<\/p>\n
Die n\u00e4chste wichtige Neueinstellung im Bereich KI bei einer Bank ist m\u00f6glicherweise kein Machine-Learning-Ingenieur. Es k\u00f6nnte sich um einen Compliance-Spezialisten handeln, der wei\u00df, wie man eine automatisierte Entscheidung \u00fcberpr\u00fcft, 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 Softwareeinf\u00fchrung mehr gebracht hat als nur eine Reihe beeindruckender Vorf\u00fchrungen.<\/span><\/p>\n Diese Stellen entstehen nun, weil Unternehmen die erste Phase der Einf\u00fchrung generativer KI hinter sich gelassen haben. Der Kauf von Lizenzen und die Erlaubnis f\u00fcr 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 pr\u00fcfen oder Teile eines regulierten Prozesses auszuf\u00fchren, muss jemand entscheiden, was es tun darf, beurteilen, ob es funktioniert, und die Verantwortung \u00fcbernehmen, wenn dies nicht der Fall ist.<\/span><\/p>\n Diese Anforderung f\u00fchrt zur Entstehung einer neuen Kategorie von Arbeitspl\u00e4tzen, die sich zwischen dem Technologiebereich und den \u00fcbrigen Unternehmensbereichen ansiedelt. Einige davon tragen ungewohnte Bezeichnungen, darunter \u201eKI-Agenten-Spezialist\u201c, \u201eModellbewerter\u201c und \u201eLeiter f\u00fcr KI-Governance\u201c. Andere sind bekannte Positionen, die nun einen st\u00e4rker technischen Aufgabenbereich erhalten: Juristen, die sich mit Modellrisiken auskennen, Marketingfachleute, die Produktionssysteme f\u00fcr die Zusammenarbeit zwischen Mensch und KI entwerfen, sowie Betriebsleiter, die die Arbeit zwischen Mitarbeitern und Software-Agenten aufteilen k\u00f6nnen.<\/span><\/p>\n Der Markt ersetzt nicht jeden bestehenden Beruf durch ein KI-\u00c4quivalent. Er f\u00fchrt vielmehr eine neue Arbeitsebene in Unternehmen ein, die nun Systeme verwalten m\u00fcssen, die in der Lage sind, Inhalte zu produzieren, Empfehlungen auszusprechen und zunehmend eigenst\u00e4ndig zu handeln.<\/span><\/p>\n Das \u00f6ffentliche Bild einer Karriere im Bereich der KI ist nach wie vor stark von Modellentwicklung, h\u00f6herer Mathematik und gro\u00dfen Technologieunternehmen gepr\u00e4gt. Die Nachfrage nach Spezialisten f\u00fcr maschinelles Lernen, Dateningenieuren und KI-Forschern ist weiterhin gro\u00df. Das Weltwirtschaftsforum z\u00e4hlt KI- und Machine-Learning-Spezialisten neben Big-Data-Spezialisten und Fintech-Ingenieuren zu den Berufen mit dem schnellsten Wachstum bis zum Jahr 2030.<\/span><\/p>\n Doch diese Aufgaben machen nur einen Teil der Auswirkungen auf die Besch\u00e4ftigung aus. Ein Unternehmen, das ein bestehendes Modell nutzt, muss nicht unbedingt ein eigenes entwickeln. Es braucht jedoch Mitarbeiter, die ein gesch\u00e4ftliches Problem in ein funktionsf\u00e4higes System umsetzen k\u00f6nnen.<\/span><\/p>\n 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 Schadensf\u00e4lle k\u00f6nnen automatisch bearbeitet werden? Welche Nachweise erfordern eine \u00dcberpr\u00fcfung durch einen Menschen? Wie soll mit Ergebnissen umgegangen werden, bei denen die Zuverl\u00e4ssigkeit gering ist? K\u00f6nnte das System eine bestimmte Kundengruppe benachteiligen? Wie wird ein Mitarbeiter die Entscheidung begr\u00fcnden, wenn sie angefochten wird?<\/span><\/p>\n Ein herk\u00f6mmliches Softwareteam kann diese Fragen nicht allein beantworten. Schadenssachverst\u00e4ndige kennen den Prozess, Compliance-Beauftragte kennen die Verpflichtungen, Datenteams kennen die verf\u00fcgbaren Informationen und Produktmanager entscheiden, wie die einzelnen Teile zusammenpassen.<\/span><\/p>\n Das erkl\u00e4rt, warum viele der wertvollsten KI-Positionen eher hybrider Natur sein werden als rein technischer Art. Der Mitarbeiter, der sowohl das Modell als auch den Gesch\u00e4ftsprozess versteht, wird zum Bindeglied zwischen dem, was KI leisten kann, und dem, was das Unternehmen ihr sicher zugestehen kann.<\/span><\/p>\n Der AI-Produktmanager d\u00fcrfte sich als eine der best\u00e4ndigeren Positionen herausstellen, die aus dem aktuellen Zyklus hervorgehen.<\/span><\/p>\n Herk\u00f6mmliche Produktmanager definieren Kundenbed\u00fcrfnisse, legen Priorit\u00e4ten f\u00fcr Funktionen fest und koordinieren die Teams aus Design, Entwicklung und Vertrieb. Ein KI-Produktmanager muss all dies tun, w\u00e4hrend er mit einem System arbeitet, dessen Ergebnisse eher probabilistisch als vollst\u00e4ndig vorbestimmt sind.<\/span><\/p>\n Eine normale Softwarefunktion sollte bei gleicher Eingabe immer das gleiche Ergebnis liefern. Ein generatives Modell kann hingegen unterschiedliche Antworten liefern, unbegr\u00fcndete Behauptungen aufstellen oder bei Routineanfragen zwar gute Ergebnisse erzielen, bei einem ungew\u00f6hnlichen, aber wirtschaftlich wichtigen Fall jedoch versagen.<\/span><\/p>\n 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 m\u00f6glicherweise einen ersten Entwurf erstellen, den ein Mitarbeiter anschlie\u00dfend \u00fcberpr\u00fcft. Ein System zur Betrugserkennung, das dar\u00fcber entscheidet, ob eine Transaktion blockiert wird, erfordert strengere Tests, Nachvollziehbarkeit und Eskalationsm\u00f6glichkeiten.<\/span><\/p>\n In dieser Rolle muss der Produktmanager kein Grundmodell trainieren. Er ben\u00f6tigt vielmehr ausreichende technische Kenntnisse, um die Grenzen des Modells zu verstehen, ausreichende betriebswirtschaftliche Kenntnisse, um eine sinnvolle Anwendungsm\u00f6glichkeit zu erkennen, sowie ausreichendes operatives Urteilsverm\u00f6gen, um die entsprechenden Sicherheitsvorkehrungen f\u00fcr den Menschen zu konzipieren.<\/span><\/p>\n Die aussichtsreichsten Kandidaten sind wahrscheinlich nicht diejenigen, die lediglich einen Kurs zum Verfassen von Prompts absolviert haben. Es werden vielmehr Personen sein, die nachweisen k\u00f6nnen, dass sie einen Prozess mithilfe von KI verbessert und das Ergebnis gemessen haben.<\/span><\/p>\n Da Unternehmen zunehmend KI-Agenten anstelle von eigenst\u00e4ndigen Chatbots einsetzen, entwickelt sich die Gestaltung von Arbeitsabl\u00e4ufen zu einem eigenst\u00e4ndigen Berufsfeld.<\/span><\/p>\n Einem Agenten k\u00f6nnen ein Ziel und Zugriff auf Werkzeuge zugewiesen werden, und er kann eine Abfolge von Aktionen ausf\u00fchren. Im Kundenservice k\u00f6nnte er beispielsweise einen Kunden identifizieren, Kontoinformationen abrufen, die Anfrage klassifizieren, eine Antwort vorschlagen und einen Datensatz aktualisieren. Im Beschaffungswesen k\u00f6nnte er Vertr\u00e4ge pr\u00fcfen, Lieferanten vergleichen und eine Bestellanforderung erstellen.<\/span><\/p>\n Das Schwierige daran ist nicht, dem Agenten die Anweisung zu geben, \u201cdas Problem des Kunden zu l\u00f6sen\u201d. Es geht vielmehr darum, jede einzelne Ma\u00dfnahme zu definieren, die er ergreifen kann, die Informationen, auf die er zugreifen darf, und die Punkte, an denen ein Mensch eingreifen muss.<\/span><\/p>\n Ein Workflow-Architekt bildet diesen Prozess ab. Die Rolle vereint Elemente der Gesch\u00e4ftsanalyse, der Automatisierung, der Systemintegration und der Organisationsgestaltung. Der Architekt entscheidet, welche Aufgaben weiterhin von Menschen erledigt werden sollten, welche delegiert werden k\u00f6nnen und wie die Arbeit an einen Mitarbeiter zur\u00fcckgegeben werden soll, wenn das System auf eine Ausnahme st\u00f6\u00dft.<\/span><\/p>\n 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 Verf\u00fcgung zu stellen, ohne Genehmigungsabl\u00e4ufe, Zust\u00e4ndigkeiten oder Informationsfl\u00fcsse anzupassen, spart oft nur ein paar Minuten Zeit, anstatt die Arbeitsabl\u00e4ufe grundlegend zu ver\u00e4ndern.<\/span><\/p>\n Der Workflow-Architekt automatisiert nicht einfach nur bestehende Schritte. Ein guter Workflow-Architekt fragt sich vielmehr, ob diese Schritte \u00fcberhaupt notwendig sind.<\/span><\/p>\n Beim Softwaretest wird traditionell gepr\u00fcft, ob ein System gem\u00e4\u00df einer definierten Spezifikation funktioniert. Die Bewertung von KI ist weniger einfach, da die Qualit\u00e4t einer Antwort von Genauigkeit, Relevanz, Tonfall, Sicherheit und Kontext abh\u00e4ngen kann.<\/span><\/p>\n 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 ver\u00e4ndert. Ein Rekrutierungstool mag insgesamt genau erscheinen, bei bestimmten Gruppen jedoch weniger zuverl\u00e4ssig funktionieren.<\/span><\/p>\n Modellbewerter erstellen Testdatens\u00e4tze, legen akzeptable Leistungsmerkmale fest und untersuchen wiederkehrende Fehler. Sie k\u00f6nnen Modelle miteinander vergleichen, in verschiedenen Sprachen erzeugte Ergebnisse bewerten und testen, wie sich ein System verh\u00e4lt, wenn es irref\u00fchrende, unvollst\u00e4ndige oder feindliche Anweisungen erh\u00e4lt.<\/span><\/p>\n Diese Arbeit kann zwar den Einsatz technischer Hilfsmittel erfordern, doch ein Gro\u00dfteil ihres Wertes beruht auf Fachwissen. Ein allgemeiner Pr\u00fcfer kann Grammatik und Konsistenz \u00fcberpr\u00fcfen. 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 Markterkl\u00e4rung wirtschaftlich unstimmig ist.<\/span><\/p>\n Je nach Unternehmen kann die Position in den Bereichen Produkt, Risiko, Data Science oder Betrieb angesiedelt sein. In regulierten Branchen d\u00fcrfte sie zunehmend formalisiert werden, da Unternehmen nachweisen m\u00fcssen, dass ein System vor der Inbetriebnahme getestet und danach \u00fcberwacht wurde.<\/span><\/p>\n Jemand muss entscheiden, was \u201cgut genug\u201d bedeutet. Diese Frage kann das Modell nicht selbst beantworten.<\/span><\/p>\n Fr\u00fcher betrachteten Unternehmen die KI-Governance als reine Richtlinienfrage: Man formulierte Grunds\u00e4tze, richtete einen Ausschuss ein und verbot den Mitarbeitern, vertrauliche Informationen in \u00f6ffentlich zug\u00e4ngliche Tools einzugeben.<\/span><\/p>\n Dieser Ansatz erweist sich als unzureichend, wenn KI in operative Entscheidungen eingebunden wird.<\/span><\/p>\n Governance-Experten erstellen eine Bestandsaufnahme der im gesamten Unternehmen eingesetzten Modelle und KI-Tools, stufen diese nach ihrem Risikopotenzial ein und legen fest, wer f\u00fcr die einzelnen Systeme verantwortlich ist. Sie pr\u00fcfen Aspekte wie Datenschutz, geistiges Eigentum, Diskriminierung, Erkl\u00e4rbarkeit, Abh\u00e4ngigkeit von Anbietern und gesetzliche Verpflichtungen.<\/span><\/p>\n Diese Rolle gewinnt besonders dann an Bedeutung, wenn Mitarbeiter Tools ohne formelle Genehmigung einsetzen. So k\u00f6nnte beispielsweise eine Marketingabteilung einen KI-Dienst f\u00fcr Endverbraucher mit Kundendaten verkn\u00fcpfen. Ein Vertriebsteam k\u00f6nnte einen automatisierten Terminassistenten nutzen, der Aufzeichnungen bei einem externen Anbieter speichert. Ein Entwickler k\u00f6nnte modellgenerierten Code einbinden, ohne dessen Herkunft oder Schwachstellen zu kennen.<\/span><\/p>\n Der Governance-Experte muss diese Anwendungsf\u00e4lle identifizieren, ohne dabei die Organisation lahmzulegen. Ein System, das f\u00fcr 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.<\/span><\/p>\n Die T\u00e4tigkeit eignet sich f\u00fcr Personen aus den Bereichen Compliance, Recht, Revision, Datenschutz, Cybersicherheit und reguliertes Produktmanagement. Sie ben\u00f6tigen ausreichende technische Kenntnisse, um Anbieter zu hinterfragen und die Funktionsweise eines Systems zu verstehen, doch ihr Hauptwert liegt darin, Vorschriften in praktische Kontrollma\u00dfnahmen umzusetzen.<\/span><\/p>\n Das KI-Gesetz der Europ\u00e4ischen Union verst\u00e4rkt diese Nachfrage, doch die Regulierung ist nur ein Treiber. Vorst\u00e4nde und Versicherer verlangen zunehmend Nachweise daf\u00fcr, dass Unternehmen wissen, wo KI eingesetzt wird und wer daf\u00fcr verantwortlich ist.<\/span><\/p>\n KI bringt Sicherheitsprobleme mit sich, die sich nicht ohne Weiteres in den Rahmen der herk\u00f6mmlichen Cyberabwehr einordnen lassen.<\/span><\/p>\n Modelle k\u00f6nnen durch \u201ePrompt Injection\u201c manipuliert werden, wobei in einem Dokument oder auf einer Webseite versteckte b\u00f6swillige Anweisungen dazu f\u00fchren, dass sich ein KI-System unerwartet verh\u00e4lt. Durch schlecht konzipierte Abrufsysteme k\u00f6nnen sensible Informationen nach au\u00dfen gelangen. Akteure mit Zugriff auf E-Mails, Dateien oder Finanzsysteme k\u00f6nnen sch\u00e4dliche Handlungen vornehmen, wenn ihre Zugriffsrechte zu weit gefasst sind.<\/span><\/p>\n Ein KI-Sicherheitsspezialist untersucht diese neuen Angriffsfl\u00e4chen. Zu seinen Aufgaben k\u00f6nnen das Testen von Modellen, die Einschr\u00e4nkung des Zugriffs auf Daten, die \u00dcberwachung der Agentenaktivit\u00e4ten sowie die Entwicklung von Kontrollma\u00dfnahmen f\u00fcr externe Tools und Modellanbieter geh\u00f6ren.<\/span><\/p>\n 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 R\u00fcckerstattungen genehmigen, Kontodaten \u00e4ndern oder Code ausf\u00fchren kann, l\u00f6st ein Sicherheitsereignis aus.<\/span><\/p>\n Dies d\u00fcrfte sich eher zu einem Spezialgebiet innerhalb der Cybersicherheit entwickeln als zu einem v\u00f6llig eigenst\u00e4ndigen Berufsfeld in jedem Unternehmen. Gro\u00dfe Unternehmen werden m\u00f6glicherweise eigene Teams daf\u00fcr einrichten. Kleinere Unternehmen werden von ihren bestehenden Sicherheitsexperten erwarten, dass sie sich KI-spezifische Kompetenzen aneignen.<\/span><\/p>\n So oder so wird die Kenntnis allgemeiner Cyber-Hygiene nicht ausreichen. Sicherheitsteams m\u00fcssen verstehen, wie Modelle Anweisungen interpretieren und wie ein legitimer Gesch\u00e4ftsprozess gegen das System eingesetzt werden kann.<\/span><\/p>\n Durch generative KI haben Unternehmen ein Problem wiederentdeckt, das sie oft aufgeschoben hatten: Ihre internen Informationen sind fragmentiert, doppelt vorhanden, veraltet und schwer auffindbar.<\/span><\/p>\n Ein Modell, das auf unzureichende Informationen zur\u00fcckgreift, l\u00f6st dieses Problem nicht. Es liefert lediglich schneller Antworten auf der Grundlage unzureichender Informationen.<\/span><\/p>\n Datenverwalter legen fest, wem wichtige Datens\u00e4tze geh\u00f6ren, was verwendet werden darf, wie lange sie aufbewahrt werden sollen und ob sie korrekt sind. Wissensingenieure organisieren Dokumente, Terminologie und Zusammenh\u00e4nge, 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 Datens\u00e4tze widerspr\u00fcchlich sind.<\/span><\/p>\n Diese Arbeit ist zwar weniger glamour\u00f6s als die Modellentwicklung, kann aber dar\u00fcber entscheiden, ob ein interner KI-Assistent Vertrauen genie\u00dft. Ein Mitarbeiter wird die Nutzung eines Tools einstellen, das immer wieder veraltete Richtlinien abruft oder Kunden mit \u00e4hnlichen Namen verwechselt. Ist das Vertrauen erst einmal verloren, reichen technische Verbesserungen m\u00f6glicherweise nicht aus, um die Akzeptanz wiederherzustellen.<\/span><\/p>\n Die Position erfordert zudem organisatorische Entscheidungsbefugnis. Die Datenbereinigung ist kein einmaliges Projekt, das von einem IT-Team durchgef\u00fchrt wird. Die Gesch\u00e4ftsbereiche m\u00fcssen die von ihnen erstellten Informationen pflegen und gemeinsame Standards akzeptieren. Der Knowledge Engineer arbeitet daher ebenso sehr mit Menschen und Verantwortlichkeiten wie mit Datenbanken.<\/span><\/p>\n Unternehmen, die behaupten, sie seien noch nicht bereit f\u00fcr KI, weil ihre Daten von schlechter Qualit\u00e4t seien, k\u00f6nnten feststellen, dass gerade die Aufbereitung der Daten eine der gr\u00f6\u00dften Quellen f\u00fcr neuen Arbeitsaufwand darstellt.<\/span><\/p>\n Der Begriff \u201cKI-Trainer\u201d kann verschiedene T\u00e4tigkeiten bezeichnen, von denen einige best\u00e4ndiger sind als andere.<\/span><\/p>\n In Vorzeigeunternehmen k\u00f6nnen Trainer Daten kennzeichnen, Ergebnisse vergleichen und fachspezifisches Feedback geben, das zur Verbesserung eines Systems genutzt wird. In einem gew\u00f6hnlichen Unternehmen besteht die Aufgabe eher darin, einem KI-System die Regeln des Unternehmens beizubringen und den Mitarbeitern die Nutzung des Systems zu vermitteln.<\/span><\/p>\n Ein Trainer k\u00f6nnte gemeinsam mit den Kundendienstleitern Beispiele f\u00fcr zufriedenstellende Antworten definieren, Formulierungen ermitteln, die das Unternehmen vermeiden muss, und festlegen, wann das Tool einen Fall eskalieren soll. Dieselbe Person k\u00f6nnte die Mitarbeiter darin schulen, die Ergebnisse zu \u00fcberpr\u00fcfen, anstatt sie automatisch zu akzeptieren.<\/span><\/p>\n Dies unterscheidet sich von einem allgemeinen Workshop zum Thema Schreibanleitungen. Die Mitarbeiter ben\u00f6tigen eine Anleitung, die sich auf ihre tats\u00e4chliche Arbeit bezieht: welches Tool sie verwenden sollen, welche Daten eingegeben werden d\u00fcrfen, wie eine Antwort \u00fcberpr\u00fcft werden sollte und welche Nachweise \u00fcber den Prozess aufbewahrt werden m\u00fcssen.<\/span><\/p>\n Diese Funktion wird m\u00f6glicherweise nicht in jedem Unternehmen als eigenst\u00e4ndige Position bestehen bleiben. Die Aufgaben im Bereich der Schulung k\u00f6nnten in den Bereich \u201eLernen und Entwicklung\u201c, 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 \u00e4ndern, als dass ein einmaliger Kurs ausreichen w\u00fcrde.<\/span><\/p>\n Einer der am wenigsten glamour\u00f6sen neuen KI-Berufe k\u00f6nnte sich als einer der wichtigsten erweisen.<\/span><\/p>\n Unternehmen haben massiv in Lizenzen, Pilotprojekte und Beratungsprojekte investiert, ohne immer genau zu definieren, wie Erfolg eigentlich aussehen soll. Die Zeitersparnis wird h\u00e4ufig anhand von Mitarbeiterbefragungen gesch\u00e4tzt. Die Nutzungsh\u00e4ufigkeit wird als Beleg f\u00fcr Produktivit\u00e4t gewertet. Eine professionell inszenierte Demonstration wird f\u00e4lschlicherweise mit einem Betriebsergebnis verwechselt.<\/span><\/p>\n Ein KI-Wertanalyst \u00fcberpr\u00fcft diese Behauptungen.<\/span><\/p>\n Bei einem Kundenservice-Tool k\u00f6nnte der Analyst beispielsweise die L\u00f6sungszeit, wiederholte Kontakte, die Kundenzufriedenheit, Fehler und Eskalationsraten untersuchen. Bei einem Programmierassistenten k\u00f6nnten die Kennzahlen die Liefergeschwindigkeit, Fehler, Sicherheitsbefunde und die Zeit umfassen, die erfahrene Ingenieure mit der \u00dcberpr\u00fcfung der erstellten Arbeit verbringen. Ein Dokumentenverarbeitungssystem sollte nicht nur danach beurteilt werden, wie schnell es Informationen extrahiert, sondern auch nach den Kosten f\u00fcr die Korrektur von Fehlern.<\/span><\/p>\n Die Analyse muss die gesamten Implementierungskosten ber\u00fccksichtigen: Lizenzen, Integration, Datenaufbereitung, Sicherheit, Schulungen, \u00dcberwachung und laufende Bewertung. Ein Tool, das den Mitarbeitern t\u00e4glich zehn Minuten Zeit spart, bringt m\u00f6glicherweise keinen finanziellen Nutzen, wenn diese Zeit nur in kleinen Abschnitten zur Verf\u00fcgung steht und nicht in zus\u00e4tzliche Leistung oder Kosteneinsparungen umgewandelt werden kann.<\/span><\/p>\n Diese Position kann im Finanzwesen, in der Strategieabteilung, im operativen Bereich oder in einer zentralen KI-Abteilung angesiedelt sein. Hier wird Skepsis ebenso gesch\u00e4tzt wie Begeisterung. Die Aufgabe des Analysten besteht nicht darin, zu beweisen, dass KI funktioniert, sondern herauszufinden, wo sie funktioniert.<\/span><\/p>\n Im Jahr 2023 wurde der \u201ePrompt Engineer\u201c h\u00e4ufig als der Inbegriff eines Berufs in der generativen KI-Wirtschaft dargestellt. In einigen fr\u00fchen Stellenanzeigen wurden ungew\u00f6hnlich hohe Geh\u00e4lter f\u00fcr Personen angeboten, die Anweisungen f\u00fcr Sprachmodelle entwerfen konnten.<\/span><\/p>\n Das Design von Prompts spielt nach wie vor eine wichtige Rolle. Klare Anweisungen, Beispiele, strukturierte Ergebnisse und Tests k\u00f6nnen 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 eigenst\u00e4ndiger Berufszweig.<\/span><\/p>\n 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 k\u00f6nnen, verlagert sich der Schwerpunkt von der Beherrschung einer Reihe von Prompt-Techniken hin zum Verst\u00e4ndnis des zugrunde liegenden Fachgebiets und des Arbeitsablaufs.<\/span><\/p>\n 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 n\u00fctzlich, zul\u00e4ssig und korrekt ist.<\/span><\/p>\n Microsoft berichtete in seinem \u201eWork Trend Index 2025\u201c, dass 78 Prozent der befragten F\u00fchrungskr\u00e4fte erw\u00e4gen, neue Mitarbeiter f\u00fcr KI-Positionen einzustellen. Zu den in Betracht gezogenen Positionen geh\u00f6rten KI-Trainer, Daten- und Sicherheitsspezialisten, Agentenspezialisten, ROI-Analysten und KI-Strategen in verschiedenen Funktionsbereichen wie Finanzen, Marketing und Kundenservice.<\/span><\/p>\n Das bedeutet jedoch nicht, dass Unternehmen f\u00fcr jeden einzelnen Bereich eine eigene Abteilung einrichten werden. In vielen Organisationen wird die Arbeit auf die bestehenden Teams verteilt.<\/span><\/p>\n Ein Finanzexperte k\u00f6nnte die Verantwortung f\u00fcr KI-Investitionsvorhaben \u00fcbernehmen. Ein Compliance-Manager k\u00f6nnte die Verantwortung f\u00fcr die Modell-Governance \u00fcbernehmen. Ein Business-Analyst k\u00f6nnte mit der Konzeption von Agenten-Workflows beginnen. Ein Content-Manager k\u00f6nnte die Qualit\u00e4t und Herkunft der KI \u00fcberwachen.<\/span><\/p>\n Untersuchungen von LinkedIn deuten darauf hin, dass sich 70 Prozent der in den meisten Berufen ben\u00f6tigten F\u00e4higkeiten zwischen 2015 und 2030 \u00e4ndern k\u00f6nnten, wobei KI als einer der Ausl\u00f6ser fungiert. Die Arbeitsmarktanalyse f\u00fcr 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.<\/span><\/p>\n Die Auswirkungen gehen \u00fcber einen blo\u00dfen Boom bei der Einstellung von Fachkr\u00e4ften hinaus. Auch wenn Arbeitnehmer vielleicht keinen Vermerk wie \u201cKI\u201d in ihrer Berufsbezeichnung ben\u00f6tigen, wird von ihnen zunehmend erwartet, dass sie verstehen, wie die Technologie ihre Aufgaben ver\u00e4ndert.<\/span><\/p>\n Der aktuelle Markt f\u00fchrt zu einem scheinbaren Widerspruch. KI kann zwar immer mehr fachliche Aufgaben \u00fcbernehmen, doch Unternehmen ben\u00f6tigen gleichzeitig Mitarbeiter mit ausreichender Erfahrung, um die Arbeit der KI zu bewerten.<\/span><\/p>\n Ein unerfahrener Mitarbeiter kann zwar ein Modell sicher anwenden, vers\u00e4umt es jedoch m\u00f6glicherweise, einen naheliegenden Fehler zu erkennen. Ein erfahrener Spezialist erkennt den Fehler zwar sofort, traut sich aber m\u00f6glicherweise nicht, den Prozess unter Ber\u00fccksichtigung des Tools neu zu gestalten. Die besten Kandidaten vereinen beide F\u00e4higkeiten.<\/span><\/p>\n Die fr\u00fchen Untersuchungen von Anthropic zum Arbeitsumfeld ergaben, dass sich der Einsatz von KI eher auf bestimmte Teile von Berufen konzentrierte als auf die gesamten T\u00e4tigkeiten. Die erste Analyse deutete darauf hin, dass KI nur in einem kleinen Teil der Berufe f\u00fcr den Gro\u00dfteil der Aufgaben genutzt wurde, w\u00e4hrend eine weitaus gr\u00f6\u00dfere Gruppe sie nur f\u00fcr 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 L\u00e4ndern nach wie vor uneinheitlich ist.<\/span><\/p>\n Aus diesem Grund d\u00fcrfte die unmittelbare Auswirkung auf den Arbeitsmarkt in einer Neugestaltung der Arbeitspl\u00e4tze bestehen. Einige Aufgaben entfallen, andere gewinnen an Bedeutung, und es kommen neue Aufgabenbereiche hinzu, die mit Aufsicht, Entscheidungsfindung und Systemgestaltung zusammenh\u00e4ngen.<\/span><\/p>\n Bei Einstiegspositionen stellt sich die schwierigere Frage. Nachwuchskr\u00e4fte 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, k\u00f6nnten sie damit den Nachwuchs an zuk\u00fcnftigen Fachkr\u00e4ften schm\u00e4lern.<\/span><\/p>\n KI kann zwar dazu beitragen, dass erfahrene Fachkr\u00e4fte produktiver arbeiten, macht es aber gleichzeitig f\u00fcr unerfahrene Fachkr\u00e4fte schwieriger, Erfahrung zu sammeln. Unternehmen, die Personal f\u00fcr die neue KI-Wirtschaft einstellen, werden letztendlich auch dieses Problem l\u00f6sen m\u00fcssen.<\/span><\/p>\n F\u00fcr die meisten Fachleute besteht die vern\u00fcnftige Vorgehensweise nicht darin, ihr Fachgebiet aufzugeben und eine Ausbildung zum Modellentwickler zu beginnen. Vielmehr geht es darum, herauszufinden, inwiefern KI die wirtschaftlichen Rahmenbedingungen und Arbeitsabl\u00e4ufe in dem Bereich ver\u00e4ndert, den sie bereits gut kennen.<\/span><\/p>\n Ein Kommunikationsfachmann k\u00f6nnte lernen, wie man einen KI-gest\u00fctzten Content-Prozess mit Kontrollmechanismen f\u00fcr Freigabe, Offenlegung und Faktenpr\u00fcfung aufbaut. Ein Compliance-Spezialist k\u00f6nnte sich mit Modellkatalogen, Risikoklassifizierung und dem EU-KI-Gesetz befassen. Ein Betriebsleiter k\u00f6nnte einen Prozess abbilden und ermitteln, welche Entscheidungen sich f\u00fcr eine Automatisierung eignen. Ein Finanzanalyst k\u00f6nnte eine Methode zur Messung der Rendite von KI-Investitionen entwickeln.<\/span><\/p>\n Ein \u00fcberzeugendes Portfolio ist wichtiger als eine Sammlung allgemeiner Zertifikate. Bewerber sollten darlegen k\u00f6nnen, wie sie einen Prozess analysiert, ein geeignetes Tool ausgew\u00e4hlt, die Risiken ermittelt und das Ergebnis gemessen haben. Selbst ein kleines internes Projekt kann mehr Urteilsverm\u00f6gen beweisen als die Behauptung, mit mehreren KI-Plattformen umfassend vertraut zu sein.<\/span><\/p>\n Technisches Know-how ist von Vorteil, insbesondere Kenntnisse in den Bereichen Daten, APIs, Abrufsysteme und Modellbewertung. Es ersetzt jedoch nicht das Fachwissen.<\/span><\/p>\n Die neu entstehende Kategorie von KI-Arbeitspl\u00e4tzen entsteht an der Schnittstelle zwischen diesen beiden Bereichen. Unternehmen haben ausreichenden Zugang zu Modellen. Was ihnen fehlt, sind Fachkr\u00e4fte, die wissen, wo diese Modelle eingesetzt werden sollen, wie man sie steuert und wann das Ergebnis die Kosten nicht rechtfertigt.<\/span><\/p>\n Die meisten neuen KI-Arbeitspl\u00e4tze sind \u00dcbersetzungsauftr\u00e4ge<\/span><\/h2>\n
Der Produktmanager f\u00fcr KI<\/span><\/h2>\n
Der Workflow- und Agentenarchitekt<\/span><\/h2>\n
Der Modell-Evaluator und der Leiter f\u00fcr KI-Qualit\u00e4t<\/span><\/h2>\n
Der Spezialist f\u00fcr KI-Governance und Modellrisiken<\/span><\/h2>\n
Der KI-Sicherheitsspezialist<\/span><\/h2>\n
Der Datenverwalter und der Wissensingenieur<\/span><\/h2>\n
Der KI-Trainer ist kein Chatbot-Tutor<\/span><\/h2>\n
Der KI-Wert- und ROI-Analyst<\/span><\/h2>\n
Der Beruf des \u201ePrompt Engineer\u201c wird m\u00f6glicherweise nicht zu dem werden, was man sich einst vorgestellt hat<\/span><\/h2>\n
Bestehende Arbeitspl\u00e4tze werden sich schneller ver\u00e4ndern, als neue Berufsbezeichnungen entstehen.<\/span><\/h2>\n
Fachwissen gewinnt zunehmend an Wert, nicht an Bedeutung<\/span><\/h2>\n
Wie man sich vorbereiten kann, ohne KI-Ingenieur zu werden<\/span><\/h2>\n