einer Feldstudie von Brynjolfsson, Li und Raymond mit gut 5000 Mitarbeitenden die Zahl der gelösten Fälle pro Stunde im Schnitt um 15 Prozent, bei weniger erfahrenen Beschäftigten sogar um rund 30 Prozent, während erfahrene Mitarbeitende kaum profitierten. Ein Experiment von Dell'Acqua und Kolleginnen mit knapp 760 Beraterinnen und Beratern von BCG, gemeinsam mit der Harvard Business School durchgeführt, liefert den Begriff für dieses Muster: die sogenannte «jagged frontier», die gezackte Grenze der KI-Fähigkeiten. Innerhalb dieser Grenze arbeiteten die Beraterinnen und Berater deutlich mehr Aufgaben ab, schneller und mit höherer Qualität. Ausserhalb der Grenze sank die Korrektheit spürbar, und das Tückische daran: Diese Grenze ist im Arbeitsalltag nicht zuverlässig erkennbar. Eine unabhängige Untersuchung von METR bestätigt das: Erfahrene Open-Source-Entwicklerinnen und -Entwickler wurden bei Aufgaben in ihnen vertrauten Codebasen mit KI-Unterstützung gemessen 19 Prozent langsamer, glaubten aber im Nachhinein, 20 Prozent schneller gewesen zu sein. Dass es auch deutlich anders laufen kann, zeigt eine Untersuchung von Peng und Kolleginnen bei GitHub und Microsoft, in der Freelancerinnen und Freelancer bei einer einfachen, klar abgegrenzten Aufgabe mit KI-Unterstützung über die Hälfte schneller arbeiteten. Produktivitätswirkung hängt also weniger von der Technologie selbst ab als von Aufgabe, Erfahrungsniveau, Kontext und davon, wie gut jemand die eigenen Grenzen im Umgang mit dem System einschätzen kann.
Was auf Aufgabenebene bereits schwierig einzuschätzen ist, wird auf Unternehmensebene noch komplexer. In einem Unternehmen, mit dem ich zusammengearbeitet habe, war die interne Berechnung von Vertriebsprovisionen seit Längerem ein Ärgernis. Vertriebs- und Kundendaten lagen verteilt in mehreren Systemen, einige Vorgaben aus dem Management waren nicht präzise genug formuliert, um sie eindeutig in Regeln zu übersetzen. Im Austausch zwischen Controlling und IT entstand die Idee, dass sich ein internes KI-Talent des Themas annehmen sollte. Auf den ersten Blick war das Ergebnis ein Musterbeispiel dafür, wie KI Geschwindigkeit erzeugen kann: Der zuständige Mitarbeiter führte die relevanten Daten in einem gemeinsamen Datenspeicher zusammen und erstellte mithilfe von KI-gestützter Entwicklung in kurzer Zeit einen funktionierenden Bericht.
Die Schwierigkeiten begannen erst danach. Bei Detailfragen und Erweiterungswünschen erwies sich der Bericht als kaum wartbar. Die eigentliche Entwicklungslogik war weitgehend zu einer Blackbox geworden, die Datenbeladung musste manuell erfolgen, und die Informationssicherheit lehnte eine direkte Anbindung an das Produktivsystem ab. Aus Sicht eines produktiven Betriebs war das nachvollziehbar: Die technische Lösung und ihre Risiken waren nicht ausreichend transparent und kontrollierbar. Der Prototyp war deshalb nicht gescheitert, er hatte sichtbar gemacht, was grundsätzlich möglich war. Problematisch war lediglich die Annahme, ein überzeugender Prototyp sei bereits fast ein produktionsreifes Ergebnis. Zwischen beidem liegt ein erheblicher Entwicklungsschritt, für den nicht nur Entwicklerinnen und Entwickler KI verstehen müssen. Auch Controlling, Fachbereich, IT-Architektur, Informationssicherheit und Management müssen Anforderungen, Risiken und Abhängigkeiten gemeinsam beurteilen können.
Was in diesem Einzelfall sichtbar wurde, lässt sich verallgemeinern: Was passiert, wenn eine gute Arbeitsweise nur im Kopf einer einzelnen Person existiert? Der Entwickler wusste, wie die Logik funktionierte, welche Datenquellen zusammengehörten und welche Annahmen er getroffen hatte. Sobald aber jemand anderes den Bericht erweitern, prüfen oder in ein anderes System überführen sollte, war dieses Wissen kaum zugänglich. Es gab keine dokumentierte Logik, keine definierten Datenquellen, keine klaren Verantwortlichkeiten, keine Prüfregeln. Fachlich lässt sich das als organisationale Artefakte bezeichnen: dokumentierte Logik, definierte Schnittstellen, Verantwortlichkeiten, Freigaben, Wartungsprozesse, Qualitätskontrollen. Erst wenn individuelles Wissen in solchen Artefakten festgehalten wird, kann es von einer Organisation getragen werden, unabhängig davon, ob die ursprüngliche Person noch im Unternehmen ist.
BCG bringt diesen Zusammenhang in einer Faustregel auf den Punkt, die als Orientierung dient, nicht als exakte Messgrösse.
So viel des KI-Werts entsteht laut BCG aus Menschen und Prozessen – 20 Prozent aus Technologie und Daten, nur 10 Prozent aus den Algorithmen selbst.
Auch die Microsoft/LinkedIn-Daten illustrieren die Lücke: 75 Prozent der Wissensarbeitenden nutzen KI bereits, 78 Prozent bringen dafür eigene, nicht offiziell bereitgestellte Tools mit, gleichzeitig sehen 60 Prozent der befragten Führungskräfte in ihrer eigenen Organisation keinen klaren Plan für den KI-Einsatz. Hohe Nutzung sagt damit wenig über organisatorische Reife aus, im Gegenteil: Unkoordinierte Nutzung ohne Governance kann selbst ein Warnsignal sein.
Der nachhaltige Wert von KI entsteht nicht dadurch, dass Mitarbeitende zusätzlich ein Tool verwenden. Er entsteht, wenn sich die Art verändert, wie Arbeit organisiert, entschieden, kontrolliert und weiterentwickelt wird.
2. Warum allgemeine KI-Schulungen dieses Problem nicht lösen
In einer Organisation, die ich begleitet habe, wollte eine neue Leitung die Nutzung von KI im Unternehmen deutlich vorantreiben. Die Absicht war nachvollziehbar, der Wettbewerb bewegte sich schneller, und die Führung wollte den Anschluss nicht verlieren. In der Belegschaft kam davon zunächst nicht viel an. Für viele wirkte das Vorhaben wie eine reine Managementidee, die an der eigenen Arbeit wenig ändern würde. Einige Mitarbeitende argumentierten sinngemäss, man habe die bisherigen Aufgaben schliesslich auch ohne KI gut bewältigt. Dahinter standen nicht nur fehlende Kompetenzen, sondern auch Unsicherheit und die Sorge, dass sich mit der neuen Technologie auch die eigene Rolle verändern könnte.
Überwunden wurde diese Skepsis nicht durch einen Toolkurs. Es brauchte eine ehrliche Bestandsaufnahme der vorhandenen Kompetenzlücken, ein gemeinsam entwickeltes Zielbild und, bei besonders zurückhaltenden Mitarbeitenden, den direkten Austausch in Einzelgesprächen. Auf der anderen Seite gab es Beschäftigte, die früh Fragen stellten und eigenständig kleine Anwendungen ausprobierten. Genau diese Personen wurden später gezielt als interne Ansprechpartner für KI-Themen eingesetzt. Ihr Wert lag jedoch nicht darin, ein Werkzeug schneller bedienen zu können. Sie erkannten, wo sich eine Anwendung sinnvoll einsetzen liess, stellten die richtigen Fragen und halfen anderen, den Bezug zur eigenen Arbeit herzustellen.
Für die berufliche Praxis lässt sich daraus ein Orientierungsmodell ableiten, kein wissenschaftlich validierter Standard, sondern eine Hilfe, um Kompetenzstufen auseinanderzuhalten. Am Anfang steht ein allgemeines Verständnis dafür, was KI kann und wo ihre Grenzen liegen, verbunden mit der sicheren Anwendung konkreter Tools. Darauf folgt die Fähigkeit, KI im eigenen beruflichen Kontext gezielt einzusetzen. Anspruchsvoller ist die nächste Stufe: KI-Ergebnisse fachlich zu bewerten, einzuordnen und in Entscheidungen zu übersetzen. Darauf baut die Fähigkeit auf, in KI-gestützten Prozessen mit anderen zusammenzuarbeiten, bis hin zur Fähigkeit, aus individueller Nutzung eine wiederholbare, teamfähige Praxis für die ganze Organisation zu machen. Die meisten Schulungsangebote bewegen sich auf den ersten beiden Stufen. Wirtschaftlich relevant wird es aber erst ab der dritten.
Das heisst nicht, dass allgemeine Schulungen nutzlos wären. Sie schaffen ein gemeinsames Verständnis, senken Berührungsängste und liefern erste Anwendungsideen, ein sinnvoller Ausgangspunkt. Sie lösen aber nicht automatisch die Transferfrage. Ein Konzept erklärt zu bekommen ist nicht dasselbe, wie es im eigenen Arbeitsalltag wirksam einzusetzen. Die OECD kommt in ihrer Untersuchung «Bridging the AI skills gap» zu dem Schluss, dass das vorhandene Trainingsangebot der wachsenden Nachfrage nach allgemeiner KI-Grundbildung vermutlich nicht gerecht wird. Ohne konkrete Aufgaben, Feedback, Coaching und Prozessintegration bleibt Wissen über KI häufig folgenlos.
In Deutschland zeigt eine Erhebung von Bitkom Research das Ausmass dieser Lücke: 36 Prozent der Unternehmen setzen KI mittlerweile ein, eine Verdopplung gegenüber dem Vorjahr. Gleichzeitig bieten 43 Prozent der Unternehmen ihren Beschäftigten keine KI-Schulungen an, und nur 20 Prozent der Erwerbstätigen wurden bislang tatsächlich geschult. Der Unterschied zwischen allgemeiner Schulung und wirksamer Kompetenzentwicklung liegt im Ansatzpunkt: Allgemeine Schulung vermittelt Begriffe, zeigt Tools und schafft Orientierung. Wirksame Kompetenzentwicklung beginnt dagegen bei Rolle und Aufgabe, berücksichtigt vorhandene Fachkompetenz, identifiziert individuelle Entwicklungsfelder und überprüft ihre Wirkung im realen Arbeitskontext. Genau dieser zweite Schritt fehlt in den meisten Unternehmen bislang.
Die meisten Unternehmen behandeln KI-Kompetenz noch immer wie ein Schulungsthema. Tatsächlich ist sie näher an Organisationsentwicklung als an Weiterbildung.
3. Unternehmen befinden sich auf sehr unterschiedlichen Reifestufen
Stellt man mehrere Organisationen nebeneinander, wird die Spannweite deutlich. Manche befinden sich noch bei ersten Experimenten, andere betreiben isolierte Pilotprojekte, wieder andere haben Governance-Strukturen aufgebaut, allgemeine Schulungen eingeführt, erste Kompetenzmodelle entwickelt oder bereichsspezifische Programme gestartet. Auf den ersten Blick wirkt das wie ein einfaches Reifegradmodell, bei dem jede Organisation irgendwo auf einer Linie zwischen Anfang und Ziel steht.
Diese Vorstellung ist verführerisch, aber ungenau. Die BCG-Daten aus dem vorherigen Kapitel zeigen die Verteilung genauer: Von den 26 Prozent der Unternehmen, die substanziellen KI-Wert erzielen, tut das nur ein Viertel durchgängig über mehrere Funktionen hinweg, das entspricht 4 Prozent aller untersuchten Organisationen. Weitere 22 Prozent beginnen erst, Wert zu realisieren. Die verbleibende Mehrheit tut sich schwer. Bemerkenswert ist, was die 4 Prozent der Vorreiter unterscheidet: Sie verfolgen tendenziell weniger, aber fokussiertere Initiativen als ihre Wettbewerber und stecken den grössten Teil ihrer Ressourcen in Menschen und Prozesse statt in zusätzliche Technologie. Besonders hoch ist ihr Anteil in Branchen, die früh unter digitalen Wettbewerbsdruck geraten sind, etwa Fintech, Software und Banken. Reife zeigt sich hier also nicht an der Zahl der Initiativen, sondern an deren Fokussierung und Verankerung.
Genau das erklärt, warum auch fortgeschritten wirkende Organisationen häufig fragmentiert arbeiten. Bei einer Versicherung, deren Data-Governance-Programm ich kennengelernt habe, war Data Governance grundsätzlich sauber eingeführt. Rollen und Verantwortlichkeiten waren formal vorhanden und von den Beteiligten in ihren Grundzügen verstanden. Trotzdem blieb die tatsächliche Wirkung begrenzt. Die Zuständigkeiten waren verteilt, aber eine wirklich datengetriebene Zusammenarbeit entstand noch nicht. Ein wesentlicher Grund lag darin, dass viele Beteiligte zwar ihre eigene Rolle kannten, aber das Wesen einer datengetriebenen Organisation und die tieferen Zusammenhänge dahinter nicht ausreichend verstanden. Es fehlte an Verständnis dafür, wie die eigene Rolle mit anderen Rollen zusammenhängt und wie Daten über Bereichsgrenzen hinweg Wert erzeugen. Es ist ein wenig wie bei einer Mannschaft, in der jede Position bekannt ist, aber niemand genau weiss, wie das gemeinsame Spiel aufgebaut werden soll.
Auch die internen Ansprechpartner aus dem vorherigen Kapitel zeigen ein verwandtes Muster. Ihr Wissen war wertvoll, aber es blieb an ihre Person gebunden, solange die Organisation es nicht systematisch multiplizierte. Governance ohne gemeinsames Verständnis, Pilotprojekte ohne Skalierungspfad, einzelne Kompetenzträgerinnen und Kompetenzträger ohne organisationsweite Anbindung: In allen drei Fällen ist etwas Sichtbares entstanden, eine Struktur, ein Prototyp, eine engagierte Person. Doch keiner dieser Bausteine allein erzeugt organisationale Reife.
Aktivität ist deshalb nicht gleich Reife. Eine Organisation, die viele Projekte zählt, Schulungsteilnahmen dokumentiert und Governance-Richtlinien verabschiedet hat, kann sich dadurch weiter fühlen, als sie tatsächlich ist. Genau darin liegt die trügerische Sicherheit, die viele Transformationsprogramme begleitet: Man verwechselt die Menge sichtbarer Aktivität mit dem Grad tatsächlicher, in Rollen und Prozessen verankerter Kompetenz.
Was wirksame KI-Kompetenzentwicklung tatsächlich verlangt, lässt sich als durchgängige Kette darstellen, von den Unternehmenszielen bis zur messbaren Wirkung.
4. Warum wirksame KI-Kompetenzentwicklung so selten systematisch gelingt
Warum bleibt dieser letzte, entscheidende Schritt so häufig aus, selbst in Organisationen, die viel investiert haben und es ernst meinen? Die Antwort liegt nicht in mangelndem Engagement, sondern in der Natur der Aufgabe selbst, die sich in fünf ineinandergreifenden Gründen zeigt.
Der erste Grund ist ein fehlender Integrationsschritt. Die meisten Organisationen beschäftigen sich intensiv mit Technologie, Governance und einzelnen Anwendungsfällen, wichtige Bausteine, aber nicht der entscheidende Schritt. Dieser besteht darin, die richtigen Kompetenzen an den richtigen Stellen systematisch aufzubauen, verankert in konkreten Rollen statt in einem allgemeinen Schulungsplan. Das Provisionsbeispiel aus dem ersten Kapitel zeigt diese Lücke exemplarisch: technologisch überzeugend, organisatorisch fehlte die Verbindung zu Rollen, Verantwortlichkeiten und Kontrollmechanismen, die aus einem Prototyp einen Prozess gemacht hätten. Der Grund liegt in der Struktur: Ein IT-Projekt hat einen Projektleiter, ein Schulungsprogramm einen Verantwortlichen in der Personalentwicklung. Für die Integration von Rollen, Kompetenzen und Prozessen über Bereichsgrenzen hinweg gibt es in den meisten Organisationsdiagrammen keine eindeutige Adresse. Frühere Digitalisierungswellen betrafen meist klar abgegrenzte Systeme mit definiertem Projektauftrag. KI-Kompetenz dagegen betrifft nahezu jede Rolle in unterschiedlichem Ausmass, eine Breite, für die klassische Projektstrukturen nur bedingt gebaut sind.
Damit hängt der zweite Grund eng zusammen: das Fehlen eines wirklich systematischen Ansatzes. Wirksame Kompetenzentwicklung setzt voraus, dass mehrere Perspektiven gleichzeitig zusammenkommen, Rollenverständnis, Kompetenzmodell, Business- und Datenverständnis, technisches KI-Verständnis, Führung, Personalentwicklung, Organisationsverständnis, Wertstromdenken und Veränderungskompetenz. Die meisten Organisationen besitzen jede dieser Perspektiven bereits, in IT, Fachbereich, HR, Controlling und Linie, aber getrennt, nicht integriert. Wer für ein Rollenprofil zuständig ist, kennt selten die Datenarchitektur im Detail; wer die Technologie versteht, selten die Feinheiten des Wertstroms. Das Governance-Beispiel aus dem dritten Kapitel zeigt die Folge: Rollen und Zuständigkeiten waren formal vollständig definiert, es fehlte jedoch die Verbindung dieser Perspektiven zu einem gemeinsamen Bild davon, wie Wert über Bereichsgrenzen hinweg entsteht. Das eigentliche Problem ist damit nicht fehlendes Engagement oder fehlendes Budget, sondern fehlende Integration bereits vorhandener Perspektiven.
Der dritte Grund verschärft das Problem: ein Informations- und Orientierungsproblem, das paradoxerweise nicht aus Mangel entsteht, sondern aus Überangebot. Studien erscheinen im Wochentakt, Anbieter bewerben ihre Lösungen, Marketing und Hype überlagern nüchterne Befunde, akademische Veröffentlichungen widersprechen sich teilweise, und Empfehlungen unterscheiden sich deutlich je nach Quelle, Technologieanbieter, Beratung, Universität oder Aufsichtsbehörde. Eine Organisation muss entscheiden, welche Erkenntnisse belastbar sind, welche für die eigene Situation relevant sind und welche Konsequenzen sich daraus für einzelne Rollen ableiten lassen. Eine Studie über Produktivitätsgewinne im Kundendienst ist noch keine Handlungsanweisung für eine Sachbearbeiterin im Underwriting, und ein viel zitierter Prozentwert wie die eingangs genannten 95 Prozent gescheiterter Pilotprojekte beantwortet nicht, was in der eigenen Organisation konkret zu ändern wäre. Diese Übersetzungsleistung, von der allgemeinen Erkenntnis zur konkreten Anforderung an eine Position, ist selbst eine anspruchsvolle fachliche Aufgabe, die mit den ursprünglichen Kompetenzen einer Personalentwicklungs- oder IT-Abteilung oft nur am Rande zu tun hat. Wer sie unterschätzt, entscheidet am Ende häufig nicht auf Basis der belastbarsten Evidenz, sondern auf Basis dessen, was zuletzt am lautesten kommuniziert wurde.
Der vierte Grund liegt tiefer: Organisationen können ihren eigenen Reifegrad nur begrenzt objektiv einschätzen, nicht aus mangelnder Kompetenz der Beteiligten, sondern weil Selbstbeurteilung systematische Grenzen hat. Wer ausschliesslich die eigenen Pilotprojekte kennt, hat keinen verlässlichen Massstab dafür, ob sie im Branchenvergleich fortgeschritten sind oder hinterherhinken. Interne Erfolgsgeschichten verstärken sich dabei selbst: Ein gelungenes Pilotprojekt wird im Unternehmen sichtbar gemacht, während vergleichbare, gescheiterte Versuche anderswo selten öffentlich diskutiert werden. Diese Betriebsblindheit ist keine individuelle Schwäche, sondern eine strukturelle Eigenschaft jeder in sich geschlossenen Organisation.
Diese Grenze zeigt sich mehrfach in der bisherigen Argumentation. Dass 60 Prozent der befragten Führungskräfte in der eigenen Organisation keinen klaren Plan für den KI-Einsatz sehen, ist selbst ein Symptom fehlenden Fremdbilds, ohne Vergleichsmassstab lässt sich kaum beurteilen, ob diese Unschärfe normal ist oder ein ernsthaftes Rückstandsproblem. Die BCG-Daten aus dem dritten Kapitel liefern einen weiteren Hinweis: Die 4 Prozent der Vorreiter unterscheiden sich nicht durch mehr Aktivität, sondern durch weniger, dafür fokussiertere Initiativen, eine Erkenntnis, auf die eine Organisation aus ihrer eigenen Historie kaum von selbst käme, solange «mehr Projekte» intern als Fortschritt gilt. Hinzu kommt, dass belastbare Vergleichsprojekte selten öffentlich zugänglich sind und externe Berichterstattung nur bedingt hilft: Anbieter und Beratungen haben ein natürliches Interesse daran, entweder Dringlichkeit zu erzeugen oder die eigene Lösung als Massstab darzustellen, was die Kalibrierung eher erschwert als erleichtert. Eine Organisation, die glaubt, bereits zu den 26 Prozent der wertschöpfenden Unternehmen zu gehören, hat kaum eine Möglichkeit, diese Einschätzung ohne unabhängigen Bezugspunkt zu überprüfen, wie ehrlich und selbstkritisch sie auch vorgeht. Das Fremdbild fehlt nicht aus Nachlässigkeit. Es fehlt strukturell, weil es aus der Innenperspektive einer einzelnen Organisation nicht herstellbar ist.
Der fünfte Grund ist ökonomischer Natur und wird selten offen ausgesprochen. Die naheliegende Erklärung, Unternehmen hätten schlicht keine Zeit, trifft die Ursache nicht. Der gleichzeitige, integrierte Aufbau all dieser Fähigkeiten, Rollenverständnis, Kompetenzmodellierung, Datenverständnis, Wertstromanalyse, Change-Begleitung, lohnt sich für eine einzelne Organisation intern häufig schlicht nicht. Diese Fähigkeiten werden weitgehend einmalig benötigt, sind hochgradig interdisziplinär und kommen nur punktuell zum Einsatz, während einer intensiven Phase der Standortbestimmung und Neuausrichtung. Danach wird aus intensiver, bereichsübergreifender Analyse laufender Betrieb, in dem die meisten dieser Spezialkompetenzen kaum noch gebraucht werden. Eine Organisation, die dafür dauerhaft eigenes Personal in voller Tiefe aufbaut, hält damit eine Fähigkeit vor, die sie in den meisten Jahren kaum benötigt, ähnlich wie bei anderen einmaligen, hochgradig interdisziplinären Vorhaben im Leben einer Organisation, etwa einer grösseren Restrukturierung. Das ist keine Aussage darüber, wie eine Organisation diese Aufgabe am Ende löst, intern oder extern, zentral oder dezentral. Es ist die ökonomische Beobachtung, dass punktueller, interdisziplinärer Bedarf und dauerhafter interner Kompetenzaufbau strukturell schwer zusammenpassen.
Zusammengenommen ergibt sich ein Bild, das deutlich komplexer ist als die verbreitete Vorstellung, man müsse nur genug schulen und genug Zeit investieren. Der fehlende Integrationsschritt lässt Technologie, Governance und Anwendungsfälle nebeneinanderstehen, ohne sie in Rollen und Prozessen zu verbinden. Der fehlende systematische Ansatz lässt vorhandene Perspektiven ungenutzt, weil sie nicht zusammenfinden. Das Orientierungsproblem führt selbst gute Absicht in einer Informationsflut zu falschen Prioritäten. Das begrenzte Fremdbild verhindert eine verlässliche Standortbestimmung. Und die ökonomische Logik macht den dauerhaften internen Aufbau all dieser Fähigkeiten zu einer selten naheliegenden Lösung. Keiner dieser Gründe wirkt dabei für sich allein: Gutes Fremdbild ohne Integration erkennt Rückstand, ohne ihn zu beheben; systematischer Ansatz ohne verlässliche Orientierung wendet die richtige Methode auf falsche Prioritäten an. Erst im Zusammenspiel entsteht das eigentliche Hindernis, und genau deshalb muss KI-Kompetenzentwicklung als eigenständige, anspruchsvolle Disziplin behandelt werden, nicht als Anhängsel der Technologieeinführung.
Kompetenzentwicklung heisst auch Bewahrung: das Risiko des Deskilling
Die bisherigen Kapitel behandeln den Aufbau von Kompetenz. Es gibt jedoch eine zweite, gegenläufige Dynamik, die dieselbe Sorgfalt verlangt: der mögliche Verlust bereits vorhandener Fähigkeiten.
Der stärkste bislang verfügbare Beleg dafür stammt aus der Medizin. Eine Untersuchung von Budzyń und Kolleginnen, veröffentlicht in der Fachzeitschrift Lancet Gastroenterology & Hepatology, begleitete 19 erfahrene Endoskopikerinnen und Endoskopiker mit jeweils über 2000 durchgeführten Koloskopien. Nach Einführung KI-gestützter Erkennungssysteme sank die Adenom-Erkennungsrate der Ärztinnen und Ärzte, sobald sie ohne KI-Unterstützung arbeiteten, von 28,4 auf 22,4 Prozent, ein relativer Rückgang von 20 Prozent. Es ist einer der ersten realen klinischen Belege für automatisierungsbedingtes Deskilling mit direktem Bezug zu Patientenergebnissen. Die Studie ist ausdrücklich medizinspezifisch, visuelle Echtzeit-Mustererkennung in der Koloskopie lässt sich nicht eins zu eins auf Wissensarbeit übertragen. Bemerkenswert bleibt der Befund trotzdem, gerade weil er ausgerechnet erfahrene Fachleute betrifft.
Ein methodisch schwächerer, aber thematisch passender Befund stammt von Gerlich, veröffentlicht in der Fachzeitschrift Societies. In einer Befragung von 666 Teilnehmenden fand sich eine negative Korrelation zwischen häufiger KI-Nutzung und kritischem Denken, vermittelt über sogenanntes Cognitive Offloading, am stärksten ausgeprägt bei jüngeren Befragten. Diese Studie zeigt eine Korrelation, keine Kausalität. Ob häufige KI-Nutzung kritisches Denken tatsächlich schwächt, oder ob eher Menschen mit ohnehin geringerer Neigung zu kritischem Denken häufiger zu KI greifen, lässt sich aus diesen Daten nicht eindeutig beantworten.
Was kurzfristig eine Aufgabe beschleunigt, kann langfristig die Fähigkeit schwächen, dieselbe Aufgabe ohne Unterstützung fachlich zu beurteilen.
Für die im vierten Kapitel beschriebene Aufgabe bedeutet das eine zusätzliche Ebene: Kompetenzentwicklung ist kein einmaliger Aufbauprozess, sondern verlangt auch, bestehendes Urteilsvermögen bewusst zu erhalten, etwa durch klare Prüf- und Eskalationsregeln oder gezielte Übungsphasen ohne KI-Unterstützung bei besonders kritischen Fähigkeiten. Auch das lässt sich kaum nebenbei erledigen.
Was dies in der Praxis bedeutet: Banken und Versicherungen
Wie anspruchsvoll und interdisziplinär die beschriebene Aufgabe in der Praxis wird, zeigt sich besonders deutlich in stark regulierten Branchen. Eine Kreditentscheidung, eine Schadenregulierung oder eine Prämienberechnung folgt in Banken und Versicherungen selten dem freien Ermessen einer einzelnen Person. Sie ist eingebettet in Vorgaben, Kontrollen und Dokumentationspflichten, die genau festlegen, wer welche Entscheidung auf welcher Grundlage treffen darf.
KI-Anwendungen sind in der Branche keineswegs neu. Laut dem Digitalisation Report der europäischen Versicherungsaufsicht EIOPA setzen bereits 50 Prozent der Nichtleben- und 24 Prozent der Lebensversicherer KI ein, überwiegend in Form etablierter Machine-Learning-Systeme mit bestehender Modellrisiko-Governance, nicht in Form generativer KI. Der EU AI Act stuft zentrale Bankanwendungen wie die Kreditwürdigkeitsprüfung als hochriskant ein und verlangt menschliche Aufsicht. Die im AI Act verankerte Pflicht zur KI-Grundbildung gilt bereits seit Februar 2025.
Vor diesem Hintergrund verschiebt sich die Anforderung deutlich. Es reicht nicht, ein KI-System effizient zu bedienen. Ergebnisse müssen fachlich, regulatorisch und wirtschaftlich beurteilt und in kontrollierbare, dokumentierte Prozesse übersetzt werden können, an der Schnittstelle von Fachbereich und Data, von Operations und Technologie, von Risiko und Compliance. Genau diese Schnittstellenkompetenz ist es, die sich gemäss Kapitel vier kaum durch allgemeine Schulung herstellen lässt, sondern systematischen Aufbau über mehrere Perspektiven hinweg verlangt.
Gleichzeitig zeichnen die verfügbaren Studien ein differenziertes Bild der Beschäftigungswirkung. Morgan Stanley schätzt in einer Prognose, dass KI bis 2030 rund 200'000 europäische Bankjobs gefährden könnte, was etwa 10 Prozent der Beschäftigten der untersuchten Institute entspräche, ausdrücklich eine Prognose, kein bereits eingetretenes Ergebnis. Ein Blog der Europäischen Zentralbank findet demgegenüber bislang keinen negativen Beschäftigungseffekt, Unternehmen mit intensiver KI-Nutzung haben teilweise sogar zusätzliches Personal eingestellt. Die Studie der European Banking Federation zur Beschäftigungswirkung von KI nennt als konkrete Risiken veränderte Jobprofile, Fehler von KI-Systemen und ein Übervertrauen mit Verlust kritischen Denkens, ein Muster, das sich mit dem Deskilling-Befund aus dem vorherigen Kapitel deckt.
Auch die HR-Perspektive bestätigt diesen Befund. Deloitte findet in einer Untersuchung zu skills-basierten Organisationen mit 1021 befragten Beschäftigten und 225 Führungskräften, dass Organisationen, die konsequent auf Skills statt auf starre Stellenprofile setzen, mit 79 Prozent höherer Wahrscheinlichkeit eine positive Erfahrung der Belegschaft und mit 63 Prozent höherer Wahrscheinlichkeit bessere Ergebnisse berichten. Diese Zahlen stammen aus einer Anbieterbefragung und sollten nicht unkritisch als Kausalbeweis gelesen werden, sind aber ein plausibler Hinweis darauf, dass sich Struktur und individuelle Kompetenzentwicklung gegenseitig verstärken oder eben gegenseitig ausbremsen.
Fazit: Der verschobene Engpass
Die internen Ansprechpartner, der schnelle, aber nicht wartbare Prototyp und die formal eingeführte, aber wenig wirksame Data Governance zeigen drei Seiten desselben Musters. In allen drei Fällen war etwas Sichtbares entstanden, eine engagierte Person, ein technischer Nachweis, eine Governance-Struktur. Keiner dieser Bausteine allein erzeugte jedoch organisationale Leistungsfähigkeit. Das gelang erst dort, wo Kompetenz systematisch über Rollen, Prozesse und Wertströme hinweg verankert wurde, und genau das ist selten, weil es an einem fehlenden Integrationsschritt, einem fehlenden systematischen Ansatz, einem Orientierungsproblem, einem begrenzten Fremdbild und einer nüchternen Ressourcenökonomie scheitert.
Die nächste Phase der KI-Transformation entscheidet sich deshalb wahrscheinlich nicht daran, welche Unternehmen die meisten KI-Tools einführen.
Sie entscheidet sich daran, welche Unternehmen die richtigen Kompetenzen an den richtigen Stellen, für die richtigen Rollen, innerhalb der richtigen Wertströme entwickeln. Genau dort entscheidet sich künftig, ob aus KI-Nutzung tatsächliche organisatorische Leistungsfähigkeit entsteht.
