KI-Affinität
KI-Affinität bezeichnet die Grundhaltung einer Person, neue KI-Werkzeuge aus eigenem Antrieb zu erproben, das eigene Vorgehen regelmäßig daran zu überprüfen und maschinelle Ergebnisse kritisch gegenzulesen – unabhängig von formaler Qualifikation und aktueller Werkzeug-Kenntnis.
KI-Affinität ist die persönliche Voraussetzung, auf der sich KI-Kompetenz aufbauen lässt – als Einstellungs- und Entwicklungskriterium gewinnt sie überall dort an Gewicht, wo KI Tätigkeiten verschiebt.
In einfachen Worten
KI-Affinität ist eine Haltung und kein Kenntnisstand. Auch wer ein bestimmtes Assistenzsystem heute sicher beherrscht, verliert den Anschluss, sobald die nächste Werkzeug-Generation anders arbeitet und die Übung ausbleibt – eine Momentaufnahme der Werkzeug-Kenntnis veraltet, die Haltung dahinter bleibt. Sichtbar wird sie an drei Verhaltensweisen: Eine affine Person probiert neue Werkzeuge aus eigenem Antrieb aus, sie betrachtet den eigenen Arbeitsablauf von außen und erkennt, wo er sich verbessern lässt, und sie prüft Ergebnisse, statt ihnen ungeprüft zu vertrauen. Der Unterschied zur KI-Kompetenz liegt in der Reihenfolge: Kompetenz ist die erlernbare Fähigkeit, KI-Ergebnisse zu beurteilen – Affinität ist die Bereitschaft, diese Fähigkeit zu erwerben und aktuell zu halten. Abzugrenzen ist sie zugleich von Technik-Euphorie: Kritikloses Vertrauen ohne Prüf-Bewusstsein ist ein ebenso deutliches Warnsignal wie pauschale Ablehnung. Gesucht ist ein nüchternes Arbeitsverhältnis zum Werkzeug.
Wozu brauche ich das?
Als Einstellungskriterium lässt sich KI-Affinität über Verhaltensfragen sichtbar machen, weil eine Selbstauskunft wie „offen für Neues" wenig aussagt. Tragfähig sind Fragen nach vergangenem Handeln: Welches Werkzeug wurde zuletzt aus eigenem Antrieb ausprobiert? Welche Aufgabe aus der letzten Stelle würde die Person heute anders lösen? Wie reagiert sie auf ein Umstellungs-Szenario im eigenen Kernprozess, und spricht sie von sich aus über Grenzen und Prüfschritte? Dasselbe Raster hilft im Bestandsteam: Affine Mitarbeitende lassen sich identifizieren und über Weiterqualifizierung gezielt zu Multiplikatoren entwickeln, statt Kompetenz ausschließlich über Neueinstellungen aufzubauen.
Beispiel aus der Praxis
Zwei Bewerbungen auf dieselbe Sachbearbeitungs-Stelle zeigen ein nahezu gleiches Zeugnisbild. Im Gespräch beschreibt die eine Person konkret, welches Werkzeug sie zuletzt selbst erprobt hat, welche Aufgabe ihrer bisherigen Stelle sie heute anders lösen würde und wie sie maschinelle Ergebnisse gegenprüft. Die andere bleibt bei allgemeinen Bekenntnissen zur Offenheit. Ein Jahr später zeigt sich der Unterschied im Alltag: Die erste Person hat zwei neue Werkzeuge in ihre Abläufe integriert und zieht Kolleginnen und Kollegen mit, die zweite wartet auf Anweisungen. Das Zeugnis hatte diesen Unterschied nicht abgebildet – die Verhaltensfragen schon.
Wirtschaftlicher Nutzen
Eine Einstellung wirkt über Jahre, eine Werkzeug-Kenntnis veraltet in Monaten – deshalb ist die Haltung das wirtschaftlich tragfähigere Kriterium. Affine Mitarbeitende halten Abläufe von sich aus aktuell und senken den Schulungsaufwand, weil sie Neues selbst erschließen. Fehlt die Affinität in Schlüsselrollen, bremst das jede KI-Einführung, weil Werkzeuge zwar beschafft, aber im Alltag umgangen werden. Als Auswahlkriterium kostet KI-Affinität wenig: bessere Interviewfragen und eine dokumentierte, fachlich begründete Entscheidung.
Typische Fehler
- Affinität mit Werkzeug-Kenntnis verwechseln und nach Momentaufnahmen einstellen, die mit der nächsten Werkzeug-Generation veralten.
- Selbstauskünfte abfragen („Sind Sie offen für Neues?") statt vergangenes Verhalten – auf Bekenntnisfragen antwortet jede Bewerbung mit Ja.
- Das Kriterium demografisch aufladen – eine Stellenanzeige, die ein „junges, digitalaffines Team" bewirbt, stellt einen mittelbaren Bezug zum geschützten Merkmal Alter nach § 1 AGG her.
- Technik-Euphorie mit Affinität gleichsetzen – kritikloses Vertrauen ohne Prüf-Bewusstsein ist ein Warnsignal.
- Das Bestandsteam ausklammern und Affinität nur bei Neueinstellungen suchen.
Worauf achten?
- Verhaltensfragen stellen, die vergangenes Handeln zeigen: zuletzt erprobte Werkzeuge, Rückschau auf eigene Abläufe, Reaktion auf ein Umstellungs-Szenario.
- Auf das Prüf-Bewusstsein achten – wer Grenzen und Fehler von KI-Ergebnissen benennen kann, hat wirklich damit gearbeitet.
- Jedem Bewerber dieselben Fragen in derselben Reihenfolge stellen und die Antworten dokumentieren – das macht Kandidaten vergleichbar.
- Das Kriterium fachlich formulieren, nie generationell – bei Detailfragen zur Ausschreibung eine arbeitsrechtliche Fachberatung einbeziehen.
- Affine Personen im Bestandsteam identifizieren und über Weiterqualifizierung zu Multiplikatoren entwickeln.
Häufig gestellte Fragen
Was ist KI-Affinität?
Die Grundhaltung, neue KI-Werkzeuge von sich aus zu erproben, das eigene Vorgehen daran zu überprüfen und maschinelle Ergebnisse kritisch gegenzulesen. Als Haltung veraltet sie nicht mit der Werkzeug-Generation – anders als die Kenntnis eines bestimmten Systems.
Wie erkennt man KI-Affinität im Bewerbungsgespräch?
Über Verhaltensfragen statt Selbstauskünfte: Welches Werkzeug wurde zuletzt aus eigenem Antrieb erprobt, welche frühere Aufgabe würde die Person heute anders lösen, wie reagiert sie auf ein Umstellungs-Szenario – und spricht sie von sich aus über Grenzen und Prüfschritte?
Ist KI-Affinität als Einstellungskriterium rechtlich zulässig?
Als fachliche Anforderung ja – § 1 AGG schützt sechs abschließend aufgezählte persönliche Merkmale, und der Umgang mit KI-Werkzeugen gehört nicht dazu. Riskant wird eine generationelle Aufladung des Kriteriums, weil sie einen mittelbaren Bezug zum Merkmal Alter herstellt. Für die konkrete Ausschreibung empfiehlt sich arbeitsrechtliche Fachberatung.
Was unterscheidet KI-Affinität von KI-Kompetenz?
KI-Kompetenz ist die erlernbare Fähigkeit, KI-Werkzeuge einzusetzen und Ergebnisse zu beurteilen. KI-Affinität ist die Haltung, diese Fähigkeit erwerben und aktuell halten zu wollen. Affinität geht der Kompetenz voraus und trägt sie über Werkzeug-Wechsel hinweg.