Fotoillustration: Ob neues Spezialwissen eingekauft oder im Team aufgebaut wird, entscheidet sich an Aufgabe, Verantwortung und Zeit – nicht am Etikett „KI“.
KI-Fachkräfte einstellen oder Mitarbeitende weiterbilden? Für die meisten Unternehmen ist das kein Entweder-oder. Breite Anwendungskompetenz gehört ins bestehende Team. Neue Spezialist:innen werden dort gebraucht, wo KI-Systeme entwickelt, integriert, betrieben oder dauerhaft verantwortet werden.
Die kurze Antwort: Schulen Sie vorhandene Mitarbeitende, wenn sie KI in ihrer heutigen Arbeit sicher nutzen, Ergebnisse beurteilen oder fachliche Anwendungsfälle führen sollen. Stellen Sie ein, wenn dem Unternehmen produktionsnahe Engineering-, Daten-, Architektur- oder Governance-Erfahrung fehlt und diese Verantwortung über ein einzelnes Pilotprojekt hinaus bestehen bleibt. Häufig trägt ein Hybrid: internes Produktwissen plus gezielt rekrutierte technische Tiefe.
Die Szene ist inzwischen vertraut. Ein Fachbereich hat drei KI-Ideen, die IT testet bereits Tools, Datenschutz und Informationssicherheit stellen berechtigte Fragen. Im nächsten Steuerungskreis landet dann eine scheinbar einfache Personalfrage: Brauchen wir einen AI Engineer – oder schicken wir das Team auf Schulung?
Wer sofort über Stellenbezeichnungen spricht, ist meist einen Schritt zu früh. Hinter „KI-Kompetenz“ können sehr verschiedene Arbeiten stehen: einen Assistenten sachkundig bedienen, einen Prozess neu entwerfen, Daten für ein Modell verfügbar machen, eine LLM-Anwendung in bestehende Systeme integrieren, ihre Qualität messen oder ihren Betrieb absichern. Keine einzelne Weiterbildung und kein einzelnes Profil decken diese Spannweite seriös ab.
KI-Fachkräfte einstellen oder weiterbilden: Erst die Arbeit zerlegen
Die neue Bitkom-Studie zum IT-Arbeitsmarkt 2026 zeigt, wie schnell sich die Anforderungslage verschiebt. 42 Prozent der Unternehmen mit IT-Stellen setzen KI bereits in ihrer IT-Abteilung oder bei der Arbeit ihrer IT-Fachkräfte ein. Weitere 36 Prozent planen den Einsatz. Gleichzeitig erwarten 63 Prozent, dass KI-Kenntnisse und -Tools künftig in allen IT-Berufen benötigt werden. Das spricht klar für Weiterbildung in der Breite.
Für die Tiefe gilt etwas anderes. Unter Unternehmen mit offenen IT-Stellen suchen 12 Prozent Fachkräfte für KI. Noch häufiger gesucht werden Administration und Systembetrieb, Softwareentwicklung und -architektur sowie Cloud und Infrastruktur. Das ist ein wichtiger Realitätscheck: Viele KI-Vorhaben brauchen nicht zuerst einen spektakulären neuen Titel. Sie brauchen belastbare Software-, Daten-, Cloud-, Security- und Betriebsarbeit.
Beschäftigte setzen freigegebene KI-Werkzeuge in ihrer heutigen Rolle ein und können Ergebnisse, Grenzen und Risiken einordnen.
Fachleute verbinden einen Geschäftsprozess mit Daten, Nutzerbedarf, Qualitätskriterien und einem realistischen technischen Lösungsweg.
Spezialist:innen integrieren Modelle, entwickeln Anwendungen, sichern Datenflüsse, messen Qualität und tragen Produktionsverantwortung.
Die erste Ebene lässt sich fast immer intern entwickeln. Die zweite entsteht häufig aus erfahrenen Fach- und IT-Mitarbeitenden, sofern sie Zeit, Mandat und technische Unterstützung erhalten. Auf der dritten Ebene entscheidet die vorhandene Systemlandschaft: Ein starkes Software- und Data-Team kann viel selbst aufbauen. Fehlen diese Grundlagen, ersetzt ein zweitägiger Kurs keine Projekterfahrung.
Ein AI Engineer ist keine Abkürzung für ungeklärte Verantwortung. Wenn Use Case, Datenzugang, Produktverantwortung und Betriebsmodell offen sind, wird auch ein sehr gutes Profil zum teuer bezahlten Übersetzer eines Problems, das intern noch niemand entschieden hat.
Vier Fragen, die die Personalentscheidung belastbar machen
1. Was soll nach sechs Monaten tatsächlich funktionieren?
„Wir wollen etwas mit GenAI machen“ beschreibt kein Arbeitsziel. Braucht der Vertrieb einen sicheren Rechercheassistenten? Soll die Entwicklung Tests automatisieren? Geht es um Prognosen, Dokumentenverarbeitung oder einen neuen digitalen Service? Erst ein überprüfbarer Zielzustand zeigt, welche Kompetenz fehlt.
Ein Tool im Arbeitsalltag einzuführen verlangt andere Erfahrung als eine KI-Funktion in ein Kundenprodukt einzubauen. Beim internen Assistenten stehen Nutzung, Datenfreigabe und Prozessgestaltung im Vordergrund. Beim Produkt kommen Softwarearchitektur, Evaluation, Monitoring, Security, Kosten und Haftungsfragen hinzu.
2. Ist die Kompetenz vorübergehend oder bleibt die Verantwortung?
Für eine Auswahlphase oder einen begrenzten Prototyp kann externe Expertise richtig sein. Sobald ein System produktiv wird, braucht es jedoch Eigentümerschaft: Wer bewertet Modell- oder Promptänderungen? Wer beobachtet Fehlerbilder? Wer entscheidet bei Qualitätsverlust, Kostenanstieg oder einem Sicherheitsvorfall?
Bleibt diese Verantwortung im Unternehmen, muss auch Wissen dort verankert werden. Das kann durch Einstellung geschehen oder durch eine bewusst aufgebaute interne Rolle. Ein Dienstleister kann Geschwindigkeit bringen; er ersetzt nicht die Entscheidung, wer nach dem Projekt die fachliche und technische Verantwortung trägt.
3. Gibt es intern eine anschlussfähige Person – und echte Lernzeit?
Weiterbildung funktioniert besonders gut, wenn vorhandene Erfahrung anschließt. Eine Softwareentwicklerin mit API-, Cloud- und Produkterfahrung kann sich in LLM-Integration, Evaluation oder RAG vertiefen. Ein Data Engineer kann eine solide Basis für MLOps oder Datenqualität im KI-Kontext mitbringen. Eine Produktmanagerin kann die Übersetzung zwischen Fachbereich, Nutzerproblem und technischem Team übernehmen.
Das Organigramm verrät diese Potenziale nicht immer. Wichtiger sind bisherige Projekte, Systemverständnis, Lernfähigkeit und Interesse. Allerdings wird aus einem Kurs keine neue Rolle, solange die bisherige Arbeit vollständig weiterläuft. Wer intern aufbaut, muss Aufgaben neu priorisieren, Lernzeit schützen und Verantwortung schrittweise übertragen.
4. Wie teuer wäre Lernen durch Fehler?
Nicht jeder Anwendungsfall hat dasselbe Risiko. Ein interner Textentwurf mit menschlicher Prüfung ist etwas anderes als ein System, das Produktionsparameter empfiehlt, Kundendaten verarbeitet oder Entscheidungen über Menschen vorbereitet. Je höher Wirkung, technische Komplexität und Schadenspotenzial, desto weniger sollte ein Unternehmen auf improvisiertes Lernen im Live-Betrieb setzen.
Die Bundesnetzagentur betont bei KI-Kompetenz ausdrücklich den Kontext: Vorkenntnisse, konkrete Systeme, Zweck und Risiken müssen berücksichtigt werden. Vorgeschrieben ist weder ein bestimmtes Zertifikat noch ein einheitliches Trainingsformat. Die Maßnahmen sollten jedoch nachvollziehbar gewählt und dokumentiert werden. Das ist kein Argument gegen Weiterbildung – sondern gegen Gießkannenschulungen.
Die Entscheidungsmatrix: weiterbilden, einstellen oder überbrücken?
| Ausgangslage | Vorrangiger Weg | Worauf es ankommt |
|---|---|---|
| Freigegebene KI-Werkzeuge sollen in Büro-, Entwicklungs- oder Analysearbeit sicher genutzt werden. | Vorhandene Mitarbeitende weiterbilden. | Rollenbezogene Übungen, Datenregeln, Qualitätsprüfung und klare Eskalationswege statt allgemeiner Prompt-Sammlung. |
| Ein Fachprozess soll mit KI neu gestaltet werden, die technische Umsetzung übernimmt zunächst ein Partner. | Intern Product Owner oder Process Lead aufbauen; externe Tiefe ergänzen. | Fachliche Eigentümerschaft, Erfolgskriterien, Datenzugang und Wissenstransfer vertraglich und praktisch sichern. |
| KI-Funktionen werden Teil eines eigenen Produkts oder eines kritischen Kernprozesses. | Produktionsnahe Spezialist:innen einstellen und internes Team qualifizieren. | Software Engineering, Daten, Evaluation, Security, Cloud-Kosten und Betrieb gemeinsam denken. |
| Es fehlt noch an Datenqualität, Schnittstellen oder stabiler Plattform. | Zuerst Data-, Platform- oder Software-Kompetenz stärken. | Keinen AI-Titel über ein Infrastrukturproblem kleben. Die Engpassrolle kann Data Engineer, Platform Engineer oder Architect heißen. |
| Das Unternehmen muss kurzfristig eine technische Richtung bewerten, kennt den dauerhaften Bedarf aber noch nicht. | Erfahrene externe Unterstützung zeitlich begrenzt einsetzen. | Explizite Entscheidungsfragen, dokumentierte Architektur und ein Übergabepunkt verhindern Dauerabhängigkeit. |
| Mehrere KI-Produkte sollen dauerhaft priorisiert, gesteuert und verantwortet werden. | Interne Führung oder Senior-Verantwortung aufbauen beziehungsweise einstellen. | Mandat, Budget, Portfolioentscheidungen und Verbindung zu IT, Data, Legal, Security und Fachbereichen. |
Recruiting-Hinweis: „KI-Erfahrung“ ist kein belastbares Muss-Kriterium. Im Suchprofil sollte stehen, welche Verantwortung jemand bereits getragen haben muss: Prototypen produktiv machen, Datenpipelines aufbauen, LLM-Ausgaben evaluieren, Modellbetrieb absichern, Plattformkosten steuern oder Fachbereiche durch eine Einführung führen.
Drei typische Fälle – und warum die Antwort jeweils anders ausfällt
Ein Office-Copilot wird eingeführt
Hier braucht nicht jede Abteilung eine neue KI-Stelle. Sinnvoller sind rollenbezogene Schulung, klare Daten- und Nutzungsregeln, ausgewählte Multiplikator:innen sowie ein erreichbarer Support. IT, Datenschutz und Informationssicherheit müssen den Rahmen setzen. Die tägliche Anwendungskompetenz gehört zu den Menschen, die das Werkzeug nutzen.
Ein Wissensassistent soll auf interne Dokumente zugreifen
Das klingt zunächst wie ein Tool-Projekt, berührt aber Suche, Berechtigungen, Datenqualität, Schnittstellen, Evaluation und Betrieb. Besteht bereits ein gutes Software- und Plattformteam, kann gezielte Weiterbildung reichen und punktuell externe Erfahrung helfen. Fehlen Integrations- und Betriebswissen dauerhaft, ist eine Einstellung plausibel – oft eher im AI Engineering, Software Engineering oder auf der Data Platform als in einer reinen Prompt-Rolle.
KI soll Teil eines Kundenprodukts werden
Dann reichen Power-User-Kompetenzen nicht. Das Team muss Qualität unter realen Bedingungen messen, Änderungen kontrollieren, Sicherheitsrisiken behandeln und das System wirtschaftlich betreiben. Je nach Produkt braucht es AI Engineering, ML Engineering, Data Engineering, MLOps, Produktmanagement und Architektur. Die eigentliche Recruiting-Aufgabe besteht darin, die fehlende Verantwortung zu bestimmen – nicht möglichst viele dieser Begriffe in eine Stellenanzeige zu schreiben.
Warum „wir suchen einen KI-Allrounder“ selten funktioniert
In einem einzigen Profil landen schnell Strategie, Use-Case-Beratung, Datenaufbereitung, Modellwahl, Softwareentwicklung, Cloud, MLOps, Datenschutz, Schulung und Change. Das liest sich flexibel, ist aber häufig ein Zeichen, dass mehrere Rollen noch nicht getrennt wurden.
Starke Kandidat:innen erkennen diese Unschärfe. Sie fragen nach Datenreife, Team, Entscheidungsrechten, Produktverantwortung und Produktionsbetrieb. Bleiben die Antworten vage, wirkt die Stelle nicht ambitioniert, sondern riskant. Vor der Suche lohnt deshalb ein präzises Anforderungsprofil für die IT-Rolle.
- Aufgabe: Welches Problem löst die Rolle im ersten Jahr?
- Reifegrad: Geht es um Exploration, Integration, Skalierung oder stabilen Betrieb?
- Systemkontext: Welche Daten, Plattformen, Schnittstellen und Sicherheitsanforderungen sind gesetzt?
- Teamgrenze: Was leisten Software, Data, Cloud, Produkt, Legal und Fachbereich bereits?
- Entscheidungsrecht: Worüber darf die Person selbst entscheiden – und wofür trägt sie Verantwortung?
- Lernauftrag: Welches Wissen soll die neue Person nicht nur anwenden, sondern im Team verbreiten?
Ein praktikabler Weg von der KI-Idee zur Personalentscheidung
Use Case beschreiben
Nutzer, Prozess, gewünschtes Ergebnis, Daten und Qualitätsmaßstab in wenigen klaren Sätzen festhalten.
Arbeitspakete trennen
Nutzung, Prozessübersetzung, Datenarbeit, Engineering, Betrieb, Security und Governance einzeln betrachten.
Ist-Kompetenz prüfen
Nicht nur Stellenprofile lesen. Projekterfahrung, anschlussfähige Skills, Interesse und verfügbare Lernzeit im Team erfassen.
Lücke bewerten
Dauer, Kritikalität, Erfahrungsbedarf und spätere Eigentümerschaft entscheiden über Training, Einstellung oder externe Brücke.
Rolle suchbar machen
Verantwortung, Systemkontext und Reifegrad formulieren. Erst danach Titel, Seniorität und Kandidatenmarkt festlegen.
Wissenstransfer einplanen
Neue Spezialist:innen dürfen keine Insel werden. Dokumentation, Pairing, Reviews und interne Lernziele gehören in den Auftrag.
Auch die Zahlen zur Weiterbildung mahnen zu dieser Genauigkeit. Laut TÜV-Weiterbildungsstudie 2026 bieten zwar 75 Prozent der befragten Unternehmen grundsätzlich Weiterbildung für die gesamte Belegschaft an, aber nur 29 Prozent haben eine schriftlich fixierte Weiterbildungsstrategie. Beim dynamischen Thema KI wird der Unterschied schnell sichtbar: Ein Kurs ist organisiert, doch Priorität, Lernpfad und Zeitbudget fehlen.
Im Recruiting entsteht das spiegelbildliche Problem. Eine Stelle wird freigegeben, aber niemand hat geklärt, welches Wissen intern schon vorhanden ist oder welche Aufgabe die neue Person wirklich übernehmen soll. Beide Wege kosten dann Geld, ohne die Kompetenzlücke sauber zu schließen.
Woran Sie nach einigen Monaten erkennen, ob der Weg trägt
Die Erfolgskontrolle sollte nicht bei absolvierten Kursen oder besetzten Stellen enden. Interessanter ist, ob das Unternehmen handlungsfähiger geworden ist.
| Signal | Gute Entwicklung | Warnzeichen |
|---|---|---|
| Entscheidungen | Teams können Anwendungsfälle, Grenzen und Risiken nachvollziehbar bewerten. | Jede Frage wandert zu einer einzelnen „KI-Person“. |
| Umsetzung | Piloten haben klare Qualitätskriterien und einen Weg in oder aus der Produktion. | Viele Demos, aber keine benannte Produkt- und Betriebsverantwortung. |
| Wissen | Erfahrung wird dokumentiert, geteilt und in Reviews genutzt. | Know-how bleibt bei Dienstleister, Einzelperson oder informellen Power Usern. |
| Recruiting | Kandidat:innen verstehen Aufgabe, Team und Reifegrad der KI-Initiative. | Interviews drehen sich um Buzzwords und Werkzeuglisten. |
| Weiterbildung | Lernziele hängen an realen Rollen und Projekten. | Teilnahmequoten ersetzen den Nachweis, dass sich Arbeit oder Entscheidungen verbessert haben. |
Quellen und Aktualität
- Bitkom: Der Arbeitsmarkt für IT-Fachkräfte 2026, repräsentative Unternehmensbefragungen; veröffentlicht im September 2026.
- Bitkom: Künstliche Intelligenz in Deutschland, Studienbericht 2025, veröffentlicht 2026; Daten zu Einstellung und Weiterbildung von KI-Kompetenzen.
- Bundesnetzagentur: KI-Kompetenz, Erläuterungen zu Artikel 4 der KI-Verordnung, Kontextbezug und Dokumentation.
- TÜV Rheinland: Weiterbildungsstudie 2026, Befragung von 500 Unternehmensentscheider:innen.
Stand: 16.09.2026. Die regulatorischen Hinweise dienen der fachlichen Einordnung und ersetzen keine Rechtsberatung.
Häufige Fragen: KI-Fachkräfte einstellen oder weiterbilden?
Wann sollte ein Unternehmen eine KI-Fachkraft einstellen?
Eine Einstellung ist naheliegend, wenn KI-Systeme dauerhaft entwickelt, integriert, skaliert oder betrieben werden und dafür produktionsnahe Erfahrung fehlt. Besonders relevant sind wiederkehrende Verantwortung für Softwarearchitektur, Daten, Evaluation, MLOps, Security oder technische Governance. Vorher sollte klar sein, welche dieser Aufgaben die Rolle tatsächlich übernimmt.
Wann reicht Weiterbildung des bestehenden Teams?
Weiterbildung reicht häufig, wenn Mitarbeitende freigegebene KI-Werkzeuge sicher in ihrer bestehenden Rolle nutzen, Ergebnisse kritisch prüfen oder fachliche Anwendungsfälle führen sollen. Sie kann auch für technische Vertiefung genügen, wenn bereits anschlussfähige Software-, Data- oder Cloud-Erfahrung vorhanden ist und reale Lernzeit sowie ein passendes Projekt bereitstehen.
Was ist besser: intern aufbauen oder externes KI-Know-how einkaufen?
Externes Know-how ist stark für Richtungsklärung, Architekturentscheidungen oder einen begrenzten Aufbau. Dauerhafte Produkt- und Betriebsverantwortung sollte jedoch intern verankert sein. Ein gutes Hybridmodell benennt deshalb von Beginn an interne Eigentümer:innen, Lernziele, Dokumentation und einen Übergabepunkt.
Braucht jedes Unternehmen einen AI Engineer?
Nein. Viele Unternehmen brauchen zunächst bessere Daten, stabile Schnittstellen, Plattformkompetenz, klare Prozesse und geschulte Anwender:innen. Ein AI Engineer passt, wenn KI-Funktionen produktionsnah in Anwendungen oder Prozesse integriert werden. Der tatsächliche Engpass kann ebenso bei Data Engineering, Software Engineering, Cloud, Security oder Produktmanagement liegen.
Welche KI-Kompetenzen müssen alle Mitarbeitenden haben?
Das hängt von Rolle, System und Risiko ab. Wer KI nutzt, sollte Funktionsweise und Grenzen auf einem angemessenen Niveau verstehen, Ergebnisse prüfen, sensible Daten korrekt behandeln und wissen, wann menschliche oder fachliche Kontrolle nötig ist. Ein einheitliches Zertifikat für alle ist nach der Erläuterung der Bundesnetzagentur nicht vorgeschrieben.
Wie formuliert man ein realistisches Anforderungsprofil für eine KI-Rolle?
Beginnen Sie mit Aufgabe, Reifegrad und Verantwortung: Was soll gebaut oder betrieben werden, welche Daten und Systeme existieren, wie wird Qualität gemessen und welche Entscheidungen gehören zur Rolle? Erst danach folgen Titel, Tools und Seniorität. So vermeiden Sie einen unrealistischen KI-Allrounder und erreichen Kandidat:innen mit passender Projekttiefe.
Passend dazu
Welche KI-Kompetenz fehlt Ihrem Team wirklich?
Wir übersetzen Ihren Use Case in ein belastbares Rollenbild und prüfen, welche Verantwortung intern wachsen kann. Wenn eine neue Schlüsselrolle nötig ist, richten wir die Suche auf die technische Aufgabe statt auf Trendtitel aus.
