KI-gestützte Qualifikationslücken-Analyse der Belegschaft

Das echte Ausmaß des Problems

Personalentscheidungen über Weiterbildungsbudgets werden in den meisten Unternehmen nicht nach strategischem Bedarf getroffen, sondern nach Sichtbarkeit und Eingabe. Wer am lautesten fragt, wer eine populäre Schulung beantragt, wessen Vorgesetzte am überzeugendsten argumentiert — das bestimmt, wer sich entwickelt. Welche Skills das Unternehmen in zwei Jahren brauchen wird, bleibt systemisch unsichtbar.

Die Zahlen dahinter sind nicht abstrakt: Laut einer Studie des Stifterverbands und McKinsey & Company (Januar 2025) geben 79 Prozent der befragten Führungskräfte in deutschen Unternehmen an, dass ihren Mitarbeitenden grundlegende Kompetenzen für die kommenden Anforderungen fehlen. Gleichzeitig meinen 86 Prozent, ihr Unternehmen könnte das Potenzial von KI und Digitalisierung wesentlich besser nutzen — wenn die richtigen Fähigkeiten vorhanden wären.

Was die meisten HR-Teams dabei unterschätzen: Das eigentliche Problem ist nicht das Weiterbildungsangebot, sondern die Diagnose. Wer nicht weiß, wo die Lücken sind, kann kein gezieltes Angebot machen. Und die meisten HR-Systeme — von Personio bis SAP HCM — speichern, was jemand ist, nicht was jemand kann.

Konkret zeigt sich das in drei Symptomen:

• Gießkannenprinzip: Alle Mitarbeitenden einer Abteilung gehen zum gleichen Training, egal ob es relevant ist oder nicht
• Verpasste interne Mobilität: Externe Stellenbesetzungen bei gleichzeitigem internem Potenzial, das nie entdeckt wurde — laut AIHR-Erhebung haben 92 % der Unternehmen keine verlässlichen Daten über die Skills ihrer Belegschaft (AIHR, 2024)
• Reaktive Entwicklung: Weiterbildung startet, wenn die Lücke bereits brennt — nicht wenn noch Zeit für strukturierte Entwicklungspfade ist

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Eigene Schätzwerte auf Basis von Praxisberichten aus Workforce-Planning-Projekten; nicht repräsentativ, aber konsistent mit Ergebnissen aus Gloat-Kundenberichten und vergleichbaren Workforce-Intelligence-Plattformen.

Die Ersparnis durch interne Besetzung ist der größte Hebel. Eine externe Neubesetzung kostet je nach Position und Senioritätslevel zwischen 8.000 und 50.000 Euro (Recruiting-Kosten, Ausfallzeit, Einarbeitungskosten) — eine intern entwickelte Person kostet einen Bruchteil davon.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die eigentliche Arbeitseinsparung liegt nicht im täglichen Betrieb, sondern in der Analysephase: Was früher 3–6 Wochen manueller Auswertung erforderte, dauert mit einem LLM-basierten Workflow 4–8 Stunden. Allerdings ist dieser Hebel einmalig je Analysezyklus — nicht täglich spürbar wie bei Meeting-Protokollen oder Kundenkorrespondenz. Deshalb mittlerer Wert: real, aber nicht die stärkste Zeitdimension im Branch.

Kosteneinsparung — stark (4/5) Vermiedene Fehlbesetzungen und gezieltere Weiterbildungsbudgets können je nach Unternehmensgröße 10.000–50.000 Euro jährlich einsparen — durch weniger externe Neubesetzungen und durch die Vermeidung von Trainings, die am eigentlichen Bedarf vorbeigehen. Das ist einer der höheren Kostenhebel im Branch. Nicht maximal bewertet, weil der Zusammenhang zwischen Analyse und tatsächlicher Einsparung durch Umsetzungsqualität verwässert wird.

Schnelle Umsetzung — niedrig (2/5) Das ist der ehrlichste Score in dieser Kategorie. Bevor die erste KI-Analyse läuft, müssen Skill-Daten erhoben oder importiert werden — Lebenslaufdaten aufbereitet, Jobprofile standardisiert, eine Skills-Taxonomie definiert. Das dauert 8–16 Wochen und ist nicht mit einem Tool-Signup erledigt. Damit liegt diese Anwendung auf einer Stufe mit Predictive Analytics und ähnlich aufwändigen Datenvorhaben.

ROI-Sicherheit — mittel (3/5) Der strategische Wert ist real — aber er lässt sich erst 12–18 Monate nach der Analyse messen, wenn Weiterbildungsentscheidungen getroffen und besetzt wurden. Ob eine verhinderte externe Neubesetzung kausal auf die Skill-Gap-Analyse zurückgeht, ist schwer zu isolieren. Deshalb mittlerer Wert: nicht so direkt messbar wie Rechnungsverarbeitung, aber überzeugender als reine Kommunikationsoptimierungen.

Skalierbarkeit — stark (4/5) Sobald das Skill-Modell steht und die Datenquellen verbunden sind, lässt sich die Analyse beim nächsten Zyklus mit minimalem Aufwand wiederholen — egal ob für 50 oder 500 Mitarbeitende. Das System skaliert ohne proportionalen Mehraufwand. Nicht maximal bewertet, weil das Skill-Modell selbst regelmäßig aktualisiert werden muss, wenn sich Berufsbilder wandeln.

Richtwerte — stark abhängig von Unternehmensgröße, vorhandener Datenbasis und gewähltem Ansatz.

Was die KI-gestützte Skill-Gap-Analyse konkret macht

Der technische Kern ist ein Matching-Prozess: Auf der einen Seite stehen die Ist-Profile der Belegschaft — was kann jede Person heute? Auf der anderen Seite stehen Soll-Profile zukünftiger Rollen — welche Fähigkeiten werden benötigt? Die KI übernimmt das Mapping zwischen beiden Seiten in einer Tiefe und Breite, die manuell schlicht nicht wirtschaftlich ist.

Konkret passiert dabei folgendes:

Schritt 1 — Skill-Extraktion aus bestehenden Daten. Ein LLM liest Lebensläufe, LinkedIn-Profile, Selbsteinschätzungen und Performance-Review-Daten und extrahiert strukturierte Skill-Listen. Dabei werden uneinheitliche Bezeichnungen normalisiert: „SQL-Kenntnisse”, „Datenbankabfragen” und „relationale Datenbanken” werden als verwandte Skills erkannt, nicht als drei verschiedene Kategorien.

Schritt 2 — Normalisierung gegen ein Skill-Framework. Die extrahierten Skills werden gegen eine gemeinsame Ontologie abgeglichen — etwa das ESCO-Framework der EU-Kommission (Version 1.2, Mai 2024: 13.939 definierte Skills in 28 Sprachen) oder ein firmeninternes Framework. Das schafft Vergleichbarkeit quer durch alle Abteilungen und Jobprofile.

Schritt 3 — Gap-Berechnung. Das System gleicht Ist-Profile gegen Soll-Profile ab und berechnet pro Mitarbeitendem und pro Abteilung: Welche Skills fehlen komplett? Welche sind vorhanden, aber nicht ausreichend ausgeprägt? Welche sind im Überschuss vorhanden?

Schritt 4 — Priorisierung und Handlungsempfehlung. Basierend auf der strategischen Gewichtung der Rollen (welche Skills sind in 18 Monaten kritisch?) empfiehlt das System: Wer sollte welches Training erhalten? Wer könnte intern in eine neue Rolle wechseln? Wo ist externer Zukauf nötig?

Das ist fundamentaler als eine klassische Befragung, weil es systematisch ist — nicht auf Sichtbarkeit angewiesen, nicht von Führungskräfte-Bias abhängig.

Datenverfügbarkeit als Voraussetzung — der häufig unterschätzte Engpass

Dieser Abschnitt steht vor den Tool-Empfehlungen, weil er die meisten Projekte stoppt, bevor sie starten.

Die Qualität der Skill-Gap-Analyse steht und fällt mit der Qualität der Eingabedaten. Und hier liegt das Kernproblem: Die meisten HR-Systeme enthalten Stammdaten, keine Skill-Daten. Wer in Personio oder einem vergleichbaren KMU-Tool nachschaut, findet Eintrittsdatum, Jobtitel, Vertragsdaten — aber keine strukturierten Kompetenzprofile.

Was Unternehmen vor dem Start typischerweise vorliegen haben und was wirklich nutzbar ist:

Das bedeutet praktisch: Vor der KI-Analyse braucht es fast immer eine Datenerhebungsphase. Die einfachste Form ist ein strukturiertes Selbsteinschätzungs-Survey mit 20–30 Skill-Fragen, ausgefüllt durch alle Mitarbeitenden. Das kostet pro Person 15–30 Minuten, erzeugt aber sofort eine verwertbare Datenbasis.

Was dabei schiefgeht: Selbsteinschätzungen sind verzerrt — nach oben (wer gibt gerne Schwächen zu?) und nach unten (wer ist bescheiden?). Die Lösung ist nicht, auf Selbsteinschätzungen zu verzichten, sondern sie mit einer zweiten Quelle zu kalibrieren — etwa Performance-Review-Daten oder Führungskräfteeinschätzung. Wenn nur eine Quelle vorliegt, sollte das Ergebnis als Indikation, nicht als Wahrheit behandelt werden.

Betriebsrat und Mitbestimmung — in Deutschland nicht optional

Ein Aspekt, der in internationalen Leitfäden zum Thema Skill-Gap-Analyse fast nie vorkommt, in Deutschland aber zentral ist: Systeme, die individuelle Kompetenzen von Mitarbeitenden bewerten, fallen unter das Mitbestimmungsrecht des Betriebsrats gemäß § 87 Abs. 1 Nr. 6 BetrVG.

Konkret bedeutet das: Wenn ein digitales System eingesetzt wird, um das Leistungs- und Verhaltenspotenzial von Mitarbeitenden zu erfassen — und eine Skill-Gap-Analyse tut das —, muss der Betriebsrat vor der Einführung informiert und einbezogen werden. Das ist kein formaler Annex, sondern ein echter Prozess: Betriebsvereinbarung über Zweck, Datenverarbeitung, Zugriffsrechte und Löschfristen.

Unternehmen, die einen Betriebsrat haben und diesen Schritt übergehen, riskieren eine Untersagung des Systems nach dem Go-Live — dann ist die gesamte Aufbauarbeit umsonst. Die gute Nachricht: Betriebsräte sind in der Regel konstruktiv, wenn sie früh eingebunden werden. Problematisch wird es bei nachträglicher Information.

Was du vor dem Start klären musst:

• Gibt es einen Betriebsrat? Wenn ja: frühzeitig einbinden, nicht informieren
• Welche Daten werden gespeichert und wie lange?
• Wer hat Zugriff auf individuelle Skill-Bewertungen — nur HR, nur direkte Vorgesetzte, alle?
• Wie werden Mitarbeitende über ihre eigenen Daten informiert und können sie widersprechen?
• Sind die Daten nur für Weiterbildungsplanung nutzbar, oder auch für Personalentscheidungen?

Wenn diese Fragen beantwortet und dokumentiert sind, ist die Basis für eine rechtlich saubere Einführung gelegt.

Konkrete Werkzeuge — was wann passt

Die richtige Tool-Wahl hängt vor allem von der Unternehmensgröße, dem vorhandenen HR-System und dem verfügbaren Budget ab.

Excel + ChatGPT oder Claude — wenn ihr bei null startet Kein separates Tool nötig. Ihr erhebt Skills per Selbsteinschätzungssurvey (Google Forms oder ähnliches), konsolidiert die Ergebnisse in einer Excel-Tabelle, definiert Soll-Profile für 5–10 kritische Rollen und lasst ein LLM das Matching und die Gap-Priorisierung übernehmen. Keine Lizenzkosten, keine Integration — aber auch kein automatisches Update, keine visuelle Auswertung, und manueller Aufwand pro Analysezyklus. Geeignet für den ersten Pilot mit 20–50 Personen.

Leapsome — wenn ihr Performance-Reviews als Datenbasis nutzen wollt Leapsome ermöglicht strukturierte Kompetenzbewertungen im Rahmen von Review-Zyklen — Selbsteinschätzung, Vorgesetzteneinschätzung und Peer-Feedback zu definierten Skills. Das ist keine dedizierte Skill-Gap-Analyse-Plattform, aber ein valider Weg, strukturierte Skill-Daten als Nebenprodukt des Performance-Prozesses zu erzeugen. Sinnvoll, wenn ihr Leapsome bereits für Mitarbeitergespräche nutzt — kein zusätzliches Tool nötig. Kosten: ca. 8–15 USD/Nutzer/Monat.

Workday Skills Cloud — wenn ihr bereits Workday einsetzt Workday hat eine eingebaute Skills Cloud, die Mitarbeiterprofile, Jobdeskriptionen und Lernpfade in einem System verbindet. Für Unternehmen, die bereits Workday nutzen, ist das der naheliegende Einstieg: keine separate Lizenz, direkte Integration in die bestehende HR-Datenbasis. Die Skills Cloud identifiziert automatisch Skill-Ähnlichkeiten und Entwicklungspfade. Voraussetzung: Workday muss bereits als HCM-System eingesetzt sein — der Eigenaufwand für eine Workday-Einführung nur für die Skills Cloud ist nicht gerechtfertigt. Verfügbar ab Enterprise-Lizenz.

Gloat — wenn ihr einen datengetriebenen internen Talentmarkt aufbauen wollt Gloat ist eine spezialisierte Workforce-Intelligence-Plattform für Unternehmen ab ca. 500 Mitarbeitenden. Sie extrahiert Skills automatisch aus bestehenden Profilen, berechnet Lücken zu zukünftigen Rollen und betreibt einen internen Talentmarkt, auf dem Mitarbeitende sich für Projekte und Rotationen bewerben können. Der ROI-Zeitraum liegt erfahrungsgemäß bei 16–17 Monaten. Klarer Nachteil für den deutschen Markt: Datenhosting in den USA, kein deutschsprachiger Support, kein EU-Datenspeicherungsmodus (Stand April 2026). Betriebsräte werden das kritisch prüfen.

Zusammenfassung: Wann welcher Ansatz

• Erster Pilot, unter 50 Personen, kein Budget → Excel + ChatGPT/Claude
• Performance-Reviews bereits strukturiert, 20–200 Personen → Leapsome
• Workday bereits im Einsatz, 500+ Mitarbeitende → Workday Skills Cloud
• Dedizierte Workforce-Intelligence-Plattform, 500+ Mitarbeitende, Budget vorhanden → Gloat (Datenschutz-Check erforderlich)

Datenschutz und Datenhaltung

Skill-Daten fallen unter DSGVO: Sie sind personenbezogene Daten, die Rückschlüsse auf Fähigkeiten, Entwicklungspotenzial und — wenn sie mit Entlohnung verknüpft werden — wirtschaftliche Verhältnisse einer Person erlauben. Das hat konkrete Konsequenzen.

Was das für die Tool-Auswahl bedeutet:

• Leapsome hostet Daten auf AWS EEA (europäischer Raum), stellt einen vollständigen AVV bereit — DSGVO-konform ohne Einschränkung
• Workday bietet eine EU Sovereign Cloud (seit 2024) — explizit vertraglich vereinbaren, denn der Standard-Betrieb läuft über internationale Rechenzentren
• Gloat hostet in den USA — US-Datenhosting bedeutet, dass ein Datentransfer nach Art. 46 DSGVO (Standardvertragsklauseln) formal absicherbar ist, aber für viele Betriebsräte trotzdem ein Ausschlusskriterium darstellt
• Excel + ChatGPT / Claude: Sobald du personenbezogene Skill-Daten in ein Cloud-LLM einträgst, gilt das als Datenübermittlung — nutze entweder anonymisierte/pseudonymisierte Daten (nur Rollen-IDs, keine Namen) oder setze auf ein europäisches LLM bzw. on-premise-Variante

Besonderheit bei HR-Daten: Skill-Daten sind per Definition Beschäftigtendaten. In Deutschland hat das Konsequenzen über die DSGVO hinaus: § 26 BDSG regelt den Umgang mit Beschäftigtendaten und setzt strengere Anforderungen als bei anderen personenbezogenen Daten. Der Verarbeitungszweck muss eng definiert sein (z. B. „Weiterbildungsplanung”) — eine spätere Nutzung für Kündigungsentscheidungen ohne neue Rechtsgrundlage ist unzulässig.

Praktischer Hinweis: Lass den Datenschutzbeauftragten vor dem Piloten eine kurze Risikoeinschätzung machen — das kostet eine Stunde und vermeidet teure Nacharbeit.

Was es kostet — realistisch gerechnet

Einmalige Aufbaukosten

• Selbsteinschätzungs-Survey erheben und auswerten (intern): 2–4 Wochen Aufwand, ca. 2.000–5.000 Euro Arbeitszeit
• Skill-Taxonomie definieren oder ESCO-Framework adaptieren: 1–2 Wochen, oft mit externer Begleitung: 3.000–8.000 Euro
• LLM-Workflow aufbauen (Excel + ChatGPT-Ansatz): 1–2 Tage, nahe null Kosten
• Leapsome-Einrichtung mit Skill-Review-Template: 4–6 Wochen Implementierung, inklusive in Lizenzkosten

Laufende Kosten (monatlich)

• Excel + ChatGPT/Claude: Nahe null (ChatGPT Plus: 22 Euro/Monat)
• Leapsome: ca. 8–15 USD/Nutzer/Monat (abhängig von Teamgröße und Modulauswahl)
• Workday Skills Cloud: Im Workday-Enterprise-Lizenzpreis enthalten
• Gloat: Sechsstellige Jahresbeträge, auf Anfrage

Wie du den Nutzen tatsächlich misst Die direkteste Metrik: Anteil intern besetzter Stellen, die vorher extern besetzt wurden. Eine einzige vermiedene externe Neubesetzung für eine Mittelstands-Fachposition spart typisch 8.000–20.000 Euro (Recruiting-Agentur, Ausfallzeit, Einarbeitung). Dazu kommt die Reduktion von Weiterbildungsausgaben, die am Bedarf vorbeigehen — weniger messbar, aber für L&D-Verantwortliche direkt spürbar.

Konservatives Szenario für 100 Mitarbeitende: Zwei vermiedene externe Neubesetzungen = 20.000–40.000 Euro. 15 % Reduktion des L&D-Budgets durch gezieltere Maßnahmen (bei 50.000 Euro Jahresbudget = 7.500 Euro). Gesamteinsparung: ca. 27.500–47.500 Euro. Setup-Kosten: 5.000–15.000 Euro. ROI innerhalb eines Jahres auch im konservativen Szenario erreichbar — sofern die Analyseergebnisse tatsächlich in Entscheidungen einfließen.

Drei typische Einstiegsfehler

1. Mit der Analyse anfangen, ohne den Verwendungszweck zu definieren. Die häufigste Variante: HR baut eine schöne Skill-Matrix, präsentiert sie im Strategie-Meeting — und dann passiert nichts. Wer entscheidet auf Basis dieser Daten was? Welche Budget-Freigaben folgen daraus? Wer ist verantwortlich für die Umsetzung? Wenn das vor der Erhebung nicht feststeht, landet die Analyse in der Schublade. Lösung: Commitment vom Vorstand oder von der Geschäftsführung vor dem Start, dass Ergebnisse in konkrete Budgetentscheidungen einfließen.

2. Selbsteinschätzungsdaten unkritisch als Wahrheit behandeln. Menschen schätzen ihre Fähigkeiten systematisch falsch ein — teils zu gut (Dunning-Kruger-Effekt), teils zu schlecht (Impostorphänomen, kulturelle Bescheidenheit). Eine Skill-Gap-Analyse, die nur auf Selbsteinschätzungen beruht, misst die Selbstwahrnehmung, nicht die tatsächliche Kompetenz. Lösung: Mindestens zwei Datenquellen kombinieren — Selbsteinschätzung plus Führungskräftebeurteilung oder Zertifikatsdaten. Bei kritischen Rollen zusätzlich kurze Skills-Tests oder Arbeitsproben.

3. Das Skill-Modell einmal aufbauen und nie aktualisieren. Das ist der langfristig schädlichste Fehler — weil er still passiert.

Berufsbilder wandeln sich, neue Technologien entstehen, Soll-Profile ändern sich mit der Unternehmensstrategie. Eine Skill-Gap-Analyse, die auf einem 18 Monate alten Soll-Profil basiert, misst die falsche Lücke. Für jede Rolle, die strategisch relevant ist, braucht es einen definierten Aktualisierungszyklus — mindestens jährlich, besser halbjährlich in Branchen mit schnellem Technologiewandel. Wer das nicht einplant, investiert in eine Momentaufnahme, die schneller veraltet als sie Nutzen stiftet.

Was einen Review auslösen sollte: Eine neue Produktlinie, ein Technologiewechsel, eine Reorganisation, aber auch der Abschluss eines größeren Weiterbildungsprogramms — dann sollte die Ist-Seite neu erhoben werden, nicht erst beim nächsten Jahresrhythmus.

Was mit der Einführung wirklich passiert — und was nicht

Die häufigste falsche Erwartung: „Wir machen die Analyse, dann wissen wir, was zu tun ist.” In der Praxis ist die Analyse der leichtere Teil. Der schwierigere Teil beginnt danach.

Was typischerweise eintritt:

Die Datenerhebungsphase dauert länger als geplant. Der Selbsteinschätzungs-Survey wird von 20–30 % der Mitarbeitenden nicht oder zu spät ausgefüllt. Erinnerungsmails werden ignoriert. Wer die Survey-Teilnahme nicht mit einer klaren Kommunikation verknüpft — warum das wichtig ist, was mit den Daten passiert, wer sie sieht — bekommt einen unvollständigen Datensatz. Das ist vermeidbar, erfordert aber eine sorgfältig gestaltete Kommunikation vor dem Start.

Führungskräfte wollen keine Transparenz über Schwächen in ihrem Team. Eine Analyse, die zeigt, dass eine Abteilung in kritischen Skills deutlich zurückliegt, kann als politische Aussage wirken. Führungskräfte in diesem Bereich werden die Erhebung sabotieren oder die Ergebnisse anfechten — oft nicht offen, sondern durch Nicht-Kooperation. Lösung: Framing von Anfang an als Entwicklungsinstrument, nicht als Audit. Die Daten gehören primär dem Team für seine eigene Entwicklung.

Der Sprung von Analyse zu Maßnahme wird unterschätzt. Eine priorisierte Skill-Lücke zu kennen ist nicht dasselbe wie ein passendes Weiterbildungsangebot zu haben, das Budget dafür freizugeben und jemanden für die Umsetzung verantwortlich zu machen. In vielen Unternehmen scheitert die Analyse nicht an der Technik, sondern daran, dass der Prozess endet, sobald das Ergebnis-Dokument fertig ist.

Was nicht passiert: Keine Führungskraft ändert ihre Einstellungspolitik wegen einer einzigen Analyse. Kein Budget wird automatisch umgelenkt. Das sind organisatorische Entscheidungen, die durch Daten unterstützt, aber nicht ersetzt werden.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben keine strukturierten Skill-Daten.” Das ist der Normalfall, kein Ausschlusskriterium. Fast jedes Unternehmen startet ohne strukturierte Kompetenzprofile. Der Ausweg ist ein kurzer Selbsteinschätzungs-Survey, der pro Mitarbeitendem 20–30 Minuten braucht und sofort eine auswertbare Basis erzeugt. Wer auf perfekte Datenlage wartet, beginnt nie.

„Das macht am Ende sowieso keiner der Führungskräfte.” Das ist oft ein Hinweis auf ein Framing-Problem, kein Tool-Problem. Wenn Führungskräfte die Skill-Analyse als HR-Bürokratie wahrnehmen, machen sie nicht mit. Wenn sie sie als direktes Werkzeug für ihre eigene Ressourcenplanung wahrnehmen — wer im Team hat Potenzial für was, welche Weiterbildungen lohnen sich — ist die Bereitschaft erheblich höher. Wer die Daten wirklich nutzt, verteidigt das System.

„KI wird Mitarbeitende falsch einschätzen.” Richtig — wenn die Eingabedaten schlecht sind. Ein LLM, das einen Lebenslauf analysiert, ist nur so gut wie der Lebenslauf. Das Ergebnis sollte als Startpunkt für ein Gespräch gelten, nicht als abschließendes Urteil. Der Wert liegt in der Systematik und Skalierbarkeit — nicht darin, dass die KI jede Person perfekt kennt.

„Das lohnt sich erst ab einer bestimmten Größe.” Pauschal falsch und pauschal richtig. Der Excel + LLM-Ansatz kostet nahe null und funktioniert ab 20–30 Personen. Enterprise-Plattformen wie Gloat oder die Workday Skills Cloud lohnen sich erst ab 500 Mitarbeitenden. Die Frage ist nicht ob, sondern welchen Ansatz.

Woran du merkst, dass das zu dir passt

• Dein Unternehmen befindet sich in einem Technologie- oder Transformationsprojekt — neue Software, Digitalisierung, Automatisierung — und du weißt nicht systematisch, wer intern das Potenzial hat, diese Transition mitzumachen
• Dein L&D-Budget übersteigt 20.000 Euro jährlich und du kannst nicht belegen, dass die Maßnahmen am tatsächlichen Bedarf ausgerichtet sind
• Ihr habt in den letzten 12 Monaten mindestens drei externe Neubesetzungen vorgenommen, obwohl ihr nicht sicher seid, ob interne Kandidaten existieren würden
• Performance-Reviews laufen strukturiert (mit Leapsome oder ähnlichem) und erzeugen bereits Kompetenzdaten, die bisher nicht ausgewertet werden
• Ihr plant eine Restrukturierung oder Wachstumsphase, bei der klar sein muss, welche Skills vorhanden sind und welche nicht

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 30 Mitarbeitenden. Der Aufwand für Datenerhebung, Taxonomie-Definition und Analyse übersteigt den Nutzen. In einem Team dieser Größe kennt HR die Stärken und Schwächen der Mitarbeitenden persönlich — ein KI-System fügt nichts hinzu, das eine halbtägige Team-Retrospektive nicht auch leisten würde.

2. Keine politische Bereitschaft, Ergebnisse in Budgetentscheidungen umzusetzen. Wenn im Vorfeld klar ist, dass die Analyse „interessant sein, aber nichts ändern” wird — dann spar dir die Erhebungsarbeit. Eine Skill-Gap-Analyse ohne Konsequenzen kostet Mitarbeitenden Zeit und erzeugt Erwartungen, die enttäuscht werden. Das schadet der nächsten Initiative mehr als gar nichts zu tun.

3. Keine strukturierten Jobprofile für Zielrollen vorhanden. Wenn HR nicht beschreiben kann, welche Skills eine Rolle in 18 Monaten erfordern wird — dann gibt es kein Soll-Profil, gegen das gemessen werden kann. Der erste Schritt ist dann nicht die Gap-Analyse, sondern die Definition zukünftiger Anforderungen. Das ist strategische Personalplanung und muss dem Tool-Einsatz vorausgehen.

Das kannst du heute noch tun

Öffne ChatGPT oder Claude und beginne mit einem einfachen Selbstversuch: Nimm die Stellenbeschreibung eurer wichtigsten Stelle, die in den nächsten 12 Monaten neu besetzt oder weiterentwickelt werden muss, und formuliere einen Prompt, der die 10 wichtigsten Skills für diese Rolle extrahiert. Vergleiche das Ergebnis mit den Lebensläufen von zwei bis drei bestehenden Mitarbeitenden — was fehlt, was ist vorhanden?

Das dauert 30 Minuten, kostet nichts und zeigt dir sofort, ob das Konzept für euren Kontext funktioniert — bevor du einen Cent für ein HR-Tool ausgibst.

Für den strukturierten Einsatz mit dem vollen Team findest du hier einen konkreten Prompt:

Quellen & Methodik

• 79 % fehlende KI-Kompetenzen, 86 % ungenutztes Potenzial: Stifterverband + McKinsey & Company, „KI-Kompetenzen in deutschen Unternehmen”, Januar 2025 (stifterverband.org)
• 92 % der Unternehmen ohne verlässliche Skills-Daten: AIHR (Academy to Innovate HR), „Challenges of AI in HR”, 2024 (aihr.com); bestätigt durch SHRM-Recherchen zu Skills-Ontologie-Implementierungen
• ROI-Zeitraum 16–17 Monate bei Gloat: G2/Capterra-Vergleichsanalyse für Workforce-Intelligence-Plattformen (Fuel50, 2025); Gloat-eigene Kundendaten
• ESCO-Framework Version 1.2 (Mai 2024): European Commission, ESCO: European Skills, Competences, Qualifications and Occupations — 13.939 Skills in 28 Sprachen (esco.ec.europa.eu)
• Externe Neubesetzungskosten 8.000–50.000 EUR: Praxisrichtwerte aus Recruiting-Branche (Gesellschaft für Arbeitgeberservice, Bundesagentur für Arbeit); stark abhängig von Senioritätslevel und Branche
• BetrVG § 87 Abs. 1 Nr. 6: Betriebsverfassungsgesetz, gültige Fassung — Mitbestimmung bei technischen Überwachungseinrichtungen
• § 26 BDSG: Bundesdatenschutzgesetz, gültige Fassung — Datenverarbeitung für Zwecke des Beschäftigungsverhältnisses

Du willst wissen, welcher Ansatz für die Größe und Reife eures HR-Systems passt — und wie ihr die Datenerhebungsphase ohne großen Survey-Aufwand hinbekommt? Meld dich — das klären wir in einem kurzen Gespräch.