Warum Data- und AI-Rollen für Unternehmen wichtiger werden
Daten und künstliche Intelligenz entwickeln sich zunehmend zu einem zentralen Bestandteil digitaler Geschäftsmodelle. Laut dem Future of Jobs Report 2025 des World Economic Forum zählen Big Data Specialists sowie AI and Machine Learning Specialists zu den am schnellsten wachsenden Berufsgruppen bis 2030. Gleichzeitig stehen AI und Big Data an erster Stelle der Fähigkeiten, deren Bedeutung laut befragten Arbeitgeber:innen besonders stark zunehmen wird.
Auch die Zahl der IT-Spezialist:innen insgesamt steigt. 2025 arbeiteten laut Eurostat rund 10,45 Millionen Menschen in der EU als ICT Specialists – das entspricht 5 % aller Beschäftigten. Seit 2015 ist ihre Zahl um fast 60 % gestiegen.
Mit dieser Entwicklung differenzieren sich auch die Rollen innerhalb von Data und AI stärker aus. Data Engineering, Data Science und AI Engineering greifen zwar ineinander, setzen aber an unterschiedlichen Stellen der technischen Wertschöpfungskette an.
Data Engineer, Data Scientist und AI Engineer im direkten Vergleich
Data Engineer | Data Scientist | AI Engineer | |
|---|---|---|---|
| Hauptaufgabe | Daten verfügbar und nutzbar machen | Daten analysieren und Erkenntnisse bzw. Modelle entwickeln | AI-Lösungen entwickeln, integrieren und produktiv betreiben |
| Fokus | Dateninfrastruktur | Analyse & Modellierung | AI-Anwendungen & Operationalisierung |
| Typische Fragen | Wie kommen zuverlässige Daten ins System? | Was sagen uns die Daten und was lässt sich prognostizieren? | Wie bringen wir AI sicher und skalierbar in eine Anwendung? |
| Typische Technologien | SQL, Python, ETL/ELT, Data Warehouses, Cloud, Spark | Python/R, SQL, Statistik, Machine Learning, Visualisierung | Python/C#, APIs, LLMs, RAG, Agents, Cloud AI, MLOps/LLMOps |
| Output | Datenpipelines und Datenplattformen | Analysen, Modelle und Prognosen | produktive AI-Anwendungen |
| Business-Nähe | mittel bis hoch | hoch | hoch |
| Zusammenarbeit | IT, BI, Data Science, AI | Business, BI, Data Engineering, AI | Data Science, Data Engineering, Software Development, Cloud, Security |
Quelle: Eigene Darstellung auf Basis der Rollenbeschreibungen und Kompetenzprofile von Microsoft Learn: Data Engineer, Data Scientist und AI Engineer.
Die Grenzen sind in der Praxis nicht immer eindeutig. Besonders in kleineren Unternehmen übernehmen einzelne Spezialist:innen häufig Aufgaben aus mehreren Bereichen.
Was macht ein Data Engineer?
Data Engineers schaffen die technische Grundlage dafür, dass Unternehmen Daten überhaupt zuverlässig nutzen können. Sie sorgen dafür, dass Daten aus unterschiedlichen Quellen gesammelt, transformiert, gespeichert und für Analysen oder AI-Anwendungen verfügbar gemacht werden.
IBM beschreibt Data Engineering unter anderem als Aufbau und Pflege von Datenarchitekturen und Pipelines, Datenplattformen, Integrationen und Data-Warehouse-Strukturen.
Google Cloud fasst die Rolle ähnlich zusammen: Data Engineers sammeln, transformieren und veröffentlichen Daten und entwickeln Datenverarbeitungssysteme, die skalierbar, zuverlässig, sicher und effizient funktionieren.
Typische Aufgaben sind etwa die Entwicklung von Datenpipelines, Integration unterschiedlicher Datenquellen, Aufbau und Optimierung von Data Warehouses oder Data Lakes, Sicherstellung von Datenqualität sowie Automatisierung von Datenverarbeitung.
Welche Skills brauchen Data Engineers?
Besonders relevant sind für für Data Engineers SQL und Datenbanken, Python oder vergleichbare Programmiersprachen, Datenmodellierung, ETL- und ELT-Prozesse, Cloud-Plattformen sowie Kenntnisse rund um Datenqualität, Governance, Security und skalierbare Architekturen.
Abhängig von der technischen Umgebung können außerdem Technologien wie Apache Spark, Airflow, dbt oder Kafka relevant sein.
Ein Data Engineer versteht dabei nicht nur Datenbanken. Entscheidend ist zunehmend auch das Verständnis dafür, welche Daten andere Bereiche des Unternehmens tatsächlich benötigen und in welcher Qualität sie zur Verfügung stehen müssen.
Was macht ein Data Scientist?
Data Scientists setzen dort an, wo Daten bereits verfügbar sind. Ihr Ziel ist es, Muster zu erkennen, Zusammenhänge zu analysieren und aus Daten Informationen abzuleiten, die Unternehmen für Entscheidungen oder Prognosen nutzen können.
IBM definiert Data Science als Kombination aus Mathematik und Statistik, Programmierung, Advanced Analytics, AI und Machine Learning sowie spezifischem Fachwissen. Data Scientists sollen daraus verwertbare Erkenntnisse für Geschäftsentscheidungen und Stakeholder ableiten.
Eine zentrale Aufgabe besteht deshalb darin, Business-Fragen in analytische Fragestellungen zu übersetzen.
Beispiele sind Prognosen zur Nachfrage, Erkennung von Kündigungswahrscheinlichkeiten, Betrugserkennung, Client Management, Preisoptimierung oder Vorhersagemodelle für Produktionsprozesse.
Welche Skills brauchen Data Scientists?
Neben den Programmiersprachen Python oder R und SQL benötigen Data Scientists vor allem fundierte Kenntnisse in Statistik, Machine Learning, Datenanalyse und Visualisierung.
Mindestens ebenso wichtig ist allerdings das Business-Verständnis in diesem IT-Feld. Denn ein technisch gutes Modell bringt einem Unternehmen wenig, wenn es keine relevante Geschäftsfrage beantwortet.
Data Scientists arbeiten deshalb häufig eng mit Fachabteilungen sowie Data Engineers und zunehmend auch AI Engineers zusammen.
Was macht ein AI Engineer?
AI Engineering hat sich insbesondere durch den schnellen Einsatz generativer AI in Unternehmen stark weiterentwickelt.
AI Engineers beschäftigen sich weniger mit rein explorativer Datenanalyse und stärker damit, AI-Funktionalitäten tatsächlich in produktive Systeme und Anwendungen zu bringen.
Microsoft beschreibt AI Engineers als Spezialist:innen, die AI-Lösungen planen, entwickeln, deployen, integrieren, warten, optimieren und überwachen. Dazu gehören mittlerweile beispielsweise generative AI, AI Agents, Natural Language Processing, Computer Vision und Information Extraction.
Typische Projekte können beispielsweise ein interner AI-Assistent, ein intelligentes Dokumentenmanagement, automatisierte Datenextraktion, ein RAG-System auf Basis interner Unternehmensinformationen oder die Integration von AI-Funktionen in bestehende Software sein.
Welche Skills brauchen AI Engineers?
AI Engineers verbinden Kompetenzen aus Softwareentwicklung, Data Science und Data Engineering. Dazu gehören insbesondere Programmiersprachen wie Python, APIs und SDKs, Cloud- und AI-Plattformen, Machine Learning und zunehmend Large Language Models, RAG-Architekturen und AI Agents.
Hinzu kommen Deployment, Monitoring, Performance, Kostenkontrolle, Security und Responsible AI.
Das aktuelle Rollenprofil von Microsoft zeigt beispielsweise, dass AI Engineers nicht nur Modelle implementieren, sondern AI-Systeme auch überwachen, absichern, evaluieren und in CI/CD-Prozesse integrieren.
Data Engineer, Data Scientist oder AI Engineer: Welche Rolle braucht Ihr Unternehmen?
Die richtige Rolle hängt weniger vom Schlagwort „AI“ als vom tatsächlichen Problem ab. Hier finden Sie eine grobe Übersicht:
| Ausgangssituation im Unternehmen | Besonders relevante Rolle |
|---|---|
| Daten liegen in vielen unterschiedlichen Systemen und sind schwer nutzbar | Data Engineer |
| Eine zentrale Datenplattform oder ein Data Warehouse soll aufgebaut werden | Data Engineer |
| Reports leiden unter schlechter Datenqualität | Data Engineer |
| Unternehmen wollen Muster und Zusammenhänge in großen Datenmengen verstehen | Data Scientist |
| Prognose- oder Optimierungsmodelle sollen entwickelt werden | Data Scientist |
| Entscheidungen sollen stärker datenbasiert getroffen werden | Data Scientist / Data Analyst |
| Generative AI soll in Produkte oder Prozesse integriert werden | AI Engineer |
| Ein interner AI-Assistent oder RAG-System soll entwickelt werden | AI Engineer |
| AI Agents oder automatisierte AI-Workflows sollen umgesetzt werden | AI Engineer |
| Eigene Machine-Learning-Modelle sollen von der Entwicklung bis zur Produktion gebracht werden | Data Scientist + AI/ML Engineer |
| Eine unternehmensweite Data- und AI-Plattform soll entstehen | Data Engineer + Data Scientist + AI Engineer |
Quelle: Eigene Darstellung von Schulmeister auf Basis der Aufgaben- und Kompetenzprofile von Microsoft Learn (Data Engineer), IBM (Data Science) und Microsoft Learn (AI Engineer)
Ein häufiger Fehler besteht darin, direkt nach AI Engineers zu suchen, obwohl die notwendige Datenbasis noch fehlt.
Wenn Daten über verschiedene Systeme verteilt, qualitativ unzureichend oder kaum zugänglich sind, löst ein AI-Modell das grundlegende Problem nicht. In einem solchen Fall kann zunächst Data Engineering wichtiger sein.
Umgekehrt benötigt ein Unternehmen nicht automatisch ein eigenes Data Science-Team, nur weil es AI einsetzen möchte. Viele moderne AI-Anwendungen basieren auf bestehenden Modellen und Services. Hier kann ein erfahrener AI Engineer gemeinsam mit Software-, Data- und Cloud-Spezialist:innen die entscheidendere Rolle spielen.
Braucht ein Unternehmen alle drei Rollen?
Wie stark sich diese drei IT-Rollen spezialisieren, hängt unter anderem von Unternehmensgröße, Datenmenge, technischer Infrastruktur und Komplexität der geplanten Anwendungen ab.
In kleineren Teams kann beispielsweise ein erfahrene Data Engineer zusätzlich Analytics-Aufgaben übernehmen. Data Scientists können technische Aufgaben rund um Datenaufbereitung abdecken und AI Engineers bringen häufig einen starken Software- oder Machine-Learning-Engineering-Background mit.
Mit steigender Größe und Komplexität lohnt sich allerdings häufig eine stärkere Spezialisierung.
Bei umfangreichen AI-Projekten ergänzen sich die drei Rollen:
Data Engineer → stellt Daten bereit → Data Scientist → entwickelt Analyse oder Modell → AI Engineer → integriert und operationalisiert die Lösung
Die tatsächliche Teamstruktur ist jedoch selten so linear. Moderne Data- und AI-Teams arbeiten zunehmend iterativ und eng miteinander.
Bei AI kommt zusätzlich Governance hinzu. In der EU verlangt der AI Act von Anbietern und Betreibern von AI-Systemen Maßnahmen zur Förderung einer ausreichenden AI Literacy bei Mitarbeiter:innen und anderen Personen, die mit den jeweiligen Systemen arbeiten.
Damit werden in Zukunft Kenntnisse rund um Responsible AI, Datenschutz, Security, Governance und den sicheren Einsatz von AI insbesondere für AI-nahe Rollen relevanter.
Worauf sollten Unternehmen beim Recruiting achten?
Die Berufsbezeichnung allein sagt bei Data- und AI-Profilen häufig wenig aus. Ein „Data Scientist“ in einem Unternehmen kann hauptsächlich Analysen durchführen, während dieselbe Bezeichnung in einem anderen Unternehmen stark auf Machine Learning ausgerichtet ist. Ähnlich breit ist mittlerweile der Begriff AI Engineer.
Vor Beginn der Personalsuche sollte deshalb möglichst konkret definiert werden, welches Problem die neue Person lösen soll.
Nicht die Frage „Brauchen wir einen AI Engineer?“ sollte am Anfang stehen, sondern beispielsweise:
„Wir wollen Unternehmenswissen für einen AI-Assistenten nutzbar machen. Welche technischen Kompetenzen benötigen wir dafür?“
Erst daraus lassen sich Aufgaben, notwendige Technologien, Senioritätslevel und die passende Rollenbezeichnung sinnvoll ableiten.
Besonders wichtig sind außerdem Schnittstellenkompetenzen. Data- und AI-Spezialist:innen arbeiten zunehmend nicht nur innerhalb der IT, sondern mit Management, Finance, Legal, HR, Operations oder Fachabteilungen zusammen.
Data- und AI-Expert:innen finden
Data und AI gehören zu den dynamischsten Bereichen des IT-Arbeitsmarktes. Gleichzeitig werden die Rollen immer spezialisierter.
Für Unternehmen erhöht das die Anforderungen an das Recruiting: Nicht jede Person mit Python- oder Machine-Learning-Erfahrung passt automatisch zu einem Data-Science- oder AI-Engineering-Projekt.
Entscheidend ist, technische Anforderungen, Business-Ziel und Rollenprofil bereits vor Beginn der Suche sauber miteinander zu verbinden.
Als spezialisierte Personalberatung unterstützt Schulmeister Unternehmen bei der Suche nach IT- und Technology-Spezialist:innen – von der Definition des Anforderungsprofils über Active Sourcing und Headhunting bis zur Auswahl geeigneter Kandidat:innen.
FAQs zu Data Engineer, Data Scientist und AI Engineer
Data Engineers entwickeln und betreiben die Infrastruktur, mit der Daten gesammelt, verarbeitet und verfügbar gemacht werden. Data Scientists analysieren diese Daten und entwickeln daraus unter anderem Erkenntnisse, Prognosen und Machine-Learning-Modelle.
Data Scientists konzentrieren sich stärker auf Datenanalyse, Statistik und Modellentwicklung. AI Engineers setzen AI-Lösungen technisch um, integrieren sie in Anwendungen und kümmern sich unter anderem um Deployment, Monitoring, Skalierung und Security.
Data Engineers konzentrieren sich auf Datenplattformen, Datenpipelines und Datenqualität. AI Engineers entwickeln und integrieren AI-Anwendungen. Beide Rollen arbeiten bei vielen AI-Projekten eng zusammen.
Nicht zwingend für jedes AI-Projekt. Sobald AI-Lösungen jedoch auf großen Mengen unternehmensinterner Daten basieren, sind zuverlässige Datenpipelines, Datenqualität und eine geeignete Datenarchitektur entscheidend. Data Engineering kann deshalb eine wichtige Voraussetzung für skalierbare AI-Anwendungen sein.
Das hängt vom Ziel ab. Sollen Daten analysiert, Prognosen erstellt oder eigene Modelle entwickelt werden, ist häufig Data Science gefragt. Soll AI in bestehende Anwendungen oder Geschäftsprozesse integriert und produktiv betrieben werden, liegt der Schwerpunkt eher beim AI Engineering.
Für die technische Umsetzung generativer AI-Anwendungen ist häufig AI Engineering besonders relevant. Dazu gehören beispielsweise die Integration von Large Language Models, RAG-Systeme, AI Agents, APIs, Evaluation, Monitoring und Security. Je nach Anwendung werden zusätzlich Data Engineers, Softwareentwickler, Cloud-Spezialist oder Data Scientists benötigt.
Schulmeister unterstützt Unternehmen bei der Suche und Auswahl spezialisierter IT-Fachkräfte. Gemeinsam werden Aufgaben, technologische Anforderungen und das benötigte Erfahrungsniveau definiert. Anschließend werden geeignete Kandidat:innen über Active Sourcing, Headhunting und bestehende Netzwerke identifiziert und im Auswahlprozess auf ihre fachliche und persönliche Passung geprüft.
