KI Kompetenz im Team aufbauen: Was wirklich funktioniert
Kurz zusammengefasst: KI Kompetenz im Team aufbauen ist keine Frage des richtigen Tools, sondern der richtigen Struktur. Wer KI-Adoption beschleunigen will, braucht klare Leitlinien, differenzierte Lernpfade nach Level und vor allem konkrete Use Cases, die zeigen, was wirklich möglich ist. Bei unserem dritten Raw & Roasted Pre-Work-Event am 25. Juni 2026 hat unsere Kollegin Dr. Özgün Köksal (Senior Data Analyst & PhD in Lernwissenschaften) genau diese Fragen mit unserem Publikum diskutiert.
Vom Konzernmitarbeiter bis hin zu Freelancer, von Marketing-Verantwortlichen über BI-Spezialisten bis hin zu Corporate Compliance: Das Publikum beim dritten Raw & Roasted in unserem Büro in der Landshuter Allee 49 war so gemischt wie noch nie. Was dabei sichtbar wurde, zeigt sich auch in unserer Beratungspraxis: KI ist kein kein IT-Thema und kein Marketing-Thema. Es ist ein Querschnittsthema, das alle betrifft und in dem wirklich alle noch viel lernen, quer durch Branchen und Hierarchiestufen. Vielleicht erleben wir sogar eine der größten Lernkurven in unserem Arbeitsleben.
Özgün hat bei ihrem Impulsvortrag eine Frage in den Mittelpunkt gestellt: Wie kann ein Team KI so einsetzen, dass es seine gemeinsamen Ziele wirklich besser erreicht?
Dasselbe Team, völlig unterschiedliche Ausgangspunkte
Fast jede Person im Raum hat dasselbe beschrieben: Im eigenen Team gibt es einige, die täglich mit KI experimentieren, und andere, die das Thema meiden. Manchmal offen, manchmal still. Und das hat wenig mit Alter oder Erfahrung zu tun. Wir haben sowohl erfahrene Führungskräfte als auch Berufseinsteiger in beiden Lagern erlebt.
Was hinter der Zurückhaltung steckt, ist meistens nicht fehlende Motivation, sondern fehlende Orientierung. Wer nicht weiß, wo anfangen, fängt nicht an. Und wer sich still zurückzieht, verliert über Monate den Anschluss, ohne dass es jemand bemerkt. Genau das ist das Risiko: KI Kompetenz, die nicht bewusst entwickelt wird, verteilt sich im Team zufällig und schafft keine gemeinsame Bewegung.
Ögzün zeigte in ihrem Vortrag die vier typischen Ausgangspunkte für AI, die fast in jedem Team vorkommen:
Ein wichtiger Hinweis aus dem Vortrag, der im Raum spürbar ankam: Diese Typen sind keine festen Rollen. Dieselbe Person kann je nach Aufgabe ganz woanders stehen. Wer Texte täglich mit KI schreibt, ist beim Thema Datenanalyse mit KI vielleicht noch ganz am Anfang.
Das Guidelines-Paradoxon
Ein Thema, das die Diskussion in der Runde richtig in Fahrt gebracht hat: KI-Leitlinien. Viele Unternehmen im Raum haben sie bereits. Aber wo liegen sie? Meistens irgendwo im Intranet, schwer zu finden, manchmal so umfangreich, dass sie niemand liest oder vollkommen nversteht.
Viele Mitarbeitende haben KI längst in ihren Alltag integriert, bevor die ersten Regeln kamen. Wenn Guidelines dann nachträglich bestimmte Dinge untersagen, entsteht Frustration. Und im schlimmsten Fall weichen die Leute auf private Geräte aus und machen im Verborgenen, was auf dem Firmenrechner nicht erlaubt ist. Das ist weder im Sinne der Datensicherheit noch der Unternehmenskultur.
Die Schlussfolgerung aus unserer Diskussion war eindeutig: Leitlinien müssen so knapp wie möglich sein. Sie sollen Orientierung schaffen, nicht Kreativität bremsen. Was eine sinnvolle KI-Leitlinie leisten muss, lässt sich auf drei Kategorien reduzieren: Was ist klar erlaubt? Was braucht Abstimmung? Was geht nicht? Mehr braucht es am Anfang meistens nicht.
Zu viele Scouts, zu wenig Richtung
Özgün hat darüber hinaus das Konzept des AI Scouts vorgestellt: eine oder zwei Personen im Team, die neue KI-Tools testen, filtern und für den Rest übersetzen. Dazu gab es direkt Rückmeldungen aus dem Publikum, denn in manchen Teams gibt es zu viele Scouts. Das Ergebnis ist dann nicht mehr Orientierung, sondern mehr Lärm. Zu viel Input, zu viele parallele Experimente, kein gemeinsamer roter Faden. Hier finden viele Firmen gerade noch den besten Mittelweg.
Die eigentliche Stärke eines Scouts liegt in der Übersetzungsleistung: Ist dieses Tool oder AI-Prozess wirklich relevant für uns? Löst es ein echtes Problem? Ist es reif für den Alltagseinsatz? Diese Filterarbeit wird oft unterschätzt. Und sie funktioniert nur, wenn der Scout nah an den tatsächlichen Workflows des Teams bleibt.
Die Super-Power für AI-Motivation: Der „Das will ich auch“-Moment
Was KI-Adoption in der Praxis wirklich in Bewegung bringt, ist nicht ein weiterer Workshop. Es ist der Moment, in dem jemand sieht, was möglich ist, und denkt: Das will ich auch.
Aus dem Raum kamen dazu konkrete Beispiele. Jemand zeigt, wie eine Formatierungsaufgabe, die früher Stunden gedauert hat, heute in wenigen Minuten erledigt ist. Eine andere Person berichtet darüber, wie sie wöchentliche Kampagnen-Reportings, die früher manuell zusammengebaut wurden, jetzt automatisiert werden. Solche Momente wirken oft mehr als ein groß angekündigtes Pilotprojekt, weil sie für alle sofort anschlussfähig sind.
Knowledge Sharing Sessions, in denen solche Alltagserfolge sichtbar gemacht werden, haben sich im Gespräch als einer der wirkungsvollsten Hebel herausgestellt. Besonders dann, wenn sie unter Personen mit ähnlichen Aufgaben stattfinden. Wer dieselbe Arbeit macht, lernt voneinander schneller und konkreter als in einer großen Runde.
Die eigentliche Herausforderung: Nicht die Tool-Frage, sondern die richtige Ausgangsfrage
Etwas, das wir aus der Beratungspraxis kennen und das die Diskussion wieder bestätigt hat: Der häufigste Grund, warum KI-Initiativen nicht die erhoffte Wirkung haben, ist kein schlechtes Tool. Es ist die fehlende Ausgangsfrage.
Viele starten mit der Tool-Auswahl, bevor klar ist, welches Problem gelöst werden soll. Die hilfreiche Reihenfolge ist umgekehrt: Wo verlieren wir heute am meisten Zeit? Welche Aufgaben sind wiederkehrend und aufwändig? Erst wenn das klar ist, macht die Tool-Wahl Sinn. Und erst dann entstehen Use Cases, die wirklich etwas verändern.
Vier Praktiken für den Aufbau von KI Kompetenz im Team
Özgün hat vier Praktiken vorgestellt, die Teams konkret helfen, KI Kompetenz systematisch aufzubauen:
1. KI-Lernen nach Niveau planen, nicht nach Team. Nicht jede Person braucht dasselbe. Ein Baseline-Level für alle, angewandtes Wissen für die meisten, tiefes Methodenwissen für ein oder zwei Personen. Diese Differenzierung ist entscheidend, weil sie unterschiedliche Ausgangspunkte anerkennt, statt so zu tun, als wären alle gleich weit.
2. Den AI Scout etablieren, aber fokussiert halten. Wer erkundet Neues? Wer filtert, was wirklich relevant ist? Wer übersetzt neue Möglichkeiten in konkrete Anwendungsfälle für das Team? Ein Scout, der diese drei Funktionen erfüllt, bringt das Team voran. Mehrere Scouts ohne Abstimmung bringen vor allem mehr Input, aber keine Richtung.
3. Nutzbare Leitlinien schaffen. Kurz, klar, auffindbar. Drei Kategorien reichen: Ja, vielleicht, nein. Was Teams nicht brauchen, sind seitenlange Dokumente, die niemand liest. Was sie brauchen, ist Orientierung, die schnelle Entscheidungen möglich macht.
4. Mit einem echten Projekt aus der täglichen Arbeit beginnen. Nicht mit einem Pilotprojekt auf der grünen Wiese, sondern mit einer konkreten Aufgabe, die heute Zeit kostet. Das schafft schnell sichtbare Ergebnisse und macht KI für alle greifbar.
Dr. Özgün Köksal
Senior Data Analytics Spezialistin, Hopmann Marketing Analytics
Özgün berät Unternehmen bei der Einführung von KI im Marketing, dem Aufbau analytischer Kompetenzen und der Entwicklung datengetriebener Entscheidungsstrukturen. Ihre Arbeit verbindet methodische Tiefe mit dem Verständnis dafür, wie Organisationen wirklich funktionieren.
Was als Nächstes kommt
Dieser Morgen hat wieder gezeigt, wofür das Raw & Roasted Format steht: kein Frontalvortrag, sondern echten Austausch zwischen Leuten, die mit denselben Fragen arbeiten. Wer beim nächsten Termin dabei sein möchte: Am 23. Juli 2026 gibt unser Marketing Science Manager Dr. Simon Hannemann einen praxisnahen Einblick in Marketing Mix Modeling (MMM): was es leistet, wo die Grenzen liegen und wann es sich lohnt.
Wer das Thema KI lieber in einem größeren Rahmen vertiefen möchte: Am 28. Juli 2026 findet unser Event KI in der Praxis statt, mit Impulsvortrag und interaktiven Sessions zu AI Search Visibility (GEO), Agentic AI, Marketing Mix Modeling und KI-Kompetenz. Für Marketing-, Sales- und IT-Verantwortliche aus dem Mittelstand. Dies ist ein Partner-Event mit dem Bundesverband der Mittelständischen Wirtschaft (BVMW).
Raw & Roasted | 23.07.2026, 8:30 Uhr
23. Juli 2026 · München · Hopmann Büro, Landshuter Allee 49
Marketing Mix Modeling kompakt erklärt. Dr. Simon Hannemann gibt einen praxisnahen Einblick: was MMM leistet, wo die Grenzen liegen und wann es sich lohnt. Inspirierender Vortrag, Austausch und Barista-Kaffee.
Details & Anmeldung
KI in der Praxis | 28.07.2026, 17:00 Uhr
28. Juli 2026 · München
Impulsvortrag und interaktive Sessions zu AI Search Visibility (GEO), Agentic AI, Marketing Mix Modeling und KI-Kompetenz. Für Marketing-, Sales- und IT-Verantwortliche aus dem Mittelstand.
Details & AnmeldungAlle weiteren Termine finden Sie in unserer Event-Übersicht. Wer nach diesem Thema tiefer einsteigen möchte: Im Blogpost KI Abend: Was Marketing Manager wissen müssen lesen Sie weitere Perspektiven aus unserem BVMW-Abend im Mai.
Gespräch mit Hopmann anfragenWas unsere Kunden häufig wissen möchten.
FAQ zu KI Kompetenz im Team
Wie baue ich KI Kompetenz im Marketing-Team auf?
Der effektivste Einstieg ist nicht ein Tool-Training, sondern die Frage: Wo verlieren wir heute die meiste Zeit? Daraus ergeben sich konkrete Use Cases. Kombiniert mit differenzierten Lernpfaden nach Kompetenzlevel und einer klar kommunizierten Leitlinie entsteht eine Struktur, die KI Adoption nachhaltig in Bewegung bringt.
Was ist AI Literacy und warum ist sie wichtig?
AI Literacy bezeichnet die Fähigkeit, KI-Tools sinnvoll zu nutzen, ihre Ergebnisse kritisch zu bewerten und zu verstehen, wo KI im eigenen Arbeitskontext Mehrwert schafft. Sie ist keine individuelle Fähigkeit, sondern eine Teamkompetenz: Ein Team mit hoher AI Literacy trifft gemeinsam bessere Entscheidungen darüber, wo und wie es KI einsetzt.
Wie sollten KI-Leitlinien im Unternehmen aufgebaut sein?
So kurz wie möglich, so klar wie nötig. Drei Kategorien reichen für den Anfang: Was ist klar erlaubt, was braucht Rücksprache, was ist nicht zulässig. Leitlinien, die zu umfangreich sind, werden nicht gelesen und können dazu führen, dass Mitarbeitende KI im Verborgenen nutzen. Orientierung schlägt Regulierung.
Was macht einen guten AI Scout im Team aus?
Ein AI Scout erkundet neue Tools, filtert, was für das Team relevant ist, und übersetzt neue Möglichkeiten in konkrete Anwendungsfälle. Entscheidend ist die Übersetzungsleistung: nicht jedes neue Tool ist nützlich, und nicht jede Möglichkeit passt zum aktuellen Reifegrad des Teams. Mehr als zwei Scouts pro Team führen häufig zu Orientierungsverlust statt Fortschritt.
Warum scheitern viele KI-Initiativen in Unternehmen?
Der häufigste Grund ist nicht das falsche Tool, sondern die fehlende Ausgangsfrage. Viele Initiativen starten mit der Tool-Wahl, bevor klar ist, welches Problem gelöst werden soll. KI entfaltet ihren Nutzen, wenn sie an konkrete, zeitaufwändige Aufgaben andockt, nicht an abstrakte Transformationsziele.
Wie lässt sich KI Adoption im Team beschleunigen?
Konkrete Use Cases, die sichtbar gemacht werden, wirken stärker als jedes Training. Knowledge Sharing Sessions, in denen Kolleginnen und Kollegen zeigen, wie sie eine bestimmte Aufgabe mit KI vereinfacht haben, erzeugen den entscheidenden Moment: „Das will ich auch.“ Besonders wirksam sind solche Sessions unter Personen mit ähnlichen Tätigkeiten.