KI-ergänzende Fähigkeiten: Worauf Sie jetzt beim Recruiting und bei der Entwicklung setzen sollten

Von Victor Hoang · Aktualisiert am 22. September 2026

KI-ergänzende Fähigkeiten sind die menschlichen Kompetenzen, die an Wert gewinnen statt zu verlieren, wenn KI immer mehr vom ersten Entwurf erzeugt: das richtige Problem formulieren, bevor jemand beginnt, Antworten zu generieren; Urteilsvermögen zeigen, wenn die Beweislage unvollständig ist; einen plausibel klingenden, aber falschen Output prüfen und erkennen; Fachtiefe einsetzen, die groß genug ist, um zu merken, wenn etwas nicht stimmt; Kontext setzen und an KI-Agents delegieren, so wie Sie es bei einer neuen Mitarbeiterin oder einem neuen Mitarbeiter tun würden; und die Beziehungsarbeit leisten, die darüber entscheidet, ob all das überhaupt angenommen wird.

„Soft Skills werden jetzt wichtiger“ stimmt und ist trotzdem als Einstellungskriterium nahezu nutzlos. Der Satz sagt Recruitern nicht, wonach sie filtern sollen, sagt Führungskräften nicht, was sie bei Teammitgliedern entwickeln sollen, und unterscheidet nicht zwischen einer Kandidatin mit echtem Urteilsvermögen und einem Kandidaten, der nur selbstsicher auftritt. Dieser Artikel will konkreter sein: wie diese Fähigkeiten in der Praxis aussehen, was sich laut Datenlage verändert, wonach Sie beim Recruiting fragen sollten und ein ehrliches Beispiel für eine Fähigkeit, die als dauerhaft gepriesen wurde und es nicht ist (Prompt Engineering).

Wichtige Fakten

• Analytisches Denken ist 2025 die gefragteste Kernkompetenz bei Arbeitgebern, rund sieben von zehn Unternehmen nennen sie unverzichtbar, während KI und Big Data die Liste der am schnellsten wachsenden Fähigkeiten anführen, die Arbeitgeber bis 2030 benötigen werden. Quelle: World Economic Forum, Future of Jobs Report 2025
• Arbeitgeber erwarten, dass sich 39 % der Kernkompetenzen des Arbeitsmarkts bis 2030 verändern, ein Beleg dafür, dass sich das Fähigkeitenprofil selbst verschiebt und nicht in einer einzigen „KI-Skills“-Schublade verschwindet. Quelle: World Economic Forum, Future of Jobs Report 2025
• Auf die Frage, welche menschlichen Fähigkeiten am wichtigsten sind, wenn KI mehr Arbeit übernimmt, nannten Beschäftigte an erster Stelle die Qualitätskontrolle von KI-Output (50 %) und an zweiter Stelle kritisches Denken, also Informationen durchdenken und ein Urteil bilden (46 %). Quelle: Microsoft Work Trend Index 2026
• 86 % der Beschäftigten geben an, KI-Output als Ausgangspunkt und nicht als fertige Antwort zu behandeln und weiterhin für das Denken dahinter verantwortlich zu bleiben, das Nächstliegende an einer funktionierenden Verifikationsnorm, das die Daten heute zeigen. Quelle: Microsoft Work Trend Index 2026
• LinkedIns Daten zu „Skills on the Rise“ 2026 zeigen, dass die Nachfrage nach technischen KI-Fähigkeiten und nach beziehungsorientierten menschlichen Fähigkeiten (funktionsübergreifende Zusammenarbeit, Führung, Kommunikation auf Executive-Ebene) in nahezu gleichem Tempo steigt, die eine ersetzt die andere also nicht. Quelle: LinkedIn, Skills on the Rise 2026
• Eine Studie des Stanford RegLab von 2024/2025 stellte fest, dass führende kommerzielle KI-Recherchetools für Rechtsfragen, die als halluzinationsfrei beworben wurden, bei 17 % bis 33 % der getesteten Anfragen dennoch Zitate erfanden oder falsch wiedergaben, eine konkrete Erinnerung daran, dass Fachtiefe den Fehler findet, den ein Generalist übersehen würde. Quelle: Stanford RegLab, „Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools“
• Eine randomisierte Studie von 2026 mit 1.339 griechischen Lehrkräften ergab, dass sie eine ungerecht strenge Note deutlich eher akzeptierten, wenn ihnen gesagt wurde, sie stamme von einem Algorithmus, als wenn dieselbe strenge Note angeblich von einem menschlichen Kollegen kam, wodurch sich die Fairnesslücke um etwa 22 % vergrößerte, ein Beleg dafür, dass selbst geschulte Fachleute zu Automation Bias gegenüber als KI gekennzeichnetem Output neigen. Quelle: PNAS Nexus, Goulas, Megalokonomou & Sotirakopoulos, 2026

Die Fähigkeiten, die wirklich tragen

Diese sechs tauchen in der obigen Datenlage in unterschiedlicher Form auf. Keine davon ist eine neue Tugend, die für das KI-Zeitalter erfunden wurde. Neu ist, wie viel mehr sie wert sind, jetzt, da ein plausibel aussehender erster Entwurf nichts mehr kostet.

Problemformulierung: entscheiden, welche Frage beantwortet werden soll

KI ist sehr gut darin, eine Antwort auf die gestellte Frage zu liefern. Sie ist deutlich schlechter darin, Ihnen zu sagen, dass Sie die falsche Frage gestellt haben. Jemand bittet ein KI-System, „Churn zu senken“, und erhält eine Liste von Retention-Taktiken, obwohl das eigentliche Problem eine falsch bepreiste Tarifstufe war, die diesem Segment nie hätte verkauft werden dürfen. Das Modell hat getreu geantwortet; die Person, die die Anfrage formuliert hat, hat es auf das falsche Ziel gerichtet.

Deshalb gewinnt Systemdenken an Wert, statt ihn zu verlieren. Gut zu formulieren heißt zu verstehen, wie ein Problem mit den umgebenden Systemen zusammenhängt: was vorgelagert ist, was Symptom und was Ursache ist und was eine „gute Antwort“ überhaupt enthalten müsste, um nützlich zu sein. KI kann innerhalb eines Rahmens arbeiten. Sie kann nicht verlässlich sagen, dass der Rahmen falsch ist, weil sie keine eigenständige Möglichkeit hat zu wissen, was Sie eigentlich lösen wollten.

Urteilsvermögen bei Unsicherheit: entscheiden, wenn die Beweislage nicht eindeutig ist

KI-Modelle sind standardmäßig selbstsicher. Sie liefern eine flüssige, gut strukturierte Antwort, ganz gleich, ob die zugrunde liegende Beweislage stark, dünn oder widersprüchlich ist, und die Flüssigkeit des Outputs verrät nichts darüber, welcher Fall vorliegt. Eine Prognose auf Basis von drei Monaten verrauschter Daten wirkt genauso geschliffen wie eine auf Basis von drei Jahren stabilem Trend.

Entscheidungsfindung unter echter Unsicherheit, bei der die ehrliche Antwort lautet: „Wir wissen es nicht ganz genau, und so gewichte ich das“, ist eine eigene Fähigkeit, verschieden vom Entscheiden bei sauberer Datenlage. Laut Microsofts Work Trend Index 2026, oben zitiert, gehört sie außerdem zu den beiden Fähigkeiten, die Beschäftigte am höchsten einstufen, wenn KI mehr Ausführung übernimmt. Wer sagen kann: „Diese Empfehlung geht von X aus, und X ist wackelig“, leistet Arbeit, die ein KI-System strukturell nicht für sich selbst erledigen kann, weil es nicht weiß, was es nicht weiß.

Verifikation und Fehlererkennung: die plausible falsche Antwort finden

Das ist die Fähigkeit, die sich am direktesten aus „KI übernimmt mehr Ausführung“ ergibt: Jemand muss die Ausführung prüfen. Prüfen ist aber etwas anderes als Überfliegen. Die Stanford-RegLab-Studie aus dem Kasten „Wichtige Fakten“ stellte fest, dass als halluzinationsfrei beworbene Legal-KI-Tools bei 17 % bis 33 % der getesteten Anfragen dennoch Zitate erfanden oder verfälschten. Diese Fehler waren nicht offensichtlich falsch. Sie waren plausibel genug, um bei flüchtigem Lesen durchzugehen, und genau deshalb gelangten sie in Schriftsätze, bevor sie jemand bemerkte.

Human-in-the-Loop-Prüfung funktioniert nur, wenn der Mensch im Prozess tatsächlich in der Lage ist, genau die Art von Fehler zu erkennen, die eine KI-Halluzination wahrscheinlich hervorbringt, und nicht nur Formatierung und Tonfall überfliegt. Dieser Unterschied, zwischen einer Prüfung, die Fehler findet, und einer, die nur Verzögerung erzeugt, entscheidet darüber, ob diese Fähigkeit real ist oder nur Theater.

Fachtiefe: Warum Expertise den Fehler erkennbar macht

Verifikation funktioniert nur, wenn Sie genug wissen, um Falsches zu erkennen. Ein Generalist, der eine KI-generierte Vertragsklausel, ein Finanzmodell oder eine klinische Zusammenfassung liest, kann prüfen, ob sie in sich stimmig und gut formuliert ist. Nur jemand mit echter Tiefe in diesem Fachgebiet findet die Klausel, die stimmig, gut formuliert und trotzdem falsch ist, weil der Fehler in Fachwissen steckt, das das Modell subtil falsch hat, und nicht in der Oberfläche.

Das ist das stärkste Argument gegen die Vorstellung, KI ebne den Wert von Expertise ein. Sie bewirkt das Gegenteil für den Teil der Expertise, der darin besteht, Muster abzugleichen mit der Frage „sieht das in der realen Welt richtig aus“, im Gegensatz zu dem Teil, der vor allem Tippgeschwindigkeit war oder das Auswendigwissen von Dingen, die man ohnehin nachschlagen könnte. Business Acumen, über Jahre aufgebaut, indem man sieht, wie sich eine bestimmte Branche oder Funktion tatsächlich verhält, sagt Ihnen, dass die KI-generierte Projektion um eine Größenordnung danebenliegt, bevor sie einen Kunden erreicht. Für viele Spezialistinnen und Spezialisten war diese Tiefe auch Teil ihres Selbstverständnisses bei der Arbeit, weshalb Sinn, Identität und Handwerk im KI-Zeitalter den Verlust der Chance, sie aufzubauen, als mehr als eine Kompetenzlücke behandelt.

Kontextsetzung und Delegation: Agents führen wie neue Mitarbeitende

Wenn KI-Systeme von der Beantwortung einzelner Fragen dazu übergehen, als KI-Agents mehrstufige Arbeit zu planen und auszuführen, wird eine neue Fähigkeit tragend: Grenzen, Ziele und Eskalationsregeln festzulegen, bevor die Arbeit beginnt, denn oft sind Sie nicht dabei, während der Agent arbeitet. Das ist eine Delegations-Fähigkeit, keine Prompting-Fähigkeit. Sie ähnelt eher dem Verfassen einer Stellenbeschreibung samt Leitplanken für eine neue Mitarbeiterin als dem guten Formulieren einer Suchanfrage.

Unternehmen, die bereits Teams aus Menschen und Agents betreiben, stellen fest, dass die Qualität des Ergebnisses stark davon abhängt, wie gut jemand den anfänglichen Umfang festgelegt hat, was der Agent selbst entscheiden darf und wann er sich zurückmelden muss. Wer das falsch macht, bremst den Agent entweder mit Freigaben für Nebensächlichkeiten aus oder lässt ihn unbeaufsichtigt in einen Fehler laufen, den niemand bemerkt, bis er teuer ist.

Beziehungsarbeit: Sie entscheidet, ob all das angenommen wird

Keine der ersten fünf Fähigkeiten hilft, wenn niemand der Person vertraut, die sie anwendet, oder die Empfehlung in einem Meeting stirbt, weil sie nicht so vermittelt wurde, dass Stakeholder darauf reagieren konnten. Beziehungsaufbau, die Fähigkeit, Vertrauen zu gewinnen, eine Runde zu lesen und funktionsübergreifend Zustimmung auszuhandeln, drohte nie durch KI ersetzt zu werden, und die Verlagerung hin zu mehr KI-generiertem Output hat sie sichtbarer gemacht, nicht weniger sichtbar. Jemand muss die Person sein, der eine skeptische VP glaubt, wenn sie sagt: „Ich habe das geprüft, und es stimmt.“ Dieses Vertrauen entsteht über die Zeit, im persönlichen Kontakt, und es lässt sich nicht auf ein Modell übertragen, genau darauf beruht die Logik von der Humanprämie: Manche Kontaktpunkte bleiben mit einem Menschen besetzt, weil die Datenlage zeigt, dass ein Mensch dort besser abschneidet, nicht aus Gewohnheit.

Es gibt auch eine leisere Variante davon: Forschung zu Vertrauen, wenn Ihr Teamkollege eine KI ist zeigt, dass Menschen KI-gestützter Arbeit Vertrauen entgegenbringen oder versagen, teilweise danach, wer dafür bürgt. Beziehungsfähigkeit und Verifikationsfähigkeit verstärken sich gegenseitig. Verifikation ohne die Glaubwürdigkeit, dass man Ihnen glaubt, verändert keine Entscheidung.

Was nicht trägt: Prompt Engineering als Fallstudie

Prompt Engineering verdient eine ehrliche Erwähnung, weil es das klarste Beispiel für eine Fähigkeit ist, die als dauerhafte Karrierewette verkauft wurde und sich als Übergangsphänomen entpuppte. Anfang 2023 wirkte es wie eine wirklich knappe, gut bezahlte Spezialisierung, Anweisungen für ein Sprachmodell sorgfältig zu formulieren. Bis 2026 ist genau diese Fähigkeit, durch exakte Wortwahl die Wortwörtlichkeit eines Modells auszugleichen, weitgehend in andere Rollen eingegangen, statt als eigene Berufsbezeichnung zu überleben. Der Grund ist einfach: Als Modelle besser darin wurden, schlichte, unpräzise Anweisungen zu verarbeiten und selbst Rückfragen zu stellen, schrumpfte der Wert eines spezialisierten „Übersetzers“ zwischen Mensch und Modell. Was nützlich bleibt, nämlich zu verstehen, was ein KI-System braucht, um eine Aufgabe gut zu erledigen, Kontext zu strukturieren und passende Beispiele zu geben, ist nicht verschwunden. Es ist nur kein eigenständiger Job mehr, sondern eine Grunderwartung, die in Rollen wie AI Product Management, Applied AI Engineering und Fachspezialisten-Positionen mit intensiver KI-Nutzung eingegangen ist.

Die Lehre reicht über Prompt Engineering selbst hinaus: Jede Fähigkeit, deren gesamter Wert davon abhängt, eine bestimmte, aktuelle Schwäche von KI-Werkzeugen auszugleichen, ist gefährdet, sobald diese Schwäche wegentwickelt wird. Das ist ein nützlicher Filter für die nächste Behauptung über eine „unverzichtbare KI-Fähigkeit“ in einer Stellenanzeige. Fragen Sie, ob die Fähigkeit noch eine Rolle spielen würde, wenn das zugrunde liegende Modell bei dem, was die Fähigkeit ausgleicht, dramatisch besser würde. Problemformulierung, Urteilsvermögen, Verifikation, Fachtiefe, Delegation und Beziehungsarbeit bestehen diesen Test. Ein enger Tooling-Workaround meist nicht.

Fähigkeit, Werttreiber und Einstellungssignal

Wonach Sie beim Recruiting tatsächlich fragen sollten

Stellenanzeigen, die „starke Kommunikationsfähigkeiten“ und „sicherer Umgang mit KI-Tools“ auflisten, filtern nach fast nichts. Besser ist es, Belege zu verlangen, die an die jeweilige Fähigkeit geknüpft sind und auf echter Arbeit statt auf Selbstbeschreibung beruhen.

Fragen, die dies wirklich testen

Statt zu fragen „Sind Sie gut im kritischen Denken?“, bitten Sie eine Kandidatin, eine Situation durchzugehen, in der sie einer Empfehlung widersprochen hat, KI-generiert oder nicht, und entscheiden musste, ob sie sie übersteuert. Statt „Wie sicher sind Sie im Umgang mit KI?“ bitten Sie, live einen fehlerhaften KI-generierten Output zu prüfen und zu erklären, was sie zuerst kontrollieren würde und warum. Statt „Haben Sie Führungsqualitäten?“ fragen Sie nach einem konkreten Fall, in dem sie ein skeptisches Publikum dazu bringen musste, auf etwas zu handeln, von dem sie wusste, dass es stimmt.

Das Muster dahinter: Früheres Verhalten mit Details schlägt eine Selbsteinschätzung, und eine Live-Übung schlägt eine Frage zu früherem Verhalten, wann immer Sie eine einrichten können, denn kompetente Verifikation im Raum lässt sich viel schwerer vortäuschen, als sie hinterher überzeugend zu beschreiben.

Wie eine gute Antwort klingt im Vergleich zu einer einstudierten

Eine einstudierte Antwort auf „Wie nutzen Sie KI?“ klingt wie eine Featureliste: welche Tools, welche Prompts, welche Abkürzungen. Eine echte Antwort klingt wie ein Entscheidungsprozess: was jemand mit KI erzeugt, was er nie ohne zweiten Blick übernimmt und warum diese Grenze für seine Art von Arbeit genau dort verläuft. Die zweite Antwort zeigt kritisches Denken auf eine Weise, wie es die erste nicht kann, weil sie belegt, dass der Kandidat tatsächlich darüber nachgedacht hat, wo sein eigenes Urteil Wert schafft und wo es überflüssig ist.

KI-Kompetenz als Einstellungssignal heißt nicht „Haben sie schon einmal ChatGPT benutzt?“. Es geht darum, ob jemand konkret benennen kann, wo er dem Output eines KI-Systems ungeprüft vertrauen würde und wo nicht, bezogen auf die Arbeit, die er tatsächlich leisten würde. Vage Begeisterung und vage Skepsis sind beide schwächere Signale als eine konkrete, begründbare Grenze.

Diese Fähigkeiten in einem bestehenden Team aufbauen

Die meisten Organisationen stellen nicht für jede dieser Fähigkeiten neu ein; sie versuchen, sie bei Menschen zu entwickeln, die bereits im Team sind. Die praktische Umsetzung beginnt meist damit, Verifikation zu einem benannten, sichtbaren Bestandteil einer Rolle zu machen statt zu einer stillschweigend vorausgesetzten Hintergrundaufgabe. Wenn niemandes Aufgabe ausdrücklich beinhaltet, „die Fehler der KI in diesem Workflow zu finden“, geschieht es erfahrungsgemäß nicht zuverlässig, weil es mit schnellerer, sichtbarerer Arbeit konkurriert.

Es bedeutet auch, Menschen die fachlichen Wiederholungen zu geben, die den oben beschriebenen Mustervergleich aufbauen. Ohne genug Erfahrung damit, wie Richtiges aussieht, entwickelt niemand das Gespür für „diese KI-generierte Zahl sieht falsch aus“. Das spricht dagegen, die ausführungslastigste und urteilsärmste Arbeit komplett an KI zu geben, während Nachwuchskräfte nie die Erfahrungsbasis aufbauen, die sie später zur Beaufsichtigung bräuchten. Diesen Zielkonflikt zwischen Tempo heute und Expertise in fünf Jahren sollten Führungskräfte bewusst entscheiden und nicht dem Zufall überlassen.

Auf der operativen Seite zahlen sich hier auch Workforce-Daten aus. Reworks People-App gibt es teilweise dafür: Sie verbindet Skills- und Kompetenz-Tracking mit den Workflow-Daten, die zeigen, wer im Arbeitsalltag tatsächlich Urteilsvermögen aufbaut, und nicht nur, wer ein Training abgeschlossen hat. Es ist ein kleiner Baustein einer viel größeren Frage, aber ein guter Einstieg, wenn Sie derzeit keinen klaren Überblick darüber haben, wer in Ihrem Team die in diesem Artikel beschriebenen Fähigkeiten besitzt.

Nichts davon besagt, dass KI Menschen weniger leistungsfähig macht. Sie verschiebt, welche Fähigkeiten das Gewicht tragen. Ein Team, das im letzten Jahrzehnt darauf optimiert hat, wer am schnellsten den meisten Output erzeugt, muss jetzt darauf optimieren, wer das richtige Problem formulieren, ein vertretbares Urteil fällen und den Fehler finden kann, den sonst niemand im Raum bemerkt hätte. Das ist schwerer zu prüfen, als Tippgeschwindigkeit es je war, und genau deshalb werden die Organisationen, die es früh gut beherrschen, einen echten, sich stetig vergrößernden Vorsprung gegenüber denen haben, die noch Stellenanzeigen für eine Belegschaft schreiben, die es nicht mehr gibt.