3 Erkenntnisse aus dieser Folge
- 01
Die ehrliche AI-Rechnung fragt nicht 'Wie viele FTE sparen wir?', sondern 'Welche Arbeit könnten wir ohne AI überhaupt nicht leisten?'.
- 02
Data Engineering bleibt Handarbeit. AI macht viele Workflows schneller, aber die Qualitäts-Verantwortung liegt nach wie vor bei den Engineers.
- 03
Wer AI-Nutzen messen will, braucht Baselines — Zahlen aus der Vor-AI-Zeit, mit denen man vergleichen kann. Ohne Baseline ist jeder AI-Case Marketing.
Worum es in dieser Folge geht
Dritter und letzter Teil der Statista-Plus-Serie. Nach Frederik (strategische Neuaufstellung, Teil 1) und Eike (Erhebungsmethoden, Teil 2) gehen wir mit Kaba in den Engine Room. Kaba verantwortet Data Engineering und beschreibt, wo AI bei Statista wirklich produktiv ist — und wo noch klassische Arbeit passiert.
Die Storyline
Der 800-Werkstudenten-Vergleich
Die Aussage klingt plakativ, hat aber eine klare Rechnung dahinter. Statista baut Datenpipelines, die pro Woche Millionen von Datensätzen extrahieren, strukturieren, normalisieren. Das in Werkstudenten-Arbeit zu übersetzen, wäre nicht nur teuer, sondern unmöglich — die Qualität würde kollabieren.
Die ehrliche Frage ist nicht, was AI ersetzt. Die ehrliche Frage ist: Welche Arbeit wäre ohne AI nie entstanden?
Wo AI wirklich hilft
Kaba nennt konkrete Stellen: Extraktion aus unstrukturierten Quellen, Klassifikation in Taxonomien, Plausibilitätsprüfung auf Datensatz-Ebene, Sprachverarbeitung für internationale Inhalte. Das sind Stellen, an denen klassisches ETL nicht funktioniert — weil die Eingabedaten zu variabel sind.
Wo klassisches Data Engineering bleibt
Überall dort, wo Qualität und Reproduzierbarkeit zählen: Pipelines, Orchestrierung, Monitoring, Lineage, Datenproduktdokumentation. Diese Arbeit wird durch AI schneller, nicht ersetzbar.
Die Baseline-Falle
Eines der wichtigsten Argumente der Folge: Wer AI-Nutzen messen will, braucht belastbare Vorher-Zahlen. Viele Unternehmen haben keine — und produzieren dann beliebige "AI hat X gespart"-Geschichten, die in Wirklichkeit nichts belegen.
Warum mich das besonders umtreibt
Ich mag, wie ruhig und präzise Kaba über AI spricht. Kein Hype, keine Angst — einfach operativ. Das ist die Sprache, in der AI-Projekte wirklich erfolgreich werden. Für alle, die gerade planen, AI in Data-Pipelines einzusetzen, ist das Gold.