Kompetenzdaten sind kaputt. Aber nicht aus dem Grund, den Sie vermuten

Die meisten Organisationen wissen nicht wirklich, was ihre Belegschaft tatsächlich kann. Kompetenzdaten sind lückenhaft und veraltet, und wer auf ihrer Grundlage entscheidet, vertraut ihnen kaum. Strategische Entscheidungen beruhen auf Vermutungen. Interne Talente bleiben unentdeckt. Investitionen in die Personalentwicklung fließen in Probleme, die es vielleicht gar nicht gibt, und an echten Problemen vorbei.

Das ist keine gewagte These. Laut Gartner verfügen nur 8 % der Organisationen über verlässliche Daten zu den Kompetenzen, die ihre Belegschaft aktuell mitbringt. Acht Prozent. Die übrigen 92 % tappen mehr oder weniger im Nebel.

Die Frage ist: Warum? Und vor allem: Was hilft wirklich?

Das Rezept, das die Branche immer wieder ausstellt

Die gängige Antwort lautet immer öfter: bessere Technologie. Gemeint sind KI-Inferenz-Engines, die Kompetenzsignale aus bestehenden Arbeitssystemen ableiten, also aus E-Mails, Projekttools, Leistungshistorien, Lernplattformen und Stellenarchitekturen. Die Logik ist schlüssig. Wenn Menschen unzuverlässige Kompetenzdaten liefern, erhebt man die Daten eben, ohne sie zu fragen. Der Faktor Mensch fällt weg. Das System beobachtet das Verhalten und leitet daraus die Fähigkeiten ab.

Dieser Ansatz hat durchaus analytische Glaubwürdigkeit. Er liefert ausgefeilte Ergebnisse. Er lässt sich in die HR-Plattformen integrieren, die große Unternehmen ohnehin betreiben. Und er wirkt wie eine ernsthafte Antwort auf ein ernsthaftes Problem.

Aber er überspringt einen Schritt, und zwar einen entscheidenden.

Die Frage, die niemand stellt

Bevor man hinnimmt, dass selbst angegebene Kompetenzdaten grundsätzlich unzuverlässig sind, lohnt sich die Frage, warum sie unzuverlässig sind. Nicht als rhetorischer Kniff, sondern als ernst gemeinte Untersuchungsfrage.

Und genau hier wird es interessant. Laut der Deloitte-Studie zu kompetenzbasierten Organisationen sind 79 % der Beschäftigten bereit, ihre Kompetenzdaten zu teilen. 73 % sagen, kompetenzbasierte Praktiken würden ihre Arbeitserfahrung verbessern. Die Bereitschaft ist also da. Mitarbeitende halten sich in der Regel weder bedeckt, noch sträuben sie sich.

Trotzdem verfügen nur 8 % der Organisationen über verlässliche Kompetenzdaten.

Diese Kluft zwischen der Bereitschaft der Mitarbeitenden und der Datenqualität im Unternehmen sollte man genau unter die Lupe nehmen. Sie weist in eine andere Richtung als „Wir brauchen bessere Inferenztechnologie“. Gestört ist die Beziehung zwischen Mensch und Tool, nicht der Mensch.

Was wirklich schiefläuft

Es gibt drei konkrete Gründe, warum selbst angegebene Kompetenzdaten scheitern. Zumindest sind es die, denen wir immer wieder begegnen. Mit der menschlichen Natur hat keiner davon zu tun.

Erstens: Die meisten Kompetenztools dienen der Organisation, nicht den Mitarbeitenden. Es sind Systeme zur Datenerfassung. Die Mitarbeitenden sind der Input. Einen sichtbaren Gegenwert gibt es nicht: keine Klarheit über die eigene Laufbahn, keinen Hinweis darauf, wie das eigene Profil die Zuteilung von Aufgaben beeinflusst, kein Bild vom eigenen Entwicklungspfad. Auf ein Tool, das nur nimmt und nichts zurückgibt, reagiert man rational: mit dem Nötigsten oder gar nicht.

Zweitens: Es fehlt soziale Verantwortlichkeit. Liegt ein Kompetenzprofil in einem HR-System, das nur HR einsehen kann, gibt es keinen natürlichen Mechanismus zur Selbstkorrektur. Man kann sich in allem als Experte ausgeben. Man kann ein Profil ein Jahr lang unangetastet lassen. Nicht, weil Menschen unehrlich wären, sondern weil Ehrlichkeit strukturell nicht gestützt wird. Übertreibung hat keine Folgen, Genauigkeit wird nicht belohnt.

Drittens: Das Ausfüllen eines Kompetenzprofils war bislang auf Pflichterfüllung ausgelegt, nicht auf Engagement. Endlose Taxonomien. Umständliche Oberflächen. Kein unmittelbares Feedback. Kompetenztools wurden gebaut wie Spesenformulare: etwas, das man über sich ergehen lässt, abarbeitet und wieder vergisst.

Beheben Sie diese drei Punkte, und der Mensch ist nicht mehr das Problem. Und an alle Skeptiker: Ja, manche werden trotzdem übertreiben. Aber bedenken Sie, wie begrenzt dieser Fehler ist. Wer seine Python-Kenntnisse überschätzt, arbeitet mit Menschen zusammen, die ihn bei der Arbeit erleben. Die Lücke wird sichtbar. Die Daten korrigieren sich selbst. Inferenzfehler dagegen kommen im Gewand objektiver Fakten daher, unterliegen keiner sozialen Kontrolle und summieren sich still und leise. Die Frage war nie, ob selbst angegebene Daten perfekt sind. Sondern ob ihre Fehler von der Art sind, die man sehen und beheben kann, oder von der Art, bei der das nicht geht.

Kompetenztools wurden gebaut wie Spesenformulare: etwas, das man über sich ergehen lässt, abarbeitet und wieder vergisst.

Ein viertes Problem betrifft speziell inferenzbasierte Ansätze und verdient eine eigene Betrachtung.

KI-Inferenz wertet Signale aus bestehenden Systemen aus: E-Mail-Aktivität, Projekttools, Lernplattformen, berufliche Werdegänge, Leistungsdaten. Die stillschweigende Annahme lautet, dass das, was in Systemen sichtbar ist, widerspiegelt, was Menschen tatsächlich wissen und können. Das tut es nicht.

Was Inferenz nicht sehen kann: Eine Mitarbeiterin, die vor drei Monaten angefangen hat, hinterlässt noch keine Datenspur. Das System hat nichts, woraus es schließen könnte. Zertifikate, die vor dem Eintritt oder außerhalb der Unternehmenssysteme erworben wurden, bleiben unsichtbar, solange niemand sie manuell hochlädt. Soft Skills, Urteilsvermögen im zwischenmenschlichen Bereich, das Gespür für Stimmungen im Raum oder der Umgang mit schwierigen Stakeholdern: Nichts davon hinterlässt Spuren im System. Kompetenzen, die vorhanden sind, aber gerade nicht genutzt werden, erzeugen überhaupt kein Signal.

Am deutlichsten zeigt sich das an zwei Produktmanagern, deren Können weit auseinanderliegt. Der unerfahrene ist in den Systemen äußerst aktiv. Er ist ständig mit Feuerlöschen beschäftigt: Er schreibt mehr Nachrichten, legt mehr Tickets an, meldet mehr Probleme und kommuniziert häufiger, weil er erst falsch kommuniziert und dann nachbessern muss. Der erfahrene erledigt den Großteil seiner Arbeit im Gespräch, mit Urteilsvermögen und über Beziehungen. Probleme sind gelöst, bevor sie überhaupt im System landen. Er erzeugt weniger Daten, nicht mehr. Eine Inferenz-Engine, die auf Systemaktivität trainiert wurde, käme vermutlich zu dem Schluss, dass der Junior die stärkeren Produktmanagement-Kompetenzen hat. Sie hat mehr Produktmanagement beobachtet. Nur eben das Falsche.

Die Talente, die in Ihren Systemen die wenigsten Spuren hinterlassen, sind oft Ihre größten Experten, denn Expertise verändert die Art, wie Arbeit erledigt wird.

Das ist kein Kalibrierungsproblem, das sich mit besseren Algorithmen beheben ließe. Es ist ein struktureller Fehler. Die erfahrensten Menschen einer Organisation sind für Systeme oft am wenigsten greifbar, und zwar gerade deshalb, weil Expertise bedeutet, seltener Brände löschen zu müssen, die sich in Daten niederschlagen. Manche Inferenzsysteme versuchen das abzufedern, indem sie Mitarbeitenden oder Führungskräften vorgeschlagene Kompetenzen zur Bestätigung vorlegen, sozusagen als menschliche Kontrolle der maschinellen Schlussfolgerungen. Das ist eine vernünftige Notlösung. Doch auch hier soll ein Mensch ein System korrigieren, das vom falschen Signal ausgegangen ist. Am Fundament ändert das nichts.

Das hat eine Folge, mit der die meisten Organisationen nicht rechnen. Wer sich darauf verlässt, dass Inferenz Fähigkeiten sichtbar macht, übersieht nicht nur, was Menschen können, sondern unterschätzt es systematisch. Gerade die Kompetenzen, die sich am schwersten beobachten lassen, sind oft die wertvollsten. Und die Talente, die in Ihren Systemen kaum Spuren hinterlassen, sind oft Ihre besten Expertinnen und Experten, denn Expertise verändert, wie gearbeitet wird.

Die Zahlen liefern den klarsten Beweis

Die ausgefeiltesten inferenzbasierten Kompetenzsysteme, eng mit HR-Plattformen für Großunternehmen verzahnt und genau nach der oben beschriebenen Logik aufgebaut, lösen das Akzeptanzproblem nicht. Die Nutzungsquoten von HR-Technologie in Großunternehmen liegen selten über 20 %. Die Technologie funktioniert wie vorgesehen. Das Datenproblem, das sie lösen sollte, bleibt trotzdem bestehen. Denn die Beziehung zwischen Mitarbeitenden und System wurde nie repariert, sondern nur technisch umschifft. Und ein brüchiges Fundament zu umschiffen ist nicht dasselbe, wie es zu reparieren.

Zwei Einführungen zeigen, was ein anderes Fundament bewirkt.

Höegh Autoliners ist eine weltweit tätige Reederei, deren Belegschaft auf Schiffe, Häfen und Büros in aller Welt verteilt ist. Bei der Einführung von MuchSkills stellte das Unternehmen die Mitarbeitenden an die erste Stelle: Alle konnten ihr eigenes Kompetenzprofil klar einsehen, sich mit Rollen abgleichen, die sie anstreben, und erkennen, wie groß der Abstand zwischen ihrem heutigen Stand und ihrem Ziel ist. Statt laufende Aktualisierungen vorzuschreiben, entwickelte die Organisation ein Tool, bei dem sich das Aktualisieren lohnt. Das Ergebnis: über 90 % aktive Nutzung in der gesamten Belegschaft, und das dauerhaft, in einer Branche, die traditionell nicht als digitalaffin gilt. Die Kompetenzdaten sind inzwischen so präzise und so vertrauenswürdig, dass sie in die jährliche Strategieberichterstattung auf Vorstandsebene einfließen. Der Vorstand klärt damit die Frage, ob die Organisation über die Fähigkeiten verfügt, ihre Pläne umzusetzen.

Im großen Maßstab zeigt sich etwas anderes. Ende 2025 lieferte MuchSkills die Technologieplattform für Project PASGA, die Personalprüfung und Skill-Gap-Analyse der nigerianischen Bundesregierung, die Phillips Consulting vor Ort durchführte. Knapp 55.000 Beamtinnen und Beamte aus 46 Ministerien durchliefen innerhalb von drei Monaten eine strukturierte Kompetenzerhebung: 5,1 Millionen Kompetenzeinträge, 4.800 Zertifikate, 19.000 Entwicklungsziele. Im Schnitt wurden pro Person 70 Kompetenzen erfasst. Es handelte sich um ein Regierungsprogramm, die Teilnahme wurde also erwartet. Trotzdem gingen die Beschäftigten weit über das Pflichtprogramm hinaus. Sie setzten sich Entwicklungsziele, die niemand von ihnen verlangt hatte, trugen unaufgefordert Zertifikate ein und erkundeten Funktionen, auf die sie nie hingewiesen worden waren. In einem öffentlichen Dienst mit 55.000 Menschen lässt sich so etwas nicht anordnen. Es entsteht durch ein Design, bei dem sich Mitmachen lohnt. Ein Befund aus den Daten hat uns besonders beschäftigt: Das Kompetenzniveau der Belegschaft lag deutlich höher, als die Führungskräfte angenommen hatten. Fähigkeiten, die der Organisation und sogar den Beschäftigten selbst verborgen geblieben waren, wurden zum ersten Mal sichtbar, als die Menschen eine durchdachte Möglichkeit erhielten, abzubilden, was sie tatsächlich wussten. Das Problem war nie, dass die Fähigkeiten fehlten. Das Problem war, dass die Methoden, mit denen man sie sichtbar machen wollte, nur einen Bruchteil davon erfassten.

Der Unterschied zwischen unter 20 % und dauerhaft über 90 % Nutzung liegt nicht in der Raffinesse der zugrunde liegenden Technologie. Er liegt in der Antwort auf eine vorgelagerte Frage: Wessen Tool ist das, und wem dient es?

Wie die Lösung aussieht

Wenn das Problem in Design und Anreizen liegt, sieht auch die Lösung anders aus.

Sichtbarkeit im Kollegenkreis ist ein Instrument für Datenqualität, kein Community-Feature. Sind Kompetenzprofile für Kolleginnen und Kollegen einsehbar, korrigiert sich vieles ganz von selbst. Niemand gibt sich als Experte aus, wenn ein echter Experte danebensitzt. Niemand lässt sein Profil veralten, wenn andere es sehen können. Eine unabhängige Studie mit 27.000 Beschäftigten bestätigt das. Transparenz erweist sich damit als das zuverlässigste Instrument für Datenqualität überhaupt: nicht, weil sie Menschen überwacht, sondern weil sie Ungenauigkeit unbequem macht. Auf diesem Grundprinzip beruht die MuchSkills-Methodik.

Wer neben den Fähigkeiten auch die Motivation erfasst, verändert die Anreizstruktur grundlegend. Hält eine Plattform nicht nur fest, was jemand kann, sondern auch, was jemand tun möchte, also welche Arbeit als sinnvoll empfunden wird und welche Kompetenzen jemand ausbauen will, dann ist das Ausfüllen eines Profils kein Pflichtakt mehr. Es wird zur Fürsprache in eigener Sache. Die Mitarbeitenden haben ein eigenes Interesse daran. Genauigkeit ist dann kein Gefallen für die Organisation mehr, sondern ein Dienst an sich selbst.

Ein Design, das sich Akzeptanz verdient, statt sie einzufordern, ist wichtiger, als es klingt. Eine Kompetenzskala, die sich in 15 bis 30 Minuten ausfüllen lässt, sich ehrlich statt bürokratisch anfühlt und den Mitarbeitenden sofort ihren eigenen Wert zeigt, also ihre Kompetenzen im Verhältnis zu den Rollen, die ihnen wichtig sind, und die Lücken, die sie schließen möchten, erzeugt eine andere Art von Engagement. Nicht wegen Change-Management-Programmen oder verpflichtender Ausfüllquoten. Sondern weil das Produkt es verdient.

Greifen alle drei Elemente ineinander, entstehen Kompetenzdaten, die laufend aktualisiert werden, und zwar nicht, weil die Mitarbeitenden dazu angehalten werden, sondern weil sie es wollen. Darauf lässt sich auf eine grundlegend andere Weise aufbauen.

Der tiefere philosophische Unterschied

Der Unterschied zwischen diesen beiden Ansätzen ist im Kern keine Frage der Methodik. Es geht darum, wem Kompetenzdaten gehören und wem sie in erster Linie dienen sollen.

Das vorherrschende Denkmodell betrachtet Kompetenzen als Vermögenswerte der Organisation. Sie sollen erfasst, gesteuert, in Taxonomien eingeordnet und in HR-Systeme eingebunden werden. Die Mitarbeitenden sind die Quelle, die Organisation ist die Eigentümerin. Die gesamte Gestaltung zielt darauf ab, die Erfassung effizienter und die Inferenz genauer zu machen. Im Produkterlebnis spielen die Mitarbeitenden praktisch keine Rolle.

Daten, die es nie gab, kann auch keine Inferenz hervorbringen.

Dreht man dieses Verhältnis um, ändert sich etwas Grundlegendes. Wenn die Plattform zuerst den Mitarbeitenden dient, ihnen also ihre eigenen Fähigkeiten klar vor Augen führt, zeigt, für welche Aufgaben sie am besten geeignet sind, und ihnen ihre Entwicklung zurückspiegelt, dann entstehen genaue und aktuelle Daten ganz nebenbei, weil die Mitarbeitenden selbst ein Interesse daran haben, sie zu pflegen. Sie müssen nicht um den Menschen herumkonstruieren. Der Mensch wird zu Ihrer motiviertesten und zuverlässigsten Datenquelle.

Das ist keine weiche Aussage über Kultur oder Werte. Es ist ein Argument zum Produktdesign mit messbaren Folgen für Datenqualität und Nutzung. Die 79 % der Beschäftigten, die bereit sind, ihre Kompetenzdaten zu teilen, sind nicht das Problem. Die Frage ist, ob die Tools, die sie bekommen, es lohnenswert machen, diese Bereitschaft auch in die Tat umzusetzen.

Eine andere Ausgangsfrage

Technologie, die auf dem falschen menschlichen Fundament steht, bleibt immer hinter Technologie zurück, die auf dem richtigen aufbaut. Den 92 % der Organisationen, die nach wie vor ohne verlässliche Skills Intelligence dastehen, fehlt es keineswegs allen am Zugang zu besseren Inferenz-Engines. Viele haben sie bereits. Was ihnen fehlt, ist eine andere Ausgangsfrage.

Die Branche fragt: Wie bekommen wir bessere Kompetenzdaten?

Die nützlichere Frage lautet: Warum sollten Mitarbeitende uns überhaupt genaue Kompetenzdaten geben?

Wer diese Frage anders beantwortet, durch Design, durch Transparenz, durch Tools, die den Menschen beim Ausfüllen wirklich etwas bringen, verändert alles, was danach kommt. Die Daten werden besser. Die Nutzung folgt. Und die Lücke zwischen dem, was Organisationen ihrer Belegschaft zutrauen, und dem, was sie tatsächlich kann, beginnt sich endlich zu schließen.

Nichts davon spricht gegen KI in der Skills Intelligence. KI-Inferenz auf der Grundlage hochwertiger, von Mitarbeitenden selbst erzeugter Daten ist eine starke Kombination. Das Problem ist, dass die meisten Organisationen das Fundament überspringen und direkt zur oberen Schicht wollen. Daten, die nie vorhanden waren, lassen sich auch nicht herbeischließen.

Mehr Technologie ist nicht immer die Lösung. Manchmal liegt das Problem im Design.

Wenn Ihnen diese Argumentation einleuchtet, dann deshalb, weil MuchSkills genau auf diesem Fundament aufgebaut ist: erst die Mitarbeitenden, dann die Organisation. Demo buchen: Erleben Sie, wie Kompetenzdaten aussehen, wenn das Design stimmt. Oder sprechen Sie mit uns und überzeugen Sie sich selbst.