07.06.2023

Datenkompetenz: Warum jedes Unternehmen einen AI Education Strategist braucht

Tizian Kronsbein von DAIN Studios, erklärt im Gastbeitrag, was es mit der neuen Rolle "AI Education Strategist" auf sich hat.
/artikel/datenkompetenz-ai-education-strategist
AI Education Strategist
(c) DAIN Studios
sponsored

Eigentlich ist es nichts neues: Wir leben in einer Dataconomy. Der Begriff Dataconomy ist ein metaphorischer Neologismus, der beschreibt, wie wichtig Daten für unsere Wirtschaft geworden sind. Daten sind der Treiber für vieles und vor allem für den Einsatz von KI. Wer das noch nicht wusste, der hat spätestens mit der Veröffentlichung von OpenAIs ChatGPT verstanden, dass sich KI mittlerweile zu einem mächtigen Werkzeug für uns Menschen entwickelt hat und noch weiterentwickeln wird. 

Generative KIs, wie ChatGPT oder Midjourney, werden immer mehr Schritte in unseren Arbeitsprozessen übernehmen können – insbesondere, wenn man diese miteinander kombiniert und sie so selbstständig Aufgaben erledigen können (siehe AutoGPT). Es ist davon auszugehen, dass wir mehr und mehr sogenannte menschlich-maschinelle Interaktionen in unserer Arbeitswelt erleben werden. Die Rollen, insbesondere die der Knowledge Worker, werden nachhaltig neudefiniert werden müssen. Dabei müssen wir ein besonderes Augenmerk darauf legen, dass sich die digitale Spaltung innerhalb unserer Gesellschaften nicht noch intensiviert.

Der AI Education Strategist: Brücke zwischen Datenkompetenz und Unternehmensbedürfnissen

Die Rolle des AI Education Strategist bzw. Data Education Strategist (manchmal auch als Daten-Übersetzer:in bezeichnet) hat sich entwickelt, weil weder die akademischen Institutionen noch die Geschäftswelt genügend Menschen mit den entsprechenden Datenkompetenzen hervorbringt.

In der akademischen Welt – auch wenn es einige Beispiele von durchstartenden Führungskräften gibt – erfüllen Universitäten und Hochschulen nicht die Nachfrage nach Daten- und KI-Profis. Oft sind Kurse entweder zu sehr auf das Geschäft ausgerichtet oder zu stark auf Daten bezogen und bieten nicht die hybriden Profile, die der Markt erfordert. In der Geschäftswelt haben viele Unternehmen schlichtweg nicht die Zeit oder das Know-how, um Lern- und Entwicklungsprogramme in die Arbeitsroutinen zu integrieren.

Einige Unternehmen haben versucht, den Mangel an Fähigkeiten durch die Entwicklung eigener Schulungen zu kompensieren. Unternehmen nutzen Online-Kursanbieter wie Coursera, um bei der Weiterbildung zu helfen. Andere Unternehmen entwickeln spezielle interne Schulungsumgebungen für Data Science und Data Engineering. Diese Programme sind jedoch oft sehr technisch und finden in einer Laborumgebung statt, die wenig Bezug zu den alltäglichen Abläufen eines Unternehmens haben.

Generative KIs, die Inhalte jedweder Art mit wenig menschlichem Eingriff erstellen können, haben den Bedarf an Fachleuten, die die Lücke zwischen KI-Technologien und Geschäftsanwendungen schließen können, noch weiter verschärft. Nicht nur verändern sich Rollenbeschreibungen komplett, Mitarbeiter in Unternehmen benötigen auch ein neues Verständnis im Umgang mit diesen Technologien. Sie müssen sattelfest bei Fragen im Umgang mit diesen Werkzeugen sein, aber auch die generierten Inhalte genaustens verstehen können. Themen wie Datenschutz, Datenethik, Neigungen in Daten (Biases), muss spätestens jetzt, jeder nicht nur mal gehört haben, sondern anwenden können.

Mehr als nur Datenvermittler – Navigatoren in einer datengesteuerten Welt

AI Education Strategists überbrücken die oft vorherrschende Kluft zwischen IT-Funktionen (insbesondere Data & AI Teams) und den Geschäftsbereichen. Kurz gesagt, sie entwerfen den Weg zur Datenkompetenz, etablieren eine Datenkultur innerhalb von Organisationen und ermöglichen es den Mitarbeitern, Probleme selbstständig mit Daten zu lösen.

Neben der Mobilisierung technischer Lernprozesse helfen sie dabei, Data Analysts mit den notwendigen technischen Kompetenzen (z.B. Data Analysis mit Python und das Verwenden von Datenplattformen) auszustatten, und sie zu Citizen Data Scientists weiterzubilden. 

Andere Elemente werden jedoch immer wichtiger. AI Education Strategists müssen sicherstellen, dass Mitarbeiter die ethischen Implikationen und potenziellen Risiken der Nutzung von Generativer KI verstehen, wie Datenschutzbedenken, Voreingenommenheit in generierten Inhalten und das Potenzial für den Missbrauch in der Verbreitung von Fehlinformationen.

Wie der Wandel zur Datenkompetenz anstoßen werden kann

AI Education Strategists konzentrieren sich auf Lernstrategie und Unterrichtsgestaltung. Sie sitzen zwischen den AI-Teams, HR und dem Leadership. Folgende Tätigkeiten sind elementarer Teil der AI Education Strategists:

  • Tiefes Verständnis der Daten- und Geschäftsstrategie der Organisation und ihre Bestandteile.
  • Strukturiertes Erfassen der Data Maturity (Reifegrad der Belegschaft und Organisation als Ganzes): Das bedeutet, dass sie die Plattformen, Anwendungsfälle und Strategien kennen sollten, die entweder vorhanden sind oder in Entwicklung sind, aber auch das Level an Datenkompetenz im Unternehmen.
  • Sie müssen die übergeordneten Lern- und Transformationsziele verstehen: Welche Fähigkeiten existieren bereits in einer Organisation? Welche Schulungen sind derzeit verfügbar? Und wie viele Mitarbeiter sind beteiligt? Wie werden sich Rollen durch KI verändern und welche essenziellen Kompetenzen fehlen der Organisation?
  • Einrichten von Programmen zur Sensibilisierung für die Daten-Transformation: Sie entwickeln Lernreisen basierend auf Geschäftsproblemen. Dies beinhaltet die Vermittlung von Kenntnissen über Methoden, Rahmenbedingungen und praktische Erfahrungen, die zu datenbasierten Lösungen führen.
  • Entwicklung von Schulungsmodulen, die sich auf den verantwortungsvollen Umgang mit Generativer KI konzentrieren und sicherstellen, dass Mitarbeiter sich der potenziellen Fallstricke und der besten Praktiken zur Risikominderung im Zusammenhang mit der Technologie bewusst sind.
  • Organisation von Veranstaltungen: Dazu gehören Aktivitäten wie Webinare, Workshops und andere Zusammenkünfte, die sich auf Daten, Analytik und KI- Projekte konzentrieren. Diese Events sind enorm wichtig für die Datenkultur im Unternehmen.
AI Education Strategist - Data Education Strategist
(c) DAIN Studios

Nutzen Sie die Auswirkungen von Daten. Setzen Sie Datenbildungs-Strategen ein.

Heutzutage sind Daten- und KI-Kompetenzen eine kostbare Ressource in der Geschäftswelt. Die Umsetzung der digitalen Transformation erfordert neue, spezialisierte Fähigkeiten, aber es besteht ein starker Wettbewerb um Talente – und das Angebot trifft nicht immer auf entsprechende Nachfrage.

Deshalb sehen wir das Aufkommen des AI Education Strategists. Das Profil wurde entwickelt, um die Datenkompetenz zu stärken und den Mangel an Fähigkeiten zu beheben. Sie schaffen eine Unternehmenskultur rund um das Thema Daten und KI und nutzen Schulungsprogramme, damit Unternehmen die Kraft von Daten und KI entfesseln können.

Darüber hinaus werden AI Education Strategists eine entscheidende Rolle spielen, um Organisationen mit dem notwendigen Wissen und den Fähigkeiten auszustatten, um die Kraft von KI-Technologien verantwortungsvoll zu nutzen und gleichzeitig die damit verbundenen Herausforderungen und Limitationen zu meistern. 


Zum Autor

Tizian Kronsbein kümmert sich als Head of DAIN Academy bei DAIN Studios für die „menschliche Komponente der Datentransformation“ der Kunden. Er ist einer der Mitbegründer und Tought Leader der Data Thinking Methode und weiß durch seine Erfahrung als Data Strategist, worauf es ankommt um Mitarbeiter auf dem Weg zur Datenkompetenz zu begleiten.

Tizian Kronsbein | (c) DAIN Studios
Deine ungelesenen Artikel:
05.08.2026

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung

Technologie-Trends zu erkennen ist heute einfach, sie ins Kerngeschäft zu übersetzen bleibt die eigentliche Hürde. Frank Möbius hat BMWs Tech-Früherkennung sechs Jahre verantwortet und erklärt im brutkasten-Gespräch, woran der Transfer scheitert und wie er gelingt.
/artikel/der-transfer-ist-das-schwierigste-ex-bmw-tech-scouting-leiter-frank-moebius-ueber-technologie-frueherkennung
05.08.2026

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung

Technologie-Trends zu erkennen ist heute einfach, sie ins Kerngeschäft zu übersetzen bleibt die eigentliche Hürde. Frank Möbius hat BMWs Tech-Früherkennung sechs Jahre verantwortet und erklärt im brutkasten-Gespräch, woran der Transfer scheitert und wie er gelingt.
/artikel/der-transfer-ist-das-schwierigste-ex-bmw-tech-scouting-leiter-frank-moebius-ueber-technologie-frueherkennung
Frank Möbius (links) | (c) BMW Group

Knapp 30 Jahre war Frank Möbius bei BMW. Zuletzt leitete er in der Konzernforschung den Bereich Technologiemanagement und -prognose und koordinierte das weltweite Netzwerk der BMW Technology Offices vom Silicon Valley bis Tokio. Seit 2023 gibt er seine Erfahrung als Senior Innovation Advisor bei der UnternehmerTUM GmbH in München, Europas größtem Gründerzentrum, weiter. Im Interview erklärt er, wie systematische Technologie-Früherkennung funktioniert, warum die meisten Unternehmen am Transfer der daraus gewonnenen Erkenntnisse scheitern und wie KI die Tech-Trenderkennung vereinfacht hat.


brutkasten: Sie waren fast 30 Jahre bei BMW. Wie sind Sie dort zum Thema Innovation gekommen?

Frank Möbius: Ich habe an der Uni Stuttgart Maschinenbau, Fachrichtung Fahrzeugtechnik studiert und nach dem Diplom Anfang 1990 meinen ersten Job bei der Lufthansa Technik in Frankfurt gefunden. Dort durfte ich die damals neuartigen stangenlosen Flugzeugschlepper mitentwickeln und 1992 den neuen Flughafen München damit ausrüsten – meine erste Berührung mit Innovationen und ihrer Einführung im Massengeschäft. Ich verließ die Lufthansa nach ein paar Jahren, um an der Uni Kaiserslautern über Robotik zu promovieren. Nach der Promotion kam ich 1996 zu BMW, meiner Wunschfirma in meiner Wunschstadt. Dort konnte ich viele unterschiedliche Funktionen übernehmen: erst arbeitete ich vier Jahre im Versuchsfahrzeugbau, dann vier Jahre im Personalwesen, ein lehrreicher “Side Step” für einen Ingenieur!

(c) BMW Group

Mitte 2004 durfte ich eine Abteilung für Vorentwicklung und Innovationsmanagement im Bereich Antriebsproduktion übernehmen. Daraus entstand meine Rolle im damals neuen elektrifizierten Antrieb für BMW – von der strategischen Inhouse-Entscheidung und fachlichen Befähigung der Firma bis zur Großserie: über zehn Jahre lang war ich für die Industrialisierung und später Entwicklung von Hochvoltbatterien verantwortlich, vom ersten A-Muster mit einem sehr kleinen Team bis zu 100 Mitarbeitenden. 2017 bin ich schließlich in die Forschung gewechselt und habe dort das Team “Technologiemanagement und -prognose” übernommen, das später in die Einheit “Open Innovation” integriert wurde.

Was macht so eine Open-Innovation-Einheit in einem Konzern konkret?

Mit Open Innovation Methoden erkennt und verwertet man frühzeitig innovative Signale und Trends, die außerhalb der eigenen Unternehmensgrenzen stattfinden. Wir schauen bewusst in Branchen jenseits des Automobilbaus: Consumer Electronics, Luft- und Raumfahrt, Medizin, Computing, Biomaterialien, etc. Immer mit der Frage im Hinterkopf: Was können wir davon für das eigene Kerngeschäft nutzen? Konkret: Technologische Trends aus der Cross-Industrie frühzeitig erkennen, verstehen, bewerten, ein Proof-of-Concept-Projekt durchführen, z. B. mit einem Startup, einer Uni, einem Fraunhofer-Institut, etc. und diese Ergebnisse dann in die Firma für die eigenen Produkte, Services und Prozesse transferieren.

(c) BMW Group

BMW hat dafür eine eigene Abteilung aufgebaut. Wie hängen die einzelnen Bausteine zusammen?

2015 wurde die Technologie-Früherkennung mit dem Technologie-Trendradar ins Leben gerufen, fast gleichzeitig wurde die BMW Startup Garage gegründet. Das Radar ist zunächst ein Visualisierungs- und Kommunikationstool: wir platzieren die erkannten Technologien nach Kategorien und Reifegraden, um frühzeitig aufzeigen zu können, was sich technologisch weltweit tut. Aber diese Erkenntnisse stehen erstmal nur auf dem Papier. Entscheidend ist nach Bewertung und Priorisierung die Verwertung dieser Erkenntnisse, der sogenannte Transfer. Dieser erfolgt dann oft mit Startups.

Hier kommt die BMW Startup Garage zum Einsatz. Sie betreibt Venture Clienting, d. h. sie investiert nicht, sondern scoutet im Netzwerk der internationalen BMW Tech Offices die besten Startups und koordiniert Innovationsprojekte mit den betroffenen BMW-Fachbereichen, die meist das Budget dafür stellen. Diese Startups müssen schon reifer sein, also ein stabiles Team, eine robuste Finanzierung, ein fertiges Produkt – ggf in anderen Branchen – und am besten schon erste Kunden haben. Das Ziel dabei ist immer, dass das Startup ein regulärer Lieferant für BMW werden kann, wir nennen das  “startup as a supplier”. Erst wenn die Lösung des Startups wirklich bei BMW zum Einsatz kommt – in Produkt, Service oder Prozess -, entsteht Impact!

Daneben gibt es das Team BMW iVentures als klassischer Risikokapital-Investor, der ebenfalls über das BMW Tech Office Netzwerk auch in ganz frühphasige Startups investiert. Außerdem gehört dazu ein BMW-interner Incubator und eine Crowd Innovation Plattform.

Wie läuft systematische Tech-Trenderkennung bzw. Tech-Scouting im Alltag ab?

Es gibt vier Prozessschritte: Scouten und Strukturieren, Diskutieren und Bewerten, Visualisieren und Vorbereiten und dann der Transfer in die passenden BMW-Fachbereiche und die dortige Umsetzung. Den ersten Schritt haben früher Mitarbeitende und Werkstudierende gemacht, heute erledigen das maßgeschneiderte KI-Agenten. Für den zweiten Schritt braucht man die Experten: Fachleute von intern und extern. Ggf wird zu einem bestimmten Tech-Trend eine Studie erstellt. Für den dritten Schritt sitzt man in Workshops zusammen und erarbeitet einen Vorschlag für das nächste Trendradar und mögliche Scouting- oder Prototypen-Projekte. Von einer Liste mit über hundert Themen bleiben dann vielleicht vierzig übrig, die auf das Trendradar kommen und fünf, die dann tiefergelegt werden.

(c) BMW Group

Und dann kommt der Teil, an dem viele scheitern.

So ist es! Die ganzen modernen Technologien und Trends kann man heute recht einfach im Netz recherchieren, Generative AI hilft dabei. Das Entscheidende aber ist am Ende: Was leitet das Unternehmen daraus ab? Nur neues Wissen, eine Produktverbesserung oder gleich ein neues Geschäftsmodell? Einfacher gesagt: was mache ich damit morgen besser als heute? Das ist das Schwierige, der Transferprozess. Dieser hat inhaltliche, strukturelle, finanzielle aber auch menschliche Aspekte. Der Transfer einer neuen, erstmal riskanten Technologie aus einer anderen Branche in die eigene Firma ist oft schwierig. Auch bei BMW hat es ein paar Jahre gedauert, bis erste Erfolge kamen und das Vorgehen akzeptiert war.

Was ist das Rezept, damit es funktioniert?

Man holt die Personen, die später die Erkenntnisse umsetzen sollen, frühzeitig in den Prozess mit hinein. Sie dürfen die Startups mit bewerten, sie erfahren sofort, wenn eine neue Technologie für ihren Fachbereich tiefergelegt werden soll, diese wird dann gemeinsam bewertet. Dafür gibt es in der BMW Startup Garage für jedes Ressort einen konkreten Schnittstellenpartner. Dann geht man gemeinsam in den betroffenen Fachbereich, organisiert die Ressourcen und plant das Projekt, damit das Startup den Prototypen bauen kann. Wichtig: für das Startup-Projekt wird oft das Geld des späteren Fachbereichs verwendet. Das erzeugt zusätzliches Commitment! Und das Zweite ist die Hierarchie: Wenn Du einen Bereichsleiter oder Geschäftsführer hast, der voll hinter Open Innovation steht und auch mal in oberen Etagen politisch unterstützt, dann funktioniert es deutlich besser, auch in Krisenzeiten mit Budgetknappheit.

(c) BMW Group

Was raten Sie einem Unternehmen, das ohne viel Budget mit Technologiemanagement starten will?

Man muss nicht gleich zehn Leute einstellen. Oft genügt erstmal eine Person mit den nötigen Ressourcen und Befugnissen, dazu evtl. einen Studierenden und ein paar Teilkapazitäten in den relevanten Fachbereichen als Unterstützung. Ggf hilft am Anfang auch eine externe Trendagentur oder ein passender Toolanbieter. KI-Kenntnisse sind wichtig, um einen KI-Agenten nutzen oder einen eigenen aufbauen zu können. Ein gutes, internationales Netzwerk in alle relevanten Industrien ist ebenso wichtig, denn inzwischen betreiben die meisten großen Firmen Technologie-Früherkennung im Rahmen von Corporate Foresight, man kann von ihnen lernen und Best Practices übernehmen. Ich habe aus meinen über 6 Jahren in dieser Rolle eine Liste mit den zehn wichtigsten Lessons Learned zusammengeschrieben. Da steht alles drin, was man braucht, man muss es halt nur noch machen.

Was machen Sie heute bei UnternehmerTUM?

UnternehmerTUM hat drei Zielgruppen: Talente, Startups und Unternehmen – vom großen  Corporate und Mittelstand bis zum Familienunternehmen. Meine Hauptarbeit liegt in der Innovationsberatung, wo ich meine BMW-Erfahrung einbringen kann. Daneben bin ich Startup-Mentor, halte Vorlesungen, unterstütze die Internationalisierung der UnternehmerTUM und betreue Delegationen. Und ich baue gerade einen KI-gestützten Technologie-Trendradar-Prozess für die UnternehmerTUM, die TUM Venture Labs und ihre Partner und Kunden auf. Der ist nochmal deutlich umfangreicher als ein Radar für die Automobilindustrie. Wir haben dafür einen KI-Agenten gebaut, der weltweit schwache Tech-Signale erkennt, also Technologien, die noch kein messbarer Trend sind. Diesen KI-Agenten trainiere ich täglich. Gerade für Mittelständler und Familienunternehmen ist das sehr hilfreich, weil sie in der Regel nicht das Netzwerk und die Möglichkeiten großer Firmen haben.

(c) BMW Group

Gibt es ein Beispiel aus Ihrer BMW-Zeit, das zeigt, was Open Innovation bewirken kann?

Aus der Tech-Trenderkennung und der Startup-Arbeit wurden in den letzten Jahren schon viele Projekte zu Quantum Computing, Fahrzeug-Satelliten-Kommunikation, Gesundheitsdaten-Monitoring im Fahrzeug, Panorama-Displays, In-Car-Gaming u.v.m. erfolgreich transferiert. Einiges davon ist schon im Auto zu erleben, manches wird noch kommen. Mein Lieblingsbeispiel ist das farbwechselnde Auto: keine klassische Trenderkennung, aber ein erfolgreicher Cross-Industry-Transfer und vielleicht sogar ein Trendsetter! Eine Mitarbeiterin von mir hatte vor vielen Jahren die mutige Idee, die Display-Funktionen eines E-Readers aufs Auto zu übertragen. Sie hat sich die E-Ink-Panels besorgt, einen Prototypen entwickelt und damit nach vielen Experimenten mit einigen Helfern den BMW iX Flow aufgebaut – übrigens anfangs im MakerSpace der UnternehmerTUM. Mit diesem Auto war sie mit BMW 2022 in der Schwarz-Weiß-Version und ein Jahr später mit dem BMW i VISION Dee in der Farbversion mit großem Erfolg auf der CES in Las Vegas: The Color-Changing Car! Das ist für mich der perfekte Cross-Industry-Transfer: Ich übertrage eine erfolgreiche Technologie aus einer Industrie in eine völlig andere und habe einen Nutzen daraus. Ob das in irgendeiner Form mal in Serie kommt? Wer weiß …

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Datenkompetenz: Warum jedes Unternehmen einen AI Education Strategist braucht

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Datenkompetenz: Warum jedes Unternehmen einen AI Education Strategist braucht

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Datenkompetenz: Warum jedes Unternehmen einen AI Education Strategist braucht

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Datenkompetenz: Warum jedes Unternehmen einen AI Education Strategist braucht

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Datenkompetenz: Warum jedes Unternehmen einen AI Education Strategist braucht

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Datenkompetenz: Warum jedes Unternehmen einen AI Education Strategist braucht

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Datenkompetenz: Warum jedes Unternehmen einen AI Education Strategist braucht

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Datenkompetenz: Warum jedes Unternehmen einen AI Education Strategist braucht

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Datenkompetenz: Warum jedes Unternehmen einen AI Education Strategist braucht