KI-Ingenieure einstellen: Skills, Prüfung und Warnsignale

Wie stellt man KI-Ingenieure ein?

Um KI-Ingenieure einzustellen, legen Sie zuerst fest, ob Sie jemanden brauchen, der Features auf bestehenden LLMs entwickelt, oder jemanden, der eigene Modelle trainiert. Prüfen Sie Kandidaten dann an echter Arbeit: mit einer kleinen Praxisaufgabe, einem Systemdesign für ein LLM-Feature und der Frage, wie sie die Qualität der Ergebnisse bewerten. Das Senioritätslevel sollte zum Risiko der Aufgabe passen, nicht zum Hype darum.

Jobtitel sind in diesem Bereich uneinheitlich. Dieselbe Person nennt sich vielleicht KI-Ingenieur, ML-Ingenieur, LLM-Engineer oder Applied Scientist – achten Sie also auf den beruflichen Werdegang, nicht auf den Titel. Ein klares Briefing, das das Produktproblem, die vorhandenen Daten und die geplanten Modelle benennt, filtert Kandidaten schneller als jede Keyword-Liste.

KI-Ingenieur vs. ML-Ingenieur: Was ist der Unterschied?

Ein KI-Ingenieur entwickelt Anwendungen auf Basis von Foundation Models wie Large Language Models. Zu seinen Aufgaben gehören LLM-gestützte Features, Agenten, Retrieval-Augmented Generation (RAG), Prompt- und Tool-Design, Evaluierungspipelines und Guardrails. Meist sind das starke Softwareentwickler, die das Verhalten von Modellen gut verstehen.

Ein ML-Ingenieur trainiert, feintunt, deployt und überwacht eigene Modelle. Seine Arbeit umfasst Datenpipelines, Feature Engineering, Modelltraining, Serving-Infrastruktur und MLOps. Er ist die richtige Wahl, wenn Standardmodelle nicht zu Ihren Daten, Kosten- oder Latenzanforderungen passen.

Was brauchen Sie: einen KI-Ingenieur oder einen ML-Ingenieur?

Wenn Sie einen Chatbot, eine Dokumentensuche, Zusammenfassungen, Klassifizierung oder einen internen Agenten einführen, beginnen Sie mit einem KI-Ingenieur. Die meisten dieser Features lassen sich mit bestehenden Modellen umsetzen; die eigentliche Herausforderung ist das Engineering: Retrieval, Datenzugriff, Evaluierung und sicheres Verhalten im Produktivbetrieb.

Einen ML-Ingenieur sollten Sie einstellen, wenn Sie über proprietäre Daten verfügen, mit denen allgemeine Modelle schlecht umgehen, wenn strenge Latenz- oder Kostengrenzen gelten oder wenn Modelle auf Ihrer eigenen Infrastruktur laufen müssen. Viele ausgereifte KI-Produkte brauchen früher oder später beide Rollen, unterstützt von einem Data Engineer.

Wenn Sie unsicher sind, ist ein kurzes Klärungsgespräch mit einem Engineer, der beide Arten von Arbeit kennt, günstiger als eine Fehlbesetzung. DevKit hilft Ihnen, die Rolle zu definieren, bevor Sie den ersten CV sehen.

Welche Skills sollte ein KI-Ingenieur haben?

Ein guter KI-Ingenieur ist zuallererst ein solider Softwareentwickler. Das Modell ist nur eine Komponente; der Rest sind APIs, Daten, Tests, Monitoring und Kostenkontrolle. Achten Sie auf Belege dafür, dass die Person KI-Features für echte Nutzer ausgeliefert hat – nicht nur Notebooks oder Demos.

• Starke Backend-Kenntnisse, meist in Python oder TypeScript, dazu API- und Datenbankdesign
• Praxiserfahrung mit LLM-APIs, Prompt- und Tool-Design sowie strukturierten Ausgaben
• RAG-Erfahrung: Chunking, Embeddings, Vektorsuche und Retrieval-Qualität
• Design von Agenten und Workflows – einschließlich der Frage, wann ein Agent die falsche Wahl ist
• Evaluierung: Testsets, automatisierte Prüfungen, menschliches Review und Regressions-Tracking
• Guardrails, Sicherheit und Datenschutz: Prompt Injection, Datenabfluss, Zugriffskontrolle
• Denken in Produktivbetrieb: Latenz, Kosten pro Anfrage, Caching, Logging und Fallbacks

KI-Ingenieure prüfen und Warnsignale erkennen

Bei DevKit wird jeder KI- und ML-Kandidat von unseren Senior Engineers interviewt – nicht nur von Recruitern. Der Ansatz ist praxisnah: Wir wollen sehen, wie ein Kandidat an ein echtes Problem herangeht, nicht, ob er Definitionen auswendig kennt.

Ein typisches Interview besteht aus drei Teilen. Erstens eine Praxisaufgabe oder ein Walkthrough durch eigenen Code, etwa eine Retrieval-Pipeline oder einen Agenten mit Tools. Zweitens ein Systemdesign für ein LLM-Feature, zum Beispiel einen Support-Assistenten auf Basis von Unternehmensdokumenten – mit Datenfluss, Retrieval, Modellwahl, Kosten und Fehlerbehandlung. Drittens das Thema Evaluierung: Woran würde der Kandidat erkennen, dass das Feature funktioniert, wie würde er Regressionen aufspüren und was würde er loggen?

Außerdem prüfen wir Kommunikation und Englisch, denn KI-Projekte bringen viele Abwägungen mit sich, die Product Ownern verständlich erklärt werden müssen. Interview-Notizen, Level, Zeitzone, Verfügbarkeit und Monatssatz sind Teil jedes Profils, das Sie erhalten.

Achten Sie auf diese Warnsignale – sie deuten darauf hin, dass ein Kandidat noch nicht bereit für KI im Produktivbetrieb ist:

• Kann eine Demo zeigen, aber nicht erklären, wie Qualität oder Genauigkeit gemessen wurden
• Hat keine Antwort auf Halluzinationen, Prompt Injection oder sensible Daten
• Setzt für jedes Problem Agenten oder Fine-Tuning ein, auch für einfache
• Denkt nie an Kosten pro Anfrage oder Latenz
• Schwache allgemeine Engineering-Grundlagen: keine Tests, keine Fehlerbehandlung, kein Monitoring
• Erfahrung beschränkt sich auf Tutorials oder ein einzelnes Framework, ohne zu verstehen, was darunter passiert

Welches Senioritätslevel passt zu Ihrem Budget?

Für ein erstes KI-Feature mit unklaren Anforderungen spart ein Senior Engineer oder Tech Lead in der Regel Geld. Er trifft die Architekturentscheidungen, die sich später nur teuer rückgängig machen lassen – etwa Modellanbieter, Retrieval-Design und Evaluierungs-Setup.

Steht das Fundament, kann ein KI-Ingenieur auf Mid-Level-Niveau Features unter dieser Anleitung weiterentwickeln. Junior-Entwickler können bei Datenaufbereitung, Tests und Integrationen unterstützen, sollten die KI-Architektur aber nicht allein verantworten. Bei knappem Budget ist ein Senior Engineer meist der bessere Start als zwei Juniors.

Wie DevKit Sie bei der Einstellung von KI- und ML-Ingenieuren unterstützt

DevKit ist ein IT-Staffing-Unternehmen. Wir vermitteln Ihnen erfahrene KI- und ML-Ingenieure aus unserem eigenen Team und privaten Netzwerk: Senior-Profis, die schwer zu finden sind und kaum auf Jobbörsen auftauchen. Die Shortlist mit CVs erhalten Sie in der Regel in 3–5 Werktagen, und die Engineers starten meist innerhalb von 2–3 Wochen.

Sie können per Staff Augmentation einen einzelnen Engineer ergänzen, ein dediziertes Team aufbauen oder über Tech-Recruiting eine Festanstellung besetzen. Staff Augmentation wird monatlich pro Engineer abgerechnet – mit NDA und vollständiger IP-Übertragung als Standard sowie kostenlosem Ersatz inklusive Übergabe, falls jemand nicht passt.

Wenn Sie nur einen einmaligen Prototyp brauchen und ihn nicht weiterentwickeln wollen, kann ein Freelancer genügen. Wird KI zum Kern Ihres Produkts, ist eine Festanstellung oder ein langfristiger Engineer von DevKit die sicherere Wahl.