Expertensuche und Kompetenzkartierung

In den meisten Organisationen weiß niemand, wer eigentlich was weiß: Die Person, die dasselbe Problem vor zwei Jahren gelöst hat, sitzt in einer anderen Abteilung, und die Kompetenzfelder in der HR sind leer oder veraltet. KI erstellt Kompetenz- profile aus der Arbeit, die Menschen tatsächlich erzeugen (Dokumente, Tickets, Code, Projekte), ordnet sie einer Kompetenztaxonomie zu und beantwortet „Wer kann bei X helfen?“ mit Belegen. Die zentrale Gestaltungsentscheidung ist die Grenze: eine Kollegin oder einen Kollegen zum Fragen finden ist risikoarm; dieselben Daten zu nutzen, um Beschäftigte zu bewerten, zu reihen oder einzusetzen, wird schnell zu einem Hochrisiko-HR-System mit Folgen für Betriebsrat und DSGVO.

Problem & Nutzen

• Heute: Expertinnen und Experten werden über Flurfunk, Fragen an Verteiler und veraltete Kompetenz- tabellen gefunden. Selbst angegebene Kompetenzen in HR-Systemen werden selten gepflegt. Mitarbeitende scheiden aus, und ihr Know-how geht verloren; Projekte werden mit denselben wenigen bekannten Namen besetzt; interne Stellen werden extern besetzt, weil interne Kandidaten unsichtbar sind.
• KI-Nutzen: (1) Expertenortung - semantische Suche über Personen anhand der von ihnen erzeugten Belege; (2) Kompetenzableitung - unstrukturierte Spuren in normalisierte Kompetenz-Tags überführen; (3) Kompetenz- inventar - eine aggregierte Sicht für Personalplanung, Weiterqualifizierung und Nachfolge; (4) Weiterleitung von Fragen
• die richtige Person oder den richtigen Kanal vorschlagen, wenn eine Frage eingeht.
• Standards helfen: ESCO, die mehrsprachige Klassifikation der Europäischen Kommission, listet 3.039 Berufe und 13.939 Kompetenzen in 28 Sprachen und bietet damit ein kostenloses, DSGVO-neutrales gemeinsames Vokabular [1].
• Es gibt keine belastbare allgemeingültige ROI-Zahl. Aussagen von Anbietern zu schnellerer Besetzung oder mehr internen Wechseln sind überwiegend selbst berichtet; messen Sie stattdessen Ihre eigene Ausgangslage (Zeit bis zum Finden einer Expertin bzw. eines Experten, Anteil interner Besetzungen).

Varianten

• Interner Talentmarktplatz: interne Zuordnung zu Stellen und Projekten, Mentoring, Gig-Einsätze (Kompetenzableitung, gekoppelt an die HR-Suite).
• Suche nach Entwicklern/Code-Verantwortlichen: Expertise aus Commits, Code-Reviews und Störungs-Tickets abgeleitet (Zielgruppe Entwickler; oft der einfachste Einstieg, weil die Daten Arbeitsergebnisse sind, keine HR-Daten).
• Beratung / professionelle Dienstleistungen: Besetzungsvorschläge, abgeglichen mit früheren Projektreferenzen und Zertifizierungen.
• Forschung & Hochschulen: Kooperationspartner und Gutachter aus Publikationen und Förderanträgen finden (siehe KNOW-008).
• Öffentlicher Sektor: Kompetenzregister für Krisenbesetzung und behördenübergreifendes Wissen, in der Regel mit strenger Mitbestimmung durch Betriebs-/Personalrat.
• Weiterleitung von Fragen im Chat: ein Bot in Teams/Slack, der eine Expertin, einen Experten oder eine frühere Antwort vorschlägt (Verbindungen zu KNOW-002, KNOW-011).
• KMU: eine schlanke Kompetenzmatrix plus Suche über die Autoren des Wikis; eine vollständige Ableitungs-Engine ist unterhalb von etwa 200 Beschäftigten meist überdimensioniert.
• Private Nutzung: im engeren Sinne nicht anwendbar; das nächste Gegenstück ist die persönliche Verwaltung von Lebenslauf und Kompetenzen (siehe KNOW-018).

So funktioniert es

sources (HR master data, wiki, DMS, tickets, git, project reports, CVs)
  -> ingestion with permission check + PII minimisation (guardrails)
  -> evidence extraction (document parsing, authorship, role in project)
  -> skill extraction & normalisation to taxonomy (LLM + NER classifier, ESCO / internal model)
  -> person-skill-evidence graph (skill, level estimate, recency, source links)
  -> employee review: confirm / correct / hide skills (opt-in visibility)
  -> search & ranking (hybrid BM25 + embeddings + reranker, filters: location, language, availability)
  -> UI / chat / API  ->  contact request or question routing

• Kompetenzextraktion: Ein LLM ordnet Text den Taxonomie-IDs zu; ein feingetunter Encoder-Klassifikator ist bei großem Volumen günstiger. Mehrsprachige Embeddings (z. B. BGE-M3, MIT-Lizenz, >100 Sprachen [4]) bewältigen gemischte deutsche und englische Inhalte.
• Beleg statt Behauptung: Jede abgeleitete Kompetenz trägt Links zu den zugrunde liegenden Dokumenten/Projekten und ein Aktualitätsdatum; Kompetenzen verfallen ohne frische Belege.
• Graph: Ein Wissensgraph aus Personen - Projekten - Kompetenzen - Dokumenten ermöglicht Mehrschritt-Abfragen („Wer hat mit Kunde X zu Thema Y gearbeitet?“); siehe KNOW-013.
• Mensch-in-der-Schleife (Human-in-the-Loop): Beschäftigte sehen ihr eigenes abgeleitetes Profil, können es korrigieren und unterdrücken; Vorgesetzte sehen nie rohe private Spuren. Der Kontakt zu einer Expertin bzw. einem Experten ist eine Anfrage, keine Zuweisung.

Datenaufbereitung

Datenquellen sind HR-Profile und Kompetenzlisten, Projekt- und Ticket-Historien, von Beschäftigten verfasste Dokumente, Code-Repositories und Weiterbildungsnachweise. In einem KMU liegen sie im HR-System, in Excel-Tabellen, im Intranet, auf Dateiservern und in E-Mails. Typische Lücken: veraltete oder leere Profile, Kompetenzbezeichnungen als Freitext ohne gemeinsames Vokabular, fehlende Urheberangabe in Dokumenten, personenbezogene Daten mit anderem ursprünglichem Zweck sowie unklare Einwilligung oder Zugriffsrechte.

Schritte der Aufbereitung: (1) vor jeder Weiterverwendung von Daten Zweck, Rechtsgrundlage und Betriebsvereinbarung prüfen ([PREP-025], [PREP-024]); (2) Quellen und Verantwortliche erfassen ([PREP-001], [PREP-004]); (3) Kompetenztabellen bereinigen und strukturieren ([PREP-011]); (4) eine Kompetenztaxonomie mit Synonymen aufbauen ([PREP-015], [PREP-019]); (5) auf arbeitsbezogene Inhalte beschränken und, wo möglich, pseudonymisieren ([PREP-022]); (6) Berechtigungen prüfen, damit die Ergebnisse die Zugriffsrechte einhalten ([PREP-023]). Werkzeuge: Tabellenbereinigung, OpenRefine, Exporte der HR-Suite. Die Aufbereitung macht etwa 40 Prozent des Aufwands aus; von den Beschäftigten selbst gepflegte Profile sind die zuverlässigsten Daten. Siehe [GUIDE-003].

Umsetzungswege

Welcher Weg für wen

• KMU (A): HR-Suiten und Intranet-Produkte enthalten zunehmend Kompetenz- und Expertensuche, wodurch Sie kein eigenes System auf Mitarbeiterdaten aufbauen müssen.
• Großunternehmen (B): Kompetenzdaten aus HR, Projekten und Code erfordern eine individuelle Integration mit strenger Zugriffskontrolle, die ein Eigenbau auf Cloud-APIs gut leistet.
• Entwickler (C): Open-Source-Suche, ein Graphspeicher und Open-Weight-Embeddings halten personenbezogene Daten im Haus und unter voller Kontrolle.
• Öffentlicher Sektor (C): Beschäftigtendaten in öffentlichen Stellen erfordern souveränes Hosting und offene Komponenten, vorbehaltlich der Zustimmung des Personalrats.

Weg A - Kaufen (Standardsoftware; für die meisten Organisationen mit HR-Suite empfohlen)

• Kompetenzen in der HR-/Talent-Suite: Workday (Skills Cloud), SAP SuccessFactors (Talent Intelligence Hub), Oracle HCM, Cornerstone, Microsoft Viva Skills / People Skills in Microsoft 365 (Ableitung aus M365-Signalen - aktuelle Lizenzierung und Status der EU-Datengrenze prüfen). SAP und Personio sind EU- Anbieter; Personio richtet sich an KMU.
• Talent-Intelligence-/Marktplatzplattformen: Eightfold, Gloat, Beamery, Lightcast (Kompetenzdaten), Recruiting-Suiten vom Typ SmartRecruiters ergänzen interne Mobilität. Die meisten haben ihren Sitz in den USA - prüfen Sie EU-Hosting, Unterauftragsverarbeiter und Vereinbarkeit mit dem Betriebsrat.
• Unternehmenssuche mit Personenergebnissen: Glean, Personensuche in Microsoft 365 Copilot, auf Elastic und Sinequa basierende Lösungen (Sinequa ist französisch); Starmind (Schweiz) ist darauf spezialisiert, Fragen an interne Experten weiterzuleiten.
• Wählen Sie A, wenn: Sie bereits eine HR-Suite oder M365 betreiben, ein Inventar statt eines Forschungs- projekts wollen und Sichtbarkeit und Opt-in richtig konfigurieren können.

Weg B - Auf Cloud-KI-Diensten aufbauen

• Modelle: ein in der EU betreibbares Spitzen-Sprachmodell für Kompetenzextraktion und Antwortzusammenfassungen (Claude, Gemini, GPT über EU-Regionen oder Mistral als EU-Anbieter); Embedding-API plus Reranker für die Suche.
• Stack: Konnektoren zu Wiki/DMS/Git/Ticketsystem (Ingestion von KNOW-002 wiederverwenden), ein Graph- oder relationaler Speicher für Person-Kompetenz-Beleg, eine einfache Oberfläche oder ein Teams-/Slack-Bot, n8n oder Power Automate für Synchronisationsjobs.
• Regel: Senden Sie nur die für die Extraktion nötigen Arbeitsergebnisse, nicht komplette HR-Akten; pseudonymisieren Sie vor dem API-Aufruf, wo möglich, und speichern Sie die Zuordnung intern.
• Wählen Sie B, wenn: Sie eigene Quellen (Code, Tickets, Kundenprojekte) oder eine maßgeschneiderte Taxonomie brauchen.

Weg C - Selbst betreiben (Open Source)

• Modelle: offene mehrsprachige Embeddings (BGE-M3 [4]), ein offener Reranker und ein mittelgroßes Instruktions-LLM (Qwen3 / Mistral / Llama-Familie, 8-30B), betrieben über vLLM oder Ollama zum Kompetenz-Tagging.
• Parsing & Suche: Docling für die Dokumentenaufnahme [5], OpenSearch (Apache 2.0) für die hybride Suche [6], Postgres + pgvector oder Qdrant, Neo4j/Memgraph oder Apache AGE für den Kompetenzgraphen; ESCO als Taxonomie [1].
• Hardware: HW2 (eine GPU mit 24-32 GB) genügt für mittelgroße Unternehmen; HW1/CPU kann die Embedding-Seite allein tragen. Personenbezogene Daten bleiben On-Premises, was die Diskussion mit dem Betriebsrat erleichtert.
• Betriebsaufwand: mäßig; schwierig sind Konnektoren und die Spiegelung von Berechtigungen, nicht die Modelle.

Weg D - Eigenes Training

Lohnt sich nur für große Arbeitgeber mit eigenem Kompetenzmodell oder Fachjargon (z. B. technische Disziplinen): einen Encoder feintunen, der Text Ihren Kompetenz-IDs zuordnet, oder ein Ranking-Modell auf Feedback „Experte akzeptiert / abgelehnt“ trainieren. Benötigt Hunderte bis Tausende beschrifteter Text-Kompetenz-Paare; Korrekturen der Beschäftigten im Prüfschritt sind die naheliegende Quelle für Labels. Trainieren Sie nie auf Daten, deren Zweck mit dieser Nutzung nicht vereinbar war.

Stand der Technik (2026)

• Kompetenzorientierte HR-Plattformen liefern LLM-basierte Kompetenzableitung und Normalisierung auf große Taxonomien inzwischen als Standardfunktion; der Unterschied liegt in der Datenabdeckung und der Qualität der Prüfschleife, nicht im Modell.
• Hybrides Retrieval + Reranking über selbst erstellte Inhalte ist der praktische Kern der Expertensuche; reine Vektorsuche verfehlt exakte Produkt-/Teilenamen, reine Stichwortsuche verfehlt Synonyme.
• Taxonomien: ESCO (EU), O*NET (USA), proprietäre Graphen von Anbietern; die Abbildung zwischen ihnen ist automatisiert, aber unvollkommen, besonders bei deutschen Zusammensetzungen und unternehmensinternem Jargon.
• Agentisches Weiterleiten: Assistenten, die die Expertin oder den Experten nicht nur nennen, sondern die Anfrage entwerfen, die Verfügbarkeit im Kalender prüfen und relevantes früheres Material zusammenfassen (siehe AGENT-002).
• Grenzen und Fehlerbilder: (1) Urheberschaft ist keine Expertise - wer ein Dokument geschrieben hat, kann es kopiert haben, und Prüfer/Mentoren hinterlassen wenige Spuren; (2) stilles und Offline-Wissen ist unsichtbar; (3) von LLMs abgeleitete Niveaus („Experte“, „fortgeschritten“) sind schwach kalibriert - zeigen Sie Belege, keine Punktzahlen; (4) Veralterung und Verzerrung: Personen mit mehr schriftlichem Output oder mit bestimmter Sprache/bestimmtem Stil werden zu hoch gereiht, Teilzeitkräfte und Beschäftigte ohne Schreibtischarbeit sind unterrepräsentiert; (5) gefragte Experten werden überlastet - ergänzen Sie Verfügbarkeit und Lastverteilung; (6) Berechtigungslücken, wenn der Index die ACLs der Quellen nicht spiegelt.
• Kein öffentlicher Benchmark misst „Expertensuche in Unternehmen“ durchgängig; evaluieren Sie mit Ihrem eigenen Goldstandard-Set (bekannte Fragen und die Experten, die sie beantwortet haben).

Gemeinsame Bausteine & Kombinationen

• Derselbe Stack wie bei den Retrieval-Anwendungsfällen: embedding-text + reranker + vector-db + search-engine wie in KNOW-001 (Unternehmenssuche) und KNOW-002 (RAG-Assistent) - ein Index und eine Konnektorschicht können alle drei bedienen; Personen werden zu einem weiteren Entitätstyp.
• Graph: teilt den Aufbau des Wissensgraphen mit KNOW-013 (GraphRAG).
• Inhaltsseite: KNOW-011 (Erstellung von Wissensdatenbank/FAQ) entlastet Experten, indem beantwortete Fragen in Artikel überführt werden; KNOW-014 (organisationales Gedächtnis) sichert, was ausscheidende Experten wissen; KNOW-027 (SOP-Erstellung aus Experten-Videos) ist der strukturierte nächste Schritt, wenn eine Expertin oder ein Experte bald geht.
• HR-Nachbar: AGENT-033 (Talentsuche) nutzt ähnliches Kompetenz-Matching bei externen Kandidaten - diese Variante ist ausdrücklich Hochrisiko (Anhang III Nr. 4 Buchst. a); halten Sie Daten und Zwecke getrennt.
• Hardware: Ein HW2-Server mit Embeddings, Reranker und einem LLM mit ~8-30B kann diesen und die oben genannten Retrieval-Anwendungsfälle bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen zur Konfiguration plus ein 3-6-monatiger Veränderungsprozess (Opt-in, Kommunikation, Betriebsrat); Lizenzen pro Beschäftigten, oft in HR-/M365-Suiten enthalten.
• Weg B: 2-4 Monate für einen ersten Satz Konnektoren und eine Oberfläche; API-Kosten sind klein gegenüber dem Entwicklungsaufwand.
• Weg C: 3-5 Monate inkl. Konnektoren und Spiegelung von Berechtigungen; ein GPU-Server plus Betrieb in Teilzeit.
• Kennzahlen: Zeit bis zum Finden einer Expertin bzw. eines Experten (Ausgangslage vs. danach), Anteil beantworteter Expertenanfragen, Annahme-/Ablehnungsquote vorgeschlagener Experten, Anteil der Beschäftigten, die ihr Profil bestätigt haben, Aktualität der Kompetenzprofile, interne Besetzungsquote bei Vakanzen, Verteilung der Expertenlast (Engpässe vermeiden), bearbeitete Anfragen betroffener Personen.

Menschen & Veränderung

Beziehen Sie die Geschäftsführung, die HR-Leitung und den Betriebsrat ein, bevor Daten angefasst werden; der Anwendungsfall verarbeitet Beschäftigtendaten, daher stößt auch der/die Datenschutzbeauftragte von Beginn an hinzu. IT und Datenverantwortliche (HR-System, Intranet, Repositories) folgen, und die Beschäftigten als Endnutzer sollten die Kompetenztaxonomie mitgestalten. Wählen Sie eine Pilotgruppe aus Freiwilligen, zum Beispiel eine Abteilung, und lassen Sie sie ihre Profile selbst pflegen ([GUIDE-009]).

Betriebsrat: ja. Das System analysiert Dokumente, Tickets und Code je Person und ist objektiv zur Leistungskontrolle geeignet, daher gilt die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG; der Betriebsrat muss außerdem nach §90 Abs. 1 Nr. 3 informiert werden, kann nach §80 Abs. 3 einen Sachverständigen hinzuziehen, und §95 Abs. 2a ist relevant, wenn Ergebnisse in Auswahl- oder Einsatzentscheidungen einfließen ([GUIDE-004]). Öffentliche Stellen beziehen den Personalrat ein. Eine DSFA nach Art. 35 DSGVO ist wahrscheinlich, weil Personen systematisch bewertet werden ([GUIDE-005]).

Vereinbaren Sie in einer Betriebsvereinbarung, dass Kompetenzangaben freiwillig sind, für die Beschäftigten sichtbar bleiben, nie für Beurteilung oder Kündigung genutzt werden und dass Beschäftigte Einträge korrigieren oder ausblenden können. Maßnahmen zur KI-Kompetenz ([GUIDE-006]) und offene Kommunikation über den Zweck ([GUIDE-008]) begegnen der typischen Angst vor Überwachung. Menschen entscheiden über den Einsatz; das System macht nur Vorschläge.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act) - hängt vom Zweck ab. Ein Suchwerkzeug, das eine Kollegin oder einen Kollegen zum Fragen vorschlägt, ist in der Regel minimales Risiko (Pflicht zur KI-Kompetenz, Art. 4). Sobald das System genutzt wird, um Aufgaben auf Grundlage individuellen Verhaltens oder persönlicher Merkmale zuzuweisen, um Leistung zu bewerten, über Beförderung oder Kündigung zu entscheiden oder um Bewerbungen zu filtern, fällt es unter Anhang III Nr. 4 und wird Hochrisiko (Pflichten für Anbieter/Betreiber, menschliche Aufsicht, Transparenz gegenüber Beschäftigten) [3]. Die Nutzung abgeleiteter Kompetenzen für externes Recruiting fällt ebenfalls unter Anhang III Nr. 4 Buchst. a. Emotionserkennung aus der Kommunikation von Beschäftigten ist am Arbeitsplatz verboten (Art. 5 Abs. 1 Buchst. f) - nehmen Sie sie nie auf. Chat-artige Oberflächen brauchen den Transparenzhinweis nach Art. 50.
• DSGVO: Kompetenzprofile sind personenbezogene Daten von Beschäftigten. Rechtsgrundlage ist Art. 6 plus nationales Beschäftigtendatenrecht auf Grundlage der Öffnungsklausel in Art. 88 [2]; in Deutschland gilt §26 BDSG, und der EuGH hat entschieden (C-34/21, 30. März 2023), dass nationale Regeln zu Beschäftigtendaten die Anforderungen des Art. 88 erfüllen müssen; eine Einwilligung ist daher im Machtgefälle des Beschäftigungsverhältnisses selten eine sichere Grundlage. Führen Sie eine DSFA durch und beachten Sie Zweckbindung (nur Expertensuche), Datenminimierung, Transparenz, Auskunft/Berichtigung (Beschäftigte können ihr Profil einsehen und korrigieren) sowie Aufbewahrung und Löschung beim Ausscheiden.
• Mitbestimmung: In Deutschland lösen technische Systeme, die Verhalten oder Leistung überwachen können, die Mitbestimmung des Betriebsrats aus (§87 Abs. 1 Nr. 6 BetrVG); vereinbaren Sie eine Betriebsvereinbarung vor Piloten mit echten Daten. Gleichwertige Gremien gibt es in anderen Mitgliedstaaten.
• Weitere Risiken: Diskriminierung durch verzerrte Ableitung (Geschlecht, Teilzeit, Sprache), abschreckende Wirkung, wenn sich Beschäftigte profiliert fühlen, ACL-Lücken, übermäßige Abhängigkeit von wenigen „sichtbaren“ Experten.
• Gegenmaßnahmen: Opt-in oder Opt-out der Sichtbarkeit je Beschäftigtem, Anzeige von Belegen statt numerischer Bewertungen, keine Verwendung bei Beurteilung oder Vergütung, rollenbasierter Zugriff auf Aggregate (kleine Gruppen unterdrückt), Prüfprotokoll, Bias-Tests der Rankings, regelmäßiges Löschen veralteter Ableitungen.

Erste Schritte

1. Legen Sie den Zweck eng fest („eine Kollegin oder einen Kollegen zum Fragen finden“) und stimmen Sie ihn mit dem/der Datenschutz- beauftragten und dem Betriebsrat ab; schreiben Sie die Ausschlussliste (keine Beurteilung, keine Vergütung, keine Überwachung).
2. Wählen Sie eine Taxonomie (ESCO oder Ihr Kompetenzmodell) und 2-3 risikoarme Quellen (Wiki-Autorenschaft, Ticket- Bearbeiter, Projektreferenzen).
3. Bauen Sie einen Piloten in einer Abteilung: aufnehmen, Kompetenzen ableiten, Beschäftigte ihr eigenes Profil prüfen lassen.
4. Evaluieren Sie mit einem Goldstandard-Set aus 50-100 echten früheren Fragen und den Personen, die sie beantwortet haben; vergleichen Sie mit dem bisherigen Weg, Experten zu finden.
5. Rollen Sie mit einer Feedback-Schaltfläche aus („kein Experte hierfür“) und messen Sie Zeit bis zur Expertin bzw. zum Experten sowie die Akzeptanz.

Quellen

1. European Commission - ESCO, what is ESCO (3,039 occupations, 13,939 skills, 28 languages) - https://esco.ec.europa.eu/en/about-esco/what-esco
2. GDPR Art. 88 - processing in the context of employment - https://gdpr-info.eu/art-88-gdpr/
3. AI Act Annex III, point 4 (employment, workers management) - https://artificialintelligenceact.eu/annex/3/
4. BAAI/bge-m3 model card (MIT, >100 languages, dense/sparse/multi-vector) - https://huggingface.co/BAAI/bge-m3
5. Docling project (MIT, document parsing) - https://github.com/docling-project/docling
6. OpenSearch project (Apache 2.0) - https://github.com/opensearch-project/OpenSearch
7. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj