McKinsey HR Monitor 2026: Was die Kompetenzbefragung belegt und was nicht

Inhalt

1. 1. Was der HR Monitor 2026 erhebt: Stichprobe, Kompetenzfelder, Bewegungen
2. 2. Veränderung ist nicht Bedeutung: Nennungsniveau und Vorzeichen
3. 3. Was eine Top-5-Befragung misst und was nicht
4. 4. Was die Primärforschung zu den einzelnen Kompetenzen zeigt
5. 5. Ausführen, Prüfen, Verantworten: die tragende Unterscheidung
6. 6. Bewertung: Optionen, Risiken, Gegenargumente
7. 7. Handlungscheckliste

1. Was der HR Monitor 2026 erhebt: Stichprobe, Kompetenzfelder, Bewegungen

Der HR Monitor ist eine jährliche Befragung von McKinsey zur Lage der Personalfunktion. Die Ausgabe 2026 erschien am 8. Juni 2026; ihr Exhibit 1 auf Berichtsseite 8 weist für 21 Kompetenzfelder aus, wie oft HR-Verantwortliche sie unter ihre fünf wichtigsten Zukunftskompetenzen wählten und wie sich dieser Anteil gegenüber der Vorausgabe verändert hat [1] [2]. Die Kompetenzbefragung umfasst 1.303 HR-Verantwortliche aus zehn Ländern in Unternehmen ab 100 Beschäftigten, darunter 145 aus Deutschland. Der Vergleichswert stammt von 1.925 HR-Verantwortlichen aus sieben Ländern. Erhoben wurde im Januar 2026 und im Dezember 2024; die Ausgabenbezeichnungen 2025 und 2026 benennen Berichtsjahre, nicht Erhebungsjahre [1].

Die Bewegungen sind deutlich. Digitale Grundkompetenz gewinnt 15 Prozentpunkte, Problemlösungsfähigkeit neun, Kreativität sechs, Resilienz und Urteilsfähigkeit je drei, IT-Architektur zwei, digitale Zusammenarbeit einen; Missionsorientierung führt der Bericht ohne Zahlenwert als unverändert. Auf der anderen Seite verliert digitales Lernen acht Punkte, nutzerzentriertes Design und Eigeninitiative je fünf, Softwareentwicklung und Veränderungskompetenz je vier, interkulturelle Kommunikation, agiles Arbeiten, Innovationsfähigkeit und Quantencomputing je drei, digitale Ethik, Konfliktfähigkeit sowie Datenanalyse und KI je zwei, Hardware- und Robotikentwicklung einen [1].

Zwei Bewegungen verdienen Aufmerksamkeit, bevor der Bericht gedeutet wird. Kreativität steigt um sechs Punkte, Innovationsfähigkeit fällt um drei. Dieser Gegenlauf fügt sich nicht in eine einfache Erzählung vom Aufstieg der kreativen Fähigkeiten; ob Definitionen, Überschneidungen oder verschobene Auswahlprioritäten ihn erklären, lässt sich ohne Fragebogen und Einzeldaten nicht klären. Und McKinsey selbst versieht den Jahresvergleich mit dem Hinweis, die Unterschiede nur der Richtung nach zu lesen, weil sich die Länderabdeckung gegenüber der Vorausgabe geändert hat [1]. Der Verfasser nimmt diesen Hinweis ernster, als es die verbreitete Lesart der Ergebnisse als Rangliste von Gewinner- und Verliererkompetenzen tut.

2. Veränderung ist nicht Bedeutung: Nennungsniveau und Vorzeichen

Die Veränderungswerte sagen nichts über das Niveau, auf das sie sich beziehen. McKinseys deutsche Pressemitteilung liefert zwei Ankerwerte: Digitale Grundkompetenz stieg von 8 auf 23 Prozent der Nennungen, Problemlösungsfähigkeit steht 2026 bei 44 Prozent [3]. Der stärkste Aufsteiger liegt damit beim Niveau deutlich hinter einer Kompetenz, die nur neun Punkte gewann. Relativ zum Ausgangswert entspricht der Zuwachs bei digitaler Grundkompetenz einer Steigerung um 187,5 Prozent; diese Rechnung stammt vom Verfasser und dient allein der Veranschaulichung, nicht als Aussage über Nachfrage oder Produktivität.

Dieselbe Logik gilt für die Rückgänge. Datenanalyse und KI verlieren zwei Prozentpunkte und gehören im Bericht weiterhin zu den drei am häufigsten genannten Kompetenzfeldern [1]. Rückgang und hohe Priorität schließen einander nicht aus. Eine Karriereempfehlung aus dem Vorzeichen einer Veränderung abzuleiten, wäre ein Fehlschluss, weil das Vorzeichen die Bewegung einer Nennungshäufigkeit beschreibt und nicht den Rang, den Wert oder die Nachfrage der Fähigkeit.

3. Was eine Top-5-Befragung misst und was nicht

Eine Frage nach den fünf wichtigsten Zukunftskompetenzen erfasst Auswahlentscheidungen aus einer vorgegebenen Liste. Sie misst weder, wie gut Beschäftigte eine Fähigkeit beherrschen, noch, wie oft sie gebraucht wird. Eine Fähigkeit, die jede Woche benötigt wird, kann außerhalb der persönlichen Top fünf liegen. Für Aussagen über steigende Nachfrage wären Stellenanzeigen, Einstellungen oder Arbeitsstunden nach Aufgaben erforderlich, für Aussagen über Marktwert Lohnprämien bei vergleichbarer Qualifikation, für Aussagen über Verdrängung durch KI ein Untersuchungsdesign, das KI-Effekte von Konjunktur und Personalpolitik trennt. Der Monitor erfüllt keine dieser Anforderungen. Das macht ihn als Prioritätensignal nicht wertlos, begrenzt aber seine Reichweite.

Die begrenzte Auswahl erzeugt zudem Konkurrenz zwischen den Kategorien. Wer 2026 digitale Grundkompetenz neu in seine Top fünf aufnimmt, muss eine andere Kompetenz streichen. Eine HR-Verantwortliche kann Lernen unverändert wichtig finden und es dennoch aus ihrer Auswahl nehmen. Die beobachtete Verschiebung wäre dann real, ohne dass Lernen für sie an Bedeutung verloren hätte. Hinzu kommt der Länderwechsel: Belgien, China und die Niederlande kamen zur Stichprobe hinzu [1]. Ein Jahresunterschied kann aus veränderten Antworten in gleichen Gruppen und aus veränderter Zusammensetzung der Gruppen bestehen. Ohne dokumentierte Gewichtung, Mikrodaten und einen harmonisierten Vergleich der gemeinsamen Länder lässt sich der Zeittrend nicht unabhängig prüfen. Das begründet keinen Zweifel an den Zahlen, wohl aber an ihrer Deutung als Trend.

Der Bericht weist keine Unsicherheitsintervalle aus. Zur Größenordnung eine eigene, ausdrücklich illustrative Rechnung des Verfassers: Bei zwei unabhängigen einfachen Zufallsstichproben mit 1.303 und 1.925 Befragten und Anteilen von jeweils 50 Prozent läge die ungefähre 95-Prozent-Fehlerspanne einer Anteilsdifferenz bei 3,5 Prozentpunkten. Gewichtung, Auswahlverfahren und Design-Effekte verändern diesen Wert, und die McKinsey-Daten sind damit nicht nachträglich auf Signifikanz geprüft. Die Rechnung zeigt nur, warum eine Rangordnung nach Ausschlägen von ein bis drei Punkten ohne Unsicherheitsangabe nicht trägt.

Schließlich sind die 21 Kategorien unterschiedlich breit und überlappen sich. Digitale Grundkompetenz betrifft nahezu alle Beschäftigten, Quantencomputing eine kleine Spezialistengruppe. Die Begriffe entsprechen weitgehend der Systematik von Stifterverband und McKinsey aus dem Jahr 2021; dort umfasst Digital Literacy den grundlegenden Umgang mit Software, Daten und Sicherheit, Digital Learning den Wissensaufbau mit digitalen Angeboten, digitale Ethik die kritische Bewertung von Informationen [6]. Ob den Befragten 2026 genau diese Definitionen vorlagen, ist nicht dokumentiert. Der Stifterverband hat die Systematik inzwischen auf 30 Zukunftskompetenzen erweitert [7], ein Hinweis darauf, dass Zuschnitt und Auswahl der Kategorien selbst zu prüfen sind. Zwei Korrekturen folgen daraus: Digitale Grundkompetenz ist nicht mit KI-Kompetenz gleichzusetzen, die zusätzlich die Bewertung von Modellen und Ergebnissen verlangt; und minus acht Punkte bei digitalem Lernen messen keine Veränderung von Trainingsstunden oder Budgets.

Der Bericht verbindet die Verschiebungen mit der Übernahme technischer Tätigkeiten durch KI, die Pressekommunikation stellt kreative und urteilsbezogene Fähigkeiten den technischen gegenüber [1] [3]. Das ist eine Interpretation der Autoren, die die Befragung nicht kausal identifiziert. McKinsey erhebt eigene Daten und ist insofern Primärquelle; zugleich hat eine Unternehmensberatung ein geschäftliches Interesse an Transformations- und Qualifizierungsfragen. Das entwertet die Daten nicht, verlangt aber, empirischen Befund und Empfehlung getrennt zu prüfen. Dieselbe Trennung gilt für Studien von KI-Anbietern, von denen zwei im folgenden Abschnitt vorkommen.

4. Was die Primärforschung zu den einzelnen Kompetenzen zeigt

Eine zweite Arbeitgeberbefragung widerspricht der Abwertung technischer Fähigkeiten

Der Future of Jobs Report 2025 des World Economic Forum beruht auf einer eigenen Arbeitgeberbefragung. Für den Zeitraum bis 2030 stehen dort KI und Big Data, Netzwerke und Cybersicherheit sowie technologische Grundkompetenz an der Spitze der erwarteten Zuwächse; Kreativität, Anpassungsfähigkeit und lebenslanges Lernen gewinnen ebenfalls [8]. Das ist ein Gegengewicht zu einer Lesart der McKinsey-Rückgänge als Abwertung, aber keine Widerlegung, weil sich Population, Kategorien, Fragestellung und Zeithorizont unterscheiden. Beide Quellen messen Erwartungen. Zwei Befragungen mit unterschiedlichen Ergebnissen können beide korrekt ausgewertet sein, ohne dass eine von ihnen die künftige Nachfrage vorhersagt. Wie weit Erwartungen und Arbeitsmarktdaten auseinanderliegen können, hat der Verfasser im Beitrag KI-Hype vs. Arbeitsmarkt-Realität beschrieben.

Problemlösen und Urteilen: KI hilft und führt fehl

Dell’Acqua und Mitautoren untersuchten in einem vorab registrierten Experiment 758 Beratungsfachkräfte. Bei geeigneten Aufgaben erledigten die Teilnehmenden mit GPT-4-Unterstützung mehr Aufgaben in kürzerer Zeit; bei einer Aufgabe, die gezielt außerhalb der damaligen Modellfähigkeiten lag, sank die Wahrscheinlichkeit einer korrekten Lösung [9]. Die Studie stützt die Bedeutung aufgabenspezifischer Prüfung und belegt weder einen universellen Vorteil des Menschen noch der KI. Aus einem Experiment mit GPT-4 folgt zudem keine unveränderte Fähigkeitsgrenze für das Jahr 2026. Eine Befragung von 319 Wissensarbeitenden verbindet höheres Vertrauen in generative KI mit geringerem selbstberichteten Aufwand für kritisches Denken; die berichtete Denkarbeit verlagert sich auf Prüfung und Integration von Ergebnissen [10]. Das ist eine Korrelation aus Selbstauskünften, kein Nachweis eines Kompetenzverlusts. Den Mechanismus dahinter behandelt der Beitrag Kognitiver Offload.

Produktivität: Assistenz verkleinert Erfahrungsunterschiede

Brynjolfsson, Li und Raymond analysierten die schrittweise Einführung eines KI-Assistenten bei 5.172 Beschäftigten im Kundensupport. Die Produktivität, gemessen an gelösten Anliegen pro Stunde, stieg im Durchschnitt um 15 Prozent; weniger erfahrene und zuvor weniger leistungsstarke Beschäftigte profitierten am stärksten. Leistungsgewinne während technischer Ausfälle des Assistenten deuten auf eigenes Lernen hin [5]. KI kann demnach Teile erfahrungsgebundenen Wissens breiter verfügbar machen. Das spricht gegen die These, dass mit KI ausschließlich bereits hochqualifizierte Personen gewinnen. Es handelt sich um eine betriebliche Einführungsstudie, nicht um eine Zufallsstichprobe aller Berufe.

Softwareentwicklung: Kontext entscheidet, nicht die Kategorie

Für das Kompetenzfeld Softwareentwicklung, im Monitor mit minus vier Punkten geführt, liegt die dichteste Evidenz vor, und sie weist in beide Richtungen. Cui und Mitautoren fassen drei randomisierte betriebliche Experimente mit insgesamt 4.867 Entwickelnden zusammen und finden rund 26 Prozent mehr erledigte Aufgaben mit KI-Unterstützung; an der Studie sind Forschende von Microsoft beteiligt [11]. METR randomisierte 246 reale Aufgaben bei 16 erfahrenen Open-Source-Entwicklern in vertrauten Codebasen und maß mit KI-Werkzeugen des Jahres 2025 eine um 19 Prozent längere Bearbeitungszeit [12]. Das Update vom Februar 2026 deutet auf günstigere Effekte, benennt aber Teilnahme- und Aufgabenauswahlprobleme, die eine zuverlässige Schätzung verhindern: Wer ungern ohne KI arbeitet, nimmt seltener teil, und parallele Agentennutzung erschwert die Zeitmessung [13].

Beide Richtungen sind mit einem Mechanismus vereinbar. Der Nutzen hängt davon ab, wie viel Arbeit KI abnimmt und wie viel Zeit für Kontextvermittlung, Kontrolle und Korrektur anfällt; mit besseren Werkzeugen verschiebt sich diese Bilanz. Eine Ableitung „Softwareentwicklung verliert allgemein an Wert“ tragen die Untersuchungen nicht. Für den Kompetenzerwerb folgt daraus kein Verzicht auf Grundlagen: Anforderungen verstehen, Fehler isolieren, Tests beurteilen, Abhängigkeiten erkennen und Systeme betreiben sind Bestandteile des Berufs, die bei stärkerer Automatisierung an Gewicht gewinnen können.

Kreativität: KI ist bereits Teil kreativer Leistung

Doshi und Hauser untersuchten experimentell die Nutzung KI-generierter Ideen beim Schreiben kurzer Geschichten. Unterstützte Texte wurden als kreativer bewertet, besonders bei weniger kreativen Teilnehmenden; zugleich ähnelten sich die Ergebnisse stärker [14]. Die Aussage „KI kann keine Kreativität“ ist damit als empirische Pauschalaussage nicht haltbar. Plausibel wertvoll bleiben Problemwahl, Kontextverständnis, Auswahlkriterien und die bewusste Suche nach ungewöhnlichen Ansätzen. Dass diese Tätigkeiten dauerhaft menschlich bleiben, ist dadurch nicht bewiesen. Der Verfasser hat die Verschiebung des Kreativitätsbegriffs in Jenseits der Kreativität ausführlicher behandelt.

Lernen: eine gute fertige Lösung ist kein Kompetenznachweis

Shen und Tamkin untersuchten 2026 randomisiert, wie 52 überwiegend jüngere Softwarefachkräfte eine ihnen neue Python-Bibliothek lernten. Im anschließenden Wissenstest erreichte die KI-Gruppe durchschnittlich 50 Prozent gegenüber 67 Prozent ohne KI, ein Unterschied von 17 Prozentpunkten; der Zeitvorteil war im Durchschnitt nicht statistisch signifikant [4]. Die Studie ist ein Preprint aus dem Umfeld eines KI-Anbieters und misst kurzfristiges Lernen in einer eng begrenzten Aufgabe. Innerhalb der KI-Gruppe gingen verständnisorientierte Nutzungsweisen mit besseren Ergebnissen einher; diese nachträgliche Unterteilung ist nicht randomisiert und beweist keinen ursächlichen Promptstil [4]. Produktivität und Kompetenzerwerb sind unterschiedliche Zielgrößen. Wenn KI die Ausführung übernimmt, muss Ausbildung Gelegenheiten für eigenes Erklären, Diagnostizieren und Übertragen enthalten. Der Rückgang bei digitalem Lernen im Monitor liefert keinen Grund, diesen Bereich zu vernachlässigen.

Zusammenarbeit und Arbeitsmarkt: unterschiedliche Befunde, gleiche Vorsicht

Das vorab registrierte Experiment „The Cybernetic Teammate“ mit 776 Fachkräften bei Procter & Gamble verglich Einzel- und Teamarbeit mit und ohne KI bei Produktinnovationsaufgaben. Einzelpersonen mit KI erreichten bei der bewerteten Leistung das Niveau von Teams ohne KI [15]. Bestimmte Vorteile der Zusammenarbeit lassen sich demnach technisch unterstützen oder teilweise ersetzen. Vertrauen, Verantwortungsverteilung und Konfliktlösung als langfristige Eigenschaften einer Organisation erfasst ein zeitlich begrenzter Leistungstest jedoch nicht.

Auf dem Arbeitsmarkt zeigen die Daten bisher Unterschiedliches. Humlum und Vestergaard verbinden dänische Befragungsdaten mit Registerdaten und finden im untersuchten frühen Zeitraum keine durchschnittlichen Veränderungen von Einkommen und Arbeitsstunden; Effekte über 2 Prozent können sie ausschließen, während sich Aufgaben verändern [16]. Die Stanford-Studie „Canaries in the Coal Mine?“ berichtet aus US-Lohnabrechnungsdaten bei 22- bis 25-Jährigen in KI-exponierten Berufen eine Beschäftigungslücke von 19 Prozent gegenüber weniger exponierten Berufen; die Autoren bezeichnen dies als deskriptiven Frühindikator und begrenzen die kausale Deutung ausdrücklich [17]. Die Zahl bedeutet nicht, dass KI 19 Prozent der Einstiegsjobs vernichtet hätte. Risiken für Berufseinsteigende sind ernst zu nehmen, lassen sich aber weder mit den Verschiebungen des Monitors quantifizieren noch auf einen Bedeutungsverlust technischer Ausbildung reduzieren.

5. Ausführen, Prüfen, Verantworten: die tragende Unterscheidung

Die relevante Grenze verschiebt sich weiter. METR misst bei KI-Agenten unter anderem die Länge von Aufgaben, die Agenten mit festgelegter Erfolgswahrscheinlichkeit bewältigen; die Anfang 2026 aktualisierte Methode zeigt steigende Fähigkeiten und zugleich Sensitivität gegenüber Aufgabenbestand und Messverfahren. Eine 50-Prozent-Erfolgsgrenze beschreibt keine zuverlässige vollständige Arbeitsübernahme [18]. Der Verfasser hält deshalb weder das Einfrieren alter Modellgrenzen noch die Übertragung eines Benchmarks auf einen vollständigen Beruf für gerechtfertigt. Eine belastbare Kompetenzstrategie orientiert sich an Aufgaben, Fehlerfolgen und überprüfbaren Ergebnissen, nicht an einer festen Trennlinie zwischen menschlichen und technischen Fähigkeiten.

Mit leistungsfähigeren Systemen lassen sich Entwürfe, Analysen, Code und Teile ihrer Prüfung automatisieren. Der Bedarf an menschlicher Prüfung folgt nicht aus einer prinzipiellen Urteilsunfähigkeit der KI, sondern situationsabhängig daraus, welche Restfehler verbleiben, wer Ziele setzt, welche Interessen betroffen sind und wer Entscheidungen verantwortet. Vier Konsequenzen ergeben sich aus den Studien zu Produktivität, Lernen und Agentenfähigkeiten als analytische Synthese, nicht als geschätzte Gesamteffekte [9] [11] [4] [18]. Weniger Ausführung kann mehr Diagnose verlangen, weil seltene Fehler schwer zu erkennen sind, wenn die zugrunde liegende Arbeit nicht mehr verstanden wird. Mehr Output erzeugt Auswahlbedarf, sodass Kriterien und Prioritäten an Gewicht gewinnen. Sinkende Erstellungskosten können zusätzliche Nachfrage auslösen; weniger Aufwand pro Softwarefunktion bedeutet nicht weniger Softwareentwicklung insgesamt. Und Kontrolle lässt sich ebenfalls teilweise automatisieren, weshalb „der Mensch prüft alles“ weder immer skalierbar noch automatisch wirksam ist.

Aus dieser Unterscheidung folgt, dass Fachwissen und sogenannte Soft Skills kein sinnvoller Gegensatz sind. Wer einen KI-generierten statistischen Schluss prüfen soll, benötigt statistisches Verständnis; wer einen Architekturvorschlag freigibt, muss technische Zielkonflikte erkennen; wer einen Konflikt bearbeitet, muss die konkrete Organisation kennen. Allgemeines Selbstvertrauen ersetzt dieses Wissen nicht. Zugleich kann KI vorhandenes Wissen verfügbar machen und Menschen bei bislang schwierigen Aufgaben unterstützen. Daraus entsteht ein Spannungsverhältnis, das die Produktivitäts- und die Lernstudien von zwei Seiten beleuchten: Kurzfristig schließt Unterstützung Leistungslücken, während unreflektierte Delegation den Aufbau eigener Kompetenz erschwert [5] [4]. Der IEEE-Bericht Technology Megatrends 2030 zieht für seine Kompetenzmatrix denselben Schluss, wie der Verfasser in IEEE Technology Megatrends 2030 dargestellt hat.

6. Bewertung: Optionen, Risiken, Gegenargumente

Organisationen haben drei Optionen im Umgang mit dem HR Monitor. Sie können ihn als Rangliste lesen und Weiterbildung entlang der Vorzeichen umschichten; das trägt die Datenbasis nicht. Sie können ihn verwerfen, weil er aus der Beratungskommunikation stammt; das verschenkt ein brauchbares Signal über veränderte HR-Prioritäten in 1.303 Unternehmen. Oder sie nutzen ihn als Anlass, den eigenen Qualifizierungsbedarf auf Aufgabenebene zu bestimmen: Welche Aufgaben einer Rolle ändern sich, wie häufig treten sie auf, welche Qualität ist erforderlich, was kosten Fehler. Der Verfasser empfiehlt die dritte Option, weil erst diese Bestandsaufnahme entscheidet, welche Kompetenzen breit und welche spezialisiert aufzubauen sind. Ein Pilot, der dabei nur generierten Text oder Code zählt, misst zu wenig; er braucht Zeit, Qualität, Nacharbeit, problematische Fehler und Lernfortschritt als getrennte Zielgrößen, wie es das Acht-Phasen-Modell der KI-Integration für Pilotvorhaben vorsieht.

Drei Risiken begleiten die Nutzung. Erstens die Kürzung von Weiterbildung entlang der Rückgänge: Lernen, Datenkompetenz, Nutzerverständnis und ethische Urteilsbildung können Voraussetzungen erfolgreicher KI-Nutzung sein, auch wenn sie in einer Auswahlfrage seltener genannt werden. NIST beschreibt in seinem Risikoprofil für generative KI die dafür nötigen Kontrollen; das ist ein Rahmenwerk, keine Arbeitsmarktstudie [19]. Zweitens die formale Aufsicht: Eine Person als zuständig einzutragen genügt nicht, sie braucht Kompetenz, Zeit, Zugang zu Evidenz und die Befugnis, eine Entscheidung zu stoppen. Drittens der Wegfall von Einstiegsrollen als Lernwege: Wenn KI einfache Aufgaben übernimmt, müssen betreute Fallarbeit, Fehleranalysen und schrittweise Verantwortung an ihre Stelle treten; die Lernbefunde und die Frühindikatoren für Berufseinsteigende machen das zu einer plausiblen Priorität, ohne einen Ausbildungsaufwand zu quantifizieren [4] [17]. Die Europäische Kommission führt KI-Kompetenz als regulatorisches Ziel und erläutert die 2026 geänderten Anforderungen an entsprechende Maßnahmen; das ist eine institutionelle Begründung für Qualifizierung, kein Beleg für eine bestimmte Produktivitätswirkung [20].

Das stärkste Gegenargument gegen diese Einordnung lautet, dass der Monitor als Prioritätenbefragung angelegt ist und seine Autoren den Jahresvergleich selbst nur der Richtung nach gelesen wissen wollen; die Kritik treffe also nicht den Bericht, sondern seine Weiterverwendung. Das Argument trifft zu, und genau diese Weiterverwendung ist zu prüfen: In Vorträgen, Strategiepapieren und sozialen Netzwerken werden die Verschiebungen als Karriere- und Weiterbildungsratgeber gelesen. Ein zweites Gegenargument betrifft die Evidenzbasis dieses Beitrags selbst. Die herangezogenen Studien decken unterschiedliche Populationen, Modelle und Zeitpunkte ab; mehrere stammen aus dem Umfeld von Anbietern oder finanzierenden Unternehmen, was jeweils offengelegt ist. Sie stützen Mechanismen und begrenzen überzogene Schlüsse; eine numerisch validierte Prognose für den Wert aller 21 Kompetenzen im Jahr 2030 ergeben sie nicht. Auch die Recherche des Verfassers ist eine gezielte Evidenzprüfung, keine systematische Literaturübersicht mit registriertem Suchprotokoll. Eine bessere Folgestudie müsste gleiche Länder und Strukturen über die Zeit vergleichen, Fragebogen und Gewichtung veröffentlichen, Nennungsniveaus mit Unsicherheitsintervallen ausweisen und die Erwartungen mit Aufgaben, Einstellungen, Löhnen oder gemessener Leistung verknüpfen.

7. Handlungscheckliste

• Kennzahlen des Monitors richtig einordnen: Veränderungen von Nennungsanteilen kommunizieren, nie als Wert- oder Nachfragetrend; Nennungsniveau, Stichprobe und Länderwechsel mitführen.
• Vollständig zitieren: Alle 21 Kompetenzfelder aus Exhibit 1 heranziehen, auch die weniger bequemen wie Innovationsfähigkeit mit minus drei Punkten neben Kreativität mit plus sechs.
• Qualifizierungsbedarf auf Aufgabenebene bestimmen: Je Rolle erfassen, welche Aufgaben sich ändern, wie häufig sie auftreten, welche Qualität nötig ist und was Fehler kosten; erst danach Kompetenzen priorisieren.
• Lernerfolg getrennt vom Arbeitserfolg messen: Nach KI-gestützten Lösungen den Kern ohne Hilfe erklären, einen Fehler diagnostizieren und eine veränderte Aufgabe bearbeiten lassen.
• Piloten mit mehreren Zielgrößen ausstatten: Zeit, Qualität, Nacharbeit, problematische Fehler und Lernfortschritt erheben; Textmenge und Zufriedenheit reichen nicht.
• Aufsicht befähigen statt benennen: Prüfenden Personen Kompetenz, Zeit, Evidenzzugang und Stoppbefugnis geben; Kontrolle dort automatisieren, wo Tests und unabhängige Evidenz vorliegen.
• Einstiegsrollen als Lernwege erhalten: Betreute Fallarbeit, Fehleranalysen und schrittweise Verantwortung einplanen, wenn KI einfache Aufgaben übernimmt.
• Technische Grundlagen nicht aus Rückgängen kürzen: Für Software- und Datenberufe Grundlagen mit Werkzeugnutzung, Prüfung und Systemverständnis verbinden.

Quellen

Primärquellen zuerst. Grundlage ist eine Quellenprüfung des Verfassers vom 18. September 2026: Originalbericht, Erhebungsmethodik und ergänzende Primärforschung. „Belegt“ bedeutet im Original nachvollziehbar, nicht anhand von Rohdaten repliziert.

1. McKinsey & Company: HR Monitor 2026: A turning point for the people function. Vollbericht, Juni 2026, Exhibit 1 (Berichtsseite 8), Methodik Seiten 40 bis 41. mckinsey.com (Abruf: 18.09.2026).
2. McKinsey & Company: HR Monitor. Berichtsseite mit Veröffentlichungsdatum 8. Juni 2026 und Zusammenfassung der Erhebung. mckinsey.com (Abruf: 18.09.2026).
3. McKinsey & Company: Pressemitteilung zum HR Monitor 2026. Deutsche Fassung, Juni 2026, Abschnitt zu Zukunftsfähigkeiten (Digital Literacy 8 auf 23 Prozent, Problemlösungsfähigkeit 44 Prozent). mckinsey.com (Abruf: 18.09.2026).
4. Shen, J.; Tamkin, A.: How AI Impacts Skill Formation. Preprint, 28. Januar 2026; randomisiertes Lernexperiment mit 52 Teilnehmenden, Studienbericht bei Anthropic vom 29. Januar 2026. arxiv.org (Abruf: 18.09.2026).
5. Brynjolfsson, E.; Li, D.; Raymond, L.: Generative AI at Work. Quarterly Journal of Economics 140(2), 2025, S. 889 bis 942, DOI 10.1093/qje/qjae044. Autorenfassung. danielle.li (Abruf: 18.09.2026).
6. Stifterverband; McKinsey & Company: Future Skills 2021: Kompetenzübersicht. Definitionen der Kompetenzsystematik, 2021. stifterverband.org (Abruf: 18.09.2026).
7. Stifterverband: Future Skills 2030. Aktualisiertes Framework mit 30 Zukunftskompetenzen, 2025. stifterverband.org (Abruf: 18.09.2026).
8. World Economic Forum: The Future of Jobs Report 2025. Kapitel 3, Skills Outlook, Abbildungen 3.4 bis 3.6. weforum.org (Abruf: 18.09.2026).
9. Dell’Acqua, F. et al.: Navigating the Jagged Technological Frontier. Organization Science, online 11. März 2026, DOI 10.1287/orsc.2025.21838; vorab registriertes Experiment mit 758 Beratungsfachkräften. hbs.edu (Abruf: 18.09.2026).
10. Lee, H.-P. et al.: The Impact of Generative AI on Critical Thinking. CHI 2025, DOI 10.1145/3706598.3713778; Befragung von 319 Wissensarbeitenden. microsoft.com (Abruf: 18.09.2026).
11. Cui, Z. et al.: The Effects of Generative AI on High-Skilled Work. Working Paper, Fassung vom 20. August 2025; drei randomisierte Feldexperimente mit 4.867 Entwickelnden. ssrn.com (Abruf: 18.09.2026).
12. Becker, J. et al. (METR): Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. Preprint, Juli 2025; 246 Aufgaben, 16 Entwickler. arxiv.org (Abruf: 18.09.2026).
13. METR: We are Changing our Developer Productivity Experiment Design. 24. Februar 2026; Nachfolgedaten, Selektionsprobleme, Grenzen der Schätzung. metr.org (Abruf: 18.09.2026).
14. Doshi, A. R.; Hauser, O. P.: Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances 10, eadn5290, 12. Juli 2024, DOI 10.1126/sciadv.adn5290. pmc.ncbi.nlm.nih.gov (Abruf: 18.09.2026).
15. Dell’Acqua, F. et al.: The Cybernetic Teammate. NBER Working Paper 33641, April 2025; Zeitschriftenfassung Organization Science, Juni 2026, DOI 10.1287/orsc.2025.20702; 776 Fachkräfte bei Procter & Gamble, Finanzierung offengelegt. nber.org (Abruf: 18.09.2026).
16. Humlum, A.; Vestergaard, E.: Still Waters, Rapid Currents. NBER Working Paper 33777, Mai 2025, revidiert März 2026; verknüpfte Befragungs- und Registerdaten aus Dänemark. nber.org (Abruf: 18.09.2026).
17. Brynjolfsson, E.; Chandar, B.; Chen, R.: Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, revidiert 12. August 2026, Daten bis Juni 2026. digitaleconomy.stanford.edu (Abruf: 18.09.2026).
18. METR: Time Horizon 1.1. 29. Januar 2026; Methodik der Agenten-Evaluation und Vergleich der Messverfahren. metr.org (Abruf: 18.09.2026).
19. National Institute of Standards and Technology: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1, Juli 2024, DOI 10.6028/NIST.AI.600-1. nvlpubs.nist.gov (Abruf: 18.09.2026).
20. Europäische Kommission: AI Literacy: Questions & Answers. Fassung mit Änderungen von 2026. digital-strategy.ec.europa.eu (Abruf: 18.09.2026).

© 2026 Olaf Dunkel. Eigenständige Analyse der unter „Quellen“ aufgeführten Belege; KI-Unterstützung rein sprachlich, inhaltliche Verantwortung beim Autor.