Laut der TMC-Umfrage sehen nur 20 Prozent der befragten Hightech-Fachkräfte KI als Bedrohung. Für Entscheider steht damit nicht allein die Akzeptanz im Mittelpunkt, sondern die Frage nach dem konkreten Nutzen: Welche Aufgaben profitieren, welche Kompetenzen sind erforderlich und wie lassen sich Kosten und Ressourcenbedarf bewerten? Die genannten Umfragewerte sind hier nicht unabhängig bestätigt.

Management Summary

Akzeptanz als Ausgangspunkt: Im Ausgangstext berichten 79 Prozent der Befragten von positiven Auswirkungen der KI auf ihre Arbeit; 82 Prozent erwarten, dass ihr Fachwissen 2030 relevant bleibt. Die TMC-Zahlen sind nicht unabhängig bestätigt.
Nutzung ist noch kein Geschäftsergebnis: In der McKinsey-Befragung 2026 berichten 80 Prozent von höherer individueller Produktivität, aber nur 37 Prozent schreiben KI einen Beitrag zum Unternehmens-EBIT zu. Beide Angaben beruhen auf Selbstauskünften. [1]
Kompetenzaufbau gehört zur Umsetzung: Die EU-Kommission erläutert die Verpflichtung von Anbietern und Betreibern, Maßnahmen zur Entwicklung von KI-Kompetenz zu ergreifen und dabei Erfahrung, Ausbildung und Einsatzkontext zu berücksichtigen. [2]
Qualität braucht Governance: Das NIST bietet mit seinem freiwilligen KI-Risikomanagementrahmen und dem ergänzenden Profil für generative KI eine Grundlage für die systematische Bewertung und Steuerung von Risiken. [3]
Ressourcenbedarf differenziert betrachten: Die IEA unterscheidet zwischen einfachen Textanfragen und wesentlich energieintensiveren Anwendungen wie Videoerzeugung, Reasoning und agentischen Aufgaben. Nachhaltigkeitsentscheidungen sollten den konkreten Einsatzfall betrachten. [4]

Illustration Absmeier foto ki designer

KI gezielt einsetzen: Die Symbolillustration verbindet Fachwissen, Qualitätsprüfung und Ressourcenbewusstsein. KI-generiertes Bild.

80 Prozent der HighTech-Fachkräfte sehen KI nicht als Bedrohung – Mehr künstliche Intelligenz bedeutet nicht immer mehr Leistung

Fachkräfte in vielen Branchen haben Bedenken hinsichtlich der Auswirkungen von KI auf die Arbeitsplatzsicherheit. High-Tech-Fachkräfte hingegen scheinen laut einer Umfrage des Technologieberatungsunternehmens TMC gegenüber KI weitgehend nicht so skeptisch zu sein: So zeigten sich 82 Prozent der Befragten zuversichtlich, dass ihr Fachwissen auch im Jahr 2030 noch relevant sein wird. Unter Fachkräften in den Bereichen Forschung und Entwicklung sowie Ingenieurwesen liegt dieser Anteil bei 83 Prozent. 79 Prozent bestätigten, dass sich KI positiv auf ihre Arbeit auswirkt, während nur 20 Prozent KI als Bedrohung ansehen. Gleichzeitig sind viele daran interessiert zu lernen, wie sich KI einsetzen lässt.

»Da KI immer leistungsfähiger und teurer wird, verlagert sich der Fokus vom Experimentieren mit dem, was möglich ist, hin zur Frage, wo die Technologie tatsächlich einen Mehrwert schaffen kann. Dies erfordert nicht nur Kenntnisse über KI, sondern auch menschliches Fachwissen, kritisches Denken und strategische Entscheidungen darüber, wo und wie die Arbeit organisiert wird«, erklärt Yves de Beauregard, Vice President Core Markets bei TMC.

KI annehmen statt meiden

Fachkräfte möchten KI ganz klar in ihre Arbeit integrieren. Auf die Frage, welche Kompetenzen sie entwickeln möchten, um auch in Zukunft so relevant wie möglich zu bleiben, nannten 40 Prozent der 345 Befragten KI-bezogene Kompetenzen. Die häufigsten Antworten bezogen sich auf KI-Agenten, gefolgt von Prompt Engineering und allgemeinen KI-Kompetenzen.

Neben KI-Kompetenzen kristallisierten sich auch Soft Skills als wichtige Fähigkeiten für die Zukunft heraus. Kritisches Denken nannten die Befragten am häufigsten, gefolgt von Coaching und Kommunikation. Dies sind Kompetenzen, die nicht unbedingt im Widerspruch zur KI stehen, sondern vielmehr darüber entscheiden, wie die Technologie eingesetzt wird. Fachkräfte müssen nicht nur verstehen, was ein KI-Tool leisten kann, sondern auch, wie sie beurteilen können, ob ein Ergebnis korrekt ist, ob eine Anwendung einen Mehrwert bietet und wann es tatsächlich besser sein kann, auf KI zu verzichten.

Dies deutet darauf hin, dass die Einstellung der Fachkräfte gegenüber KI in erster Linie pragmatisch ist: Sie wollen nicht verhindern, dass KI ihre Arbeit verändert, sondern vielmehr lernen, wie sie die Technologie so effektiv wie möglich nutzen können.

Vom Hype zum gezielten Einsatz

Laut De Beauregard ist dieser Wandel auch innerhalb von Unternehmen sichtbar. »In den letzten Jahren hat sich KI rasch vom Experimentierstadium zum alltäglichen Einsatz entwickelt. Es setzt sich zunehmend die Erkenntnis durch, dass der vermehrte Einsatz von KI nicht automatisch zusätzlichen Mehrwert schafft. Dieser Mehrwert lässt sich nur erzielen, wenn sich Unternehmen auf hochwertige Daten und Branchenexpertise stützen können. KI-Anwendungen erfordern zudem Rechenleistung, Rechenzentrumskapazität und Energie. Gleichzeitig ist der Zugang zu bestimmten Modellen und Anwendungen zunehmend mit Kosten verbunden, wobei die Abonnementgebühren weiter steigen. Die Knappheit an Rechenleistung und Kapazität macht es daher immer wichtiger, kritisch zu prüfen, wo KI tatsächlich zum Einsatz kommen soll.«

TMC verfolgt diese Entwicklung unter anderem über den internationalen AI Hub, der nun seit einem Jahr in Betrieb ist. Dieser bringt Experten aus verschiedenen Ländern und Fachbereichen zusammen und unterstützt Aktivitäten wie KI-Schulungen, Beratung und die Entwicklung neuer Anwendungen.

KI nachhaltiger gestalten

Der AI Hub untersucht zudem, wie KI sich effizienter und umweltfreundlicher einsetzen lässt. KI verbraucht erhebliche Mengen an Energie und Wasser und verursacht erhebliche CO2-Emissionen. Das Team befasst sich daher mit alternativen Technologien und Anwendungsmöglichkeiten, darunter auch energieeffizientere Wege zum Einsatz von KI.

Dieser Schwerpunkt steht im Einklang mit der Bedeutung, die Hightech-Fachkräfte der Nachhaltigkeit beimessen. Die Untersuchung zeigt, dass 76 Prozent der Befragten es für wichtig halten, dass ihre Arbeit zu einer nachhaltigeren Welt beiträgt. Dennoch geben nur 40 Prozent der Fachkräfte in den Bereichen Forschung und Entwicklung sowie Ingenieurwesen an, dass Nachhaltigkeitsvorschriften ihre täglichen Entscheidungen beeinflussen. Im Bereich Betrieb und Service liegt dieser Wert mit 68 Prozent etwas höher.

TMC setzt sich für einen nachhaltigen und qualitativ hochwertigen Einsatz von KI ein. »Die Zahlen zeigen, dass Nachhaltigkeit breite Unterstützung findet, es jedoch noch nicht selbstverständlich ist, dies in konkrete Entscheidungen am Arbeitsplatz umzusetzen. Die Suche nach nachhaltigeren Wegen für die KI-Nutzung ist daher unerlässlich. Eine KI-Anwendung sollte nur dann zum Einsatz kommen, wenn sie einen echten Mehrwert bietet, beispielsweise durch Zeitersparnis oder verbesserte Sicherheit«, erklärte De Beauregard.

Praxistipps für Entscheider

Mit einem messbaren Prozess starten. Wählen Sie einen klar abgegrenzten Einsatzfall, etwa die Suche in freigegebenen technischen Dokumentationen. Erfassen Sie vor dem Pilotprojekt Bearbeitungszeit, Ergebnisqualität und Nacharbeit. Empfehlung zur Umsetzung der Nutzenprüfung; Hintergrund: [1].
Den gesamten Aufwand bilanzieren. Berücksichtigen Sie neben Lizenzen und nutzungsabhängigen Gebühren auch Integration, Datenaufbereitung, Schulung, Prüfung und Betrieb. Bewerten Sie Kosten pro fachlich akzeptiertem Ergebnis statt nur Kosten pro Anfrage. Empfehlung; Hintergrund zu Betriebskosten: [1].
Fachliche Abnahme vereinbaren. Benennen Sie für jeden Pilotprozess eine verantwortliche Funktion und dokumentieren Sie, welche Ergebnisse vor ihrer Verwendung geprüft werden müssen. Nutzen Sie festgelegte Testfälle und Abbruchkriterien. Empfehlung auf Grundlage des Risikomanagements: [3].
Schulungen am Arbeitskontext ausrichten. Verbinden Sie die Bedienung freigegebener Werkzeuge mit Übungen zur Quellenprüfung, zum Datenschutz und zur fachlichen Plausibilitätskontrolle. Dokumentieren Sie Inhalte und Teilnahme. Empfehlung; Kompetenzrahmen: [2].
Agentische Befugnisse begrenzen. Starten Sie möglichst mit lesendem Zugriff und führen Sie schreibende Aktionen erst nach gesonderter Prüfung ein. Legen Sie Freigaben, Protokollierung und Eskalationswege fest. Empfehlung; Governance-Hintergrund: [3].
Ressourcen anhand gleicher Aufgaben vergleichen. Testen Sie verschiedene freigegebene Lösungen mit identischen Anforderungen und Qualitätskriterien. Fordern Sie Angaben zu Energiebedarf, Rechenzentrumsstandort und Messgrenzen an; kennzeichnen Sie fehlende Daten. Empfehlung; Energie-Hintergrund: [4].
Skalierung an Entscheidungstore knüpfen. Definieren Sie vorab, welche Qualitäts-, Kosten- und Prozessziele ein Pilot erfüllen muss. Dokumentieren Sie auch die Entscheidung, einen ungeeigneten Einsatzfall nicht weiterzuführen. Empfehlung; Nutzen- und Risikohintergrund: [1], [3].

FAQ: KI zwischen Fachwissen, Produktivität und Nachhaltigkeit

1. Bedeutet mehr KI-Nutzung automatisch mehr Unternehmensleistung?

Die McKinsey-Befragung 2026 zeigt einen Unterschied zwischen individueller Wirkung und finanzieller Wirkung auf Unternehmensebene: 80 Prozent berichten von verbesserter eigener Produktivität; 37 Prozent schreiben KI zumindest einen Beitrag zum EBIT zu. Das sind unterschiedliche Kennzahlen aus einer Befragung, kein Kausalnachweis. Empfehlung: Bewerten Sie Prozessqualität und wirtschaftlichen Nutzen getrennt von der Nutzungsquote. [1]

2. Wie belastbar sind die TMC-Umfragewerte des Artikels?

[Unverified] Der Ausgangstext nennt 345 Befragte, erläutert aber weder Erhebungszeitraum und Auswahlverfahren noch Länderzusammensetzung oder Gewichtung. Eine passende öffentlich zugängliche Primärquelle ließ sich in der ergänzenden Recherche nicht ermitteln. Ich kann das nicht überprüfen. Die Zahlen sind deshalb als Angaben aus dem vorliegenden Artikel zu behandeln, nicht als extern bestätigte oder repräsentative Aussagen über sämtliche Hightech-Fachkräfte.

3. Gibt es wissenschaftliche Belege für Produktivitätsgewinne?

Ja, für konkrete Einsatzkontexte. Die 2025 veröffentlichte Studie »Generative AI at Work« untersuchte die gestaffelte Einführung eines KI-Assistenten bei 5.172 Kundensupport-Beschäftigten. Gemessen an gelösten Anliegen pro Stunde stieg die Produktivität im Durchschnitt um 15 Prozent. Das Ergebnis bezieht sich auf diesen Supportkontext und belegt keinen pauschalen Zuwachs für Forschung, Entwicklung oder Ingenieurwesen. [5]

4. Welche KI-Kompetenzen sollten Unternehmen fördern?

Die EU-Kommission beschreibt KI-Kompetenz als Wissen, Fähigkeiten und Verständnis für einen informierten Einsatz sowie für Chancen und Risiken. Bei Maßnahmen sind unter anderem technische Vorkenntnisse, Erfahrung und Einsatzkontext zu berücksichtigen. Empfehlung: Verknüpfen Sie Werkzeugkenntnisse mit Quellenprüfung, Datenfreigaben und fachlichen Abnahmekriterien, statt sich auf Prompt-Techniken zu beschränken. [2]

5. Welche Rolle spielt menschliches Fachwissen?

Die Supportstudie zeigt, dass Effekte je nach Erfahrung und Aufgabe unterschiedlich ausfallen; sie ist kein Beleg dafür, dass Fachwissen überflüssig wird. Empfehlung: Lassen Sie fachliche Anforderungen, Testfälle und Freigaben durch die zuständigen Funktionen definieren. So bleiben die Maßstäbe für ein verwendbares Ergebnis ausdrücklich festgelegt. [5], [3]

6. Wie lässt sich der wirtschaftliche Nutzen messen?

Empfehlung: Vergleichen Sie einen abgegrenzten Prozess vor und nach der Einführung anhand gleicher Aufgaben und Qualitätsanforderungen. Erfassen Sie Bearbeitungszeit, fachlich akzeptierte Ergebnisse, Nacharbeit und vollständige Betriebskosten. Berichten Sie Zeitgewinn nicht automatisch als Kosteneinsparung, sondern dokumentieren Sie, wie frei werdende Kapazität tatsächlich genutzt wird. Die Unterscheidung zwischen individuellen Produktivitätsangaben und Unternehmenswirkung greift die McKinsey-Befragung auf. [1]

7. Welche Governance ist vor einer Skalierung sinnvoll?

Das freiwillige NIST AI Risk Management Framework und das ergänzende Profil für generative KI unterstützen die Identifikation und Steuerung von Risiken. Empfehlung: Führen Sie ein Verzeichnis freigegebener Anwendungen, dokumentieren Sie Zuständigkeiten, Datenzugriffe, Tests und Vorfälle und legen Sie Prüf- sowie Eskalationsverfahren fest. Der Rahmen ersetzt keine Prüfung der im Einzelfall geltenden gesetzlichen Anforderungen. [3]

8. Warum sollten einfache Anfragen und KI-Agenten getrennt bewertet werden?

Die IEA nennt agentische Aufgaben gemeinsam mit Reasoning und Videoerzeugung als Anwendungsarten, die pro Anfrage um Größenordnungen mehr Energie benötigen können als einfache Texterzeugung. Zugleich meldet die McKinsey-Befragung 2026 eine zunehmende Skalierung von KI-Agenten in großen Unternehmen. Empfehlung: Prüfen Sie Nutzen, Ausführungsumfang, Kosten und Freigaben für jeden agentischen Prozess gesondert; eine einfache Chat-Anfrage ist kein geeigneter Kostenmaßstab. [4], [1]

9. Wie lässt sich KI nachhaltiger einsetzen?

Die IEA berichtet 2026 über starke Effizienzfortschritte pro einzelner KI-Aufgabe, zugleich aber über wachsende Nutzung und neue, energieintensivere Anwendungen. Empfehlung: Vergleichen Sie Lösungen auf derselben fachlichen Aufgabe, begrenzen Sie unnötige Wiederholungen und verlangen Sie nachvollziehbare Angaben zu den Messgrenzen. Weniger Energie pro Anfrage und weniger Gesamtverbrauch sind unterschiedliche Ziele. [4]

10. Wann sollte ein Unternehmen auf KI verzichten?

Empfehlung: Setzen Sie eine Anwendung nicht produktiv ein, wenn die vorab festgelegten Anforderungen an Qualität, Datenverwendung, Kosten oder kontrollierbaren Betrieb nicht erfüllt werden. Vergleichen Sie auch konventionelle Software und den bestehenden Ablauf. Dokumentieren Sie eine Nicht-Einführung genauso nachvollziehbar wie eine Skalierungsentscheidung. Grundlage dieser Empfehlung sind die getrennte Nutzenbewertung und das systematische Risikomanagement. [1], [3]

Quellen und Recherchehinweis

[1] McKinsey: The state of AI in 2026: On the road to ROI, 25. August 2026. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
[2] Europäische Kommission: AI Literacy – Questions & Answers. https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers
[3] NIST: AI Risk Management Framework; ergänzendes Generative Artificial Intelligence Profile, veröffentlicht im Juli 2024. https://www.nist.gov/itl/ai-risk-management-framework
[4] IEA: Key Questions on Energy and AI, Executive summary, Bericht vom 16. April 2026. https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
[5] Brynjolfsson, Li und Raymond: Generative AI at Work, The Quarterly Journal of Economics, Mai 2025; Publikationsübersicht der Stanford Graduate School of Business. https://www.gsb.stanford.edu/faculty-research/publications/generative-ai-work

Recherchestand: 29. Oktober 2026. Die ergänzenden Quellen belegen die jeweils zugeordneten Aussagen, nicht die TMC-Umfrage. Praxistipps und als Empfehlungen bezeichnete FAQ-Passagen sind redaktionelle Handlungsvorschläge, keine nachgewiesenen Wirkungszusagen.

Management Summary, Tipps, FAQ und Bilder wurden mit Hilfe von KI erstellt

1372 Artikel zu „Kompetenzen, Kosten KI“

Ausgabe 9-10-2026 | ERP | IT-Security | Künstliche Intelligenz | Logistik | News | Security Spezial 9-10-2026

Sauberes Datenfundament für KI in der Lieferkette – »Integration entscheidet über die Leistungsfähigkeit der Supply Chain«

27. Oktober 2026

Moderne ERP-, Lager- und Transportmanagementsysteme allein machen eine Lieferkette noch nicht leistungsfähig. Entscheidend ist, wie nahtlos Unternehmen, Lieferanten und Logistikpartner Daten austauschen und Prozesse miteinander verzahnen. Im Interview erklärt Tim Srock, CEO von Lobster, warum Integration die Grundlage für transparente, resiliente und KI-fähige Supply Chains bildet – und weshalb Unternehmen dabei Flexibilität vor Tempo stellen sollten.