„Brauchen wir eigentlich noch Datenmodellierer, wenn KI das übernehmen kann?" Die Frage kam nach einer Coaching-Session. Ich habe kurz geschluckt. Nicht weil sie an sich falsch war – sondern weil es die falsche Frage war.
Die richtige Frage lautet: Was bleibt – und was kommt neu dazu? Und die Antwort darauf ist nicht beunruhigend – sie ist eigentlich ziemlich interessant. Denn die Aufgaben, die KI übernimmt, waren selten die, die Datenmodellierern wirklich Freude gemacht haben. Was bleibt – und was neu dazukommt – ist im Kern anspruchsvoller, strategischer, und näher am eigentlichen Wert der Arbeit.
In den ersten drei Artikeln dieser Serie haben wir gesehen, warum KI Informationsmodelle nicht automatisch erstellen kann, wo generische Automatisierung scheitert, und wie ein hybrider Workflow aussieht, der KI sinnvoll einsetzt. Dieser vierte und letzte Artikel richtet den Blick nach innen: Was bedeutet das alles für das Berufsbild?
Die Verschiebung: Was sich verändert
Das Berufsbild des Datenmodellierers hatte lange einen klaren Schwerpunkt: Anforderungen aufnehmen, dokumentieren, strukturieren, umsetzen. Ein handwerklich geprägter Job mit viel Fleiß und Sorgfalt.
KI greift genau dort an – bei den repetitiven, dokumentationsintensiven Teilen. Transkription, erste Objektidentifikation, Template-Befüllung, physische Modellgenerierung: Das sind Aufgaben, bei denen KI inzwischen einen echten Beitrag leisten kann.
Was bedeutet das? Nicht, dass der Job wegfällt. Es bedeutet, dass der Schwerpunkt sich verschiebt – und zwar in drei Richtungen:
Vom Dokumentierer zum Facilitator. Der Datenmodellierer verbringt weniger Zeit damit, Gespräche nachzuarbeiten, und mehr Zeit damit, sie zu gestalten. Welche Fragen müssen in einem Workshop gestellt werden? Wer muss dabei sein? Was bleibt unklar – und wie bekommt man es heraus? Das ist keine administrative Tätigkeit. Das ist moderierte Erkenntnisgewinnung.
Vom Umsetzer zum Validierer. KI liefert Entwürfe. Menschen entscheiden, ob diese Entwürfe stimmen. Das klingt einfach – ist es aber nicht. Gut validieren bedeutet, zu wissen, wann ein Entwurf gut genug ist, und wann er gefährlich falsch liegt. Das setzt Domänenwissen, Erfahrung und ein Gespür für das Unternehmen voraus, das sich nicht automatisieren lässt.
Vom Modellspezialisten zum Business-Translator. Wer das Informationsmodell versteht und gleichzeitig mit Fachbereichen sprechen kann, wird zur Brücke zwischen Business und Technologie. Diese Rolle ist nicht neu – aber sie wird wichtiger, weil KI die technische Seite immer weiter abstrahiert.
Kompetenzen im Wandel
Welche Fähigkeiten werden in diesem neuen Kontext wichtiger – und welche verlieren an Gewicht? Die folgende Übersicht ist kein Urteil über einzelne Menschen, sondern eine Einschätzung, wohin sich der Bedarf verschiebt.
| Kompetenz | Trend |
|---|---|
| Domänenwissen & Branchenverständnis | ↑↑ deutlich wichtiger |
| Validierungskompetenz (AI-Output prüfen) | ↑↑ deutlich wichtiger |
| Workshop-Design & Moderation | ↑ wichtiger |
| Stakeholder-Kommunikation | ↑ wichtiger |
| Prompt Engineering (für Modellierungsaufgaben) | ↑ wichtiger |
| Physische Modellierung (manuell) | ↓ abnehmendes Gewicht |
| Manuelle Dokumentationserstellung | ↓ abnehmendes Gewicht |
| Konzeptuelle & logische Modellierung | → bleibt zentral |
| Template- & Regeldesign (Grundlage für sinnvollen KI-Output) | → bleibt wichtig |
Du möchtest die komplette Serie als PDF haben? Kein Problem! Hol dir die Datenmodellierung mit KI als TEDAMOH Publication ganz einfach kostenlos. Klick einfach auf den Link unten und speichere dir den Artikel für später – ob offline lesen oder teilen, das entscheidest du!
Download: Coming soon
Ein Hinweis zur letzten Zeile: Template- und Regeldesign bedeutet, die Grundlage zu schaffen, innerhalb derer KI sinnvoll arbeiten kann. Wer entscheidet, wie ein Entity-Definition-Template aufgebaut ist? Welche Felder sind Pflicht, welche Reihenfolge gilt, welche Namenskonventionen sind im Unternehmen bindend? Diese Entscheidungen trifft der Mensch – und die Qualität des KI-Outputs hängt direkt davon ab, wie gut diese Grundlage gestaltet ist.
Zwei Punkte verdienen besondere Aufmerksamkeit. Erstens: Domänenwissen ist nicht gleichbedeutend mit Branchenkenntnis. Es geht darum, das spezifische Geschäftsmodell des eigenen Unternehmens zu verstehen – tief genug, um eine KI-generierte Definition von „Kunde" als zu generisch zu erkennen und die richtige Frage zu stellen, die das fehlende Stück herausholt. Das ist keine Selbstverständlichkeit. Es ist eine Kernkompetenz.
Zweitens: Validierungskompetenz ist eine eigene Fähigkeit, die aktiv entwickelt werden muss. Sie bedeutet nicht nur „stimmt das?" – sondern auch: „Woher würde ich wissen, wenn es nicht stimmt?" Wer gelernt hat, KI-Output systematisch zu hinterfragen, schützt das gesamte Team vor stillen Fehlern, die sich in einem Modell eingraben und erst viel später sichtbar werden.
Was wegfällt – was neu entsteht
Eine ehrliche Bestandsaufnahme, ohne Schönfärberei:
Was KI zunehmend übernimmt: Transkription von Workshops, erste Identifikation von Geschäftsobjekten aus Rohtexten, initiale Befüllung von Entity-Definition-Templates, Generierung physischer Modelle aus definierten Metadaten, Konsistenzprüfungen auf Namenskonventionen und Strukturmuster, Standard-Dokumentation für bekannte Modellierungspatterns.
Was beim Menschen bleibt: Workshopdesign und Fragetechnik, Validierung und Korrektur von KI-Entwürfen, Erkennung von Lücken, die im Transkript nie auftauchten, Entscheidungen bei widersprüchlichen Anforderungen, Verhandlung zwischen Fachbereich und IT, strategische Modellentscheidungen (Was wird wie abgebildet – und warum?), Einschätzung, wann ein Modell gut genug ist und wann es nachgearbeitet werden muss.
Über diese Serie: Dies ist Teil 4 von 4 unserer Serie über KI-gestützte Datenmodellierung. Teil 1 beleuchtet das grundlegende Paradox. Teil 2 zeigt, warum generische Automatisierung scheitert. Teil 3 erklärt den hybriden 4-Schritte-Workflow.
Tieferes Verständnis gewünscht?
In unserem Data Modeling Training lernen Sie, wie unternehmensspezifische Datenmodelle entwickelt werden – jenseits generischer Templates und Standard-Schemas.
Was dabei auffällt: Die Aufgaben, die KI übernimmt, waren oft die zeitintensivsten – und selten die interessantesten. Was bleibt, ist der Kern dessen, warum Datenmodellierung einen echten Wert hat: das Verstehen von Geschäftslogik, das Treffen guter Entscheidungen unter Unsicherheit, das Verbinden von zwei Welten, die ohne Übersetzer aneinander vorbeireden.
Das Team mitnehmen
Kein Wandel passiert im Vakuum. Wer mit einem Team arbeitet, wird Fragen bekommen – manche offen, manche stumm. „Wird meine Stelle gestrichen?" „Muss ich jetzt Programmieren lernen?" „Was soll ich mit diesen KI-Tools anfangen – ich habe doch gerade erst gelernt, wie das alte Modellierungswerkzeug funktioniert?"
Drei Dinge helfen dabei mehr als jede Roadshow:
Konkret machen, nicht abstrakt beruhigen. „KI wird euch unterstützen" klingt gut, überzeugt aber niemanden. Konkret zu zeigen, welche spezifische Aufgabe zukünftig von KI unterstützt wird – und wie das aussieht – ist wirkungsvoller. Ein kurzes Live-Demo mit einem echten Transkript und einem echten Prompt ist mehr wert als zehn Folien über den Wandel.
Stärken sichtbar machen. Wer seit Jahren mit einem bestimmten Fachbereich arbeitet und dessen Datenlogik kennt, hat einen Wettbewerbsvorteil, der durch KI nicht kleiner wird – sondern größer. Dieses Domänenwissen ist genau das, was den KI-Output erst validierbar macht. Das sollte gesagt werden.
Raum für Skepsis lassen. Nicht jeder muss sofort begeistert sein. Wer zuerst fragt, was schiefgehen kann, schützt das Team vor blinder Adoption. Gesunde Skepsis ist eine Ressource, keine Blockade.
Eine neue Chance: Endlich fachlich modellieren
Es gibt noch eine Perspektive, die in der Diskussion oft untergeht – und die eigentlich die optimistischste ist: KI macht Informationsmodellierung für viele Teams zum ersten Mal wirklich zugänglich.
Seien wir ehrlich. In vielen Unternehmen wurde fachliche Modellierung bisher gemieden – nicht weil niemand den Wert kannte, sondern weil der Aufwand zu hoch schien. Alles im Gespräch mitschreiben wollen, Recordings stundenlang anhören, Objekte aus Gesprächsnotizen herausarbeiten, Templates von Hand befüllen, endlose Abstimmungsrunden. Wer neben einem laufenden Projekt noch ein Informationsmodell aufbauen sollte, hat das oft auf „irgendwann" verschoben. Irgendwann ist bekanntlich nie.
KI räumt genau diese Hindernisse aus dem Weg. Der Aufwand für die repetitiven Schritte sinkt drastisch. Was vorher einen Nachmittag pro Objekt bedeutete, ist heute in einer Stunde als Entwurf vorhanden. Was vorher wochenlange manuelle Nacharbeit nach einem Workshop bedeutete, passiert heute in Stunden.
Das bedeutet: Teams, die bisher wenig oder gar keine fachliche Modellierung gemacht haben – weil es einfach zu lästig war – bekommen jetzt einen echten Einstiegspunkt. Nicht als Pflichtübung, sondern als praktikablen Prozess, der sich in den Projektalltag integrieren lässt.
Und in Zeiten von Fachkräftemangel kommt noch ein weiterer Aspekt hinzu: Wenn KI die Routinearbeit übernimmt, kann ein einzelner erfahrener Datenmodellierer deutlich mehr Projekte begleiten als bisher. Die Expertise muss nicht vervielfacht werden – sie muss gezielter eingesetzt werden. Das ist keine Verdrängung, sondern Skalierung.
Fazit: Eine Rolle, die wichtiger wird
Zurück zur Frage vom Anfang. Brauchen wir noch Datenmodellierer? Ja – aber nicht für dasselbe wie bisher. KI übernimmt die Arbeit, die sich wiederholt. Was bleibt, ist die Arbeit, die Urteilsvermögen, Erfahrung und das Verstehen von Zusammenhängen erfordert. Genau das, womit gute Datenmodellierer schon immer den Unterschied gemacht haben.
Die Rolle wird nicht kleiner. Sie wird präziser. Und wer versteht, wie KI sinnvoll eingesetzt wird – und wo nicht –, ist für sein Unternehmen wertvoller als je zuvor.
Das war der letzte Artikel dieser Serie. Wenn du daran interessiert bist, wie sich gute Datenmodellierung direkt auf Time-to-Market und Wettbewerbsfähigkeit auswirkt, halte die Augen offen – dazu gibt es demnächst mehr.
Und noch ein letzter Gedanke, der den Kreis schließt: Artikel 1 dieser Serie hat gezeigt, dass KI hochwertige Informationsmodelle braucht, um nützlich zu sein. Was sich jetzt zeigt: KI hilft uns, genau diese Modelle schneller zu erstellen. Der Datenmodellierer, der KI sinnvoll einsetzt, liefert damit nicht nur bessere Modelle – er legt die Grundlage dafür, dass KI im eigenen Unternehmen überhaupt funktionieren kann. Das ist kein Widerspruch zu Artikel 1. Das ist der Kreis, der sich schließt.
So long,
Dirk