Lernen Sie die neuen KI-Berufe kennen, die in ganz normalen Unternehmen entstehen

Die nächste wichtige Neueinstellung im Bereich KI bei einer Bank ist möglicherweise kein Machine-Learning-Ingenieur. Es könnte sich um einen Compliance-Spezialisten handeln, der weiß, wie man eine automatisierte Entscheidung überprüft, um einen Produktmanager, der einen Kreditvergabeprozess im Hinblick auf KI neu gestalten kann, oder um einen Analysten, von dem erwartet wird, dass er nachweist, dass eine teure Softwareeinführung mehr gebracht hat als nur eine Reihe beeindruckender Vorführungen.

Diese Stellen entstehen nun, weil Unternehmen die erste Phase der Einführung generativer KI hinter sich gelassen haben. Der Kauf von Lizenzen und die Erlaubnis für Mitarbeiter, mit Chatbots zu experimentieren, war relativ einfach. Die Anbindung der KI an Kundendaten, interne Dokumente und Betriebssysteme ist es jedoch nicht. Sobald ein Tool damit beginnt, Kundenkorrespondenz zu entwerfen, Transaktionen zu prüfen oder Teile eines regulierten Prozesses auszuführen, muss jemand entscheiden, was es tun darf, beurteilen, ob es funktioniert, und die Verantwortung übernehmen, wenn dies nicht der Fall ist.

Diese Anforderung führt zur Entstehung einer neuen Kategorie von Arbeitsplätzen, die sich zwischen dem Technologiebereich und den übrigen Unternehmensbereichen ansiedelt. Einige davon tragen ungewohnte Bezeichnungen, darunter „KI-Agenten-Spezialist“, „Modellbewerter“ und „Leiter für KI-Governance“. Andere sind bekannte Positionen, die nun einen stärker technischen Aufgabenbereich erhalten: Juristen, die sich mit Modellrisiken auskennen, Marketingfachleute, die Produktionssysteme für die Zusammenarbeit zwischen Mensch und KI entwerfen, sowie Betriebsleiter, die die Arbeit zwischen Mitarbeitern und Software-Agenten aufteilen können.

Der Markt ersetzt nicht jeden bestehenden Beruf durch ein KI-Äquivalent. Er führt vielmehr eine neue Arbeitsebene in Unternehmen ein, die nun Systeme verwalten müssen, die in der Lage sind, Inhalte zu produzieren, Empfehlungen auszusprechen und zunehmend eigenständig zu handeln.

Die meisten neuen KI-Arbeitsplätze sind Übersetzungsaufträge

Das öffentliche Bild einer Karriere im Bereich der KI ist nach wie vor stark von Modellentwicklung, höherer Mathematik und großen Technologieunternehmen geprägt. Die Nachfrage nach Spezialisten für maschinelles Lernen, Dateningenieuren und KI-Forschern ist weiterhin groß. Das Weltwirtschaftsforum zählt KI- und Machine-Learning-Spezialisten neben Big-Data-Spezialisten und Fintech-Ingenieuren zu den Berufen mit dem schnellsten Wachstum bis zum Jahr 2030.

Doch diese Aufgaben machen nur einen Teil der Auswirkungen auf die Beschäftigung aus. Ein Unternehmen, das ein bestehendes Modell nutzt, muss nicht unbedingt ein eigenes entwickeln. Es braucht jedoch Mitarbeiter, die ein geschäftliches Problem in ein funktionsfähiges System umsetzen können.

Nehmen wir als Beispiel einen Versicherer, der versucht, KI bei der Schadenbearbeitung einzusetzen. Die technische Frage lautet, ob ein Modell Formulare, Fotos und Kundenkorrespondenz auswerten kann. Die betrieblichen Fragen sind schwieriger zu beantworten. Welche Schadensfälle können automatisch bearbeitet werden? Welche Nachweise erfordern eine Überprüfung durch einen Menschen? Wie soll mit Ergebnissen umgegangen werden, bei denen die Zuverlässigkeit gering ist? Könnte das System eine bestimmte Kundengruppe benachteiligen? Wie wird ein Mitarbeiter die Entscheidung begründen, wenn sie angefochten wird?

Ein herkömmliches Softwareteam kann diese Fragen nicht allein beantworten. Schadenssachverständige kennen den Prozess, Compliance-Beauftragte kennen die Verpflichtungen, Datenteams kennen die verfügbaren Informationen und Produktmanager entscheiden, wie die einzelnen Teile zusammenpassen.

Das erklärt, warum viele der wertvollsten KI-Positionen eher hybrider Natur sein werden als rein technischer Art. Der Mitarbeiter, der sowohl das Modell als auch den Geschäftsprozess versteht, wird zum Bindeglied zwischen dem, was KI leisten kann, und dem, was das Unternehmen ihr sicher zugestehen kann.

Der Produktmanager für KI

Der AI-Produktmanager dürfte sich als eine der beständigeren Positionen herausstellen, die aus dem aktuellen Zyklus hervorgehen.

Herkömmliche Produktmanager definieren Kundenbedürfnisse, legen Prioritäten für Funktionen fest und koordinieren die Teams aus Design, Entwicklung und Vertrieb. Ein KI-Produktmanager muss all dies tun, während er mit einem System arbeitet, dessen Ergebnisse eher probabilistisch als vollständig vorbestimmt sind.

Eine normale Softwarefunktion sollte bei gleicher Eingabe immer das gleiche Ergebnis liefern. Ein generatives Modell kann hingegen unterschiedliche Antworten liefern, unbegründete Behauptungen aufstellen oder bei Routineanfragen zwar gute Ergebnisse erzielen, bei einem ungewöhnlichen, aber wirtschaftlich wichtigen Fall jedoch versagen.

Bei dieser Aufgabe geht es daher darum, zu entscheiden, wo Unsicherheit akzeptabel ist. Ein interner wissenschaftlicher Mitarbeiter kann eine andere Risikoschwelle tolerieren als ein automatisiertes System, das Finanzberatung an Kunden versendet. Ein Marketing-Tool darf möglicherweise einen ersten Entwurf erstellen, den ein Mitarbeiter anschließend überprüft. Ein System zur Betrugserkennung, das darüber entscheidet, ob eine Transaktion blockiert wird, erfordert strengere Tests, Nachvollziehbarkeit und Eskalationsmöglichkeiten.

In dieser Rolle muss der Produktmanager kein Grundmodell trainieren. Er benötigt vielmehr ausreichende technische Kenntnisse, um die Grenzen des Modells zu verstehen, ausreichende betriebswirtschaftliche Kenntnisse, um eine sinnvolle Anwendungsmöglichkeit zu erkennen, sowie ausreichendes operatives Urteilsvermögen, um die entsprechenden Sicherheitsvorkehrungen für den Menschen zu konzipieren.

Die aussichtsreichsten Kandidaten sind wahrscheinlich nicht diejenigen, die lediglich einen Kurs zum Verfassen von Prompts absolviert haben. Es werden vielmehr Personen sein, die nachweisen können, dass sie einen Prozess mithilfe von KI verbessert und das Ergebnis gemessen haben.

Der Workflow- und Agentenarchitekt

Da Unternehmen zunehmend KI-Agenten anstelle von eigenständigen Chatbots einsetzen, entwickelt sich die Gestaltung von Arbeitsabläufen zu einem eigenständigen Berufsfeld.

Einem Agenten können ein Ziel und Zugriff auf Werkzeuge zugewiesen werden, und er kann eine Abfolge von Aktionen ausführen. Im Kundenservice könnte er beispielsweise einen Kunden identifizieren, Kontoinformationen abrufen, die Anfrage klassifizieren, eine Antwort vorschlagen und einen Datensatz aktualisieren. Im Beschaffungswesen könnte er Verträge prüfen, Lieferanten vergleichen und eine Bestellanforderung erstellen.

Das Schwierige daran ist nicht, dem Agenten die Anweisung zu geben, “das Problem des Kunden zu lösen”. Es geht vielmehr darum, jede einzelne Maßnahme zu definieren, die er ergreifen kann, die Informationen, auf die er zugreifen darf, und die Punkte, an denen ein Mensch eingreifen muss.

Ein Workflow-Architekt bildet diesen Prozess ab. Die Rolle vereint Elemente der Geschäftsanalyse, der Automatisierung, der Systemintegration und der Organisationsgestaltung. Der Architekt entscheidet, welche Aufgaben weiterhin von Menschen erledigt werden sollten, welche delegiert werden können und wie die Arbeit an einen Mitarbeiter zurückgegeben werden soll, wenn das System auf eine Ausnahme stößt.

Genau hier entscheidet sich auch, ob viele KI-Projekte erfolgreich sind oder scheitern. Ein Unternehmen kann zwar ein fortschrittliches Modell erwerben, aber dennoch nur wenig Mehrwert schaffen, wenn es das Tool in einen schlecht konzipierten Prozess einbindet. Den Mitarbeitern einen Chatbot zur Verfügung zu stellen, ohne Genehmigungsabläufe, Zuständigkeiten oder Informationsflüsse anzupassen, spart oft nur ein paar Minuten Zeit, anstatt die Arbeitsabläufe grundlegend zu verändern.

Der Workflow-Architekt automatisiert nicht einfach nur bestehende Schritte. Ein guter Workflow-Architekt fragt sich vielmehr, ob diese Schritte überhaupt notwendig sind.

Der Modell-Evaluator und der Leiter für KI-Qualität

Beim Softwaretest wird traditionell geprüft, ob ein System gemäß einer definierten Spezifikation funktioniert. Die Bewertung von KI ist weniger einfach, da die Qualität einer Antwort von Genauigkeit, Relevanz, Tonfall, Sicherheit und Kontext abhängen kann.

Eine Antwort des Kundendienstes kann sachlich korrekt, aber unangemessen sein. Eine rechtliche Zusammenfassung kann zwar den allgemeinen Sinn wiedergeben, dabei jedoch die Klausel auslassen, die das wirtschaftliche Risiko verändert. Ein Rekrutierungstool mag insgesamt genau erscheinen, bei bestimmten Gruppen jedoch weniger zuverlässig funktionieren.

Modellbewerter erstellen Testdatensätze, legen akzeptable Leistungsmerkmale fest und untersuchen wiederkehrende Fehler. Sie können Modelle miteinander vergleichen, in verschiedenen Sprachen erzeugte Ergebnisse bewerten und testen, wie sich ein System verhält, wenn es irreführende, unvollständige oder feindliche Anweisungen erhält.

Diese Arbeit kann zwar den Einsatz technischer Hilfsmittel erfordern, doch ein Großteil ihres Wertes beruht auf Fachwissen. Ein allgemeiner Prüfer kann Grammatik und Konsistenz überprüfen. Ein Arzt ist jedoch erforderlich, um zu beurteilen, ob in einer von einer KI erstellten klinischen Zusammenfassung ein medizinisch relevantes Detail ausgelassen wurde. Ein Finanzexperte kann erkennen, wenn eine plausible Markterklärung wirtschaftlich unstimmig ist.

Je nach Unternehmen kann die Position in den Bereichen Produkt, Risiko, Data Science oder Betrieb angesiedelt sein. In regulierten Branchen dürfte sie zunehmend formalisiert werden, da Unternehmen nachweisen müssen, dass ein System vor der Inbetriebnahme getestet und danach überwacht wurde.

Jemand muss entscheiden, was “gut genug” bedeutet. Diese Frage kann das Modell nicht selbst beantworten.

Der Spezialist für KI-Governance und Modellrisiken

Früher betrachteten Unternehmen die KI-Governance als reine Richtlinienfrage: Man formulierte Grundsätze, richtete einen Ausschuss ein und verbot den Mitarbeitern, vertrauliche Informationen in öffentlich zugängliche Tools einzugeben.

Dieser Ansatz erweist sich als unzureichend, wenn KI in operative Entscheidungen eingebunden wird.

Governance-Experten erstellen eine Bestandsaufnahme der im gesamten Unternehmen eingesetzten Modelle und KI-Tools, stufen diese nach ihrem Risikopotenzial ein und legen fest, wer für die einzelnen Systeme verantwortlich ist. Sie prüfen Aspekte wie Datenschutz, geistiges Eigentum, Diskriminierung, Erklärbarkeit, Abhängigkeit von Anbietern und gesetzliche Verpflichtungen.

Diese Rolle gewinnt besonders dann an Bedeutung, wenn Mitarbeiter Tools ohne formelle Genehmigung einsetzen. So könnte beispielsweise eine Marketingabteilung einen KI-Dienst für Endverbraucher mit Kundendaten verknüpfen. Ein Vertriebsteam könnte einen automatisierten Terminassistenten nutzen, der Aufzeichnungen bei einem externen Anbieter speichert. Ein Entwickler könnte modellgenerierten Code einbinden, ohne dessen Herkunft oder Schwachstellen zu kennen.

Der Governance-Experte muss diese Anwendungsfälle identifizieren, ohne dabei die Organisation lahmzulegen. Ein System, das für einen risikoarmen Schreibassistenten eine sechsmonatige Genehmigungsfrist vorsieht, wird die Mitarbeiter dazu veranlassen, dieses System zu umgehen. Ein System, das jeden Antrag als harmlos behandelt, birgt rechtliche und betriebliche Risiken.

Die Tätigkeit eignet sich für Personen aus den Bereichen Compliance, Recht, Revision, Datenschutz, Cybersicherheit und reguliertes Produktmanagement. Sie benötigen ausreichende technische Kenntnisse, um Anbieter zu hinterfragen und die Funktionsweise eines Systems zu verstehen, doch ihr Hauptwert liegt darin, Vorschriften in praktische Kontrollmaßnahmen umzusetzen.

Das KI-Gesetz der Europäischen Union verstärkt diese Nachfrage, doch die Regulierung ist nur ein Treiber. Vorstände und Versicherer verlangen zunehmend Nachweise dafür, dass Unternehmen wissen, wo KI eingesetzt wird und wer dafür verantwortlich ist.

Der KI-Sicherheitsspezialist

KI bringt Sicherheitsprobleme mit sich, die sich nicht ohne Weiteres in den Rahmen der herkömmlichen Cyberabwehr einordnen lassen.

Modelle können durch „Prompt Injection“ manipuliert werden, wobei in einem Dokument oder auf einer Webseite versteckte böswillige Anweisungen dazu führen, dass sich ein KI-System unerwartet verhält. Durch schlecht konzipierte Abrufsysteme können sensible Informationen nach außen gelangen. Akteure mit Zugriff auf E-Mails, Dateien oder Finanzsysteme können schädliche Handlungen vornehmen, wenn ihre Zugriffsrechte zu weit gefasst sind.

Ein KI-Sicherheitsspezialist untersucht diese neuen Angriffsflächen. Zu seinen Aufgaben können das Testen von Modellen, die Einschränkung des Zugriffs auf Daten, die Überwachung der Agentenaktivitäten sowie die Entwicklung von Kontrollmaßnahmen für externe Tools und Modellanbieter gehören.

Das Risiko steigt, wenn ein KI-System nicht nur beraten, sondern auch handeln darf. Ein Chatbot, der einen mangelhaften Entwurf erstellt, verursacht Unannehmlichkeiten. Ein Agent, der Rückerstattungen genehmigen, Kontodaten ändern oder Code ausführen kann, löst ein Sicherheitsereignis aus.

Dies dürfte sich eher zu einem Spezialgebiet innerhalb der Cybersicherheit entwickeln als zu einem völlig eigenständigen Berufsfeld in jedem Unternehmen. Große Unternehmen werden möglicherweise eigene Teams dafür einrichten. Kleinere Unternehmen werden von ihren bestehenden Sicherheitsexperten erwarten, dass sie sich KI-spezifische Kompetenzen aneignen.

So oder so wird die Kenntnis allgemeiner Cyber-Hygiene nicht ausreichen. Sicherheitsteams müssen verstehen, wie Modelle Anweisungen interpretieren und wie ein legitimer Geschäftsprozess gegen das System eingesetzt werden kann.

Der Datenverwalter und der Wissensingenieur

Durch generative KI haben Unternehmen ein Problem wiederentdeckt, das sie oft aufgeschoben hatten: Ihre internen Informationen sind fragmentiert, doppelt vorhanden, veraltet und schwer auffindbar.

Ein Modell, das auf unzureichende Informationen zurückgreift, löst dieses Problem nicht. Es liefert lediglich schneller Antworten auf der Grundlage unzureichender Informationen.

Datenverwalter legen fest, wem wichtige Datensätze gehören, was verwendet werden darf, wie lange sie aufbewahrt werden sollen und ob sie korrekt sind. Wissensingenieure organisieren Dokumente, Terminologie und Zusammenhänge, damit ein KI-System das richtige Material abrufen kann. Sie entscheiden, welche Richtlinie aktuell ist, wie Produktnamen klassifiziert werden sollen und welche Quellen Vorrang haben, wenn Datensätze widersprüchlich sind.

Diese Arbeit ist zwar weniger glamourös als die Modellentwicklung, kann aber darüber entscheiden, ob ein interner KI-Assistent Vertrauen genießt. Ein Mitarbeiter wird die Nutzung eines Tools einstellen, das immer wieder veraltete Richtlinien abruft oder Kunden mit ähnlichen Namen verwechselt. Ist das Vertrauen erst einmal verloren, reichen technische Verbesserungen möglicherweise nicht aus, um die Akzeptanz wiederherzustellen.

Die Position erfordert zudem organisatorische Entscheidungsbefugnis. Die Datenbereinigung ist kein einmaliges Projekt, das von einem IT-Team durchgeführt wird. Die Geschäftsbereiche müssen die von ihnen erstellten Informationen pflegen und gemeinsame Standards akzeptieren. Der Knowledge Engineer arbeitet daher ebenso sehr mit Menschen und Verantwortlichkeiten wie mit Datenbanken.

Unternehmen, die behaupten, sie seien noch nicht bereit für KI, weil ihre Daten von schlechter Qualität seien, könnten feststellen, dass gerade die Aufbereitung der Daten eine der größten Quellen für neuen Arbeitsaufwand darstellt.

Der KI-Trainer ist kein Chatbot-Tutor

Der Begriff “KI-Trainer” kann verschiedene Tätigkeiten bezeichnen, von denen einige beständiger sind als andere.

In Vorzeigeunternehmen können Trainer Daten kennzeichnen, Ergebnisse vergleichen und fachspezifisches Feedback geben, das zur Verbesserung eines Systems genutzt wird. In einem gewöhnlichen Unternehmen besteht die Aufgabe eher darin, einem KI-System die Regeln des Unternehmens beizubringen und den Mitarbeitern die Nutzung des Systems zu vermitteln.

Ein Trainer könnte gemeinsam mit den Kundendienstleitern Beispiele für zufriedenstellende Antworten definieren, Formulierungen ermitteln, die das Unternehmen vermeiden muss, und festlegen, wann das Tool einen Fall eskalieren soll. Dieselbe Person könnte die Mitarbeiter darin schulen, die Ergebnisse zu überprüfen, anstatt sie automatisch zu akzeptieren.

Dies unterscheidet sich von einem allgemeinen Workshop zum Thema Schreibanleitungen. Die Mitarbeiter benötigen eine Anleitung, die sich auf ihre tatsächliche Arbeit bezieht: welches Tool sie verwenden sollen, welche Daten eingegeben werden dürfen, wie eine Antwort überprüft werden sollte und welche Nachweise über den Prozess aufbewahrt werden müssen.

Diese Funktion wird möglicherweise nicht in jedem Unternehmen als eigenständige Position bestehen bleiben. Die Aufgaben im Bereich der Schulung könnten in den Bereich „Lernen und Entwicklung“, den Produktbetrieb oder einzelne Abteilungen verlagert werden. Die zugrunde liegenden Aufgaben bleiben jedoch bestehen, da sich sowohl KI-Systeme als auch die Arbeitspraktiken der Mitarbeiter zu schnell ändern, als dass ein einmaliger Kurs ausreichen würde.

Der KI-Wert- und ROI-Analyst

Einer der am wenigsten glamourösen neuen KI-Berufe könnte sich als einer der wichtigsten erweisen.

Unternehmen haben massiv in Lizenzen, Pilotprojekte und Beratungsprojekte investiert, ohne immer genau zu definieren, wie Erfolg eigentlich aussehen soll. Die Zeitersparnis wird häufig anhand von Mitarbeiterbefragungen geschätzt. Die Nutzungshäufigkeit wird als Beleg für Produktivität gewertet. Eine professionell inszenierte Demonstration wird fälschlicherweise mit einem Betriebsergebnis verwechselt.

Ein KI-Wertanalyst überprüft diese Behauptungen.

Bei einem Kundenservice-Tool könnte der Analyst beispielsweise die Lösungszeit, wiederholte Kontakte, die Kundenzufriedenheit, Fehler und Eskalationsraten untersuchen. Bei einem Programmierassistenten könnten die Kennzahlen die Liefergeschwindigkeit, Fehler, Sicherheitsbefunde und die Zeit umfassen, die erfahrene Ingenieure mit der Überprüfung der erstellten Arbeit verbringen. Ein Dokumentenverarbeitungssystem sollte nicht nur danach beurteilt werden, wie schnell es Informationen extrahiert, sondern auch nach den Kosten für die Korrektur von Fehlern.

Die Analyse muss die gesamten Implementierungskosten berücksichtigen: Lizenzen, Integration, Datenaufbereitung, Sicherheit, Schulungen, Überwachung und laufende Bewertung. Ein Tool, das den Mitarbeitern täglich zehn Minuten Zeit spart, bringt möglicherweise keinen finanziellen Nutzen, wenn diese Zeit nur in kleinen Abschnitten zur Verfügung steht und nicht in zusätzliche Leistung oder Kosteneinsparungen umgewandelt werden kann.

Diese Position kann im Finanzwesen, in der Strategieabteilung, im operativen Bereich oder in einer zentralen KI-Abteilung angesiedelt sein. Hier wird Skepsis ebenso geschätzt wie Begeisterung. Die Aufgabe des Analysten besteht nicht darin, zu beweisen, dass KI funktioniert, sondern herauszufinden, wo sie funktioniert.

Der Beruf des „Prompt Engineer“ wird möglicherweise nicht zu dem werden, was man sich einst vorgestellt hat

Im Jahr 2023 wurde der „Prompt Engineer“ häufig als der Inbegriff eines Berufs in der generativen KI-Wirtschaft dargestellt. In einigen frühen Stellenanzeigen wurden ungewöhnlich hohe Gehälter für Personen angeboten, die Anweisungen für Sprachmodelle entwerfen konnten.

Das Design von Prompts spielt nach wie vor eine wichtige Rolle. Klare Anweisungen, Beispiele, strukturierte Ergebnisse und Tests können die Leistung erheblich verbessern. Doch das Verfassen von Prompts entwickelt sich zunehmend zu einer Kompetenz, die in anderen Berufen zum Einsatz kommt, und ist weniger ein eigenständiger Berufszweig.

Ein Anwalt, der KI einsetzt, muss eine juristische Rechercheaufgabe gut formulieren. Ein Marketingfachmann muss einem Content-System Vorgaben machen. Ein Produktmanager muss festlegen, wie sich ein Agent verhalten soll. Da sich die Schnittstellen verbessern und die Modelle die Alltagssprache immer besser interpretieren können, verlagert sich der Schwerpunkt von der Beherrschung einer Reihe von Prompt-Techniken hin zum Verständnis des zugrunde liegenden Fachgebiets und des Arbeitsablaufs.

Der nachhaltige Vorteil liegt nicht darin, eine KI dazu zu bringen, eine ansprechende Antwort zu generieren. Er besteht vielmehr darin, zu wissen, ob die Antwort nützlich, zulässig und korrekt ist.

Bestehende Arbeitsplätze werden sich schneller verändern, als neue Berufsbezeichnungen entstehen.

Microsoft berichtete in seinem „Work Trend Index 2025“, dass 78 Prozent der befragten Führungskräfte erwägen, neue Mitarbeiter für KI-Positionen einzustellen. Zu den in Betracht gezogenen Positionen gehörten KI-Trainer, Daten- und Sicherheitsspezialisten, Agentenspezialisten, ROI-Analysten und KI-Strategen in verschiedenen Funktionsbereichen wie Finanzen, Marketing und Kundenservice.

Das bedeutet jedoch nicht, dass Unternehmen für jeden einzelnen Bereich eine eigene Abteilung einrichten werden. In vielen Organisationen wird die Arbeit auf die bestehenden Teams verteilt.

Ein Finanzexperte könnte die Verantwortung für KI-Investitionsvorhaben übernehmen. Ein Compliance-Manager könnte die Verantwortung für die Modell-Governance übernehmen. Ein Business-Analyst könnte mit der Konzeption von Agenten-Workflows beginnen. Ein Content-Manager könnte die Qualität und Herkunft der KI überwachen.

Untersuchungen von LinkedIn deuten darauf hin, dass sich 70 Prozent der in den meisten Berufen benötigten Fähigkeiten zwischen 2015 und 2030 ändern könnten, wobei KI als einer der Auslöser fungiert. Die Arbeitsmarktanalyse für das Jahr 2026 ergab, dass die Zahl der Stellenanzeigen in den USA, in denen KI-Kenntnisse verlangt werden, im Vergleich zum Vorjahr um 70 Prozent gestiegen ist.

Die Auswirkungen gehen über einen bloßen Boom bei der Einstellung von Fachkräften hinaus. Auch wenn Arbeitnehmer vielleicht keinen Vermerk wie “KI” in ihrer Berufsbezeichnung benötigen, wird von ihnen zunehmend erwartet, dass sie verstehen, wie die Technologie ihre Aufgaben verändert.

Fachwissen gewinnt zunehmend an Wert, nicht an Bedeutung

Der aktuelle Markt führt zu einem scheinbaren Widerspruch. KI kann zwar immer mehr fachliche Aufgaben übernehmen, doch Unternehmen benötigen gleichzeitig Mitarbeiter mit ausreichender Erfahrung, um die Arbeit der KI zu bewerten.

Ein unerfahrener Mitarbeiter kann zwar ein Modell sicher anwenden, versäumt es jedoch möglicherweise, einen naheliegenden Fehler zu erkennen. Ein erfahrener Spezialist erkennt den Fehler zwar sofort, traut sich aber möglicherweise nicht, den Prozess unter Berücksichtigung des Tools neu zu gestalten. Die besten Kandidaten vereinen beide Fähigkeiten.

Die frühen Untersuchungen von Anthropic zum Arbeitsumfeld ergaben, dass sich der Einsatz von KI eher auf bestimmte Teile von Berufen konzentrierte als auf die gesamten Tätigkeiten. Die erste Analyse deutete darauf hin, dass KI nur in einem kleinen Teil der Berufe für den Großteil der Aufgaben genutzt wurde, während eine weitaus größere Gruppe sie nur für einen nennenswerten Teil der Arbeit einsetzte. Aktuellere Daten deuten darauf hin, dass sich der Umfang des Einsatzes bei den Aufgaben weiter ausweitet, auch wenn die Nutzung in den verschiedenen Berufen und Ländern nach wie vor uneinheitlich ist.

Aus diesem Grund dürfte die unmittelbare Auswirkung auf den Arbeitsmarkt in einer Neugestaltung der Arbeitsplätze bestehen. Einige Aufgaben entfallen, andere gewinnen an Bedeutung, und es kommen neue Aufgabenbereiche hinzu, die mit Aufsicht, Entscheidungsfindung und Systemgestaltung zusammenhängen.

Bei Einstiegspositionen stellt sich die schwierigere Frage. Nachwuchskräfte haben traditionell durch Recherche, Entwurfserstellung, Abgleich und andere Aufgaben gelernt, die KI mittlerweile schnell erledigen kann. Wenn Unternehmen zu viel von dieser Arbeit automatisieren, ohne ein neues Ausbildungsmodell zu schaffen, könnten sie damit den Nachwuchs an zukünftigen Fachkräften schmälern.

KI kann zwar dazu beitragen, dass erfahrene Fachkräfte produktiver arbeiten, macht es aber gleichzeitig für unerfahrene Fachkräfte schwieriger, Erfahrung zu sammeln. Unternehmen, die Personal für die neue KI-Wirtschaft einstellen, werden letztendlich auch dieses Problem lösen müssen.

Wie man sich vorbereiten kann, ohne KI-Ingenieur zu werden

Für die meisten Fachleute besteht die vernünftige Vorgehensweise nicht darin, ihr Fachgebiet aufzugeben und eine Ausbildung zum Modellentwickler zu beginnen. Vielmehr geht es darum, herauszufinden, inwiefern KI die wirtschaftlichen Rahmenbedingungen und Arbeitsabläufe in dem Bereich verändert, den sie bereits gut kennen.

Ein Kommunikationsfachmann könnte lernen, wie man einen KI-gestützten Content-Prozess mit Kontrollmechanismen für Freigabe, Offenlegung und Faktenprüfung aufbaut. Ein Compliance-Spezialist könnte sich mit Modellkatalogen, Risikoklassifizierung und dem EU-KI-Gesetz befassen. Ein Betriebsleiter könnte einen Prozess abbilden und ermitteln, welche Entscheidungen sich für eine Automatisierung eignen. Ein Finanzanalyst könnte eine Methode zur Messung der Rendite von KI-Investitionen entwickeln.

Ein überzeugendes Portfolio ist wichtiger als eine Sammlung allgemeiner Zertifikate. Bewerber sollten darlegen können, wie sie einen Prozess analysiert, ein geeignetes Tool ausgewählt, die Risiken ermittelt und das Ergebnis gemessen haben. Selbst ein kleines internes Projekt kann mehr Urteilsvermögen beweisen als die Behauptung, mit mehreren KI-Plattformen umfassend vertraut zu sein.

Technisches Know-how ist von Vorteil, insbesondere Kenntnisse in den Bereichen Daten, APIs, Abrufsysteme und Modellbewertung. Es ersetzt jedoch nicht das Fachwissen.

Die neu entstehende Kategorie von KI-Arbeitsplätzen entsteht an der Schnittstelle zwischen diesen beiden Bereichen. Unternehmen haben ausreichenden Zugang zu Modellen. Was ihnen fehlt, sind Fachkräfte, die wissen, wo diese Modelle eingesetzt werden sollen, wie man sie steuert und wann das Ergebnis die Kosten nicht rechtfertigt.