Warum interne Mobilität beim KI-Hiring zählt

Die KI-Talentlücke ist eine Mobilitätslücke

Unternehmen sagen, sie brauchen KI-Talente. Der Arbeitsmarkt zeigt aber ein genaueres Bild. Im Juni 2026 berichtete Revelio Labs, dass rund 38,5 % der Beschäftigten bei einem Jobwechsel auch in eine andere Jobkategorie wechselten, nach 35 % im Jahr 2019. Die am schnellsten wachsende Zielrolle bei Karrierewechseln war AI Project Coordinator.

Der Schwachpunkt liegt im internen Wechsel. Revelio hat festgestellt, dass Wechsel in KI-Rollen seltener im selben Unternehmen passieren als Karrierewechsel insgesamt. Diese Lücke sollte HR- und L&D-Teams mehr beschäftigen als jede Schlagzeile über Fachkräftemangel. Sie zeigt: Viele Firmen kaufen KI-Kompetenz am Markt ein und nutzen dabei Menschen zu wenig, die ihre Produkte, Kontrollen, Kunden und Risikosprache schon kennen.

Externes Hiring ist ein fragiler Default

Externeinstellungen haben ihren Platz, vor allem bei sehr technischen Rollen. Fragil wird es, wenn sie die Hauptstrategie sind. In Finance und Crypto besteht KI-Arbeit selten nur aus Modellarbeit. Sie betrifft Fraud-Signale, Onboarding-Flows, Transaction Monitoring, Kundenkommunikation, Product Governance, Audit Trails und Eskalationsregeln.

Ein Neuzugang bringt vielleicht KI-Expertise mit, braucht aber trotzdem Monate, um den operativen Kontext zu verstehen. Eine interne Person kennt diesen Kontext oft schon. Was ihr fehlt, ist eine klare Brücke in die neue KI-Verantwortung. Interne KI-Talententwicklung heißt, diese Brücke zu bauen.

Angrenzende Skills müssen übersetzt werden

Revelios Analyse zeigt: Häufige Ausgangsrollen für KI-Wechsel liegen in Wissenschaft und Forschung, Datenanalyse, Fertigungstechnik, Beratung und Marketing. Der gemeinsame Nenner ist nicht ein allgemeines KI-Interesse. Es sind Tätigkeiten, die sich übertragen lassen: Rechenmodelle bauen, Daten analysieren, Projekte koordinieren, zwischen Stakeholdern übersetzen und Umsetzung sauber durchziehen.

Für ein reguliertes Finance- oder Crypto-Unternehmen wird diese Übersetzung sehr konkret:

• Wer Daten analysiert, kann in KI-Modellevaluation oder KI-Reporting hineinwachsen.
• Wer Risikoanalysen macht, kann KI-Kontrollen und Policies verantworten.
• Wer in Compliance arbeitet, kann KI-Monitoring, Dokumentation und Review-Routinen unterstützen.
• Ein Operations Lead kann die Einführung von KI-Workflows und das Exception Handling verantworten.
• Ein Product Manager kann die Verbindung zwischen KI-Use-Cases, Kundenauswirkung und Governance halten.

Hier scheitern viele KI-Reskilling-Pfade: Sie starten mit Tools statt mit Rollen. Sie erklären Prompts, bevor klar ist, welche Entscheidungen betroffen sind. Und sie messen Teilnahme, bevor sie testen, ob jemand KI im relevanten Workflow sicher einsetzen kann.

Rollenbasierte Pfade bringen mehr als KI-Basiswissen

KI-Basiswissen ist die Grundlage, aber kein Mobilitätssystem. In Europa ist die Pflicht aus Artikel 4 des AI Act, KI-Kompetenz sicherzustellen, seit dem 2. Februar 2025 anwendbar. Damit ist allgemeines Grundwissen für viele Organisationen relevant. Für eine KI-nahe Rolle reicht Basiswissen aber nicht.

Ein rollenbasierter Pfad definiert zuerst die Arbeit, die am Ende übernommen werden soll. Welche Entscheidungen unterstützt die Person? Welche KI-Systeme nutzt oder beaufsichtigt sie? Welche Risiken muss sie erkennen? Welche Nachweise muss sie erbringen? Ist die Rolle klar, kann Lernen kurz, praktisch und messbar sein.

• Zielrolle und ihre Arbeitsergebnisse definieren.
• Vorhandene Skills den fehlenden Skills und dem nötigen Risikowissen gegenüberstellen.
• Baue Microlearning-Module rund um den tatsächlichen Workflow.
• Mit Szenarien, Cases und Entscheidungsübungen arbeiten statt mit passivem Content.
• Beobachtung und Feedback durch Manager an wichtigen Checkpoints einbauen.
• Erst ein Arbeitsbeispiel prüfen, bevor jemand als bereit gilt.

Readiness braucht Nachweise aus der Praxis

Abgeschlossene Kurse und Zertifikate zeigen, dass jemand Inhalte gesehen hat. Sie beweisen nicht, dass die Belegschaft für KI bereit ist. Der Future of Jobs Report 2025 des World Economic Forum verwies auf schnell steigende Nachfrage nach KI, Big Data, Cybersecurity, Technologiekompetenz, analytischem Denken, Resilienz, Führung und Zusammenarbeit. Das ist keine reine Wissensliste, sondern Arbeit im Betrieb. Sie verlangt Urteilskraft unter echten Einschränkungen.

Nachweise, die wirklich helfen, sind Fortschritt im Lernpfad, Quiz-Ergebnisse je Risikothema, Szenarioleistung, eingereichte Arbeitsproben, Manager-Freigabe und erneute Checks, nachdem der Skill im Kontext angewendet wurde. In regulierten Teams sollte jeder Nachweis an eine Rolle, ein System, einen Use Case, eine Kontrolle oder eine Eskalationsregel gebunden sein.

Der interne Pfad wird zum Hiring-System

HR und L&D müssen nicht die ganze Organisation auf einmal umbauen. Startet mit drei KI-nahen Rollen, bei denen Nachfrage steigt und Kontext zählt. Baut für jede einen Pfad. Haltet die Module kurz. Baut Praxis ein. Macht Lücken sichtbar. Manager sollten sehen, wer bereit ist für Shadowing, Projektarbeit oder einen formalen Wechsel.

Das ist der App-Learning-Ansatz. App-Learning unterstützt rollenbasierte Lernpfade, Microlearning-Module, Quizze, Zertifikate und Analytics für Mitarbeiterakademien. Gleichzeitig hilft der Content-Workflow Teams dabei, bestehende Policies, Decks, Prozessdokumente und Input von Experten in strukturiertes Training zu übersetzen. Für Finance- und Crypto-Unternehmen ist das wichtig: KI-Kompetenz muss ansprechend genug sein, damit Menschen dranbleiben, und kontrolliert genug, damit sie auditierbar ist.

KI-Hiring lässt sich nicht allein mit Stellenanzeigen lösen. Nachhaltig ist ein Mobilitätssystem, das angrenzendes Talent sichtbar macht, Mitarbeitenden einen praktischen Weg in neue Verantwortung gibt und Führungskräften zeigt, dass Menschen KI dort sicher anwenden können, wo das operative Geschäft läuft.