Ist KI-Kompetenz in Vertrieb, HR und Produktion dasselbe?

Dieser Beitrag ist eine fachliche Einordnung aus der Praxis und keine Rechtsberatung.

Zwei Mitarbeitende können gleich gut prompten und trotzdem sehr unterschiedlich darauf vorbereitet sein, KI verantwortungsvoll einzusetzen.

Die eine schreibt mit KI den ersten Entwurf einer Vertriebsmail. Der andere lässt Angaben zusammenfassen, die in eine Einstellungsentscheidung einfließen. Liegt das Modell daneben, sind die Folgen nicht dieselben. Die Angaben, die geprüft werden müssen, auch nicht. Und dasselbe gilt für die Regeln, das Fachwissen und das menschliche Urteil, auf die es ankommt.

Daraus folgt eine praktische Frage: Kann ein Unternehmen überhaupt eine einzige Definition von KI-Kompetenz über Abteilungen und Branchen hinweg verwenden?

Die kurze Antwort: Ja für einen gemeinsamen Kern. Nein für einen einheitlichen Maßstab.

Einen universellen Standard gibt es nicht

Die KI-Verordnung der EU beschreibt KI-Kompetenz als die Fähigkeiten, Kenntnisse und das Verständnis, die einen sachkundigen Einsatz von KI-Systemen ermöglichen und ein Bewusstsein für ihre Chancen, Risiken und möglichen Schäden schaffen. Die Definition ist gemeinsam. Ihre Anwendung hängt bewusst vom Zusammenhang ab.

In den Fragen und Antworten der Europäischen Kommission zur KI-Kompetenz heißt es, dass der Ansatz eines Unternehmens unter anderem berücksichtigen sollte:

• Wissen, Erfahrung und Schulung der Beschäftigten
• Ob das Unternehmen das System entwickelt oder nutzt
• Die Risiken des Systems
• Branche und Zweck
• Die Menschen, die der Einsatz betrifft

Eigene Kompetenzanforderungen etwa für Finanzen, Gesundheit oder Produktion legt die Kommission nicht fest. Branche, Zweck und Risiko sollen stattdessen in die Einschätzung des Unternehmens einfließen. Ein offizielles Kompetenzprofil je Branche gibt es also nicht, eine Grundlage für denselben Standard für alle aber auch nicht. Die Kommission macht es selbst genauso: Ihre eigenen Lernangebote sind nach Zielgruppen wie Generalisten, Führungskräften und Entwicklern aufgeteilt.

Was kann gemeinsam sein?

Auch wenn sich die Arbeitssituationen unterscheiden, kann die Struktur dahinter dieselbe sein. In der Praxis lässt sich KI-Kompetenz an vier Fragen ablesen.

Die vier Fragen passen zu vielen Funktionen. Was sie konkret bedeuten, ändert sich aber. Wählen Sie eine Funktion:

Ein gemeinsamer Test mit allgemeinen Fragen kann zeigen, ob alle das Wort Halluzination kennen. Er zeigt nicht, ob jemand im Vertrieb einen falschen Rabatt bemerkt oder ob eine Technikerin erkennt, dass das Modell auf eine veraltete Spezifikation verweist. Wie solche Aufgaben in einzelnen Branchen aussehen, zeigen wir bei den Fallaufgaben nach Branchen.

Die Rolle bestimmt die Aufgabe. Die Branche bestimmt die Folgen

Abteilung und Branche wirken auf verschiedene Weise. Die Rolle bestimmt meist, was jemand erreichen will. Der Vertrieb erstellt Angebote. HR arbeitet mit Menschen und Einstellungen. Die Finanzabteilung arbeitet mit Zahlen, Belegen und Kontrollen. Der Kundenservice deutet Historie, Richtlinien und konkrete Anfragen.

Die Branche verändert oft den Rahmen der Aufgabe: welche Daten sensibel sind, welche fachlichen Standards gelten, wie groß die Folgen eines Fehlers sein können und wen das Ergebnis trifft. Nehmen Sie eine Mitarbeiterin im Kundenservice, die eine Anfrage beantwortet.

Dieselbe Logik steckt im AI Risk Management Framework des NIST. Es legt Wert darauf, dass Rollen und Verantwortlichkeiten rund um KI klar festgelegt sind und Beschäftigte so geschult werden, dass sie genau ihre Aufgaben im Einklang mit den Richtlinien und dem Risikomanagement des Unternehmens erfüllen können.

Braucht dann jede Abteilung ihr eigenes Kompetenzmodell?

Nein. Aber das andere Extrem ist auch nicht besser.

Brauchbarer ist ein Modell aus drei Ebenen, die aufeinander aufbauen.

Die Idee eines gemeinsamen Fundaments stützt DigComp 3.0 der Europäischen Kommission, das KI in alle Kompetenzbereiche des Rahmens einbaut und mit verschiedenen Kompetenzstufen arbeitet. Die OECD unterscheidet ähnlich zwischen den fortgeschrittenen Fähigkeiten, die es braucht, um KI zu entwickeln, und der breiteren Mischung aus grundlegendem KI-Wissen sowie digitalen, kognitiven und überfachlichen Fähigkeiten, die der Einsatz von KI am Arbeitsplatz verlangt.

Nicht die Jobbezeichnung allein bestimmt das Niveau. Es ist die Kombination aus Rolle, konkretem Einsatz, System und Risiko.

Derselbe Wert kann verschiedene Fähigkeiten verbergen

Stellen Sie sich zwei Mitarbeitende vor, die beide in der kritischen Kontrolle hoch abschneiden.

Unternehmen können gemeinsame Dimensionen also durchaus quer durch die Organisation vergleichen. Rohwerte sollten sie aber nicht als direkt gleichwertig behandeln. Ein Wert ergibt nur Sinn zusammen mit Angaben dazu:

• Welche Aufgabe gelöst wurde
• Welche Quellen zur Verfügung standen
• Welche Fehler oder Unklarheiten die Aufgabe enthielt
• Was ein falsches Ergebnis hätte kosten können
• Nach welchen Kriterien bewertet wurde

Sonst verdeckt ein scheinbar präziser Wert mehr, als er zeigt.

So bauen Sie eine Bewertung mit Kontext auf

Ein praktischer Einstieg lässt sich in sechs Schritten beschreiben.

1. Den tatsächlichen KI-Einsatz erfassen

   Beginnen Sie bei den Arbeitsaufgaben, nicht beim Kurskatalog. Welche Systeme werden genutzt, von wem, wofür und mit welchen Daten?

2. Rollen nach Aufgabe und Risiko gruppieren

   Ein Modell je Jobbezeichnung ist selten nötig. Rollen, die KI für ähnliche Aufgaben nutzen und ähnlichen Risiken begegnen, können ein Profil teilen.

3. Gemeinsame Dimensionen beibehalten

   Eine stabile Struktur im ganzen Unternehmen macht sichtbar, ob etwa die kritische Kontrolle ein wiederkehrendes Problem ist.

4. Aufgabe und Referenzmaterial wechseln

   Die Bewertung sollte der Arbeit ähneln. Der Vertrieb wird nicht in Arbeitsrecht geprüft, die Finanzabteilung nicht an Werbetexten. Zu jeder Aufgabe gehört ein geprüftes Referenzmaterial mit relevanten Fakten, erwarteten Teilschritten und bekannten Stolpersteinen. Ein Beispiel zeigt unsere Fallaufgabe aus dem Vertrieb.

5. Den Weg bewerten, nicht nur das Ergebnis

   Ein sauberes Ergebnis kann Zufall oder unkritisch übernommen sein. Achten Sie auch darauf, wie das Werkzeug gewählt, welcher Kontext gegeben, welche Rückfragen gestellt und wie die Ausgabe geprüft wurde.

6. Wiederholen, wenn sich der Kontext ändert

   Überprüfen Sie das Profil, wenn neue Werkzeuge kommen, Prozesse sich ändern oder KI näher an Entscheidungen mit größeren Folgen rückt.

Was bedeutet das für die Geschäftsführung?

Die Geschäftsführung braucht zwei Sichten zugleich.

Nur das Erste liefert Zahlen ohne Richtung. Nur das Zweite liefert viele lokale Geschichten ohne Überblick. Ein brauchbares Kompetenzmodell kann beides.

Fazit

KI-Kompetenz sollte nicht in jeder Abteilung völlig anders definiert werden. Es gibt einen gemeinsamen Kern: KI mit Bedacht auswählen, die Interaktion steuern, das Ergebnis prüfen und das eigene Fachwissen einsetzen. Überall gleich messen lässt sich die Kompetenz aber auch nicht. Aussagekräftig wird sie erst, wenn sie mit der konkreten Aufgabe, den verwendeten Daten, den Risiken des Systems und den Menschen verbunden wird, die das Ergebnis betrifft.

Am robustesten ist deshalb weder ein Test für alle noch ein Modell je Jobbezeichnung. Es ist derselbe Bewertungsrahmen, angewendet auf verschiedene, echte Arbeitssituationen. So werden die Ergebnisse vergleichbar genug für die Geschäftsführung und konkret genug, um zu passender Schulung, besseren Prozessen und einem verantwortungsvolleren Umgang mit KI zu führen.

Quellen und weiterführende Links

1. Europäische Kommission: AI Literacy, Questions & Answers
2. Europäische Kommission: AI talent, skills and literacy
3. KI-Verordnung der EU (EU) 2024/1689
4. Joint Research Centre: DigComp 3.0
5. NIST: AI Risk Management Framework Core
6. OECD: Skill needs and policies in the age of artificial intelligence