Production-AI-Engineering-Team prüft das Dashboard eines produktiv laufenden Modells
Zurück zu den Einblicken
Unternehmen & Menschen

Der Production AI Engineer: Warum die wertvollsten Einstellungen 2026 keine Forscher sind

2026-04-14
7 Min. Lesezeit

Kernaussage

"Der Arbeitsmarkt für KI hat sich unbemerkt gedreht: Production Engineers, die KI-Systeme ausliefern und betreiben können, sind inzwischen mehr wert als Forschungsspezialisten. Was das für den Teamaufbau in Unternehmen bedeutet."

Die Einstellung, die sich geändert hat, ohne dass es jemand angekündigt hat

Vor zwei Jahren war der gefragteste KI-Profi ein Research Scientist: jemand, der am Montag ein Paper liest und bis Freitag eine neuartige Architektur vorschlägt. Dieses Profil zählt weiterhin, entscheidet aber nicht mehr darüber, ob eine KI-Initiative im Unternehmen gelingt oder ins Stocken gerät. Das Profil, das heute über das Ergebnis entscheidet, ist der Production AI Engineer: jemand, der ein funktionierendes Modell nimmt, es in ein reales System mit realen Nutzern einbindet, unter realer Last am Laufen hält und die Verantwortung trägt, wenn es um 2 Uhr nachts ausfällt.

Das ist keine Vermutung. Die Recruiting-Daten von LinkedIn zeigen, dass die Stellenanzeigen für KI und Machine Learning im Verlauf des Jahres 2025 um 74% gegenüber dem Vorjahr gewachsen sind und sich in Q1 2026 mit 91% gegenüber dem Vorjahr weiter beschleunigt haben. Im Januar 2026 erreichten die aktiven KI/ML-Anzeigen auf der Plattform weltweit rund 847.000. Für Führungskräfte in Unternehmen ist vor allem wichtig, woher diese Nachfrage kommt: 58% dieser Anzeigen stammen inzwischen von außerhalb der Technologiebranche, angeführt von Finanzdienstleistungen, Gesundheitswesen und Handel, also Branchen, die nicht mehr Forscher brauchen. Sie brauchen Ingenieure, die KI in Produktion bringen, ohne Compliance, Verfügbarkeit oder Kundenerlebnis zu gefährden.

Funktionsübergreifendes KI-Engineering-Team im täglichen Standup

Warum sich der Schwerpunkt verschoben hat

Drei Kräfte haben den Markt von der Forschung zur Produktion bewegt. Erstens sind Foundation Models zu einem handelsüblichen Vorprodukt geworden und kein Unterscheidungsmerkmal mehr: Die meisten Unternehmen beziehen ein Modell über eine API, statt eines zu trainieren, wodurch der Bedarf an großen eigenen Forschungsteams stark sinkt. Zweitens haben sich die schwierigen Probleme in nachgelagerte Bereiche verlagert: Datenpipelines, Retrieval-Qualität, Latenzbudgets, Kosten pro Inferenz, Monitoring und Rollback-Pläne. Nichts davon ist Forschung, alles davon ist Production Engineering. Drittens stellen Vorstände und CFOs inzwischen eine direktere Frage als „Ist das Modell genau?“: Sie fragen „Verdient dieses System sicher Geld für uns, und wer ist dafür verantwortlich?“ Diese Frage kann nur jemand beantworten, der das laufende System verantwortet, nicht das Paper dahinter.

Der Markt hat diese Verschiebung eingepreist. Auswertungen der Vergütungsdaten 2026 beziffern das mittlere Grundgehalt eines AI Engineers auf rund 185.000 $, die Gesamtvergütung bei Spitzenarbeitgebern auf über 250.000 $ einschließlich Aktienanteilen und Bonus. Wer nachweisbare Fähigkeiten in der Auslieferung angewandter KI mitbringt, erzielt einen dokumentierten Aufschlag gegenüber Kollegen in vergleichbaren Rollen ohne diese Erfahrung. Wir verstehen diese Zahlen als Richtwerte des Marktes und nicht als feste Maßstäbe: Vergütungsportale unterscheiden sich in Methodik und Stichprobe, und jeder Einstellungsplan sollte vor der Festlegung von Angeboten anhand aktueller Daten für die jeweilige Region und Rolle geprüft werden.

Im technischen Interview wird das KI-Deployment-Portfolio eines Kandidaten bewertet

Die praktische Folge zeigt sich zuerst darin, wie Rollen zugeschnitten werden. Eine Bank, die vor zwei Jahren einen „Machine-Learning-Forscher“ ausgeschrieben hätte, um ein Betrugserkennungsmodell zu verbessern, schreibt heute eher jemanden aus, der dieses Modell unter regulatorischer Prüfung weiter Vorhersagen liefern lässt, mit dokumentierter Herkunft jeder Entscheidung. Ein Händler, der eine Empfehlungs-Engine baut, misst den Erfolg nicht mehr allein an einer Offline-Genauigkeitskennzahl. Er misst ihn daran, ob das System bei einer Traffic-Spitze am Black Friday korrekt weiterläuft, bei Ausfall einer Abhängigkeit kontrolliert an Leistung verliert und gegenüber einem Compliance-Beauftragten erklärt werden kann, der fragt, warum einem Kunden ein bestimmtes Angebot gezeigt wurde. Nichts davon ist Forschung. Alles davon ist Engineering, bei dem KI eine Komponente in einem größeren System ist, das betrieben, überwacht und verteidigt werden muss.

Was „Production AI Engineer“ tatsächlich bedeutet

Die Bezeichnung steht für ein konkretes, prüfbares Bündel an Fähigkeiten und nicht für eine vage Senioritätsstufe:

  • Retrieval und Grounding: ein Modell über Retrieval-Augmented Generation an interne Daten anbinden, damit Antworten auf den tatsächlichen Dokumenten und Systemen des Unternehmens beruhen und nicht nur auf den Trainingsdaten des Modells.
  • Disziplin bei der Evaluation: wiederholbare Testsets und Bewertungspipelines aufbauen, damit sich eine Modelländerung an einer Baseline messen lässt und nicht „fühlt sich besser an“ das einzige verfügbare Signal ist.
  • Kosten- und Latenz-Engineering: die passende Modellgröße, Caching-Strategie und Batching-Methode für Budget und Antwortzeitziel wählen, eine Fähigkeit, die vor drei Jahren als Stellenanforderung kaum existierte.
  • Fehlerbehandlung: Fallbacks für den Fall entwerfen, dass ein Modell falsch liegt, langsam ist oder ausfällt, damit ein einzelner Vorfall beim Anbieter keine kundennahe Funktion lahmlegt.
  • Funktionsübergreifende Verständigung: zwischen Data Science, Platform Engineering, Security und dem Fachverantwortlichen vermitteln, der das Ergebnis freigeben muss.

Recruiting-Studien zeigen die Verschiebung direkt: Die Einstellungskriterien bevorzugen zunehmend Kandidaten, die KI-Systeme in Produktion bereitstellen und skalieren können, gegenüber solchen, deren Stärke allein in der Forschungsmethodik liegt. Das verändert, was „Senior“ in dieser Disziplin bedeutet, und die meisten Stellenbeschreibungen und Interviewverfahren haben das noch nicht nachgezogen.

Führungskräfte planen die KI-Personalstrategie an einem Tisch

Was eine falsche Einstellung kostet

Die Kosten des alten Einstellungsmodells zeigen sich Monate nach dem Angebotsschreiben und nicht am Tag der Unterschrift. Eine Einstellung mit starkem Forschungs- und schwachem Produktionsprofil kann einen beeindruckenden Proof of Concept liefern und tut sich dann schwer, wenn der Prototyp echten Traffic, echte Probleme bei der Datenqualität und einen echten Vorfall zu unpassender Stunde überstehen muss. Das Projekt scheitert nicht sofort, es bleibt still in einer Phase „Wir machen es produktionsreif“ hängen, die Monate dauern kann und Budget sowie Glaubwürdigkeit bei den Fachbereichen verbraucht, die die Initiative genehmigt haben. Wenn die Führung das Muster bemerkt, hat sich das Team intern oft schon den Ruf erworben, die Gruppe zu sein, die nichts ausliefern kann. Das ist schwerer zu beheben als der ursprüngliche Einstellungsfehler.

Der umgekehrte Fehler kommt ebenfalls vor: Man stellt einen starken Platform Engineer ein, der nicht weiß, wie sich Modelle tatsächlich verhalten, und der ein Sprachmodell wie einen deterministischen Microservice behandelt. Beim ersten Mal, wenn es unter Bedingungen, die im Test unauffällig waren, eine überzeugt klingende falsche Antwort gibt, ist er überrascht. Die richtige Einstellung liegt zwischen diesen beiden Fehlerbildern, und die meisten bestehenden Interviewverfahren, die entweder auf den „klassischen Software Engineer“ oder auf den „Research Scientist“ ausgelegt sind, sind nicht dafür gemacht, diese Person zu finden.

Was Führungskräfte wissen müssen

  • Schreiben Sie die Stellenbeschreibung um, bevor Sie sie veröffentlichen. Liest sie sich wie die Anzeige für einen Research Scientist, mit viel Gewicht auf Publikationen und wenig auf Verantwortung für den Produktivbetrieb, filtern Sie die Kandidaten aus, die tatsächlich ausliefern können, und ziehen einen Pool an, der gut qualifiziert, aber unter realen Betriebsbedingungen ungetestet ist.
  • Behandeln Sie den Talentmangel als Problem der Beschaffung, nicht des Budgets. Berichtete Verhältnisse von offenen Stellen zu qualifizierten Kandidaten liegen in diesem Feld bei mehreren zu eins. Ein höheres Angebot allein behebt keine Knappheit am Markt, und Unternehmen, die sich nur auf inländische Bewerberpools stützen, spüren diese Einschränkung am stärksten und verlieren oft Monate mit einer unbesetzten Stelle, statt anzupassen, wo und wie sie nach Talenten suchen.
  • Machen Sie Evaluation zum festen Bestandteil Ihrer Einstellungskriterien. Lassen Sie Kandidaten schildern, wie sie eine Modelländerung vor der Auslieferung getestet haben und nicht nur, welche Genauigkeitszahl sie in einem Notebook erreicht haben, und achten Sie darauf, ob sie einen Fehler beschreiben können, den sie abgefangen haben, bevor er einen Kunden erreichte.
  • Planen Sie globales Sourcing ein. Eine verteilte Talentstrategie über mehrere Märkte statt eines einzelnen lokalen Bewerberpools ist inzwischen praktisch notwendig, um Production-AI-Rollen im Tempo des Geschäfts zu besetzen, und keine Zugabe, die nur der Kosteneinsparung dient.
  • Gestalten Sie das Interviewverfahren um, nicht nur die Stellenanzeige. Eine Hausaufgabe oder Live-Session, die nur algorithmisches Wissen prüft, übersieht systematisch das Urteilsvermögen für den Produktionsbetrieb, das diese Rolle verlangt. Binden Sie ein Szenario ein, in dem sich ein Modell vor echten Nutzern unerwartet verhält, und beobachten Sie, wie der Kandidat darüber nachdenkt.

Der GTEMAS-Ansatz

GTEMAS ist gerade deshalb um das Modell des Talent Ecosystem herum gebaut, weil die Fähigkeiten, die Unternehmen brauchen, nicht ordentlich in einem Büro oder einer Zeitzone sitzen. Unsere Ingenieure werden nach Produktionskriterien ausgewählt und bewertet: ausgelieferte Systeme, Verantwortung im Bereitschaftsdienst und messbare Ergebnisse, nicht allein nach formalen Abschlüssen. Wenn ein Kunde von „Wir haben einen funktionierenden Prototyp“ zu „Das läuft sicher in Produktion, im großen Maßstab und mit einem verantwortlichen Team dahinter“ kommen muss, ist das die Lücke, die unser Talentmodell schließen soll. Unterstützt wird das durch FastDX, unsere AI-native Delivery-Pipeline, die Monitoring und Produktionsreife-Prüfungen von Anfang an in die Pipeline einbaut, statt sie nach der Auslieferung eines Prototyps anzuflanschen.

Verteiltes Engineering-Team arbeitet zeitzonenübergreifend zusammen

Wir investieren außerdem gezielt in die menschlichen Fähigkeiten, die beim Recruiting am schwersten zu finden sind: das Urteilsvermögen, zu erkennen, dass die Ausgabe eines Modells falsch ist, auch wenn sie überzeugend klingt, und die zwischenmenschliche Fähigkeit, einen Fachverantwortlichen, einen Security-Reviewer und ein Datenteam auf eine gemeinsame Auslieferungsentscheidung auszurichten. Diese Fähigkeiten tauchen in keinem Benchmark-Wert auf, aber sie trennen ein Modell, das in der Demo funktioniert, von einem, das für einen zahlenden Kunden in Produktion funktioniert.

Gemeinsam bauen

Wenn Ihre KI-Roadmap stockt, weil das Team, das Sie haben, auf Experimente statt auf Verantwortung für den Produktivbetrieb ausgerichtet ist, ist das ein Problem der Talentarchitektur und keines der Technologie. Sprechen Sie mit GTEMAS darüber, ein produktionsreifes KI-Engineering-Team um Ihre Roadmap herum aufzubauen und nicht um die, die gerade verfügbar waren.

Quellen

Brauchen Sie Engineering-Beratung?

Sagen Sie dem GTEMAS-Team, was Sie bauen, und besprechen Sie es mit einem Experten.

Mit einem Experten sprechen