über den Wechsel zu Information Science im Jahr 2026?
Wenn die Antwort „Ja“ lautet, ist dieser Artikel genau das Richtige für Sie.
Ich bin Sabrine. Ich habe die letzten 10 Jahre in ganz Europa im KI-Bereich gearbeitet – von großen Unternehmen und Begin-ups bis hin zu Forschungslabors. Und wenn ich heute noch einmal von vorne beginnen müsste, würde ich mich ehrlich gesagt immer noch für dieses Fach entscheiden. Warum?
Aus den gleichen Gründen, die viele von uns hierher geführt haben: die intellektuelle Herausforderung, der Einfluss, den man haben kann, die Liebe zu Mathematik und Code und die Möglichkeit, reale Probleme zu lösen.
Aber lohnt es sich mit Blick auf das Jahr 2026 noch?
Wenn Sie durch LinkedIn scrollen, sehen Sie zwei kämpfende Groups: Das eine sagt: „Information Science ist tot“, das andere sagt, dass es dank des KI-Traits wächst.
Wenn ich mich umsehe, denke ich persönlich, dass wir immer Rechenkenntnisse brauchen werden. Wir werden immer Menschen brauchen, die Daten verstehen und Entscheidungen treffen können. Zahlen gab es schon immer überall, und warum sollten sie im Jahr 2026 verschwinden?
Allerdings hat sich der Markt verändert. Und um sich jetzt darin zurechtzufinden, benötigen Sie eine gute Führung und klare Informationen.
In diesem Artikel teile ich meine eigenen Erfahrungen aus der Arbeit in Forschung und Industrie sowie aus der Betreuung von mehr als 200 Information Scientists in den letzten Jahren.
Was passiert additionally jetzt auf dem Markt?
Ich werde ehrlich sein und Ihnen keinen Traum davon verkaufen.
Das Ziel besteht nicht darin, Vorurteile hervorzurufen, sondern Ihnen genügend Informationen zu geben, damit Sie Ihre eigene Entscheidung treffen können.
Ist die Jobfamilie im Bereich Information Science breiter als je zuvor?
Einer der größten Fehler junger Information Scientists besteht darin, zu denken, Information Science sei ein einziger Job.
Im Jahr 2026 ist Information Science eine große Rollenfamilie. Bevor Sie eine einzelne Codezeile schreiben, müssen Sie verstehen, wo Sie hingehören.
Die Menschen sind von KI fasziniert: wie ChatGPT spricht, wie Neuralink das Gehirn stimuliert und wie Algorithmen Gesundheit und Sicherheit beeinflussen. Aber seien wir ehrlich: Nicht alle angehenden Information Scientists werden solche Projekte aufbauen.
Für diese Rollen sind ausgeprägte angewandte Mathematik und fortgeschrittene Programmierkenntnisse erforderlich. Bedeutet das, dass Sie sie nie erreichen werden? Nein. Aber sie richten sich häufig an promovierte Personen, Informatiker und Ingenieure, die genau für diese Nischenberufe ausgebildet sind.
Nehmen wir ein reales Beispiel: ein Stellenangebot für maschinelles Lernen/Datenwissenschaftler, das ich heute (27. November) bei einem GAFAM-Unternehmen gesehen habe.
Wenn Sie sich die Beschreibung ansehen, wird nach Folgendem gefragt:
- Patente
- Erstautorenpublikationen
- Forschungsbeiträge
Hat jeder, der sich für Information Science interessiert, ein Patent oder eine Veröffentlichung? Natürlich nicht.
Aus diesem Grund müssen Sie vermeiden, sich blind zu bewegen.
Wenn Sie gerade ein Bootcamp abgeschlossen haben oder am Anfang Ihres Studiums stehen, wird die Bewerbung für Stellen, die ausdrücklich Forschungspublikationen erfordern, nur Frustration mit sich bringen. Diese sehr speziellen Stellen richten sich in der Regel an Personen mit einem fortgeschrittenen akademischen Hintergrund (Ph.D., Postdoktorand oder Informatiker).
Mein Rat: Seien Sie strategisch. Konzentrieren Sie sich auf Rollen, die Ihren Fähigkeiten entsprechen.
Verschwenden Sie keine Zeit damit, sich überall zu bewerben.
Nutzen Sie Ihre Energie, um ein Portfolio aufzubauen, das Ihren Zielen entspricht.
Sie müssen die verschiedenen Teilbereiche der Datenwissenschaft verstehen und auswählen, was zu Ihrem Hintergrund passt. Zum Beispiel:
- Produktdatenanalyst / Wissenschaftler: Produktlebenszyklus und Benutzeranforderungen
- Ingenieur für maschinelles Lernen: Bereitstellung von Modellen
- GenAI-Ingenieur: funktioniert auf LLMs
- Klassischer Datenwissenschaftler: Schlussfolgerung und Vorhersage
Wenn Sie sich die Rolle eines Produktdatenwissenschaftlers bei Meta ansehen, ist das technische Niveau im Vergleich zu einer Rolle als Core AI Analysis Engineer oder Senior Information Scientist oft besser an die meisten Datenwissenschaftler auf dem Markt angepasst.
Für jemanden ohne Doktortitel sind diese Rollen realistischer.
Auch wenn Sie nicht bei GAFAM arbeiten möchten, beachten Sie Folgendes:
Sie geben die Richtung vor. Was sie heute benötigen, wird morgen überall sonst zur Norm.
Wie wäre es nun mit Programmieren und Mathematik im Jahr 2026?
Hier ist eine kontroverse, aber ehrliche Wahrheit für 2026: Analytische und mathematische Fähigkeiten sind wichtiger als nur das Programmieren.
Warum? Quick jedes Unternehmen nutzt mittlerweile KI-Instruments, um beim Schreiben von Code zu helfen. Aber KI kann Ihre Fähigkeit nicht ersetzen:
- Traits verstehen
- Erklären Sie, woher der Wert kommt
- Entwerfen Sie ein gültiges Experiment
- Interpretieren Sie ein Modell in einem realen Kontext
Codieren ist immer noch wichtig, aber Sie können kein „Generalimporteur“ sein – jemand, der nur sklearn importiert und ausführt .match() Und .predict().
Sehr bald könnte ein KI-Agent diesen Teil für uns übernehmen.
Aber Ihre mathematischen und analytischen Fähigkeiten sind immer noch wichtig und werden es auch immer sein.
Ein einfaches Beispiel:
Sie können eine KI fragen: „Erklären Sie PCA, als wäre ich 2 Jahre alt.“
Aber Ihr wahrer Wert als Datenwissenschaftler zeigt sich, wenn Sie etwas fragen wie:
„Ich muss die Wasserproduktion meines Unternehmens in einer bestimmten Area optimieren. In dieser Area gibt es Probleme, die dazu führen, dass das Netzwerk in bestimmten Mustern nicht verfügbar ist. Ich habe Hunderte von Funktionen zu diesem Zustand des Netzwerks. Wie kann ich PCA verwenden und sicherstellen, dass die wichtigsten Variablen in dem von mir verwendeten PC dargestellt werden?“
-> Dieser menschliche Kontext ist Ihr Wert.
-> KI schreibt den Code.
-> Du bringst die Logik mit.
Und wie wäre es mit der Information Science-Toolbox?
Beginnen wir mit Python. Als Programmiersprache mit einer großen Daten-Group ist Python immer noch unverzichtbar und wahrscheinlich die erste Sprache, die ein zukünftiger Information Scientist lernen muss.
Das Gleiche gilt für Scikit-learn, eine klassische Bibliothek für maschinelle Lernaufgaben.
Wir können auch auf Google Traits (Ende 2025) sehen, dass:
- PyTorch ist mittlerweile beliebter als TensorFlow
- Die GenAI-Integration wächst viel schneller als klassische Bibliotheken
- Das Interesse der Datenanalysten bleibt stabil
- Die Rollen „Dateningenieur“ und „KI-Spezialist“ interessierten mehr Menschen als allgemeine Rollen als Datenwissenschaftler
Ignorieren Sie diese Muster nicht. Sie sind sehr hilfreich bei der Entscheidungsfindung.
Sie müssen flexibel bleiben.
Wenn der Markt PyTorch und GenAI will, bleiben Sie nicht nur bei Keras und altem NLP hängen.
Und wie sieht es mit dem neuen Stack für 2026 aus?
Hier unterscheidet sich die Roadmap 2026 von 2020.
Um heute eingestellt zu werden, müssen Sie es sein produktionsreif.
Versionskontrolle (Git): Sie werden es täglich verwenden. Und um ehrlich zu sein, ist dies eine der ersten Fähigkeiten, die Sie am Anfang erlernen müssen. Es hilft Ihnen, Ihre Projekte und alles, was Sie lernen, zu organisieren.
Egal, ob Sie ein Masterstudium oder ein Bootcamp beginnen, vergessen Sie bitte nicht, Ihr erstes GitHub-Repository zu erstellen und ein paar grundlegende Befehle zu lernen, bevor Sie fortfahren.
AutoML: Verstehen Sie, wie es funktioniert und wann Sie es verwenden sollten. Einige Unternehmen nutzen AutoML-Instruments, insbesondere für Information Scientists, die eher produktorientiert sind.
Das Instrument, an das ich denke und auf das Sie kostenlos zugreifen können, ist Dataiku. Sie haben eine großartige Akademie mit kostenlosen Zertifizierungen. Es ist eines der AutoML-Instruments, das in den letzten zwei Jahren auf dem Markt explodiert ist.
Wenn Sie nicht wissen, was AutoML ist: Es ist ein Instrument, mit dem Sie ML-Modelle erstellen können ohne Codierung. Ja, es existiert.
Erinnern Sie sich, was ich vorhin über das Codieren gesagt habe? Dies ist einer der Gründe, warum andere Fähigkeiten immer wichtiger werden, insbesondere wenn Sie ein produktorientierter Information Scientist sind.
MLOps: Notizbücher reichen nicht mehr aus. Das gilt für alle. Notebooks eignen sich intestine zum Erkunden, aber wenn Sie Ihr Modell irgendwann in der Produktion bereitstellen müssen, müssen Sie sich mit anderen Instruments vertraut machen.
Und selbst wenn Ihnen Information Engineering nicht gefällt, müssen Sie diese Instruments dennoch verstehen, damit Sie mit Information Engineers kommunizieren und zusammenarbeiten können.
Wenn ich darüber spreche, denke ich an Instruments wie Docker (Schauen Sie sich meinen Artikel an), MLflow (Hyperlink hier), Und FastAPI.
LLMs und RAG: Sie müssen kein Experte sein, aber Sie sollten die Grundlagen kennen: wie die LangChain-API funktioniert, wie man ein kleines Sprachmodell trainiert, was RAG bedeutet und wie man es implementiert. Dies wird Ihnen wirklich helfen, sich vom Markt abzuheben und möglicherweise weiterzukommen, wenn Sie ein Projekt erstellen müssen, das einen KI-Agenten beinhaltet.
Portfolio: Qualität vor Quantität
Wie können Sie in diesem schnellen und wettbewerbsintensiven Markt beweisen, dass Sie den Job erledigen können? Ich erinnere mich, dass ich vor zwei Jahren einen Artikel darüber geschrieben habe, wie man ein Portfolio erstellt, und was ich hier sagen werde, kann etwas widersprüchlich aussehen, aber lassen Sie mich das erklären. Bevor ChatGPT und KI-Instruments den Markt überschwemmten, conflict es sehr wichtig, ein Portfolio mit einer Reihe von Projekten zu haben, um Ihre unterschiedlichen Fähigkeiten wie Datenbereinigung und Datenverarbeitung zu demonstrieren. Heutzutage werden alle diese grundlegenden Schritte jedoch häufig mit dafür geeigneten KI-Instruments durchgeführt. Daher werden wir uns mehr darauf konzentrieren, etwas zu entwickeln, das Sie von anderen unterscheidet und den Personalvermittler dazu bringt, Sie kennenzulernen.
Ich würde sagen: „Burnout vermeiden. Good bauen.“
Denken Sie nicht, dass Sie 10 Projekte brauchen. Wenn Sie Scholar oder Junior sind, reichen ein oder zwei gute Projekte aus.
Nutzen Sie die Zeit, die Sie während Ihres Praktikums oder Ihres letzten Bootcamp-Projekts haben, um es aufzubauen. Bitte verwenden Sie keine einfachen Kaggle-Datensätze. Schauen Sie on-line: Sie können eine große Menge an echten Anwendungsfalldaten oder Forschungsdatensätzen finden, die häufiger in der Industrie und in Laboren zum Aufbau neuer Architekturen verwendet werden.
Wenn Ihr Ziel nicht darin besteht, tief in die technische Seite einzusteigen, können Sie dennoch andere Fähigkeiten in Ihrem Portfolio zeigen: Folien, Artikel, Erklärungen dazu, wie Sie über den Geschäftswert dachten, welche Ergebnisse Sie erzielt haben und wie diese Ergebnisse in der Realität genutzt werden können. Ihr Portfolio hängt von der gewünschten Stelle ab.
- Wenn Ihr Ziel eher mathematisch orientiert ist, möchte der Personalvermittler wahrscheinlich Ihre Literaturübersicht sehen und sehen, wie Sie die neueste Architektur auf Ihren Daten implementiert haben.
- Wenn Sie eher produktorientiert sind, würden mich Ihre Folien und die Interpretation Ihrer ML-Ergebnisse mehr interessieren als die Qualität Ihres Codes.
- Wenn Sie eher MLOps-orientiert sind, wird der Personalvermittler prüfen, wie Sie Ihr Modell in der Produktion bereitgestellt, überwacht und verfolgt haben.
Abschließend möchte ich Sie daran erinnern, dass sich der Markt schnell verändert, dies jedoch nicht das Ende von Information Science bedeutet. Es bedeutet lediglich, dass Sie sich bewusster darüber sein müssen, wo Sie hinpassen, welche Fähigkeiten Sie weiterentwickeln möchten und wie Sie sich präsentieren.
Lernen Sie weiter und erstellen Sie ein Portfolio, das wirklich widerspiegelt, wer Sie sind. Sie werden Ihren Platz finden ❤️
Wenn Ihnen dieser Artikel gefallen hat, folgen Sie mir gerne auf LinkedIn, um weitere ehrliche Einblicke in KI, Information Science und Karrieren zu erhalten.
👉 LinkedIn: Sabrine Bendimerad
👉 Medium: https://medium.com/@sabrine.bendimerad1