Die KI-Kompetenzlücke: Warum die meisten Organisationen nicht wissen, was ihnen fehlt

Jedes Führungsteam stellt sich gerade eine Variante derselben Frage. Im Beratungsunternehmen kommt sie vom Kunden: „Haben Sie Kompetenzen in KI und Machine Learning im Team?“ Die HR-Leitung hört sie vom CEO: „Sind wir bereit für KI?“ Und bei der Leitung der Personalentwicklung taucht sie als Budgetantrag für KI-Schulungen auf, ohne klare Vorstellung davon, wo man ansetzen soll.

Die Frage ist berechtigt. Das Problem: Die meisten Organisationen versuchen, sie ohne die nötigen Informationen zu beantworten. Sie wissen, dass KI wichtig ist. Sie wissen aber nicht genau, welche KI-Kompetenzen in ihrer Belegschaft bereits vorhanden sind: wer sie hat, auf welchem Niveau und wer sie gerade aktiv ausbaut. Bevor sich die Lücke schließen lässt, muss sie sichtbar werden. Und sie klar zu erkennen, ist schwieriger, als es scheint.

Die eine KI-Kompetenz gibt es nicht

Die erste Hürde ist die Definition. KI-Kompetenzen umfassen ein so breites Spektrum, dass eine Analyse, die sie als eine einzige Kategorie behandelt, zu vage bleibt, um daraus Maßnahmen abzuleiten.

Am einen Ende steht die grundlegende KI-Kompetenz: zu verstehen, wie große Sprachmodelle funktionieren, wirksam prompten zu können und KI-Ergebnisse kritisch zu bewerten, statt sie ungeprüft zu übernehmen. Das betrifft nahezu jede Funktion und Rolle. Eine Marketingfachkraft, ein Finanzanalyst und eine Projektleiterin profitieren alle davon, auch wenn das in der Praxis jeweils deutlich anders aussieht.

In der Mitte liegt angewandte KI-Kompetenz: KI-Tools in einem bestimmten Fachgebiet einsetzen, um schneller bessere Ergebnisse zu erzielen. Etwa ein Datenanalyst, der mit Python-Bibliotheken arbeitet, eine Entwicklerin, die KI-APIs in Produkte integriert, oder ein Berater, der mit KI große Mengen an Recherchematerial verdichtet. Die Kompetenz besteht hier nicht darin, zu wissen, dass es das Tool gibt, sondern es im jeweiligen Kontext wirksam einzusetzen.

Am technischen Ende steht KI-Engineering und -Entwicklung: Modelle bauen und feinabstimmen, die Architektur verstehen, mit Trainingsdaten arbeiten. Das ist Spezialwissen. Die meisten Organisationen brauchen davon weit weniger Leute, als sie glauben. Und in den meisten Gesprächen über die KI-Kompetenzlücke wird es mit dem breiteren Problem der Grundkompetenz vermischt. Die Folge: Für technische Rollen wird zu viel eingestellt, während zu wenig in die Ebene der angewandten Kompetenz investiert wird, die der Großteil der Belegschaft tatsächlich braucht.

Zu verstehen, welcher Teil des Spektrums für eine Organisation relevant ist und in welchem Umfang, ist die Voraussetzung für jede sinnvolle Lückenanalyse. Wer diesen Schritt überspringt, investiert am Ende in Schulungen, die nicht zum tatsächlichen Bedarf passen, oder rekrutiert für Rollen, die gar nicht der Engpass sind.

Zuerst kommt das Sichtbarkeitsproblem

Angenommen, eine Organisation hat die Definitionsarbeit erledigt und weiß, welche KI-Kompetenzen sie braucht. Die nächste Frage lautet: Was hat sie bereits?

Genau hier stoßen die meisten Organisationen auf ein strukturelles Problem. KI-Kompetenzen entwickeln sich schneller als die Systeme, mit denen Organisationen sie erfassen. Laut einer Studie von Microsoft und LinkedIn werden sich 68 % der Kompetenzen, die für die meisten Jobs erforderlich sind, bis 2030 durch generative KI verändern. Bei diesem Tempo bauen Mitarbeitende Kompetenzen weit schneller auf, als eine Organisation sie systematisch erfassen kann. Menschen entwickeln KI-Kompetenz in Nebenprojekten, durch eigenes Ausprobieren, in Onlinekursen in ihrer Freizeit und in der täglichen Arbeit mit Tools, die sie ohne formale Schulung eingeführt haben. Nichts davon taucht im HRIS auf. Kaum etwas davon findet sich in einer Leistungsbeurteilung. Das meiste existiert nur in den Köpfen der Mitarbeitenden und auf ihren privaten LinkedIn-Profilen: sichtbar für externe Recruiter, aber nicht für die Führungskräfte und HR-Teams im eigenen Haus.

Das Ergebnis ist ein Paradox, das die meisten Organisationen erleben, ohne es beim Namen zu nennen. Sie glauben, eine KI-Kompetenzlücke zu haben. Gleichzeitig beschäftigen sie womöglich genau die Leute mit den Fähigkeiten, die sie brauchen: Entwickler, die mit LLMs experimentieren, Analystinnen, die Python-Skripte schreiben, Berater, die seit achtzehn Monaten KI-Tools in Kundenprojekten nutzen. Das ist Schatten-Weiterqualifizierung: Kompetenzen, die in der Belegschaft durch eigenes Experimentieren und selbstgesteuertes Lernen entstehen und für die Führungskräfte und HR-Teams, die davon wissen müssten, völlig unsichtbar bleiben. Die Lücke ist real, aber ihre Form ist unbekannt. Und eine unbekannte Lücke lässt sich nicht strategisch schließen. Man kann nur reaktiv darauf antworten: mit teuren externen Einstellungen, mit pauschalen Schulungsprogrammen, die am tatsächlichen Bedarf vorbeigehen, oder mit beidem.

Laut einer Studie von Deloitte geben nur 10 % der HR-Führungskräfte an, den künftigen Kompetenzbedarf wirksam vorhersehen zu können. Das überrascht kaum, denn die meisten Organisationen haben kein verlässliches, aktuelles Bild der Kompetenzen, über die sie bereits verfügen. Wer nicht weiß, wo er steht, kann auch nicht absehen, was er als Nächstes braucht.

Warum vorhandene Datenquellen das Problem nicht lösen

Ist das Problem erst einmal benannt, sucht man instinktiv in den bestehenden Systemen nach den Daten. Die meisten Organisationen haben mehrere Stellen, an denen Kompetenzdaten theoretisch hinterlegt sind: das HRIS, das Performance-Management-System, die Abschlussnachweise im LMS, die Lebensläufe, die bei der Einstellung eingereicht wurden.

Keine dieser Quellen liefert eine verlässliche Antwort auf die Frage: „Welche KI-Kompetenzen hat diese Person tatsächlich, und auf welchem Niveau?“

Das HRIS erfasst Jobtitel und Beschäftigungsverlauf, nicht aber Fähigkeiten. Leistungsbeurteilungen dokumentieren Ergebnisse und Verhalten, nicht die konkreten Kompetenzen dahinter. Abschlussdaten im LMS sind eine Schönwetterkennzahl: Sie zeigen, dass jemand einen Kurs über Machine Learning angesehen hat, nicht, ob er das Gelernte anwenden kann. Lebensläufe spiegeln wider, was Menschen bei der Jobsuche hervorheben wollten, nicht, was sie seitdem dazugelernt haben.

Die Lücke zwischen dem, was Organisationen über ihre Belegschaft wissen, und dem, was sie tatsächlich wissen müssten, ist kein Problem der Datenmenge. Die meisten Organisationen ertrinken in HR-Daten. Es ist ein Problem der Datenqualität und -struktur: Die vorhandenen Informationen sind nicht so detailliert nach Kompetenzen geordnet, dass sich operative Fragen damit beantworten ließen.

Dieses Infrastrukturproblem kommt noch vor der KI-Kompetenzlücke. Bevor eine Organisation ihre Position bei KI-Kompetenzen verstehen kann, braucht sie eine Kompetenzebene: eine strukturierte, aktuelle und durchsuchbare Übersicht darüber, was jede Person in der Organisation tatsächlich kann, auf welchem Niveau und in welche Richtung sie sich entwickeln möchte.

So baut MuchSkills diese Kompetenzebene auf →

Die Dimension der Motivation

Die KI-Kompetenzlücke hat eine zweite Dimension, die in der Diskussion darüber selten vorkommt: nicht nur, wer KI-Kompetenzen hat, sondern auch, wer sie ausbauen möchte.

Das ist aus zwei Gründen wichtig. Der erste ist praktischer Natur: Ein Weiterqualifizierungsprogramm, das auf Menschen ausgerichtet ist, die wirklich motiviert sind, KI-Kompetenzen aufzubauen, bringt bessere Ergebnisse als eines, das einheitlich über ein ganzes Team gelegt wird. Motivation ist keine weiche Größe. Sie zeigt an, ob Investitionen in Entwicklung zu dauerhafter Kompetenz führen oder nur zu kurzfristiger Pflichterfüllung.

Der zweite Grund ist strategisch. Echte KI-Kompetenz werden auf Dauer die Organisationen aufbauen, die erkennen, wer sich bereits aus eigenem Antrieb mit KI beschäftigt, also wer experimentiert, neugierig ist und ohne Aufforderung Kompetenzen aufbaut, und die diesen Menschen die Rahmenbedingungen und die Anerkennung geben, um weiterzukommen. Solche Menschen gibt es in fast jeder Organisation. Sie zu finden, ist ein Sichtbarkeitsproblem.

In MuchSkills wird das über Skill Will erfasst: eine Ebene, die neben der üblichen Bewertung des Kompetenzniveaus steht und für jede Kompetenz einer Person festhält, ob sie diese auch tatsächlich einsetzen möchte. Ein Berater hat vielleicht Python, Datenvisualisierung und Stakeholder-Management in seinem Profil. Skill Will zeigt, für welche dieser Kompetenzen er eingesetzt werden möchte. Bei KI-Kompetenzen ist diese Unterscheidung entscheidend: Sie zeigt nicht nur, wer die Fähigkeit hat, sondern auch, wer wirklich motiviert ist, sie zu nutzen. Diese Kombination bestimmt, wen Sie heute für KI-bezogene Aufgaben einsetzen und in wessen Entwicklung Sie für die Zukunft investieren.

Was es wirklich braucht, um die Lücke zu schließen

Eine Organisation, die die Sichtbarkeitsarbeit geleistet hat und über eine aktuelle, strukturierte und durchsuchbare Übersicht ihrer KI-Kompetenzen in der gesamten Belegschaft verfügt, ist grundlegend anders aufgestellt als eine, die das nicht getan hat. Sie kann die Kundenfrage nach KI-Kompetenzen in Sekunden statt in Tagen beantworten. Sie kann ein Weiterqualifizierungsprogramm auf die tatsächlichen Lücken ihrer eigenen Belegschaft zuschneiden, statt auf einen generischen KI-Lehrplan zu setzen. Und sie kann die Menschen erkennen, die bereits KI-Kompetenzen aufbauen, und ihnen eine Perspektive bieten, statt sie an Organisationen zu verlieren, die genau das tun.

Für Beratungsunternehmen hat diese Sichtbarkeitslücke direkte geschäftliche Folgen. Fragt ein Kunde, ob das Unternehmen KI-kompetente Beraterinnen und Berater für ein Projekt hat, muss die Antwort aus einer verlässlichen Quelle kommen und nicht aus einer Runde interner E-Mails und einem Lebenslauf, der seit der Einstellung nicht mehr aktualisiert wurde. Unternehmen, die diese Frage schnell und präzise beantworten können, gewinnen Aufträge. Alle anderen antworten mit „Wir melden uns“ und verlieren die Ausschreibung oft, bevor es so weit ist. So funktioniert MuchSkills für Beratungsunternehmen.

Ausgangspunkt ist diese Kompetenzebene. Vor der Strategie, vor dem Schulungsbudget, vor der Einstellungsplanung muss eine Organisation wissen, was sie zur Verfügung hat. Konkret heißt das: Profile anlegen, die KI-Kompetenzen ausreichend detailliert erfassen, mit einer Skala, die fein genug ist, um jemanden nach einem Einführungskurs von jemandem zu unterscheiden, der produktionsreif arbeitet. Und diese Profile aktuell halten, während sich die Kompetenzlandschaft verschiebt.

MuchSkills hat mehr als 12.000 Technologiekompetenzen in seiner Datenbank, darunter KI, Machine Learning, Python, LangChain, Prompt Engineering sowie die konkreten Tools und Frameworks, die für unterschiedliche Rollen wichtig sind. Mit der AI Super Search finden Verantwortliche für Ressourcenplanung oder HR-Führungskräfte in Sekunden statt Stunden alle Personen in der Organisation mit einer bestimmten Kombination von KI-Kompetenzen, auf einem festgelegten Niveau und sofort verfügbar. So sieht die Antwort auf die Frage „Haben wir KI-Kompetenzen?“ in der Praxis aus.

Wer sich für die Personalplanung dahinter interessiert, also dafür, wie Skills Intelligence zur Datengrundlage für KI-gestützte Personalentscheidungen wird, findet im Beitrag zur KI-gestützten Personalplanung das strategische Gesamtbild. Geht es als Nächstes um die Methodik der Lückenanalyse, zeigt das Playbook zur Skill-Gap-Analyse einen strukturierten Weg, Kompetenzlücken zu erkennen, zu priorisieren und zu schließen.