Wie KI die Datenberufe spaltet: Wer gewinnt — und wer verschwindet?

Ein erfahrener Director einer 600-köpfigen Daten-Organisation spricht offen über die neue Realität: Die meisten Junior-Datenanalysten haben kaum noch Chancen. Mittlere Fachkräfte stehen unter Druck. Aber wer richtig denkt, erlebt das beste Jahr seiner Karriere. Was Sie konkret tun können.

Die unbequeme Frage: Sind Sie ein „Mensch-Maschine-Interface“?

Es gibt eine Frage, die in den letzten Monaten in vielen Daten-Teams die Stimmung verändert hat. Sie lautet so einfach wie hart: Wenn das Business eine Kennzahl bestellt — Sie nehmen die Anfrage, schreiben ein SQL-Statement, geben die Zahl zurück. Welchen intellektuellen Beitrag haben Sie geleistet? Die Antwort ist: keinen. Sie waren ein Übersetzer zwischen einer geschäftlichen Frage und einer Programmiersprache. Ein erfahrener Daten-Director formuliert es direkt:

„Wenn das alles ist, was Sie tun — dann tut es mir leid. Sie sollten ernsthaft über Ihre Zukunft nachdenken.“

Das ist nicht zynisch. Das ist die nüchterne Beobachtung von jemandem, der gerade in seiner Organisation ein Experiment laufen lässt: KI-Agenten gegen lebende Analysten. Und das Ergebnis wird Sie überraschen.

Der Test, der alles veränderte

Eine konkrete Geschäftsaufgabe: Preisgestaltung für Lagerhallen. Die Besonderheit dieser Aufgabe hat einen Haken — wenn ein Lager zu 50 Prozent belegt ist, geht jeder zusätzliche Verkauf praktisch in reinen Gewinn. Die Halle steht ja sowieso. Wenn das Lager aber zu 100 Prozent voll ist, muss man die Preise erhöhen. Mit anderen Worten: Das Wichtigste, was Sie zuerst herausfinden müssen, ist die Auslastung. Davon hängt alles ab. Was passierte? Ein Team von acht Analysten arbeitete eine Woche an dem Problem. Sie schlugen kluge Aktionen vor: hier eine Promotion, dort einen Rabatt, da ein Bundle. Der Director fragte: „Schön, Leute. Aber wie ist die Auslastung?“ Antwort: „Haben wir nicht berechnet.“ Parallel arbeiteten KI-Agenten an derselben Aufgabe. Und sie haben als allererstes die Auslastung berechnet. Weil das logischerweise die wichtigste Frage ist.

Endergebnis: KI-Agenten 1 — Menschen 0.

Das heißt nicht, dass die Agenten überlegen sind. Ihre Analyse-Qualität war mittelmäßig. Aber sie haben die richtige Frage gestellt — und das Team hat sie übersehen.

Was diese Geschichte wirklich bedeutet

KI teilt heute alle Datenfachkräfte in zwei Lager — und die Grenze verläuft nicht dort, wo man es erwartet. Es geht nicht darum, ob Sie ChatGPT benutzen können. Es geht darum, ob Sie intellektuellen Mehrwert beisteuern. Lager 1: Mensch-Maschine-Interfaces. Diese Menschen nehmen Geschäftsanfragen entgegen und übersetzen sie in Code. Die ganze Denkarbeit hat das Business schon vorab gemacht — die Kennzahl ist bekannt, die Verwendung ist klar. Es muss nur noch ausgeführt werden. Diese Rolle ist hochgefährdet. KI macht das heute schon, schneller und ohne Pause. Lager 2: Denker. Diese Menschen fragen zuerst: Warum brauchen wir diese Zahl überhaupt? Was passiert mit dem Ergebnis? Welche Szenarien gibt es? Welche Frage übersehen wir gerade? Diese Rolle wird wertvoller — nicht weniger wert.

„Sie müssen sich eine ehrliche Frage stellen: Ist meine Arbeit intellektuell oder quasi-intellektuell? Wenn der echte intellektuelle Anteil niedrig war — dann steht es schlecht.“

Eine einfache Selbstanalyse: Was tun Sie tatsächlich den ganzen Tag?

Das praktische Werkzeug ist ebenso simpel wie unbequem: Setzen Sie sich für ein bis zwei Wochen hin und schreiben Sie auf, was Sie täglich tun. Sprechen Sie mit dem Business? Schreiben Sie Code? Denken Sie nach? Entwerfen Sie Systeme? Halten Sie Meetings? Dann fragen Sie sich für jeden Punkt: Macht das eine KI inzwischen nicht schon ganz ordentlich? Finden Sie Ihren Flaschenhals. Was hält Sie davon ab, schneller zu werden? Bisher war für viele der Engpass das Schreiben von Code. Heute lässt sich das mit KI lösen — Sie hören auf, dort zu hängen. Aber dann kommt die ernste Frage: Was bleibt übrig? Wenn der Code weg ist, was tun Sie dann? Wenn Sie keine ehrliche Antwort darauf haben — wissen Sie jetzt, woran Sie arbeiten müssen.

Die Lage nach Karrierestufen: ungeschönt

Berufseinsteiger: ehrliche Worte

„Ich bin froh, dass ich keine Kinder im Alter von 18 bis 20 habe, die jetzt in den Beruf einsteigen müssen. Ich habe keine Antwort für sie.“

In großen Daten-Organisationen werden heute praktisch keine klassischen Junioren mehr eingestellt. Wenn Praktikanten genommen werden, dann nur solche, die das Niveau haben, das man früher von Mid-Level erwartet hätte. Etwa einer von hundert Praktikanten erfüllt dieses neue Niveau. Diese eine Person ist mit Angeboten überschüttet. Die anderen neunundneunzig finden keinen Einstieg. Was unterscheidet die eine Person? Sie kann ein System entwerfen. Sie hat eigene Projekte realisiert. Sie hat etwas gebaut, das funktioniert. Was hindert irgendjemanden daran, gerade einen Web-Service zu bauen, ein paar hundert Nutzer zu gewinnen und damit zu arbeiten? Nichts. Aber von tausend Leuten, die das verstehen, tun es zehn bis zwanzig. Es geht um etwas, das als Eigeninitiative bezeichnet wird. Ironischerweise — in der Ära der KI-Agenten suchen Unternehmen Menschen mit Eigeninitiative. Mit Antrieb. Mit der Fähigkeit, etwas selbst anzupacken, ohne dass jemand sagt: „Mach das.“ Das ist keine erlernbare Fertigkeit — das ist eine Charaktereigenschaft. Und das Ergebnis ist eine harte Spaltung: eine kleine Gruppe ist mit Angeboten überschüttet, die große Masse findet nichts.

Mid-Level: Vermutlich am härtesten getroffen

„Diese Leute dachten, sie haben es geschafft. Sie sind drin. Sie sind etabliert. Und jetzt drückt der schwere Stiefel der KI auf ihre Finger.“

Mid-Level-Fachkräfte stehen vor der unangenehmsten Aufgabe: ihre eigene Arbeit ehrlich zu analysieren. Wo verbringen Sie wirklich Zeit? Was davon ist wertvoll? Hier ein wenig bekanntes Phänomen aus großen Tech-Konzernen: Viele Ingenieure verstehen nicht, was wirklich wichtig ist. Aber sie wissen, dass sie bewertet werden. Was machen sie dann? Die rational betrachtet beste Strategie: so viel wie möglich tun. Lotterie-Prinzip — viel produzieren in der Hoffnung, dass etwas Wertvolles dabei ist. Das führt zu Burnout. Und es führt nicht zu besseren Ergebnissen. Der Ausweg: ehrliche Selbstanalyse. Warum habe ich das gemacht? War das wertvoll? Was wirklich zählt? Wer bremst mich? Das ist hart. Nicht jeder schafft das. Wer es schafft, wird belohnt. Hier hilft ein Mentor oder externer Berater — in einer anderen Person sieht man Probleme leichter als in sich selbst.

Senior-Level: Das Leben wird besser

Echte Senioren — das sind diejenigen, die schon immer autonome Einheiten waren, verantwortlich für ein System oder einen Prozess — haben es heute leichter, nicht schwerer. Früher gaben Senioren Aufgaben an Junior- und Mid-Level-Mitarbeiter weiter — klein zerlegt, fast wie an einen Agenten. Heute können diese Aufgaben an KI-Agenten gehen. Das Leben des Seniors wurde leichter. Was früher unmöglich war — etwa ein Zwanzigstel aller Hypothesen testen zu können — wird heute zu einem Fünftel. Das ist ein erheblicher Sprung. Aber Achtung: Es ist ein Mythos zu glauben, dass ein Senior dadurch dreimal so viel leistet. Der Hauptengpass eines Seniors ist nicht seine Bandbreite — sondern interne Bürokratie und die Absurdität großer Konzernprozesse. Daran ändert KI nichts.

Führungskräfte: Eine neue, unbequeme Frage

Die Aufgabe der Manager hat sich nicht geändert — sie sind für Ergebnisse verantwortlich. Aber es entsteht eine neue Frage: Wenn ich alles, was von mir erwartet wird, in 15 Wochenstunden erledigen kann — warum sollte ich die restlichen 25 Stunden umsonst arbeiten?

„15 Stunden pro Woche arbeite ich. Die anderen 25 Stunden tatsächlich gratis. Weil alles, was von mir erwartet wurde, in den ersten 15 Stunden fertig war. Manche Leute sagen: Nein danke, mir reicht das.“

Daraus folgt zwangsläufig: Performance-Bewertungssysteme müssen überdacht werden. Das alte Modell — „alle bekommen mehr oder weniger dasselbe“ — funktioniert nicht mehr. Top-Performer müssen erkennbar belohnt werden. Erste große Unternehmen reagieren bereits: Boni bis zu 300 Prozent vom Gehalt für die besten Mitarbeiter. Stark erhöhte Aktienpakete. Und Middle-Management wird stark reduziert. Wenn jeder Senior eine hochproduktive autonome Einheit mit Agenten ist — wozu braucht man dann so viele Manager? Erste Unternehmen führen die „Giga-Manager“ ein: statt 5 direkten Mitarbeitern nun 10 oder 15. Keine wöchentlichen Einzelgespräche mehr.

Was gefragt ist — und was zur Commodity wird

Hier eine klare Trennung:

Commodity (alle können das): Code schreiben. Noch nötig, aber nicht mehr unterscheidend.
Kritisch (wenige können das): Systeme entwerfen. Trade-offs verstehen. Eine ganze Architektur im Kopf halten. Klar Gedanken formulieren.

Die Frage „welche Technologien soll ich lernen?“ ist heute weniger wichtig als sie scheint:

„Technologien sind nicht entscheidend. Heute eine, morgen eine andere. Man muss Probleme lösen können. Bauen Sie irgendeinen Web-Service. Bringen Sie 100 Nutzer dazu. Arbeiten Sie damit. Die notwendigen Technologien lernen Sie nebenbei.“

Eines aber ist Pflicht: jedes Web-Frontend einer LLM (Chat-Interface) — das ist Standard. Und eine Agent-gestützte Entwicklungsumgebung (verschiedene Tools sind heute verfügbar) — das müssen Sie jetzt beherrschen. Das ist nicht optional.

Wo wird gerade wirklich Geld verdient — klassisches ML oder GenAI?

Eine wichtige Erkenntnis, die in der öffentlichen Debatte oft untergeht:

„Der überwiegende Teil des Geldes wird nach wie vor mit klassischem maschinellem Lernen verdient. Die ganze KI-Agenten-Ökonomie basiert auf einer Idee: Wir steigern die Produktivität. Was ist Produktivitätssteigerung? Es ist die Fähigkeit, dasselbe mit weniger Menschen zu tun. Die ganze GenAI-Wirtschaft basiert darauf, dass wir Sie alle entlassen.“

Konkrete Erfolgsgeschichte: Ein großes europäisches Fintech hat drei Viertel seines Kundensupports auf KI umgestellt. Und der Support funktioniert tatsächlich auf gutem Niveau — die meisten Kunden brauchen keinen menschlichen Mitarbeiter mehr. Aber das ist Kundensupport — nicht die alles verändernde Revolution, die der Markt erwartet. Prognose: Agenten werden in 3 bis 5 Jahren zehn Millionen Stellen in Back-Offices großer Unternehmen ersetzen — besonders in Indien, Malaysia und ähnlichen Hubs. Aber der Return on Investment bei der KI-Integration in Unternehmen ist heute praktisch null, und wird auch im nächsten Jahr nicht da sein.

Wie bereitet man sich vor — drei Schritte zum nächsten Job

In großen Daten-Organisationen sieht ein Bewerbungsprozess für Senior-Positionen heute typischerweise so aus:

Code-Interview. Zwei Formate. Entweder bekommt man Code zur Review: „Was ist gut, was schlecht, was würden Sie ändern?“ Oder einen Codebaustein mit der Aufgabe, einen ML-Algorithmus zu implementieren. Google und sogar LLMs zur Unterstützung sind erlaubt — aber nicht zum kompletten Schreiben. Man beobachtet, wie der Kandidat Probleme angeht.
System Design. Auch zwei Formate. „Greenfield“ — entwerfen Sie ein System von Grund auf. „Brownfield“ — erzählen Sie von einem System, das Sie gebaut haben, und wie Sie es heute ändern würden.
Behavioral. Wie verhalten Sie sich in bestimmten Situationen? Wie erzählen Sie von Ihrer Erfahrung?

Der häufigste Fehler von Kandidaten: nicht über die finale Antwort nachzudenken, sondern sie zu ändern, sobald jemand nachfragt: „Ist das wirklich Ihre finale Antwort?“ Das Problem ist nicht eine falsche Antwort. Das Problem ist, dass der Kandidat keine kritische Selbstprüfung gemacht hat.

Wie Sie sich heute abheben

Es gibt eine ernüchternde Erkenntnis: Um zu den oberen fünf Prozent zu gehören, ist kein Genie nötig. Die Anleitung ist banal: Analysieren. Schauen, wie erfolgreiche Menschen es machen. Bei Bedarf einen Berater oder Mentor fragen. Anpassen. Anwenden. Wiederholen.

„Erstaunlicherweise tun viele Menschen bewusst alles, um sich nicht zu verbessern. Selbst nach dieser Erklärung werden es 5 von 100 umsetzen. Und wären es 20 — wäre der Wettbewerb viermal so hart.“

Konkret heißt das — sich auf dem Markt abheben kann man durch:

Wettbewerbe in Datenwissenschaft auf höchstem Niveau
Olympiaden
Sinnvolle Open-Source-Beiträge
Veröffentlichungen, Vorträge
Eigene Projekte mit echten Nutzern

Der Inhalt ist nicht entscheidend. Der Beweis ist: dieser Mensch beißt sich an einer Sache fest und führt sie zum Ergebnis.

Würden Sie heute in den Beruf einsteigen?

Diese Frage, gestellt an einen erfahrenen Daten-Director, ergibt eine bemerkenswert ehrliche Antwort:

„Ich bin mir nicht sicher, ob ich heute in die Datenwissenschaft einsteigen würde, ehrlich gesagt. Es ist ein roter Ozean. Es ist der Tod.“

Was war damals anders? Damals war es leicht einzusteigen, viel Geld, deutlich besser als die Arbeit, die er vorher gemacht hatte. Heute sind die Bedingungen andere. Und wohin würde er stattdessen gehen? Eine ehrliche Antwort: weiß er nicht. „Das klassische Problem eines Menschen am Anfang seiner Karriere.“

Welches Datenfeld ist am sichersten?

„Szenario-Analyse und Risiko-Annahme. Risiko-Annahme nimmt KI nicht ab.“

Risiko ist Verantwortung. Und Verantwortung muss ein Mensch tragen — keine Maschine. Wer entscheidet, einen Kredit zu vergeben? Eine Versicherung auszuzahlen? Ein Medikament freizugeben? Ein Investment zu tätigen? Wer trägt die rechtlichen, ethischen, persönlichen Folgen, wenn die Entscheidung falsch war? Diese Fragen werden nicht von Maschinen beantwortet. Sie werden nicht von Maschinen beantwortet werden.

Fazit: Es geht um ein neues Denken, nicht um neue Tools

Die wichtigsten Erkenntnisse aus dieser Beobachtung des Marktes:

KI ersetzt nicht den Datenfachmann. Sie ersetzt den Übersetzer zwischen Business und Code. Wer mehr als das tut, ist sicherer als je zuvor.
Tools sind sekundär. Welche Bibliothek, welches Framework — fast egal. Was zählt: Probleme erkennen, Systeme entwerfen, Trade-offs verstehen, die richtige Frage stellen.
Der wichtigste Schritt heute: ehrliche Selbstanalyse. Was tue ich wirklich? Was davon hat intellektuellen Mehrwert? Welches ist mein Flaschenhals?
Und etwas bauen. Nicht reden, nicht planen — bauen. Ein Web-Service. Ein kleines Tool. Eine Datenanalyse mit echten Konsequenzen.

Beweisen — sich selbst zuerst — dass Sie etwas zu Ende bringen können. In einem Markt, der sich so schnell verändert, ist das wertvollste Signal nicht ein Zertifikat. Es ist der Beweis, dass Sie selbst denken können. Editorial Note: Dieser Artikel basiert auf einem Expertengespräch mit einer langjährigen Führungskraft im Bereich Daten und KI in einem internationalen Konzern. Die wiedergegebenen Einschätzungen und Beobachtungen spiegeln die persönliche Position der Expertin oder des Experten wider.