Entscheidende KI-Skills 2026: Was für KMU wirklich zählt

Im Jahr 2025 nutzen 43% der Schweizer Bevölkerung mindestens einmal generative KI-Systeme, bei den 15- bis 24-Jährigen sind es sogar 79%. Diese Zahlen aus der aktuellen Erhebung des Bundesamts für Statistik (BfS) zeigen einen bemerkenswerten Wandel innerhalb von nur 3 Jahren.

Doch gleichzeitig nehmen auch problematische Online-Inhalte stark zu: Der Anteil der Personen, die in den drei Monaten vor der Befragung betrügerische Nachrichten (Phishing) erhalten haben, ist von 51% auf 61% angestiegen (4,4 Mio. Personen).

2025 gaben 58% der Bevölkerung an, auf Websites oder in den sozialen Medien Inhalte angetroffen zu haben, die sie für falsch oder fragwürdig hielten (2021: 45%; 2023: 51%). Dies bedeutet, dass auch bei routinemässigem Einsatz von KI die Nutzerin einen kritischen Ansatz braucht, um gegen solche möglichen vom MLA gespeicherten Falschinformationen gewappnet zu sein.

Grossbritannien investiert derzeit in die Initiative „AI Skills Boost“, um bis 2030 zehn Millionen Arbeitnehmer zu schulen. Die Kurse werden in Zusammenarbeit mit Hyperscalern wie Google, Microsoft und Amazon durchgeführt und sollen praktische Workplace-Skills vermitteln. Nach einem Training, das teilweise weniger als 20 Minuten dauert, erhalten Teilnehmer ein „virtuelles AI Foundations Badge“. Doch es bleibt unklar, welche Art von Training tatsächlich vermittelt wird: übertragbare KI-Skills und Fähigkeiten oder Abhängigkeit von bestimmten Anbietern?

Eine aktuelle Wharton-Accenture Studie (US-Daten, 220.000+ Stellenausschreibungen) zeigt ein fundamentales Problem:

• Arbeitnehmer signalisieren vor allem generische Fähigkeiten wie Kommunikation und Führung, genau die Skills im Überangebot.
• Arbeitgeber suchen hingegen technische Tiefe, wissenschaftliche Methoden und Execution-Skills, genau jene Fähigkeiten, die knapp sind.

Dieser Blogpost untersucht:

1. welche übertragbaren AI-Skills für KMU wirklich relevant sind,
2. warum Deep Expertise durch LLMs wertvoller wird und diese nicht ersetzt, sowie
3. wie sich das duale Ausbildungssystem in der Schweiz und in Deutschland im AI-Zeitalter bewährt, wobei eine abschliessende Bewertung schwierig ist.

Das Problem: AI-Training als Abhängigkeitsfalle

Grossbritanniens AI Skills Boost Initiative klingt zunächst ambitioniert: Zehn Millionen Arbeitnehmer bis 2030 schulen, kostenlose KI-Kurse für alle Erwachsenen, Partnerschaften mit NHS und lokalen Behörden. Die Regierung verspricht, dass breitere KI-Adoption bis zu £140 Milliarden zusätzliche Wirtschaftsleistung pro Jahr freisetzen könnte. Doch bei genauerer Betrachtung zeigen sich beunruhigende Warnsignale.

Das 20-Minuten-Problem

Die neu eingeführten „short courses“ ermöglichen es Teilnehmern, nach weniger als 20 Minuten Training ein staatlich unterstütztes „virtuelles AI Foundations Badge“ zu erhalten. Was soll ein 20-Minuten-Kurs vermitteln? Praktische Workplace-Skills wie Texte verfassen, Content generieren und administrative Aufgaben erledigen, alles mit KI-Tools. Das Problem: Diese Art von oberflächlichem Training fördert genau die Routine-Nutzung ohne kritischen Ansatz, die wir bereits aus der Schweizer BfS-Erhebung kennen.

Die Content-Strategin Sarah Winters kritisiert in ihrer LinkedIn-Analyse die Website selbst, die offenbar maschinell erstellt wurde und klare Design- und Usability-Probleme aufweist. Ihre zentrale Frage: Wenn die Website, der erste Kontaktpunkt für Lernende, maschinell generiert ist, wie viel Klarheit und Nutzbarkeit können Teilnehmer realistischerweise erwarten?

Vendor Lock-in statt übertragbaren Skills

Die Initiative wird in Zusammenarbeit mit den Hyperscalern Google, Microsoft und Amazon durchgeführt. Diese Konstellation wirft eine entscheidende Frage auf: Vermittelt das Training übertragbare Fähigkeiten oder bindet es Teilnehmer an spezifische Anbieter und deren Ökosysteme?

General-type AI Skills (übertragbare KI-Skills) sind solche, die es dem Mitarbeiter erlauben, sein Wissen wie AI Literacy, AI Fluency sowie AI Skills auch im neuen Arbeitsplatz zu nutzen. Es ist also nicht wichtig, ob ich ein bestimmtes KI- oder Textverarbeitungssystem beherrsche, sondern dass ich weiss, wie man ein solches effektiv nutzt, egal welches Modell diesem zugrunde liegt (z.B. Mistral vs. Claude oder ein Open-System mit K2).

Die Wharton-Accenture Skills Index (WAsX) Studie (US-Daten, 150M+ Bewerberprofile, 100M+ Stellenausschreibungen, 2.000 Skill-Cluster) dokumentiert das Kernproblem: Arbeitnehmer signalisieren Kommunikation, Leadership und Teamwork, Skills im erheblichen Oversupply. Arbeitgeber suchen hingegen technische Tiefe, wissenschaftliche Methoden und Execution-Skills, die knapp sind.

Bereits Gattiker und Larwood (1990) zeigten anhand von Daten zu Corporate Senkrechtstartern, dass Karriereerfolg mehr erfordert als erwartete Standard-Skills. Entscheidend ist die Kombination aus solidem Fachwissen und Fähigkeiten, die andere nicht besitzen, etwa spezifisches technisches Know-how.

Im Life Sciences Sektor wird dieser Gap besonders deutlich: Fachkräfte betonen breite Eigenschaften (Kommunikation, Leadership), während Arbeitgeber spezialisierte Fähigkeiten suchen (wissenschaftliche Methoden, Labortechniken, analytische Chemie). Die WAsX Daten zeigen zudem, dass Skills keinen universellen Wert haben, sondern rollenspezifisch sind. Bei Validation Leads korreliert „Strategic Analysis“ mit $10.000 niedrigerem Gehalt, bei Hospital Sales Representatives mit $8.000 höherem Gehalt. Der Kontext bestimmt den Wert.

Was bedeutet das für KMU?

Der Kontext ist entscheidend:

1. Ein deutscher Autozulieferer braucht keinen Chatbot, der auf Internet-Daten trainiert ist. Es braucht AI, die auf hochwertigen Engineering-Daten trainiert ist, um Produktion und Wartung zu optimieren.
2. Ein britisches Spital braucht klinisch validierte Diagnosesysteme. Universelle Modelle, die medizinische Fehlinformationen erzeugen können, sind fehl am Platz.
3. Eine schweizerische Bank braucht Effizienzsteigerungen innerhalb strenger Finanzvorschriften, keine generischen AI-Tools.

Deshalb ist die Frage bei Initiativen wie AI Skills Boost entscheidend: Helfen sie wirklich, diese kontextspezifischen Herausforderungen zu meistern? Oder vermitteln diese KI-Trainingsangebote vor allem grundlegendes Prompt-Engineering für einige wenige generative Modelle? Wäre dies der Fall, würden sie die Abhängigkeit von bestimmten Anbietern und deren Marktvorherrschaft unterstützen.

Schweiz 2025: KI-Nutzung ohne kritischen Ansatz?

Die aktuelle Erhebung zur Internetnutzung in Schweizer Haushalten des Bundesamts für Statistik zeigt, wie stark sich digitale Technologien im Alltag verankert haben. Im Jahr 2025 nutzen 43% der Bevölkerung mindestens einmal ein generatives KI-System. Gemäss einer Umfrage von Statistik Austria wird KI von über 50% der unter 24-Jährigen und Hochschulabsolventen genutzt. Tendenz steigend.

Unterschiede nach Altersgruppen und Bildungsniveaus

Die Zahlen nach Altersgruppen zeigen ein klares Muster: 79% der 15- bis 24-Jährigen setzen KI ein, 66% bei den 25- bis 34-Jährigen, 28% von 55- bis 64-Jährigen nutzen KI im Alltag.

Doch diese Zahlen sind irreführend. Jeder, der ein Smartphone nutzt, ist bereits ein KI-Nutzer, sei es bei der Internetsuche oder einem Chat-Assistenten. Auch über 65-Jährige nutzen zum Beispiel bei der Google-Suche die KI-generierten Zusammenfassungen. Dass nur 28% der 55- bis 64-Jährigen KI nutzen, sagt bei einem Smartphoneanteil von über 95% in dieser Altersgruppe weniger über ihre KI-Nutzung aus. Es deutet eher auf ein limitiertes Verständnis hin, was KI im täglichen Leben beinhaltet: limitierte AI Literacy und wenig AI Fluency.

Auf der anderen Seite haben auch jüngere Menschen kaum AI Literacy erreicht, geschweige denn AI Fluency. Klar ist nur, dass sie KI-Tools viel schneller als Schreibassistenz verwenden als ältere Personen.

Parallele Zunahme problematischer Online-Inhalte

Die BfS-Erhebung zu Sicherheitsproblemen zeigt ebenfalls einen starken Anstieg problematischer Online-Inhalte. Phishing, Desinformation und Hassrede haben seit 2023 klar zugenommen: 61% berichteten von betrügerischen Nachrichten, 58% von falschen oder fragwürdigen Informationen. Besonders junge Menschen und intensive Social-Media-Nutzende sind betroffen.

Die Herausforderung: Routine-Nutzung ist nicht gleich kritischer Ansatz

Die Zahlen zeigen ein Paradox: 43% nutzen generative KI in der Schweiz, mit ähnlichen Zahlen für Österreich (siehe Statistik Austria). Doch wie viele verstehen wirklich, wie diese Systeme funktionieren? Wie viele können die Qualität des Outputs kritisch bewerten? Wie viele erkennen Data Poisoning oder Desinformation?

Die hohe Nutzung bei gleichzeitig steigenden Sicherheitsproblemen deutet darauf hin, dass viele Menschen KI-Tools routinemässig verwenden, ohne einen kritischen Ansatz entwickelt zu haben. Hier zeigt sich der fundamentale Unterschied zwischen Nutzung und Kompetenz. Diese Unterscheidung wird im nächsten Abschnitt genauer beleuchtet: von Gary Beckers Theorie (1964) über General vs. Firm-Specific Skills bis hin zu den drei entscheidenden Human Capital Komponenten.

Human Capital: Von Becker bis heute

Gary Becker, Nobelpreisträger 1992, stellte eine Unterscheidung vor, die heute relevanter ist denn je: General Skills vs. Firm-Specific Skills. General Skills sind transferbar, sie funktionieren in jedem Unternehmen, jeder Branche. Firm-Specific Skills sind an einen Anbieter gebunden, sie haben ausserhalb des Unternehmens keinen Wert.

Diese Unterscheidung ist der Schlüssel zum Verständnis von KI-Weiterbildung heute. Wenn UK’s AI Skills Boost 20-Minuten-Kurse mit Google, Microsoft und Amazon durchführt, stellt sich eine klare Becker’sche Frage: Werden hier General Skills oder Firm-Specific Skills vermittelt? Prompt-Engineering für ChatGPT ist Firm-Specific. Kritisches Denken beim Bewerten von KI-Outputs ist General.

Adams (1987) definierte Skills als erlerntes Verhalten, das auf Zielachievement ausgerichtet ist. Ackerman (1987) unterschied zwischen zwei Wissenstypen: Procedural Knowledge (das praktische „wie man etwas tut“) wird durch Übung erworben. Declarative Knowledge (das konzeptionelle „wissen über etwas“) ermöglicht Analyse, Diskussion und kritische Einordnung (Gattiker, 1990). Ein 20-Minuten-Kurs kann vielleicht etwas Procedural Knowledge vermitteln, wie man einen Prompt formuliert. Aber Declarative Knowledge, das Verständnis, wie LLMs funktionieren, braucht deutlich mehr Zeit.

Pablo Peña vom IMF ergänzt mit drei Human Capital Komponenten, die durch KI wertvoller werden: Erstens Neugier, ohne Menschen, die neue Fragen stellen, erreicht KI ein „Peak Data“. Zweitens Kritisches Denken, Campbell’s Law warnt, je mehr ein Indikator für Entscheidungen verwendet wird, desto anfälliger wird er für Korruption, Data Poisoning bei LLMs ist ein konkretes Beispiel. Drittens Selbstregulierung, KI kann einen perfekten Plan erstellen, aber die Umsetzung liegt beim Menschen.

Übertragbare Skills: Was KMU brauchen

Becker’s Unterscheidung zwischen General und Firm-Specific Skills gibt uns einen klaren Rahmen. Aber was bedeutet das konkret für KMU? Die Anforderungen hängen vom Arbeitskontext ab, von der Komplexität der Aufgaben, ihrer Häufigkeit und den Fehlerkosten. Unsere Checkliste zur AI-Evaluation stellt 4 zentrale Fragen vor der KI-Einführung.

Niveau	Definition	Wer braucht es?
AI Literacy KI Verständnis	Tieferes Verständnis, um KI kritisch einzusetzen und Entscheidungen zu treffen. Kritische Einordnung von Vor- und Nachteilen. Erfordert Einführung in die Konzepte und Methodik wie Machine-Learning.	Alle
AI Fluency KI Kompetenzen	Konkrete Nutzung oder Entwicklung von KI Applikationen. Die Anwenderin weiss, wo bei Algorithmen Fehler auftauchen und wie diese identifiziert werden können (siehe Tabelle: Überprüfbarkeit vom Algorithmus – 5 Fehlerquellen). Technische und/oder praktische Anwendung wie Guardrailing, Programmierung, usw. Wird mit Hilfe von Workshops/Training vermittelt.	Die meisten
AI Skills KI Anwendung	Anwendung im Kontext wie z.B. als Marktforscher:in oder Recruiter. Praxis und Technik als Entwickler:in oder Data Scientist.	Spezialist:innen

KI-Kompetenzen im Überblick: Erklärt am Beispiel Auto

Wenn wir dabei sind zu lernen, wie wir ein Auto nutzen oder fahren können, dann bedeutet:

• AI Literacy – primär Wissen: Die Mitarbeiter wissen, was ein Auto (KI) ist, wozu man es braucht und welche Risiken es gibt wie z.B. Unfallgefahr (falsche Resultate, KI Hallucination) inkl. Ethik/Klima, etc.
• AI Fluency – Nutzung im Job Kontext: Mitarbeiter:innen können den Unterschied zwischen verschiedenen Auto- oder KI-Modellen erkennen, entscheiden, welches Modell (ChatGPT oder Mistral) hier gut passt und wie man es sicher fährt (oder nutzt im Falle von KI wie Qwen).
• AI Skills – Anwendung und Entwicklung: Sehr gute AI Skills oder Professional AI Skills auf hohem Niveau bedeuten mehr als Prompting oder Tools nutzen. Es geht darum, KI-Modelle anzupassen, zu optimieren und bei Bedarf sogar neu zu entwickeln. Wie bei einem Auto: nicht nur fahren, sondern auch reparieren, am besten so gut wie die Mechanikerin, die den Motor auseinander- und wieder zusammenbauen kann.

LLMs machen Deep Expertise wertvoller, nicht weniger

Viele denken: KI ersetzt Experten. Die Realität zeigt das Gegenteil. LLMs machen Deep Expertise wertvoller, aus 3 Gründen:

Wer trainiert das Modell? Eine Person mit Deep Skills. Ein Elektriker trainiert ein Elektrotechnik-Modell. Ein Chirurg trainiert ein Chirurgie-Modell. Ohne diese Expertise existiert kein qualitativ hochwertig trainiertes Modell.

Wer prüft, ob das Ergebnis korrekt ist? Wieder eine Person mit Deep Skills. Ein Generalist kann die Qualität eines Elektrotechnik-Modells nicht beurteilen. Die Wharton WAsX Studie bestätigt das empirisch: Steigende Nachfrage nach Fachwissen und Urteilsvermögen, genau die Skills, die schwer durch KI zu ersetzen sind.

Wer wendet KI im richtigen Kontext ein? Der Kontext bestimmt alles. Ein deutscher Autohersteller braucht keine Internet-Chatbot-KI, sondern ein Modell, trainiert auf Engineering-Daten. Ein britisches Spital braucht klinisch validierte Systeme. Diese Entscheidung braucht Deep Expertise, keine generische Kompetenz.

Duale Ausbildung: Schweiz und Deutschland auf dem richtigen Weg

Die Wharton-Studie kommt zu einem klaren Schluss: Bildungseinrichtungen müssen die Curricula von generalistischer Vorbereitung hin zu spezialisierten, joborientierten Fähigkeiten verschieben. Das duale Ausbildungssystem der Schweiz und Deutschlands leistet genau das, seit Jahrzehnten.

Die duale Ausbildung kombiniert praktische Erfahrung mit theoretischem Wissen. Sie vermittelt von Anfang an transferable skills, nicht vendor-spezifische Shortcuts. Ein Elektrotechniker-Lehrling lernt nicht nur „wie man dieses eine Tool benutzt“, sondern die Prinzipien der Elektrotechnik. Diese Prinzipien sind transferbar, von Betrieb zu Betrieb, von Tool zu Tool.

Genau hier liegt die Stärke: Duale Ausbildung baut Deep Expertise auf, fördert kritisches Denken durch praktische Problemlösung und gibt eine vom Werkzeug, Software oder KI-Modell unabhängige Kompetenzgrundlage. Diese 3 Punkte sind genau die, welche Wharton in den USA als diejenigen sieht, die in gewissen Geschäftsfeldern zu Mangel an qualifizierten Arbeitskräften führen (siehe auch IGBB Schweiz).

WEF Davos 2026: Warum KI-Skills jetzt entscheidend sind

Ein auffälliges Signal vom #WEFDavos2026 war, dass selbst CEOs von AI-Unternehmen offen über Risiken sprechen. Der CEO von Google DeepMind, Demis Hassabis, forderte „dringend notwendige“ internationale AI-Sicherheitsstandards und warnte davor, dass ein Arbeitsmarkt nach Artificial General Intelligence (AGI) völliges Neuland betreten würde. Er erklärte sogar, er würde eine temporäre Pause bei der Entwicklung fortgeschrittener AI-Systeme unterstützen, damit Regulierung und Gesellschaft Zeit zum Aufholen haben, vorausgesetzt, andere Länder und Unternehmen würden ebenfalls pausieren.

Auch Anthropic-CEO Dario Amodei räumte ein, dass fortgeschrittene AI mit hoher Wahrscheinlichkeit zu weitverbreiteter Arbeitslosigkeit und wachsender Ungleichheit führen wird.

Wie aktuell Hassabis‘ Äusserungen sind, wird deutlich, wenn man bedenkt, dass das US-Verteidigungsministerium im Januar 2026 eine Richtlinie veröffentlichte, in der ein neuer „AI-first“-Ansatz dargelegt wurde. Dieser Ansatz priorisiert eine schnelle Umsetzung gegenüber Präzedenzfällen in Bezug auf Sicherheit, Tests und Aufsicht. „We must accept that the risks of not moving fast enough outweigh the risks of imperfect alignment“ (Wir müssen akzeptieren, dass die Risiken einer zu langsamen Umsetzung die Risiken einer unvollständigen Angleichung überwiegen), heisst es auf S. 4.

Das vollständige WEF Davos 2026 Panel „The Day After AGI“ mit Demis Hassabis, Dario Amodei und Moderation von Zanny Minton Beddoes (Hassabis spricht über Risiken ab Min. 20).

Genau hier zeigt sich jedoch ein zentrales Problem: Viele Menschen, Entscheidungsträger und insbesondere KMU verfügen nicht über die notwendigen KI-Kompetenzen, um diese Risiken fundiert zu beurteilen. Ebenfalls ist es fast unmöglich, diese Dinge realistisch einzuordnen oder den Einsatz von AI verantwortungsvoll zu steuern. Ohne diese Skills bleiben Warnungen abstrakt und Handlungsoptionen unscharf.

Gleichzeitig wird deutlich, wie begrenzt der Handlungsspielraum selbst informierter Akteure ist. Als Amodei mit der naheliegenden Lösung, einer Verlangsamung, konfrontiert wurde, lehnte er diese ab. Anthropic könne nicht bremsen, argumentierte er, da Wettbewerber weiter beschleunigten und internationale Absprachen faktisch nicht durchsetzbar seien.

Das Ergebnis ist ein strukturelles Dilemma: Wachsende AI-Risiken treffen auf fehlende KI-Skills bei Anwendern und Institutionen, während der globale Technologiewettbewerb kaum Raum für kollektive Zurückhaltung lässt.

Fazit: Drei Kernaussagen

Dieser Blogpost hat drei zentrale Fragen untersucht. Hier die Antworten:

1. Welche übertragbaren AI-Skills sind für KMU wirklich relevant? General Skills nach Becker: kritisches Denken, Deep Expertise, Execution Skills und Tool-Unabhängigkeit. Nicht Prompt-Engineering für ein bestimmtes System, sondern Prinzipien, die von Modell zu Modell, von Anbieter zu Anbieter transferbar sind. Die Tabelle AI Literacy vs. AI Fluency vs. AI Skills zeigt die Abstufungen.
2. Warum wird Deep Expertise durch LLMs wertvoller? Weil LLMs Experten zum Training, zum Assessment und zur kontextspezifischen Anwendung brauchen. Ein Generalist kann kein Elektrotechnik-Modell trainieren oder bewerten. Die Wharton WAsX Studie bestätigt: Steigende Nachfrage nach Fachwissen und Urteilsvermögen. LLMs ersetzen Experten nicht, sie machen sie unverzichtbarer.
3. Wie bewährt sich das duale Ausbildungssystem im AI-Zeitalter? Die Schweiz und Deutschland haben einen strukturellen Vorteil: Duale Ausbildung baut von Anfang an General Skills auf, fördert Deep Expertise und vermittelt vom Werkzeug, Software oder KI-Modell unabhängige Prinzipien. Genau die Qualifikationen, welche die Wharton Accenture Studie auf dem US-amerikanischen Arbeitsmarkt als tendenziell underrepresentiert klassifiziert hat. Eine abschliessende Bewertung bleibt schwierig, da sich die AI-Landschaft rasant verändert, aber das Fundament ist solide.

Gutes AI-Training erkennen: Checkliste für KMU

Wie unterscheidet man Training, das wirklich hilft, von Training, das nur Abhängigkeit erzeugt? Diese Checkliste basiert auf Becker’s General vs. Firm-Specific Skills Theorie und den Erkenntnissen der Wharton WAsX Studie:

Grüne Flags: Gutes Training

✅ Fokus auf Prinzipien, nicht Tool-Shortcuts (General Skills nach Becker und Gattiker)

✅ Mehrere Anbieter und Modelle werden verglichen

✅ Kritisches Denken wird geschult, Output-Assessment trainiert

✅ Deep Expertise wird gefördert, domain-spezifisch, nicht generisch

✅ Praktische Übungen mit Reflexionsphasen (Pair Programming: 45 Minuten Arbeit, dann Pause, das Gehirn braucht Zeit zum Verarbeiten)

✅ AI Evaluation vor Einsatz: 4 Fragen zu Häufigkeit, Komplexität, Vernetzung und Fehlerkosten (siehe DrKPI AI-Evaluation)

Rote Flags: Warnsignale

❌ 20-Minuten-Badge als „Kompetenz“ (AI Literacy ist nicht gleich AI Skills!)

❌ Nur 1 Hyperscaler im Fokus, Vendor Lock-in!

❌ Keine kritische Diskussion über KI-Grenzen und Data Poisoning

❌ Tempo ohne Reflexion: Intervalltraining (z.B. 3 x 45 Min. in 1 Woche) ist effektiver als 1 x 135 Min. in 1 Woche (Gattiker & Paulson, 1987)

❌ Firm-Specific Skills ohne Transferability (Becker: Nutzt nur dem Anbieter)

❌ Keine AI Evaluation vor Einsatz, Komplexität und Fehlerkosten werden ignoriert

Häufig gestellte Fragen: Übertragbare KI-Skills

Was sind übertragbare AI-Skills?
General Skills (Allgemeine Fähigkeiten) nach Becker und Gattiker: Fähigkeiten, die von einem Job zum nächsten oder über einen Arbeitgeber hinaus transferbar sind. Nicht firmenspezifische Kompetenzen wie Prompt-Engineering für ein bestimmtes Tool, sondern Prinzipien wie kritisches Denken, Deep Expertise und vom Werkzeug, Software oder KI-Modell unabhängige Fähigkeiten.

Warum wird Deep Expertise durch LLMs wertvoller?
Weil LLMs Experten zum Training und zum Assessment brauchen. Ohne domain-spezifisches Fachwissen gibt es kein qualitativ hochwertig trainiertes Modell und keine zuverlässige Qualitätsprüfung. Die Wharton WAsX Studie bestätigt: Steigende Nachfrage nach Fachwissen und Urteilsvermögen.

Wie erkenne ich Vendor Lock-in bei AI-Training?
Rote Flags: Nur 1 Anbieter im Fokus, keine Tool-Vergleiche, firmenspezifische statt transferable Skills. Becker’s Theorie zeigt: Hyperscaler investieren gerne in Firm-Specific Training, weil es Nutzer an ihr Ökosystem bindet.

Was kann ein 20-Minuten-AI-Kurs leisten?
Höchstens ein Grundverständnis (AI Literacy). Adams (1987) definierte Skills als erlerntes Verhalten. Erlernen braucht Zeit, Wiederholung und Reflexion. Für AI Fluency oder AI Skills braucht es deutlich mehr als 20 Minuten.

Welche Skills brauchen KMU-Mitarbeiter wirklich?
Je nach Komplexität der Aufgabe unterschiedlich dosiert: Kritisches Denken, Deep Expertise, Execution Skills und vom Werkzeug, Software oder KI-Modell unabhängige Fähigkeiten. Unsere AI-Evaluation Checkliste hilft bei der Entscheidung.

Wie lange dauert sinnvolle AI-Weiterbildung?
Keine Sprints, kontinuierlich mit Reflexionsphasen. Pair Programming zeigt: 45 Minuten intensive Arbeit, dann Pause. Das Gehirn braucht Zeit zum Verarbeiten. Procedural Knowledge durch Übung, Declarative Knowledge durch konzeptionelles Verständnis (Ackerman, 1987).

Literatur & Quellen

Blogposts:

Gattiker, U. E. (2024). KI-Agenten: Checkliste für die AI-Evaluation. DrKPI Blog.

Gattiker, U. E. (2025). Wichtige KI-Kompetenzen einfach erklärt: AI Skills vs. AI Fluency. DrKPI Blog.

Gattiker, U. E. (2025). KI-Geschichte 2026: AI Agents – Von Vision zu Realität. DrKPI Blog.

Blog Comments:

Gattiker, U. E. (2025). Ausbildung und Weiterbildung in KI – Kommentardiskussion [Comment on blog post]. DrKPI Blog.

Wissenschaftliche Quellen:

Ackerman, P. L. (1987). Individual differences in skill learning: An integration of psychometric and information processing perspectives. Psychological Bulletin, 102(1), 3–27. DOI: https://doi.org/10.1037/0033-2909.102.1.3

Adams, J. A. (1987). Historical review and appraisal of research on the learning, retention, and transfer of human motor skills. Psychological Bulletin, 101(1), 41–74. DOI: https://doi.org/10.1037/0033-2909.101.1.41

Becker, G. S. (1964). Human Capital: A Theoretical and Empirical Analysis, with Special Reference to Education. Columbia University Press. Nobel Lecture: The Economic Way of Looking at Behavior

Gattiker, U. E. (1990). Individual differences and acquiring computer literacy: Are women more efficient than men? In U. E. Gattiker & L. Larwood (Eds.), End-User Training (S. 141–179). Berlin & New York: Walter de Gruyter. URL: ERIC Fulltext

Gattiker, U. E. & Larwood, L. (1990). Predictors for career achievement in the corporate hierarchy. Human Relations, 43(8), 703–726. DOI: https://doi.org/10.1177/001872679004300801

Gattiker, U. E. & Paulson, D. (1987). Computer-augmented work and worker strain: Implications for managers. Computers in Human Behavior, 3(3-4), 265–281. DOI: https://doi.org/10.1016/S0747-5632(87)80013-5

Studien & Berichte:

Accenture & Wharton School (2026-01). Wharton Accenture Skills Index (WAsX): The Great Skills Mismatch. Wharton School, University of Pennsylvania. Aufgerufen am 2026-02-03.

Bundesamt für Statistik (BfS) (2025). Internetnutzung in Schweizer Haushalten. Aufgerufen am 2026-02-03.

Bundesamt für Statistik (BfS) (2025). In der KI-begeisterten Schweiz nimmt Desinformation zu. Aufgerufen am 2026-02-03.

Duke University (kein Datum). Prompt Responsibly: Why Prompting Responsibly Matters. Aufgerufen am 2026-02-02.

Peña, P. (2025-12). Human capital in the age of AI. Finance & Development. International Monetary Fund (IMF). URL: IMF Finance & Development

UK Government (2026). AI Skills Boost Explainer. Aufgerufen am 2026-02-03.

University of California, Irvine (UCI) (2019). Pair Programming: Is it Effective for Learning? Aufgerufen am 2026-02-03.

Winters, S. (2026-01). AI Skills Boost – LinkedIn-Analyse [LinkedIn Post]. LinkedIn. Aufgerufen am 2026-02-03.

📜 DrKPI CyTRAP AI-Verantwortlichkeitserklärung: Beitrag mit KI-Unterstützung angepasst; Inhalte wurden geprüft und verantwortet.

Hashtags: #AIskillsBoost #KIWeiterbildung #AIskills #DrKPI

x