Wir sind bereits im Zeitalter der KI – warum wählt ihr Personal noch immer mit diesen veralteten Methoden aus?
Unternehmen setzen große Erwartungen in das Talent-Review, doch die Realität erfüllt diese Hoffnungen oft nicht. Eine Umfrage der renommierten Personalberatung Talent Strategy Group unter mehr als 300 Unternehmen weltweit zeigt, dass die durchschnittliche Genauigkeit der Identifizierung von Hochpotenzialen mit herkömmlichen Methoden nur 44 % beträgt. Eine Umfrage des Managementberatungs- und Organisationsforschungsinstituts Gallup unter CHROs großer Unternehmen ergab, dass zwar 64 % der Unternehmen das 9-Box-Modell für die Nachfolgeplanung nutzen, aber nur 9 % der CHROs es für wirklich wirksam halten – und schlimmer noch: Nur 3 % der CHROs sind der Meinung, dass ihre Organisation bei der Identifizierung und Auswahl geeigneter Führungskräfte hervorragende Arbeit leistet. Diese schlechte Leistung liegt nicht nur an kognitiven Verzerrungen bei Managern oder an untätigen HR-Mitarbeitern. Das grundlegende Problem ist, dass herkömmliche Bewertungsmethoden die angeborenen Grenzen des menschlichen Gehirns bei der Verarbeitung komplexer Informationen nicht überwinden können.
Wenn das „alte Gehirn“ neue Talente nicht erfassen kann
Kognitive neurowissenschaftliche Forschung zeigt, dass die Schwierigkeit des Talent-Reviews nicht auf dem Versagen eines einzelnen Schritts beruht, sondern darauf, dass das Gehirn bei der Aufgabe, „Menschen zu bewerten“, durch mehrere einschränkende Faktoren gemeinsam behindert wird.
Stellen Sie sich eine typische Talent-Review-Sitzung vor. Die Informationen, die Manager gleichzeitig verarbeiten müssen, umfassen mindestens: die mehrdimensionale Leistung des aktuell besprochenen Mitarbeiters, den Vergleich mit anderen Mitarbeitern, die Kriterien für jede Bewertungsdimension und die organisatorischen strategischen Anforderungen hinter diesen Urteilen. Kognitionswissenschaftliche Studien zeigen, dass die Kapazität des menschlichen Arbeitsgedächtnisses nur 4 ± 1 Informationsblöcke beträgt. Wenn die Anzahl der Informationsblöcke in der Diskussion diese Obergrenze weit übersteigt, ist das Gehirn gezwungen, Vereinfachungsstrategien anzuwenden – entweder es stützt sich nur auf ein oder zwei auffälligste Merkmale, um Schlussfolgerungen zu ziehen, oder es gibt unklare Bewertungen, die zum Mittelwert tendieren. Dies erklärt genau, warum das 9-Box-Modell zwar oft als zu einfach kritisiert wird, aber in den letzten Jahrzehnten kaum durch komplexere Bewertungsrahmen ersetzt werden konnte.
Darüber hinaus lauern im Bewertungsprozess noch verborgene Störfaktoren. Eine Studie von Forschern der Psychologischen Fakultät der Universität Alberta zeigt: Wenn Manager jemanden sprachlich als „stark in Führung“ bewerten, aktiviert das Gehirn automatisch diese „semantischen Nachbarn“, da „Führung“ im alltäglichen Kontext häufig mit Begriffen wie „strategisches Denken“, „Urteilsvermögen“ und „Kommunikationsfähigkeit“ auftritt – und hebt unbewusst die Bewertungen in anderen Dimensionen an.
Das zentrale Hindernis des Talent-Reviews liegt nicht in ungenauen Managementprozessen oder fehlenden Bewertungsinstrumenten, sondern darin, dass es immer durch die begrenzte Informationskapazität, die kognitive Architektur und die Gedächtnismechanismen des menschlichen Gehirns eingeschränkt wird. Da das Problem tief in dem grundlegenden Mechanismus „wie das menschliche Gehirn Informationen verarbeitet“ verwurzelt ist, muss der echte Durchbruch darin bestehen, ein völlig anderes Paradigma der Informationsverarbeitung zu erforschen.
Mit KI ein „neues Gehirn“ schaffen – ein neues Paradigma für das Talent-Review etablieren
Im Gegensatz zum menschlichen Gehirn, das durch begrenzte Aufmerksamkeit, Gedächtnisabruf und subjektive Integration eingeschränkt ist, kann KI Talentedaten nach einer anderen Logik verarbeiten und die Übereinstimmungs- und Vorhersagefähigkeiten von Unternehmen im Talent-Review verbessern.
Übereinstimmung: Vektorisierte Übereinstimmung ersetzt die Verwaltung von Tags
Herkömmliche Talent-Reviews haben eine implizite Hauptarbeitsachse: das Zuweisen von Tags – und Tags sind im Wesentlichen Informationskompression. Im herkömmlichen Modell filtern und vergleichen Manager und HR auf Basis dieser komprimierten Tags, um die Übereinstimmung von Personen und Stellen zu erreichen. Das größte Problem dieser Methode besteht darin, Informationen mit vordefinierten, statischen Tags zu komprimieren. Das herkömmliche „Tagging“ ist ein top-down-zentralisierter Vorgang: Organisationen müssen normalerweise zuerst ein festgelegtes Fähigkeitssystem aufbauen, bevor sie Mitarbeitern Tags zuweisen können. Dieses System funktioniert nur in stabilen Umgebungen.
Aber im KI-Zeitalter sinkt die Halbwertszeit von Fähigkeiten drastisch. Ein Bericht des IT-Forschungs- und Beratungsinstituts Info-Tech zeigt, dass die Halbwertszeit funktionaler Fähigkeiten auf 2,5 Jahre gesunken ist; eine Umfrage des Weltwirtschaftsforums ergab zudem, dass bis 2030 39 % der Kernfähigkeiten grundlegend verändert sein werden. Die Merkmale von Mitarbeitern mit veralteten Tags zu komprimieren, ist nichts anderes als das blinde Ertasten eines Elefanten im neuen Zeitalter.
Um dieses Problem zu lösen, müssen nicht viele Mitarbeiter eingesetzt werden, um Tags, die den Anforderungen der Organisation entsprechen, in Echtzeit zu aktualisieren und zu erzeugen, bevor HR die Tags für die Mitarbeiter zuweist. Grundsätzlich gesehen brauchen Unternehmen in Zukunft nicht mehr so viele vordefinierte Tags. Im neuen Übereinstimmungsparadigma ist die Echtzeit-„vektorisierte Übereinstimmung“ der zentrale Lösungsansatz. Zuerst einmal: Ein Vektor beschreibt ein Objekt mit einer Gruppe von Zahlen, und der räumliche Abstand zwischen Punkten spiegelt direkt die Ähnlichkeit der Objekte wider. Das System berechnet den Abstand zwischen Vektoren, überwindet die Unterschiede in der wörtlichen Ausdrucksweise und verknüpft Inhalte mit ähnlicher Bedeutung automatisch.
Wenn diese Logik im Szenario der Talent-Stellen-Übereinstimmung angewendet wird, zeigt sich ihre Wirkung deutlich. Nehmen wir als Beispiel die Einstellung eines „Back-End-Entwicklers“ in einer Fachabteilung: Herkömmliche Systeme suchen normalerweise nur nach dem Tag „Back-End“, sodass Mitarbeiter, die nicht explizit markiert sind, leicht aus dem Kandidatenpool ausgeschlossen werden. In der Realität gibt es jedoch viele Mitarbeiter, deren Stellenbezeichnung nicht „Back-End-Entwickler“ lautet, die aber seit langem mit Python-Entwicklung, Datenbankverwaltung und Schnittstellendesign arbeiten – und deren Fähigkeitsprofil stark mit den Anforderungen von Back-End-Stellen übereinstimmt. Der entscheidende Wert von KI liegt darin, dass sie nicht an der wörtlichen Übereinstimmung festhält, sondern die semantische Verknüpfung von „unterschiedlich ausgedrückt, aber ähnlich in der Fähigkeit“ erkennen kann – und so potenzielle Kandidaten entdeckt, die vom herkömmlichen Tag-System verdeckt wurden.
Dies ist keine theoretische Vorstellung: Führende Unternehmen haben die vektorisierte Übereinstimmung bereits in die Praxis umgesetzt. Im Jahr 2023 arbeitete die HSBC mit dem KI-Technologieunternehmen TechWolf zusammen, um die semantische Verknüpfung von Arbeitsinhalten und Fähigkeiten durch Vektorisierungstechnologie zu erkennen. Das System baute ein einheitliches Klassifizierungssystem mit 18 Fähigkeitsbereichen, 48 Unterbereichen und 398 Fähigkeitsclustern auf, das mehr als 2500 Stellenrollen abbildet und detaillierte Fähigkeitsprofile für über 30.000 technische Mitarbeiter erstellt. Hunderte von digitalen und technischen Talenten, die lange Zeit außerhalb des Managementsichtfelds verborgen waren, wurden systematisch erkannt.
Obwohl die oben genannten Praktiken die Vektorisierungstechnologie eingeführt haben, haben sie das alte Modell nicht vollständig umgestoßen. Obwohl die semantische Verknüpfung bei der Personen-Stellen-Übereinstimmung hergestellt wurde, fällt das Endergebnis immer noch in vordefinierte Klassifizierungsrahmen und die Tag-Verwaltung. Im Vergleich dazu geht das Personaltechnologieunternehmen Eightfold AI, das Unternehmen wie Salesforce und Microsoft bedient, einen radikaleren Weg: Vektoren werden direkt als Grundlage für die Übereinstimmung verwendet, wobei der Zwischenschritt der Tags entfällt. Das Unternehmen trainiert Modelle auf Millionen von Talentprofilen und erstellt Empfehlungen durch Berechnung der semantischen Distanz. In diesem Modell wird die Personen-Stellen-Übereinstimmung vektorisiert realisiert – Tags erscheinen nur dann, wenn das Ergebnis für Menschen erklärt werden muss. Laut einer Analyse der internen Plattformdaten von Eightfold AI, die etwa 690.000 Mitarbeiter abdeckt, liegt die Beförderungsrate von Mitarbeitern, die durch KI mit hoher Übereinstimmung ausgewählt und eingestellt wurden, innerhalb von zwei Jahren nach der Einstellung fast 50 % höher als die der Gruppe mit niedriger Übereinstimmung – und die 12-Monats-Bindungsrate ist ebenfalls relativ höher. Ein vergleichendes Experiment, das 2026 in „Information Sciences“ veröffentlicht wurde, zeigt zudem, dass die Genauigkeit der semantischen Übereinstimmung bei der Personen-Stellen-Übereinstimmung in mehreren Bereichen etwa 2- bis 5-mal höher liegt als bei herkömmlichen Schlüsselwortwerkzeugen.
Vorhersage: Die „Meta-Fähigkeit“ des Menschen
Was die Übereinstimmung leistet, ist im Wesentlichen auf die Gegenwart ausgerichtet und blickt auf die Vergangenheit zurück. Wenn dieselbe Methode jedoch direkt zur Vorhersage der Zukunft verwendet wird, treten Schwierigkeiten auf. Der Grund liegt nicht darin, dass die vektorisierte Übereinstimmung im Vorhersageszenario versagt, sondern darin, dass das Ziel der Vorhersage nicht stabil ist: Im KI-Zeitalter ändern sich die Kriterien dafür, was ein hervorragendes Talent ausmacht, ständig. Wenn sich das Konzept des hervorragenden Talents ständig verschiebt, kann jede statische Anpassung auf Basis vorhandener Profilbilder allmählich ungenau werden.
Daher darf die Talentvorhersage nicht nur die Frage „Wer ähnelt den heutigen hervorragenden Talenten mehr?“ beantworten, sondern muss weitergehen und die Frage beantworten: „Wer wird sich wahrscheinlicher an die Veränderungen von morgen anpassen?“
Durch die Analyse der Transkripte von insgesamt 303 Folgen des bekannten Technologie-Podcasts „Lenny's Podcast“ aus den Jahren 2022 bis 2026 habe ich die Diskussionen darüber, „welche Fähigkeiten Menschen im KI-Kontext besitzen sollten“, systematisch ausgewertet. Die Ergebnisse zeigen, dass von mehr als 400 gültigen Erwähnungen die Kategorie „Fähigkeiten“ den höchsten Anteil hat (ca. 55 %), gefolgt von „Eigenschaften“ (ca. 30 %) und „fachlichen Fähigkeiten“ mit dem geringsten Anteil (ca. 15 %). Unter den Fähigkeiten werden Lernfähigkeit, strategisches Denken und Vision sowie Anpassungsfähigkeit am häufigsten genannt; unter den Eigenschaften gehören Neugier, Geschmack und Intuition zu den häufig genannten Begriffen.
Dieses Ergebnis zeigt zumindest, dass in der Diskussion über Talente im KI-Zeitalter nicht mehr nur eine bestimmte feste Technik selbst im Mittelpunkt steht, sondern die übergeordneten Fähigkeiten, die kontinuierliches Lernen, situationsübergreifende Übertragung und schnelle Anpassung unterstützen.
Wir bezeichnen diese Art von hochrangigen Fähigkeiten, die über spezifisches Domänenwissen hinausgehen und das Individuum dabei unterstützen, sich in völlig neuen Situationen kontinuierlich anzupassen und sein Fähigkeitsprofil neu zu strukturieren, als „Meta-Fähigkeiten“. Dieses Konzept wurde erstmals vom Managementwissenschaftler Burgoyne vorgeschlagen.
Unter vielen theoretischen Rahmenwerken für Meta-Fähigkeiten ist die „Lernagilität“ das am weitesten verbreitete Kernkonzept in der aktuellen Managementpraxis – und wurde von führenden Unternehmen wie Tencent, HSBC und Procter & Gamble tief in ihre Talentbewertungssysteme integriert. Die Gründer des Unternehmens für Führungsentwicklung und Talentbewertung Lominger definieren sie als die Bereitschaft und Fähigkeit, in völlig neuen, anspruchsvollen oder veränderlichen Situationen schnell aus Erfahrungen zu lernen und das Gelernte in erfolgreiche Leistungen umzusetzen. Nach der Entwicklung gliedert sie sich in fünf Unterdimensionen: geistige Agilität, zwischenmenschliche Agilität, Veränderungsagilität, Ergebnisagilität und Selbstwahrnehmung.
Die Bewertung von Meta-Fähigkeiten muss den Fokus von „Bewertungen abgeben“ auf „die Verhaltensleistung und die Spuren der Fähigkeitsübertragung in neuen Situationen messen“ verlagern. Konkret geht es zuerst darum, Meta-Fähigkeiten in beobachtbare Verhaltensmuster zu zerlegen.
Nehmen wir als Beispiel die „Veränderungsagilität“ in der Lernagilität: Ihre Verhaltensanker lassen sich zusammenfassen als „Neugier auf neue Ideen und Vorgehensweisen, Bereitschaft, neuen Situationen zu begegnen, und aktive Suche nach innovativen, sogar risikoreichen neuen Methoden“. Im Gegensatz zu herkömmlichen Bewertungen, die leicht durch Ausdrucksfähigkeit oder einzelne herausragende Leistungen gestört werden, kann KI kontinuierliche Beweisketten aus mehreren Systemen wie Projekterfahrungen, Leistungsdokumenten und Kooperationsprotokollen extrahieren. Durch die Erfassung wichtiger Ereignisse und Verhaltensprozesse baut sie ein Spurenmodell auf und wandelt subjektive Eindrücke in auf objektiven Fakten basierende Urteile um. Gleichzeitig kann versucht werden, Situationssimulationen einzuführen – indem Aufgaben mit hoher Unsicherheit erstellt werden, um gezielt zu prüfen, wie Kandidaten in Situationen mit begrenzten Informationen Fragen stellen, Einschränkungen erkennen und Lösungen neu strukturieren. Schließlich sollten die Bewertungsergebnisse nicht zu einem allgemeinen „Gesamtwert für Potenzial“ komprimiert werden. Ein praktischer Ansatz besteht darin, ein mehrdimensionales Profil mit Dimensionstwerten, Beweiszusammenfassungen und Risikohinweisen auszugeben.
5 Maßnahmen, die CHROs sofort ergreifen können
Die Umsetzung echter vektorisierter Übereinstimmung, Meta-Fähigkeitsbewertung und erklärbarer KI-Systeme erfordert viel Zeit. Bevor diese vollständig bereit sind, können CHROs die folgenden fünf Maßnahmen sofort umsetzen, um Denkweisen und Gewohnheiten zu verändern – als Ausgangspunkt für den Wandel des Paradigmas.
1. Schreiben Sie ein Stellenprofil, das KI verstehen kann
Die meisten Stellenbeschreibungen sind für Menschen geschrieben, nicht für Maschinen. Die Obergrenze der Talentübereinstimmung hängt zunächst von der Klarheit der Talentkriterien und der semantischen Dichte der eingegebenen Informationen ab. Je unklarer die Eingabe, desto verzerrter die Ausgabe.
Wählen Sie eine Schlüsselstelle, die am schwierigsten zu besetzen ist, und schreiben Sie das Stellenprofil in einer Stunde neu. Es gibt nur ein Prinzip: Verwenden Sie keine unscharfen Adjektive, sondern schreiben Sie nur konkrete, beobachtbare und überprüfbare Anforderungen – z. B. konkrete Verantwortlichkeiten, Fähigkeitsanforderungen und Merkmale von Personen, die nicht gesucht werden. Kurzfristig kann dies für die Vorauswahl von Kandidaten durch generative KI-Modelle verwendet werden. Langfristig ist es eine wichtige Eingabe für zukünftige vektorisierte Übereinstimmungssysteme.
2. Zeichnen Sie eine Karte der Talentedaten
Listen Sie auf einem Blatt Papier auf, wo alle mit „Menschen“ verbundenen Daten in der Organisation gespeichert sind und wer der verantwortliche Manager ist. Der Sinn dieses Schritts besteht nicht darin, Daten sofort zusammenzuführen, sondern der Organisation erstmals klar zu zeigen: Wie viele „Datenberge“ liegen zwischen dem heutigen Stand und dem reibungslosen Betrieb der vektorisierten Übereinstimmung?
3. Schreiben Sie Ihre Vorhersagen über Menschen auf, verschließen Sie sie und sehen Sie sie nach drei Monaten wieder an