Vom Modellbauer zum Architekten datenbasierter Entscheidungen
Seit generative KI Programme schreibt, Daten analysiert, Diagramme erstellt und Machine-Learning-Modelle erklärt, taucht immer wieder dieselbe Frage auf:
Brauchen Unternehmen künftig überhaupt noch Data Scientists?
Die oberflächliche Antwort lautet: Viele klassische Aufgaben eines Data Scientists lassen sich heute tatsächlich schneller automatisieren. Datenbereinigung, explorative Analysen, Standardvisualisierungen, SQL-Abfragen, Modellvergleiche und selbst erste Prototypen können mithilfe moderner KI-Werkzeuge erheblich effizienter durchgeführt werden.
Die daraus gezogene Schlussfolgerung ist jedoch häufig falsch.
Data Science verschwindet nicht. Aber der Beruf verändert sich von einer primär ausführenden Analysefunktion zu einer Rolle, die komplexe Entscheidungs- und Informationssysteme gestaltet.
Das Ende des Data Scientist als universeller Problemlöser
Über Jahre wurde der Data Scientist als eine Art technischer Universalist beschrieben. Er sollte gleichzeitig:
- Daten beschaffen und bereinigen,
- statistische Analysen durchführen,
- Machine-Learning-Modelle entwickeln,
- Ergebnisse visualisieren,
- Software implementieren,
- Geschäftsprozesse verstehen,
- und dem Management erklären, was zu tun ist.
Dieses Rollenbild war schon immer problematisch. In vielen Unternehmen bedeutete „Data Scientist“ in der Praxis entweder Data Analyst, Python-Entwickler, Reporting-Spezialist oder Machine-Learning-Engineer.
Generative KI macht diese Unschärfe nun sichtbar. Aufgaben, die lediglich aus dem Anwenden standardisierter Methoden bestehen, werden zunehmend automatisiert oder in andere Rollen integriert.
Ein Unternehmen benötigt nicht zwingend einen hoch spezialisierten Data Scientist, um:
- eine lineare Regression zu berechnen,
- ein Dashboard zu erstellen,
- eine Standardprognose aufzusetzen,
- eine SQL-Abfrage zu formulieren,
- oder ein vortrainiertes Modell über eine API anzusprechen.
Dafür reichen zunehmend gute Werkzeuge und Beschäftigte mit solider Datenkompetenz.
Gefragt ist nicht mehr das Modell, sondern das funktionierende System
Der eigentliche Wert professioneller Data Science lag nie allein im Trainieren eines Modells.
Ein Modell ist nur ein Bestandteil eines größeren Systems. Entscheidend ist, ob das System:
- ein relevantes Problem abbildet,
- geeignete Daten verwendet,
- Unsicherheit korrekt berücksichtigt,
- in reale Prozesse integriert werden kann,
- unter veränderten Bedingungen stabil bleibt,
- und tatsächlich zu besseren Entscheidungen führt.
Eine hohe Modellgenauigkeit allein löst kein Geschäftsproblem.
Ein Prognosemodell für den Energieverbrauch ist beispielsweise nur dann wertvoll, wenn geklärt ist:
- Welche Entscheidung soll auf Grundlage der Prognose getroffen werden?
- Welche Kosten entstehen bei Über- und Unterschätzung?
- Wie weit muss der Prognosehorizont reichen?
- Welche externen Einflussgrößen verändern das System?
- Wann muss das Modell neu trainiert werden?
- Wie wird mit strukturellen Brüchen umgegangen?
- Wer übernimmt die Verantwortung für die resultierende Entscheidung?
Diese Fragen lassen sich nicht durch einen einzelnen KI-Prompt beantworten. Sie erfordern Fachwissen, Modellverständnis, Systemanalyse und organisatorische Urteilskraft.
Der Arbeitsmarkt sendet widersprüchliche Signale
Der gegenwärtige Arbeitsmarkt ist für viele Bewerber schwieriger geworden. In Deutschland ist die gemeldete Nachfrage nach Arbeitskräften insgesamt schwach, und die Bundesagentur für Arbeit bezeichnete die Chancen, Arbeitslosigkeit durch eine neue Beschäftigung zu beenden, im Juni 2026 als historisch schlecht.
Gleichzeitig erwarten Unternehmen weiterhin einen starken Bedeutungszuwachs von KI- und Datenkompetenzen. Im „Future of Jobs Report 2025“ des World Economic Forum zählen Big-Data-Spezialisten sowie KI- und Machine-Learning-Spezialisten zu den am schnellsten wachsenden Berufsgruppen. AI and Big Data stehen außerdem an der Spitze der am schnellsten wachsenden Kompetenzfelder.
Das ist kein Widerspruch.
Die Nachfrage nach Daten- und KI-Kompetenzen kann steigen, während die Zahl klassischer Data-Scientist-Stellen stagniert oder sinkt. Kompetenzen und Berufsbezeichnungen sind nicht dasselbe.
KI-Fähigkeiten verteilen sich zunehmend auf zahlreiche Rollen:
- Software Engineers,
- Data Engineers,
- Produktmanager,
- Fachanalysten,
- Operations-Research-Spezialisten,
- Automatisierungsingenieure,
- Risikoanalysten,
- Systemarchitekten,
- Forscher,
- und technische Berater.
Der Markt sucht daher möglicherweise weniger den allgemeinen „Data Scientist“, aber mehr Menschen, die datenbasierte und KI-gestützte Systeme in einem konkreten Fachgebiet entwickeln können.
Welche Data-Science-Arbeiten besonders unter Druck geraten
Besonders leicht automatisierbar sind Tätigkeiten, bei denen Problem, Datenstruktur und Zielgröße bereits klar definiert sind.
Dazu gehören:
Standardisierte Datenanalysen
Wenn ein Datensatz vorliegt und lediglich Kennzahlen, Korrelationen oder Visualisierungen erzeugt werden sollen, können KI-gestützte Analysewerkzeuge einen großen Teil der Arbeit übernehmen.
Wiederkehrendes Reporting
Regelmäßige Berichte, Dashboards und Management-Zusammenfassungen lassen sich weitgehend automatisieren, sobald Datenquellen und Berichtslogik stabil sind.
Modellierung ohne fachliche Tiefe
Das bloße Testen mehrerer Algorithmen und Auswählen des Modells mit dem besten Score ist kein dauerhaft tragfähiges Berufsprofil mehr.
Einfache Programmier- und SQL-Aufgaben
Generative KI reduziert die Zeit, die für Standardcode, Datenmanipulation und Abfragen benötigt wird. Das macht diese Fähigkeiten nicht wertlos, senkt aber ihren isolierten Marktwert.
Präsentation bereits bekannter Ergebnisse
Auch das Formulieren von Analyseberichten und Präsentationen wird zunehmend automatisiert. Der Wert verschiebt sich von der Erstellung des Textes zur Qualität der zugrunde liegenden Interpretation.
Welche Kompetenzen wertvoller werden
Je leistungsfähiger KI-Werkzeuge werden, desto wichtiger werden Fähigkeiten, die nicht in einem standardisierten Workflow aufgehen.
Problemformulierung
Die wichtigste Frage lautet nicht: „Welches Modell verwenden wir?“
Sie lautet:
Welches Problem müssen wir eigentlich lösen?
Viele Datenprojekte scheitern, weil eine technisch gut lösbare Ersatzfrage bearbeitet wird, die mit dem tatsächlichen Entscheidungsproblem nur lose verbunden ist.
Kausales und dynamisches Denken
Korrelationen reichen nicht aus, wenn ein Unternehmen aktiv in ein System eingreifen möchte.
Wer Entscheidungen vorbereitet, muss unterscheiden können zwischen:
- Prognose und Ursache,
- beobachteter Beziehung und Intervention,
- kurzfristigem Effekt und langfristiger Rückkopplung,
- stationärem Verhalten und strukturellem Wandel.
Modellierung komplexer Systeme
In Energieversorgung, Produktion, Logistik, Verkehr, Finanzmärkten oder Klimasystemen wirken zahlreiche Komponenten miteinander.
Hier werden Kenntnisse in Bereichen wie:
- Simulation,
- Optimierung,
- stochastische Prozesse,
- Zeitreihenanalyse,
- Regelungstechnik,
- Operations Research,
- Netzwerktheorie,
- und nichtlinearer Dynamik
wichtiger als das routinemäßige Trainieren eines weiteren Standardmodells.
Unsicherheit und Risiko
KI-Systeme liefern häufig überzeugend formulierte Ergebnisse, ohne ihre Unsicherheit angemessen darzustellen.
Professionelle Analyse muss dagegen klären:
- Wie sicher ist eine Aussage?
- Welche Annahmen trägt das Ergebnis?
- Wie empfindlich reagiert es auf veränderte Parameter?
- Welche Fehler sind besonders teuer?
- Wann darf ein Modell nicht verwendet werden?
Domänenwissen
Ein technisch gutes Modell kann fachlich unsinnig sein.
Data Professionals mit tiefem Wissen über Energie, Fertigung, Medizin, Logistik, Finanzen oder öffentliche Verwaltung können erkennen, welche Randbedingungen, Nebenwirkungen und Zielkonflikte ein rein datengetriebener Ansatz übersieht.
Gestaltung von Entscheidungsprozessen
Der künftige Data Professional produziert nicht nur Ergebnisse. Er gestaltet den Prozess, durch den aus Daten Handlungen entstehen.
Dazu gehören:
- Entscheidungsregeln,
- Eskalationsmechanismen,
- menschliche Kontrollpunkte,
- Feedbackschleifen,
- Monitoring,
- Experimente,
- und kontinuierliches Lernen.
Neue Rollen entstehen zwischen Data Science und Systemgestaltung
Aus dieser Entwicklung entstehen Berufsprofile, die über das klassische Data-Science-Verständnis hinausgehen.
Decision Scientist
Decision Scientists verbinden Datenanalyse mit Entscheidungstheorie, Optimierung und wirtschaftlichen Zielgrößen. Sie fragen nicht nur, was wahrscheinlich geschieht, sondern welche Handlung unter Unsicherheit sinnvoll ist.
Applied AI Scientist
Applied AI Scientists übertragen KI-Verfahren auf konkrete Anwendungsprobleme. Ihr Schwerpunkt liegt weniger auf allgemeiner Grundlagenforschung als auf der belastbaren Umsetzung in einem Fachgebiet.
AI Systems Architect
Diese Rolle entwirft Systeme, in denen Datenbanken, Modelle, Agenten, Softwarekomponenten und menschliche Entscheidungen zusammenwirken.
Simulation Scientist
Simulation Scientists modellieren Systeme, für die historische Daten allein nicht ausreichen. Sie untersuchen Szenarien, Rückkopplungen, Engpässe und Interventionen.
Model Risk and AI Governance Specialist
Mit wachsender Bedeutung automatisierter Entscheidungen steigt der Bedarf an Fachleuten, die Modelle validieren, Risiken bewerten und regulatorische sowie organisatorische Kontrollmechanismen entwickeln.
Domain Data Scientist
Statt eines allgemeinen Data Scientist werden Spezialisten benötigt, die gleichzeitig Datenmethoden und eine konkrete Domäne beherrschen, beispielsweise Energieprognosen, industrielle Zuverlässigkeit oder quantitative Risikomodellierung.
Was Bewerber daraus ableiten sollten
Wer sich 2026 als Data Scientist bewirbt, sollte sich nicht allein über eine Liste technischer Werkzeuge positionieren.
Python, SQL, Machine Learning und Cloud-Technologien sind weiterhin wichtig. Sie sind aber zunehmend Grundausstattung und kein ausreichendes Alleinstellungsmerkmal.
Ein stärkeres Profil entsteht durch die Verbindung von drei Kompetenzebenen:
1. Methodische Tiefe
Beispielsweise:
- Statistik und Unsicherheitsmodellierung,
- Optimierung,
- kausale Inferenz,
- Simulation,
- Zeitreihen,
- Machine Learning,
- oder Operations Research.
2. Technische Umsetzungsfähigkeit
Dazu gehören:
- robuste Datenpipelines,
- Software Engineering,
- APIs,
- Deployment,
- Monitoring,
- reproduzierbare Analysen,
- und der kontrollierte Einsatz generativer KI.
3. Fachliche oder systemische Spezialisierung
Zum Beispiel:
- Energie,
- Produktion,
- Mobilität,
- Finanzen,
- Logistik,
- Gesundheit,
- Umwelt,
- öffentliche Systeme,
- oder Unternehmensentscheidungen.
Die Kombination ist entscheidend. Wer nur Standardmethoden beherrscht, konkurriert zunehmend mit automatisierten Werkzeugen. Wer dagegen ein schwer verständliches reales System modellieren und verbessern kann, bleibt knapp.
Gute Stellenanzeigen erkennen
Auch Stellenanzeigen müssen kritischer gelesen werden.
Eine interessante Data-Science-Stelle sollte erkennen lassen:
- welches reale Problem bearbeitet wird,
- welche Daten vorhanden sind,
- wer die Ergebnisse verwendet,
- wie Modelle produktiv eingesetzt werden,
- welche fachlichen Kompetenzen im Team existieren,
- wie Erfolg gemessen wird,
- und welchen Entscheidungsspielraum die Position besitzt.
Warnzeichen sind dagegen:
- eine endlose Liste beliebiger Technologien,
- gleichzeitig verlangte Expertise in Data Engineering, Machine Learning, DevOps, Business Intelligence und Produktmanagement,
- keine erkennbare fachliche Fragestellung,
- ausschließliches Reporting trotz Data-Scientist-Titel,
- unklare Verantwortung für produktive Modelle,
- oder die Erwartung, eine einzelne Person solle die gesamte Datenstrategie des Unternehmens nebenbei aufbauen.
Der Titel einer Stelle ist weniger wichtig als das System, in dem gearbeitet werden soll.
KI ersetzt nicht den Data Scientist – sondern den schlecht definierten Teil seiner Arbeit
Die pauschale Aussage, KI werde Data Scientists ersetzen, greift zu kurz.
KI ersetzt und beschleunigt Aufgaben. Dadurch werden manche Stellen kleiner, andere anspruchsvoller und neue Rollen möglich. Unternehmen können mit weniger Aufwand mehr Analysen durchführen. Gleichzeitig steigt jedoch der Bedarf, diese Analysen fachlich einzuordnen, zu kontrollieren und in funktionierende Entscheidungsprozesse zu überführen.
Die Zukunft gehört daher nicht dem Data Scientist, der lediglich Modelle trainiert.
Sie gehört Fachleuten, die:
- reale Systeme verstehen,
- relevante Probleme formulieren,
- Unsicherheit beherrschen,
- Daten und Modelle kritisch prüfen,
- KI-Werkzeuge produktiv einsetzen,
- und bessere Entscheidungen ermöglichen.
Der Beruf verschwindet nicht.
Er wächst über seine bisherige Bezeichnung hinaus.