„Die Rolle verändert sich von der Erstellung von Modellen hin zu deren Verwaltung“, sagt ein Experte zur aktuellen Entwicklung im Bereich der Datenwissenschaft.
Die Fähigkeiten im Bereich Künstliche Intelligenz (KI) und der Umgang mit großen Sprachmodellen (LLM) gehören laut LinkedIn zu den am schnellsten wachsenden Kompetenzen weltweit. Eine Analyse von Lightcast zeigt, dass mittlerweile 51 % der Stellenangebote im Bereich KI außerhalb traditioneller IT-Positionen angesiedelt sind.
Angestellte mit KI-Kenntnissen erhalten einen Gehaltsaufschlag von 56 %, wobei Stellen, die solche Fähigkeiten erfordern, in den USA durchschnittlich etwa 18.000 US-Dollar mehr pro Jahr bieten. Zu den gefragtesten Fähigkeiten zählen das Prompt Engineering, die Integration von Retrieval-augmented Generation (RAG), MLOps und Governance-Workflows. Generative KI hat viele Aufgaben automatisiert, darunter die Erstellung von Dashboards, SQL-Generierung, Datenbereinigung und grundlegende Visualisierungen.
Die Zahlen belegen einen klaren Trend: Die Prämie wird nicht für Personen gezahlt, die ein Modell von Grund auf trainieren können, sondern für diejenigen, die in der Lage sind, Modelle in einen Workflow zu integrieren, deren Integrität zu überwachen und Verantwortung für die Ergebnisse zu übernehmen. Dies verändert die tägliche Praxis der Datenwissenschaft erheblich.
Orchestrierung und Verwaltung von Multi-Agenten-Systemen
Ein deutliches Signal für diese Entwicklung ist das Wachstum von Multi-Agenten-Infrastrukturen in Unternehmen. Frameworks wie LangGraph, CrewAI und AutoGen übernehmen mittlerweile die Datenaufnahme, Merkmalsengineering, Modellbewertung und Berichterstattung mit minimalem menschlichen Eingriff.
Gartner berichtete von einem Anstieg der Anfragen zu Multi-Agenten-Systemen um 1.445 % von Q1 2024 bis Q2 2025. Es wird prognostiziert, dass bis Ende 2026 40 % der Unternehmensanwendungen KI-Agenten integrieren werden, im Vergleich zu weniger als 5 % im Jahr 2025.
Die Datenwissenschaftler, die diese Infrastruktur verwalten, zerlegen komplexe Aufgaben in ausführbare Unteraufgaben für Agenten, entwerfen zuverlässige Feedback-Schleifen und schaffen Sicherheitsvorkehrungen, die Fehler abfangen, bevor sie sich ausbreiten. Diese Fähigkeiten sind eher im Bereich des Systemmanagements angesiedelt als in der Modellentwicklung.
Überwachung von Agenten und Schließen der Produktionslücke
Die Begeisterung für autonome Agenten stieß Ende 2025 auf die Realität der Produktion. Die ersten vollständig autonomen Agenten erwiesen sich als unberechenbar, ineffizient und schwer zu überprüfen. Daher wandte sich das Feld strukturierten agentischen Workflows zu: koordinierten Systemen spezialisierter Agenten mit klaren Grenzen, bedingter Logik und menschlichen Kontrollpunkten.
Eine Untersuchung von McKinsey aus April 2026 ergab, dass sich menschliche Rollen von der Ausführung hin zur Überwachung und Orchestrierung agentengetriebener Workflows verschieben.
Das Problem der Skalierung zeigt sich in den Zahlen: Fast zwei Drittel der Unternehmen haben Agenten-Experimente durchgeführt, aber nur wenige haben diese skaliert, um greifbaren Nutzen zu erzielen. Acht von zehn Unternehmen geben Datenbeschränkungen als Hauptobstacle an. Datenwissenschaftler verbringen nun den Großteil ihrer Zeit in der Lücke zwischen Pilotprojekten und der Produktion.
Bewertung von Modellen und Engineering von Prompts
Der Aufbau eines Modells ist nicht mehr der gesamte Umfang der Arbeit. Unternehmen benötigen Fachkräfte, die kontinuierlich die Modellleistung überwachen, Fehler erkennen, die Wiederholungsschleifen verwalten und sicherstellen, dass KI-Systeme genau bleiben, während sich Daten und Nutzerverhalten ändern. Inzwischen hat sich MLOps zu einer eigenständigen Vollzeitspezialisierung entwickelt. Das Prompt Engineering hat einen ähnlichen Weg eingeschlagen. Es umfasst das Management von Kontextfenstern, Techniken zur Verankerung, die Reduzierung von Halluzinationen und systematisches Testen von Eingaben gegen Ausgaben. Die Anzahl der Stellen im Bereich Prompt Engineering wuchs 2025 um 135,8 %. Die Fachkräfte, die das Prompt-System eines Unternehmens auf Herz und Nieren prüfen, leisten strukturell ähnliche Arbeit wie im Bereich der Qualitätssicherung.
Governance und Regulierung von KI-Systemen
Governance ist mittlerweile eine spezifische technische Anforderung. Der EU AI Act, das NIST AI RMF und die OWASP Top 10 für LLM-Anwendungen 2025 haben eine Compliance-Oberfläche geschaffen, die Tests von Prompts auf Injektionsanfälligkeiten, Validierung von Ausgaben, Überprüfung von Abhängigkeiten und Anwendung von Zugriffskontrollen auf KI-Systeme erfordert.
Die Rolle des „AI Governance Lead“ taucht als spezifische Berufsbezeichnung auf, eine Kategorie, die 2023 kaum existierte.
Unternehmen, die nach Governance-Erfahrung suchen, benötigen Auditoren und Qualitätsprüfer, die sowohl den Geschäftskontext als auch die Fehlerquellen des Systems verstehen. Der Grund, warum diese Rolle bei Datenwissenschaftlern und nicht bei rechtlichen oder sicherheitstechnischen Teams angesiedelt ist, liegt darin, dass die Kontrollen technisch sind. Tests auf Prompt-Injektionen, Validierungsprüfungen von Ausgaben und Überprüfungen von Abhängigkeiten erfordern jemanden, der das System lesen kann, nicht nur die Richtlinien.
Interpretation der Geschäftsauswirkungen
Eine Untersuchung von Monte Carlo aus 2025 maß die Genauigkeit agentischer KI bei 75 bis 90 % pro Schritt, was sich auf etwa 50 % über eine dreistufige Kette summiert. Auf diesem Genauigkeitsniveau ist eine Person, die das Fachgebiet und die Fehlerquellen des Systems versteht, die Zuverlässigkeitsschicht des Produkts. Sie übersetzt eine kumulierte Fehlerquote in eine Bewertung des geschäftlichen Risikos, entscheidet, was sicher versendet werden kann, und erklärt, was schiefgelaufen ist, wenn eine Empfehlung ein sichtbares Problem für den Kunden verursacht.
Kein Agent kann diese Arbeit leisten. Sie erfordert institutionelles Wissen und Verantwortung, die nur Menschen tragen können.
Dies ist auch der Punkt, an dem die Rolle weniger wie Ingenieurarbeit aussieht und mehr wie Produktbewertung. Eine End-to-End-Genauigkeitsrate von 50 % ist für eine automatisierte Rückerstattung inakzeptabel, für eine Entwurf-E-Mail jedoch akzeptabel und irgendwo dazwischen für eine interne Empfehlung. Zu wissen, was was ist, ist die eigentliche Arbeit, und dieser Teil wird nicht günstiger, je besser die Modelle werden.
Fazit
In Unternehmen, die KI in der Produktion einsetzen, sieht die tägliche Arbeit bereits anders aus als in den meisten Stellenbeschreibungen für Datenwissenschaftler beschrieben. Sie umfasst Systemdesign, Bewertungsdisziplin, Agentenüberwachung, Qualitätssicherung im Prompt Engineering und Governance.
AI Governance Leads, MLOps-Spezialisten und Prompt Engineers sind derzeit die am schnellsten wachsenden Rollen im KI-nahen Markt.
Für Datenwissenschaftler, die ihren nächsten Schritt planen, ist es wichtig, diese Veränderung frühzeitig zu verstehen. Der Karriereweg in der Datenwissenschaft führt nun über Systemverantwortung und Governance-Fähigkeiten, die in den meisten traditionellen Lehrplänen nicht behandelt werden. Diese Fähigkeiten sind erlernbar, und die Nachfrage danach wächst schneller, als die meisten Programme sich anpassen können.
Die praktische Erkenntnis ist, dass das nächste Portfolio-Element wahrscheinlich kein weiteres Kaggle-Notebook sein wird. Es handelt sich um ein Evaluierungswerkzeug, einen Multi-Agenten-Workflow mit protokollierten Fehlern oder eine Governance-Überprüfung eines bestehenden Systems. Diese Artefakte entsprechen direkt dem, was Personalverantwortliche jetzt in Stellenbeschreibungen verlangen, und sie unterscheiden einen Datenwissenschaftler, der Modelle erstellt, von einem, dem man anvertrauen kann, sie zu betreiben.
„`
Quellen: kdnuggets
Bildquelle: KI generiert
