Es muss irgendwann zwischen dem dritten ChatGPT-Prompt und dem ersten LinkedIn-Post passiert sein. Plötzlich waren sie überall: AI Experts, AI Strategists, AI Consultants, AI Transformation Leads, Prompt Engineers. Menschen, die bis vor Kurzem „irgendwas mit Marketing”, Beratung, HR oder Digitalisierung gemacht haben, scheinen über Nacht eine zweite berufliche Pubertät durchlaufen zu haben. Nur dass diesmal keine fragwürdige Frisur dabei herauskommt, sondern “AI” in der LinkedIn-Headline.
Und nur damit das klar ist: Natürlich darf man sich diesem Thema widmen und sich damit beschäftigen, über Menschen, die sich persönlich und beruflich ernsthaft in künstliche Intelligenz eingearbeitet haben, soll hier niemand spotten. Viele von ihnen haben in den letzten Jahren beeindruckend viel gelernt und mit der Community geteilt und trotzdem drängt sich im laufenden KI-Goldrausch eine Frage auf, die unangenehmer ist, als sie klingt:
Ab wann darf man eigentlich öffentlich behaupten, gut in KI zu sein?
Für Frauen hat diese Frage möglicherweise besondere Brisanz. Während die einen das Schild “KI Expertin” bereits an die digitale Bürotür schrauben, sitzen die anderen noch im Maschinenraum und rechnen nach, ob ihre Kenntnisse dafür genügen. Wäre berufliche Selbstüberschätzung folgenlos, könnte man das als Kuriosität des Arbeitsmarktes abheften. Leider entscheidet jedoch das frühzeitige “KI Branding” irgendwann über Karriere, Aufträge, Gehalt und Einfluss.
Willkommen in der Welt des AI Washings
Keine Sorge, der Begriff ist kein Neologismus, ausgedacht von gelangweilte LinkedIn-Influencer*innen. Viel mehr ist er tatsächlich durch den Diskursmonitor bekannt geworden, einem sprachwissenschaftlichen Forschungsprojekt an der Universität Siegen. Hierunter wird die Praxis von Unternehmen verstanden, Produkten ein KI-Label zu verpassen, obwohl der tatsächliche KI-Einsatz “stark übertrieben, nur marginal vorhanden oder überhaupt nicht gegeben ist”. Das Muster kennt man vom Greenwashing: etwas gesellschaftlich Begehrtes nehmen, großzügig aufs Etikett schreiben, und hoffen, dass niemand die Zutatenliste liest und hierdurch hinter die eigene äußert fragwürdige Geschäftspraxis blickt.
Das es sich hierbei um schwerwiegende Täuschung handelt, wissen wir nicht erst seit die US-Börsenaufsicht SEC 2024 erstmals zwei Investmentfirmen wegen AI Washing sanktioniert hat, die mit KI-Fähigkeiten warben, die es schlicht nicht gab. Und das Startup Builder.ai, zwischenzeitlich mit mehr als einer Milliarde Dollar bewertet, brach 2025 zusammen, nachdem geschönte Umsätze bekannt geworden waren, und mit ihnen erhebliche Zweifel, wie viel künstliche Intelligenz in der Plattform überhaupt steckte.
Für alle, die jetzt ins Schwitzen geraten, sei der Fairness halber gesagt: AI Washing ist ein Unternehmensbegriff. Wer nach drei Webinaren “AI Strategist” ins Profil schreibt, beschäftigt keine Börsenaufsicht, sondern betreibt erst einmal ambitionierte Selbstdarstellung. Wo Täuschung endet, wo Übertreibung beginnt und wo jemand schlicht vorhandene Kompetenz benennt, lässt sich selten sauber trennen.
Die Grauzone ist entsprechend groß und ich kann es sogar verstehen, denn der Druck ist ziemlich hoch. Viele Unternehmen suchen nach entsprechenden Stellenprofilen, da sie ihr wilder Aktionismus dazu verleitet lieber AI als nächste Sau durchs Dorf zu treiben, als sich wirklich ernsthaft mit einem internen Kulturwandel auseinanderzusetzen.
Uns so wird KI-Kompetenz zunehmend vom netten Zusatzwissen zum beruflichen Distinktionsmerkmal, und zwar zu einem, das sich auszahlt. Der AI Jobs Barometer von PwC, der weltweit über eine Milliarde Stellenanzeigen auswertet, berichtet für Stellen mit KI-Anforderungen eine Lohnprämie von über 60 Prozent. Das ist kein Beweis dafür, dass ein einzelner KI-Kurs das Gehalt um 60 Prozent erhöht, wohl aber ein deutlicher Hinweis darauf, welchen Marktwert entsprechende Fähigkeiten inzwischen haben. Umso wichtiger wird die Frage, wer sich diese Kompetenz selbst zuschreibt und wer darauf wartet, sie erst zweifelsfrei nachweisen zu können.
Der erstaunliche Unterschied zwischen “Ich kann das” und „Ich kann das vielleicht”

Grundlegend muss man sagen, dass Kompetenz auf dem Arbeitsmarkt zwei Bestandteile hat: das Können selbst, und das Wissen der anderen darüber und der zweite Part wird hierbei chronisch unterschätzt.
Und falls du dir jetzt schon die Finger reibst und denkst: Gleich holt sie den Gender Gap raus und spielt Männer gegen Frauen aus, muss ich dich (teilweise) enttäuschen.
Die Geschichte, Männer bewürben sich schon mit 60 Prozent der Anforderungen auf eine Stelle und Frauen erst mit 100, geistert seit Jahren durch Karriere-Keynotes. Ihre Quelle ist ein interner Hewlett-Packard-Bericht, den außerhalb von Hewlett-Packard nie jemand gesehen hat. Über einen McKinsey-Report gelangte die Zahl in Sheryl Sandbergs „Lean In” und war fortan nicht mehr einzufangen. Der Wissenschaftler Curt Rice ist der Spur nachgegangen und fand: eine Anekdote, keine Studie. Als Tara Mohr für die Harvard Business Review über tausend Berufstätige fragte, warum sie auf eine Bewerbung verzichtet hatten, nannten Frauen wie Männer am häufigsten denselben Grund: Sie rechneten sich ohne alle Kriterien schlicht keine Chance aus und wollten ihre Zeit nicht verschwenden. Fehlendes Selbstvertrauen spielte nur eine Nebenrolle, zumindest bei dieser Befragung. Für eine 2022 im Quarterly Journal of Economics erschienene Studie ließen die Ökonom*innen Christine Exley und Judd Kessler Tausende Teilnehmende identische Tests absolvieren und anschließend die eigene Leistung beschreiben. Bei gleicher Leistung fielen die Selbstbeschreibungen der Frauen deutlich zurückhaltender aus. Daran änderte sich nichts, wenn an der Selbstbeschreibung Geld hing. Auch nicht, wenn die Teilnehmenden ihr Testergebnis schwarz auf weiß vor sich liegen hatten. Zumindest in diesen Experimenten lag der Unterschied also nicht darin, dass Frauen ihre Leistung schlechter einschätzten, sie beschrieben dieselbe Leistung schlicht zurückhaltender.
Im Hinblick auf den KI-Boom wird das noch relevanter, denn was Frauen als falsche Bescheidenheit ausgelegt wird, ist letztlich einfach nur eine faktenbasierte und realistische Beobachtungsgabe.
Der Gender AI Gap ist real, auch wenn wir es nicht sehen wollen.

Wie Frauen und Männer in Deutschland KI tatsächlich nutzen, haben die Initiative D21 und das Institut für Arbeitsmarkt- und Berufsforschung (IAB) auf Basis von rund 4.800 Erwerbspersonen untersucht. Das im April 2026 veröffentlichte Ergebnis: 53 Prozent der Männer nutzen KI, 37 Prozent der Frauen. Ein Gender AI Gap von 16 Prozentpunkten. Der Abstand ist auch kein statistisches Artefakt. Rechnet man Alter, Bildung, Einkommen, berufliche Position, Einstellungen und Kompetenzen heraus, bleiben acht Prozentpunkte übrig, die sich durch nichts davon erklären lassen.
Bei den Jüngeren wird es hierbei nochmals richtig interessant. Von den Männern der sogenannten “Generation Z” nutzt etwa jeder zweite KI intensiv, von den Frauen derselben Generation nicht einmal jede dritte. Dabei beruhigen wir uns doch so gern damit, dass sich digitale Geschlechterunterschiede mit der nächsten Generation von selbst erledigen. Ich sage es ja nur ungern, aber ich glaube, die Zukunft hat diesen Termin offenbar abgesagt.
Bildung hilft ebenfalls weniger als erhofft. Je höher der Abschluss, desto häufiger wird KI genutzt, nur profitieren Männer davon stärker als Frauen mit demselben Bildungsniveau. In digital geprägten Arbeitsumgebungen steigt die Nutzung insgesamt deutlich, Frauen bleiben laut Studie trotzdem spürbar seltener und weniger intensiv dabei. Und unter den KI-Fachkräften in Deutschland liegt der Frauenanteil bei rund 20 Prozent, EU-weit gehört Deutschland damit zu den Schlusslichtern.
Ein deutscher Sonderweg ist das nicht, eher der Durchschnitt. In Dänemark zeigte eine in PNAS erschienene Untersuchung von 18.000 Beschäftigten in elf besonders KI-exponierten Berufen, dass Frauen ChatGPT um 16 Prozentpunkte seltener nutzten als Männer, innerhalb derselben Berufe, bei ähnlichen Aufgaben. Eine Auswertung der Harvard Business School über mehr als 300.000 Personen in über 100 Ländern findet dasselbe Muster: Der Abstand schrumpft seit 2023, verschwunden ist er nirgends.
Wer häufiger spielt, wird irgendwann besser
Wer schon einige meiner Artikel kennt, weiß, irgendwann muss das “Spiel” Einzug finden, denn es ist für mich ein wunderbares Bild um so ziemlich jedes Thema zu beschreiben. Seien wir mal ehrlich: Niemand wacht morgens auf und kann plötzlich Spanisch. Man probiert, versteht etwas falsch, formuliert unbeholfen, lernt Vokabeln, erahnt irgendwann sprachliche oder grammatische Zusammenhänge und eines Tages führt man ein Gespräch, ohne im Kopf jeden Satz zu übersetzen.
Mit KI verhält es sich gerade ähnlich. Wer täglich damit arbeitet, lernt nicht bloß “Prompting”, sondern entwickelt ein Gespür dafür, wann ein Ergebnis verdächtig glatt klingt, wann man nachfragen muss, welches Modell wofür taugt, was sich automatisieren lässt, wo menschliches Urteilsvermögen unersetzlich bleibt und wann die Maschine mit beeindruckender Selbstsicherheit kompletten Unsinn erzählt. In einem Zertifikatskurs erwirbt man solche Kompetenzen nicht. Man erwirbt sie durch Nutzung, d.h. durch das “Spiel”.
Und hier, du ahnst es schon, macht sich die berühmte “Lücke” auf: Wer heute weniger experimentiert, verspielt nicht nur die Gelegenheit eine KI-Routine etablieren, sondern die Gelegenheit, eine berufliche Schlüsselkompetenz aufzubauen. Das IAB zieht daraus eine deutliche Konsequenz: Betriebe sollten die KI-Nutzung nicht dem Selbstlauf überlassen, sondern aktiv implementieren und mit Qualifizierung begleiten. Werden Zugang und Experimentierräume informell verteilt, verteilt sich irgendwann auch die Kompetenz informell. Und informelle Systeme sind selten so neutral, wie sie aussehen. Die D21/IAB-Studie hält dazu ein hübsch unbequemes Detail bereit: Unterstützung aus dem persönlichen Umfeld beim KI-Lernen vergrößert den Gap sogar, weil von technikaffinen Netzwerken vor allem Männer profitieren. Das ist auch der Grund dafür, warum wir im Rahmen unserer KI & Female Future Leadership Workshops immer dafür plädieren, das Frauen Teil der neuen Welt sein sollen. Nicht als Zuschauende, nicht als Probandinnen, sondern als Entwicklerinnen, d.h. sie sollen bewusst Teil der KI-Entwicklung sein und diese nicht nur verstehen lernen.
KI-Boom oder doch eher KI-Blase?

Der tatsächliche deutsche Arbeitsmarkt hält sich bei diesem Thema übrigens auffällig zurück. Während LinkedIn suggeriert, halb Deutschland arbeite inzwischen hauptberuflich an Large Language Models, haben die Bertelsmann Stiftung und das Institut der deutschen Wirtschaft rund 60 Millionen Online-Stellenanzeigen aus den Jahren 2019 bis 2024 ausgewertet. Der Studientitel fasst das Ergebnis zusammen: “Stagnation statt Boom”. KI-Jobs machten 2024 gerade einmal 1,5 Prozent aller Anzeigen aus, seit Anfang 2023 stagniert die Nachfrage, 2024 ging sie sogar zurück und nur etwa jedes fünfte Unternehmen schult sein Personal überhaupt in KI.
Man kann also zumindest für Deutschland sagen: ja, der KI-Boom ist überall, aber reine KI-Jobs sind es nicht und gleichzeitig zahlt der Markt für KI-Kompetenz in ganz normalen Berufen eine wachsende Prämie, siehe PwC. Die ganzen neuen Titel sind also eine nette Zier, denn faktisch entsteht gar keine große neue Berufsgruppe. KI wird Querschnittskompetenz, ein Zusatz zu vorhandenen Berufen, vom Marketing bis zur Sachbearbeitung. So wie irgendwann niemand mehr “Internetkompetenz” stolz unter besondere Fähigkeiten geschrieben hat. Vermutlich schmückt 2035 auch niemand mehr seinen Lebenslauf mit „Microsoft Word: sehr gute Kenntnisse” und „ChatGPT: fortgeschritten”. So schließt sich dann auch der Kreis zu der eingangs aufgeworfenen Frage, woher die ganzen Expert*innen aus dem Boden sprießen: Sie waren schon immer da und haben sich jetzt lediglich einen neuen Titel verliehen, doch gereicht ihnen das auch wirklich zum Vorteil?
KI-Kompetenz: Zwischen Selbst- und Fremdwahrnehmung
Eine 2025 in PNAS veröffentlichte Experimentalreihe zeigt, dass Menschen, die im Job KI nutzen, von anderen als weniger kompetent und weniger fleißig eingeschätzt werden. Soziale Bewertungsstrafe heißt das in der Forschung. Noch vorsichtiger muss man einen zweiten, bislang nicht abschließend begutachteten Befund lesen: Eine Feldstudie mit über 1.000 Ingenieur*innen verglich Bewertungen identischen Codes, einmal mit, einmal ohne KI-Unterstützung entstanden. In dieser Studie fiel der Kompetenzabschlag bei Männern mit rund sechs Prozent aus, bei Frauen mit rund dreizehn Prozent. Am strengsten urteilten übrigens Männer, die selbst keine KI nutzen. Das Ergebnis hätte eine KI nicht besser erfinden können.
Sollten sich diese noch jungen Befunde in weiterer Forschung bestätigen, erzählen Nutzungslücke und Positionierungslücke dieselbe Geschichte, nur andersherum als gedacht. Frauen zögern dann nicht, weil sie Technologie falsch einschätzen. Sie schätzen den Raum richtig ein. Dieselbe Handlung, KI nutzen und das auch sagen, kostet je nach Absenderin unterschiedlich viel. Zurückhaltung wäre damit keine Charakterschwäche, sondern eine ziemlich strategische Antwort auf ein Umfeld, dessen KI-Überzeugung nicht immer gleich erkennbar ist.
Auf LinkedIn scheint man das auch zunehmend zu sehen: Es gibt die fanatischen Fans, die Befürworter, die Unentschlossenen, die Ablehnenden und jene, die sich gar zu Denunzianten aufschwingen und quasi auf dem “KI-Slop-Button” schlafen.
“Positioniere dich doch offensiver” hilft in diesem Spiel also ungefähr so viel wie “Lächel doch mal mehr”, solange der Arbeitsmarkt KI-Kompetenz unterschiedlich bewertet und auch belohnt.
Also was jetzt? Fake it, till you make it?
Müssen Frauen also anfangen, AI Washing zu betreiben? Ich finde allein die Frage schon schwierig, denn ab wann gilt man eigentlich als Expert*in diesem Bereich und ab wann ist man noch Hochstapler*in? Ist der Übergang fließend? Wer bestimmt, wann ich hier im “Level“ aufsteige? Und wenn ich das tue, lohnt sich das überhaupt, wenn dann jeder behauptet, ich habe meine Skills nur durch einen Cheat-Code (aka KI) erlangt?
Ist das ganze Spiel dann nicht von vorneherein zum Scheitern verurteilt?
Ich kann diese Frage nicht vollständig beantworten, doch um ehrlich zu sein ist es mir egal, ob noch mehr Menschen, die nach drei Webinaren “AI Transformation Expert” auf ihre Website schreiben auftauchen. Aber irgendwie stört es mich, dass hierdurch die Erwartung steigt, eine Gegenbewegung zu starten, in welcher Frauen lernen, die eigenen Kompetenzen so hemmungslos aufzublasen, dass sie sich am Ende nicht mal selbst glauben. Ich denke wenn es in diese Richtung geht, haben wir Gleichberechtigung etwas falsch verstanden, denn dann schließen wir den “Gender AI-Gap” nach dem Prinzip: Wenn der Maßstab Unsinn ist, sollen wenigstens alle denselben Unsinn machen dürfen.
Worauf es bei AI wirklich ankommt und wie wir echte Kompetenz erkennen lernen

Ich weiß ja nicht wie andere ihre Bewerbungsgespräche führen, doch ich war schon immer der Ansicht, Erprobung und Fragen bringen uns hier besonders weit: Was kannst du mit KI heute besser als vor einem Jahr? Erkennst du, welche Aufgabe sich für KI eignet und welche nicht? Prüfst du Ergebnisse kritisch? Kannst du einen Prozess sinnvoll mit KI verändern? Reichen deine Kenntnisse zu Datenschutz, Urheberrecht und Risiken für deinen Arbeitskontext? Weißt du, wann du der Maschine besser nicht glaubst, und löst du mit KI ein reales Problem?
Wer darauf überzeugende Antworten hat und diese auch umsetzen kann, besitzt womöglich mehr relevante KI-Kompetenz als jemand, dessen LinkedIn-Headline aussieht, als hätte ChatGPT sie nach dem Prompt “mehr Buzzwords bitte” geschrieben.
In unserer Branche ist das nicht anders: Als Trainierende, Speaker*innen und Beratende könnten wir unserer Kundschaft auch das Blaue vom Himmel versprechen und Referenzen sind hierbei schon lange nicht mehr das, was sie mal waren. Was wirklich zählt ist die Erprobung: Gibt es ein schlüssiges Workshopkonzept? Wie hat sich das Vorgespräch strukturiert? Gab es eine Vorabbefragung der Teilnehmenden, sodass es nicht nur ein Wunschkonzert des Auftraggebenden und eine “mögliche Lösung” unsererseits, sondern wirklich einen Bedarfsabgleich mit jenen gibt, die an dem Tag anwesend sind? All das und vieles mehr, macht am Ende den Unterschied aus und dieser zeigt sich, wenn die Teilnehmenden nach ein oder zwei Tagen sagen: Wie der Workshop ist schon vorbei?
Der AI-Gap ist auch ein unternehmerisches Thema
Ich kann verstehen, dass manche jetzt vielleicht mit den Augen rollen und sich denken: Warum muss ich mich jetzt schon mit dem nächsten “Gender Gap” auseinandersetzen, wir haben nicht mal die anderen gelöst. Es wäre also sehr bequem, den Gender AI Gap zur nächsten Selbstoptimierungsaufgabe für Frauen zu erklären. Frauen, traut euch! Probiert Claude, Copilot, Gemini oder ChatGPT! Seid sichtbarer! Schon hätte man ein strukturelles Problem erfolgreich in ein neues Female Empowerment Programm verwandelt.
Aber du hast vermutlich auch hier bereits eine dunkle Vorahnung: So einfach ist dieses Spiel nicht zu gewinnen. Die D21/IAB-Daten zeigen hierbei deutlich, warum eine solche Einstellung zu kurz greift, und wo der Hebel tatsächlich liegt. Organisieren Arbeitgebende die KI-Weiterbildung selbst, schrumpft der Unterschied bei der intensiven Nutzung auf einen einzigen Prozentpunkt. Erarbeiten sich Frauen Wissen in Eigenregie, steigt ihre KI-Nutzung um 15 Prozentpunkte, bei Männern um acht. An Motivation oder Lernfähigkeit scheitert es offenkundig nicht. Es scheitert daran, ob jemand eine strukturierte Gelegenheit bekommt oder auf Feierabend-Experimente und technikaffine Bekanntenkreise angewiesen ist. “Der Gap ist kein Naturgesetz”, heißt es bei den Studienautorinnen. “Er verschwindet fast vollständig, wenn Betriebe die digitale Transformation ernst nehmen.” An dieser Stelle habe ich fast aufgelacht, predige ich diesen Part schließlich schon seit Jahren.
Aber weiter im Text, was heißt das denn nun konkret: Nun, es bedeutet für Unternehmen: hinschauen, wo die informellen Weichen gestellt werden. Wer hat Lizenzen für die relevanten Tools, wer arbeitet mit dem Gratis-Account weiter? Wer bekommt Experimentierzeit innerhalb der Arbeitszeit, und wer soll sich KI-Kompetenz abends auf eigene Rechnung aneignen? Wer wird für Pilotprojekte angefragt, bevor sich die üblichen Verdächtigen gemeldet haben? Wer darf bei KI-Experimenten scheitern, ohne als inkompetent zu gelten? Und wer bekommt hinterher das sichtbare KI-Projekt, das im nächsten Gehaltsgespräch den Unterschied macht? Solange niemand diese Fragen stellt, produziert jede “KI-freundliche Unternehmenskultur” das, was informelle Systeme immer produzieren: Vorsprung für die, die ohnehin vorne standen. Ein Freiwilligen-Pilotprojekt fühlt sich modern und “edgy” an (sagt man das heute noch so oder bin ich bereits zu sehr Millennial?) und stellt trotzdem ein Verteilmechanismus dar, der so tut, als wäre er keiner.
Das Problem: Verstetigung des Matthäus-Effekts
Ich kann deinen entnervten Seufzer fast schon hören und muss wieder auflachen, denn ja, es gibt einfach für all diese wunderbaren Diskriminierungsmöglichkeiten in unserer Wirtschaft einen entsprechenden Männernamen (Thomas-Kreislauf, Peter-Prinzip, etc.), so auch hier:
Die eigentliche Gefahr bei diesem KI-Boom ist nämlich, dass hier gerade ein beruflicher Matthäus-Effekt in Serie geht. Wer früh Zugang hat, experimentiert mehr. Wer mehr experimentiert, entwickelt mehr Kompetenz und bekommt anspruchsvollere Aufgaben. Wer anspruchsvollere Aufgaben bekommt, kann mehr KI-Erfahrung vorweisen und wer diese Erfahrung sichtbar machen darf, ohne dafür bestraft zu werden, bekommt die nächste Gelegenheit, sich weiter auszuprobieren und seine Kenntnisse so stetig zu erweiterm. Irgendwann sieht das Ergebnis dann so aus, als seien manche Menschen einfach “besser mit KI”. Dabei wurden sie möglicherweise nur früher eingeladen, damit zu spielen. Hinschauen lohnt sich deshalb jetzt. Nicht erst dann, wenn unterschiedliche Zugänge zu KI-Kompetenz sich bereits verstetigt haben und sich in Karriere- und Einkommenschancen niederschlagen.
Spezialisierung und Positionierung als Schlüssel im KI-Wettbewerb
Die gute Nachricht ist: Niemand muss (AI-)waschen. Stattdessen sollten wir über Qualifikationsstandards, Bewertungsmaßstäbe, Zugänge und Belohnungssysteme sprechen. Dies ist übrigens auch im Sinne der Unternehmen, denn umso homogener diejenigen, welche die Daten in die KI speisen, umso gleichbleibender und eintöniger werden die Ergebnisse und das gefährdet letztlich tatsächlich die Wettbewerbsfähigkeit.
Man muss kein neuronales Netz programmieren können, um kompetent mit generativer KI zu arbeiten. Man muss kein Large Language Model trainiert haben, um eine Organisation bei sinnvollen KI-Anwendungsfällen zu beraten. Und man muss nicht jede Frage zu Transformer-Architekturen beantworten können, bevor man sagen darf: “Ja, ich kenne mich mit KI aus.” Eine spitzere Positionierung könnte hier jedoch der richtige Maßstab sein, beispielsweise indem na sagt: “Ich kenne mich hervorragend mit generativer KI im Content Marketing aus” oder “Ich automatisiere administrative Prozesse mit KI”.
Vielleicht besteht die Aufgabe für Frauen deshalb nicht darin, beim AI Washing mitzuwaschen, sondern darin, sich nicht selbst in den Schonwaschgang zu stecken. Denn während die eine Hälfte noch überlegt, ob sie wirklich schon kompetent genug ist, hat die andere längst “AI Thought Leader” in ihre Bio geschrieben und irgendwo dazwischen entscheidet der Arbeitsmarkt, wem er die nächste Gelegenheit gibt.
Und wenn es etwas gibt, was wir Frauen wissen, dann ist es folgendes: Es gibt kein unsichtbares Vögelchen auf der Schulter des/der Vorgesetzten, welches ihm/ihr unsere Kompetenz ins Ohr zwitschert.
Wer im Spiel mitspielen will, muss sich selbst anmelden und mit Level 1 starten, egal ob andere denken du seist eine Amateurin oder eine Profi-Gamerin und solltest doch einmal scheitern, denk daran: Gamerinnen sterben nicht, sie respawnen.
Quellen und weiterführende Informationen
- Initiative D21 / IAB (April 2026): Digital Gender Gap. Schwerpunkt 2026: Künstliche Intelligenz (Studien-PDF) sowie die Pressemitteilung der Initiative D21. Datenbasis: 4.806 Erwerbspersonen, erhoben Mitte 2024 im Rahmen des D21-Digital-Index.
- IAB (2026): Presseinformation “Gender AI Gap: Betriebe müssen KI aktiv implementieren” und Interview mit den Studienautorinnen im IAB-Forum.
- Bertelsmann Stiftung / Institut der deutschen Wirtschaft (Juni 2025): “KI-Jobs in Deutschland: Stagnation statt Boom”, Analyse von rund 60 Millionen Online-Stellenanzeigen 2019 bis 2024 (Zusammenfassung als PDF).
- Diskursmonitor, Universität Siegen (2026): Glossareintrag “AI-Washing/KI-Washing”.
- U.S. Securities and Exchange Commission (März 2024): Pressemitteilung zu den ersten AI-Washing-Verfahren gegen zwei Investmentberatungen.
- Humlum, A. / Vestergaard, E. (2025): “The unequal adoption of ChatGPT exacerbates existing inequalities among workers”, PNAS. Befragung von 18.000 Beschäftigten in elf Berufen in Dänemark.
- Cranney, Delecourt, Koning u. a. (2025/2026): “Global Evidence on Gender Gaps and Generative AI Over Time”, Harvard Business School Working Paper, Auswertung von 76 Datenquellen mit über 300.000 Personen in mehr als 100 Ländern.
- Exley, C. / Kessler, J. (2022): “The Gender Gap in Self-Promotion”, Quarterly Journal of Economics 137(3).
- Reif, J. / Larrick, R. / Soll, J. (2025): “Evidence of a social evaluation penalty for using AI”, PNAS; allgemeinverständlich aufbereitet in der Harvard Business Review.
- Gai, P. J. / Hou, J. / Tu, Y. (2025): “Competence Penalty Is a Barrier to the Adoption of New Technology”, Working Paper (SSRN). Feldstudie mit über 1.000 Ingenieur*innen; Befunde noch nicht abschließend begutachtet.
- PwC (2025/2026): Global AI Jobs Barometer, Auswertung von über einer Milliarde Stellenanzeigen aus 27 Ländern.
- Mohr, T. (2014): “Why Women Don’t Apply for Jobs Unless They’re 100% Qualified”, Harvard Business Review; Rice, C. (2014): Recherche zur Herkunft der HP-Statistik.
