Der Artikel von Piero Paialunga, der nach eigenen Angaben seit 7 Jahren KI in Forschung und Industrie einsetzt, richtet sich gezielt an Studenten sowie früh- bis mittelstufige Data Scientists. Anhand der Analogie eines fiktiven Architekten „Isaac" aus den frühen 1980ern, der den Taschenrechner verweigert, veranschaulicht er das Risiko, nützliche Produktivitätswerkzeuge aus Skepsis zu ignorieren. Zugleich warnt Paialunga vor dem gegenteiligen Fehler: LLMs als eigenständig denkende Problemlöser zu behandeln. LLMs seien starke Informationsabrufer, aber schwache Extrapolatoren – sie lieferten bei klar definierten Aufgaben gute Ergebnisse, scheiterten jedoch bei offenen, schlecht strukturierten Problemen, wie ein virales Beispiel zeigt, bei dem ein LLM empfahl, zur Autowaschanlage zu laufen statt zu fahren. Der Artikel plädiert dafür, einen eigenen, personalisierten KI-Workflow aufzubauen – unter anderem mit sogenannten „Skills/Commands", „MCPs" und Loops in Tools wie Claude Code, Codex oder Cursor. Die eigentliche kreative und strategische Denkleistung – etwa das Abwägen von Unternehmensbedürfnissen, das Einschätzen von Stakeholder-Perspektiven und das Vernetzen von Teilproblemen – soll dabei beim Menschen verbleiben. Paialungas Kernthese: Der langfristige Berufswert eines Data Scientists entsteht nicht durch den KI-Stack, sondern durch analytisches Urteilsvermögen, Statistikkenntnisse und Kreativität.