KI-Kompetenz wird zum Einstellungskriterium

Im Bankinterview wird jetzt auch KI-Urteilsvermögen geprüft

Am 6. September 2026 berichtete die Financial Times, dass UBS von Hochschulabsolventen und Praktikanten, die 2027 bei Global Banking and Markets starten, verlangen wird zu zeigen, wie sie KI einsetzen, um Ergebnisse und Effizienz zu verbessern. In Stellenausschreibungen von UBS sollen Bewerber bereits heute den experimentellen und verantwortungsvollen Einsatz von KI nachweisen. Das ist ein aufkommendes Marktsignal, kein Branchenstandard. Dennoch verändert es die zentrale Frage für HR und L&D: Wenn KI-Kompetenz am Eingang geprüft wird, was genau sollte die Organisation am ersten Arbeitstag, nach dem Onboarding und nach sechs Monaten in der Rolle erwarten?

Toolkenntnis ist keine Kompetenz

„Nutzt ChatGPT“ ist kein aussagekräftiges Einstellungssignal. Es sagt wenig darüber aus, ob jemand eine passende Aufgabe auswählen, Datenlimits einhalten, ein Ergebnis prüfen, unbelegte Aussagen erkennen oder rechtzeitig stoppen und eskalieren kann. Ein Bewerber kann eine Oberfläche gut kennen und dennoch schlechte Entscheidungen mit KI treffen. Eine andere Person kann sicher zwischen freigegebenen Tools wechseln, weil sie die Arbeit, die Kontrollmechanismen und die Grenzen versteht.

Gerade im Finanzwesen ist dieser Unterschied wichtig. Eine überzeugende Zusammenfassung, Kundennotiz oder Marktanalyse kann glaubwürdig wirken und trotzdem eine falsche Aussage, veraltete Daten oder eine unbelegte Schlussfolgerung enthalten. Der Maßstab muss deshalb ein Arbeitsergebnis und das dazugehörige Urteilsvermögen prüfen – nicht bloß die Kunst, Prompts zu formulieren.

KI-Kompetenz zeigt sich in beobachtbarer Arbeit

Ein praxisnahes Kompetenzmodell für KI sollte Handlungen beschreiben, die Führungskräfte sehen und bewerten können. Die Kernfrage ist einfach: Kann die Person mit einem freigegebenen KI-Tool ein reales Arbeitsergebnis verbessern, das Resultat prüfen und die verantwortliche menschliche Entscheidung behalten?

• Eine Aufgabe auswählen, bei der KI Tempo, Qualität oder Abdeckung klar verbessern kann.
• Ein freigegebenes Tool nutzen und die richtigen Datenlimits einhalten.
• Dem System ausreichend Kontext, Vorgaben und Erfolgskriterien geben.
• Fakten, Berechnungen, Quellen, Annahmen und Auslassungen vor der Nutzung prüfen.
• Unsichere, sensible oder folgenreiche Fälle eskalieren und die menschliche Entscheidung dokumentieren.

Dieses Modell passt auch in den Compliance-Kontext. Artikel 4 des EU AI Act verpflichtet Anbieter und Betreiber, KI-Kompetenz unter Berücksichtigung von Erfahrung, Ausbildung und Einsatzkontext zu fördern. Er schreibt keine einheitliche individuelle Bestehensgrenze vor. Deshalb ist ein rollenbasiertes Bewertungsraster hilfreicher als ein allgemeiner KI-Kurs oder eine einzelne Abschlussquote.

Arbeitsproben schlagen abstrakte KI-Fragen

Entwickeln Sie die Bewertung von KI-Kompetenz rund um ein kurzes, bereinigtes Szenario aus der angestrebten Rolle. Ein Bewerber für eine Analystenrolle könnte aus einem fiktiven Quartalsbericht ein Briefing erstellen. Ein Bewerber im Operations-Bereich könnte simulierte Ausnahmefälle priorisieren. Ein Bewerber für eine Compliance-Rolle könnte eine fiktive Fallzusammenfassung prüfen und erkennen, wo KI-Ergebnisse weitere Belege brauchen.

Bewerten Sie den Prozess ebenso wie die Antwort. Hat der Bewerber die Aufgabe klar definiert? Hat er eingeschränkte Informationen vermieden? Hat er zentrale Aussagen geprüft? Hat er Grenzen erkannt? Konnte er die abschließende menschliche Entscheidung erklären? So wird die Einstellung für KI-Kompetenz über verschiedene Interviewer hinweg konsistenter und das Risiko sinkt, Selbstsicherheit im Umgang mit einem angesagten Tool auszuwählen.

Ein Bewertungsraster muss über die Zusage hinaus gelten

Das Recruiting sollte keine eigene Kompetenzdefinition schaffen, die im Onboarding verschwindet. Nutzen Sie dasselbe Raster in den ersten Wochen für eine KI-Diagnose im Onboarding. Sie zeigt, welche Verhaltensweisen bereits zuverlässig sitzen und wo neue Mitarbeitende Unterstützung brauchen. Ein neuer Analyst im Bereich Markets benötigt möglicherweise mehr Übung bei der Prüfung. Mitarbeitende mit Kundenkontakt brauchen womöglich konsequentere Gewohnheiten im Umgang mit Daten. Führungskräfte müssen vielleicht besser einschätzen können, wann eskaliert werden muss.

Hier wird KI-Training im Bankwesen gezielter. Statt alle Mitarbeitenden durch dasselbe Grundlagenmodul zu schicken, führen Sie sie in kurze rollenspezifische Szenarien, Übungsschleifen und Reviews mit der Führungskraft. App-Learning kann diese Momente über den gesamten Mitarbeiterzyklus verbinden: Szenarien vor der Einstellung, Diagnosen im Onboarding, adaptive Lernpfade und Neubewertungen nach demselben Nachweismodell.

Kompetenz muss bei veränderter Arbeit neu bewertet werden

KI-Kompetenz bleibt nicht dauerhaft gleich. Freigegebene Tools ändern sich. Interne Richtlinien ändern sich. Neue Arbeitsabläufe schaffen neue Fehlermöglichkeiten. Bewerten Sie neu, wenn sich eine Rolle verändert, ein neues Tool eingeführt wird, ein Kontrollvorfall auftritt oder ein festgelegter Prüfzyklus ansteht. Halten Sie die Nachweise schlank, aber aussagekräftig: Szenariobewertungen, wiederkehrende Fehlermuster, Qualität von Eskalationen und Beobachtungen durch Führungskräfte.

Es geht nicht darum, jeden Mitarbeitenden zum KI-Spezialisten zu machen. Es geht darum, eine einheitliche Mindestschwelle für sichere, nützliche und verantwortliche KI-gestützte Arbeit zu schaffen. Arbeitgeber, die Auswahl, Onboarding und Entwicklung auf diese Schwelle ausrichten, erhalten ein klareres Bild der Kompetenzen als Unternehmen, die Kursabschlüsse zählen oder fragen, ob Mitarbeitende den neuesten Chatbot ausprobiert haben.