KI verändert deutsche Berufe – pro Rolle kommen im Schnitt 225 Skills hinzu

In stark KI-exponierten deutschen Berufen kamen zwischen 2019 und 2025 im Durchschnitt rund 225 geforderte Kompetenzen je Beruf hinzu. Die Deutschland-Auswertung von PwC basiert auf Stellenanzeigen und erfasst damit veränderte Nachfrage am Arbeitsmarkt – nicht 225 Pflichtkurse für jede einzelne Person.

Für Beschäftigte und Personalverantwortliche folgt daraus ein konkreter Auftrag: Rollenprofile regelmäßig anhand realer Aufgaben aktualisieren, Anwender- und Entwicklerkompetenzen trennen und jedes Lernziel mit einer überprüfbaren Praxisleistung verbinden. Pauschale KI-Schulungen greifen zu kurz, weil sich Bedarf, Risiko und Verantwortung je Rolle unterscheiden.

Was die 225 neuen Skills tatsächlich bedeuten

Die Zahl ist ein Durchschnitt für Berufe mit hoher KI-Exponierung, keine einheitliche Kompetenzliste. Zudem beweist sie nicht, dass KI allein jede neue Anforderung verursacht hat. Stellenanzeigen zeigen, welche Fähigkeiten Arbeitgeber nennen; Begriffe können sich überschneiden, unterschiedlich anspruchsvoll sein oder nur einzelne Aufgaben einer Rolle betreffen.

Auch der Titelbegriff „pro Rolle“ ist deshalb als zugängliche Kurzform zu verstehen: Die ausgewiesene Messeinheit ist der Beruf. Für die Personalentwicklung wird die Kennzahl erst nützlich, wenn sie auf konkrete Aufgaben, Arbeitsmittel und Verantwortlichkeiten einer betrieblichen Rolle heruntergebrochen wird.

Die KI-Exponierung einer Tätigkeit erlaubt außerdem keine automatische Aussage über Stellenabbau oder Beschäftigungswachstum. Sie beschreibt zunächst, wie stark KI Tätigkeiten beeinflussen kann. Ein belastbares Rollenprofil betrachtet daher Arbeitsabläufe und erwartete Ergebnisse statt nur Berufsbezeichnungen.

Rollenprofile in vier Schritten aktualisieren

Ein Rollenprofil-Check beginnt bei der tatsächlichen Arbeit und endet bei beobachtbarer Leistung. Er sollte in einem festen Rhythmus sowie bei größeren Änderungen an Werkzeugen, Prozessen oder rechtlichen Vorgaben wiederholt werden.

1. Kernaufgaben erfassen: Für jede Rolle fünf bis acht wiederkehrende, ergebnisrelevante Aufgaben benennen. Festhalten, welche Eingaben verwendet werden, welches Ergebnis erwartet wird und wer es freigibt.
2. KI-Einfluss bestimmen: Je Aufgabe klären, ob KI vorbereitet, erzeugt, prüft oder gar nicht eingesetzt wird. Vertrauliche Daten, mögliche Fehlerfolgen und Nachweispflichten gehören in dieselbe Betrachtung.
3. Kompetenzlücken priorisieren: Nur Fähigkeiten aufnehmen, die für eine relevante Aufgabe benötigt werden. Dringlichkeit ergibt sich aus Nutzungshäufigkeit, Wirkung und Schadenspotenzial – nicht aus der Neuheit eines Werkzeugs.
4. Lernziel und Nachweis formulieren: Das Ziel als sichtbare Handlung beschreiben, etwa das Prüfen einer KI-Zusammenfassung anhand freigegebener Originaldokumente. Bewertet wird die Praxisleistung, nicht die Teilnahme am Kurs.

Das Ergebnis ist ein versioniertes Arbeitsdokument, das Aufgabe, erwartetes Können, Lernmaßnahme, Qualitätskriterium, Verantwortung und nächsten Prüftermin verbindet. So bleibt erkennbar, weshalb eine Kompetenz aufgenommen, geändert oder gestrichen wurde.

Anwender- und Entwicklerkompetenzen trennen

Für 2025 weist PwC in Deutschland 109.400 Anzeigen für KI-Anwenderrollen und 15.400 für Entwicklerrollen aus – ungefähr sieben zu eins. Das spricht gegen ein Weiterbildungsportfolio, das KI überwiegend als Programmier- oder Data-Science-Thema behandelt.

Anwenderkompetenzen betreffen die fachlich verantwortete Nutzung: Aufgaben strukturieren, geeigneten Kontext bereitstellen, Ausgaben gegen verlässliche Grundlagen prüfen, sensible Informationen korrekt behandeln, Unsicherheit dokumentieren und bei Bedarf eskalieren.

Entwicklerkompetenzen reichen in Daten- und Systemarchitektur, Modellauswahl, Evaluation, Sicherheit, Schnittstellen, Monitoring und Betrieb. Beide Gruppen brauchen eine gemeinsame Sprache für Qualitätsrisiken: Fachanwender müssen Fehlerbilder präzise beschreiben können, während Entwickler den Arbeitsprozess verstehen müssen, für den sie Kontrollen bauen.

Ein gemeinsamer Grundstock kann Datenschutz, Sicherheit und Verantwortlichkeiten abdecken. Danach sollten die Lernpfade auseinanderlaufen: aufgabenbezogene Anwendung für die breite Mehrheit, technische Entwicklung und Betrieb für spezialisierte Rollen sowie Governance für Personen mit Freigabe- und Kontrollpflichten.

Urteilskraft gehört in jede KI-Lernaufgabe

KI-Kompetenz besteht nicht nur darin, eine brauchbar wirkende Ausgabe zu erzeugen. Claudia de Witt beschreibt im Interview des Stifterverbandes souveräne Nutzung als fortlaufendes Ausprobieren, kritisches Urteilen, verantwortliches Handeln und Anpassen.

Jede technische Lernaufgabe braucht deshalb ein fachliches Gegenstück: Quellen prüfen, Unsicherheit benennen, Folgen abwägen, eine Entscheidung begründen oder Grenzen verständlich kommunizieren. Kommunikation ist dabei kein dekorativer Zusatz. Sie macht sichtbar, ob Annahmen offengelegt und Verantwortlichkeiten eindeutig zugeordnet wurden.

Eine passende Übung ist der Vergleich einer KI-Ausgabe mit verbindlichen Originalunterlagen. Bewertet werden fachliche Vollständigkeit, belegte Korrekturen, der Umgang mit Zweifelsfällen und eine begründete Freigabeentscheidung – nicht sprachlicher Glanz.

Weiterbildung nach Wirkung priorisieren

Die Reihenfolge der Lerninvestitionen sollte dem Risiko und der Reichweite einer Aufgabe folgen. Häufige Tätigkeiten mit großer Wirkung oder hohen Fehlerkosten haben Vorrang; ein neues Werkzeug rechtfertigt dagegen keinen eigenen Kurs, wenn lediglich dieselbe Kompetenz über eine andere Oberfläche ausgeübt wird.

• Sicher anwenden: zulässige Daten, geeignete Eingaben, grundlegende Ergebnisprüfung und Abbruchregeln.
• Fachlich bewerten: Qualitätsmaßstäbe anwenden, Fehler erkennen, Quellen und Annahmen prüfen sowie Entscheidungen dokumentieren.
• Prozesse gestalten: Aufgaben neu verteilen, Kontrollen definieren, Übergaben organisieren und messbare Qualitätsziele setzen.
• Technisch entwickeln oder steuern: Systeme evaluieren, integrieren und überwachen beziehungsweise verbindliche Governance etablieren.

Die Euronews-Einordnung des globalen PwC-Berichts hebt Urteilsvermögen, Kreativität und Führung als wichtiger werdende menschliche Fähigkeiten hervor. Diese globale Beobachtung ersetzt keine Deutschland-Messung, stützt aber die Kombination technischer und menschlicher Lernziele.

Für Österreich und die Schweiz lässt sich das Verfahren übertragen, nicht jedoch jede deutsche Arbeitsmarktkennzahl. Datenschutz, Mitbestimmung, Branchenregeln und formale Verantwortlichkeiten müssen für das jeweilige Land und Unternehmen geprüft werden.

Woran ein belastbares Lernziel erkennbar ist

Ein brauchbares Lernziel nennt Rolle, Situation, Handlung und Qualitätsmaßstab. „Kennt generative KI“ bleibt unprüfbar. „Erstellt aus freigegebenen Vertragsunterlagen eine Zusammenfassung, prüft jede Kernaussage am Original und markiert offene Punkte für die Rechtsabteilung“ lässt sich dagegen beobachten und bewerten.

Für den Nachweis genügen wenige aufgabenbezogene Kriterien: fachliche Fehler, unbelegte Aussagen, korrekt eskalierte Zweifelsfälle, Einhaltung der Datenregeln und nachvollziehbare Dokumentation. Bearbeitungszeit sollte erst bewertet werden, wenn eine Mindestqualität gesichert ist; andernfalls belohnt die Kennzahl lediglich schnellere Fehler.

Ein begrenzter Pilot mit einer Rolle und zwei oder drei wichtigen Aufgaben macht Lücken sichtbar, ohne sofort ein vollständiges Curriculum zu bauen. Danach werden Rollenprofil, Lernziel und Prüfkriterien anhand der beobachteten Leistung angepasst. So wird aus einem breiten Arbeitsmarktsignal eine steuerbare, rollenspezifische Personalentwicklung.

Lesen Sie auch:

• 9,36 Milliarden Euro für deutsche Start-ups – der Rekord hat eine Schieflage
• Gemini recherchiert für Banken – Deutsche Bank startet im Firmenkundengeschäft