KI-Skills-Map – Welche Fähigkeiten du wirklich brauchst

"Du musst KI lernen." Diesen Satz hörst du überall. Von Vorgesetzten, in LinkedIn-Posts, auf Konferenzen. Das Problem: Er ist so hilfreich wie "Du musst Sport machen." Stimmt irgendwie. Aber was genau? Joggen? Krafttraining? Yoga? Und in welcher Reihenfolge?

KI-Skills sind kein Monolith. Ein Texter braucht andere Fähigkeiten als eine Entwicklerin. Eine Strategin andere als ein Analyst. Und alle brauchen ein gemeinsames Fundament, bevor Spezialisierung Sinn macht.

Was diese Lesson anders macht

In der Lesson Was KI heute wirklich kann hast du gelernt, was KI kann — 14 Fähigkeiten mit Reifegraden. Jetzt drehen wir die Perspektive um: Was musst du können, um diese Fähigkeiten produktiv zu nutzen?

Die KI-Skills-Map hat zwei Achsen. Die vertikale zeigt den Lernpfad: von Grundlagen, die alle brauchen, bis zu Spezialistenwissen für komplexe Systeme. Die horizontale zeigt vier Rollen, die unterschiedliche Schwerpunkte setzen.

Die vertikale Achse: Vier Ebenen

Jede Ebene baut auf der vorherigen auf. Wer die Integration-Ebene beherrschen will, braucht zuerst Fundament und Anwendung. Die Reihenfolge ist nicht verhandelbar.

Die horizontale Achse: Vier Rollen

Die Rollen sind keine Jobtitel. Sie beschreiben, wie du KI primär einsetzt. Viele Menschen sind Mischformen. Aber eine Rolle dominiert meistens.

Die Map als Gesamtbild

So sieht die KI-Skills-Map aus, wenn du beide Achsen zusammenbringst. Je heller eine Zelle, desto relevanter ist diese Ebene für die jeweilige Rolle. Das Fundament leuchtet überall — die oberen Ebenen differenzieren sich.

Die Grafik zeigt das Muster: Builder durchlaufen alle vier Ebenen. Creator und Analyst arbeiten primär auf Fundament und Anwendung, mit selektiver Integration. Strategists brauchen breiten Überblick und tauchen bei der Orchestrierung (KI-Architektur) wieder tiefer ein.

Auf der Fundament-Ebene gibt es keine Rollenunterschiede. Hier brauchen alle dasselbe. Das klingt langweilig? Ist es nicht. Die meisten Menschen, die mit KI unzufrieden sind, haben Lücken im Fundament — nicht in der Anwendung.

Skill 1: KI-Grundverständnis

Wie LLMs funktionieren. Was sie können und was nicht. Warum sie manchmal Unsinn erzählen. Du musst kein Modell trainieren können. Aber du musst verstehen, warum dein Prompt manchmal brillante und manchmal absurde Ergebnisse liefert.

Skill 2: Prompt Engineering

Die Fähigkeit, KI-Modellen klare Anweisungen zu geben. Rolle definieren, Kontext liefern, Format vorgeben, Beispiele zeigen. Klingt simpel, ist es nicht. Der Unterschied zwischen einem mittelmäßigen und einem guten Prompt ist wie der Unterschied zwischen einer vagen E-Mail und einem präzisen Briefing.

Skill 3: Context Engineering

Was braucht das Modell, um eine gute Antwort zu geben? Daten, Strukturen, Wissen bereitstellen. Context Engineering geht über Prompting hinaus: Es geht darum, dem Modell die richtigen Informationen im richtigen Format zugänglich zu machen. Je besser der Kontext, desto besser das Ergebnis.

Skill 4: Kritisches Prüfen

Output bewerten. Halluzinationen erkennen. Quellen hinterfragen. Der wichtigste Skill, den die meisten unterschätzen. KI-Output klingt überzeugend — auch wenn er falsch ist. Wer nicht prüfen kann, baut auf Sand.

Das Fundament als Einheit

Auf der Anwendungsebene wird es konkret. Hier nutzt du einzelne KI-Tools für spezifische Aufgaben. Welche Skills Priorität haben, hängt von deiner Rolle ab.

Creator: Inhalte erstellen

Builder: Systeme bauen

Analyst: Erkenntnisse gewinnen

Strategist: Entscheidungen vorbereiten

Strategists brauchen auf der Anwendungsebene weniger Tiefe in einzelnen Tools. Ihr Fokus liegt auf breitem Überblick: Welche der Anwendungs-Skills existieren, was ist reif, was nicht? Die Lesson 14 Fähigkeiten im Realitäts-Check ist für diese Rolle besonders relevant.

Der Sprung von Anwendung zu Integration ist der größte qualitative Schritt. Auf der Anwendungsebene nutzt du ein Tool für eine Aufgabe. Auf der Integrationsebene lässt du Tools zusammenspielen.

Wann lohnt sich Integration?

Nicht jeder braucht die Integrationsebene. Sie lohnt sich, wenn du wiederkehrende Aufgaben hast, die mehrere Schritte umfassen. Oder wenn du für ein Team arbeitest und Workflows standardisieren willst.

Beispiel: Content-Produktion als Workflow

Jeder einzelne Schritt ist Anwendungsebene. Aber die Kombination — mit definierten Übergaben und teilweise automatisierten Schritten — ist Integration.

Die Orchestrierungsebene ist für Spezialisten. Hier geht es nicht mehr darum, Tools zu nutzen, sondern Systeme zu designen, die eigenständig Aufgaben ausführen. Die meisten Menschen werden hier nie arbeiten — und das ist völlig in Ordnung.

Der Unterschied zu Integration

Integration heißt: Du verbindest Tools und definierst den Ablauf. Orchestrierung heißt: Du definierst Ziele, und das System findet den Ablauf selbst. Der Mensch wechselt von der Steuerung zur Aufsicht.

Alle starten beim Fundament. Danach trennen sich die Wege. Hier sind die empfohlenen Lernpfade für jede Rolle.

Creator

Creators arbeiten primär auf den Ebenen Fundament und Anwendung. Tool Stacking (Integration) kommt hinzu, wenn du verschiedene Medientypen kombinierst. Orchestrierung brauchst du als Creator in der Regel nicht.

Builder

Builder durchlaufen alle vier Ebenen. Ihr Pfad ist der längste, aber auch der mächtigste. Wer Agent-Systeme bauen will, braucht solide Grundlagen in allem davor.

Analyst

Analysten brauchen besonders starkes Context Engineering (Fundament) und gehen dann in Datenanalyse und RAG. LLM Evaluation ist relevant, wenn du KI-Systeme bewerten oder vergleichen musst.

Strategist

Strategists brauchen Breite statt Tiefe auf den mittleren Ebenen. Ihr Fundament muss besonders stark sein. Context Engineering und Kritisches Prüfen sind ihre wichtigsten Skills — gefolgt von der Fähigkeit, KI-Architektur-Entscheidungen zu treffen.

Die Map im Überblick

Was diese Map nicht ist

• Keine Tool-Liste. Tools ändern sich. Skills bleiben.
• Kein Ranking. Horizontal ist kein besser oder schlechter.
• Kein vollständiges Curriculum. Die Map zeigt Struktur, nicht alle Inhalte.
• Keine Pflichtliste. Du brauchst nicht alles. Du brauchst das Richtige für deine Rolle.

Deine sieben Regeln

1. "KI lernen" ist zu ungenau. Frage: Welche Skills, für welche Rolle, in welcher Reihenfolge?
2. Zwei Dimensionen: Tiefe (Fundament → Orchestrierung) und Richtung (deine Rolle).
3. Das Fundament ist nicht optional. Verstehen, instruieren, kontextualisieren, prüfen.
4. Auf der Anwendungsebene: Tiefe in deiner Rolle schlägt Breite über alle Rollen.
5. Integration multipliziert den Wert. Aber erst, wenn du die Anwendung beherrschst.
6. Orchestrierung ist für Spezialisten. Wissen, dass sie existiert, reicht für die meisten.
7. Reihenfolge schlägt Geschwindigkeit. Fundament → Rolle → Integration → wenn nötig mehr.

Weiterlernen

Passende Fragen

• Brauche ich technisches Wissen, um KI zu nutzen?
  Nein. KI nutzen ist wie eine Fremdsprache sprechen. Du musst die Sprache lernen, nicht die Grammatiktheorie. Wer präzise formulieren kann, kommt weit, ohne je ein Modell von innen gesehen zu haben.
• Brauchen alle Mitarbeiter dieselben KI-Skills?
  Nein. Die Rolle bestimmt den Schwerpunkt. Ein Texter braucht andere Prompting-Muster als eine Entwicklerin. Ein Manager braucht andere Entscheidungsgrundlagen als ein Analyst. Pauschale Schulungen verfehlen die tatsächlichen Bedarfe.
• Ist die größte KI-Herausforderung in Unternehmen technisch?
  Nein. Der Engpass hat sich verschoben: von der Technologie zu Kompetenz und Organisation. Die Tools sind da, aber nicht jeder weiß, wie man sie produktiv nutzt, und nicht jede Organisation erlaubt es.
• Je mehr KI-Tools ich kenne, desto besser?
  Nein. Tiefe in der eigenen Rolle schlägt Breite. Ein Tool wirklich zu beherrschen bringt mehr als fünf oberflächlich zu kennen. Das Prompting-Wissen ist ohnehin portabel zwischen Tools.
• Muss ich programmieren können, um KI zu nutzen?
  Nein. Code-Generierung ist nur für die Builder-Rolle wirklich relevant. User, Power User und Decider nutzen KI ohne eine Zeile Code. Ein großer Teil der produktivsten KI-Nutzung passiert komplett ohne Programmierung.
• Reicht Prompt Engineering aus, um KI produktiv zu nutzen?
  Nein. Prompt Engineering ist nur einer von vier Fundament-Skills. Dazu kommen kritische Output-Bewertung, Kenntnis der Tool-Landschaft und Integrations-Verständnis. Wer nur Prompts optimiert, bleibt am Anfang der Skala.
• Welche KI-Kompetenzen sollten Unternehmen intern aufbauen und welche extern einkaufen?
  Intern aufbauen: Prompting, Use-Case-Erkennung, Output-Bewertung, KI-Governance. Extern einkaufen: technische Implementierung, Architektur-Design, Spezialentwicklung. Die Faustregel: Was zum täglichen Arbeiten gehört, muss rein. Was einmalig gebaut wird, darf raus.
• Wie überwindet man Widerstände gegen KI im Unternehmen?
  Nicht durch Argumente, sondern durch Erfahrung. Wer KI selbst ausprobiert hat, widersteht weniger. Drei Hebel: 1) Ängste ernst nehmen statt wegdiskutieren. 2) Niedrigschwellige Hands-on-Erlebnisse schaffen. 3) Führungskräfte sichtbar vorangehen lassen.