Developing a Consultant Mindset in the AI Era: Welche Fähigkeiten uns von AI unterscheiden

Lesezeit: 10 Minuten

Redaktioneller Hinweis: Dieser Beitrag wurde von unserer Kollegin Lisa Hitch von The Information Lab US verfasst und für unsere deutschsprachige Website übersetzt.

AI kann inzwischen Datenvisualisierungen und Dashboards erstellen. Aber welche Fähigkeiten zeichnen uns als Datenanalyst:innen und Consultants heute noch aus?

Hi! Ich bin Lisa und habe in den vergangenen zweieinhalb Jahren als Data Consultant in der Finanzbranche gearbeitet. Inzwischen begleite ich angehende Data Consultants auf ihrem Weg in den Beruf. Als Coach beschäftigt mich dabei immer wieder eine Frage: Welche Fähigkeiten muss ich vermitteln, damit sie sich auch im Zeitalter von AI auf dem Arbeitsmarkt behaupten können?

Technische Fähigkeiten allein reichen nicht mehr aus

Einen Mehrwert für Unternehmen zu schaffen, bedeutet heute mehr, als einfachen SQL-Code zu schreiben oder grundlegende Datenvisualisierungen zu erstellen. AI ist inzwischen so gut darin geworden, dass sie viele dieser Aufgaben übernehmen kann. Wenn also technische Aspekte unserer Arbeit automatisiert werden, sollten wir uns stärker auf die Fähigkeiten konzentrieren, die AI bislang fehlen:

Das große Ganze im Blick behalten
Den geschäftlichen Kontext verstehen
Kritisch denken und auch mal widersprechen
Die Bedürfnisse unserer Stakeholder verstehen
Lösungen entwickeln, die bessere Entscheidungen ermöglichen und schneller zu verwertbaren Erkenntnissen führen

Kurz gesagt: Ein Consultant Mindset, also eine beratende Denkweise, hilft uns dabei, uns auf dem heutigen Arbeitsmarkt abzuheben und Fähigkeiten einzubringen, die AI nicht ohne Weiteres ersetzen kann.

Stell es Dir so vor: Egal, ob Du als Datenanalyst:in oder bereits als Consultant arbeitest, Du bist die Person, die den geschäftlichen Kontext eines Projekts versteht. Du kannst beurteilen, wie sich AI-generierte Ergebnisse verbessern lassen, damit sie tatsächlich einen Mehrwert bieten. Und Du machst daraus Werkzeuge, die Menschen dabei unterstützen, menschliche Entscheidungen zu treffen.

Was uns von AI unterscheidet

1. Beziehungen aufbauen

Als Datenanalyst:innen und Consultants stoßen wir ständig Veränderungen an. Wenn wir Daten in einem Dashboard präsentieren, wollen wir damit etwas vermitteln und im besten Fall eine Handlung auslösen. Doch Veränderungen fallen vielen schwer, besonders wenn sie ihnen einfach vorgesetzt werden. Hier kommen unsere Beziehungen zu den Stakeholdern ins Spiel.

Wenn Du verstehst, was Deine Stakeholder beschäftigt und wo sie gerade stehen, kannst Du Deine Analysen und die damit verbundenen Veränderungen schrittweise an ihre Bedürfnisse anpassen. Du musst also nicht gleich das ausgefeilteste Dashboard entwickeln. Vielleicht beginnst Du mit einer einfachen, farblich gekennzeichneten Tabelle, weil Dein Stakeholder bisher noch nie mit Dashboards gearbeitet hat. Damit baust Du Vertrauen auf. Sobald dieses Vertrauen da ist, kannst Du einen Schritt weitergehen und beispielsweise ein Diagramm einführen. Nach einigen Iterationen hast Du schließlich ein vollständiges Dashboard und das Vertrauen Deines Stakeholders gewonnen. Wenn das nächste Mal eine Analyse benötigt wird, kommt die Person wieder auf Dich zu.

AI kann Beziehungen und Vertrauen bislang nur sehr eingeschränkt aufbauen. Deshalb sollten wir uns wieder stärker mit dem menschlichen Teil unserer Arbeit beschäftigen und die Beziehungen zu Endnutzer:innen, Stakeholdern und Führungskräften pflegen.

2. Eigeninitiative zeigen

AI wird erst aktiv, wenn Du ihr eine entsprechende Anweisung gibst. Das bedeutet auch, dass Du bereits wissen musst, wonach Du fragen möchtest. Ein Consultant oder ein:e Datenanalyst:in mit einem Consultant Mindset wartet dagegen nicht einfach auf die nächste Aufgabe. Wer mit dieser Denkweise arbeitet, erkennt, wo Lösungen gebraucht werden, welche Lücken bestehen und welche Projekte sinnvoll wären, auch wenn bisher noch niemand daran gedacht hat. Und genau diese Eigeninitiative ist eine der Eigenschaften, die Dich für ein Unternehmen besonders wertvoll machen. Wenn Du Dich also abheben möchtest, achte darauf, wo etwas fehlt oder verbessert werden könnte. Sprich diese Themen selbst an und bring mögliche Lösungen ins Gespräch.

3. Das große Ganze sehen und den geschäftlichen Kontext verstehen

AI kann Dir problemlos ein Balkendiagramm für jede Kategorie erstellen oder standardmäßig Durchschnittswerte berechnen. Ein Consultant fragt sich zunächst, warum die Daten überhaupt erhoben wurden und welche Entscheidungen die Endnutzer:innen damit treffen möchten. Erst danach wird die Analyse entsprechend gestaltet.

Ein Beispiel: AI erstellt ein Balkendiagramm für den Umsatz nach Kategorie und ein weiteres für den Gewinn nach Kategorie. Beide Diagramme sind nach Kategorien eingefärbt. Das Ergebnis wirkt schnell überladen, ohne wirklich aufschlussreiche Erkenntnisse zu liefern. Wir wissen aber, dass wir eigentlich die Kategorien mit schwacher Performance identifizieren möchten. Deshalb könnten wir stattdessen ein Streudiagramm erstellen, das Kategorien mit niedrigem Umsatz und niedrigem Gewinn gezielt rot hervorhebt.

Den geschäftlichen Kontext zu verstehen, ist auch wichtig dafür, ob ein Dashboard später tatsächlich genutzt wird. Niemand möchte mit einem überladenen Dashboard arbeiten, das den Alltag oder Entscheidungen unnötig kompliziert macht. Aber ein Dashboard, das innerhalb von fünf Sekunden die wichtigste Erkenntnis sichtbar macht? Das ist ein echtes Werkzeug zur Entscheidungsunterstützung! Und dafür müssen wir sowohl das Unternehmen als auch die Endnutzer:innen verstehen.

Wenn Du mehr darüber erfahren möchtest, wie Du Dashboards auf den geschäftlichen Kontext und die Bedürfnisse Deiner Stakeholder ausrichtest, empfehle ich Dir diesen Blogbeitrag über die Lücke zwischen Dashboard-Entwicklung und tatsächlicher Nutzung: Dashboards with Impact

4. Wissen, wann man innehalten und das Problem hinterfragen sollte

Etwas, das mir in meiner täglichen Arbeit immer wieder auffällt: AI liefert Dir immer eine Antwort. Sie versucht stets, ein Ergebnis zu produzieren und Deine Frage zu beantworten. Ein Consultant geht anders vor. Er hält zunächst inne und überlegt, was die eigentliche Ursache des Problems ist. Er prüft, welcher erste Schritt sinnvoll wäre, um das Problem anzugehen und fragt sich, ob überhaupt alle notwendigen Informationen vorliegen, bevor er mit der Umsetzung beginnt.

5. Ehrlich sein (auch wenn es unangenehm sein kann)

AI neigt dazu, Dinge zu halluzinieren oder Dir zuzustimmen, selbst wenn Deine Idee vielleicht gar nicht besonders gut ist. Ein guter Consultant macht das anders! Ein Consultant weiß, wann es sinnvoll ist, kritisch nachzufragen oder eine andere Meinung zu vertreten. Ein Consultant würde keine Daten zurückhalten, sondern erklären, warum die Ergebnisse so aussehen, wie sie aussehen. Auch dann, wenn diese Erklärung unangenehm sein kann. Langfristig ist es gerade diese Ehrlichkeit, die Vertrauen bei Stakeholdern schafft.

6. Soft Skills

Die bisher genannten Fähigkeiten gehören in gewisser Weise bereits zu den Soft Skills. Aber auch bei den klassischen Soft Skills können wir uns von AI abheben: durch überzeugende und mitreißende Präsentationen, die Fähigkeit, unsere Kommunikation an unterschiedliche Zielgruppen anzupassen, die richtigen Fragen zu stellen, die Stimmung im Raum einzuschätzen und Erkenntnisse prägnant zusammenzufassen.

Hier spielt auch Data Storytelling eine wichtige Rolle. Es geht darum, Erkenntnisse in eine Geschichte zu verpacken, die für das Publikum nachvollziehbar und überzeugend ist, anstatt einfach nur Fakten zu präsentieren.

Eine Frage fehlt noch: Wie können wir AI sinnvoll einsetzen?

Bisher haben wir darüber gesprochen, wie wir uns durch unsere Fähigkeiten von AI abheben können. Das heißt aber keineswegs, dass ich AI schlechtreden möchte. Ganz im Gegenteil! Ich nutze generative AI selbst häufig, um meine Arbeit zu verbessern und effizienter zu werden. Die eigentliche Frage lautet deshalb: Wie setzen wir AI so ein, dass sie unseren Wert als Fachkräfte erhöht, anstatt einfach nur einzelne Aufgaben zu übernehmen?

Ich nutze AI beispielsweise, um erste Ideen zu diskutieren, meine Überlegungen auf Plausibilität zu prüfen, Unterstützung bei Codefehlern zu bekommen oder Feedback zu bereits vorhandenen Entwürfen einzuholen, etwa zu Skizzen oder Texten. Manchmal bitte ich AI auch, meine Texte kürzer und prägnanter zu formulieren, zum Beispiel E-Mails an Führungskräfte. Oder ich lasse mir Ideen für neue Diagramme vorschlagen. Dabei habe ich eine persönliche Regel: Ich nutze AI, um meine Arbeit zu verbessern, aber ich überlasse ihr nicht den Anfang. Diesen Blogbeitrag habe ich beispielsweise zunächst vollständig selbst geschrieben. Erst danach habe ich AI genutzt, um den Text zusammenhängender zu gestalten. Was ich dagegen bewusst vermeide, ist, meine Blogbeiträge von Anfang an von AI schreiben zu lassen. Dadurch würde meine eigene Stimme verloren gehen. Und mit der Zeit vielleicht auch meine Fähigkeit, einfach die Kopfhörer aufzusetzen und eigenständig einen drei Seiten langen Blogartikel zu verfassen. Ich liebe es zu schreiben! Diese Fähigkeit zu verlieren, wäre für mich wirklich schade. Bei anderen Aufgaben halte ich es genauso. Ich erstelle vielleicht eine erste Dashboard-Skizze und frage AI anschließend nach Feedback. Aber mein eigenes Denken möchte ich dadurch nicht ersetzen.

So nutzen wir AI bei The Information Lab

1. Will Suttons ChatGPT zur Vorbereitung auf die Tableau Data Analyst Certification (UK)

Vor einiger Zeit hat Will Sutton einen ChatGPT-Agenten entwickelt, mit dem man Übungsfragen für die Tableau Data Analyst Certification abrufen kann. Die Fragen basieren auf den Tableau-Hilfeseiten. Der Agent erklärt außerdem, warum bestimmte Antworten richtig oder falsch sind. Damit soll er vor allem die Vorbereitung auf die Zertifizierungsprüfung unterstützen und das Lernen erleichtern. Wichtig: Der Agent wurde zuletzt 2025 aktualisiert. Einige Inhalte könnten deshalb inzwischen veraltet sein.

Hier kannst Du ihn ausprobieren: Tableau Certified Data Analyst Exam GPT

2. Will Suttons Tableau MCP Use Case (UK)

Auf der Tableau Conference 2026 hat Will Sutton verschiedene Anwendungsfälle für das Model Context Protocol (MCP) von Tableau vorgestellt. Einer davon zeigt, wie sich Benachrichtigungen und Zusammenfassungen von Analyseberichten automatisch auslösen und außerhalb der regulären Arbeitszeiten direkt an Slack senden lassen. Der Vorteil: Früher mussten Führungskräfte unter Umständen bis zum nächsten Arbeitstag warten, bis Analyst:innen Berichte erstellen oder auf Auffälligkeiten hingewiesen hatten. Ein Agent kann solche Benachrichtigungen und Berichte anhand festgelegter Parameter automatisch bereitstellen. Ein weiterer Anwendungsfall zeigt, wie sich mit dem Tableau Public MCP Workbooks abfragen und daraus Tutorials erstellen lassen. So können Teams ihre Tableau-Kenntnisse gezielt erweitern.

Hier findest Du die Aufzeichnung seines Vortrags auf der Tableau Conference: Aufzeichnung auf Salesforce+

Mehr darüber, wie sich aus Workbooks Tutorials erstellen lassen, erfährst Du hier: Upskill Your Team With Tableau Public MCP

3. Dan Bostroms Report Agent (US)

Dan Bostrom, Consultant bei The Information Lab US, hat 2026 einen Agenten in Snowflake entwickelt, der auf verschiedene Datenquellen zugreifen kann. Dazu gehören sowohl unstrukturierte Textberichte als auch Finanzdaten. Nutzer:innen können über natürliche Sprache Fragen zu diesen Daten stellen. Beispielsweise: Wie unterscheidet sich die Stimmung in Berichten aus dem Jahr 2025 von der in Berichten aus 2026? Der Agent nutzt Snowflake Cortex Search, um unstrukturierte Texte zu durchsuchen. Für die Abfrage strukturierter Daten verwendet er zusätzlich Cortex Analyst mit Text-to-SQL-Funktionalität. Eine semantische Sicht stellt dabei den notwendigen geschäftlichen Kontext bereit. Der Agent ermöglicht es, gezielte Fragen zu stellen, Zusammenfassungen anzufordern und nach bestimmten Schlüsselwörtern zu suchen. Gleichzeitig sorgen festgelegte Zugriffsbeschränkungen dafür, dass er nur auf die vorgesehenen Datenquellen und Werkzeuge zugreifen kann.

4. Frederik Egervaris Data Quality Monitoring Agent (Deutschland)

Frederik Egervari von The Information Lab Deutschland hat einen Agenten entwickelt, der mithilfe von Tableau MCP die Datenqualität veröffentlichter Datenquellen (Published Data Sources) überwacht und damit die Prüfung der Datenqualität vereinfacht. Der Agent erkennt unter anderem Datenlücken, Ausreißer, fehlerhafte oder veraltete Datenpipelines sowie unerwartete Datenverteilungen.

Mehr über das Projekt erfährst Du hier: Automated Data Quality Monitoring for Tableau

AI in der Datenanalyse bei The Information Lab

Bei The Information Lab Deutschland beschäftigen wir uns damit, wie AI die Arbeit mit Daten verändert. Von AI-gestützten Analysen bis zur Integration von AI Agents in bestehende Datenumgebungen unterstützen wir Unternehmen dabei, neue Möglichkeiten sinnvoll zu nutzen.

Du möchtest erfahren, welche Ansätze für Deine Datenlandschaft interessant sein könnten? Dann komm gerne mit uns ins Gespräch.

Projekt besprechen