Neue Berufe durch KI: Rollenlandkarte, PDLC und wie man das Interview besteht

Wie KI den Prozess im Unternehmen neu ordnet: was sich im PDLC ändert, welche Rollen entstehen, was Interviews prüfen und wie man sich vorbereitet.

„KI ersetzt Berufe“ ist ein nutzloses Gespräch: Es erzeugt Angst und sonst nichts. Praktischer ist eine andere Sicht: In Unternehmen ändert sich der Prozess, mit ihm die Aufgabenliste, und es entstehen Rollen, die es vor drei Jahren nicht gab. Genau diese werden heute eingestellt.

Was sich im Unternehmen ändert

Der klassische Produktentwicklungszyklus wiederholt dieselben Schritte: Problem verstehen, Lösung entwerfen, bauen, prüfen, ausliefern, Wirkung messen. KI kommt in jeden Schritt — aber unterschiedlich.

Team bespricht, wie KI in den Arbeitsablauf kommt — KI verändert nicht eine einzelne Aufgabe, sondern den ganzen Weg von der Idee zum gemessenen Ergebnis.

Discovery. Interview-Synthese, Feedback- und Ticket-Analyse, Hypothesen — schneller, aber mit neuer Arbeit: prüfen, ob das Modell ein Muster erfunden hat.
Design. Mockups und Texte entstehen in Minuten; der Wert verschiebt sich zu Problemformulierung und Qualitätskriterien.
Build. Code entsteht schneller, doch Review, Tests und das Lesen generierten Codes nehmen mehr Zeit ein.
Test. Eine eigene Disziplin entsteht: Modellqualität bewerten — Testsets, Metriken, manuelle und automatisierte Läufe.
Launch und Messen. Jemand muss Kosten beobachten, Qualitätsdrift verfolgen und dem Business erklären, was sich geändert hat.

Aus dieser Verschiebung wachsen die neuen Berufe: Arbeit verschwindet nicht, sie verteilt sich neu — ein Teil der Routine geht ins Modell, die frei gewordene Zeit in Formulierung, Prüfung und Erklärung.

Die neuen Rollen

AI-/LLM-Engineer: baut Szenarien auf bestehenden Modellen — Modellwahl, Kontext, Werkzeuge, Caching, Fehlerbehandlung.
Evaluation-Engineer: baut das Prüfsystem: Welche Fälle müssen funktionieren, wie misst man Regressionen, was kostet ein Fehler.
AI Product Manager: entscheidet, wo KI überhaupt sinnvoll ist, schätzt Wirkung, Risiko und Kosten und sagt Nein zu eindrucksvollen Demos ohne Nutzen.

Welche Fähigkeiten wirklich geprüft werden

Stellenanzeigen sind voll von Werkzeugnamen, doch im Gespräch wird etwas anderes geprüft: ob man ein Szenario zum Ergebnis bringt und seine Grenzen erklären kann.

Systemisches Denken: Sieht man den Datenweg — woher die Anfrage kommt, was in den Kontext geht, wo die Antwort liegt, wer den Fehler verantwortet.
Umgang mit Unsicherheit: Der Stack ändert sich halbjährlich; gesucht wird Lerngeschwindigkeit, nicht eine auswendig gelernte Bibliothek.
Messbare Kriterien: „Funktioniert gut“ ist kein Kriterium. Wer konkrete Prüfungen vorschlägt, fällt auf.
Ökonomie der Lösung: Kosten pro Anfrage, Latenz und Volumen sind Teil der technischen Entscheidung.
Sicherheit und Daten: Was darf nie an ein Modell gehen, wie werden personenbezogene Daten behandelt.
Kommunikation: Dem Team und der Führung erklären, warum die Lösung funktioniert und wo sie bricht.

Wie man das Interview besteht

1. Geschichten vorbereiten, keine Antworten

Fast immer wird ein echter Fall verlangt. Vier Teile: Aufgabe und Grenzen, was Sie getan haben, was passierte, was Sie anders machen würden. Ohne den letzten Teil klingt es wie ein Bericht, nicht wie Erfahrung.

2. Der Fall „bring KI in diesen Prozess“

„Der Support bekommt 3000 Tickets pro Tag — was schlagen Sie vor?“ Eine starke Antwort beginnt mit Fragen, nicht mit einem Modell: Volumen, Kosten eines Fehlers, wer das Ergebnis prüft, welche Daten es gibt. Danach ein enger Pilot und eine Metrik.

3. Grenzen nennen, bevor man fragt

Geschätzt wird Ehrlichkeit dort, wo die Lösung scheitert: Halluzinationen, veraltete Daten, Kosten, rechtliche Risiken. Wer die Grenzen selbst benennt, wirkt verlässlicher als jemand, der alles verspricht.

Vorbereitungscheckliste

Drei Geschichten im Format „Aufgabe — Handlung — Ergebnis — Lehre“ schreiben.
Ein KI-Rollout entlang des PDLC beschreiben und eine Metrik skizzieren.
Fünf Qualitätsprüfungen für ein erfundenes Szenario definieren.
Kosten schätzen: Anfragen pro Tag × Preis × Puffer.
Laut üben — auf Deutsch und auf Englisch, wenn die Stelle international ist.

Neue Berufe wirken wegen der Titel einschüchternd, die Anforderungen sind aber bodenständig: Prozess verstehen, Kriterien setzen, zum Ergebnis kommen und es Menschen erklären. Diese Fähigkeiten sind trainierbar — auch im Gespräch: Je öfter Sie Ihre Geschichte laut erzählen, desto ruhiger wird das echte Interview.

Datenkurator: verantwortet Eingabequalität und Kennzeichnung; oft unterschätzt, setzt aber die Qualitätsobergrenze.
AI Ops / MLOps: Modellversionen, Monitoring, Kosten pro Anfrage, Latenz, Rollback. Ohne das zerfällt ein Pilot, sobald er Produkt wird.
Adoption und Enablement: hilft Menschen, ihre Arbeit umzubauen: Leitlinien, Schulung, Fehlerreview. Technisch einfach, der konfliktreichste Teil jedes Rollouts.

Vorstellungsgespräch: Austausch über Erfahrung und Herangehensweisen — Im Interview zählt, wie man über das Problem und seine Grenzen denkt — nicht das Vokabular.