# Einführung
Datenwissenschaftler in Unternehmen, die KI in der Produktion einsetzen, verbringen mehr Zeit damit KI Aufsicht und Systemüberwachung als auf den Modellbau. Stellenausschreibungen und Gehaltsdaten aus den Jahren 2025 und 2026 bestätigen dies.
Die Daten von LinkedIn für das Jahr 2025 identifizierten KI-Kompetenz und LLM-Kenntnisse (Massive Language Mannequin) als zwei der am schnellsten wachsenden Fähigkeiten weltweit. Lightcast hat herausgefunden, dass 51 % der KI-bezogenen Stellenausschreibungen mittlerweile außerhalb traditioneller IT-Rollen angesiedelt sind.
Arbeitnehmer mit KI-Kenntnissen erhalten einen Lohnzuschlag von 56 % und Stellen, die KI-Kenntnisse erfordern, zahlen in den USA etwa 18.000 US-Greenback mehr professional Jahr. Die Fähigkeiten, die diese Prämien ausmachen, sind schnelles Engineering, Retrieval-Augmented Technology (RAG) Integration, MLOpsund Governance-Workflows. Generative KI hat die folgenden Aufgaben automatisiert: Dashboard-Erstellung, SQL-Generierung, Datenbereinigung, grundlegende Visualisierungen.
Der Muster in den Zahlen ist in allen Berichten konsistent. Die Prämie ist nicht für Personen gedacht, die ein Modell von Grund auf trainieren können; Es ist für Leute, die Modelle an ein anschließen können Arbeitsablaufhalte sie ehrlich und antworte für das, was sie tun produzieren. Damit wird neu formuliert, was „Knowledge Science betreiben“ im Alltag tatsächlich bedeutet, und im Relaxation dieses Artikels wird aufgeschlüsselt, wo die Stunden hingehen.
# Orchestrieren und Verwalten von Multi-Agent-Systemen
Das deutlichste konkrete Sign ist das Wachstum der Multi-Agenten-Infrastruktur in Unternehmensumgebungen.
Frameworks wie LangGraph, CrewAIUnd AutoGen Erledigen Sie jetzt Datenaufnahme, Characteristic-Engineering, Modellbewertung und Berichterstellung mit minimalem menschlichen Eingriff.
Gartner gemeldet ein Anstieg von 1.445 % bei Anfragen zu Multi-Agent-Systemen vom ersten Quartal 2024 bis zum zweiten Quartal 2025. Es wird prognostiziert, dass bis Ende 2026 40 % der Unternehmensanwendungen KI-Agenten einbetten werden, gegenüber weniger als 5 % im Jahr 2025.
Die Datenwissenschaftler, die diese Infrastruktur verwalten, zerlegen komplexe Aufgaben in von Agenten ausführbare Teilaufgaben, entwerfen zuverlässige Rückkopplungsschleifen und bauen Leitplanken auf, die Fehler erkennen, bevor sie sich weiter ausbreiten. Dabei handelt es sich um Systemmanagementfähigkeiten, die auf Software program angewendet werden.
Die Arbeit sieht weniger danach aus Modellentwicklung und noch mehr Entwurf verteilter Systeme. Agenten geben den Zustand untereinander weiter, Wiederholungsversuche müssen begrenzt werden und ein einzelnes halluziniertes Feld stromaufwärts kann jeden stromabwärtigen Schritt vergiften. Der Datenwissenschaftler Die Aufgabe in diesem Setup besteht darin, zu kartieren, wo Fehler leben dürfen, wo sie gefangen werden müssen und welche Schritte einer menschlichen Unterschrift bedürfen, bevor etwas einen Benutzer erreicht.
# Überwachung der Agenten und Schließung der Produktionslücke
Die Begeisterung für autonome Agenten traf auf die Realität der Produktion Ende 2025.
Die ersten vollständig autonomen Agenten waren unvorhersehbar, ineffizient und schwer zu prüfen. Das Feld bewegte sich in Richtung strukturierter Agenten-Workflows: koordinierte Systeme spezialisierter Agenten mit klaren Grenzen, bedingter Logik und Human-in-the-Loop-Kontrollpunkten.
McKinseys April 2026 Untersuchungen ergaben, dass sich menschliche Rollen von der Ausführung zur Überwachung und Orchestrierung agentengesteuerter Arbeitsabläufe verlagern.
Das Skalenproblem ist in den Zahlen sichtbar: Quick zwei Drittel der Unternehmen haben Agentenexperimente durchgeführt, aber nur wenige haben sie skaliert, um einen greifbaren Mehrwert zu liefern. Acht von zehn Befragten nennen Datenbeschränkungen als Haupthindernis. Datenwissenschaftler verbringen mittlerweile die meiste Zeit in dieser Lücke zwischen Pilot und Produktion.
Der Rising Agentic Enterprise-Bericht 2025 von MIT Sloan und Boston Consulting Group (BCG). identifizierte den Kernkonflikt: Eine übermäßige Aufsicht macht die Effizienzgewinne der Autonomie zunichte, während eine unzureichende Aufsicht zu Compliance und Reputationsrisiken führt. Die Kalibrierung dieses Schwellenwerts erfordert Domänenexpertise und institutionellen Kontext. Es ist nicht automatisierbar.
In der Praxis ist dies das Schließen der vom Pilotversuch bis zur Produktion Lücke sieht aus wie: entscheiden, welche Agent Entscheidungen werden protokolliert, stapelweise überprüft und erfordern einen synchronen Menschen Genehmigung bevor sie schießen. Die Unternehmen, die skalieren, sind diejenigen, in denen Datenwissenschaftler die Agentenüberwachung als Produktoberfläche und nicht als Debugging-Aufgabe behandeln. Das ist ein anderes mentales Modell als „Das Modell funktioniert im Notizbuch“, und es ist dasjenige, das bezahlt wird.
# Bewerten von Modellen und technischen Eingabeaufforderungen
Bauen a Modell ist nicht mehr der volle Umfang des Jobs.
Unternehmen benötigen Mitarbeiter, die die Modellleistung kontinuierlich überwachen, Fehler erkennen, Umschulungszyklen verwalten und sicherstellen, dass KI-Systeme auch bei abweichendem Daten- und Benutzerverhalten präzise bleiben. In der Zwischenzeit, MLOps hat sich zu einer ausgeprägten Vollzeit-Spezialisierung entwickelt.
Prompte Technik ist einen parallelen Weg gegangen. Es umfasst die Verwaltung von Kontextfenstern, Erdungstechniken, die Reduzierung von Halluzinationen und das systematische Testen von Eingaben und Ausgaben. Schnelle technische Rollen wuchs um 135,8 % im Jahr 2025. Der Praktiker, der das Immediate-System eines Unternehmens einem Stresstest unterzieht, führt eine Arbeit aus, die strukturell der Qualitätstechnik ähnelt.
Was für Krawatten Auswertung und Immediate Engineering zusammengenommen besteht darin, dass beide das Modell als Komponente und nicht als fertiges Produkt behandeln. Auswertung GeschirreRegressionssuiten für Eingabeaufforderungen und Driftmonitore dienen alle demselben Zweck: den Second zu erfassen, in dem ein System, das früher funktionierte, nicht mehr funktioniert, bevor ein Kunde es tut. Datenwissenschaftler, die diese Systeme aufbauen können, leisten die Arbeit, die dafür sorgt, dass eine KI-Funktion auch nach der Veröffentlichungswoche verfügbar bleibt.
# Steuerung und Regulierung von KI-Systemen
Governance ist jetzt eine Besonderheit technische Anforderung. Der EU-KI-Gesetz, NIST AI RMFUnd OWASPs Prime 10 für LLM-Anwendungen 2025 haben eine Compliance-Oberfläche erstellt, die das Testen von Eingabeaufforderungen auf Injektionsschwachstellen, die Validierung von Ausgaben, die Überprüfung von Abhängigkeiten und die Anwendung von Zugriffskontrollen auf KI-Systeme erfordert.
„AI Governance Lead“ taucht als eigenständige Berufsbezeichnung auf, eine Kategorie, die es im Jahr 2023 kaum noch gab.
Unternehmen, die Governance-Erfahrung suchen, benötigen Prüfer und Qualitätsprüfer, die sowohl den Geschäftskontext als auch die Fehlermöglichkeiten des Techniques verstehen.
Der Grund Diese Rolle liegt eher bei Datenwissenschaftlern als bei Rechts- oder Sicherheitsteams. Der Grund dafür ist, dass die Kontrollen technischer Natur sind. Für schnelle Injektionstests, Ausgabevalidatoren und Abhängigkeitsüberprüfungen ist jemand erforderlich, der das System und nicht nur die Richtlinie lesen kann.
Governance-Arbeit wird zu einem Teil des Jobs, bei dem regulatorischer Druck, Sicherheitslage und Modellverhalten in derselben Überprüfungsbesprechung aufeinandertreffen und die Individual, die diese Besprechung leitet, alle drei Vokabeln benötigt.
# Geschäftsauswirkungen interpretieren
Monte Carlos 2025 Forschung Die Genauigkeit der Agenten-KI lag bei 75 bis 90 % professional Schritt, was sich über eine dreistufige Kette auf etwa 50 % summiert.
Auf dieser Genauigkeitsstufe ist eine Individual, die die Domäne und die Fehlermodi des Techniques versteht, die Zuverlässigkeitsebene des Produkts. Sie übertragen eine zunehmende Fehlerquote in eine Geschäftsrisikobewertung, entscheiden, was sicher versendet werden kann, und erklären, was schief gelaufen ist, wenn eine Empfehlung ein für den Kunden sichtbares Downside verursacht.
Kein Agent kann diese Arbeit erledigen. Es erfordert institutionelles Wissen und Verantwortung, über die nur Menschen verfügen.
An diesem Punkt sieht die Rolle auch nicht mehr wie ein Ingenieur aus, sondern sieht eher danach aus Produktbeurteilung. Eine Finish-to-Finish-Genauigkeitsrate von 50 % ist für eine automatische Rückerstattung inakzeptabel, für einen E-Mail-Entwurf in Ordnung und für eine interne Empfehlung irgendwo dazwischen. Zu wissen, welches welches ist, ist die Arbeit, und es ist der Teil, der nicht billiger wird, wenn die Modelle besser werden.
# Abschluss
Bei Unternehmen, die KI einsetzen Produktionunterscheidet sich die tägliche Arbeit bereits von dem, was die meisten Stellenbeschreibungen im Bereich Knowledge Science beschreiben. Dazu gehören Systemdesign, Bewertungsdisziplin, Agentenüberwachung, zeitnahe Qualitätsentwicklung und Governance.
KI-Governance-Leiter, MLOps-Spezialisten und Immediate-Ingenieure sind derzeit die am schnellsten wachsenden Rollen auf dem KI-nahen Markt.
Für Datenwissenschaftler, die ihren nächsten Schritt planen, lohnt es sich, den Wandel frühzeitig zu verstehen. Der Karriereweg im Bereich Datenwissenschaft Jetzt geht es um Systemverantwortung und Governance-Fähigkeiten, die in den meisten herkömmlichen Lehrplänen nicht abgedeckt sind. Die Fähigkeiten sind erlernbar. Die Nachfrage nach ihnen wächst schneller, als sich die meisten Programme anpassen können.
Der praktisches Mitnehmen ist, dass das nächste Portfoliostück wahrscheinlich kein anderes ist Kaggle Notizbuch. Dabei handelt es sich um eine Evaluierungsumgebung, einen Multi-Agenten-Workflow mit protokollierten Fehlern oder eine Governance-Überprüfung eines vorhandenen Techniques. Diese Artefakte passen direkt zu dem, was Personalmanager jetzt in Stellenbeschreibungen schreiben, und sie sind es, was einen Datenwissenschaftler, der Modelle erstellt, von einem unterscheidet, dem man vertrauen kann, dass er sie ausführt.
Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von Prime-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Tendencies auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Knowledge-Science-Projekte vor und behandelt alles rund um SQL.