Data Science im Zeitalter der KI: Von Experimenten zu skalierbaren, gesteuerten Systemen

KI verändert, wie Unternehmen Data Science angehen. Nicht nur, indem sie Analysen beschleunigt … sondern auch, indem sie die Arbeit mit Daten verändert.

Large Language Models, Coding-Assistenten und natürlichsprachliche Schnittstellen erleichtern den Weg von Fragen zu Erkenntnissen und reduzieren zugleich den Aufwand, der für die Untersuchung komplexer Datensätze und die Entwicklung von Modellen erforderlich ist. Zunehmend sind diese Tools direkt in bestehende Data-Science-Umgebungen eingebettet. So können Teams generative KI in ihre Workflows integrieren und KI von der Experimentierphase bis in die Produktion skalieren.

Die Einführung beschleunigt sich, doch der Reifegrad bleibt uneinheitlich. Die McKinsey-Studie „State of AI“ berichtet, dass 88 % der Unternehmen inzwischen KI einsetzen – und zwar in mindestens einem Geschäftsprozess. Die meisten Initiativen befinden sich jedoch noch in einer frühen Phase oder im Pilotstadium und nicht in einem umfassenden produktiven Einsatz. Diese Lücke zwischen Experimentieren und Skalierung verdeutlicht eine zentrale Herausforderung für Data-Science-Teams.

Je einfacher Experimente werden, desto weniger geht es bei der eigentlichen Herausforderung darum, ob Teams Modelle entwickeln können. Entscheidend ist vielmehr, ob diese Modelle skalierbar und vertrauenswürdig sind und reale Entscheidungsprozesse unterstützen.

KI verändert die Interaktion von Teams mit Daten

KI-gestützte Tools verändern in der Praxis die Arbeitsweise in der Data Science. Teams können heute Code generieren, Datensätze über natürlichsprachliche Prompts untersuchen und Modelle schneller als zuvor iterativ weiterentwickeln.

Dieser Wandel senkt die Einstiegshürden für fortgeschrittene Analysen und ermöglicht es mehr Teams, mit komplexen Daten zu arbeiten, ohne eine tiefgehende Spezialisierung vorauszusetzen. In der Praxis berichten Unternehmen bereits von messbaren Produktivitätssteigerungen durch KI-gestützte Entwicklungs-Workflows, da Routineaufgaben wie Codegenerierung, Debugging und Datenexploration zunehmend automatisiert werden.

Gleichzeitig ersetzt KI nicht die Rolle von Data Scientists. Sie verändert sie. Am effektivsten sind Workflows, in denen KI Routineaufgaben beschleunigt, während Menschen weiterhin für Interpretation, Validierung und Entscheidungsfindung verantwortlich bleiben. Dieses Gleichgewicht stellt sicher, dass Geschwindigkeit nicht auf Kosten des Vertrauens geht.

Von Experimenten zu integrierten Workflows

Da KI zunehmend in Data-Science-Workflows eingebettet wird, gehen Unternehmen dazu über, sie nicht mehr als separate Ebene zu behandeln, sondern direkt in die Arbeitsweise zu integrieren. Dieser Wandel steht in engem Zusammenhang mit cloudbasierten Umgebungen, in denen skalierbare Infrastrukturen schnelle Experimente ermöglichen und zugleich die für den Einsatz in Unternehmen erforderliche Governance gewährleisten.

In diesem Modell stehen Experimentieren und Kontrolle nicht mehr im Widerspruch. Teams können schnell iterieren und gleichzeitig Anforderungen an Reproduzierbarkeit, Zusammenarbeit und Compliance erfüllen – unterstützt von Plattformen, die Daten zentralisieren und Rechenkapazitäten bei Bedarf skalieren.

Die Infrastruktur spielt dabei eine entscheidende Rolle. Plattformen wie AWS bieten die erforderlichen Rechen-, Integrations- und KI-Funktionen, um Workloads zu skalieren, ohne bestehende Workflows neu zu konzipieren, und den Weg vom Prototyp zur Produktion zu erleichtern – einschließlich des Zugriffs auf Foundation Models über Dienste wie Amazon Bedrock. 

McKinsey prognostiziert, dass der weltweite Bedarf an Rechenzentrumskapazitäten bis 2030 jährlich um etwa 22 % wachsen wird, wobei KI-taugliche Infrastrukturen rund 70 % dieses Bedarfs ausmachen werden. Das unterstreicht, wie Infrastrukturlücken skalierbare KI-Workloads weiterhin begrenzen.

Warum Systeme wichtiger sind als Tools

Trotz dieser Fortschritte haben viele Unternehmen nach wie vor Schwierigkeiten, von Experimenten zur Produktion überzugehen. Workflows bleiben fragmentiert: Modelle werden auf einzelnen Rechnern entwickelt, und es gibt nur begrenzte Transparenz darüber, wie Analysen geteilt und bereitgestellt werden.

Diese Lücke zeigt sich deutlich bei Organisationen wie der NASA, wo Data-Science-Modelle traditionell auf einzelnen Rechnern entwickelt wurden. Um Ergebnisse teamübergreifend zu teilen, waren bei diesen Workflows manuelle Übergaben erforderlich, was ihre Wirkung begrenzte, bis einheitlichere Systeme eingeführt wurden. 

Das Problem ist nicht ein Mangel an Tools, sondern das Fehlen von Systemen, die Entwicklung, Bereitstellung und Zusammenarbeit in großem Maßstab miteinander verbinden.

Die Rolle von Posit: Ein Jahrzehnt Open-Source-Data-Science

Hier wird Posits Ansatz für die Diskussion zentral – insbesondere, weil er die Flexibilität von Open Source mit der Struktur verbindet, die erforderlich ist, um Data Science in Unternehmensumgebungen zu skalieren.

Posit entwickelt seit mehr als einem Jahrzehnt die Open-Source-Tools, die die Arbeitsweise moderner Data-Science-Teams prägen. Für Unternehmen, die KI-gestützte Workflows skalieren, ist das richtige Gleichgewicht zwischen Flexibilität und Kontrolle entscheidend. Von den frühen Beiträgen zum R-Ökosystem bis zu den Enterprise-Plattformen ist der Fokus gleich geblieben: Teams sollen flexibel arbeiten können und zugleich Reproduzierbarkeit und Kontrolle wahren.

Diese Grundlage ist im Zeitalter der KI besonders relevant. Da KI zunehmend den gesamten Analytics-Stack durchdringt, setzt Posits Philosophie auf einen Code-first-Ansatz, bei dem Code als primäre Schnittstelle für die Entwicklung, gemeinsame Nutzung und Skalierung von Data-Science-Arbeit dient. Dieses Modell unterstützt Transparenz, Konsistenz und Reproduzierbarkeit über verschiedene Umgebungen hinweg.

Gleichzeitig verfolgt Posit bei KI einen Human-in-the-Loop-Ansatz. Statt Analysen vollständig zu automatisieren, unterstützt KI Aufgaben wie Codegenerierung, Debugging und Exploration, während Analysten für Interpretation und Validierung verantwortlich bleiben. So bleiben Workflows flexibel und nachvollziehbar. Unternehmen können Open-Source-Umgebungen steuern, ohne Innovation zu bremsen oder die Flexibilität von Entwicklern einzuschränken.

Workflows teamübergreifend vereinheitlichen

Ein zentraler Aspekt dieses Ansatzes ist die Möglichkeit, Workflows über Teams und Technologien hinweg zu vereinheitlichen. In vielen Unternehmen existieren R und Python in getrennten Umgebungen, wodurch Silos entstehen, die die Zusammenarbeit verlangsamen und die operative Komplexität erhöhen.

Diese Fragmentierung ist nicht nur eine technische Unannehmlichkeit. Sie erschwert die Standardisierung von Vorgehensweisen, den teamübergreifenden Austausch von Arbeit und die Wahrung der Konsistenz in Produktivsystemen. Moderne Plattformen begegnen diesem Problem, indem sie beide Sprachen in eine gemeinsame Umgebung integrieren. So können Unternehmen Silos beseitigen, ohne ein einheitliches Toolset zu erzwingen.

Integrierte Entwicklungsumgebungen wie Positron erweitern diese Möglichkeiten , indem sie Codierung, Datenexploration und Anwendungsentwicklung zu einer einheitlichen Erfahrung verbinden. Teams können so von der Analyse zur Bereitstellung wechseln, ohne die Tools zu wechseln. 

Data Science mit Cloud-Infrastruktur skalieren

Während Workflows bestimmen, wie gearbeitet wird, entscheidet die Infrastruktur darüber, ob sich diese Arbeit skalieren lässt. KI-gestützte Data Science erfordert flexible Rechenkapazitäten für Training und Inferenz, Zugriff auf verteilte Datenquellen und die Integration in umfassendere Unternehmenssysteme.

Cloud-Plattformen wie AWS schaffen dafür die Grundlage: Sie ermöglichen es Unternehmen, Ressourcen bei Bedarf zu skalieren, DevOps- und MLOps-Pipelines zu integrieren sowie Sicherheits- und Monitoring-Kontrollen auf Enterprise-Niveau anzuwenden. Dadurch können Data-Science-Workflows direkt an die Cloud- und IT-Strategie des Unternehmens ausgerichtet werden, während Entwicklungsteams flexibel bleiben.

In Kombination mit Plattformen wie Posit entsteht so eine cloudnative Umgebung, in der Experimente auf natürliche Weise in die Produktion übergehen, statt durch Einschränkungen der Infrastruktur verzögert zu werden.

Praxisbeispiel: Wie die NASA auf KI-gestützte Analysen umstieg

Die Wirkung dieses Ansatzes zeigt sich bei Organisationen wie der NASA. Dort musste das People-Analytics-Team komplexe Fragen zur Personalplanung unter engem Zeitrahmen und sich wandelnden Anforderungen beantworten.

Herkömmliche Business-Intelligence-Tools lieferten statische Dashboards, boten jedoch nicht die für dynamische Szenariomodelle erforderliche Flexibilität. Durch die Einführung von Posit und AWS wechselte das Team zu einer stärker integrierten Data-Science-Umgebung. Wie David Meza, Head of Analytics bei der NASA, erklärte, hat die Kombination dieser Technologien „unsere Analytics-Organisation von einer herkömmlichen Reporting-Funktion in eine KI-gestützte Innovationsmaschine verwandelt“. 

Der Wechsel ermöglichte schnellere Iterationen und interaktivere Analysen, verkürzte Zyklen von Monaten auf Tage und beschleunigte den Weg von der Frage zur Erkenntnis. Außerdem konnten sich Analysten stärker auf die Interpretation von Ergebnissen und die Unterstützung von Entscheidungen konzentrieren, statt Tools oder Infrastruktur zu verwalten.

Ähnliche Muster zeichnen sich in verschiedenen Branchen ab, insbesondere in Umgebungen, in denen skalierbare Infrastrukturen Hürden für Experimente beseitigen. Beispielsweise setzte TruDiagnostic Posit Workbench ein , um auf Amazon SageMaker die skalierbare Modellentwicklung zu unterstützen. So konnten sich Forschende auf die wissenschaftliche Exploration statt auf Einschränkungen der Infrastruktur konzentrieren. 

Was dies für die Zukunft der Data Science bedeutet

Da KI zu einem festen Bestandteil der Data Science wird, verändern sich auch die Voraussetzungen für den Erfolg. Unternehmen benötigen Systeme, die Experimente ermöglichen und zugleich Governance, Reproduzierbarkeit und Zusammenarbeit in großem Maßstab gewährleisten.

In stark regulierten Branchen lässt sich der Wert strukturierter Open-Source-Workflows bereits messen. Posit berichtet, dass Unternehmen in Umgebungen für pharmazeutisches und klinisches Reporting die Datenverarbeitungszeiten um bis zu 50 % verkürzt und die Vorbereitungszeiten für Einreichungen um 25 % bis 50 % beschleunigt haben – und dabei weiterhin die Anforderungen von FDA und EMA erfüllen.

Gleichzeitig kämpfen Unternehmen weiterhin mit einer ausufernden Infrastruktur und steigenden Kosten. Das unterstreicht den Bedarf an einheitlichen, cloudnativen Ansätzen.

Data Science wird nicht mehr durch einzelne Modelle oder isolierte Tools definiert. Entscheidend ist vielmehr, wie effektiv Unternehmen Systeme aufbauen können, die KI in alltägliche Workflows integrieren, diese Workflows in der Cloud skalieren und das für den Einsatz in Unternehmen erforderliche Vertrauen wahren.

Die erfolgreichsten Ansätze werden nicht diejenigen sein, die alles automatisieren, sondern diejenigen, die KI-Funktionen mit menschlicher Expertise verbinden. In diesem Sinne ist die Zukunft der Data Science menschenzentriert und systemgetrieben – aufgebaut auf Grundlagen, die Flexibilität, Transparenz und Skalierbarkeit priorisieren.