Im Jahr 2012 wurde der Data Scientist im Harvard Business Review als der „sexiest job of the 21st century“ bezeichnet. Er wurde als seltenes „Einhorn“ beschrieben - als Experte, dessen Stärke in einer Mischung aus technischer Datenverarbeitung, Storytelling zur Vermittlung von Erkenntnissen an das Unternehmen und wissenschaftlicher Neugier zur Aufdeckung neuer Zusammenhänge lag. Diese Mischung war rar. Das machte sie so begehrt.

Tatsächlich wurde jedoch die technische Umsetzung wichtiger als die Rolle des „Datendetektivs“. Die Rolle des Data Scientists fächerte in verschiedene spezialisierte Fähigkeiten (wie ML Engineer, Data Engineer, Analytics Engineer usw.) auf. Der Machine Learning Engineer wurde dabei zur relevantesten (und höher bezahlten) Rolle. Ein Treiber hinter dieser Entwicklung war: Unternehmen stellten fest, dass das Überführen von KI-Modellen in den produktiven Betrieb einen schnelleren Mehrwert für das Unternehmen schafft als das Entdecken neuer Erkenntnisse. Ein KI-Modell, das nur in einem digitalen Notebook existiert, nützt dem Unternehmen nichts.

Die ML Engineers waren auch eine der treibenden Kräfte bei der Skalierung der großen Sprachmodelle (LLMs), die den heutigen KI-Hype befeuern. Dies basierte auf dem sogenannten Skalierungsgesetz: Je mehr Daten, je größer die KI und je mehr Rechenleistung man hat, desto besser wird die KI. Aber ML Engineers und angewandte Wissenschaftler waren die Handwerker, die die Infrastruktur bauten, um diese Skalierung überhaupt erst zu ermöglichen.

Doch seit Kurzem schlägt das Pendel wieder zurück.

Dies beruht auf zwei Trends:

Während die technischen Engineering-Rollen vor 10 Jahren notwendig waren, um positiven Geschäftswert zu erzielen, brauchen wir heute mehr wissenschaftliche Rollen. Das Pendel schwingt zurück. Data Scientists sind wieder entscheidend und spiegeln den Bedarf an wissenschaftlicher und analytischer Sorgfalt in der heutigen komplexen Tech-Landschaft wider. Gleichzeitig automatisieren neuartige GenAI-Tools viele Routineaufgaben, was es dem technisch versierten Generalisten ermöglicht, mehr Aufgaben in weniger Zeit zu erledigen.

Diese Tools werden technische Fachkräfte zwar nicht ersetzen. Aber sie können Mitarbeiter mit einer soliden technischen Basis befähigen, mehr in kürzerer Zeit zu realisieren. Mit anderen Worten: Sie helfen Generalisten dabei, in ihren Aufgaben zu glänzen.

Erleben wir also eine Rückkehr des vielseitigen Wissenschaftlers? Oder sind viele technische Spezialisten einfach unersetzlich? Während wir sahen, wie das Pendel der Marktnachfrage zwischen technischem Spezialisten und Wissenschaftler hin und her schwang, könnte ein Gleichgewicht genau das sein, was wir eigentlich brauchen. Beide Rollen sind essenziell, um KI von einer technologischen Neuheit auf den Stand eines unverzichtbaren, profitablen Geschäftsinstrumentes zu heben. Besonders, wenn erst wenige Unternehmen eine echte KI-Reife erreicht haben – es liegt noch ein langer Weg vor uns. In welche Richtung schlägt das Pendel in Ihrem Umfeld aus: zur Generalisierung oder zur Spezialisierung?

Referenzen: