So beweist du, dass du ein AI Native bist

Woran erkennen Unternehmen echte KI-Kompetenz? Tobias Jonas von innFactory nennt Problemverständnis und Urteilskraft statt Tools und Prompts.

Arbeitgeber achten immer mehr auf KI-Kompetenzen. Nur einen Prompt schreiben zu können, ist als Nachweis dafür nicht ausreichend. Tobias Jonas, CEO von innFactory, einem Softwareunternehmen aus ­Rosenheim, erläutert, woran Unternehmen echte KI-Skills bei Kandidat:innen erkennen und wie man sich darauf vorbereitet.

---

Was du wissen solltest

• Die Arbeitsprobe: Für BWL-Studierende ohne Programmierhintergrund zählt laut Tobias Jonas eine nachvollziehbare Analyse eines Geschäftsprozesses mehr als ein selbst entwickeltes KI-Tool.
• Der Entstehungsweg: Laut Tobias Jonas sollte man offen zeigen, wo KI unterstützt hat und wo die eigene fachliche Bewertung nötig war.
• Das Projekt: Bei innFactory werden Mitarbeitende laut Tobias Jonas vor allem nach ihrer intrinsischen Motivation eingestellt, und ein gutes eigenes Projekt sagt mehr als mehrere KI-Zertifikate.

---

Wann glauben Unternehmen einem Bewerber sofort: Der kann wirklich mit KI arbeiten?
Auf die im Lebenslauf genannten Tools schauen wir kaum. Entscheidend ist, ob jemand echtes Interesse daran zeigt, Probleme sinnvoll zu lösen, und ob er oder sie versteht, was ein KI-System im jeweiligen Kontext leisten kann und was nicht. Wer mit KI arbeitet, muss ihre Ergebnisse fachlich einordnen, bewerten und verantwortungsvoll nutzen können. Diese Rolle ähnelt zunehmend der eines Supervisors: KI kann Prozesse beschleunigen, bringt aber auch zusätzliche Komplexität mit sich. Deshalb ist es wichtiger, die Grenzen, Risiken und Einsatzmöglichkeiten eines Ansatzes zu verstehen, als einzelne Tools oder Prompting-Techniken auswendig zu beherrschen. Modelle und Werkzeuge verändern sich ständig, auch vorgefertigte KI-Agenten werden viele Aufgaben übernehmen. Prompt Engineering allein ist deshalb kein dauerhafter Kompetenznachweis.
Besonders wertvoll ist die Fähigkeit, zu erkennen, welche Prozesse sich mit KI sinnvoll automatisieren lassen und wo menschliche Urteilskraft unverzichtbar bleibt. Dazu gehört auch ein Verständnis für die Best Practices der jeweiligen Branche. In der IT etwa werden Abläufe zunehmend agentisch umgesetzt, in anderen Berufen gelten andere Anforderungen und Kontrollmechanismen.
KI verstärkt vorhandene Erfahrung. Ein Senior kann mit ihr oft deutlich schneller zu guten Ergebnissen kommen. Ein Junior kann dagegen leichter technische Schulden und handwerkliche Fehler produzieren, wenn er die Resultate nicht kritisch prüfen kann. Wer grundlegende Kenntnisse über die Funktionsweise von KI mitbringt, die branchenspezifischen Grenzen kennt und ungenutztes Potenzial erkennt, zeigt daher die Kompetenz, auf die es wirklich ankommt.

Was wäre eine überzeugende Arbeitsprobe für einen BWL-Studenten ohne Programmierhintergrund?
Eine überzeugende Arbeitsprobe muss kein selbst entwickeltes KI-Tool sein. Viel wertvoller ist es, wenn ein Student nachvollziehbar zeigt, dass er oder sie einen Geschäftsprozess analysieren und bewerten kann: Wo entstehen heute Reibungsverluste? Welche Aufgaben könnte KI unterstützen oder automatisieren? Welchen konkreten Nutzen hätte das für Kunden, Mitarbeitende oder die Wirtschaftlichkeit?
Ein gutes Projekt könnte beispielsweise einen wiederkehrenden Prozess aus Vertrieb, Kundenservice, Controlling oder Personalwesen untersuchen. Der Student beschreibt eine passende KI-Persona, definiert ihr benötigtes Skillset und legt fest, auf welche Werkzeuge und Informationen sie zugreifen müsste. Damit wird deutlich, ob die Aufgabe fachlich verstanden wurde und ob der KI-Einsatz realistisch gedacht ist.
In der praktischen Umsetzung wird häufig weiterhin die IT benötigt. Ein KI-Agent kann nur dann sinnvoll arbeiten, wenn digitalisierte Prozesse, verfügbare Daten und geeignete IT-Systeme als Werkzeuge vorhanden sind. Gerade deshalb ist die vorgelagerte Analyse so wertvoll: Unternehmen können nicht alles gleichzeitig umsetzen. Wer Herausforderungen priorisiert, den erwarteten Impact bewertet und auch die wirtschaftliche Dimension berücksichtigt, liefert eine Grundlage für sinnvolle Investitionsentscheidungen.

Wie transparent muss jemand den Entstehungsweg seines KI-Projekts machen?
Ich würde damit offen umgehen. KI einzusetzen ist nichts Negatives, solange man die Chancen und Risiken kennt und sachlich benennen kann. Am Ende zählt das Ergebnis. Je besser der Weg dorthin nachvollziehbar ist, desto überzeugender ist jedoch auch das Ergebnis.
Studierende sollten deshalb kurz dokumentieren, welches Problem sie lösen wollten, welche Annahmen sie getroffen haben, welche Daten oder Quellen sie genutzt haben und wie sie die Resultate geprüft haben. Besonders wichtig ist, offen zu zeigen, wo KI unterstützt hat und wo die eigene fachliche Bewertung notwendig war. Das schafft Glaubwürdigkeit und zeigt Verantwortung.
Sinnvoll ist außerdem, sich ein eigenes Skillset für KI-Agenten aufzubauen:wiederverwendbare Beschreibungen für Rollen, Aufgaben, Qualitätskriterien und benötigte Werkzeuge. So können wiederkehrende Tätigkeiten zunehmend automatisiert werden. Genau diese Fähigkeit wird für Unternehmen immer wichtiger. Viele Organisationen sind hier selbst noch nicht weit genug und können von Menschen profitieren, die Prozesse strukturiert analysieren und daraus praxistaugliche KI-unterstützte Arbeitsweisen entwickeln.

Wie viel sagt ein einziges gutes Projekt im Vergleich zu KI-Zertifikaten?
Wir haben Mitarbeitende immer vor allem nach ihrer intrinsischen Motivation eingestellt, nicht nach Zeugnissen oder KI-Zertifikaten. Zertifikate und Noten können ein erster Hinweis sein, sie sagen aber wenig darüber aus, ob jemand neugierig ist, Verantwortung übernimmt und Probleme eigenständig lösen möchte.
Ein gutes Projekt ist deshalb meist aussagekräftiger als mehrere Zertifikate. Uns interessiert, was jemand praktisch gemacht hat, welche Entscheidungen getroffen wurden, was nicht funktioniert hat und was daraus gelernt wurde. Wer ein eigenes Projekt verständlich erklären, Ergebnisse kritisch einordnen und die gewonnenen Erkenntnisse auf neue Aufgaben übertragen kann, zeigt deutlich mehr als eine reine Sammlung von Nachweisen. Woran verrät sich im Gespräch, dass jemand lediglich KI-Buzzwords kennt? Das zeigt sich meist schnell, wenn jemand die fachliche Aufgabe nicht versteht, die mit KI ersetzt, unterstützt oder beschleunigt werden soll. Wer nur über Modelle, Prompts oder Agenten spricht, aber nicht erklären kann, wie ein Prozess heute funktioniert, wo die eigentlichen Probleme liegen und woran ein gutes Ergebnis zu erkennen ist, bleibt an der Oberfläche. Im Gespräch würde ich deshalb nach konkreten Entscheidungen fragen: Welche Ergebnisse hätte die Person akzeptiert oder verworfen und warum? Wo liegen die Risiken? Welche Kontrolle wäre erforderlich? Bei KI-Agenten ist der Mensch nicht nur Anwender, sondern auch Supervisor und Führungskraft. Er oder sie muss Ziele, Rahmenbedingungen und Qualitätsmaßstäbe vorgeben und die Resultate verantworten.
Hinzu kommt, dass KI weit mehr ist als der Einsatz von Large Language Models. Gute Lösungen hängen häufig auch von Datenqualität, Prozessen, Schnittstellen, IT-Systemen, Berechtigungen und dem jeweiligen Fachkontext ab. Wer diese Zusammenhänge erkennt, spricht nicht nur die richtigen Vokabeln, sondern kann KI wirklich sinnvoll einsetzen.

---

„Bei KI-Agenten wird der Mensch zu Supervisor und Führungskraft”

---

Welche Arbeit sollte man selbst machen?
Wir versuchen, alles zu automatisieren, was sich mit hoher und verlässlicher Qualität automatisieren lässt. KI sollte nicht als bloße Ergänzung genutzt werden, sondern dort eingesetzt werden, wo sie nachweislich Zeit spart und Ergebnisse in der benötigten Qualität liefert. Ich selbst arbeite beispielsweise mit einem persönlichen virtuellen KI-Assistenten, der meine digitalen Quellen mitliest und mir dadurch sinnvolle Vorschläge machen kann. Auch bei uns gibt es Engineers, die keine einzige Zeile Code klassisch programmiert haben, weil sie die Umsetzung vollständig mit KI realisieren konnten.
Die entscheidende Grenze ist die Qualität. Wenn ein Ergebnis nicht zuverlässig genug ist oder die Qualität noch nicht sicher erreicht werden kann, sollte ein Prozess nur teilautomatisiert werden oder man sollte auf KI verzichten. Bewusst selbst machen sollte man daher vor allem die Aufgaben, bei denen fachliches Urteil, Verantwortung und Qualitätskontrolle unverzichtbar sind. Menschen müssen entscheiden, ob ein Ergebnis tatsächlich richtig, angemessen und für den jeweiligen Zweck verwendbar ist.

Sie geben einer WiWi-Studentin vier Wochen: Was sollte am Ende zu sehen sein?
In vier Wochen würde ich erwarten, dass sich die Studentin zunächst mit einem konkreten Arbeitsplatz beschäftigt und analysiert, wie die Arbeit heute tatsächlich aussieht. Anschließend sollte sie herausarbeiten, welche Tätigkeiten künftig durch KI unterstützt oder automatisiert werden könnten. Daraus kann ein fiktiver Plan für einen „Future Employee“ entstehen: Welche Aufgaben bleiben beim Menschen, welche übernimmt ein KI-Agent, welche Informationen und Systeme werden benötigt und wie wird die Qualität gesichert?
Eine solche Arbeitsprobe zeigt, dass die Studentin den aktuellen Stand realistisch einschätzen kann und zugleich eine Idee davon hat, wie Arbeit morgen organisiert sein könnte. Viele Unternehmen können diese Vision heute noch nicht vollständig umsetzen. Häufig fehlen die nötigen IT-Werkzeuge, Daten und Schnittstellen, Prozesse liegen in zu vielen Silos und die Veränderung ist ein umfangreiches Change-Projekt. Mitarbeitende, die schon in diesen Veränderungen denken, sind besonders wertvoll, weil sie diesen Weg aktiv mitgestalten können.