Worum es geht
Noch vor wenigen Jahren war die Frage in vielen KMU: «Sollen wir KI überhaupt einsetzen?» 2026 ist die sinnvollere Frage: «Wo schafft KI bei uns echten Mehrwert — und können unsere Mitarbeitenden sie kompetent genug einsetzen?»
Die Verfügbarkeit der Technologie ist kaum noch der limitierende Faktor. Generative KI steckt in Office-Suiten, Suchmaschinen, CRM-Systemen, Entwicklungsumgebungen, Design-Tools und spezialisierten Fachanwendungen. Gleichzeitig entstehen mit AI Agents, Retrieval-Augmented Generation (RAG), Vibe Coding und automatisierten Workflows Möglichkeiten, die weit über das Schreiben eines Textes mit ChatGPT hinausgehen.
Genau hier entsteht die neue Lücke: Die Werkzeuge werden schnell besser. Kompetenz, Prozesse und Governance wachsen nicht automatisch im gleichen Tempo mit.
Die OECD nennt fehlende Skills als eine der zentralen Hürden der KI-Adoption: Mehr als die Hälfte der KMU, die generative KI noch nicht einsetzen, gibt fehlende Fähigkeiten als Hindernis an. Gleichzeitig braucht nur ein kleiner Teil der Beschäftigten hochspezialisierte KI-Entwicklungskenntnisse. Für die Mehrheit zählen digitale Kompetenz, Datenverständnis, kritisches Denken, Problemlösung, Kreativität und die Fähigkeit, KI im jeweiligen Arbeitskontext richtig einzusetzen (OECD, 2026a, 2026b).
Für Geschäftsleitungen folgt daraus: Nicht jede Person muss RAG-Systeme bauen oder einen Agenten programmieren. Aber Teams müssen verstehen, welches Tool für welche Aufgabe geeignet ist, wie gute Ergebnisse entstehen, wann Outputs geprüft werden müssen, welche Daten nicht in beliebige Systeme gehören und wann aus einem Chatbot ein agentischer Prozess mit zusätzlichen Risiken wird. KI-Kompetenz ist deshalb kein einzelner Skill, sondern ein abgestuftes Kompetenzmodell.
Dieser Beitrag zeigt, welche Fähigkeiten für Schweizer KMU praktisch relevant sind, wie sie sich über sechs Stufen strukturieren lassen und wie Führungskräfte daraus eine realistische Lern- und Umsetzungsagenda ableiten.
Warum KI-Kompetenz für KMU zum Wettbewerbsfaktor wird
Die OECD beschreibt Skills als einen der entscheidenden Faktoren dafür, ob Unternehmen aus KI tatsächlich Produktivitätsgewinne ziehen. Mehr als die Hälfte der KMU ohne generative KI nennt fehlende Fähigkeiten als Hürde. Gleichzeitig berichten Unternehmen, dass KI bestehende Skill- und Personallücken teilweise kompensieren kann. KI schafft also neue Kompetenzanforderungen und hilft zugleich, bestehende Engpässe zu reduzieren (OECD, 2026a).
Für KMU ist das besonders relevant. Sie haben typischerweise weniger spezialisierte Rollen als Grossunternehmen. Marketing, Verkauf, Operations, HR oder Geschäftsleitung müssen neue Technologien häufig zusätzlich zum Tagesgeschäft beurteilen und einsetzen. Ein separates «AI Department» ist selten die realistische Antwort.
Die OECD zeigt zudem, dass die meisten Beschäftigten keine hochkomplexen KI-Spezialkenntnisse benötigen. Weniger als 1 % der Beschäftigten brauchen fortgeschrittene spezifische AI Skills; breiter relevant sind digitale Kompetenzen, Datenanalyse und -interpretation sowie komplementäre Fähigkeiten wie Problemlösung, Kreativität, Innovation und Management (OECD, 2026b).
KMU-Merksatz: Die strategische Frage lautet nicht, wie viele Mitarbeitende «KI-Expert:innen» werden. Entscheidend ist, ob die richtigen Personen für ihre Rolle über die richtige Tiefe an KI-Kompetenz verfügen.
KI nutzen können ist mehr als gutes Prompting
Prompting bleibt wichtig. Aber wer KI-Kompetenz auf «gute Prompts schreiben» reduziert, misst nur einen Ausschnitt. In der Praxis braucht es mindestens sechs Kompetenzfelder.
1. AI Literacy — verstehen, was KI kann und was nicht
AI Literacy bedeutet zunächst ein realistisches Grundverständnis: Was ist generative KI? Wie entstehen Antworten? Warum kann ein Modell überzeugend formulieren und trotzdem falsch liegen? Was ist der Unterschied zwischen einem Modell, einem Chat-Interface, einem Agenten und einem Tool? Diese Grundlagen sind wichtig, weil falsche mentale Modelle zu falschen Entscheidungen führen.
Die Europäische Kommission nennt als Mindestfragen einer AI-Literacy-Initiative unter anderem: Was ist KI, wie funktioniert sie, welche KI wird in der Organisation eingesetzt und welche Chancen und Risiken bestehen? Zudem sollen Rolle, technisches Vorwissen, Erfahrung und Nutzungskontext berücksichtigt werden (European Commission, 2026).
2. Tool Choice — nicht jede Aufgabe gehört in denselben Chat
Ein häufiger Produktivitätsfehler ist, jedes Problem mit dem gerade bekannten Tool zu lösen. Quellengebundenes Lernen, aktuelle Webrecherche, Bildgenerierung, Video, Voice Cloning, Coding und Prozessautomation stellen unterschiedliche Anforderungen. KI-Kompetenz zeigt sich deshalb auch darin, zuerst den Use Case zu verstehen und danach das Werkzeug zu wählen.
Für ein KMU spart diese Fähigkeit unmittelbar Kosten und Zeit: Nicht das leistungsfähigste oder bekannteste Tool ist automatisch das beste, sondern jenes, das für Datenquelle, Output, Integrationen, Risiko und Arbeitsprozess am besten passt.
3. Prompting und Context Engineering
Gute Ergebnisse hängen nicht nur von der Frage ab, sondern vom Kontext. Ziel, Rolle, relevante Hintergrundinformationen, gewünschtes Format, Qualitätskriterien und Grenzen sollten so bereitgestellt werden, dass das Modell die Aufgabe nachvollziehen kann. Bei fortgeschrittener Nutzung kommt Context Engineering hinzu: Welche Informationen gehören überhaupt in den Kontext? Welche Dokumente werden über Retrieval bereitgestellt? Welche Tool-Beschreibungen sind nötig — und welche erzeugen nur unnötige Tokens?
Vertiefung: Prompt-Engineering für KMU — mit Frameworks und Praxisbeispielen für direkt nutzbare Outputs.
4. Kritische Prüfung, Datenschutz und Governance
Ein sprachlich überzeugender Output ist kein Qualitätsbeweis. Mitarbeitende müssen erkennen, wann Quellenprüfung, Vier-Augen-Prinzip oder menschliche Freigabe nötig sind. Ebenso wichtig ist die Frage, welche Daten in welches System eingegeben werden dürfen. Sobald KI auf Kundendaten, Verträge, interne Wissensbestände oder operative Systeme zugreift, wird aus einer individuellen Produktivitätsfrage eine Governance-Frage.
AHEAD OF TIME unterstützt Unternehmen dabei mit KI-Transformation, Education & Engineering — vom Tool-Stack-Audit über Richtlinien und AI-Act-Einordnung bis zu Schulung und technischer Umsetzung.
5. Agents, RAG und Automationen verstehen
Fortgeschrittene KI-Nutzung verschiebt sich vom einzelnen Prompt zum System. Ein RAG-Setup verbindet ein Modell mit ausgewählten Wissensquellen. Tool Calling erlaubt den Zugriff auf definierte Funktionen. Agentische Systeme können mehrere Schritte planen, Tools aufrufen und aufgrund von Zwischenergebnissen weiterarbeiten.
Nicht jede Person muss diese Architekturen bauen können. Führungskräfte und Prozessverantwortliche sollten aber verstehen, was sich dadurch verändert: Ein System, das nur einen Textvorschlag erstellt, hat ein anderes Risikoprofil als ein Agent, der E-Mails versendet, CRM-Daten verändert oder Bestellungen auslöst.
Praxisbeispiele findest du im Themen-Cluster KI & Automation — inklusive AI Agents, Multi-Agent-Systemen und Automations-Setups für KMU.
6. Token-, Kosten- und Energieeffizienz
Kompetente KI-Nutzung bedeutet auch, nicht unnötig Compute zu verbrauchen. Lange redundante Kontexte, unnötig ausführliche Outputs oder ein grosses Reasoning-Modell für triviale Aufgaben erhöhen die Kosten, ohne die Qualität zu verbessern. Bei API-basierten Anwendungen, die nach Tokens verrechnet werden, wird diese Kompetenz direkt wirtschaftlich relevant.
Das Ziel lautet nicht «möglichst wenige Tokens», sondern: möglichst wenig unnötiger Compute bei der für den Use Case erforderlichen Qualität. Dazu gehören schlanke Kontexte, angemessene Output-Längen, Caching wiederkehrender Inhalte und die Wahl des kleinsten Modells, das den Qualitätsstandard zuverlässig erfüllt.
Nicht jede Person im KMU braucht dieselbe KI-Kompetenz
Ein sinnvolles Kompetenzmodell ist rollenbasiert. Die Geschäftsleitung muss andere Entscheidungen treffen als Marketing, HR oder ein Entwicklungsteam. Einheitliche Pflichtschulungen für alle schaffen zwar Grundlagen, ersetzen aber keine rollenbezogene Vertiefung.
| Rolle | Besonders relevante KI-Kompetenzen | Typische Fragestellung |
|---|---|---|
| Geschäftsleitung | Chancen/Risiken, Governance, Use-Case-Priorisierung, Investitionsentscheidungen | Wo schafft KI messbaren Business Impact — und welches Risiko akzeptieren wir? |
| Marketing & Sales | Research, Content, Tool Choice, Prompting, Automationen, Qualitätskontrolle | Welche Aufgaben lassen sich schneller erledigen, ohne Brand- und Qualitätsverlust? |
| HR & People | AI Literacy, Datenschutz, Policies, Weiterbildung, Human Oversight | Welche Kompetenzen brauchen welche Rollen und wie vermeiden wir Schatten-KI? |
| Operations | Prozessanalyse, Automationen, Agents, Datenqualität, Exception Handling | Wo lohnt sich Automatisierung und wo muss ein Mensch entscheiden? |
| IT / Development | APIs, RAG, Agents, MCP, Vibe Coding, Security, Evaluation | Wie integrieren wir KI kontrolliert in bestehende Systeme und Berechtigungen? |
Sechs Level: ein praktikables KI-Kompetenzmodell
Für den KI-Kompetenz-Check von AHEAD OF TIME verwenden wir ein abgestuftes Modell mit sechs eigenständigen Stufen. Es soll nicht Menschen in «gut» und «schlecht» einteilen, sondern sichtbar machen, welche Fähigkeiten bereits vorhanden sind und wo der nächste sinnvolle Lernschritt liegt. Jede Stufe hat einen eigenen Fragenkatalog; wer die Schwelle erreicht, schaltet die nächste frei.
Level 1 — KI-Einsteiger:in Du stehst am Anfang. Die Grundbegriffe sind noch neu — und genau deshalb bringen dir die nächsten Lernschritte hier am meisten.
Level 2 — KI-Anwender:in Du kennst die wichtigsten KI-Grundlagen und nutzt bereits einzelne Tools im Alltag. Jetzt geht es darum, dieses Wissen zu vertiefen und gezielter einzusetzen.
Level 3 — KI-Fortgeschrittene:r Du bewegst dich sicher im Themenfeld KI und verstehst die Zusammenhänge zwischen Tools, Prompting und praktischer Anwendung. Die nächsten Schritte führen dich in die Tiefe einzelner Spezialgebiete.
Level 4 — KI-Integrator:in Du nutzt KI nicht mehr nur einzeln, sondern verknüpfst Werkzeuge zu Abläufen: Daten fliessen von einem System ins nächste, Schritte greifen ineinander. Der nächste Hebel liegt darin, diese Ketten verlässlich und nachvollziehbar zu machen.
Level 5 — KI-Architekt:in Du baust selbst — Agenten, Automatisierungen, Datenwege. Du kennst nicht nur die Werkzeuge, sondern auch ihre Bruchstellen: Berechtigungen, Wiederholungen, Fehlerfälle. Der nächste Schritt führt weg von der Technik hin zur Organisation.
Level 6 — KI-Stratege:in Du denkst KI von der Organisation her: Wer darf was, worauf stützt sich eine Entscheidung, welche Abhängigkeiten geht ein Unternehmen ein. Das ist die Ebene, auf der KI entweder trägt oder teuer wird.
Warum sechs statt vier Stufen? Weil die Sprünge sonst zu gross werden. Zwischen «nutzt Tools sicher im Alltag» und «beurteilt Architekturen» liegen in der Praxis zwei sehr unterschiedliche Kompetenzen: Werkzeuge zu Abläufen verketten (Integration) und diese Abläufe selbst bauen und betreiben (Architektur). Und darüber liegt nochmals eine eigene Ebene, die nicht technisch ist, sondern organisatorisch: Berechtigungen, Entscheidungsgrundlagen, Abhängigkeiten.
Ergänzend lassen sich spezifische Kompetenzdimensionen separat prüfen — etwa KI-Terminologie, Tool Choice oder effiziente Token-, Kosten- und Energienutzung. Das ist sinnvoll, weil jemand sehr gut prompten kann und trotzdem bei Datenschutz oder Tool-Auswahl deutliche Lücken hat.
→ Jetzt den KI-Kompetenz-Check machen — sechs Level, pro Level ein eigener Fragenkatalog, am Ende eine Einordnung mit konkretem nächstem Lernschritt. Eine Übersicht über beide Checks — Unternehmensreife und persönliches KI-Wissen — zeigt, welcher für deine Ausgangslage der richtige ist.
KI-Kompetenz, Governance und AI Literacy
Für Unternehmen mit Bezug zum EU-Markt kommt eine regulatorische Dimension hinzu. Artikel 4 des EU AI Act verpflichtet Anbieter und Betreiber von KI-Systemen dazu, Massnahmen zur Förderung der KI-Kompetenz der Personen zu ergreifen, die in ihrem Auftrag mit solchen Systemen arbeiten. Die Europäische Kommission betont dabei einen kontext- und risikobasierten Ansatz: technisches Wissen, Erfahrung, Ausbildung, konkreter Einsatzkontext und Risiken der eingesetzten Systeme sollen berücksichtigt werden (European Commission, 2026).
Wichtig für Schweizer KMU: Der EU AI Act gilt nicht pauschal für jedes Unternehmen in der Schweiz. Ob und welche Pflichten greifen, hängt von Rolle, System und EU-Bezug ab. Unabhängig von der konkreten Rechtsanwendbarkeit ist der Grundgedanke betriebswirtschaftlich sinnvoll: Wer KI einsetzt, sollte die betroffenen Mitarbeitenden so befähigen, dass sie Chancen, Grenzen und Risiken der tatsächlich verwendeten Systeme verstehen.
Die Kommission schreibt zudem nicht vor, dass jede Person dasselbe Kompetenzniveau erreichen muss. Unterschiedliche Lernstufen und Lernansätze können ausdrücklich angemessen sein. Genau deshalb ist ein rollen- und niveaubasiertes Modell für KMU sinnvoller als ein einmaliger Standardkurs für alle (European Commission, 2026).
Was Geschäftsleitungen jetzt konkret tun sollten
- Sichtbar machen, wo KI bereits genutzt wird. Nicht nur offiziell lizenzierte Tools erfassen. Auch die informelle Nutzung in Teams gehört zur Ausgangslage.
- Kompetenz nicht mit Toolzugang verwechseln. Eine ChatGPT-, Copilot- oder Gemini-Lizenz ist noch kein Befähigungskonzept. Prüft, ob Mitarbeitende Risiken, Datenregeln und Qualitätskontrolle verstehen.
- Rollen und Use Cases priorisieren. Beginnt dort, wo KI häufig eingesetzt wird oder wo hohe Wirkung beziehungsweise hohe Risiken entstehen.
- Skill Gap messen und Lernpfade definieren. Grundlagen für alle, Vertiefung nach Rolle und Bedarf. Assessment und Weiterbildung gehören zusammen.
- Lernen mit realer Anwendung verbinden. Die stärksten Lernfortschritte entstehen an echten Aufgaben: eigene Recherche, eigene Prozesse, eigene Dokumente, eigene Qualitätsanforderungen.
Die OECD kommt zu einem ähnlichen Schluss: Training ist ein zentraler Hebel, damit KI-Einsatz zu besseren Ergebnissen führt. Beschäftigte mit Weiterbildung berichten häufiger positive Auswirkungen auf Arbeitsleistung und Arbeitsbedingungen (OECD, 2026b).
Wenn ihr daraus eine konkrete Unternehmensagenda machen wollt: KI-Transformation, Education & Engineering bei AHEAD OF TIME verbindet Standortbestimmung, Governance, Team-Schulungen, Roadmap und technische Umsetzung.
Fazit: KI-Kompetenz ist kein Kurs, sondern eine betriebliche Fähigkeit
Der wichtigste Perspektivenwechsel für KMU ist einfach: KI-Kompetenz ist nicht gleichbedeutend mit «ChatGPT bedienen können». Sie umfasst Verständnis, Anwendung, kritische Prüfung, Tool Choice, Governance und — je nach Rolle — fortgeschrittene technische Konzepte.
Das heisst nicht, dass alle zu KI-Spezialist:innen werden müssen. Im Gegenteil: Ein gutes Kompetenzmodell verhindert unnötigen Lernaufwand, weil es unterschiedliche Rollen und Niveaus berücksichtigt. Geschäftsleitungen brauchen Orientierung und Entscheidungsfähigkeit. Fachbereiche brauchen sichere Anwendungskompetenz. Technische Rollen brauchen tiefere Architektur- und Security-Kenntnisse.
Wer diese Fähigkeiten systematisch aufbaut, schafft die Voraussetzung dafür, dass aus KI-Experimenten belastbare Arbeitsweisen werden. Genau darum geht es in Teil 2 dieser Serie: Wie lässt sich KI-Kompetenz sinnvoll testen, ohne nur Toolwissen oder auswendig gelernte Begriffe abzufragen?
Q&A — KI-Kompetenz in Schweizer KMU
Was bedeutet KI-Kompetenz im Unternehmen? KI-Kompetenz umfasst das Verständnis von Chancen und Grenzen künstlicher Intelligenz sowie die Fähigkeit, passende KI-Tools sicher, kritisch und wirtschaftlich für konkrete Aufgaben einzusetzen. Je nach Rolle gehören auch Datenschutz, Governance, RAG, Agents oder technische Integration dazu.
Müssen alle Mitarbeitenden KI-Expert:innen werden? Nein. Für die meisten Rollen sind keine tiefen Entwicklungskenntnisse nötig. Sinnvoll ist ein abgestuftes Modell: gemeinsame Grundlagen für alle und vertiefte Kompetenzen dort, wo Aufgaben, Verantwortung oder Risiken dies erfordern.
Reicht ein ChatGPT- oder Prompting-Kurs für ein KMU? Als Einstieg kann ein Prompting-Kurs sehr wertvoll sein. Für nachhaltige KI-Kompetenz reicht er allein jedoch nicht. Tool Choice, kritische Prüfung, Datenschutz, Governance und rollenbezogene Use Cases gehören ebenfalls dazu.
Wie kann ein KMU die KI-Kompetenz seiner Mitarbeitenden messen? Ein Assessment sollte mehrere Dimensionen abdecken und nicht nur Marken- oder Toolwissen testen. Sinnvoll sind Grundlagen, Anwendung, Tool Choice, Sicherheit, Terminologie und — für fortgeschrittene Rollen — RAG, Agents und Architekturverständnis. Der KI-Kompetenz-Check bildet das über sechs Level ab.
Welche KI-Kompetenzen braucht eine Geschäftsleitung? Vor allem die Fähigkeit, Chancen und Risiken zu beurteilen, Use Cases zu priorisieren, Governance zu definieren, Investitionen einzuordnen und die richtigen Kompetenzen im Unternehmen aufzubauen. Die Geschäftsleitung muss nicht selbst jedes Tool bedienen können.
Ist AI Literacy wegen des EU AI Act auch für Schweizer KMU relevant? Für Schweizer Unternehmen hängt die rechtliche Anwendbarkeit vom konkreten EU-Bezug und der Rolle im jeweiligen KI-System ab. Inhaltlich ist AI Literacy aber auch unabhängig davon relevant: Mitarbeitende sollten die eingesetzten Systeme, deren Risiken und den richtigen Umgang damit verstehen.