Wouter Neef
7 Min. Lesezeit
June 5, 2025
Die Debatte über Europas Wettbewerbsfähigkeit endet immer wieder gleich: Der Engpass ist nicht der Zugang zu Technologie, sondern das Tempo, in dem Erwachsene im Beruf neue Kompetenzen aufbauen. Die Teilnahme an Weiterbildung liegt EU-weit deutlich unter dem selbst gesetzten Ziel und schwankt stark zwischen den Mitgliedstaaten. Auch sonst ist die Lücke ungleich verteilt: Sie ist genau dort am größten, wo Data & AI die Arbeit am schnellsten verändern.
Was in dieser Debatte meist fehlt, ist das Wort Tempo. Ein Data- und AI-Verantwortlicher in der globalen Pharmaindustrie hat es uns schärfer gesagt als jedes Positionspapier: „Ich glaube nicht, dass es um Adoption geht, ich glaube, es geht um das Tempo der Adoption. Und Menschen sind im Moment nicht schnell genug darin.“ Das ist ein anderes Problem als ein Fachkräftemangel. Sich selbst überlassen, kämen die meisten Organisationen irgendwann an. Die Frage ist, ob sie ankommen, bevor die Entscheidungen, für die es nötig war, längst gefallen sind.
Für eine einzelne Organisation zählt die EU-Zahl weniger als die eigene. Der praktische Rat ist der nützliche Teil: schneller auf sich ändernde Kompetenzbedarfe reagieren und verlässliche, feingliedrige, vergleichbare Informationen darüber sammeln, wo die Lücken tatsächlich sitzen. Ohne das geht das Weiterbildungsbudget an die, die am lautesten fragen, statt dorthin, wo es die Arbeit verändert.
„Feingliedrig“ ist dabei kein Füllwort. Ein Durchschnitt über die ganze Organisation sagt Ihnen nichts, womit Sie etwas anfangen können. Die Zahl, die eine Entscheidung ändert, ist die pro Team und pro Rolle: Welche Gruppe liest ein Dashboard sicher, kann aber nicht hinterfragen, was darin steckt? Welche baut Berichte, die niemand öffnet? Welche gibt KI-Vorhaben frei, ohne sie beurteilen zu können? Das sind vier verschiedene Probleme mit vier verschiedenen Antworten, und deshalb sortieren wir Menschen in vier Data- & AI-Personas, bevor wir irgendetwas entwerfen.
„Vergleichbar“ zählt genauso. Eine Messung, die Sie nur mit sich selbst vergleicht, sagt Ihnen, ob Sie sich bewegt haben, nicht, ob Sie sich genug bewegt haben. Wir messen Kompetenzen auf einer Skala von 0 bis 300, vor, während und nach einem Programm, je Persona und je Team, und stellen das Ergebnis gegen andere Organisationen. So hört die Frage „stehen wir gut da?“ auf, Ansichtssache zu sein.
Eine häufige Reaktion: das vor ein paar Jahren gebaute E-Learning abstauben und ein GenAI-Modul anflanschen. Das überlebt den Kontakt mit der Wirklichkeit selten, aus einem einfachen Grund: Die Inhalte altern schneller als die Plattform, auf der sie liegen, und ein Training, das niemand beendet, lehrt niemanden etwas.
Wie groß dieses zweite Problem ist, wird leicht unterschätzt. Die Abschlussquote in gängigen Unternehmenskatalogen für E-Learning liegt bei rund 12 %. Anders gesagt: Etwa sieben von acht Lizenzen, die Sie bezahlen, bringen gar nichts. Jedes Budgetgespräch, das bei Kosten pro Platz beginnt statt bei Kosten pro abgeschlossener Teilnahme, misst das Falsche.
Darin steckt auch eine Falle in der Positionierung. In fast jeder großen Organisation, mit der wir sprechen, ist die Einstiegsstufe schon besetzt: ein verpflichtendes, konzernweites, weitgehend textbasiertes KI-Training, das alle einmal durchgeklickt haben. Mehr davon zu kaufen ändert nichts, und wer sich am dringendsten bewegen müsste, hat das Häkchen längst gesetzt. Was wirklich fehlt, ist die Stufe darüber: dort, wo Menschen den Stoff in ihren eigenen Werkzeugen auf ihre eigenen Probleme anwenden.
Auch das Format ist kein Detail. Forschung der Carnegie Mellon University zeigt: Interaktives Üben ist rund sechsmal so wirksam wie reines Videolernen. Dieses Verhältnis ist der Unterschied zwischen einem Curriculum, das Bewusstsein erzeugt, und einem, aus dem am nächsten Morgen Arbeit wird.
Curricula müssen also auf ihre Wirksamkeit geprüft und überarbeitet werden, nicht erweitert. Das heißt: Abschlussquoten kennen statt Anmeldezahlen, wissen, welche Module wo abgebrochen werden, und bereit sein, Material zu streichen, das seinen Platz nicht mehr verdient.
In unseren eigenen Programmen liegt der Unterschied zwischen einem Training, das Menschen beenden, und einem, das sie abbrechen, fast nie am Thema. Er liegt daran, ob die Übungen mit ihren Daten, ihren Werkzeugen und ihren Fällen arbeiten, und ob jemand es merkt, wenn eine Person auf halber Strecke stehen bleibt. Beides sind bewusste Entscheidungen im Design: Trainings auf Basis der eigenen Use Cases des Kunden und jemand, der den Fortschritt aktiv verfolgt und anstupst, statt eines Dashboards, das niemand öffnet. Bei Jaarbeurs ergab diese Kombination 96 % Abschlussquote bei 350 Teilnehmenden, bei Skyscanner 77 % bei mehr als 1.400.
Europa hinkt den USA und Teilen Asiens bei der Produktivität seit Langem hinterher, und am deutlichsten wird der Abstand daran, wie schnell neue Technologie tatsächlich genutzt und nicht bloß gekauft wird. Für Organisationen, die diese Linie überschreiten, ist die Rendite da: Morgan Stanley beziffert den Netto-Produktivitätsgewinn auf 11,5 % für Unternehmen mit mindestens einem Jahr echter KI-Nutzung, gemessen über die fünf am stärksten von KI betroffenen Branchen. Beachten Sie die Bedingung in diesem Satz. Die Zahl gilt für Unternehmen, die die Technologie wirklich nutzen, sie ist kein Versprechen, dass sich der Kauf allein auszahlt.
Dieselbe Asymmetrie zeigt sich im Wert der Kompetenzen. PwCs Global AI Jobs Barometer beziffert den Gehaltsaufschlag für KI-Kompetenzen auf 56 %, während Lightcast, dessen Stellenanzeigendaten PwC nutzt, auf einer größeren Stichprobe 28 % nennt. Also irgendwo zwischen einem Viertel und der Hälfte, je nach Stichprobe, und in beiden Fällen steigend. Der Arbeitsmarkt bepreist längst genau die Fähigkeit, die Ihr Programm aufbauen soll.
Was diese Durchschnitte verdecken, ist, wie weit vergleichbare Unternehmen inzwischen auseinanderliegen. In unseren Gesprächen mit niederländischen Konzernen ähnlicher Größe hörten wir binnen weniger Wochen „ein paar tausend KI-Agenten im Produktivbetrieb“, „fünfzigtausend“ und „null, weil wir uns noch nicht trauen“. Dieser Abstand erklärt sich nicht aus Ehrgeiz und nicht aus Budget. Er erklärt sich daraus, ob genug Menschen in der Organisation die Technologie gut genug verstehen, damit überhaupt jemand die Erlaubnis bekommt zu handeln.
Eine menschliche Hürde muss man benennen. Ein großer Teil der europäischen Beschäftigten hat Sorge vor KI, und ein beachtlicher Anteil wünscht sich staatliche Beschränkungen zum Schutz der Arbeitsplätze. Das lösen Sie nicht mit einem Compliance-Modul. Sie lösen es, indem Sie den Leuten so viel praktische Kompetenz geben, dass KI sich nicht länger anfühlt wie etwas, das mit ihnen geschieht, sondern wie etwas, das sie steuern.
Diese Sorge ist auch der Grund, warum ein rein freiwilliges Programm ausgerechnet die erreicht, die es am wenigsten brauchen. Wer sich zuerst anmeldet, ist meist ohnehin schon sicher im Umgang. Die, auf denen der Business Case ruht, hoffen still, dass es vorbeigeht.
Und die Lücke sitzt nicht nur an der Basis. Eine Datenberatung beschrieb ihre eigene Kundschaft und setzte das Problem ganz oben an: Führungskräfte und Vorstandsmitglieder, die nicht kompetent genug sind, um die Folgen ihrer eigenen Entscheidungen zu sehen, in Organisationen, die annehmen, das Thema sei erledigt, weil irgendwo in der IT ein Datenteam sitzt. Ein Programm, das die Führungsebene auslässt, bleibt meist eine Ebene darunter stecken.
Daraus folgen drei Dinge für jedes Programm. Beschränken Sie es nicht auf die Datenorganisation. Beschränken Sie es nicht auf die, die schon sicher sind. Und akzeptieren Sie, dass manche Gruppen, Menschen ohne Schreibtischarbeit oder ohne die Trainingssprache als Muttersprache, ein anderes Format brauchen und nicht eine lautere Einladung.
Dafür braucht es keinen Dreijahresplan. Es braucht eine Kohorte und eine ehrliche Messung darum herum.
Es hilft, sich vorher zu einigen, was „kann es“ heißt. Unsere Definition, entstanden beim Bau der Messung: verstehen, was Daten sind, sich sicher genug fühlen, um mit ihnen zu arbeiten, und sie im Alltag anwenden. Erst wenn alle drei zutreffen, ändert sich etwas. Zwei von drei sind ein abgeschlossenes Training.
Messen Sie also zuerst, damit Sie später eine Ausgangsmessung haben, mit der Sie argumentieren können. Wählen Sie den Teil des Geschäfts, in dem Daten oder KI die Arbeit sichtbar verändern, nicht den, der am begeistertsten ist. Führen Sie eine Kohorte vollständig durch, an echten Fällen aus diesem Bereich, und messen Sie dieselben Kompetenzen erneut. Bilden Sie danach eine Handvoll Champions in der Gruppe aus, damit die zweite Kohorte nicht mehr von Ihnen abhängt.
Diese Reihenfolge macht aus einem Trainingsbudget eine Fähigkeit, die der Organisation gehört. Das Programm bei Jaarbeurs ist ein durchgerechnetes Beispiel: eine unternehmensweite Ambition, übersetzt in Kohorten auf eigenem Material, mit Kompetenzwachstum vorher und nachher gemessen statt angenommen.
Europas Kompetenzlücke schließt kein einzelner Arbeitgeber. Aber der Teil davon, der in Ihrer eigenen Organisation sitzt, ist messbar, und er ist der einzige Teil, an dem Sie dieses Jahr etwas ändern können.
Mitglied bei
Nominiert
