Deutsch

LinkedIn-Daten zeigen: KI-Skill-Nachfrage stieg in 12 Monaten um 142 % – welche Rollen den Anstieg treiben

Ein Anstieg der KI-Skill-Nachfrage um 142 % innerhalb eines einzigen Jahres ist kein Trend mehr. Es ist ein Signal, dass sich der Markt bereits bewegt hat.

LinkedIns Workforce Insights Report 2026, der auf über 950 Millionen Berufsprofilen und mehr als 60 Millionen Stellenanzeigen weltweit basiert, dokumentiert, was die meisten Hiring Manager bereits spüren: Unternehmen fügen nicht nur KI-Rollen hinzu. Sie schreiben Stellenanforderungen auf jeder Ebene und in jeder Funktion neu. Die Nachfrage beschleunigt sich. Das Angebot hält nicht Schritt.

CEOs, die KI-Talentstrategien noch als Thema für das nächste Quartal behandeln, zeigt die Datenlage: Dieses Zeitfenster hat sich bereits geschlossen.

Was LinkedIns Daten tatsächlich messen

Bevor man sich auf die 142-%-Zahl stützt, lohnt es sich zu verstehen, was LinkedIn misst. Die Workforce Insights-Plattform verfolgt Stellenanzeigen, die explizit KI-bezogene Skills nennen – von technischen Kernkompetenzen wie Machine Learning und LLM Fine-Tuning bis hin zu angewandten Fähigkeiten wie KI-gestütztem Workflow-Design und Prompt Engineering. Das 12-Monats-Fenster umfasst Q1 2025 bis Q1 2026.

Die Methodik ist wichtig, weil Kritiker manchmal argumentieren, die KI-Skill-Nachfrage sei durch Keyword-Stuffing in Stellenanzeigen aufgebläht. LinkedIns Ansatz validiert die Daten gegenüber tatsächlichen Profil-Endorsements und Recruiter-Suchanfragen – was die 142-%-Zahl belastbarer macht. Es geht nicht nur darum, was Unternehmen in Anzeigen fordern. Es geht darum, wonach Recruiter tatsächlich suchen und womit Kandidaten tatsächlich validiert werden.

Im Jahresvergleich zeigte 2024 einen Anstieg von 68 % bei derselben Kennzahl. Die Geschwindigkeit des Nachfragewachstums hat sich im Zeitraum 2025–2026 damit etwa verdoppelt. Diese Beschleunigung ist die eigentliche Botschaft.

Die fünf Rollenkategorien, die den Aufschwung treiben

Nicht alle KI-Rollen wachsen gleich stark. LinkedIns Daten unterteilen die Nachfrage in Rollenbündel, und fünf Kategorien machen über 70 % des Gesamtanstiegs aus:

Machine Learning Engineer bleibt die volumenstärkste Kategorie mit einem Stellenanzeigen-Anstieg von 178 % im Jahresvergleich. Das sind die Ingenieure, die Modelle aufbauen, verfeinern und in den Produktivbetrieb überführen – das operative Rückgrat jeder ernsthaften KI-Kompetenz.

AI Product Manager-Ausschreibungen stiegen um 161 %. Da KI von F&E in Produktlinien übergeht, benötigen Unternehmen PMs, die definieren können, was ein KI-Feature leisten soll, und die zwischen Engineering-, Rechts- und Commercial-Teams koordinieren, um es auf den Markt zu bringen.

Prompt Engineer / AI Interaction Designer wuchs um 194 % – die am schnellsten wachsende Kategorie in den Daten. Vor 18 Monaten war das kaum eine anerkannte Berufsbezeichnung. Heute ist es eine Einstellungspriorität bei Unternehmen, die Large Language Model-Deployments betreiben.

AI Analyst-Ausschreibungen stiegen um 138 %. Diese Rollen übersetzen KI-Ergebnisse in Geschäftsentscheidungen – sie liegen näher am Business-Analyst-Profil als an einer klassischen Data-Science-Rolle.

AI Operations Specialist wuchs um 122 %. Da sich KI-Tools über alle Abteilungen hinweg verbreiten, muss jemand die Infrastruktur verwalten, die Modellleistung überwachen, Lieferantenbeziehungen pflegen und Fehler in großem Maßstab beheben. Diese Rolle ist nach wie vor unterbesetzt im Verhältnis zur Nachfrage.

Die Angebots-Nachfrage-Lücke weitet sich aus, sie schließt sich nicht

Die unbequeme Rechnung für Führungskräfte: LinkedIn schätzt, dass es derzeit 2,3 qualifizierte Kandidaten pro 10 offene KI-Stellen weltweit gibt. Diese Lücke hat sich gegenüber 3,1 pro 10 im Vorjahr vergrößert.

Die Lücke ist nicht gleichmäßig verteilt. In Nordamerika liegt das Verhältnis bei etwa 2,8 Kandidaten pro 10 offene Stellen. In Europa ist es mit 1,9 enger. In Südostasien, wo die KI-Einstellungsaktivitäten stark zunehmen, aber der Talentpool kleiner ist, liegt es bei etwa 1,4. Unternehmen mit globalen Aktivitäten stehen vor einem ernsteren Mangel, als ihre Einstellungsdaten aus Nordamerika allein vermuten lassen.

Das Angebotsdefizit ist teilweise strukturell bedingt. Universitätspipelines für ML-Ingenieure und KI-Spezialisten wachsen, aber die Lücke zwischen Abschlussraten und Einstellungsgeschwindigkeit weitet sich auf einem 3-bis-5-Jahres-Horizont weiter aus. Umschulungsprogramme können die Lücke für angrenzende Rollen (AI Analyst, AI Operations, Prompt Engineer) schneller schließen als akademische Pipelines.

Die Zeit zur Besetzung von Stellen verschlechtert sich

Ein weiteres Signal, das es zu beobachten gilt: Die durchschnittliche Besetzungszeit für KI-Stellen ist in Q1 2026 auf 68 Tage gestiegen, gegenüber 52 Tagen im Vorjahr. Zum Vergleich: Nicht-KI-technische Rollen wurden im gleichen Zeitraum in 38 Tagen besetzt.

Für Unternehmen mit schlanken Recruiting-Teams bedeutet ein 68-tägiges Besetzungsfenster direkt verzögerte Produkt-Timelines, verfehlte Umsatzziele und Projekte, die in der Planung auf Headcount warten. Der kumulative Effekt ist, dass längere Besetzungszeiten Unternehmen zu Vertragslösungen treiben, die teurer sind und langfristig weniger institutionelle KI-Kompetenz aufbauen.

Was kluge Führungskräfte tun

Unternehmen, die die Lücke schneller schließen, übertreffen Wettbewerber nicht zwingend beim Gehalt. Sie füllen die Pipeline frühzeitig. Organisationen wie Capital One, Siemens und T-Mobile haben interne KI-Akademien aufgebaut, die hochpotenzielle Mitarbeitende identifizieren und in angrenzende KI-Rollen umschulen – die Zeit bis zur Produktivität reduziert sich dadurch von 6 Monaten auf unter 10 Wochen für Rollen wie AI Analyst und AI Operations. Die Entscheidung zwischen Upskilling und Neueinstellung hat für die meisten angewandten KI-Rollen eine klare ROI-Antwort – externe Einstellungen brauchen Monate, um das Produktivitätsniveau zu erreichen, das eine interne Umschulung in Wochen erreichen kann.

Die Umschulungsstrategie funktioniert am besten für Nicht-Engineering-KI-Rollen. Für ML Engineering und AI Product Management erfordert die nötige technische Tiefe, dass externe Einstellungen der primäre Weg bleiben. Unternehmen, die diese beiden Spuren trennen (Umschulung für angewandte KI-Rollen, externe Einstellung für Kern-KI-Engineering), besetzen Stellen schneller als jene, die versuchen, alle KI-Kompetenz intern aufzubauen. Eine praktische KI-Skills-Matrix kann abbilden, welche Rollen in Ihrer Organisation in welche Spur fallen, bevor Sie das Recruiting-Budget festlegen.

Spezialisierte KI-Recruiting-Firmen verzeichnen ebenfalls einen Nachfrageanstieg. Firmen, die sich ausschließlich auf KI- und ML-Talente fokussieren, machen mittlerweile rund 18 % der Senior-KI-Besetzungen aus, gegenüber 9 % vor zwei Jahren. Der Kompromiss ist der Preis: Diese Besetzungen kosten 20–30 % mehr als bei Generalisten-Recruitern. Aber für Unternehmen, bei denen ein 68-tägiges Besetzungsfenster echte Umsatzauswirkungen hat, rechnet sich dieser Aufpreis oft.

Die Gehaltsrealität

Die Vergütung ist ein Teil des Grundes für langsame Besetzungen. Der 142-prozentige Anstieg der Nachfrage wurde nicht durch 142 % mehr KI-Talente begleitet, die bereit wären, Standardgehaltsspannen zu akzeptieren. Die mittleren Grundgehälter für ML-Ingenieure überschritten in Q1 2026 für US-basierte Rollen 185.000 US-Dollar. AI Product Manager liegen im Durchschnitt bei 172.000 US-Dollar. Prompt Engineers, noch eine junge Kategorie, variieren stark: von 95.000 bis 155.000 US-Dollar, je nach Kontext und Branche.

Beschäftigte mit KI-Kenntnissen erzielen nun einen Gehaltsaufschlag von 27 % über alle Jobkategorien hinweg, was bedeutet, dass der Nachfrageanstieg nicht auf reine KI-Rollen beschränkt ist. Finanzanalysten, Marketing Manager und Operations Leads, die mit KI-Tools arbeiten können, sehen ebenfalls Vergütungszuwächse. CEOs, die Gehaltsband-Updates für KI-angrenzende Rollen versäumen, erleben Abwanderung zu Wettbewerbern, die das bereits getan haben.

Was in H2 2026 zu beobachten ist

Zwei Szenarien sind es wert, verfolgt zu werden. Das erste: Das Nachfragewachstum normalisiert sich, wenn die initialen KI-Deployment-Wellen abgeschlossen sind und Unternehmen von Aufbau auf Betrieb umstellen. Einige Analysten prognostizieren, dass die Nachfrage nach Prompt Engineers im Besonderen nachlassen könnte, wenn KI-Tooling reift und der Bedarf an manuellem Prompt Engineering in großem Maßstab sinkt.

Das zweite Szenario – wahrscheinlicher auf Basis aktueller Signale – ist, dass die Nachfrage weiter beschleunigt, wenn Branchen, die KI-Talente noch relativ langsam einstellen, ihren eigenen Wendepunkt erreichen und aggressiv anfangen einzustellen. Gesundheitswesen, Rechtsbranche und öffentlicher Sektor liegen alle deutlich hinter Finanzdienstleistungen und Einzelhandel in der KI-Talentdichte zurück. Wenn diese Sektoren ihre eigenen Inflektionspunkte erreichen, werden sie um denselben Talentpool konkurrieren, der bereits knapp ist.

Das dritte Signal zu beobachten ist, ob Nicht-Tech-Stellenanzeigen weiterhin KI-Skill-Anforderungen im aktuellen Tempo einbeziehen. KI-Skill-Anforderungen tauchen nun in Nicht-Tech-Stellenanzeigen auf in einem Tempo, das noch vor 18 Monaten unvorstellbar gewesen wäre. Wenn sich dieser Trend beschleunigt, erweitert sich der effektiv benötigte Talentpool zur Unterstützung einer KI-kompetenten Belegschaft deutlich über die aktuellen KI-Rollenkategorien hinaus.

Die CEO-Perspektive

Die 142-%-Zahl ist eine Eingabe für eine Entscheidung, keine Schlagzeile zum Abheften. Die praktische Frage für CEOs lautet, ob ihre aktuelle KI-Einstellungsgeschwindigkeit günstig im Vergleich zu einem Markt abschneidet, in dem die Nachfrage im Jahr 2025 doppelt so schnell gewachsen ist wie 2024.

Wenn die Antwort unsicher ist, liefern die zugrundeliegenden Daten (Besetzungszeit, Gehalts-Benchmarks, Wachstumsraten nach Rollenkategorien) genug Detailtiefe, um den Einstellungsplan gegen das zu testen, wie der Markt in Q2 2026 tatsächlich aussieht. Das nächste Planungszyklus abzuwarten, um die KI-Talentstrategie anzugehen, ist keine neutrale Entscheidung. Es ist die Entscheidung, weiter hinter einer Kurve zurückzufallen, die sich bereits bewegt hat.

Mehr erfahren