Die People Stack hat KI bekommen, aber niemand hat zuerst die Daten bereinigt
Die meisten HR-Führungskräfte können Ihnen genau sagen, welche KI-Tools in ihrer Organisation eingesetzt werden. Sehr wenige können jedoch sagen, was diese Tools gegenseitig bewirken.
Wenn KI ins Recruiting einzieht, verändert sie, wie Kandidaten bewertet werden. Wenn KI ins Leistungsmanagement kommt, verändert sie, wie Feedback generiert wird und wer es übermittelt. Wenn KI im Lernen und in der Entwicklung eingesetzt wird, beeinflusst sie, welche Fähigkeiten priorisiert werden und für wen. Das sind keine isolierten Ereignisse, aber sie werden selten als miteinander verbundene Vorgänge gesteuert.
Führungskräfte treffen Implementierungsentscheidungen funktionsweise für jede Abteilung, und fast niemand ist für das verantwortlich, was an den Schnittstellen passiert.
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
Der People-Stack — Recruiting, Leistungsmanagement, Lernen & Entwicklung, Benefits — wird nach und nach mit KI ausgestattet, jede Implementierung von einem anderen Team mit einem anderen Anbieter und unterschiedlichen Zielsetzungen betreut. Die Wechselwirkungen zwischen diesen Systemen werden kaum überwacht, und fast niemand ist für das verantwortlich, was an den Schnittstellen passiert. Genau dort potenziert sich die Abweichung.
Tausend Blumen, kein Gärtner
Bei einer Diskussionsrunde letzte Woche auf der Transform in Las Vegas lag der Fokus darauf, was sich tatsächlich verändert, wenn KI in die Personalabteilung einzieht. Ein wiederkehrendes Spannungsfeld trat zu Tage: Organisationen experimentieren breit, steuern aber nur in engen Bahnen.
Jevan Soo Lenox, Chief People Officer bei dem schnell wachsenden KI-Unternehmen WRITER, beschrieb, was viele Führungskräfte stillschweigend erleben.
Wir waren in einer Welt, in der wir tausend Blumen blühen lassen. Viel ausprobieren, viele Tools nutzen, jedes zweite Quartal ein Hackathon. Das schafft eine großartige Experimentierkultur. Aber das ist wirklich unzureichend für massiven ROI.
Das Problem ist nicht das Experimentieren. Das Problem ist das Fehlen von Transparenz darüber, was tatsächlich funktioniert und was Inkonsistenz in der Organisation erzeugt.
Diese Inkonsistenz ist strukturell. Wenn ein KI-Tool im Recruiting Kandidaten anhand eines Kompetenzmodells bewertet, ein anderes KI-Tool im Bereich Leistungsmanagement Entwicklungsempfehlungen nach ganz anderen Kriterien generiert, und ein drittes Tool im Bereich Lernen & Entwicklung Lerninhalte basierend auf weiteren Datensignalen vorschlägt, entstehen in der Organisation drei Versionen davon, wie gutes Verhalten aussieht. Dieses Ergebnis wurde von niemandem entworfen. Niemand achtet darauf.
Giovanni Luperti, CEO von Humaans, der mit Unternehmenskunden bei der großflächigen Einführung von HR-Agenten zusammenarbeitet, formulierte den grundlegenden Unterschied, der viele dieser Entscheidungen antreibt: Entscheidungsunterstützung versus Entscheidungsersetzung.
Für repetitive, deterministische Tätigkeiten — Koordination von Onboarding, Terminplanung, Beantwortung von Richtlinienfragen — können Agenten den Prozess zuverlässig durchführen und sich mit der Zeit verbessern. Aber bei allem, was Urteilsvermögen erfordert, muss der Mensch eingebunden bleiben, nicht als Abnicker, sondern als eigentliche Entscheidungsinstanz.
Es gibt oft nicht die einzig richtige Antwort", sagte Luperti, „und so wird es zu einer Entscheidungsunterstützung.
Das Problem ist, dass Organisationen diesen Unterschied nicht immer bewusst treffen. KI wird in einen Arbeitsablauf integriert, weil sie verfügbar ist, weil ein Anbieter überzeugend geworben hat, weil ein Team schnell gehandelt hat.
Die Schwelle, wie viel KI-Autonomie für eine Entscheidung angemessen ist, wird implizit festgelegt und nicht absichtlich. Und wenn KI gleichzeitig auf Recruiting, Leistungsmanagement und Entwicklung einwirkt, fangen diese impliziten Schwellenwerte an, miteinander zu interagieren — auf eine Weise, die schwer zu kontrollieren ist.
Das Fundament darunter
Die Datenschicht verschärft das Problem zunächst, bevor sie es besser macht. Lennox drückte das deutlich aus:
Wenn Sie nicht auf einer großartigen, konsistenten Wissensbasis aufbauen, einer Datenschicht, auf die Sie zugreifen und aufbauen können, dann wird alles andere zerbrechen.
Die Personalabteilung hatte historisch eines der schlechtesten Datenumfelder in jeder Organisation: fragmentierte Systeme, inkonsistente Definitionen, jahrelange manuelle Prozesse. KI darauf einzusetzen, bereinigt das Fundament nicht. Es skaliert nur das, was bereits da ist.
Kit Krugman, SVP People and Culture bei Foursquare, drückte aus, was der Moment tatsächlich erfordert.
Die Personalabteilung hatte schon immer die Herausforderung, einen strategischen Platz am Tisch einzunehmen, und KI ist eine Revolution in dem, was wir erreichen könnten. Eine Orchestrierungsschicht ist eine der stärksten Umwälzungen, die wir in diesem Bereich sehen werden. Aber dafür muss die grundlegende operative Ebene passen, also müssen wir das gesamte Betriebsmodell neu überdenken.
Genau das ist der Teil, den die meisten Organisationen überspringen. Sie setzen Tools ein, ohne das darunterliegende Betriebsmodell neu zu überdenken.
Die von Krugman beschriebene Orchestrierungsschicht — also die Instanz, die KI-Aktivitäten über die gesamte Personalstruktur hinweg koordiniert und die Gesamtheit der Systemaktivitäten sichtbar macht — existiert in den meisten Unternehmen noch nicht. Stattdessen gibt es eine Sammlung von Einzellösungen, die verschiedenen Führungskräften berichten, auf unterschiedlichen Daten basieren und auf verschiedene Ergebnisse optimieren.
Lenox, der den Vorteil hatte, eine Personalabteilung bei Writer von Grund auf neu zu schaffen, anstatt eine bestehende nachzurüsten, beschrieb seinen Ansatz zur Rollenentwicklung in diesem Zusammenhang.
Diese Geduld – die Entscheidung, innezuhalten, den tatsächlichen Bedarf zu ermitteln und daraufhin aufzubauen – ist genau das, was sich die meisten Organisationen beim Einsatz von KI in vernetzten Funktionen nicht leisten können zu überspringen.
Mit Intention vorzugehen, bedeutet hier etwas ganz Konkretes: herauszufinden, wo KI messbare Ergebnisse erzielen kann, auf einer sauberen Datenbasis aufzubauen und Governance-Strukturen zu etablieren, bevor skaliert wird. Die meisten Organisationen halten diese Reihenfolge nicht ein – nicht weil sie es nicht besser wüssten, sondern weil die Tools so zugänglich sind, dass der Druck, schnell zu handeln, die Disziplin, bewusst zu handeln, überwiegt.
Das Ergebnis ist ein Personal-Stack, der von außen modern wirkt, aber im Kern widersprüchlich ist. Wenn KI gleichzeitig Empfehlungen für Recruiting, Performance und Entwicklung gibt – ohne gemeinsame Logik und ohne Überwachung der Interaktionen – scheitert das System nicht offensichtlich. Es driftet langsam in eine Richtung, die niemand gewählt hat.