AI Capability Framework für HR: 4 Reifegrade und 7 Fähigkeitsbereiche

Ein klares AI Capability Framework für HR gibt Führungskräften und Mitarbeitenden ein gemeinsames Bild davon, was „guter“ KI‑Einsatz in HR bedeutet – je Reifegrad, je Bereich. So werden Erwartungen transparent, Beförderungen vergleichbarer und Entwicklungsgespräche konkreter statt vager „AI-savvy“-Labels. Mit einem konsistent genutzten ai capability framework for hr wird aus einzelnen Piloten ein gesteuerter, fairer HR‑Transformationspfad.

Kompetenzbereich	Level 1 – Ad-hoc	Level 2 – Emerging	Level 3 – Integriert	Level 4 – Optimiert
Strategie & Governance	Nutzt vereinzelte KI‑Tools ohne klaren Plan. Reagiert auf Vendor‑Pitches, dokumentiert Entscheidungen kaum.	Definiert 2–3 KI‑Prioritäten in HR. Startet Piloten mit groben Zielen und benennt Sponsor:innen sowie Owner.	Verknüpft KI‑Portfolio mit HR‑ und Business‑OKRs. Steuert Use Cases über cross‑funktionales Gremium (HR, IT, Legal, Betriebsrat).	Verankert KI in jeder HR‑Strategierunde. Nutzt Standards für Business Case, Risiko‑Check, ROI‑Tracking und beendet Low‑Value‑Tools aktiv.
Daten, Datenschutz & Ethik	Lädt HR‑Daten toolweise hoch. Prüft DSGVO/AVV spät und punktuell. Kein systematischer Blick auf Bias.	Hält Datenquellen, Auftragsverarbeiter und AVVs schriftlich fest. Nutzt einfache Anonymisierung und Rollenrechte, blockt offensichtliche Hochrisiko‑Use‑Cases.	Führt strukturierte DPIA‑ähnliche Prüfungen durch, bindet Betriebsrat früh ein. Testet KI‑Modelle auf Verzerrungen und hält Audit‑Trails vor.	Betreibt standardisierte Datenpipelines. Setzt auf erklärbare KI, EU‑Datenhaltung, regelmäßige Audits und gelebte Mitarbeitendenrechte.
KI in Recruiting	Nutzt gelegentlich GenAI für Anzeigen oder CV‑Checks. Ergebnisse werden weder gemessen noch standardisiert.	Testet ATS‑, Referral‑ oder Sourcing‑Tools mit KI‑Funktionen. Vergleicht Time‑to‑Hire und Qualität mit manuellen Prozessen.	Setzt durchgängige KI‑Workflows für Anzeigen, Sourcing, Screening und Scheduling ein und überwacht Funnel‑KPIs inkl. Diversity‑Signalen.	Steuert Recruiting datenbasiert End‑to‑End. KI optimiert Kanal‑Mix und Referrals, markiert unfaire Muster – Entscheidungen treffen Menschen.
KI in Performance & Feedback	Bewertungen laufen in Word/Excel. Wenige Dashboards, keine KI‑Unterstützung. Feedback‑Qualität schwankt stark je Team.	Erprobt KI‑Zusammenfassungen von Zielen, 360°‑Feedback und Befragungs‑Freitext. Managers testen KI‑Formulierungen, behalten aber das letzte Wort.	Nutzt KI zur Kalibrierung, um Ausreißer und Bias‑Risiken zu erkennen. Tools schlagen individuelle Check‑in‑Themen und Wachstumsschwerpunkte vor.	Aggregiert kontinuierliche Leistungsdaten. KI prognostiziert Review‑Risiken, empfiehlt Coaching‑Themen und liefert strukturierte Insights für Talent‑Reviews unter strenger DSGVO/Betriebsrats‑Governance.
KI in Skills & Learning	Bietet generische Katalog‑Trainings. Skills‑Lücken werden subjektiv in Workshops geschätzt.	Markiert Kernskills und clustert Rollen mit KI‑Unterstützung. Lernportale empfehlen erste Inhalte nach Skills und Interessen.	Nutzen Skill‑Profile und Gap‑Analysen zur Steuerung von Lernpfaden und interner Mobilität. KI schlägt pro Person Micro‑Learning, Mentor:innen und Stretch‑Projekte vor.	Verknüpft Skills‑Daten mit Workforce‑Planung. KI prognostiziert kritische Lücken 12–24 Monate im Voraus und steuert Upskilling, Hiring und interne Wechsel mit klaren Zielwerten.
Change & Enablement	Einzelne Enthusiast:innen treiben KI‑Piloten. Die meisten sind unsicher, was erlaubt ist. Betriebsrat ist spät oder gar nicht dabei.	Startet Basis‑Trainings zu KI. Kommuniziert einfache Dos & Don’ts und Prompt‑Beispiele. Jede Einheit benennt eine:n KI‑Champion.	Verankert rollenbasierte KI‑Trainings für HR, Führungskräfte und Mitarbeitende in Onboarding und Development‑Pfaden. Feedback fließt systematisch in Leitlinien ein.	Lebt eine „AI‑literate“ Kultur. Mitarbeitende erwarten verantwortliche KI‑Unterstützung. HR betreibt eine interne Community of Practice und regelmäßige AI‑Labs.
Tooling & Vendor Management	KI‑Funktionen kommen über Schatten‑IT oder Einzel‑Lizenzen. Einkauf und IT werden spät eingebunden.	Prüft Vendoren auf grundlegende KI‑Features und DSGVO‑Konformität. Testet 1–2 integrierte Tools (z. B. Survey‑, Referral‑ oder Lernsysteme).	Setzt standardisierte RFP‑Kriterien zu KI‑Fähigkeiten, AVV, Datenresidenz und Transparenz. Verbindet Tools per API mit dem HR‑Kernsystem.	Steuert ein strategisches Vendor‑Portfolio und – wo sinnvoll – interne Modelle oder Assistants. Verträge verknüpfen Gebühren mit Nutzung, Qualität und Compliance.

Wichtigste Erkenntnisse

Nutzt das Framework als gemeinsame Sprache für KI‑Erwartungen in HR.
Verknüpft Reifegrade mit Rollen, Beförderung und Vergütungsbändern.
Priorisiert Piloten nach Domain‑Score statt nach zufälligen Tools.
Diskutiert echte Fälle in Kalibrierungen, um Bias sichtbar zu machen.
Hinterlegt Lernpfade für HR und Mitarbeitende entlang derselben Domains.

Was dieses AI Capability Framework für HR leistet

Dieses Skill‑Framework beschreibt vier Reifegrade über sieben KI‑Domänen in HR. Es macht sichtbar, welche Ergebnisse und Verhaltensanker pro Level erwartet werden – von ersten Piloten bis zu skalierter, gesteuerter KI‑Nutzung. HR nutzt es für Karrierepfade, Performance‑Gespräche, Entwicklung, Peer‑Reviews und Talentrunden, damit Entscheidungen auf beobachtbaren Outcomes statt Buzzwords basieren.

Skill-Level & Verantwortungsbereich

Jeder Reifegrad im ai capability framework for hr steht für mehr Scope, Autonomie und Impact. Eine Person kann z. B. Level 3 in „KI in Recruiting“ sein, aber nur Level 1 in „KI in Skills & Learning“ – das hält Entwicklung fokussiert.

Level 1 – Ad-hoc

Du nutzt freigegebene KI‑Tools nach bestehenden Richtlinien und Templates. Du setzt sie für einfache Aufgaben ein (z. B. Entwürfe für Stellenanzeigen), brauchst aber Anleitung und trägst nicht die Gesamtverantwortung für Ergebnisse. Wenn dir offensichtliche Datenschutz- oder Fairness‑Risiken auffallen, sprichst du sie an.

Level 2 – Emerging

Du führst kleine KI‑Piloten in deinem Verantwortungsbereich durch – mit klarem Briefing und Zielbild. Du passt Prompts und Workflows an, vergleichst KI‑Ergebnisse mit manuellen Varianten und dokumentierst Learnings sowie Risiken. Du beeinflusst Team‑Prozesse, Budgets und Governance liegen aber noch bei Senior‑Rollen.

Level 3 – Integriert

Du gestaltest und verantwortest mindestens einen Ende‑zu‑Ende‑HR‑Prozess mit KI‑Unterstützung, z. B. Recruiting‑Funnel oder Performance‑Review‑Zyklus. Du arbeitest mit IT, Legal und Betriebsrat an DPIAs, AVVs und Change‑Plänen, trackst KPIs (Time‑to‑Hire, Review‑Durchlaufzeit, Lern‑Adoption) und optimierst Setups iterativ.

Level 4 – Optimiert

Du prägst die KI‑Strategie von HR bereichsübergreifend und oft standortübergreifend. Du balancierst ROI, Mitarbeitendenerlebnis und Compliance, beendest Low‑Value‑Tools und sponsorst neue, passende Use Cases. Du coachst andere, beeinflusst Vendor‑Auswahl und interne KI‑Plattformen und stellst sicher, dass KI‑Kompetenzen in Karrierearchitekturen verankert sind.

Laut einer OECD‑Analyse erzielen Organisationen mit klaren Verantwortlichkeiten und menschlicher Letztentscheidung bessere Qualität und höheres Vertrauen als vollautomatisierte Systeme – ein zentrales Argument für klar definierte Level und Scopes.

Kompetenzbereiche im AI Capability Framework für HR

Das Framework umfasst sieben Domänen, die für die KI‑Reise von HR entscheidend sind. Jede Person und jedes Team kann je Bereich einen eigenen Reifegrad haben.

1. Strategie & Governance

Ziel: KI‑Initiativen mit HR‑ und Geschäftsstrategie ausrichten und Risiken beherrschbar halten. Typische Ergebnisse: dokumentierte KI‑Roadmap für HR, Entscheidungsregeln für neue Use Cases, verständliche Policy für Führungskräfte und Mitarbeitende.

2. Daten, Datenschutz & Ethik

Ziel: HR‑Daten DSGVO‑konform, transparent und bias‑sensibel nutzen. Ergebnisse: gepflegte Dateninventare, AVVs mit Vendoren, erklärbare KI‑gestützte Entscheidungen sowie regelmäßige gemeinsame Reviews mit Legal, IT und Betriebsrat.

3. KI in Recruiting

Ziel: Time‑to‑Hire senken und Qualität sowie Fairness im Recruiting steigern. Ergebnisse: KI‑unterstützte Anzeigen und Sourcing‑Strategien, strukturierte Screening‑ und Interview‑Zusammenfassungen, Dashboards zu Funnel‑Qualität nach Jobboards, Referrals und anderen Kanälen.

4. KI in Performance & Feedback

Ziel: Performance‑Management kontinuierlicher, datenreicher und fairer gestalten. Ergebnisse: automatisierte Zusammenfassungen von Zielen und 360°‑Feedback, Bias‑Checks in Kalibrierungen, besser vorbereitete 1:1s mit KI‑gestützten Agenden, z. B. durch Atlas‑ähnliche Assistants in Tools wie Sprad Growth oder vergleichbaren Plattformen.

5. KI in Skills & Learning

Ziel: Eine skills‑zentrierte Organisation mit dynamischen Lernpfaden aufbauen. Ergebnisse: laufend gepflegte Skill‑Profile, KI‑gestützte Gap‑Analysen und Lernempfehlungen, die mit euren Initiativen rund um Skill‑Management und interne Talentmarktplätze verzahnt sind.

6. Change & Enablement

Ziel: Menschen befähigen, KI in ihrem Alltag zu verstehen, ihr zu vertrauen und sie produktiv zu nutzen. Ergebnisse: rollenbasierte KI‑Trainings, klare Kommunikation zu erlaubten Tools und Daten, sichtbare KI‑Champions in jeder Einheit als erste Anlaufstelle.

7. Tooling & Vendor Management

Ziel: KI‑fähige HR‑Tools auswählen, integrieren und überwachen – im Einklang mit Strategie, Budget und Compliance. Ergebnisse: standardisierte Vendor‑Bewertung, saubere Integrationen mit HRIS/LMS/Performance‑Systemen, transparente Verträge mit EU‑Datenhaltung und Auditierbarkeit.

Typische Use Cases pro HR-Domäne

Auf Level 3–4 wird das ai capability framework for hr im Alltag sichtbar. Hier Beispiele plus notwendige Voraussetzungen.

Strategie & Governance – Use Cases

KI‑HR‑Roadmap: Jahresplan, der Recruiting‑, Performance‑ und Learning‑Use‑Cases an Business‑OKRs koppelt. Voraussetzungen: HR‑Strategie, Sponsor:in, grobe Budgetplanung.
KI‑Portfolio‑Dashboard: Übersicht über Piloten, Owner, Status, ROI, Risiken. Voraussetzungen: einfaches Projekt‑Tracking und definierte KPIs.
KI‑Policy & Playbook: Regeln für GenAI, Datennutzung, Freigaben und Eskalationspfade. Voraussetzungen: Alignment mit Legal und Betriebsrat.

Daten, Datenschutz & Ethik – Use Cases

HR‑Dateninventar: Übersicht über Systeme, Verarbeiter, Rechtsgrundlagen. Voraussetzungen: HRIS‑Überblick, Kontakt zur/m DSB.
Bias‑Checks: Regelmäßige Tests von Scoring‑Modellen in Recruiting oder Reviews. Voraussetzungen: strukturierte Ratings, exportierbare Daten.
KI‑Transparenz‑Steckbriefe: verständliche Beschreibung jedes Algorithmus, der Beschäftigte betrifft. Voraussetzungen: Vendor‑Dokus, klarer interner Owner.

KI in Recruiting – Use Cases

Inklusive KI‑Jobanzeigen: Prompts zur Reduktion gender‑kodierter Sprache. Voraussetzungen: Templates, Review‑Checkliste.
KI‑Screening‑Summaries: Shortlists mit strukturierten Pro/Con‑Argumenten, immer im Vier‑Augen‑Prinzip geprüft. Voraussetzungen: ATS‑Integration, Bewertungsraster.
Referral‑Optimierung: KI schlägt Mitarbeitende für Referrals anhand Netzwerk‑Fit vor. Voraussetzungen: aktives Referral‑Tool, informierte Einwilligungen.

KI in Performance & Feedback – Use Cases

360°‑Kommentar‑Clustering: KI bündelt Freitext in Stärken, Risiken, Themenfelder. Voraussetzungen: strukturierter 360°‑Prozess, Einwilligung.
Kalibrierungs‑Support: KI markiert Rating‑Ausreißer und Muster vor Meetings. Voraussetzungen: gemeinsame Skalen, Zugriff auf People Analytics.
KI‑gestützte 1:1‑Agenden: Atlas‑ähnliche Assistants schlagen Themen aus Zielen, Feedback und Notizen vor.

KI in Skills & Learning – Use Cases

Skill‑Extraction: KI liest Skills aus CVs, Projekten, Lernhistorie. Voraussetzungen: Grund‑Taxonomie, HRIS/LMS‑Daten.
Skill‑Gap‑Analyse für Rollenfamilien: Vergleich Soll/Ist nach Skills und Level. Voraussetzungen: Rollenprofile, Mindest‑Proficiency.
Personalisierte Lernpfade: Empfehlungen verknüpft mit Talent‑Management‑ und Karriere‑Frameworks.

Change & Enablement – Use Cases

Rollenbasierte KI‑Academies: Pfade für HR, Führungskräfte, Mitarbeitende – ausgerichtet am AI Capability Framework für HR. Voraussetzungen: definierte Skill‑Level, Learning‑Owner.
Quartalsweise AI‑Labs: Teams bringen echte Prompts und verbessern sie gemeinsam. Voraussetzungen: sichere Sandbox‑Tools, klare Leitplanken.
Netzwerk von KI‑Champions: definierte Rolle, Zeitbudget, Austauschformate. Voraussetzungen: Sponsor‑Commitment.

Tooling & Vendor Management – Use Cases

Standard‑RFP‑Checkliste: Fragen zu DPIA, AVV, Datenresidenz, Erklärbarkeit. Voraussetzungen: definierter Beschaffungsprozess, Input der/des DSB.
Vendor‑Scorecards: Vergleich von Usability, Impact, Compliance. Voraussetzungen: abgestimmte Bewertungskriterien.
Leichtgewichtiges „AI‑Hub“: interne Startseite mit freigegebenen Tools, Policies, Best‑Practice‑Prompts. Voraussetzungen: Identitätsmanagement, Intranet oder Talent‑Plattform.

Bewertungsskala & Nachweise

Nutzt eine 1–4‑Skala über alle Domänen des ai capability framework for hr. Haltet Definitionen knapp – und hängt Beispiele und Evidenz an.

Rating	Definition
1 – Ad-hoc	Nutzt freigegebene KI‑Tools nur mit Anleitung. Versteht Risiken und Wirkung begrenzt.
2 – Emerging	Setzt KI sicher in eigenen Aufgaben ein. Führt kleine Piloten mit Support durch und dokumentiert Ergebnisse.
3 – Integriert	Designs KI‑gestützte Workflows, balanciert Nutzen und Risiko und beeinflusst andere Teams.
4 – Optimiert	Gestaltet KI‑Strategie über Domänen hinweg, misst ROI und treibt Kultur- und Kompetenzaufbau.

„Evidence beats opinion“ – Ratings sollten an Artefakte geknüpft sein: Projekte, Kennzahlen, Feedback und Governance‑Dokus. Eine integrierte Talent‑Management‑Software wie Sprad Growth oder vergleichbare Systeme helfen, diese Evidenz über Zyklen hinweg sichtbar zu halten und mit Performance‑, Skill‑ und Karrierepfaden zu verknüpfen.

Projekte: Pilotberichte, Rollout‑Pläne, DPIAs, Präsentationen für Betriebsrat oder Vorstand.
KPIs: reduzierte Time‑to‑Hire, schnellere Review‑Zyklen, höhere Survey‑Completion oder Lern‑Uptake.
Feedback: Peer‑ und Manager‑Kommentare, 360°‑Insights, Stakeholder‑Stimmen.
Governance: AVVs, Risiko‑Assessments, Entscheidungslogs, Audit‑Findings.

Fall A vs. Fall B: Zwei HRBPs führen einen KI‑gestützten Performance‑Review ein. Anna (Level 2) nutzt das vorhandene Tool, folgt der Checkliste und zeigt, dass Führungskräfte 20 % Zeit sparen. Ben (Level 4) hat Bewertungsraster mitdesignt, mit dem Betriebsrat abgestimmt, Bias‑Analysen gefahren und die Ergebnisse sauber mit Beförderungsentscheidungen verknüpft. Beide liefern Erfolg – Bens Scope und Systemwirkung rechtfertigen jedoch ein höheres Level.

Entwicklungssignale & Warnzeichen

Nutzt das Framework als Frühwarnsystem dafür, wer bereit für mehr Verantwortung ist – und wo Risiko entsteht.

Positive Wachstumssignale

Liefert über mehrere Zyklen starke Ergebnisse in einer Domäne, nicht nur einen „Glücks‑Pilot“.
Identifiziert proaktiv neue, wertvolle KI‑Use‑Cases und argumentiert sie in Business‑Sprache.
Unterstützt Kolleg:innen bei Prompts, Tool‑Auswahl und ethischen Fragen – ohne expliziten Auftrag.
Bindet Legal/Betriebsrat und IT früh ein, statt riskante Abkürzungen zu wählen.

Warnzeichen

Lädt sensible Daten in öffentliche Tools, obwohl es klare Leitlinien gibt.
Vertraut KI‑Outputs übermäßig, überspringt menschliche Reviews oder verschleiert Limitierungen.
Arbeitet im Silomodus, blockiert geteilte Templates oder verweigert Dokumentation.
Spricht über KI nur in Buzzwords und kann keine belastbaren Outcomes oder Learnings zeigen.

Im Performance‑ oder Beförderungsgespräch sollten diese Signale immer wieder auf die Level zurückbezogen werden: „Ready for next step“ heißt praktisch, dass jemand den Großteil der Zeit schon im höheren Level‑Verhalten agiert – mit passender Evidenz.

Team-Check-ins & Bewertungsrunden

Kalibrierung macht das ai capability framework for hr im Alltag belastbar. Ohne geteilte Beispiele driften Bewertungen auseinander und alte Bias‑Muster kehren zurück.

Quartals‑Kalibrierung: HR und Linienführung bringen 2–3 anonymisierte Fälle pro Domäne ein und vergleichen Ratings.
Bias‑Checks: Leitfrage: „Würde ich diese Person gleich bewerten, wenn sie in einem anderen Land/Team wäre?“
Entscheidungslog: knappe Doku zu Grenzfällen und Interpretations‑Entscheidungen in einem geteilten Dokument.
Talent‑Reviews: KI‑Reife als eine Dimension in 9‑Box‑oder Nachfolge‑Sessions, nicht die einzige.

Ihr könnt bestehende Rhythmen für Performance‑oder Talent‑Kalibrierung wiederverwenden, etwa entlang eurem Performance‑Management‑Playbook. Ergänzt einfach KI‑Domänen und Evidenz‑Felder in euren Templates – das minimiert Zusatzaufwand und sorgt schnell für Konsistenz.

Bewertung & Roadmap: Vom Status-Quo zum nächsten Level

1. Self‑Assessment‑Checkliste

Startet mit einem einfachen Team‑Self‑Assessment (1–4) pro Domäne. Nutzt Ja/Nein‑Fragen, z. B.:

Haben wir eine schriftliche KI‑Policy, die Führungskräfte kennen und anwenden?
Gibt es klar benannte Owner für KI in Recruiting / Performance / Learning?
Können wir alle Tools auflisten, die HR‑Daten nutzen, inkl. AVVs und DPIAs?
Führen wir mindestens eine KI‑bezogene Kalibrierung oder Review‑Runde pro Jahr durch?

2. Vier-Schritte-Roadmap, um einen Level aufzusteigen

Fokus: Wählt 1–2 Domänen (z. B. Recruiting und Daten), mit größter Lücke zwischen Ist‑ und Soll‑Level.
Piloten: Plant 2–3 kleine, messbare Experimente. Nutzt eure internen Programme zu KI‑Training für HR‑Teams und Mitarbeitende, um User vorzubereiten.
Governance: Standardisiert Templates für Risiko‑Check, Einwilligungen, AVVs und Betriebsrats‑Einbindung und wiederverwendet sie über Piloten hinweg.
Skalierung: Nach einem Review‑Zyklus: überführt funktionierende Ansätze in Prozesse, Rollenprofile und Beförderungskriterien.

3. DACH-spezifische Governance-Hinweise

Für DACH‑Organisationen sind Mitbestimmung, Datenschutz und Datenresidenz nicht verhandelbar. Bindet den Betriebsrat früh ein – nicht erst kurz vor dem Go‑Live. Klärt Rechtsgrundlagen (z. B. Einwilligung vs. berechtigtes Interesse), haltet KI‑bezogene Daten möglichst in EU‑Rechenzentren und legt Aufbewahrungsfristen fest. HR sollte eng mit der/dem Datenschutzbeauftragten arbeiten, um Framework, Prozesse und Systeme mit internen Richtlinien und den Anforderungen der kommenden EU‑AI‑Act‑Regulierung zu verzahnen.

4. Laufende Pflege

Bestellt eine:n Owner (z. B. Head of HR Strategy oder People Analytics).
Überprüft das Framework jährlich in einer cross‑funktionalen Runde (HR, IT, Legal, Betriebsrat, Business).
Aktualisiert Beispiele, Interviewfragen und Use‑Cases mit Blick auf neue Tools und Gesetzgebung.
Führt ein schlankes Change‑Log, damit Linienführung versteht, wie sich Erwartungen verändern.

Verknüpft das Framework direkt mit euren Skill‑ und Karrierearchitekturen, etwa euren Initiativen zu Skill‑Management und Talent‑Management. So erleben Mitarbeitende KI‑Skills als integrierten Teil ihres Karrierewegs.

Interviewfragen nach Kompetenzbereich

Nutzt verhaltensorientierte Fragen, sodass Kandidat:innen konkrete Beispiele liefern, die ihr auf das Framework mappen könnt.

Strategie & Governance

Erzählen Sie von einem KI‑oder HR‑Tech‑Projekt, das Sie klar mit Business‑Zielen verknüpft haben. Was hat sich verändert?
Beschreiben Sie eine Situation, in der Sie „Nein“ zu einer KI‑Idee sagen mussten. Wie haben Sie das Risiko erklärt?
Wie würden Sie KI‑Use‑Cases priorisieren, wenn Budget nur einen Piloten zulässt?
Nennen Sie ein Beispiel, wie Sie skeptische Führungskräfte oder den Betriebsrat für ein KI‑Thema gewonnen haben.

Daten, Datenschutz & Ethik

Beschreiben Sie eine Situation, in der Sie Beschäftigtendaten für Analysen genutzt haben. Wie haben Sie Privatsphäre geschützt?
Erzählen Sie von einem Fall, in dem Sie Bias in HR‑Daten oder einem Tool erkannt haben. Was haben Sie unternommen?
Wie würden Sie DSGVO‑ und AVV‑Themen rund um KI einer nicht‑technischen Führungskraft erklären?
Nennen Sie ein Beispiel, bei dem Sie sich bewusst gegen Datennutzung oder KI aus ethischen Gründen entschieden haben.

KI in Recruiting

Schildern Sie einen Fall, in dem Sie Hiring‑Speed oder Qualität mit KI oder Analytics verbessert haben.
Wie würden Sie ein KI‑Screening‑Tool auf Fairness und Genauigkeit testen?
Erzählen Sie von einer Situation, in der Sie Ihre Sourcing‑Strategie anhand von Funnel‑Daten geändert haben.
Wie würden Sie Referrals, Jobbörsen und KI‑Sourcing für eine schwer zu besetzende Rolle kombinieren?

KI in Performance & Feedback

Beschreiben Sie, wie Sie einen Performance‑Review‑Prozess mit Tools oder Automatisierung verbessert haben.
Erzählen Sie von einem Fall mit stark unterschiedlichen Ratings zwischen Teams. Welche Daten haben Sie genutzt?
Wie würden Sie KI nutzen, um – ohne Menschen zu ersetzen – Manager‑Feedback zu unterstützen?
Nennen Sie ein Beispiel, wie Sie Widerstand gegen einen neuen Review‑ oder 360°‑Prozess adressiert haben.

KI in Skills & Learning

Beschreiben Sie, wie Sie eine Skills‑Lücke identifiziert und geschlossen haben.
Erzählen Sie von einem Einsatz von Technologie oder KI, um Lernen oder Entwicklungspläne zu personalisieren.
Wie würden Sie ein Skills‑Framework mit Beförderungen und interner Mobilität verknüpfen?
Geben Sie ein Beispiel, wie Sie eine Skills‑Taxonomie oder Rollenprofile aufgebaut oder überarbeitet haben.

Change & Enablement

Erzählen Sie von einer Veränderung, die Sie begleitet haben, bei der Menschen Jobverlust durch Technologie befürchteten.
Wie haben Sie Führungskräfte auf ein neues HR‑ oder KI‑Tool geschult?
Wie würden Sie den Betriebsrat in einen KI‑Rollout einbinden, der Performance‑Reviews betrifft?
Nennen Sie ein Beispiel, wie Sie Feedback zu einer Veränderung gesammelt und Ihre Vorgehensweise angepasst haben.

Tooling & Vendor Management

Beschreiben Sie eine Software‑Auswahl, die Sie verantwortet haben. Wie haben Sie Usability, Impact und Compliance gewichtet?
Erzählen Sie von einer schwierigen Vendor‑Diskussion und Ihrem Vorgehen.
Wie würden Sie KI‑Feature‑Claims eines Vendors in einer Demo kritisch prüfen?
Nennen Sie ein Beispiel, wie Sie ein neues Tool in bestehende HR‑Prozesse integriert haben, ohne Chaos zu erzeugen.

Einführung & laufende Pflege

Rollout funktioniert am besten in kleinen, transparenten Schritten. Behandelt das ai capability framework for hr als lebenden Standard, nicht als Einmal‑Projekt.

Kick-off & Pilot

Startet mit einem klaren Pilotbereich – z. B. Talent Acquisition oder Performance‑Management. Führt ein Kick‑off mit HR‑Leads und Betriebsrat durch, in dem Zielbild, Level und Domains konkret besprochen werden. Nutzt Beispielprofile („Person X in Recruiting ist heute Level 2 in drei Domains“) und simuliert eine kurze Kalibrierung. Verknüpft Framework‑Levels direkt mit vorhandenen Formaten wie 1:1s, IDPs und euren Vorlagen für Entwicklungs‑oder Karrierepläne, damit das neue Vokabular sofort im Alltag auftaucht.

Training der Führungskräfte

Führungskräfte müssen das Framework routiniert anwenden können – sonst bleiben Bewertungen schwammig. Plant kurze, wiederholte Sessions statt einmaliger Keynotes: Verständnis der Level, Übung an echten Fällen, Bias‑Checks. Tools mit KI‑Unterstützung wie Atlas‑ähnliche Assistenten in Sprad Growth oder vergleichbaren Plattformen können dabei helfen, Beispiele zusammenzufassen und Evidenz schneller zu bündeln, ohne Entscheidungen zu automatisieren.

Laufende Pflege & Ownership

Definiert eine:n Framework‑Owner, der/die Feedback sammelt, Level‑Texte bei Bedarf schärft und neue Beispiele ergänzt. Haltet den Änderungsprozess leichtgewichtig: kleine Anpassungen nach jedem Review‑Zyklus, größere Überarbeitungen jährlich. Nutzt ein zentrales Dokument mit Versionierung, damit klar ist, welche Fassung in welchem Zyklus gegolten hat – wichtig für Compliance und Vertrauen.

Fazit

Ein strukturiertes AI Capability Framework für HR schafft Klarheit, Fairness und Entwicklungsorientierung in einem System. Klarheit, weil jede Person weiß, welche KI‑bezogenen Verhaltensweisen und Ergebnisse pro Level erwartet werden. Fairness, weil Beförderungen, Gehalt und Projekt‑Ownership auf gemeinsamen Kriterien statt auf Bauchgefühl beruhen. Entwicklungsorientierung, weil jede Lücke in einer Domäne zu einem konkreten Lernziel oder Projektauftrag wird – statt zu abstraktem „mehr KI‑Wissen“.

Als nächste Schritte könnt ihr in den kommenden vier Wochen einen Pilotbereich definieren, ein erstes Self‑Assessment pro Domäne durchführen und eine kleine Kalibrierungsrunde mit 2–3 Fällen vorbereiten. Innerhalb des nächsten Quartals sollte das Framework in mindestens einem Kernprozess (z. B. Kalibrierung, Nachfolgeplanung oder Rollenprofil‑Update) fest verankert sein. Spätestens nach einem Jahr übernimmt die/der benannte Owner eine strukturierte Feedback‑ und Update‑Runde, damit das Framework mit eurer Strategie, euren Tools und der Gesetzgebung mitwächst.

FAQ

Wie oft sollten wir unser AI Capability Framework für HR aktualisieren?

Plant mindestens ein jährliches Review – oder häufiger, wenn sich eure HR‑oder Unternehmensstrategie deutlich ändert. Neue Regulierung (z. B. EU AI Act) und Vendor‑Funktionen verändern, was „gut“ aussieht. Haltet Updates schlank: Beispiele auffrischen, Definitionen schärfen, veraltete Tools entfernen. Kommuniziert Änderungen in Manager‑Briefings und kurzen Guides, damit alle wissen, was ein Level in der Praxis bedeutet.

Wie halten wir Bewertungen über Manager:innen und Länder hinweg fair?

Kombiniert drei Hebel: Erstens klar beschriebene, verhaltensorientierte Level‑Definitionen mit Beispielen je Domäne. Zweitens strukturierte Kalibrierungs‑Sessions, in denen Manager reale Fälle diskutieren und Ratings angleichen. Drittens einfache Bias‑Checks, z. B. Verteilung nach Geschlecht, Alter, Standort. Wo möglich, nutzt anonymisierte Beispiele. Mit wachsendem Archiv kalibrierter Fälle stabilisiert sich die Interpretation und das Vertrauen in den Prozess steigt.

Darf KI-Reife als Beförderungsvoraussetzung dienen?

Ja – aber immer als eine Linse neben anderen Faktoren (fachliche Tiefe, Führung, Kulturbeitrag). Definiert pro Rollenfamilie, welche Domänen wichtig sind und welches Level für welche Stufe erwartet wird. Beispiel: Recruiter:in braucht Level 3 in „KI in Recruiting“, aber nur Level 2 in „Strategie & Governance“. Stützt Beförderungsvorschläge immer auf Evidenz – Projekte, Kennzahlen, Feedback – und mappt sie explizit auf das Framework.

Wie vermeiden wir eine Überabhängigkeit von KI in HR-Entscheidungen?

Verankert eine einfache Regel: „KI schlägt vor, Menschen entscheiden.“ Nutzt KI zum Entwurf von Texten, zur Mustererkennung oder zur Hervorhebung von Inkonsistenzen, lasst aber Hiring‑, Beförderungs‑ und Performance‑Entscheidungen bei geschulten Führungskräften. Dokumentiert, welche Schritte von KI unterstützt werden und welche nicht. Eine OECD‑Auswertung zeigt, dass hybride Systeme mit klarer menschlicher Aufsicht bessere Qualitäts‑ und Vertrauenseffekte erzielen als Vollautomatisierung.

Wie fügt sich das Framework in unser bestehendes Skill- und Karriere-System ein?

Behandelt KI‑Fähigkeiten als eine Schicht eures Gesamt‑Skill‑Frameworks, nicht als Insel. Mappt jede KI‑Domäne auf bestehende Kompetenzen wie Analytics, digitale Kompetenz, Change und Stakeholder‑Management. Ergänzt KI‑spezifische Verhaltensanker und Evidenztypen und integriert sie in Skill‑Matrix, Rollenprofile, Lernpfade und Karriereleitfäden. So sehen Mitarbeitende KI‑Skills als normalen Teil ihres Wachstums – verknüpft mit Entwicklungsgesprächen, Zielen und interner Mobilität, nicht als separates „Tech‑Projekt“.

Jürgen Ulbrich

CEO & Co-Founder of Sprad

Jürgen Ulbrich has more than a decade of experience in developing and leading high-performing teams and companies. As an expert in employee referral programs as well as feedback and performance processes, Jürgen has helped over 100 organizations optimize their talent acquisition and development strategies.