Wie echte KI-Kompetenz aussieht – und wie Sie dorthin gelangen

David Rice: Welche Risiken werden von Führungskräften im Zusammenhang mit KI unterschätzt, gerade weil es für die Menschen heutzutage recht einfach ist, sie zu nutzen?

Kenneth Corrêa: Ich denke, der größte Fehler, den ich bei Unternehmen sehe, ist nicht unbedingt, dass das Tool an sich benutzt wird. Es ist vielmehr das Teilen von privaten, vertraulichen Dateien. Jemand hat eine Idee, nutzt dann das eigene Handy, um eine Tabelle mit den Quartalsergebnissen für die kostenlose Version von ChatGPT hochzuladen.

David Rice: Du hast erwähnt, dass dein eigenes Unternehmen einen Produktivitätsschub von 15% verzeichnen konnte, ohne dass die Mitarbeiterzahl erhöht wurde. Warum, meinst du, folgen nicht mehr Firmen diesem Beispiel?

Kenneth Corrêa: Viele bringen und lehren KI immer noch so bei, als wäre es eine 70 Jahre alte Technologie, die Unmengen an Daten, Datenbanken und Datenwissenschaftlern benötigt. Generative KI hingegen ist einfach zu verwenden, sehr leicht zu implementieren, sehr einfach einzuschätzen. Ein Produktivitätsanstieg um nur 20% bis 40%.

David Rice: Was sind typische Stolperfallen in Organisationen, die KI-Kompetenz aufbauen wollen? Wie vermeidet man unzuverlässige und überzogene Resultate?

Willkommen beim People Managing People Podcast, der Show, die Führungskräfte unterstützt, Arbeit im Zeitalter der KI menschlich zu halten. Ich bin Ihr Gastgeber David Rice. In der heutigen Folge ist Kenneth Corrêa zu Gast – globaler KI-Ausbilder, Referent und Autor des Buches „Cognitive Organizations: Leveraging the Full Power of Generative AI and Intelligent Agents“.

In diesem Gespräch erläutert Kenneth einen Weg, wie Unternehmen von reiner KI-Neugier zu echter KI-Kompetenz kommen. Er beschreibt, was das bedeutet, warum viele Führungskräfte noch zögern und wie man die Frankenstack-Falle von Tool-Überladung vermeidet. Wir sprechen über den Wandel von prädiktiver hin zu generativer KI, was bei der Implementierung häufig falsch läuft – und warum die Führung der Teams in Zukunft eher wie Workflow-Orchestrierung als Aufgaben-Delegation aussehen könnte.

Wenn Sie Ihre Mitarbeitenden befähigen statt ersetzen möchten und einen systemischeren Ansatz für KI verfolgen wollen, ist diese Folge genau das Richtige für Sie. Und nun, legen wir los.

Also, Ken, willkommen!

Kenneth Corrêa: Vielen Dank, David. Es ist mir eine Freude, mit dabei zu sein.

David Rice: Ja, absolut. Du bist ja in Brasilien, richtig?

Kenneth Corrêa: Genau, in São Paulo, der größten Stadt Südamerikas.

David Rice: Oh wow. Das ist cool, ich habe ein paar Kollegen dort. Ich wollte schon immer einmal hin.

Kenneth Corrêa: Es ist eine große Stadt, nicht ganz so groß wie New York, aber für uns ist es das New York des Südens.

David Rice: Wir werden heute über KI-Kompetenz sprechen und den Weg dorthin, weil viele schon unterwegs sind, aber nicht wissen, wie alle Schritte aussehen. Wie misst man überhaupt Kompetenz?

Kenneth Corrêa: Wir bauen die Treppe noch während wir sie hochgehen – manchen Schritte erkennen wir erst unterwegs. Das Flugzeug wird gebaut, während es fliegt.

Das sind die Metaphern, die wir heute nutzen, weil alles so schnell geht.

David Rice: Absolut. Was sich bei dieser Entwicklung so deutlich unterscheidet: Die modernen KI-Oberflächen haben viele Barrieren zum Experimentieren abgebaut. Man muss kein Informatiker mehr sein, um zu testen, was sie kann.

Wenn man zurückschaut: Als damals Excel aufkam, musste man noch extra Kurse besuchen, um damit arbeiten zu können – heute hat fast jeder, der ein Studium abschließt, mindestens Grundkenntnisse. Das hat aber auch zum Missbrauch geführt – ich kenne Leute, die Excel-Tabellen nutzen, um Putzmittel im Schrank zu tracken.

Zurück zur KI: Was unterschätzen Führungskräfte, vielleicht die Komplexität von unternehmensweiter KI-Nutzung, weil es heute für alle verständlich wirkt?

Kenneth Corrêa: Einfach „Point and Click“ oder sogar das Tool ansprechen und es antwortet in natürlicher Sprache. Ich finde das generell großartig, denn eine gute, einfache Bedienoberfläche lädt Leute zum Einstieg ein. Aber vielleicht ist das, was eigentlich ein Vorteil ist, auch eine Schwachstelle: Es ist so einfach, dass viele gleich loslegen. Der eigentliche Fehler besteht nicht in der Nutzung, sondern wenn vertrauliche Informationen geteilt werden.

Wir reden hier über Firmendaten, die eigentlich geheim bleiben müssten – normalerweise hinter vielen Firewalls, Passwörtern, ... Und dann hat jemand eine Idee, darf am Firmen-PC ChatGPT nicht nutzen, nimmt das private Handy und lädt die Quartalszahlen für die kostenlose ChatGPT-Version hoch.

Das größte Risiko ist also, dass vertrauliche Informationen unkontrolliert verbreitet werden – oft ohne, dass es der Mitarbeitende überhaupt merkt.

David Rice: Lässt sich prüfen oder eine Compliance-Checkliste einführen, damit Mitarbeitende wissen, was sie nicht machen dürfen? Was funktioniert da in der Praxis?

Kenneth Corrêa: Ich glaube, niemand will ins Jahr 2025 gehen und anfangen, Prompts und Konversationen der Leute zu überprüfen. Was ich mit meinem, aber auch in anderen Unternehmen mache, ist Aufklärung und Bildung. Das ist wie beim Thema Cybersecurity – man kann es nicht komplett blocken. Es gibt immer neue URLs und Tricks, um Accounts zu hacken.

Daher setzen wir auf Aufklärung: Worin liegen die Grenzen der Tools, was ist beim privaten vs. dem Unternehmens-Angebot anders, wie wird Information geschützt? Ich denke, Bildung ist der wichtigste Ansatz, weil es unmöglich ist, jede Antwort zu kontrollieren.

Manche Unternehmen bauen auch eigene Assistenten auf GPT-, Gemini- oder anderer Technologie. Dann können Guardrails eingebaut werden, wie: „Dazu kann ich nicht helfen“ oder „Diese Information darf nicht geteilt werden“. Durch einen eigenen Assistenten lassen sich also bestimmte Sicherungen implementieren.

David Rice: Interessant, dass du die Cybersecurity-Parallele angesprochen hast ...

Kenneth Corrêa: Bei Innovation versucht man immer, Parallelen zu Bekanntem zu finden. Wenn ich über vollkommen Neues spreche, das sich komplett von allem bisherigen unterscheidet, verlieren die Leute den Zugang. Bereits in den 60ern gab es dafür das Konzept MAYA: „Most advanced yet acceptable“ – also: Möglichst innovativ, aber für den Nutzer noch vertraut.

Zum Beispiel: In San Francisco bin ich mit einem Waymo-Auto gefahren. Jemand fragt: Was ist Waymo? Antwort: Uber ohne Fahrer. Der Unterschied: Kein Fahrer am Steuer. Kreditkarte eingeben, Preis pro Strecke, alles wie gewohnt. Diese Vertrautheit erleichtert die Annahme von Neuem.

David Rice: Jüngst gab es Waymo auch hier in Atlanta, aber für diese Stadt sind sie wohl noch nicht bereit. Die Fahrzeuge bleiben ständig stecken ...

Kenneth Corrêa: Genau. In Los Angeles gab es zudem Gewalt gegen die Fahrzeuge ...

David Rice: Genau, einige wurden sogar angezündet ...

Kenneth Corrêa: Vielleicht ist nicht das Auto nicht bereit für die Stadt, sondern umgekehrt – eine Art Paradoxon, stimmt.

David Rice: Wahrscheinlich ein bisschen von beidem. Führungskräfte möchten Teams produktiver machen. Ein Produktivitäts-Plus von 20 bis 40% ist Studien zufolge der Normalfall – und du hast erwähnt, bei dir waren es 15% ohne neue Leute einzustellen.

Warum springen nicht mehr Unternehmen auf? Liegt es am mangelnden Verständnis, am „Scope Creep“ – also dass KI so unterschiedlich genutzt wird, dass keiner dasselbe damit macht, wodurch Verwirrung und unterschiedlich starke Ergebnisse entstehen? Was ist deiner Meinung nach die größte Hürde?

Kenneth Corrêa: Es klingt verrückt, dass Unternehmen nicht sofort aufspringen – ich hab es bei mir gesehen, es ist wie „Geld auf der Straße finden“. Aber da kommen viele Faktoren zusammen.

Zunächst wird KI immer noch als komplizierte, datenlastige Disziplin gesehen, für die man viel Expertise braucht. Viele haben nicht verstanden, dass sich KI seit November 22 komplett verändert hat: Früher „klassische“ – also prädiktive – KI, heute generative. Prädiktive KI ist sehr technisch, teuer und aufwendig. Generative KI ist hingegen einfach zu nutzen, so einfach, dass Leute sogar Daten hochladen, die sie nicht sollten.

20 bis 40% Produktivitätssteigerung bedeutet: Bei fünf Arbeitstagen im Prinzip einen Tag gewonnen. Aber viele Führungskräfte haben es selbst noch nicht ausprobiert. Erster Tipp: Selber Hand anlegen! Einfach mal ChatGPT, DeepSeek, Gemini oder Claude privat ausprobieren.

Zum Beispiel: Sie kommen abends heim, wollen nicht kochen, fotografieren Ihren Kühlschrank – die KI schlägt Ihnen Rezepte vor, die sich in fünf Minuten aus den vorhandenen Zutaten machen lassen. Solche Aha-Effekte bieten viele Möglichkeiten. Und: Zum ersten Mal gibt es Technologie, die einem selbst zeigt, wie man sie nutzen kann. Beschreiben Sie ChatGPT Ihre Arbeitssituation und lassen sich beraten – je genauer die Infos, desto besser die Ratschläge.

Fazit: Ausprobieren ist der wichtigste Schritt für Unternehmen! Die Medien konzentrieren sich oft auf Risiken, AGI, Skynet etc. – dabei hat Technologie natürlich Grenzen. KI „halluziniert“, also erzeugt Inhalte, die nicht real sind. Das ist ein wichtiges Thema.

Deshalb rate ich zusätzlich zu ChatGPT auch Perplexity zu nutzen, um Antworten mit Quellen zu bekommen. So lernt man best practices, indem man einfach loslegt.

David Rice: Ja, interessant – viele fürchten, nicht kompetent genug zu sein, gerade HR & Co. sehen sich nicht als technische Experten, denken eher an prädiktive Lösungen. Andere haben mit GenAI experimentiert, trauen ihr aber noch nicht recht.

Was sind speziell für HR und Operations die größten Chancen der GenAI-Nutzung aus deiner Sicht?

Kenneth Corrêa: Super Frage! Aber vorher: Weißt du warum HR-Leute Angst vor GenAI haben?

David Rice: Warum?

Kenneth Corrêa: 2016 erschien eine Studie zu „algorithmic bias“ – Algorithmen wurden zur Auswahl aus Lebensläufen genutzt. Die KI zog aus den Daten den Schluss: In IT arbeiten nur Männer, also sind nur Männer geeignet. Schrecklich, aber KI hat keine Moral – sie arbeitet, was an Daten gefüttert wird.

Das Problem ist weiterhin real, Stichwort: verantwortungsvolle KI. Viele im HR-Bereich verknüpfen daher KI mit Vorurteilen.

Ich habe auf zwei großen Events (je etwa 3.000 HR-Leute) einige Anwendungsfälle gezeigt. Einer davon: Mit Gemini haben wir in einem Team mit 95 Leuten ein 360°-Feedback mit 9.000 Einträgen analysiert. Manuell wäre dies unmöglich. Gemini verarbeitet das mit seinem großen Kontextfenster (2 Millionen Token) und analysiert Muster und Ausreißer, gibt Hinweise auf dringend anzugehende Themen.

Ein Anwendungsfall: HR hat zwar Daten und Dashboard, aber oftmals nicht die Kapazität oder Excel-Kenntnisse, diese sinnvoll auszuwerten. Genau das übernimmt Gemini für uns – Zahlen und Antworten werden strukturiert.

Der zweite Use Case: Workforce-Prozesse. Nach dem Jobprofil kommen die Lebensläufe, die Auswahl etc. – mit Sorge um Bias. Aber: Mit einem Prompt wie „Ich bin Kenneth, ich verantworte diesen Job, hier ist die Beschreibung ...“, dann das erste CV hochladen und fragen: „Wie passt diese Person?“, das lässt sich mit ChatGPT, Gemini, DeepSeek, Claude oder Copilot machen.

Bei Interviews mit Erlaubnis den Transkript hochladen, die KI nach Plus und Minus fragen – so bekommen Sie vergleichende Zusammenfassungen. Sie können sich sogar Interviewfragen vorschlagen lassen. Das gibt Ihnen mehr Sicherheit bei der Auswahl.

Diese Use Cases werden bereits in den USA, Brasilien, Chile oder Indien eingesetzt.

David Rice: Viele Unternehmen beginnen mit KI – gerade GenAI – beim Automatisieren von Inhalten und Kommunikation. Wenige gehen in Planung oder Entscheidungsprozesse. Wie kann man KI darüber hinaus einsetzen, zum Beispiel in der Führung oder den internen Abläufen? Was sind low hanging fruits?

Kenneth Corrêa: Super Frage. Mein Unternehmen heißt 80 20 – nach der Pareto-Regel. Es geht ums Priorisieren. Ich habe dazu eine Matrix im Buch: Es gibt einfache und komplexe Aufgaben, und einmalige und wiederkehrende. Starten sollte man mit einfachen, wiederkehrenden Tasks: z. B. Rechnungsprüfung, Gesprächsanalyse, Vorstellungsgespräche.

Ein Plus von 5 oder 10% bringt hier sofort spürbare Ergebnisse. Das ist Automation pur – bekannt aus der IT, aber mit LLMs können wir heute z. B. Tabellen, Bilder oder Dashboards direkt auslesen lassen.

Ein Beispiel: Im HealthTech-Unternehmen mit 45 Leuten im Vertrieb haben wir Außendienst-Mitarbeiter in Praxen, verteilt über 17 Bundesstaaten in Brasilien. Es ist schwer, den Überblick zu behalten. Aber für KI ist es ein Leichtes, alle KPIs und Dashboards ständig zu prüfen – und dann verständlich aufzubereiten, auch für nicht-technische Mitarbeitende.

David Rice: Wenn es um Kompetenz geht, ist es, glaube ich, entscheidend zu wissen, wie Tools nach und nach in Abläufe passen – viele springen auf neue Tools, verbinden sie aber nicht. Was wäre für eine Firma unter 100 Mitarbeitern ein funktionaler KI-Stack und wie vermeidet man den „Frankenstack“?

Kenneth Corrêa: Super, Frankenstack – das beschreibt Firmen mit 10–20 Tools, bei denen jedes Tool anders „promptet“ und andere Ergebnisse liefert.

Große Unternehmen beschränken sich meist auf ein bis zwei Tools. Ist man z. B. Microsoft-lastig, setzt man auf Copilot; bei Google auf Gemini; Tech-Firmen auf Claude oder GPT. Mein Tipp: Für den Anfang auf ein Tool konzentrieren und das Team schulen. Die wichtigsten Tools sind aktuell: Copilot (Microsoft), ChatGPT (OpenAI), Gemini (Google), Grok 4 (von X/Twitter), Lama (Meta), DeepSeek und Perplexity.

Damit ist die Verwaltung, das Training und auch das Risikomanagement für Firmen viel leichter. Tiefere Automatisierungen (z. B. Agenten-Orchestrierung im Backend) verlangen dann meist mehrere Anbieter, um flexibel wechseln zu können. Hier ist das Thema mehr Sache der IT und CTO.

David Rice: Große Frage: Wie entwickeln wir Kompetenzen für die Zukunft? Besser eingesetzte Menschen statt weniger Menschen – die Rolle der Teamleitung verändert sich. Welche neuen Skills braucht Führung, um KI-affine Teams zu steuern?

Kenneth Corrêa: KI-Kompetenz bei generativer KI heißt, sie zu nutzen. Für Führungskräfte ist aber vor allem das Urteilsvermögen wichtig: Was sollte von Menschen, was besser von Computern erledigt werden?

Prüfen, abhaken, Bilder/Informationen analysieren oder Textpassagen suchen und zusammenfassen – das macht KI jetzt schon besser. Kreativität, Entscheidungen inklusive Verantwortung für diese, Paradoxe wahrnehmen, Komplexität durchdringen – das sind weiterhin menschliche Stärken.

Als Führungskraft muss ich einschätzen können, welche Tätigkeit wohin gehört. Deshalb habe ich auch mein Buch geschrieben: Als Handbuch für Manager, wie man mit der ständigen technologischen Entwicklung Schritt hält, ohne den Überblick zu verlieren.

Wenn klar ist, dass 20–40% Produktivitätsplus nicht ignoriert werden können (weil Wettbewerber es bereits nutzen), ist eine Entscheidung unumgänglich. Und ja, es gibt die Diskussion um KI und Jobverlust. Die Realität in Unternehmen ist hingegen oft: Es gibt kaum noch Talente, die arbeiten wollen. Also müssen bestehende Mitarbeitende gestärkt bzw. befähigt werden.

Das ist mein Ansatz. Nicht alle sind sofort begeistert, aber man kann 2025 nicht mehr wie 2021 arbeiten – es hat sich grundlegend etwas geändert, nicht zuletzt durch generative KI.

David Rice: Ich bin ganz bei dir – der eigentliche Wert steckt nicht in den Aufgaben, sondern in den Fähigkeiten, im Wissen, in menschlichen Eigenschaften. Vielleicht müssen wir unsere Liebe zu Aufgaben als Wertquelle einfach loslassen. Was sind weitere typische Fallstricke auf dem Weg zur KI-Kompetenz? Wie vermeidet man unzuverlässige Ergebnisse und Übertreibungen?

Kenneth Corrêa: Das große Problem ist, dass man über „KI“ spricht, als wäre es ein weltumspannendes, allwissendes Wesen – dabei nutzen Firmen unterschiedliche Technologien und Modelle mit jeweils eigenen Grenzen, Blockaden und Trainingsdaten.

Wir müssen KI als Werkzeug begreifen, das einen Umbruch in der Produktivität ermöglicht – aber eben nur ein Werkzeug ist. Kompetenz entsteht durch Übung, Anwendung, Fehler machen. Die Vorschläge von KI muss man nicht umsetzen, sondern kritisch lesen und selbst entscheiden!

Ein Beispiel: CH Robinson, ein großes Logistikunternehmen, erhält 3.000 E-Mails pro Stunde – die KI übernimmt jetzt Routinefälle vollautomatisch, anspruchsvollere Aufgaben landen bei Menschen. Nach einem Jahr bearbeitet die KI inzwischen 10%, 90% sind noch menschlich bearbeitet.

Ein anderes Beispiel: Klarna (Schweden) ist zunächst „all in“ gegangen, hat fast alles der KI überlassen – musste aber zurückrudern und fährt jetzt mit einer 80/20-Lösung: 80% erledigt KI, 20% Menschen. Kompetenz entsteht wie beim Sprachenlernen durch Praxis und Austausch (und ich hoffe, mein Deutsch reicht heute!).

David Rice: Es ist drin ...

Kenneth Corrêa: ... und wird mit dem Gebrauch immer flüssiger. Sprechen Sie mit anderen, teilen Sie Erfahrungen, lernen Sie am besten durch eigene Anwendungen.

David Rice: Kenneth, danke für deinen Besuch und die vielen Einsichten!

Kenneth Corrêa: Es war mir eine Freude! Deine komplexen Fragen haben mich gefordert und ich hoffe, ich konnte meine Sichtweise klar machen: Ich bin begeistert, aber ja, es gibt Risiken und Tücken – und Lernen funktioniert nur, wenn wir ins Tun kommen. Diesen 20% Produktivitätsboost kann man nicht ignorieren.

David Rice: Vielen Dank! Ich bin gespannt, wie sich deine Gespräche in den nächsten Jahren entwickeln.

Kenneth Corrêa: Danke dir!

David Rice: Hörer:innen, wenn Sie Kenneths Buch lesen wollen: Es heißt „Cognitive Organizations: Leveraging the Full Power of Generative AI and Intelligent Agents“. Gibt's bei Amazon – unbedingt reinschauen! Und bis zum nächsten Mal: Legen Sie selbst los!