Daten & KI im Arbeitsmarkt 2026 - Deutschland

Die unsichtbare KI-Belegschaft

Gemeinsam mit data:unplugged haben wir 324.445 offene Stellenanzeigen in Deutschland ausgewertet (Stand 1. Mai 2026) und jene 13.076 Anzeigen mit Daten- und KI-Anforderungen im Detail unter die Lupe genommen. Daraus ist der neue Daten- & KI-Report 2026 entstanden – ein Blick darauf, welche Fähigkeiten der deutsche Arbeitsmarkt von morgen wirklich verlangt.

Wer an KI-Jobs denkt, denkt an den Data Scientist. Tatsächlich trägt nur ein kleiner Teil der Daten- und KI-Stellen einen solchen Titel – der Großteil bleibt auf dieser Ebene unsichtbar. Von 13.076 untersuchten Daten- und KI-Stellen in Deutschland tragen lediglich 1.314 (10,1 Prozent) einen explizit datenwissenschaftlichen oder KI-spezifischen Titel – etwa Data Engineer (288), Data Scientist (277), BI/Analytics Engineer (198), Data Analyst (170), Machine Learning Engineer (144) oder AI Engineer (etwa 130). Die übrigen 11.762 Stellen – knapp 90 Prozent – tragen "konventionelle" Jobtitel. Sie heißen Senior Software Engineer, Controller, Backend Developer, DevOps Engineer oder Projektmanager.

Wer heute KI-Kompetenzen braucht

Software Engineer und Software Developer bilden mit zusammen 246 offenen Stellen das mit Abstand häufigste "versteckte" KI-Berufsprofil – quer durch Seniority-Stufen verlangen sie Python, Java und Cloud-Kompetenzen im expliziten Kontext von KI-Arbeit. Besonders interessant ist die Entwicklung der Rolle des Controllers: 132 Controller-Ausschreibungen in Deutschland fordern explizit Power-BI- und SAP-Kompetenzen – die klassische Finanzfunktion wird zur Datenanalysefunktion. DevOps-Engineers wiederum sind mit durchschnittlich 9,4 DAISY-Skills pro Stelle die kompetenzdichtesten "versteckten" KI-Profile: Die Trennlinie zwischen DevOps und MLOps löst sich auf.

Ebenfalls hervorzuheben ist die Entwicklung in ursprünglich nicht-technischen Rollen: Product Manager (37), Customer Success Manager (32), Key Account Manager (23) und Product Owner (20) integrieren KI-Tools und generative Anwendungen zunehmend in ihren Anforderungskatalog – der Übergang in eine KI-fähige Rolle erfolgt hier durch Anreicherung des Berufsbildes mit zunehmend technischen Fähigkeiten.

Drei Muster bei den Berufsprofilen

1. Management und Vertrieb verlangen konzeptionelles KI-Verständnis. Product Manager, Customer Success Manager und Key Account Manager führen "Künstliche Intelligenz" und "KI-Tools & -Assistenten" als Kernanforderungen. KI ist hier aktuell ein Wissens- und Werkzeug-Skill, nicht ein Implementierungs-Skill.
2. Der klassische Reporting-Layer bleibt bei etablierter BI-Software. Im Controlling dominieren Power BI, BI Applications und SAP Tools.
3. Product Owner entwickeln sich zu KI-Power-Usern. Prompt Engineering, KI-Tools & -Assistenten sowie die KI-gestützte Entwicklungsumgebung Cursor zeichnen ein Profil, das aktiv und werkzeugnah mit Generative AI arbeitet.

Was das für den Arbeitsmarkt bedeutet

1. Stellensuchende, die ausschließlich nach "Data Scientist" oder "AI Engineer" filtern, übersehen rund 90 Prozent des KI-Arbeitsmarktes. Der Übergang in eine Daten- und KI-Karriere geschieht häufig nicht über einen Titelwechsel, sondern über die Anreicherung des bestehenden Berufsbildes.
2. Arbeitgeber, die ihre KI-Strategie auf das Recruiting spezialisierter Daten- und KI-Profile reduzieren, übersehen den größeren Hebel. Die KI-Belegschaft entsteht überwiegend durch Anreicherung bestehender Rollen – durch KI-Qualifizierung von Software-Entwickler:innen, Controller:innen, Vertriebs- und Produktmanager:innen – und nicht durch externes Recruiting von Daten- und KI-Spezialist:innen.
3. Aus- und Weiterbildungsanbieter, deren Curricula auf reine Data-Science-Rollen ausgerichtet sind, decken einen schmalen Teil der tatsächlichen Marktnachfrage ab. Die größere Wachstumschance liegt in der Daten- und KI-Qualifizierung bestehender Berufsgruppen – Controlling, Backend-Entwicklung, DevOps, Projektmanagement.

Die gefragtesten Skills

Die DAISY-Ontologie unterscheidet drei Skill-Typen: Tools (konkrete Software, Plattformen, Sprachen), Wissen (konzeptionelle Anforderungen) und Praktiken (Arbeitsweisen, Methoden, Vorgehensmodelle). Die folgenden Top-10-Listen zeigen jeweils die häufigsten Anforderungen pro Kategorie, ergänzt um eine eigene Aufstellung der Top-10-Programmiersprachen als Unterkategorie der Tools.

Top 10 Tools

Python dominiert mit 32,2 Prozent und übertrifft den zweiten Platz (SQL) um mehr als das Doppelte. Die Top 10 ist eine Mischung aus Programmiersprachen (Python, Java, C++), Cloud-Plattformen (AWS, Azure), Container- und Versionskontroll-Stack (Docker, Kubernetes, Git) sowie Analyse- und Datenbankwerkzeugen (SQL, Power BI). Die DevOps- und MLOps-orientierte Werkzeugkette ist im deutschen Daten- und KI-Markt breit etabliert.

Top 10 Wissensgebiete

Bemerkenswert ist, dass das Wissenskonzept "Artificial Intelligence" mit 1.887 Nennungen die häufigste Anforderung in dieser Kategorie ist. Arbeitgeber verlangen zunehmend konzeptionelles KI-Verständnis als eigenständige Anforderung, nicht nur die Beherrschung konkreter Werkzeuge. "AI Tools & Assistants" auf Rang zwei reflektiert die Verbreitung generativer KI im Arbeitsalltag. Large Language Models (LLMs) auf Rang zehn (530 Nennungen) etabliert sich als eigenständiges Wissensfeld.

Top 10 Praktiken

DevOps und CI/CD führen mit deutlichem Abstand – Auslieferungsdisziplin und Arbeitsweise werden zunehmend explizit als Einstellungskriterium genannt. "AI Engineering" als eigenständige Praktik auf Rang drei zeigt, dass sich ein methodisches Vorgehensmodell für die Entwicklung KI-gestützter Systeme etabliert. Prompt Engineering (Rang 7) und Data Governance (Rang 10) sind neuere Disziplinen, die in nennenswertem Umfang Eingang in Stellenanforderungen finden.

Top 10 Programmiersprachen

Python übertrifft Java um den Faktor 3,2 und ist im deutschen Daten- und KI-Markt ohne ernstzunehmenden Konkurrenten. Die Position von MATLAB auf Rang vier ist eine deutsche Besonderheit: In den USA oder Großbritannien wäre MATLAB außerhalb akademischer Nischen kaum unter den Top 10 zu erwarten; in Deutschland prägen Automobilindustrie, Maschinenbau und Forschungseinrichtungen eine anhaltende MATLAB-Nachfrage. C++ (Rang 3, 922 Nennungen) und das Aufkommen von Rust (Rang 9) zeigen das ingenieurwissenschaftliche und systemnahe Profil des deutschen Daten- und KI-Marktes.

Skill-Typen und DAISY-Domänen

Mehr als die Hälfte aller Anforderungen sind toolbezogen – Arbeitgeber wollen nachweisbare Beherrschung konkreter Software, nicht nur konzeptionelles Wissen. Der Anteil von Praktiken bei 17,5 Prozent ist ein Reifeindikator: Arbeitsweise wird zunehmend explizit als Einstellungskriterium genannt. Zusätzlich zur Typisierung (Tool, Wissen, Praktik) ordnet die DAISY-Ontologie jeden Skill einer von sechs übergeordneten Daten- und KI-Domänen zu.

Data Engineering ist das Rückgrat des deutschen Daten- und KI-Arbeitsmarktes – größer als Machine Learning und Generative AI zusammen. Vor der Wertschöpfung durch KI-Modelle muss die Dateninfrastruktur stehen; dieser "Picks-and-Shovels"-Layer dominiert die aktuelle Nachfrage. MLOps mit 25,1 Prozent bestätigt, dass der Arbeitsmarkt vom Modellbau zum Modellbetrieb übergegangen ist.

Im Profil der Machine Learning Engineers (144 Stellen) wird der Wandel der vergangenen Jahre sichtbar: PyTorch erscheint mit 45 Nennungen, TensorFlow mit 26. Der globale Wechsel von TensorFlow zu PyTorch ist im deutschen Stellenmarkt vollzogen.

Cloud-Plattformen und KI-Infrastruktur

AWS dominiert die Nennungen – allerdings mit deutlich geringerem Abstand zu Microsoft Azure, als in globalen Cloud-Marktanteilsstatistiken zu erwarten wäre. In Financial Services und Consulting ist Azure auf Augenhöhe oder vor AWS. Google Cloud bleibt ein klarer dritter Platz; Vertex AI mit lediglich 11 Nennungen ist auffällig schwach. Trotz prominenter KI-Investitionen hat Google im untersuchten Stellensegment seine KI-Plattform noch nicht etabliert.

Der entstehende GenAI-Stack

Die Architektur generativer KI-Anwendungen kristallisiert sich um eine Handvoll Praktiken: Prompting, RAG zur Wissensanreicherung und LangChain als Orchestrierungsschicht. Vektordatenbanken (Pinecone, Weaviate, Milvus) erscheinen mit zusammen rund 50 Nennungen; sie sind ein aufkommender, aber noch nicht breit etablierter Bestandteil des Stacks.

Die generische LLM-Kompetenz dominiert deutlich gegenüber jedem einzelnen Anbieter. Arbeitgeber spezifizieren in Stellenanzeigen Fähigkeiten, nicht Marken – ein Indikator dafür, dass der Markt sich noch nicht auf eine bevorzugte Modellfamilie festgelegt hat. Unter den benannten Anbietern führt OpenAI vor Anthropic Claude, GitHub Copilot ist als konkretes Produktivitätswerkzeug am sichtbarsten.

LLM-Sicherheit als eigenständige Disziplin

Bemerkenswert ist die Differenzierung der LLM-bezogenen Anforderungen: Die 51 Nennungen für LLM Security als eigenständige Kompetenz zeigen, dass regulierte Branchen bereits dezidierte Sicherheitsexpertise für generative KI-Systeme verlangen. Ein Markt für LLM-Security-Spezialisten entsteht parallel zur LLM-Adoption.

Wer Daten- und KI-Talente sucht

Die IT-Branche stellt mit 3.769 Stellen den größten Einzelblock, doch die "vier Säulen" jenseits der IT – Manufacturing, Consulting, Financial Services und Healthcare – bündeln zusammen 3.464 Stellen und sind damit nahezu gleichauf. Die mediale Erzählung von KI als IT-spezifischem Phänomen entspricht nicht dem deutschen Stellenmarkt.

Jede Branche bringt eine charakteristische Werkzeugauswahl mit: In der IT dominieren Python, Kubernetes, AWS, Java und Azure, im Manufacturing trifft Engineering-Legacy (MATLAB, C++) auf einen modernen Python-Stack, und im Consulting zeigt sich eine generalistische Cloud-und-Analytics-Mischung aus Python, SQL, AWS, Azure und Power BI. Power BI erscheint in Manufacturing, Consulting und Healthcare prominent, deutlich häufiger als in der reinen IT. Die deutsche Daten- und KI-Nachfrage ist eng mit klassischen Unternehmenswerkzeugen wie SAP und Power BI verflochten.

Die größten Arbeitgeber

4.137 Unternehmen sind im untersuchten Datensatz mit mindestens einer offenen Daten- oder KI-Stelle vertreten. Die Daten- und KI-Nachfrage ist breit über sehr viele Arbeitgeber verteilt: Die fünf größten zusammen stellen rund 5,7 Prozent aller analysierten Stellen, eine ausgeprägte Spitzengruppe einzelner Großarbeitgeber gibt es nicht.

Die Spitzenposition der Fraunhofer-Gesellschaft ist strukturell signifikant: Der größte Nachfrager nach Daten- und KI-Fachkräften im untersuchten Stellensegment ist eine Forschungsorganisation, kein Technologieunternehmen. Anders als in den USA oder Großbritannien verfügt Deutschland nicht über Tech-Konzerne in der Größenordnung von Google, Microsoft oder Amazon; die Daten- und KI-Nachfrage in der Spitzengruppe wird daher von Forschungsinstituten (Fraunhofer), Industriekonzernen (BMW, Airbus, SAP) und Banken (Deutsche Bank) getragen, nicht von Hyperscalern oder KI-Startups.

Geographie: Wo Deutschlands KI-Arbeitsplätze entstehen

Berlin liegt mit 2.929 Job-Standorten knapp vor München (2.499); zusammen entfallen rund 41 Prozent aller Daten- und KI-Job-Standorte auf diese beiden Städte. Hamburg (1.418), Frankfurt am Main (1.041) und Stuttgart (745) folgen mit deutlichem Abstand. Unterhalb der Top 5 verteilt sich die Nachfrage über viele weitere Städte – von Köln (717) und Düsseldorf (548) über Nürnberg, Hannover und Leipzig bis zu kleineren Hochschul- und Industriestandorten wie Karlsruhe, Ulm und Darmstadt.

Skill-Intensität nach Stadt

Die kompetenzdichtesten Standorte sind nicht die größten: Potsdam, Ingolstadt, Braunschweig und Heidelberg bündeln vergleichsweise wenige, aber kompetenzdichtere Stellen. Volumen und Tiefe sind verschiedene Marktsignale.

Arbeitsbedingungen

Remote-Arbeit im KI-Sektor

Fast 6 von 10 Daten- und KI-Stellen werden mit der Möglichkeit zur Arbeit auch im Home-Office angeboten. Vollständige Remote-Arbeit bleibt mit 3,2 Prozent die Ausnahme. Im Vergleich zum Gesamtarbeitsmarkt sind Daten- und KI-Stellen 3,5-mal so häufig hybrid und rund fünfmal so häufig vollständig remote wie der durchschnittliche Nicht-Daten/KI-Job in der Datenbasis. Flexibilität ist im Wettbewerb um KI-Fachkräfte ein zentrales Differenzierungsmerkmal.

Karrierestufen

86 Prozent aller mit Karrierestufe ausgeschriebenen Daten- und KI-Stellen richten sich an Senior- oder zumindest Berufserfahrene-Profile. Junior-Stellen machen 9,7 Prozent aus, Berufseinsteigerstellen ohne jegliche Erfahrungsvoraussetzung lediglich 0,8 Prozent. Die Nachfrage konzentriert sich damit klar auf bereits berufserfahrene Profile – Einstiegspositionen sind die strukturelle Ausnahme.

Sprachanforderungen

26,1 Prozent der Daten- und KI-Stellen verlangen kein Deutsch – für den deutschen Stellenmarkt ein bemerkenswert hoher Anteil. Die Internationalisierung der KI-Belegschaft ist faktisch im Gang.

Bildungsabschlüsse

Der Bachelor-Abschluss ist die häufigste Bildungsanforderung. Bemerkenswert ist die hohe Zahl an Stellen mit Berufsausbildung als ausreichender Qualifikation (3.846) – Deutschlands duales Bildungssystem fungiert als substanzieller Eingang in den Daten- und KI-Arbeitsmarkt. Die niedrige Master-Anforderung (1.040) und der noch geringere Anteil expliziter Promotions-Anforderungen (PhD: 111 Stellen, rund 0,8 Prozent) zeigen: Auch bei großzügiger Auslegung ist der untersuchte Daten- und KI-Stellenmarkt nicht hochakademisiert – Praxisqualifikation und Bachelor-Abschluss werden in der überwiegenden Mehrheit der Stellen als ausreichend angesehen.

Die Junior-Lücke: Strukturelle Risiken für den Standort

Die kleinste, aber strategisch bedeutsamste Zahl dieser Studie ist 953 – die Anzahl der ausgeschriebenen Junior-Stellen im deutschen Daten- und KI-Sektor. In einem Markt von 13.076 Stellen entspricht das einem Anteil von 7,3 Prozent an der Gesamtnachfrage, beziehungsweise 9,7 Prozent der mit Karrierestufe spezifizierten Stellen.

Die deutsche Wirtschaft braucht erfahrene Daten- und KI-Fachkräfte, baut aber die eigene Nachwuchspipeline nur in geringem Umfang aus. Das Verhältnis von Senior- zu Junior-Stellen liegt bei knapp 5:1 – ein Indikator dafür, dass die nächste Generation von KI-Fachkräften überwiegend extern rekrutiert oder importiert werden muss, nicht intern entwickelt. Sofern sich die Junior-Quote nicht erhöht, verschiebt sich der gegenwärtige Mangel an erfahrenen KI-Fachkräften in drei bis fünf Jahren auf die nächste Kohorte.

Die hohe Akzeptanz von Berufsausbildungen (3.846 Stellen) deutet darauf hin, dass formelle akademische Hürden nicht das primäre Hindernis sind. Die Einstiegsbarriere liegt vielmehr im Mangel an explizit als Einstieg ausgewiesenen Stellen. Eine politische und unternehmerische Aufwertung von Junior- und Trainee-Programmen wäre ein wirksamer Hebel.

Was die Studie für Wirtschaft und Politik bedeutet

1. Für Unternehmen: Die "unsichtbare KI-Belegschaft" – 90 Prozent der Daten- und KI-Stellen unter nicht-spezialisierten Titeln – bedeutet, dass Personalstrategien, die auf reinen "Data Scientist"-Rollen aufbauen, den tatsächlichen Bedarf strukturell unterschätzen. Erfolgreiche Arbeitgeber denken in Kompetenzen, nicht in Rollenbezeichnungen.
2. Für Bewerber:innen: Der Quereinstieg in KI-Karrieren erfolgt heute selten über einen Titelwechsel, sondern über die Anreicherung des bestehenden Berufsbildes mit Python, SQL, Cloud- und MLOps-Kompetenzen. Controller, Software-Entwickler, DevOps-Engineers und Backend-Entwickler sind die wahrscheinlichsten Übergangspfade.
3. Für Bildungsanbieter: Curricula, die ausschließlich auf reine Data-Science- oder ML-Engineering-Profile ausgerichtet sind, decken nur einen kleinen Teil der Arbeitsmarktnachfrage ab. Die größere Wirkung liegt in der Erweiterung bestehender Berufsfelder – Controlling, Backend-Entwicklung, Vertrieb, Produktmanagement – um Daten- und KI-Module. Solange der Arbeitsmarkt nur in geringem Umfang Einstiegsstellen schafft, verlagert sich die Verantwortung für den Übergang in den Beruf zunehmend auf Universitäten, Fachhochschulen, Berufsschulen, Weiterbildungsanbieter und Bootcamps.
4. Für die Politik: Die Junior-Lücke ist das zentrale strukturelle Risiko des deutschen KI-Standorts. Förderprogramme, die ausschließlich auf Spitzenforschung und Senior-Talente abzielen, lassen die Pipeline vernachlässigt. Eine Aufwertung von Junior-, Trainee- und Ausbildungsprogrammen für Daten- und KI-Kompetenzen könnte hier ein Hebel sein.

Methodik & Datengrundlage

Für die Datenerhebung kam ein eigens entwickelter Web-Crawler zum Einsatz, der Stellenanzeigen direkt von Unternehmenswebseiten extrahiert. Externe Jobplattformen, Vermittlungsdienste und Aggregatoren wurden bewusst nicht einbezogen. Dadurch entsteht ein duplikatarmer Datensatz, der vorrangig primäre Arbeitgeberbedarfe abbildet.

Die Bundesagentur für Arbeit verzeichnete im April 2026 insgesamt 641.210 gemeldete Arbeitsstellen in Deutschland. Der Report basiert auf einer Analyse von 324.445 Stellenanzeigen, die am Stichtag 1. Mai 2026 in der Nejo-Datenbasis für Standorte in Deutschland verzeichnet waren. Von diesen wurden 13.076 (rund 4 Prozent) als Daten- oder KI-Stelle klassifiziert. Die Klassifikation erfolgte KI-gestützt anhand der in der Stellenanzeige beschriebenen Aufgaben – nicht allein anhand des Stellentitels oder einzelner geforderter Werkzeuge.

Die DAISY-Ontologie

DAISY (Data & AI Skills Ontology) ist eine domänenspezifische Skills-Ontologie für Daten- und KI-Kompetenzen – gemeinsam entwickelt von Nejo und data:unplugged. Sie umfasst derzeit 525 granulare Skills und schließt eine spezifische Lücke europäischer Klassifikationssysteme: Der ESCO-Standard ist europaweit etabliert für die übergeordnete Skill-Klassifikation, bildet die rasante Entwicklung daten- und KI-spezifischer Kompetenzen (etwa MLOps, Prompt Engineering, dbt oder Retrieval-Augmented Generation) jedoch nicht ausreichend granular ab. DAISY folgt einer vierstufigen Hierarchie (Domain, Discipline, Capability, Skill) und ist als SKOS-Datenmodell aufgebaut, wodurch es sich über einen SKOS-Crosswalk in ESCO-kompatible Systeme integrieren lässt.

Lade den vollständigen Report herunter

Im Report findest du alle Charts, die vollständige Methodik und viele Detailauswertungen, die hier keinen Platz hatten. Er soll Arbeitgeber:innen, Arbeitnehmer:innen und Bildungsanbietern helfen, den deutschen Daten- und KI-Arbeitsmarkt besser zu lesen. Darum stellen wir ihn kostenlos zur Verfügung.

Daten & KI im Arbeitsmarkt 2026 - Deutschland

Download →

Interesse an zusätzlichen Daten?

Du brauchst ganz bestimmte Auswertungen oder Daten für deine Branche? Schreib uns einfach unter hi@mynejo.com.