AI Ready ist ein Schlagwort, keine Strategie
KI-Belegschaft: Der Fokus verschiebt sich von der Auswirkung der KI hin zur Vorbereitung der Belegschaft auf KI-integrierte Rollen.
Benötigte Kompetenzen: Programmieren, Anpassungsfähigkeit und Klarheit werden als zentrale Fähigkeiten für die KI-Bereitschaft in der Belegschaft betont.
Organisatorisches Design: Aktuelle ‘Bereitschaftsrahmen’ konzentrieren sich auf Individuen, anstatt systemische Herausforderungen im organisatorischen Design anzugehen.
Messmetriken: KI-Bereitschaft sollte sich nicht nur auf Nutzungsmetriken stützen. Erfolg wird durch Ergebnisverbesserungen bestimmt.
Dringlichkeitsproblem: Die Dringlichkeit bei der KI-Einführung wird betont, aber es fehlt oft an Präzision und klarer Richtung.
Jede große Konferenzagenda in diesem Frühjahr enthielt irgendeine Variante desselben Session-Titels: Was es wirklich braucht, um eine auf KI vorbereitete Belegschaft aufzubauen.
Die Phrase war überall zu finden. Ein verlässliches Signal dafür, dass die Branche sich von der Frage entfernt hat, ob KI die Arbeit verändert und nun vor der schwierigeren Frage steht, wie man Menschen auf das vorbereitet, was als Nächstes kommt.
Die eigentliche Frage erwies sich als schwieriger zu beantworten als erwartet.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
In den verschiedenen Sessions auf der Transform in Las Vegas und der HumanX in San Francisco in diesem Frühjahr gaben die Vortragenden durchdachte, wenngleich etwas abstrakte Einschätzungen dazu ab, wie Vorbereitung für die Arbeitswelt im KI-beschleunigten Umfeld aussieht.
Andrew Ng, Gründer von DeepLearning.AI, vertrat die provozierende These, dass jeder – unabhängig von der Rolle – programmieren lernen sollte.
Coursera-CEO Greg Hart verwies auf die stark gestiegene Nachfrage nach Kursen zum kritischen Denken, die auf der Plattform im Jahresvergleich um fast 200 % zugenommen hat — ein Beweis dafür, dass Organisationen allmählich erkennen, dass technische Kompetenz allein nicht ausreicht.
Robin Daniels von Sensai argumentierte, dass die grundlegende KI-Fähigkeit Klarheit ist. Anders ausgedrückt: Wenn man nicht klar genug definieren kann, was man von einer Person will, kann man es erst recht nicht für eine KI-Agentin definieren.
Sarah Franklin, CEO von Lattice, widersprach dem Impuls, die KI-Bereitschaft anhand von Nutzungsmetriken zu messen, und argumentierte, dass es darauf ankommt, ob Menschen tatsächlich bessere Ergebnisse erzielen und nicht nur mehr Token generieren.
Das sind keine inhaltsleeren Beobachtungen. Es steckt echte Überlegung dahinter. Doch zusammen offenbaren sie etwas, was die Konferenzlandschaft noch nicht gelöst hat: „KI-bereit“ bleibt eine Richtungsangabe, keine operative Beschreibung.
Man kann drei Tage lang Sessions besuchen und geht mit einem überzeugenden Gefühl der Dringlichkeit, aber fast ohne Möglichkeit, zu bewerten, wo die eigene Organisation tatsächlich steht.
Das ist eine nähere Betrachtung wert, denn die Kosten, Inspiration mit Strategie zu verwechseln, zeigen sich gerade in realen Unternehmen.
Was die Konferenz als bereit definiert
Die über die Sessions hinweg entstandene Arbeitsdefinition von KI-Bereitschaft besteht aus einigen wiederkehrenden Bausteinen.
Der erste ist Kompetenz, in erster Linie im technischen Bereich. Ngs Plädoyer fürs Programmieren ist die drastischste Variante. Da KI die Software-Entwicklung zugänglicher macht, werden Menschen, die auf diesem Level arbeiten können, diejenigen übertreffen, die es nicht können – unabhängig von ihrer Berufsbezeichnung.
Er schilderte, wie er Marketiers, Recruiter und Finanzfachleute beobachtete, die programmieren konnten und sich deutlich von mitarbeitenden Kollegen absetzen, die es nicht können, und skizzierte eine sich vertiefende Kluft.
Hart untermauerte die technische Dimension mit Kursanmeldungen. Im Jahr 2025 schrieb sich alle vier Sekunden eine Person in einen KI-Kurs auf Coursera ein – doppelt so schnell wie 2024.
Die zweite Komponente ist Anpassungsfähigkeit, lose definiert als die Fähigkeit, mit dem Wandel Schritt zu halten.
„Die eine menschliche Qualität, die gebraucht wird, ist Anpassungsfähigkeit“, sagte Adit Jain, CEO von Leena AI, dessen Unternehmen KI-Kolleginnen für G&A- und Backoffice-Funktionen entwickelt.
Er beschrieb, was er sieht, wenn Unternehmen Automatisierung einführen. Diejenigen, die die Umstellung meistern, sind nicht unbedingt die erfahrensten oder technisch versiertesten. Es sind diejenigen, die bereit sind, ihre Rolle neu zu definieren — indem sie die KI beaufsichtigen und verbessern, anstatt die Arbeit zu verteidigen, die sie ersetzt.
Das Dritte ist etwas, das sich einer klaren Bezeichnung entzieht. Franklin nannte es, KI als Teammitglied und nicht als Werkzeug zu behandeln. Daniels spricht von Klarheit. Bianca Anghelina, CEO von AILY Labs, beschreibt es als Fähigkeit, Geschäftsprobleme in Herausforderungen zu übersetzen, die von KI gelöst werden können.
Ngs Kernthesis zum Programmieren ist letztlich: Programmierung ist ein Weg, um systemisches Denken zu lernen, also Probleme so zu zerlegen, dass automatisierte Prozesse sie lösen können.
Unter diesen drei Komponenten verbirgt sich eine implizite vierte: die Bereitschaft, dauerhaft weiter zu lernen. Früher oder später landeten alle Vortragenden bei diesem Thema. Die Verpflichtung zum lebenslangen Lernen ist weniger eine Definition von „Bereitschaft“ als vielmehr das Eingeständnis, dass kein statischer Skill-Set auf Dauer ausreichen wird.
Als Beschreibung der Richtung, in die sich eine Organisation bewegen muss, ist das plausibel. Als Rahmen, um zu beurteilen, wo eine Organisation steht, ist es praktisch nutzlos. „Anpassungsfähig sein“ und „immer weiterlernen“ sind nicht evaluierbar. Sie sagen einer CHRO nicht, was gemessen, entwickelt oder was als bestandene Bewertung gelten soll.
Darüber hinaus wird selten angesprochen, was benötigt wird, wenn man diesen Prozess startet – obwohl wir es im Podcast behandelt haben.
Wo die Definition an ihre Grenzen stößt
Der nützlichste Moment einer HumanX-Session zum Thema Reskilling in großem Maßstab kam nicht von einem Framework, sondern von einer Zahl. Jain beschrieb, was typischerweise passiert, wenn sein Unternehmen einen Geschäftsprozess für einen großen Unternehmenskunden automatisiert: 60 % der Menschen, die diese Arbeit erledigen, werden nicht mehr benötigt.
Von den verbleibenden 40 % können etwa 20 %, also rund 12 % der Gesamtmitarbeitenden, wieder in den Prozess eingebunden werden – und zwar als menschliche Manager der KI. Die übrigen 48 % stellen ein Übergangsproblem dar, das die meisten Organisationen bisher nicht gelöst haben.
Er nannte ein reales Beispiel eines Kunden aus dem Gesundheitswesen, der HR-Operations-Mitarbeitende, die von routinemäßiger Ticketbearbeitung entlastet wurden, umleitete in das Aufbauen und Managen von Agenten, die die Einhaltung von Patientendatenvorgaben in großem Maßstab sicherstellen. Arbeit, die zuvor tatsächlich nicht erledigt wurde, weil sie mit Menschen zu ressourcenintensiv gewesen wäre.
Die Neuzuweisung erforderte, dass diese Mitarbeitenden das neue Arbeitsfeld verstehen, neue Fähigkeiten schnell erwerben und eine grundsätzlich andere Beziehung zu ihrer beruflichen Rolle akzeptieren konnten.
Hier stößt die Konferenz-Definition von "Bereitschaft" auf ihr strukturelles Problem. Bereitschaft, wie sie in den meisten Sessions verstanden wird, ist eine Eigenschaft von Individuen: ihre technischen Fähigkeiten, ihre Anpassungsfähigkeit, ihre Lernbereitschaft.
Doch das 48%-Problem ist nicht in erster Linie ein individuelles Problem. Es ist ein Problem des organisatorischen Designs. Ob diese Mitarbeitenden wechseln können, hängt nicht nur von ihrer persönlichen Anpassungsfähigkeit ab, sondern auch davon, ob die Organisation identifiziert hat, wohin sie gehen können, welche Anforderungen diese Rollen stellen, welche Entwicklungsinvestitionen nötig sind, um sie dorthin zu bringen, und wie lange die Organisation diesen Übergang wirtschaftlich aushalten kann, bevor der ökonomische Druck zu einfacheren Lösungen drängt.
"KI-bereit" als Konzept für die Belegschaft behandelt keinen dieser Aspekte – zumindest nicht in der heutigen Denkweise. Der Fokus liegt auf der Fähigkeitsseite der Gleichung, während die Seite der Umsetzung weitgehend unbeachtet bleibt.
Daniels machte eine treffende Bemerkung über die Oracle-Entlassungen Anfang des Jahres.
Es mangelt an Mut in den Führungsetagen, eine Belegschaft tatsächlich weiterzubilden. Was machen Sie, wenn Sie auf Bergen von Bargeld sitzen und sich nicht die Zeit nehmen, Ihre Mitarbeitenden um- oder weiterzubilden?
Die Aussage zielte auf Führungskraft-Mut. Doch tatsächlich wird hier auch ein Versagen organisatorischer Fähigkeiten beschrieben. Bei Oracle gab es mit ziemlicher Sicherheit Menschen, die anpassungsfähig und lernbereit waren. Was offenbar fehlte, war ein System, mit dem sich erkennen ließ, wer diese Menschen waren, wohin sie eingesetzt werden könnten und wie man sie mit der geforderten Geschwindigkeit entwickeln kann, die der Wandel erforderte.
Mut ist entscheidend. Aber Mut ohne eine Diagnose ist keine Strategie.
Das Messproblem
Franklins Hinweis, KI-Bereitschaft über Nutzungskennzahlen zu messen, verdient mehr Gewicht, als ihm im Konferenzumfeld beigemessen wurde. Sie beschrieb, dass Organisationen hier regelmäßig Fehler machen. Es werden Adoptionsraten, Tool-Logins, Prompt-Volumen und Tokenverbrauch nachverfolgt – und daraus geschlossen, dass Fortschritte erzielt werden.
Diese Messung ist sauber und lässt sich problemlos nach oben melden. Sie ist jedoch leicht manipulierbar und nur lose mit dem tatsächlich Wesentlichen verknüpft.
Nur die Nutzung von KI zu messen heißt, den Wald vor lauter Bäumen nicht zu sehen. Man muss weiterhin messen, was Menschen tatsächlich leisten können, weil wir fest davon überzeugt sind, dass KI im Dienst des Erfolgs von Menschen stehen muss.
Gerade im Kontext der Personalentwicklung ist das relevant, denn der Impuls, Adaption zu messen, prägt bereits, wie manche Organisationen ihre KI-Trainings gestalten. Wenn KI-Nutzung an Leistungsbeurteilungen gekoppelt wird, erhält man KI-Nutzung – aber nicht unbedingt bessere Entscheidungen, schnellere Arbeit oder fähigere Mitarbeitende.
Jain beschrieb eine Version dieses Problems aus einer anderen Perspektive: Als er einen sanften Ansatz für Reskilling probierte, bei dem Mitarbeitende eigenständig einen Kurs innerhalb von drei Monaten absolvieren sollten, machten nur zwei von dreißig mit.
Als er dasselbe Programm mit einer 90-Tage-Frist, einer formalen Prüfung und einer Gehaltserhöhung für das Bestehen neu aufsetzte, absolvierten es mehr als 85 %. Die Erkenntnis hinsichtlich Motivation ist interessant. Die wichtigere Implikation betrifft jedoch, was die Organisation tatsächlich maß – und wie.
Abschluss und Vergütung waren nachvollziehbar. Ob die Personen, die bestanden haben, tatsächlich materiell besser in der Lage waren, die neue Arbeit zu leisten, war eine andere Frage.
Was würde daraus eine echte Bewertung statt nur eines Kontrollkästchens machen? Diese Frage konnten die Konferenzsitzungen nicht vollständig beantworten.
Die Definition der Konferenz an einem strengeren Standard messen
Die sieben Fähigkeiten, die Organisationen, die bei der KI-Transformation erfolgreich sind, zuverlässig von solchen unterscheiden, die zwar Aktivität entwickeln, aber keine Ergebnisse erzielen, sind: Empathie, Präsenz, Produktdenken, Mut, strategische Geduld, Transparenz und systemisches Denken.
Diese tauchen in der Forschung immer wieder auf. Bemerkenswert ist dabei auch, dass sie fast ausschließlich das Führungsverhalten betreffen und nicht die Kompetenzen der Mitarbeitenden.
Setzt man die Konferenzsitzungen an diesen Kriterien an, ergibt sich ein uneinheitliches Bild.
Empathie
Franklins Argument für KI im Leistungsmanagement basierte auf einer echten Erkenntnis darüber, wie Menschen Beurteilungen erleben: Wenn man die Bewertungsdynamik aus Beurteilungsgesprächen herausnimmt, indem man evidenzbasierte Informationen bereitstellt, bevor das persönliche Gespräch stattfindet, ändert sich, was Menschen bereit sind anzunehmen.
Ihre Beschreibung, dass Mitarbeitende „sich wohler fühlen“, wenn sie verstehen, worauf sich die KI bei ihren Analysen stützt – nämlich auf vertrauenswürdige Daten und nicht auf subjektive Einschätzungen des Vorgesetzten –, ist eine reale Beobachtung darüber, wie Individuen Veränderungen unterschiedlich erleben.
Courseras Ergebnis, dass Lernende, die mit ihrem KI-Coach interagieren, wesentlich bessere Ergebnisse erzielen als diejenigen, die das nicht tun, weist in die gleiche Richtung. Unterschiedliche Menschen benötigen unterschiedliche Unterstützung, und die Organisationen, die darauf achten, erzielen bessere Resultate.
Die Sitzungen boten keine Diagnosemöglichkeit zur Bewertung organisatorischer Empathie, aber das grundlegende Verständnis war vorhanden.
Produktdenken
Anghelinas Bootcamp-Modell ist das klarste Beispiel: Mitarbeitende erhalten ein funktionierendes Agenten-Framework und eine konkrete geschäftliche Herausforderung – kein abstraktes Kompetenzcurriculum und keine theoretische KI-Fähigkeit.
Optimieren Sie das Marketingbudget um 10 %. Diese Designentscheidung ist bedeutsam. Sie behandelt die Entwicklung der Belegschaft so, wie ein Produktteam ein Problem angeht: mit einem echten Nutzerbedürfnis beginnen, etwas Passendes entwickeln und dann iterativ weiterarbeiten.
Jains Beispiel zur Umverteilung in der Gesundheitsbranche folgt demselben Prinzip. Die freigesetzten HR-Operations-Kapazitäten wurden nicht für generelles „Reskilling“ genutzt, sondern für ein spezifisches Compliance-Problem, das die Organisation bisher nicht lösen konnte.
Das ist Produktdenken in der Praxis. Aber keine der Referentinnen und Referenten benannte es als solches – weshalb Führungskräfte, die die Sitzungen verfolgen, wahrscheinlich das Beispiel aufnehmen, aber nicht das Prinzip dahinter erkennen.
Mut
Dies kam einmal klar zum Vorschein, dann widmete sich die Diskussion anderen Themen. Daniels' Kritik an Oracle war deutlich: Eine Organisation mit den finanziellen Mitteln, ihre Belegschaft umzuschulen, entschied sich dagegen – und er benannte dies als Versagen des Managementwillens. Das Statement hatte Gewicht.
Was daraus allerdings nicht entstand, war ein Austausch darüber, wie Organisationen institutionellen Mut aufbauen, kurzfristige Kosten zu tragen, um langfristige Kompetenzen der Belegschaft zu entwickeln. Die Lücke zwischen der Problembenennung und der Entwicklung entsprechender Führungskompetenz blieb offen.
Transparenz
Dieser Aspekt war in allen Sitzungen implizit vorhanden, wurde aber selten direkt betrachtet. Franklins Aussagen über den Aufbau organisationalen Vertrauens als Voraussetzung für KI im Leistungsmanagement kamen dem Thema am nächsten.
Doch keine Sitzung beleuchtete, wie ehrliche Kommunikation aussieht, wenn eine Organisation wirklich unsicher ist, welche Rollen eine KI-Transformation überleben – und wie Führungskräfte ehrlich damit umgehen können, ohne die Angst zu fördern, die die Akzeptanz untergräbt.
Forschungen von Boston Consulting Group und der Columbia Business School dokumentieren den Unterschied von 51 Prozentpunkten zwischen dem, was Führungskräfte glauben, was Mitarbeitende über die KI-Strategie verstehen, und dem, was diese wirklich verstehen. Das wurde nicht thematisiert – sollte es aber. Diese Lücke ist kein Kommunikationsproblem, sondern ein Transparenzproblem. Und sie ist groß genug, um ansonsten technisch saubere Implementierungen zu gefährden.
Präsenz
In einer Zeit, in der bekannte Persönlichkeiten oft über wenig Selbstwahrnehmung verfügen, war Präsenz – passenderweise – nahezu vollständig abwesend. Die Sitzungen bewegten sich auf strategischer Ebene. Die Frage, ob Führungskräfte wirklich wissen, wie die Arbeit in ihren Organisationen tatsächlich abläuft, also ob sie nah genug dran sind, um zu verstehen, was der KI-Einsatz für die Ausführenden tatsächlich verändert, blieb unbeantwortet.
Jains Zahlen deuten darauf hin: Wenn nach der Automatisierung 60 % der Personen in einem Geschäftsprozess überflüssig werden, musste jemand an der Spitze ein klares Bild davon haben, was diese Personen tatsächlich getan haben und wo entsprechende Arbeit eventuell noch anfällt.
Wie Organisationen diese operative Nähe entwickeln – insbesondere in großen Unternehmen, in denen die Silizium-Barriere zwischen Geschäftsleitung und Mitarbeitenden an der Front längst bekannt ist – war jedoch kein Gesprächsthema.
Strategische Geduld
Der vorherrschende Tenor der Konferenz war Dringlichkeit. Jetzt handeln oder abgehängt werden. Pilotprojekte sind vorbei, es ist Zeit für die Umsetzung. Anghelinas Behauptung der Integration an nur einem Tag. Jains Warnung, dass ein CEO, der nicht schnell genug handelt, auf Analysten trifft, die fragen, warum andere bessere Margen haben.
Robin Daniels’ abschließende Korrektur, „Geschwindigkeit plus Unsicherheit ist einfach Chaos, holt erstmal Luft“, war der einzige Gegenpol in den Sessions – und er kam in den letzten dreißig Sekunden, bevor die Zeit ablief.
Die Forschung darüber, was tatsächlich eine nachhaltige KI-Adoption ermöglicht, zeigt in eine andere Richtung: 79 % der Beschäftigten, die mehr als fünf Stunden KI-Training erhalten haben, wurden zu regelmäßigen Anwendern, verglichen mit 67 %, die weniger Training erhielten. Die J-Kurve ist real.
Der Kompetenzaufbau, der dauerhafte Ergebnisse bringt, dauert länger, als es die Konferenz-Dringlichkeit anerkennt. Die organisatorischen Kosten des Abbruchs von Initiativen, bevor sie ausgereift sind – S&P Global beziffert die Ausstiegsquote bei KI-Projekten vor Produktionsreife auf 42 % – werden durch das Framing „Bewege dich schnell oder du wirst überholt“ nicht abgedeckt.
Systemisches Denken
Keine Session beschäftigte sich tiefgreifend damit, wie der KI-Einsatz in einem Bereich Auswirkungen auf andere hat. Zum Beispiel:
- Wie die Überarbeitung von Arbeitsabläufen im Personalbereich verändert, was der Kundenservice leisten können muss
- Wie die Automatisierung der Kreditbewilligung das Produktmanagement für den gesamten Kreditbereich beeinflusst
- Wie der Einsatz von KI-Agenten in einer Abteilung Governance-Fragen aufwirft, die jede Abteilung betreffen.
Ng’s Beispiel zur Kreditbewilligung enthielt tatsächlich einen Hinweis darauf: Sie beschrieb, wie eine von oben gesteuerte Neugestaltung von Abläufen neue Produkte ermöglicht, statt nur Effizienzsteigerungen zu bringen. Die systemweiten Implikationen, wie Organisationen strukturiert sein müssen, um diese Chancen zu erkennen und zu nutzen, wurden jedoch nicht weiter ausgeführt.
Die BCG-Studie, wonach inzwischen 52 % der bei KI erfolgreichen Unternehmen funktionsübergreifende Teams aus Fach- und IT-Führungskräften einsetzen (im Vorjahr waren es noch 5 %), spricht dafür, dass dies einer der bedeutendsten Strukturwandel ist. In den Sessions wurde es aber mehr als Hintergrundannahme behandelt denn als aktive Herausforderung.
Das Muster über alle sieben Fähigkeiten hinweg? Führungskräfte scheinen besser vorbereitet bei den Fähigkeiten, die individueller Kompetenzentwicklung ähneln (Empathie, Produktdenken), und schwächer bei den Fähigkeiten, die organisatorische Umstrukturierung verlangen (systemisches Denken, strategische Geduld, Präsenz).
Dieses Ungleichgewicht zeigt etwas Reales über den aktuellen Stand der KI-Debatte. Die Entwicklung individueller Fähigkeiten ist handhabbar. Es gibt dafür Anbieter, Curricula und Abschlussmetriken. Organisationsentwicklung dauert länger, ist politisch komplexer und schwerer in 45-Minuten-Sessions zu vermitteln.
Daher konzentriert sich das Gespräch auf das, was konkret beschreibbar ist – und das Ergebnis nennen wir dann ein Readiness-Framework.
Was Umsetzbarkeit wirklich verlangt
Die Unterscheidung zwischen Zielbild und tatsächlicher Umsetzbarkeit dreht sich nicht um Pessimismus versus Optimismus. Sowohl Ng als auch Hart machten deutlich, dass gut aufgestellte Organisationen echte Fortschritte erzielen.
Hart beschrieb eine große Unternehmensberatung, die 5.000 Mitarbeitende für spezialisierte KI-Rollen qualifiziert hat, sowie ein globales Technologieunternehmen, bei dem eine Teilnahme an Coursera mit einer um 50 % verbesserten Bindung korrelierte. Das sind Ergebnisse, keine bloßen Absichten.
Allen diesen Organisationen war gemeinsam, zumindest laut Beschreibung, dass sie mit einem konkreten Geschäftsproblem begannen und nicht mit einem allgemeinen Ziel zur Bereitschaft. Die Beratungsfirma wollte bessere Ergebnisse für KI-gestützte Kundenprojekte liefern. Das Tech-Unternehmen wollte Mitarbeitende halten, die durch KI effektiver arbeiten. In beiden Fällen bezog sich die Kompetenzentwicklung auf etwas Konkretes, das bewertet werden konnte.
Anghelina brachte diesen Punkt am deutlichsten auf den Punkt – wenn auch im Kontext von Bootcamps und dem Ziel, den Marketingaufwand so zu optimieren, dass 10 % mehr Umsatz erzielt werden. Das Vorgehen ist nicht abstrakt, das Ergebnis ist messbar. Die Aufgabe der Mitarbeitenden ist, herauszufinden, wie man mit KI dieses Ziel erreicht.
Wenn Anwender die Auswirkungen von KI auf das Unternehmen sehen, werden sie kreativer. Die Kompetenzen entwickeln sich, weil das Problem spezifisch genug ist, dass man gezielt daran arbeiten kann.
Hier bleiben viele Umschulungsinitiativen stecken. Sie beginnen mit Fähigkeiten, weil Fähigkeiten lesbar, trainierbar und nachverfolgbar sind. Die Einschreibezahlen bei Coursera sind echt. Die Daten zur Fertigstellung von Mikro-Zertifikaten sind echt. Die 91 % der Lernenden, die innerhalb von sechs Monaten über positive Karriereauswirkungen berichten, sind echt. Aber Fähigkeiten, die vom organisatorischen Kontext losgelöst sind, tendieren zum Generischen. Und generelle Bereitschaft ist keine Bereitschaft für etwas Konkretes.
Franklin hat denselben Punkt aus HR-Sicht gemacht, als sie sagte, dass HR etwa 60 % seiner Zeit damit verbringt, zu dokumentieren, was in der Vergangenheit passiert ist.
Die Chance besteht nicht darin, HR besser im Dokumentieren zu machen. Die Chance besteht darin, HR-Kapazität freizusetzen, damit an Problemen gearbeitet werden kann, die tatsächlich menschliches Urteilsvermögen erfordern – Probleme, die spezifisch genug sind, dass sie jemanden brauchen, der die Organisation, ihre Menschen und die Entscheidungen versteht, die tatsächlich Ergebnisse bewirken.
Eine echte KI-Bereitschaftsstrategie beginnt dort. Nicht mit der Frage „Welche Fähigkeiten brauchen unsere Leute?“, sondern mit „Was muss diese Organisation in 18 Monaten können, was sie heute noch nicht kann, und was muss jede Rolle dazu beitragen?“
Wenn man von dieser Fragestellung aus rückwärts vorgeht, entsteht etwas Bewertbares. Das Seven-Capability-Framework existiert genau zu diesem Zweck: um diese rückwärtige Zuordnung zu strukturieren, ein Ziel unternehmerischer Handlungsfähigkeit in die spezifischen menschlichen Kompetenzen zu übersetzen, die für dessen Erreichung notwendig sind, und den Abstand zwischen Ist- und Soll-Zustand so präzise zu bemessen, dass sich ein Entwicklungsprogramm darum aufbauen lässt.
Die Dringlichkeit verdeckt das Wesentliche
Eine Dynamik, die auf dem Konferenz-Zirkel vermutlich unbeabsichtigt verstärkt wird, ist, dass Dringlichkeit Präzision ersetzt.
Jede Session, die ich in den letzten 6 Wochen besucht habe – ob es nun die großen Ballsäle bei Transform waren, die dramatisch ausgeleuchtete Bühne bei HumanX oder die Workshop-Sessions auf kleineren, lokalen Konferenzen hier in Atlanta, wo ich wohne – jede einzelne sprach die Geschwindigkeit des Wandels an.
Mehrere Sprecher wiesen darauf hin, dass ein Rückstand von drei bis vier Monaten bei den neuesten KI-Codierungswerkzeugen laut Ng zu spürbaren Leistungslücken bei Ingenieuren führe. Die implizite Botschaft: Die Geschwindigkeit der Einführung ist die zentrale Variable.
Sie ist eine Variable. Sie ist aber nicht die wichtigste.
Daniels brachte es am klarsten auf den Punkt, auch wenn das Gespräch drumherum es ein wenig überlagerte.
Geschwindigkeit plus Klarheit ist großartig. Geschwindigkeit plus Unsicherheit ist einfach nur Chaos.
Das meiste, was aktuell als KI-Bereitschaft bezeichnet wird, wird im Eiltempo vorangetrieben. Die Dringlichkeit ist insofern real, als wir sie alle spüren und sie durch unser Engagement weiter bestätigen.
Aber die Organisationen, die tatsächlich einen Wettbewerbsvorteil durch KI-gestützte Personalentwicklung aufbauen, sind jene, die klar definiert haben, worauf sie konkret hinarbeiten, damit die Geschwindigkeit auch ein Ziel hat.
Der Test ist einfach und wird durch die Konferenz-Sessions unbeabsichtigt illustriert. Wenn Sie die in einer dieser Sessions angebotene Definition von KI-Bereitschaft nehmen und damit versuchen würden, ein Entwicklungsprogramm für Ihre Organisation aufzubauen, müssten Sie sofort eine Reihe von Fragen beantworten, die diese Definition offenlässt.
- Welche Rollen sind für unsere spezielle KI-Strategie am wichtigsten?
- Wie sieht Kompetenz auf jeder Ebene aus und wie messen wir sie?
- Welche Entwicklungsabfolge bringt uns am schnellsten vom Ist-Zustand zum Soll-Zustand?
- Welche organisatorischen Veränderungen müssen neben der individuellen Kompetenzentwicklung stattfinden, damit das alles funktioniert?
Das sind keine Zielvorstellungen – es sind operative Fragen. Und sie zu beantworten, unterscheidet Ihre Fähigkeit, eine KI-bereite Belegschaft aufzubauen, von Ihrer Fähigkeit, KI-Trainingsprogramme durchzuführen.
Der Begriff ist zum Kürzel für ein Ziel geworden, auf das sich alle einigen. Die Strategie ist die eigentliche Arbeit, die daraus folgt, dieses Ziel präzise zu definieren.
