KI-Skill-Inferenz: ein Skill-Inventar automatisch aufbauen

Von Kevin Kim · Aktualisiert am 11. Oktober 2026

KI-Skill-Inferenz bedeutet, mit maschinellem Lernen und Sprachmodellen herauszufinden, welche Skills jeder Mitarbeitende hat und auf welchem Niveau, und zwar aus Belegen, die Sie bereits besitzen (Profile, Lebensläufe, Berufsverlauf, Projektarbeit, Lernnachweise, Feedback), und diese Skills einer gemeinsamen Taxonomie zuzuordnen, damit das ganze Unternehmen sie durchsuchen und vergleichen kann. Sie ersetzt den alten Ansatz, alle Beschäftigten Kästchen in einem Formular ankreuzen zu lassen, das nach einem Monat veraltet ist.

Dieser Leitfaden richtet sich an HR-Führungskräfte, Verantwortliche für Talent und Lernen sowie Führungskräfte, die den Auftrag bekommen haben, „ein Skill-Inventar zu besorgen“, und keine sechsmonatige Selbsteinschätzungskampagne wollen. Er behandelt, was die Technologie leistet, welche Daten sie braucht, wie eine Taxonomie hineinpasst, wie Sie das Ergebnis validieren und wo Datenschutz und Fairness greifen. Er gehört zum Bereich KI im HR-Bereich und speist direkt den internen Talentmarktplatz mit KI sowie KI in Lernen und Entwicklung.

Wichtige Fakten

• ESCO, die mehrsprachige Klassifikation der Europäischen Kommission, beschreibt 3.039 Berufe und 13.939 damit verknüpfte Skills, übersetzt in 28 Sprachen, und nennt als einen Anwendungsfall, Stellensuchende anhand von Skills mit Stellen zusammenzubringen (ESCO).
• O*NET, die US-Berufsdatenbank, wird vierteljährlich aktualisiert, und ihre Version 31.0 aktualisierte 208 Berufe (O*NET Resource Center).
• Der Future of Jobs Report 2025 des World Economic Forum erwartet, dass sich 39 % der bestehenden Skill-Sets der Beschäftigten von 2025 bis 2030 verändern oder veralten, gegenüber 44 % im Jahr 2023 und einem Höchstwert von 57 % im Jahr 2020 (WEF).
• Derselbe Bericht stellt fest, dass von 100 Beschäftigten bis 2030 59 eine Schulung benötigen würden und 11 die nötige Umschulung voraussichtlich nicht erhalten (WEF).
• Erwägungsgrund 39 der DSGVO besagt, dass alle vertretbaren Schritte unternommen werden sollen, damit unrichtige personenbezogene Daten berichtigt oder gelöscht werden, was unmittelbar für abgeleitete Skills gilt (EUR-Lex).

Was Skill-Inferenz tatsächlich leistet

Im Sinne des ACE Framework nimmt die Skill-Inferenz Text und strukturierte HR-Daten auf (Ingest), analysiert sie, um Skills zu extrahieren und zu klassifizieren (Analyze), und prognostiziert für jeden Skill, den eine Person hat oder schnell erwerben könnte, ein Niveau oder eine Wahrscheinlichkeit (Predict). Es ist ein Muster aus Extraktion und Klassifikation mit einer Empfehlungsschicht obendrauf.

Unter dieser Bezeichnung sind vier Aufgaben gebündelt:

1. Extraktion. Skill-Nennungen aus Lebensläufen, Profilen, Stellenbeschreibungen, Projektberichten und Kurstiteln herausziehen.
2. Normalisierung. „SQL-Berichte erstellt“, „Datenbankabfragen geschrieben“ und „Datenanalyse mit SQL“ einem einzigen Eintrag in einer Taxonomie zuordnen, damit derselbe Skill nicht dreifach gezählt wird.
3. Inferenz. Über das Geschriebene hinausgehen. Wer eine Lieferantenverhandlung geführt, ein Budget verantwortet und die Vertragszusammenfassung verfasst hat, besitzt wahrscheinlich Verhandlungs- und kaufmännische Skills, auch wenn kein Dokument das sagt.
4. Niveaubestimmung. Einschätzen, wie stark der Skill ist, anhand von Belegen wie Aktualität, Tiefe des Projekts, Zertifizierungen und Einschätzungen von Kollegen oder Führungskräften.

Bei der dritten Aufgabe zeigt die KI ihren Nutzen, und hier liegt sie auch am ehesten falsch. Die Extraktion ist weitgehend gelöst. Inferenz ist eine Wahrscheinlichkeit, und Ihr Prozess sollte sie als solche behandeln.

Woher die Belege kommen

Ein Skill-Inventar ist nur so gut wie die Belege dahinter. Verschiedene Quellen sagen Ihnen unterschiedliche Dinge.

Die besten Inventare kombinieren mehrere Quellen und lassen Belege übereinstimmen oder widersprechen. Ein Skill, der durch einen Projektnachweis, eine Zertifizierung und die Bestätigung einer Führungskraft gestützt wird, ist belastbar. Ein Skill, der nur in einem alten Lebenslauf-Stichpunkt vorkommt, ist ein schwaches Signal und sollte auch so dargestellt werden. Zur Datenseite siehe HR-Datengrundlagen für KI, denn die Qualität der Inferenz folgt der Datenqualität fast eins zu eins.

Eine Skill-Taxonomie aufbauen

Eine Taxonomie ist das gemeinsame Vokabular, das Freitext in vergleichbare Daten verwandelt. Ohne sie sind „Stakeholder-Management“, „Stakeholder steuern“ und „Kundenbeziehungs-Skills“ drei verschiedene Dinge, und Sie können niemanden zählen.

Sie haben drei realistische Optionen.

Eine öffentliche Taxonomie übernehmen. ESCO und ONET sind die beiden Referenzpunkte, von denen die meisten Teams ausgehen. ESCO soll eine gemeinsame Sprache über Ländergrenzen hinweg schaffen und gibt an, dass seine Skills mit Berufen verknüpft und in 28 Sprachen verfügbar sind, was für multinationale Belegschaften wichtig ist (ESCO). ONET beschreibt Arbeit und Merkmale von Beschäftigten für US-Berufe und wird im Vierteljahresrhythmus aktualisiert (O*NET Resource Center). Beide sind öffentliche Referenzen, wodurch sich Ihre Daten leichter teilen und prüfen lassen.

Die proprietäre Taxonomie eines Anbieters nutzen. Viele Talent-Plattformen liefern eine eigene mit. Der Start geht schnell, doch Sie sind an die Definitionen eines Anbieters gebunden, und ein späterer Wechsel bedeutet, alles neu zuzuordnen. Verlangen Sie ein Mapping auf ESCO oder O*NET, damit Sie sich einen Ausweg offenhalten.

Eine eigene aufbauen. Nur nötig, wenn Ihr Unternehmen Spezial-Skills hat, die keine öffentliche Liste abdeckt, etwa eine bestimmte Maschine, Vorschrift oder ein Produkt. Selbst dann beginnen Sie mit einer öffentlichen Basis und setzen eine dünne eigene Schicht darauf.

Welchen Weg Sie auch wählen, einige Designentscheidungen sind wichtiger als die Wahl der Liste:

• Halten Sie sie klein genug für den Gebrauch. Tausende feinkörnige Skills überfordern Führungskräfte. Viele Unternehmen bündeln Skills zu einigen Hundert, die echten Entscheidungen über Einstellen, Versetzen und Schulen entsprechen.
• Trennen Sie Skill, Niveau und Beleg. „Python“ ist der Skill, „fortgeschritten“ das Niveau und „zwei Produktivsysteme im Jahr 2025 ausgeliefert“ der Beleg.
• Benennen Sie eine verantwortliche Person. Skills ändern sich, daher muss jemand sie hinzufügen, zusammenführen und stilllegen. Die oben genannte WEF-Zahl, 39 % der Skill-Sets bis 2030 verändert, ist der Grund, warum dies kein einmaliges Projekt sein kann. Zur Frage, wie schnell Skills veralten, siehe Halbwertszeit von Skills und kontinuierliches Reskilling.
• Verknüpfen Sie sie mit Ihrem Kompetenzmodell. Skills sind das, was Menschen können. Kompetenzen sind die breiteren Verhaltensweisen, die Sie in einer Rolle erwarten. Ihr Rahmenwerk der Kernkompetenzen sollte auf Skills verweisen, nicht sie duplizieren.

Praxisbeispiele nach Funktion

Talent Acquisition. Ein Recruiter braucht einen Dateningenieur. Statt nach Jobbezeichnungen zu suchen, findet das System Mitarbeitende, deren Projektverlauf und Lernnachweise zusammen die benötigten Skills ergeben, und markiert drei interne Kandidaten, bevor die Stelle extern ausgeschrieben wird.

Lernen und Entwicklung. L&D vergleicht die abgeleiteten Skills des Customer-Success-Teams mit dem, was die Produktpläne der nächsten zwei Jahre verlangen. Die Lücke in Analytik und Onboarding-Design wird zum Schulungsbudget, ganz ohne Umfrage. Das ist dieselbe Logik, die in KI in Lernen und Entwicklung beschrieben wird.

Interne Mobilität. Das Profil eines Lageraufsehers zeigt Planung, Einhaltung von Sicherheitsvorschriften und Teamcoaching, was eng zu einer Rolle als Operations-Planer passt. Die Inferenz bringt einen Wechsel zutage, an den niemand gedacht hatte. Das speist den internen Talentmarktplatz mit KI.

Personalplanung. Ein Finanzdirektor fragt, wie viele Personen innerhalb eines Quartals in ein neues Team für regulatorisches Reporting versetzt werden könnten. Das Inventar beantwortet das in Stunden statt Wochen, indem es verwandte Skills zählt.

Führungskräfte. Ein Projektleiter, der ein Team zusammenstellt, sieht vorgeschlagene Personen mit ihren Belegen und ihrem Konfidenzwert und korrigiert den einen Vorschlag, der offensichtlich falsch ist. Diese Korrektur verbessert das System.

So führen Sie die Skill-Inferenz Schritt für Schritt ein

1. Benennen Sie zuerst die Entscheidungen. Listen Sie die zwei oder drei Entscheidungen auf, die das Inventar stützen soll, etwa interne Besetzung, Schulungsbudgets oder Umbesetzung. Wenn Sie sie nicht benennen können, bauen Sie eine Datenbank, die niemand nutzt.
2. Wählen Sie die Taxonomie. Entscheiden Sie sich für ESCO, O*NET oder die eines Anbieters und legen Sie fest, wie viele Skills Sie tatsächlich verfolgen. Schreiben Sie die Regeln zum Zusammenführen und Stilllegen von Skills auf.
3. Erfassen Sie Ihre Daten. Finden Sie heraus, wo Lebensläufe, Rollenverläufe, Lernnachweise, Projektdaten und Feedback liegen, wem sie gehören und wie sauber sie sind. Bereinigen Sie Kennungen, damit eine Person nicht zwei Datensätze hat.
4. Prüfen Sie die Rechtsgrundlage. Entscheiden Sie, welche Quellen Sie für diesen Zweck nutzen dürfen, was Beschäftigten mitgeteilt wird und ob eine Datenschutz-Folgenabschätzung nötig ist. Binden Sie Recht und Betriebsräte früh ein.
5. Starten Sie ein Pilotprojekt in einer Funktion. Wählen Sie ein Team mit einem klaren Anwendungsfall, etwa Kundensupport oder Finanzen.
6. Lassen Sie das Modell ableiten und zeigen Sie dann den Beleg. Jeder abgeleitete Skill sollte seine Quelle und einen Konfidenzwert tragen. Kein Beleg, kein Skill.
7. Validieren Sie mit Menschen. Bitten Sie Beschäftigte, Skills zu bestätigen, zu korrigieren oder zu ergänzen, und bitten Sie Führungskräfte, ihr Team zu prüfen. Behandeln Sie Abweichungen als Daten darüber, wo das Modell versagt.
8. Messen Sie an einem Goldstandard. Vergleichen Sie für eine Stichprobe die abgeleiteten Skills mit einer vertrauenswürdigen Quelle, etwa einem Assessment oder einer sorgfältigen Prüfung durch die Führungskraft. Verfolgen Sie Precision (wie viele abgeleitete Skills stimmen) und Recall (wie viele tatsächliche Skills gefunden wurden).
9. Verbinden Sie es mit einer Entscheidung. Speisen Sie das Inventar in einen echten Workflow ein, etwa die interne Stellenzuordnung oder einen Schulungsplan, und prüfen Sie, ob sich die Ergebnisse verbessern.
10. Pflegen Sie es. Aktualisieren Sie die Belege laufend, prüfen Sie die Genauigkeit mindestens jährlich erneut und überprüfen Sie die Taxonomie nach Plan.

Das Ergebnis validieren

An der Validierung gewinnen oder verlieren die meisten Projekte Vertrauen. Vier Prüfungen lohnt es sich einzubauen.

Bestätigung durch Beschäftigte. Menschen kennen ihre eigenen Skills besser als jedes Modell. Eine einfache Ansicht, in der sie abgeleitete Skills annehmen, bearbeiten oder entfernen, liefert Ihnen Ground Truth und gibt ihnen Handlungsspielraum. Sie bringt auch Skills ans Licht, die das Modell nicht sehen kann, etwa ehrenamtliche oder gemeinschaftliche Arbeit.

Kalibrierung durch Führungskräfte. Führungskräfte prüfen die abgeleiteten Niveaus für ihr Team, idealerweise gemeinsam, damit „fortgeschritten“ in allen Gruppen dasselbe bedeutet.

Stichprobenprüfungen. Ziehen Sie eine Zufallsstichprobe, vergleichen Sie sie mit einer stärkeren Quelle und berechnen Sie Fehlerquoten nach Skill-Typ. Soft Skills wie Kommunikation oder Urteilsvermögen werden meist weniger zuverlässig abgeleitet als technische Skills mit klaren Arbeitsergebnissen.

Drift-Prüfungen. Die Sprache der Skills ändert sich, neue Werkzeuge erscheinen, alte verschwinden. Ein im letzten Jahr abgestimmtes Modell liest die Stellenanzeigen dieses Jahres falsch. Testen Sie nach Plan erneut.

Seien Sie ehrlich darüber, was die Zahl bedeutet. Ein Skill, der als „abgeleitet, mittlere Konfidenz“ angezeigt wird, ist ein Anknüpfungspunkt für ein Gespräch, keine Qualifikation. Wenn Sie zulassen, dass Führungskräfte die Vermutung eines Modells wie eine beglaubigte Tatsache behandeln, haben Sie ein veraltetes Formular durch eines ersetzt, das niemandem Rechenschaft schuldet.

Datenschutz, Fairness und rechtliche Grenzen

Ein abgeleiteter Skill ist ein personenbezogenes Datum über eine Person, auch wenn sie ihn nie eingegeben hat. Behandeln Sie ihn entsprechend.

Zweckbindung. Daten, die für Gehaltsabrechnung oder Compliance erhoben wurden, sollten nicht stillschweigend ein Skill-Modell speisen. Erwägungsgrund 50 der DSGVO besagt, dass eine Weiterverarbeitung zu einem neuen Zweck grundsätzlich nur zulässig ist, wenn sie mit dem ursprünglichen vereinbar ist (EUR-Lex). Dokumentieren Sie den Zweck und informieren Sie die Beschäftigten.

Richtigkeit und Berichtigung. Weil Ableitungen falsch sein können, brauchen Menschen eine Möglichkeit, sie einzusehen und zu korrigieren. Erwägungsgrund 39 erwartet, dass unrichtige Daten berichtigt oder gelöscht werden, und Erwägungsgrund 71 beschreibt ein Recht, keiner Entscheidung unterworfen zu werden, die allein auf automatisierter Verarbeitung beruht und rechtliche oder ähnlich erhebliche Wirkung hat (EUR-Lex). Ein Skill-Score als alleinige Grundlage für eine Kündigungs- oder Beförderungsentscheidung läge genau in diesem Bereich.

KI im Beschäftigungskontext ist in der EU Hochrisiko. Die Europäische Kommission führt KI-Tools für Beschäftigung und Arbeitnehmerverwaltung als Hochrisiko-Systeme auf, wobei diese Regeln ab dem 2. Dezember 2027 gelten (Europäische Kommission). Wenn Sie Inferenz einsetzen, um zu entscheiden, wer für Rollen oder Schulungen in Betracht kommt, kann das darunter fallen, klären Sie das also mit Ihrer Rechtsberatung. Außerhalb der EU unterscheiden sich die Regeln und ändern sich, holen Sie daher lokalen Rat ein.

Verzerrung. Lernt das Modell aus früheren Beförderungen, kann es lernen, wer befördert wurde, statt wer fachlich stark ist. Auch die Sprache unterscheidet sich je nach Hintergrund: Manche Gruppen beschreiben ihre Arbeit bescheiden, andere übertrieben, und die Extraktion kann Letzteres belohnen. Vergleichen Sie die Abdeckung abgeleiteter Skills nach Geschlecht, Alter, Standort und Rollenfamilie und suchen Sie nach Gruppen, die systematisch unterbeschrieben werden. Datenminimierung. Nutzen Sie arbeitsbezogene Belege, keine privaten sozialen Medien, persönlichen Nachrichten oder Überwachungsdaten. Wenn ein Signal verlangt, Menschen zu beobachten, ist es das falsche Signal.

Sichtbarkeit. Legen Sie fest, wer was sieht. Beschäftigte sollten ihr eigenes Profil sehen. Führungskräfte dürfen das ihres Teams sehen. Eine breite Suche durch Recruiter im gesamten Unternehmen sollte auf Felder beschränkt sein, in die eingewilligt wurde oder die für die Rolle relevant sind.

Häufige Fallstricke

• Mit dem Tool beginnen, nicht mit der Entscheidung. Ein Skill-Inventar ohne Anwendungsfall wird zur Shelfware (ungenutzter Software).
• Abgeleiteten Niveaus vertrauen. Das Vorhandensein eines Skills lässt sich leichter ableiten als seine Tiefe. Zeigen Sie die Konfidenz.
• Kursabschlüsse als Skills zählen. Ein Modul zu beenden ist nicht dasselbe, wie es anzuwenden.
• Die Pflege der Taxonomie ignorieren. Ohne verantwortliche Person häufen sich innerhalb eines Jahres Duplikate und tote Skills an.
• Das Inventar als führendes Datenverzeichnis behandeln. Es ist eine lebendige Schätzung und braucht Korrekturschleifen.
• Die Beschäftigten übergehen. Ein System, das an Menschen vollzogen wird statt mit ihnen, verliert schnell Vertrauen und Datenqualität.
• Zu früh für folgenreiche Entscheidungen nutzen. Beginnen Sie mit Chancen (Zuordnung, Lernen), nicht mit Sanktionen (Auswahl für Stellenabbau).
• Verwandte Skills vergessen. Die wertvollste Ausgabe ist oft, wer einem Skill nahe ist, sodass die Umschulung kurz bleibt.

Wie es weitergeht

Skill-Inferenz ist die Datenschicht. Was Sie damit tun, entscheidet über ihren Wert. Wenn das Ziel darin besteht, Menschen in neue Rollen zu bringen, lesen Sie den Leitfaden zum internen Talentmarktplatz mit KI. Geht es darum, Lücken zu schließen, siehe KI in Lernen und Entwicklung. Für das weitere Spektrum an Analytik drumherum siehe People Analytics und KI. Und um das entstandene Inventar in natürlicher Sprache abzufragen, siehe KI für HR-Reporting.