# KI-Kompetenzen aufbauen: Schulungsprogramm, KI-Rollen, Karrierepfade und AI-Act-Pflicht

URL: https://andreasindorf.com/ki-kompetenzen-aufbauen/
Autor: Andreas Indorf · Veröffentlicht: 2025-10-06 · Aktualisiert: 2026-11-07 · Thema: Teams & Change

> KI-Kompetenzen aufbauen: Schulungsprogramm mit Bedarfsanalyse und Lernpfaden, KI-Team je Reifegrad, Karrierepfade und Art. 4 AI Act nach VO 2026/1744.

Technologie können Sie kaufen, Kompetenz nicht. Viele KI-Vorhaben liefern nicht, was sie versprechen, weil die Menschen fehlen, die Anwendungsfälle erkennen, Systeme sicher einsetzen und Ergebnisse kritisch prüfen können. Die Daten bestätigen das: Laut [Statistischem Bundesamt](https://www.destatis.de/DE/Themen/Branchen-Unternehmen/Unternehmen/IKT-in-Unternehmen-IKT-Branche/Tabellen/ikti-gegen-nutzung-kuenstliche-intelligenz.html) nannten 72 Prozent der Unternehmen, die 2025 einen KI-Einsatz erwogen, aber nicht umgesetzt haben, fehlendes Wissen als Grund – häufiger als Datenschutz, Rechtsunsicherheit oder Kosten. In einer [Bitkom-Befragung vom 14. September 2026](https://www.bitkom.org/Presse/Presseinformation/Erstmals-nutzt-Mehrheit-Unternehmen-KI) unter 603 Unternehmen nannten 85 Prozent der Unternehmen ohne KI fehlendes technisches Know-how als Hemmnis. Gleichzeitig schulten nur 11 Prozent alle Beschäftigten im Umgang mit KI, 25 Prozent boten keinerlei Schulungen an – im Vorjahr waren es noch 43 Prozent.

Dieser Leitfaden behandelt beide Seiten der Lücke: ein Schulungsprogramm für die gesamte Belegschaft und den Aufbau eines KI-Teams mit klaren Rollen, Karrierepfaden und Bindung.

**Kurz gesagt:** KI-Kompetenzen bauen Sie am wirksamsten mit einem rollenspezifischen Schulungsprogramm auf: Bedarfsanalyse, Lernpfade für Führung, Projektverantwortliche, Technik und Fachanwender, praxisnahe Formate statt einmaliger Workshops und dokumentierte Erfolgsmessung. Für Spezialrollen starten Sie mit einem kleinen, interdisziplinären Kernteam passend zu Ihrem Reifegrad und kombinieren Einstellungen mit Weiterbildung. Art. 4 AI Act verlangt in der Fassung der Verordnung (EU) 2026/1744, dass Anbieter und Betreiber Maßnahmen ergreifen, um die Entwicklung der KI-Kompetenz ihres Personals zu unterstützen – ein bestimmtes Niveau des Einzelnen ist nicht vorgeschrieben.

## Warum Kompetenz über den Erfolg von KI entscheidet

Drei Kompetenzdimensionen müssen im Unternehmen vorhanden sein:

- **Technische Kompetenz:** Machine Learning, Datenarchitektur, Cloud-Plattformen, MLOps, Programmierung.
- **Anwendungskompetenz:** Anwendungsfälle erkennen, Nutzen bewerten, Prozesse integrieren, Ergebnisse prüfen, gutes [Prompting](https://andreasindorf.com/prompt-engineering-unternehmen/).
- **Transformationskompetenz:** Change Management, agiles Arbeiten, Stakeholder-Kommunikation, KI-Ethik und Governance.

Eine Fähigkeit wird dabei fast immer unterschätzt: KI-Ergebnisse zu beurteilen und freizugeben. Bei anitask setzt ein Agent-Worker Entwicklungs-Tasks selbstständig um, Review und Merge macht ein Mensch. Die Lehre, die ich daraus gezogen habe, ist unbequem: Das Freigabe-Tor ist nur so gut wie die Person, die es hält. Wer ein Ergebnis abnickt, ohne es prüfen zu können, ist kein Kontrollpunkt, sondern eine Unterschrift. Kompetenzaufbau beginnt deshalb bei denen, die freigeben – nicht bei denen, die am meisten prompten. Wie solche Kontrollpunkte gestaltet werden, beschreibt der Beitrag zu [Human-in-the-Loop bei KI-Agenten](https://andreasindorf.com/human-in-the-loop-ki-agenten/).

## Die rechtliche Seite: Art. 4 AI Act nach dem Digital Omnibus

Die [Verordnung (EU) 2026/1744](https://eur-lex.europa.eu/eli/reg/2026/1744/oj), der „Digital Omnibus on AI“, hat Art. 4 des [AI Act](https://eur-lex.europa.eu/eli/reg/2024/1689/oj) vollständig neu gefasst. Anbieter und Betreiber müssen nun Maßnahmen ergreifen, um die Entwicklung der KI-Kompetenz ihres Personals und weiterer Personen, die KI-Systeme in ihrem Auftrag bedienen, zu unterstützen. Ein bestimmtes Kompetenzniveau einzelner Personen verlangt die Vorschrift nicht. Neu ist außerdem: Kommission und Mitgliedstaaten sollen Unternehmen, insbesondere KMU, dabei unterstützen, und die Kommission veröffentlicht Praxisbeispiele.

Die [Fragen und Antworten der EU-Kommission zur KI-Kompetenz](https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers) stellen klar:

- Ein Zertifikat ist nicht nötig, und es gibt keine vorgeschriebenen Pflichtschulungen.
- Unternehmen können interne Nachweise über Schulungen und andere Maßnahmen führen.
- Die Aufsichts- und Durchsetzungsregeln gelten ab dem 2. August 2026.
- Ausgangspunkt sind Fragen wie: Was ist KI, wie funktioniert sie, welche KI nutzen wir? Dazu kommen die eigene Rolle als Anbieter oder Betreiber und die Risiken der eingesetzten Systeme.

Für Hochrisiko-Systeme geht die Verordnung weiter: Nach Art. 26 müssen Betreiber die menschliche Aufsicht Personen übertragen, die über die nötige Kompetenz, Ausbildung und Befugnis verfügen. Ein dokumentiertes, rollenbezogenes Schulungsprogramm ist der naheliegende Weg, all das nachvollziehbar umzusetzen. Wie KI-Kompetenz mit Datenschutzfragen zusammenhängt, beschreibt der Beitrag [KI-Ethik und Datenschutz](https://andreasindorf.com/ki-ethik-datenschutz/).

## Das Schulungsprogramm in sechs Schritten

### 1. Bedarf analysieren

- **Gespräche mit Führungskräften** und Teamleitungen zu geplanten Anwendungsfällen
- **Kompetenzerhebung:** strukturierte Abfrage des vorhandenen Wissens
- **Use-Case-Analyse:** Welche KI-Systeme werden wo eingesetzt?
- **Gap-Analyse:** Abgleich von Soll- und Ist-Kompetenzen

Eine umfassendere Standortbestimmung, die auch Daten, Technik und Kultur einbezieht, liefert ein [KI-Readiness-Assessment](https://andreasindorf.com/ki-readiness-assessment/).

### 2. Lernpfade je Rolle festlegen

| Zielgruppe | Inhalte | Format |
|------------|---------|--------|
| Führungskräfte | Business Cases, Governance, Risikoabwägung, rechtlicher Rahmen, Führung im Wandel | kompakte Workshops, regelmäßige Vertiefung |
| Product Owner, Projektleitung | Anwendungsfälle priorisieren, Anforderungen an KI-Systeme, Qualitätskriterien, Erfolgsmessung | modulare Reihe über mehrere Monate |
| IT, Entwicklung, Data Science | ML-Grundlagen, Sprachmodelle, Architektur und Betrieb, MLOps, Tests und Sicherheit | Intensivtrainings mit eigenen Projekten |
| Fachanwender | sichere Nutzung der Werkzeuge, gute Prompts, Grenzen und Fehlerquellen wie Halluzinationen, Datenschutz, Nutzungsregeln | Lerneinheiten von 15 bis 30 Minuten im Arbeitsalltag |

### 3. Lernformate kombinieren

Grundlagen-Workshops, Selbstlernphasen mit Live-Sessions, Zertifizierungen der Cloud-Anbieter für technische Rollen, eine interne Akademie mit unternehmensspezifischen Inhalten, Hackathons, Mentoring und Communities of Practice. Orientierung gibt das 70-20-10-Modell: Der größte Teil des Lernens geschieht in der Arbeit selbst, ein Teil im Austausch, nur ein kleiner Teil in formalen Schulungen. Reine Online-Kurse ohne Praxis führen selten zu nachhaltiger Kompetenz.

### 4. Lernumgebung bereitstellen

Technische Rollen brauchen abgesicherte Sandboxes, Beispiel-Repositories und Zugang zu den freigegebenen KI-Werkzeugen. Für Fachanwender genügt oft eine freigegebene Arbeitsumgebung mit klaren Nutzungsregeln. Welche Werkzeuge sich eignen, beschreibt der Überblick [KI-Tools für Unternehmen](https://andreasindorf.com/ki-tools-unternehmen/). Planen Sie in jedem Lernpfad Übungen ein, in denen Teilnehmende KI-Ausgaben bewerten und Fehler finden.

### 5. Akzeptanz fördern

Kommunizieren Sie Ziele und Auswirkungen offen, machen Sie frühe Erfolge sichtbar, gewinnen Sie Freiwillige als Multiplikatoren und nehmen Sie Ängste um Arbeitsplätze ernst. Führungskräfte sollten KI selbst sichtbar nutzen. Wie ein Champions-Programm dabei hilft, beschreibt der Beitrag zur [Akzeptanz von KI bei Mitarbeitenden](https://andreasindorf.com/ki-akzeptanz-mitarbeiter/); den Gesamtrahmen liefert das [KI-Change-Management](https://mysoftwarelab.com/blog/ki-change-management).

### 6. Erfolg messen und dokumentieren

Quantitativ zählen Teilnahme- und Abschlussquoten, Nutzung der KI-Werkzeuge und umgesetzte Anwendungsfälle nach der Schulung. Qualitativ zählen Rückmeldungen, Akzeptanz im Alltag und Verbesserungsvorschläge. Dokumentieren Sie Teilnahme und Inhalte, damit Sie Ihre Maßnahmen zur KI-Kompetenz bei Bedarf nachweisen können. Damit Erfahrungen aus Projekten nicht verloren gehen, lohnt zusätzlich ein systematisches [KI-Wissensmanagement für Best Practices](https://andreasindorf.com/ki-wissensmanagement/).

### Feedback, das man nachprüfen kann

Für jedes Lernformat mit KI-Bewertung gilt: Jede Note braucht einen nachvollziehbaren Beleg, sonst diskutieren Teilnehmende über die Note statt über ihre Arbeit. Und ein Training übt Muster, es ersetzt nicht das Lernen im Projekt.

### Häufige Fehler

- Schulungen ohne Bezug zur KI-Strategie
- identische Inhalte für alle Rollen
- Theorie ohne Anwendung an echten Fällen
- einmalige Workshops ohne Nachbereitung
- keine Erfolgsmessung und keine Dokumentation

## Welche KI-Rollen Sie brauchen

Viele Unternehmen suchen „einen KI-Experten“, ohne zu wissen, ob sie Data Science, Engineering oder Produktverantwortung brauchen. Für den Start genügt ein Kernteam von drei bis fünf Personen:

- **AI Product Owner:** übersetzt Geschäftsanforderungen in Anwendungsfälle und definiert Erfolgskriterien.
- **Data Scientist oder AI Engineer:** entwickelt Prototypen und bewertet Modelle.
- **ML- oder Software-Engineer:** bringt Lösungen stabil in Produktion.
- **Verantwortung für Change:** begleitet Fachbereiche, treibt Nutzung und Akzeptanz.

Im Mittelstand decken oft wenige Personen mehrere Profile ab. Mit wachsender Zahl produktiver Anwendungen kommen Spezialrollen hinzu:

| Rolle | Aufgabe |
|-------|---------|
| AI Architect | entwirft skalierbare Architektur und Infrastruktur |
| MLOps-Engineer | automatisiert Deployment, Monitoring und Retraining |
| Data Engineer | baut verlässliche Datenpipelines |
| AI Governance Manager | verantwortet Compliance, Risiken und Dokumentation |

Bewährt hat sich ein Hub-and-Spoke-Modell: Ein zentrales Team stellt Plattform und Standards, die Fachbereiche haben eigene KI-affine Ansprechpartner. Wie Sie Rollen und Gremien verankern, beschreibt der Beitrag zur [KI-Organisationsstruktur](https://andreasindorf.com/ki-organisationsstruktur/); den Gesamtrahmen liefert der [Leitfaden zum KI-Department](https://andreasindorf.com/ki-department-leitfaden/).

## Kompetenzmodell und Karrierepfade

Ein vollständiges Kompetenzmodell umfasst sechs Dimensionen: Technik, Daten, Methoden, Fachdomäne inklusive Regulierung, Ethik und Governance sowie Überfachliches wie Erklären und Stakeholder-Einbindung. Legen Sie je Dimension Stufen fest, etwa von Stufe 1 (versteht KI-Grundbegriffe) bis Stufe 5 (prägt die KI-Entwicklung im Unternehmen).

Darauf bauen Karrierepfade auf: fachliche Spezialisierung vom Junior zum Principal, Architektur vom ML Engineer zum AI Architect, Führung vom Technical Lead zur Bereichsleitung, Produkt vom AI Business Analyst zum AI Product Lead und Governance. Fachkarrieren ohne Führungsverantwortung sind besonders wichtig: Viele starke Engineers wollen Probleme lösen, nicht Teams leiten.

## Einstellen oder weiterbilden?

Am besten beides. Ein oder zwei erfahrene Fachkräfte setzen Standards und beschleunigen den Start; weitergebildete Mitarbeitende kennen Geschäft, Daten und Kultur. Erfahrene Software-Entwickler können sich mit Projektpraxis zu ML-Engineers entwickeln, Business-Analysten mit Datenaffinität zu analytischen Rollen.

Bei der Auswahl helfen praxisnahe Aufgaben statt Standardtests: eine kleine Aufgabe mit anonymisierten Daten, Pair Programming, ein Architektur-Review und die Bitte, KI für Nicht-Techniker zu erklären. Externe Partner helfen bei Strategie und Umsetzung – vereinbaren Sie Wissenstransfer vertraglich, sonst geht das Wissen mit dem Dienstleister.

Talente halten Sie mit relevanten Aufgaben, zeitgemäßen Werkzeugen, einem fest eingeplanten Weiterbildungsbudget, Zeit zum Experimentieren, Rotation zwischen Anwendungsfällen und Gestaltungsspielraum statt Ticketabarbeitung.

## Kennzahlen für den Kompetenzaufbau

| Kennzahl | Was sie zeigt |
|----------|---------------|
| Kompetenzabdeckung | Anteil der benötigten Fähigkeiten, die im Team vorhanden sind |
| Schulungsabdeckung | Anteil der KI-Nutzenden mit dokumentierter Schulung |
| Zeit bis zum Nutzen | wie schnell geschulte Teams oder neue Rollen produktiv sind |
| Interne Besetzungsquote | Anteil intern besetzter KI-Rollen |
| Bindungsquote | Verbleib von KI-Talenten nach einem, zwei und drei Jahren |
| Projekterfolg | Anteil der KI-Vorhaben, die ihre Ziele erreichen |

Legen Sie Zielwerte unternehmensspezifisch fest und messen Sie vor dem Start einen Ausgangswert. Grundlagen für alle lassen sich in wenigen Monaten vermitteln; tiefere Kompetenz in Schlüsselrollen und die Verankerung in der Organisation brauchen in der Regel ein bis zwei Jahre.

## Fazit

Unternehmen, die systematisch KI-Kompetenzen aufbauen, sichern sich einen dauerhaften Vorsprung und setzen nebenbei die Anforderung aus Art. 4 AI Act nachvollziehbar um. Ein rollenspezifisches Schulungsprogramm, ein Kernteam passend zum Reifegrad, klare Karrierepfade und begleitendes Change Management bilden das Fundament. Wenn Sie Teams, Schulung und Führung rund um KI aufbauen wollen, unterstütze ich Sie als [Fractional CTO](https://andreasindorf.com/leistungen/fractional-cto/); für die passende KI-Organisation steht das [KI-Department](https://andreasindorf.com/leistungen/ki-department/). Begriffe wie KI-Kompetenz oder Prompt Engineering erklärt das [Glossar](https://andreasindorf.com/glossar/).

## Aus meinen Produkten

Den Outbound Coach habe ich als KI-Gesprächstraining für den Vertrieb gebaut: 14 Gesprächstypen, jeweils in 8 Stimmungen des Gegenübers. Die Kombinationen sind der einfache Teil. Die Entscheidung, die über den Lerneffekt bestimmt, war eine andere: Jede Note ist mit einer Stelle aus dem Transkript belegt. Dadurch üben Teilnehmende nicht, der KI zu gefallen, sondern sehen, an welchem Satz ein Gespräch gekippt ist. Für Ihren Kompetenzaufbau leite ich daraus zwei Regeln ab. Akzeptieren Sie keine KI-gestützte Bewertung von Mitarbeitenden, die ihr Urteil nicht belegt. Und planen Sie ein solches Training als Vorbereitung auf echte Gespräche, nicht als deren Ersatz – die Erfahrung aus dem Alltag liefert kein Simulator.

## Häufig gestellte Fragen

### Ist eine KI-Schulung für Mitarbeitende Pflicht?

Art. 4 AI Act verpflichtet Anbieter und Betreiber von KI-Systemen in der Fassung der [Verordnung (EU) 2026/1744](https://eur-lex.europa.eu/eli/reg/2026/1744/oj), Maßnahmen zur Unterstützung der KI-Kompetenz ihres Personals zu ergreifen; ein bestimmtes Kompetenzniveau einzelner Personen ist nicht vorgeschrieben. Laut EU-Kommission gibt es keine Pflichtschulungen und keine Zertifikatspflicht. Ein dokumentiertes, rollenbezogenes Schulungsprogramm ist der praktikabelste Weg, die Maßnahmen nachzuweisen.

### Welche Inhalte gehören in eine KI-Grundlagenschulung?

Wie KI-Systeme funktionieren und wo ihre Grenzen liegen, typische Fehlerquellen wie Halluzinationen, der sichere Umgang mit Daten, gute Prompts sowie die im Unternehmen geltenden Nutzungsregeln. Ergänzen Sie das um Übungen mit den Werkzeugen, die tatsächlich eingesetzt werden, und um das Prüfen von KI-Ergebnissen vor der Verwendung.

### Welche Rollen braucht ein erstes KI-Team?

Für den Einstieg reichen meist drei bis fünf Personen: eine produktverantwortliche Person, jemand für Modelle und Prototypen, jemand für Engineering und Integration sowie eine Person, die Fachbereiche begleitet. Spezialrollen wie MLOps oder Data Engineering kommen hinzu, wenn mehrere Anwendungen produktiv laufen.

### Sollte ich KI-Experten einstellen oder eigene Mitarbeitende weiterbilden?

Am besten beides. Erfahrene Fachkräfte setzen Standards und beschleunigen den Start, weitergebildete Mitarbeitende bringen Prozess- und Datenwissen mit, das extern kaum zu bekommen ist. Rein externe Lösungen bergen das Risiko, dass das Wissen mit dem Dienstleister wieder geht.

### Wie messe ich den Erfolg eines KI-Schulungsprogramms?

Kombinieren Sie Teilnahme- und Abschlussquoten mit Nutzungsdaten der KI-Werkzeuge und der Zahl umgesetzter Anwendungsfälle. Qualitative Rückmeldungen aus den Teams zeigen, ob das Gelernte im Alltag ankommt. Dokumentieren Sie beides, damit Sie Ihre Maßnahmen zur KI-Kompetenz nachweisen können.
