Wer in diesen Wochen durch LinkedIn scrollt, kann den Eindruck bekommen, ganze Unternehmen liefen schon mit KI im Chefsessel: Transformations-Meldungen, Agenten, Erfolgszahlen. Wer dagegen die neue Studie von Kienbaum und dem Bundesverband der Personalmanager liest, sieht ein anderes Bild - nüchterner und, für die meisten Häuser, deutlich beruhigender.
Was die Studie misst
Gut 150 HR-Verantwortliche wurden befragt, überwiegend Personalleitungen[1] - keine repräsentative Erhebung, das sagt die Studie selbst, aber ein ehrlicher Blick in die Praxis. 83 Prozent der Unternehmen erklären, sie steckten mitten in einer KI-Transformation. Dann kommen die anderen Zahlen: 63 Prozent der HR-Funktionen beschreiben sich als Entdecker - sie experimentieren mit einzelnen Anwendungsfällen. Als Vorreiter, der neue Standards setzt, sieht sich niemand. Und von den Einsparungen, die KI bringen soll, sind im Schnitt 9 Prozent tatsächlich realisiert. Die Studie fasst das in einem Satz zusammen:
„HR hat den Einstieg geschafft, aber noch nicht die breite KI-Skalierung.“
Kienbaum & BPM: Künstliche Intelligenz in HR - Zwischen Aufbruch und Reifeprüfung, 2026
Am weitesten ist KI heute dort, wo Text entsteht und wenig Risiko liegt: Stellenanzeigen, Kommunikation, erste Entwürfe. Die Studie schreibt es ausdrücklich:
„KI skaliert zuerst dort, wo Prozesse standardisierbar, textnah und risikoärmer sind.“
Kienbaum & BPM, 2026
Das ist kein Grund zur Häme - genau dort anzufangen ist vernünftig, die Studie misst es als den natürlichen ersten Schritt. Man darf den ersten Schritt nur nicht mit der Ziellinie verwechseln.
Woran scheitert KI in HR wirklich?
Nicht am Zugang zur Technik. Die Studie hat gerechnet, was den KI-Reifegrad einer HR-Funktion tatsächlich treibt - und was nicht. Unternehmensgröße: kein messbarer Effekt. Branche: kein Effekt. Der erklärte Transformations-Ehrgeiz: ebenfalls nicht. Was zählt, ist allein die Reife der eigenen HR-IT. Die Studie nennt es konkrete digitale Umsetzungsfähigkeit: wie gut die eigenen Systeme, Daten und Prozesse zusammenspielen. Am deutlichsten zeigt sich das ausgerechnet im Feld mit dem höchsten Effizienzpotenzial, der HR-Verwaltung: Sie kommt kaum von der Planung in den Betrieb. Die Studie nennt das beim Namen:
„Das deutet weniger auf inhaltliche Ablehnung hin, als auf eine Umsetzungslücke. Systemintegration, Prozessstandardisierung, Datenqualität, Governance und Verantwortlichkeiten scheinen hier den Übergang von Planung in Skalierung zu erschweren.“
Kienbaum & BPM, 2026 - über HR Operations / Administration
Übersetzt heißt diese Liste: Die Schnittstellen zwischen den Systemen müssen da sein. Es muss geregelt sein, wer was sehen darf. Die Daten müssen stimmen. Es braucht einen Plan für den Moment, in dem etwas schiefgeht. Und jemand im Haus muss das Thema besitzen.
Wir erleben das in der eigenen Werkstatt genauso. Einen sauber aufgesetzten Prozess in n8n nachzubauen ist längst nicht mehr die eigentliche Arbeit - wenn alle Schnittstellen dafür da sind. Die eigentliche Arbeit steckt genau in diesem „wenn“. Die neuesten Modelle nutzen wir wie alle, wo sie etwas besser können. Aber das Modell löst keines dieser Probleme.
Was heißt Compliance im Workflow konkret?
Zwei Beispiele aus unserer Arbeit. Erstens die Maskierung: Bevor eine Personalfrage an ein KI-Modell geht, werden Namen und Kennnummern automatisch durch Platzhalter ersetzt. Das Modell arbeitet mit „{NAME}“, die echten Daten verlassen das Haus nicht. Das klingt nach einem unwichtigen Detail - es ist der Unterschied zwischen Ausprobieren und produktivem Einsatz: einmal sauber aufgesetzt, greift es bei jedem Durchlauf.
Zweitens, weniger bekannt: Die fertigen Schutzmechanismen der großen Cloud-Anbieter sind für den deutschen Alltag nur die halbe Lösung. AWS etwa schreibt selbst, dass seine Guardrails in nicht unterstützten Sprachen wirkungslos sind[2] - der volle Funktionsumfang gilt für Englisch. Eine Prüfregel, die eine deutsche Steuer-Identifikationsnummer erkennt, liefert kein Anbieter mit. Also bauen wir sie uns selbst. Das ist keine Klage, sondern eine ehrliche Ortsangabe, wo die Arbeit liegt: nicht in der Wahl des Modells, sondern in der Übersetzung in den eigenen, regelkonformen Betrieb.
Übersetzen statt neu erfinden
Hier steckt die gute Nachricht, die im Hype untergeht. HR und Payroll arbeiten seit Jahrzehnten mit Sicherheitsnetzen: Vier-Augen-Prinzip, Zugriffsrechte, Prüfläufe, Fristen, Dokumentation. Wer KI einführt, muss davon nichts neu erfinden. Die Regeln, mit denen ihr längst arbeitet, sind genau die Regeln, die in KI-Systeme und Workflows gehören - sie müssen nur übersetzt werden. Die Freigabe bleibt eine Freigabe; sie wird ein Schritt im Workflow. Das Vier-Augen-Prinzip bleibt; eines der Augenpaare prüft jetzt, was die KI vorbereitet hat. Der Mensch bleibt am Schalter - beim Lohn erst recht.
Wer so denkt, ist kein KI-Anfänger, auch wenn der Feed dieses Gefühl erzeugt. Ein HR-Entscheider, der seit Jahren Prüfläufe und Zugriffsrechte verantwortet, bringt für KI-Prozesse mehr Grundausstattung mit als mancher, der jedes neue Modell am Erscheinungstag testet. KI-Prozesse sind größer zu denken als „Prompt rein, Antwort raus“ - und genau dieses Größer-Denken ist ein Handwerk, das HR schon beherrscht.
Deshalb: kein Grund für Torschlusspanik. Die meisten sind nicht weiter, sie sind lauter. Klein anfangen ist richtig - dort, wo es textnah und risikoarm ist. Nur eben von Anfang an ordentlich: mit maskierten Daten, klaren Zuständigkeiten und einem Plan für den Fehlerfall.
Lieber klein anfangen, dafür sauber aufgesetzt. Das Modell löst eure Probleme nicht - die Übersetzung eurer Regeln löst sie.
Und wenn ihr euch an einen bestimmten, klar umrissenen Workflow machen wollt: Sprecht uns gerne an - wir schauen, wo die Potentiale und Herausforderungen bei euch liegen.