Jeder Workforce-Plan der letzten zwei Jahre hat einen KI-Abschnitt. Die meisten beschreiben die Einstellung von Machine-Learning-Ingenieuren.
Die Arbeitsmarktdaten stützen das nicht als Hauptsache, und in der Lücke zwischen Plan und Daten verschwindet das Budget.
Zwei Zahlen, die in unterschiedliche Richtungen zeigen
Aus dem *Future of Jobs Report 2025* des World Economic Forum: 86 Prozent der Arbeitgeber erwarten, dass KI und Informationsverarbeitungstechnologien ihr Geschäft bis 2030 verändern, und KI/Big Data steht ganz oben im Ranking der bis 2030 am schnellsten wachsenden Kompetenzen. Netzwerke und Cybersecurity liegen auf Platz zwei.
Vom US Bureau of Labor Statistics: Die Beschäftigung von IT-Sicherheitsanalysten soll zwischen 2024 und 2034 um 29 Prozent wachsen, deutlich schneller als der Durchschnitt aller Berufe.
Die erste Zahl beschreibt eine Erwartung. Die zweite ist eine Prognose der tatsächlichen Beschäftigung in einem konkreten Beruf, und sie ist die, die an einer bestimmten Jobbezeichnung hängt.
Arbeitgeber erwarten, dass KI alles verändert. Der Beruf, der laut Arbeitsmarktprognosen in dieser Domäne am schnellsten wächst, ist der, der sie absichert.
Das ist kein Widerspruch. Es ist eine Beschreibung davon, wie Technologieadoption Beschäftigung schafft – selten dort, wo die Aufregung ist.
Warum die Nachfrage tatsächlich bei Security landet
Der Mechanismus ist einfach, sobald man ihn ausspricht.
KI einzuführen bedeutet, mehr Daten in mehr Systeme zu verschieben, mehr Dinge miteinander zu verbinden, mehr Schnittstellen offenzulegen und von mehr externen Anbietern abhängig zu sein. Jeder dieser Punkte vergrößert die Angriffsfläche.
Dazu kommen die spezifischen Probleme, die die Technologie mitbringt. Modelle, trainiert auf Daten, die nicht durchsickern dürfen. Systeme, die sich über ihre Eingaben manipulieren lassen. Ausgaben, die autoritativ wirken und trotzdem falsch sein können. Lieferketten aus Modellen und Komponenten, deren Herkunft sich schwer verifizieren lässt.
Und dazu die organisatorische Realität: KI-Adoption gibt Leistungsfähigkeit in die Hände von Menschen im ganzen Unternehmen, die nicht sicherheitsgeschult sind, und das in hohem Tempo, häufig über Tools, die außerhalb der IT beschafft wurden.
Eine Welle der KI-Adoption erzeugt also eine Welle an Security-Arbeit, und die Security-Arbeit lässt sich in Kopfzahl messen, auf eine Weise, die für die KI-Arbeit oft nicht gilt.
Für einen Workforce-Plan ist die Konsequenz unbequem, aber nützlich: Wenn eine Organisation ein KI-Programm ausstattet, ohne Security proportional auszustatten, baut sie das Ding, aber nicht das, was es absichert.
Die drei Ebenen der KI-Kompetenz, die eine Organisation braucht
Die meisten Pläne vermischen diese Ebenen, und sie haben völlig unterschiedliche Kopfzahlen, Kompetenzprofile und Ausbildungswege.
| Ebene | Was sie tun | Benötigte Kopfzahl |
|---|---|---|
| Bauen | Modelle entwickeln und trainieren, forschen | Sehr wenige, und nur in manchen Organisationen |
| Anwenden und integrieren | Ausrollen, integrieren, betreiben, überwachen, absichern | Erheblich |
| Nutzen und bewerten | Mit den Systemen arbeiten, Ausgabequalität beurteilen, die Grenzen kennen | Sehr groß, fast alle |
Die erste Zeile bekommt die Rekrutierungsaufmerksamkeit, und sie ist die kleinste. Die meisten Organisationen müssen keine Modelle trainieren. Sie müssen Modelle, die andere gebaut haben, sicher und korrekt nutzen.
Die zweite Zeile ist echtes Engineering und nicht dasselbe wie die erste. Ein System auszurollen, zu überwachen, ob es abbaut, Fehlerbilder zu behandeln, Kosten zu managen und es abzusichern, sind Infrastruktur- und Betriebskompetenzen, keine Forschungskompetenzen.
Die dritte Zeile ist die größte und am wenigsten adressierte.
Die Ebene, die fast niemand besetzt
Bewertung verdient einen eigenen Abschnitt, denn ihr Fehlen richtet den größten Schaden an, und sie taucht in fast keinem Workforce-Plan auf.
Diese Systeme produzieren flüssige, selbstsichere Ausgaben, die manchmal falsch sind. Die Falschheit ist nicht gekennzeichnet. Sie sieht genau aus wie die richtige Ausgabe.
Das bedeutet: Der Wert des Systems hängt vollständig davon ab, dass jemand den Unterschied erkennen kann, und diese Person muss die Domäne verstehen, nicht das Modell.
Ein Modell, das eine Wartungsanweisung entwirft, ist nützlich, wenn ein kompetenter Ingenieur sie prüft, und gefährlich, wenn es niemand tut. Ein System, das klinische Literatur zusammenfasst, ist für jemanden nützlich, der die Literatur auch selbst hätte lesen können. Das Urteilsvermögen ist der Sicherheitsmechanismus, und das Urteilsvermögen liegt in der Fachexpertise.
Das führt zur wichtigsten Personalschlussfolgerung dieses Artikels.
Eine Fachperson mit guter KI-Kompetenz ist meist wertvoller als eine KI-Spezialistin ohne Fachwissen. Die Fachperson erkennt, wenn die Antwort falsch ist. Die Spezialistin nicht – und liefert sie aus.
Das rahmt die Trainingsfrage neu. Statt knappe, teure Machine-Learning-Spezialisten einzustellen: schult die Metallurgin, den Prozessingenieur, die Klinikerin und den Analysten, die ihr bereits beschäftigt, darin, kompetent und skeptisch mit diesen Systemen zu arbeiten. Diese Gruppe ist groß, schon angestellt, und besitzt das, was sich nicht schnell trainieren lässt.
Die Domäne KI, Daten und Computing
Die erste Domäne von Astra Trainer läuft über acht Richtungen: Computer Science, Softwareentwicklung, künstliche Intelligenz und maschinelles Lernen, Data Science und Analytics, Cybersecurity, Cloud Computing und DevOps, IT-Systeme und Computernetzwerke sowie Blockchain und verteilte Systeme.
Cybersecurity und Cloud stehen bewusst neben der KI-Richtung, denn genau diese Ebenen muss eine Organisation gemeinsam besetzen. Tracks reichen von Grundlagen bis zu angewandter Arbeit, sodass derselbe Katalog sowohl einer Fachperson, die Kompetenz erwirbt, als auch einer Ingenieurin, die in Security wechselt, dient. Hier findest du die acht Richtungen.
Wer sich dafür weiterbilden kann – und wer nicht
In Security, den akuten Engpass. Netzwerk- und Systemadministratoren sind der kürzeste und naheliegendste Weg, da sie die verteidigte Infrastruktur bereits verstehen. Softwareentwickler wechseln problemlos in Application Security. Compliance-, Audit- und Risikofachleute bringen die Governance-Hälfte mit und brauchen die technische Hälfte. Helpdesk- und Support-Mitarbeitende, oft übersehen, kennen die Systemlandschaft, die Nutzer und wie Dinge tatsächlich kaputtgehen – ein echter Vorteil.
In die Anwendungs- und Integrationsebene. Softwareentwicklerinnen und Data Engineers sind nah dran. Ebenso Infrastruktur- und Betriebsleute, denn ein großer Teil des Betriebs eines KI-Systems in Produktion ist ein Betriebsproblem mit neuem Vokabular.
In die Nutzungs- und Bewertungsebene. Fast jede Fachperson, und das ist in den meisten Organisationen das Training mit dem höchsten Ertrag, weil die Gruppe groß und der Abstand kurz ist. Was sie brauchen, ist keine Modellarchitektur. Sondern zu wissen, was diese Systeme tun, wo sie versagen, wie man eine Ausgabe hinterfragt, was man nicht eingeben sollte, und wann man eskaliert.
Ins Bauen. Realistisch betrachtet Menschen mit starkem quantitativem Hintergrund, und der Weg ist lang. Für die meisten Organisationen ist das die falsche Priorität.
Zu Security-Zertifizierungen und KI-spezifischem Risiko. Viele Security-Rollen tragen anerkannte Zertifizierungen, und manche Branchen verlangen bestimmte Nachweise. Training baut die Kompetenz auf und bereitet auf diese Wege vor, ersetzt sie aber nicht. Separat davon: Ein KI-Kompetenzprogramm, das Menschen beibringt, diese Tools zu nutzen, ohne zu vermitteln, was niemals eingegeben werden darf und worauf man sich bei der Ausgabe nicht verlassen kann, hat das Risikoprofil der Organisation verschlechtert statt verbessert. Die Grenzen gehören in die erste Lektion, nicht in einen Anhang.
Warum KI-Training schneller veraltet als alles andere
Ein praktisches Problem, das speziell diese Domäne betrifft.
Tools, Oberflächen und Fähigkeiten ändern sich im Monatstakt. Training, das um ein bestimmtes Produkt herum aufgebaut ist, veraltet schnell, und ein Programm, das als einmaliges Event konzipiert ist, unterrichtet binnen eines Jahres etwas Überholtes.
Zwei Design-Antworten.
Die dauerhafte Ebene lehren. Was diese Systeme grundsätzlich sind, warum sie auf bestimmte Weise scheitern, was die Daten- und Datenschutzfolgen sind, wie man eine Ausgabe bewertet. Das übersteht einen Produktzyklus. Die Position der Buttons nicht.
Es fortlaufend statt als Event gestalten. Das ist die Domäne, in der fortlaufendes Kurzformat-Lernen einen Kurs wirklich übertrifft, weil sich das Feld schneller bewegt als Kurs-Überarbeitungszyklen. Eine Belegschaft, die täglich ein paar Minuten übt, bleibt ungefähr aktuell. Eine Belegschaft, die 2025 einen Zweitageskurs gemacht hat, nicht.
Dasselbe gilt mit noch mehr Nachdruck für Security, wo die Bedrohungslage per Definition gegnerisch ist und sich fortlaufend ändert.
Was du mitnehmen solltest
Arbeitgeber erwarten, dass KI ihr Geschäft verändert, und der Beruf, der laut Prognosen in dieser Domäne am schnellsten wächst, ist IT-Sicherheitsanalyst mit 29 Prozent.
Trenne die drei Ebenen. Fast niemand muss Modelle bauen. Alle brauchen Leute, die sie anwenden, integrieren, absichern und bewerten können.
Bewertung ist die am dünnsten besetzte und folgenreichste Ebene, und sie verlangt Fachwissen statt Modellwissen.
Schult die Fachleute, die ihr bereits beschäftigt. Eine Metallurgin mit KI-Kompetenz schlägt einen KI-Spezialisten ohne Metallurgie, denn nur eine der beiden erkennt, wann die Antwort falsch ist.
Und baut das Programm um die dauerhafte Ebene herum und lasst es fortlaufend laufen, denn alles, was um ein bestimmtes Tool herum unterrichtet wird, hat eine Haltbarkeit von wenigen Monaten.
Wo ist die größte KI-Kompetenzlücke?
In Arbeitsmarktprognosen: bei Security. Die Beschäftigung von IT-Sicherheitsanalysten soll von 2024 bis 2034 um 29 Prozent wachsen. KI-Adoption vergrößert die Angriffsfläche schneller, als Organisationen dafür Personal aufbauen.
Müssen wir Machine-Learning-Ingenieure einstellen?
Die meisten Organisationen brauchen sehr wenige Leute, die Modelle bauen, und sehr viele, die Systeme anderer anwenden, integrieren, absichern und bewerten können. Pläne, die nur die erste Gruppe ausstatten, sind das häufigste Scheitern.
Wer ist am besten für den Wechsel in Cybersecurity geeignet?
Netzwerk- und Systemadministratoren haben den kürzesten Weg, gefolgt von Softwareentwicklern in Application Security und Compliance- oder Audit-Fachleuten, denen die technische Hälfte fehlt. Support-Mitarbeitende werden oft übersehen und kennen die Systemlandschaft gut.
Sollten wir Fachleute in KI schulen oder KI-Spezialisten einstellen?
Für die Bewertungsebene: Fachleute schulen. Zu erkennen, ob eine Ausgabe falsch ist, verlangt Feldkenntnis, und die Flüssigkeit dieser Systeme bedeutet, dass ein unqualifizierter Prüfer Fehler durchwinkt.
Wie hält man KI-Training aktuell?
Die dauerhafte Ebene lehren statt eine Produktoberfläche, und fortlaufend statt als Event. Astra Trainers Domäne KI, Daten und Computing deckt acht Richtungen ab, darunter Cybersecurity und Cloud, hier zu sehen.