KI-Kompetenz skalieren: Warum Schulungen allein nicht reichen

Künstliche Intelligenz ist in den Unternehmen angekommen. Mitarbeitende nutzen generative KI zum Schreiben und Zusammenfassen, Entwickler lassen sich beim Programmieren unterstützen, Fachabteilungen analysieren Daten mit KI, und Führungskräfte diskutieren, wie sich ganze Prozesse verändern lassen. Parallel investieren Unternehmen erhebliche Summen in Schulungen und Weiterbildungsprogramme.

Trotzdem bleibt die Wirkung häufig begrenzt. In einzelnen Abteilungen entstehen beeindruckende Anwendungen, während andere Bereiche kaum über erste Versuche hinauskommen. Manche Mitarbeitende wissen sehr genau, wie sie KI sinnvoll einsetzen können. Andere sind unsicher, welche Anwendungen überhaupt erlaubt sind. Erfolgreiche Prompts, Arbeitsweisen und Erfahrungen bleiben bei einzelnen Personen oder Teams. Was lokal funktioniert, verbreitet sich nicht automatisch im Unternehmen.

Genau hier liegt die nächste große Aufgabe. Unternehmen müssen nicht mehr nur KI-Kompetenz aufbauen. Sie müssen lernen, KI-Kompetenz zu skalieren.

Dieser Unterschied ist wichtiger, als er zunächst klingt. Beim Aufbau von KI-Kompetenz steht die einzelne Person im Mittelpunkt: Was muss ein Mitarbeiter über KI wissen? Welche Werkzeuge sollte er beherrschen? Wie erkennt er Fehler oder Risiken? Beim Skalieren verändert sich dagegen die Fragestellung: Wie wird das Wissen einzelner Beschäftigter zu einer gemeinsamen organisationalen Fähigkeit? Wie verbreiten sich gute Praktiken über Abteilungs- und Ländergrenzen hinweg? Und wie lassen sie sich so in Prozesse, Strukturen und Regeln einbetten, dass sie nicht mit dem nächsten Personalwechsel wieder verschwinden?

Unsere Untersuchung zeigt deshalb: Das Skalieren von KI-Kompetenz ist weniger ein Trainingsproblem als eine organisatorische Gestaltungsaufgabe.

Viele Unternehmen setzen zunächst an einer Stelle an. Die einen investieren in Technologie und stellen ihren Beschäftigten ChatGPT-ähnliche Systeme oder andere KI-Werkzeuge zur Verfügung. Andere konzentrieren sich auf Schulungen. Wieder andere beginnen mit Richtlinien, Datenschutzvorgaben und Governance. Jede dieser Maßnahmen ist sinnvoll. Isoliert reicht jedoch keine davon aus.

Unser Rahmenwerk unterscheidet deshalb drei Ebenen, die Unternehmen miteinander verzahnen müssen: Plattformen und Daten, Menschen und Praktiken sowie Governance und Strategie. Unsere Grafik stellt diese drei Ebenen übereinander und verbindet sie durch das Prinzip einer „orchestrierten Ausrichtung“: Skalierung entsteht erst, wenn sich technische Voraussetzungen, tatsächliche Arbeitspraktiken und organisatorische Regeln gegenseitig verstärken.

[Abbildung 1: Rahmenwerk zur Skalierung von KI-Kompetenzen in Organisationen]

Plattformen und Daten bilden das Fundament. Beschäftigte brauchen freigegebene KI-Werkzeuge, geeignete Datenzugänge und sichere Umgebungen, in denen sie ausprobieren können, was funktioniert. Unternehmen sollten dabei einen Mittelweg finden. Zu wenig Standardisierung erzeugt einen Wildwuchs unterschiedlicher Anwendungen. Zu starke Zentralisierung kann dagegen Experimente verhindern, bevor überhaupt klar ist, welche Anwendungen einen Mehrwert schaffen.

Die zweite Ebene sind Menschen und Praktiken. Hier entscheidet sich letztlich, ob aus technischer Verfügbarkeit tatsächlich produktive Nutzung entsteht. KI-Kompetenz zeigt sich nicht darin, dass ein Mitarbeiter ein Training absolviert hat. Sie zeigt sich beispielsweise darin, ob er weiß, wann er einem KI-Ergebnis vertrauen kann, wann eine Überprüfung notwendig ist, welche Informationen in einen Prompt gehören und wie KI sinnvoll in einen bestehenden Arbeitsablauf integriert werden kann.

Besonders wichtig ist dabei das Lernen voneinander. Wenn ein Mitarbeiter eine gute Vorgehensweise entwickelt, sollte sie nicht in seinem persönlichen Prompt-Ordner verschwinden. Sie muss für andere auffindbar, verständlich und wiederverwendbar werden. Genau hier können KI-Botschafter, Communities of Practice, Prompt-Bibliotheken oder kollegiales Coaching ansetzen.

Darüber liegt Governance und Strategie. Unternehmen müssen festlegen, wofür KI eingesetzt werden soll, welche Grenzen gelten, wer Entscheidungen trifft und wer im Zweifelsfall Verantwortung trägt. Governance darf dabei weder zu früh alles reglementieren noch zu spät kommen. Regeln ohne praktische Erfahrung können Experimente unnötig blockieren. Umgekehrt kann eine schnell wachsende KI-Nutzung ohne klare Leitplanken zu Datenschutzproblemen, Qualitätsrisiken und einer kaum noch kontrollierbaren Vielzahl unterschiedlicher Anwendungen führen.

Die einfache Formel lautet deshalb: Plattformen ohne Praktiken bleiben ungenutzt. Praktiken ohne Governance fragmentieren. Governance ohne KI-Kompetenz steht nur auf dem Papier.

Neben diesen drei Ebenen ist eine zweite Unterscheidung wichtig. Unternehmen sollten KI-Kompetenz nicht sofort im gesamten Konzern mit derselben Intensität institutionalisieren. Die notwendigen Maßnahmen verändern sich mit dem Reifegrad.

Wir unterscheiden drei Phasen: Experimentieren, Einbetten und Institutionalisieren. Sie bilden keine starre Abfolge. Ein Unternehmen kann beispielsweise im Vertrieb bereits weit fortgeschritten sein, während die Personalabteilung noch experimentiert. Dennoch beschreibt die Abfolge eine wichtige Entwicklungslogik.

Am Anfang steht das Experimentieren. Jetzt geht es zunächst darum, KI sichtbar, zugänglich und legitim zu machen. Mitarbeitende brauchen Möglichkeiten, konkrete Anwendungen auszuprobieren. Sichere Testumgebungen und sogenannte Sandboxes können dabei ebenso helfen wie kleine Pilotprojekte.

Auch ungewöhnlichere Formate können sinnvoll sein. Bei einem „Promptathon“ arbeiten Beschäftigte beispielsweise für begrenzte Zeit gemeinsam an konkreten Aufgaben und vergleichen anschließend ihre Lösungen. Der eigentliche Wert besteht weniger darin, möglichst viele Prompts zu produzieren. Viel wichtiger ist, dass die Beteiligten gemeinsam herausfinden, was einen guten Prompt ausmacht, welche Ergebnisse zuverlässig sind und wo menschliches Urteil erforderlich bleibt.

Eine besondere Rolle spielen KI-Botschafter oder AI Champions. Dabei müssen nicht die technisch versiertesten Beschäftigten ausgewählt werden. Häufig sind glaubwürdige Kollegen wirkungsvoller, die konkrete Anwendungen aus ihrem Arbeitsalltag demonstrieren und anderen beim Einstieg helfen können. Aus individuellem Erfahrungswissen entstehen so erste übertragbare Praktiken.

Sobald sich die Nutzung verbreitet, beginnt die Phase des Einbettens. Jetzt reicht freiwilliges Experimentieren nicht mehr aus. Die Frage lautet: Welche der entstandenen Praktiken sollen sich im Unternehmen verbreiten?

Aus einzelnen KI-Botschaftern können formelle Multiplikatorennetzwerke entstehen. Gute Prompts und Anwendungsfälle werden in kuratierten Bibliotheken gesammelt. Communities of Practice bringen Beschäftigte mit ähnlichen Aufgaben regelmäßig zusammen. Ein AI Center of Excellence kann Expertise bündeln und verhindern, dass jede Geschäftseinheit dieselben Probleme noch einmal löst.

Auch der Zugang zum Unternehmenswissen gewinnt an Bedeutung. Allgemeine Sprachmodelle kennen die spezifischen Produkte, Prozesse oder Richtlinien eines Unternehmens nur begrenzt. Deshalb können interne Wissensbestände über geeignete technische Lösungen mit KI-Systemen verbunden werden. Aus einem allgemeinen KI-Werkzeug wird damit zunehmend ein Instrument, das den jeweiligen Unternehmenskontext berücksichtigt.

In der dritten Phase geht es um Institutionalisierung. Die zentrale Frage lautet nun nicht mehr, wie KI-Kompetenz verbreitet werden kann, sondern wie sie dauerhaft erhalten bleibt.

Dazu gehören formelle Rollen wie AI Product Owner oder AI Stewards ebenso wie interne KI-Akademien und Lernplattformen. KI-bezogene Fähigkeiten können in das Onboarding neuer Beschäftigter sowie in Führungskräfteprogramme integriert werden. In besonders sensiblen Prozessen lassen sich zudem „KI-Checkpoints“ integrieren: An festgelegten Stellen muss dann beispielsweise dokumentiert werden, dass KI eingesetzt wurde, ein Ergebnis menschlich überprüft oder ein kritischer Fall eskaliert wurde.

Damit verändert sich auch der Charakter von KI-Kompetenz. Was zunächst bewusst gelernt und ausprobiert werden musste, wird schrittweise Bestandteil normaler Arbeitsabläufe.

[Tabelle 1: Vom Experimentieren zur Institutionalisierung – ausgewählte Mechanismen zur Skalierung von KI-Kompetenz]

Die ausführliche Schau auf diese Mechanismen macht einen wichtigen Punkt deutlich: Diese Instrumente sind kein Pflichtenkatalog. Unternehmen sollten sie als Baukasten verstehen und diejenigen Mechanismen kombinieren, die zu ihrem Reifegrad, ihrer Struktur, ihren Ressourcen und ihrem regulatorischen Umfeld passen.

Wie wichtig diese Abstimmung ist, zeigt unsere Fallstudienarbeit mit einem großen europäischen Finanzvermittlungskonzern mit Hauptsitz in Deutschland. Zwischen Oktober 2025 und Januar 2026 begleiteten wir das Unternehmen unter anderem mit einem Workshop mit 15 Führungskräften aus Business und IT, zwölf Interviews sowie weiteren Expertengesprächen. Einbezogen waren unter anderem Unternehmensleitung, IT, Personalbereich, Compliance, Vertrieb und Finanzvermittler.

Die Ausgangslage dürfte vielen Unternehmen bekannt vorkommen. Es gab bereits erste KI-Initiativen und engagierte Nutzer. Einige Finanzberater verwendeten generative KI beispielsweise zur Vorbereitung von Kundengesprächen oder für Textentwürfe. Andere verzichteten vollständig darauf, weil sie nicht wussten, was zulässig war, oder den Ergebnissen nicht vertrauten. Lokale Erfolge waren vorhanden – eine gemeinsame Logik für die Skalierung jedoch nicht.

Anstatt lediglich weitere Schulungen anzubieten, wurde deshalb eine Roadmap entlang der drei Ebenen und Entwicklungsphasen entwickelt.

In der Experimentierphase gehörten dazu freigegebene generative KI-Werkzeuge, sichere Testumgebungen, erste KI-Botschafter und einfache Regeln dafür, welche Anwendungen erlaubt waren. In der nächsten Phase sollten unter anderem ein regionales Multiplikatorennetzwerk, Communities of Practice, eine kuratierte Prompt-Bibliothek und ein AI Center of Excellence entstehen. Langfristig sieht die Roadmap eine tiefere Integration von KI in Arbeitsprozesse und IT-Infrastruktur, kontinuierliche Lernangebote sowie formelle Rollen und Verantwortlichkeiten vor. Der im Beitrag dargestellte Fahrplan macht zugleich transparent, welche Maßnahmen bereits umgesetzt waren, welche sich in Entwicklung befanden und welche längerfristig auf der Agenda standen.

Das Beispiel zeigt auch, warum Unternehmen nicht einfach eine vermeintliche Best Practice kopieren sollten. Ein stark regulierter Finanzdienstleister braucht andere Leitplanken als eine Werbeagentur. Ein internationaler Konzern benötigt andere Multiplikatorstrukturen als ein mittelständisches Unternehmen. Und eine Organisation mit Hunderten experimentierenden KI-Nutzern steht vor anderen Problemen als ein Unternehmen, das gerade seine ersten Anwendungen freigibt.

Entscheidend ist deshalb weniger die einzelne Maßnahme als vielmehr deren Orchestrierung.

Unternehmen sollten sich drei Fragen stellen: Wo stehen wir heute? Welche Skalierungsbarriere müssen wir als Nächstes überwinden? Und welches Bündel aus Technologie, Arbeitspraktiken und Governance löst genau dieses Problem?

Damit verändert sich auch die Rolle der Unternehmensleitung. Ihre Aufgabe besteht nicht darin, möglichst viele KI-Schulungen anzuordnen oder eine möglichst detaillierte KI-Richtlinie zu verabschieden. Sie muss die Voraussetzungen dafür schaffen, dass Lernen im Unternehmen zirkulieren kann: von einzelnen Nutzern zu Teams, von Teams zu Geschäftseinheiten und schließlich in dauerhafte Strukturen und Prozesse.

KI-Kompetenz ist deshalb kein Weiterbildungsprojekt mit einem Anfangs- und Enddatum. Sie ist eine dynamische Organisationsfähigkeit. Das wird umso wichtiger, weil sich die Technologie selbst permanent verändert. Was Beschäftigte heute über Chatbots und Prompting lernen, muss morgen möglicherweise auf KI-Agenten übertragen werden, die selbständig Aufgaben planen, Werkzeuge einsetzen und Arbeitsschritte ausführen. Auch Kompetenzen, Verantwortlichkeiten und Governance müssen deshalb kontinuierlich weiterentwickelt werden.

Die nächste Phase der KI-Transformation hängt damit nicht allein davon ab, wer Zugang zum leistungsfähigsten Modell hat. Einen solchen Zugang können Wettbewerber häufig ebenfalls erwerben. Schwerer kopierbar ist eine Organisation, in der Beschäftigte gelernt haben, KI sinnvoll einzusetzen, ihr Wissen miteinander zu teilen und neue Praktiken schnell in Strukturen und Prozesse zu überführen.

Der Wettbewerbsvorteil liegt deshalb zunehmend nicht im Besitz von KI, sondern in der Fähigkeit einer Organisation, den kompetenten Umgang mit ihr zu skalieren.