Insights
Talent Acquisition

KI-Experten finden: Welche Rollen den Piloten in den Betrieb bringen

Johannes Liebnau
October 30, 2026

Das Wichtigste in Kürze

  • Ein KI-Pilot scheitert selten am Modell. Meistens fehlt eine Position: jemand, der den Use Case verantwortet, jemand, der die Daten im Griff hat, oder jemand, der das System im Betrieb am Laufen hält.
  • Wer KI-Expert:innen finden will, sollte keine Alleskönner suchen, sondern Profile, die zu dem Punkt passen, an dem dein KI-Projekt gerade steht.
  • Wir ordnen diese Profile den vier Schritten aus dem Whitepaper "Return on AI" zu: wählen, messen, neu gestalten, einsammeln.
  • Du erfährst, wann Festanstellung, Freelance oder Interim die richtige Form ist und woran du im Gespräch echte Praxiserfahrung erkennst.
  • Der Beitrag richtet sich an Entwickler:innen, Engineering Leads und Tech-Verantwortliche in Unternehmen, die einen KI-Piloten in den Regelbetrieb bringen müssen.

Schnellnavigation

Künstliche Intelligenz im Unternehmen: Warum eine Stelle nicht reicht

Die Anzeige "KI-Experte (m/w/d)" gibt es in tausend Varianten. Dahinter steckt meist die Hoffnung, dass eine einzige Person Datenaufbereitung, Modellentwicklung, Integration, Betrieb und Abstimmung mit der Fachabteilung abdeckt. Im Proof of Concept geht das gut, danach selten.

Der Titel KI-Expert:in ist außerdem unscharf. Data Scientists trainieren Modelle, ML Engineers machen sie produktionsreif, und Architekt:innen entwerfen das Zielbild für das Gesamtsystem. Jede dieser Positionen verlangt andere Erfahrung, auch wenn alle mit künstlicher Intelligenz arbeiten. Wer diese Profile in einen Topf wirft, bekommt Bewerbungen, die auf dem Papier passen und im Alltag nicht.

Dazu kommt der Markt. Der Bedarf an KI-Expert:innen ist in Deutschland hoch, und mit einer Anzeige allein erreichst du die wenigsten von ihnen.

Eine hilfreiche Ordnung liefert das Whitepaper "Return on AI", das CTG Consulting veröffentlicht hat. Seine Kernthese: Ein KI-Pilot bringt erst dann etwas, wenn der Ablauf drumherum angepasst wird. Für das Recruiting heißt das, dass du nicht nur Leute brauchst, die bauen können, sondern auch jemanden, der Verantwortung für den Wertstrom übernimmt.

Die vier Schritte und die Profile dahinter

Ein KI-Projekt durchläuft vier Schritte: wählen, messen, neu gestalten und einsammeln. Jeder Schritt stellt andere Anforderungen an dein Team. Eine feste Zuordnung gibt es nicht, aber eine praxistaugliche Faustregel für deine Personalplanung.

Schritt 1, wählen: Programmleitung und Ownership

Am Anfang steht die Entscheidung für einen einzigen Ablauf mit klarem Ergebnishebel, brauchbaren Daten und einer verantwortlichen Person, statt zehn Anwendungsfälle parallel zu verfolgen. Genau hier brauchst du zwei Rollen: den Value Stream Owner, der einen Ablauf von Anfang bis Ende führt, mit Befugnis über Abteilungsgrenzen, und die KI-Programmleitung, die das Portfolio der Anwendungsfälle nach Geschäftswert steuert und Piloten ohne Business Case beendet. Technisch müssen beide nicht die tiefste Expertise mitbringen, aber sie müssen verstehen, was ein ML-System braucht, um zu funktionieren.

Schritt 2, messen: Datenverantwortung und Analyse

Vor dem Bau wird gemessen, wie der Ablauf heute läuft, getrennt nach Arbeits- und Wartezeit. Dafür braucht es keine Data-Science-Abteilung, aber Ereignisdaten, also Zeitstempel je Schritt aus ERP oder CRM. Data Engineers und Data Analysts machen sie zugänglich, und eine klare Datenverantwortung sorgt dafür, dass sie stimmen. Wer hier spart, baut später auf unsicherer Basis. Wie wertvoll gute Analytics-Kompetenz ist, zeigt auch der Beitrag warum Business Intelligence und Data Analytics Expert:innen unverzichtbar sind.

Schritt 3, neu gestalten: Architektur, ML Engineering und Integration

Jetzt wird gebaut: Ein KI-Engineer oder ML Engineer baut die Modelle und Pipelines, eine Architekt:in legt fest, wie das System in die bestehende IT-Landschaft passt, und Software Engineers kümmern sich um Schnittstellen und Integration. Wichtig ist die Reihenfolge. Die Architekturentscheidungen eines KI-Projekts (Build oder Buy, Modellwahl, Datenfluss, Sicherheit) fallen früh und sind später teuer zu ändern. Wenn du nur eine Senior-Stelle besetzen kannst, setze sie hier ein. Was sich bei den ML-Positionen in den letzten Jahren verändert hat, fasst die Evolution von Machine-Learning-Positionen zusammen.

Schritt 4, einsammeln: MLOps und Betrieb

Zum Schluss muss das System dauerhaft laufen, überwacht und nachgezogen werden, denn der Business Case zählt in Trefferquote und Cash, nicht in eingesparten Stunden. Hier kommt MLOps ins Spiel: Deployment, Monitoring, Versionierung von Modellen und Daten, Qualitätssicherung im Betrieb. Fehlt diese Rolle, driftet das System nach dem Go-live langsam, ohne dass es jemand merkt. Cloud- und DevOps-Kompetenz gehört dazu. Worauf es dabei ankommt, steht im Beitrag zu Cloud Expert:innen im Zeitalter von KI und Cybersecurity.

Vier Schritte, vier Rollen

Wer in welchem Schritt gebraucht wird, damit aus dem KI-Piloten ein Ergebnis wird.

  1. Schritt 1: WählenOwnership
    Value Stream Owner und KI-ProgrammleitungKein Owner, kein Wertstrom.
  2. Schritt 2: MessenDaten
    Data Engineers und Data AnalystsBaseline aus Ereignisdaten.
  3. Schritt 3: Neu gestaltenKI-Architektur und ML Engineering
    Architekt:in, ML Engineer, Software EngineersFrüh entschieden, später teuer zu ändern.
  4. Schritt 4: EinsammelnMLOps
    Deployment, Monitoring und QualitätssicherungOhne Betrieb driftet das System.

Reifegrad der KI-Nutzung

  1. Stufe 1: Fragmentiert
  2. Stufe 2: Punktuell optimiert
  3. Stufe 3: Prozessorientiert
    Hier beginnt der ReturnSprung von Stufe 2 auf 3
  4. Stufe 4: Wertstromorientiert

Besetzung

  • FestanstellungDauerhaft gebraucht: MLOps, Datenverantwortung, Architektur.
  • FreelanceKlare Bauphasen: Pipeline, Prototyp, Integration.
  • InterimFührung sofort, Rolle noch nicht dauerhaft: Programmleitung, Owner auf Zeit.

Quelle: Whitepaper „Return on AI“ von CTG Consulting (auf Deutsch)

Wie das im Team aussieht: ein Beispiel aus dem Maschinenbau

Ein Maschinenbauer will Angebote schneller verschicken. Gestartet wird mit dem Ablauf von der Anfrage bis zum Angebot, weil die Vertriebsleitung ihn verantworten will und die Daten im ERP liegen. Die erste Wirkung kommt oft aus einer Entscheidung der verantwortlichen Person, etwa einer höheren Freigabegrenze, dafür ist keine KI nötig. Danach lesen KI-Lösungen Anfragen aus E-Mails aus, schlagen Kalkulationen vor und lassen einen Menschen prüfen und freigeben.

Überträgst du das auf dein Team, sieht die Besetzung so aus: Jemand aus dem Vertrieb übernimmt die Ownership und entscheidet, was sich ändern darf. Eine Data Analyst:in misst die Ausgangslage. Ein ML Engineer und eine Software Engineer bauen die Automatisierung und binden sie in die bestehenden Systeme ein. Und nach dem Go-live hält jemand das Ganze stabil. Kein einziger dieser Schritte braucht Forschungstiefe, aber jeder braucht jemanden, der ihn verantwortet.

Welche Rollen zu welchem Reifegrad passen

Welche Rollen du suchst, hängt davon ab, wie weit dein Unternehmen mit KI schon ist. Am Anfang nutzen einzelne Personen oder Abteilungen KI auf eigene Initiative, am Ende steuert ein durchgehender Ablauf das Ergebnis. Dazwischen liegt der Sprung, der den Unterschied macht: von der punktuellen Optimierung zum neu gestalteten Prozess.

Am Anfang reichen oft ein Sponsor aus der Geschäftsleitung und Verantwortliche je Anwendungsfall. Technisch genügen häufig Entwickler:innen und Data Engineers, die Werkzeuge anbinden und Daten zugänglich machen.

Wird ein ganzer Prozess neu gestaltet, ändern sich die Anforderungen. Jetzt brauchst du jemanden, der den Ablauf von Anfang bis Ende verantwortet (Value Stream Owner), und eine KI-Programmleitung, dazu Prozesskompetenz: die Fähigkeit, einen Ablauf aufzunehmen, neu zu entwerfen und an Kennzahlen zu messen. Das sind selten reine Technikrollen, und in vielen Unternehmen gibt es sie intern noch nicht.

Übernehmen KI-Agenten definierte Aufgaben über Prozessgrenzen hinweg, kommen Datenverantwortung und die technischen KI-Rollen dazu: KI-Architektur, Machine Learning und LLM Engineering. Dazu gehört in der Regel ein sauberer Betrieb mit MLOps, und jemand muss festlegen, was die Agenten selbstständig tun dürfen.

Die technischen Profile sind erfahrungsgemäß am schwersten zu finden. Für alle Rollen gibt es drei Wege, die sich kombinieren lassen: intern entwickeln, extern besetzen oder die Rolle für die Zeit des Umbaus mit einer Interim-Führungskraft überbrücken.

Generalist oder Spezialist? Wie viel Tiefe dein Projekt braucht

Die Frage taucht bei der Suche nach KI-Expert:innen in fast jedem Hiring-Prozess auf. Ein Generalist deckt viele Themen solide ab und ist im KI-Pilot wertvoll, weil er Lücken schließen kann. Ein KI-Spezialist bringt Tiefe, etwa in NLP, Computer Vision oder bei LLM-Anwendungen, und lohnt sich, sobald die Anforderungen klar umrissen sind.

Eine Faustregel: Je früher die Phase, desto eher der Generalist. Je klarer der Anwendungsfall und je höher der Qualitätsanspruch im Betrieb, desto eher der KI-Spezialist. Mehr zur Abwägung findest du in Generalist vs. Spezialist im Bereich Künstliche Intelligenz.

Auch bei Agentic AI verschiebt sich das Profil. Es geht weniger um klassische Modellentwicklung, mehr um Orchestrierung, Tool-Anbindung und Absicherung. Welche Talente dafür gefragt sind, steht im Überblick zu Agentic AI im Unternehmen.

Technologien im Alltag: Was Recruiting und Technik gemeinsam klären sollten

Bevor du ein Profil ausschreibst, lohnt ein Blick auf die Technologien, mit denen das Team später arbeitet. Nicht jeder Anwendungsfall braucht ein eigenes Modell. Oft reicht es, bestehende KI-Modelle über eine Schnittstelle anzubinden und mit Unternehmensdaten zu verbinden. Das verändert das Profil: Wer KI-Systeme integriert, braucht solide Softwareentwicklung und Erfahrung mit Datenverarbeitung. Wer eigene Modelle trainiert, braucht tiefere Kenntnisse in maschinellem Lernen und Statistik.

Auch die Frage, welche KI-Tools im Haus erlaubt sind, gehört früh geklärt, ebenso der Datenschutz. Wer die Umsetzung von KI-Projekten plant, benennt deshalb zuerst Technologien und Geschäftsprozesse und erst danach die Stelle. So bleibt die KI-Transformation Teil der Unternehmensstrategie statt eines Einzelprojekts.

Ein Beispiel aus der Praxis: Ein Chatbot für den Kundenservice stellt andere Anforderungen als eine Prognose für die Disposition. Beides sind KI-Lösungen, aber die eine lebt von Sprachverarbeitung und Integration, die andere von sauberen Zeitreihendaten und Monitoring. Entsprechend unterschiedlich fällt das Profil aus, das du dafür suchst.

Was Fachleute mitbringen sollten

Es gibt nicht den einen Weg in die KI. Häufig steht ein Studium der Informatik, Mathematik oder Statistik am Anfang, aber auch Quereinsteiger:innen aus der Softwareentwicklung oder Datenanalyse bringen oft passende Erfahrung mit. Dazu kommen Python, Frameworks wie TensorFlow oder PyTorch und praktische Erfahrung mit Machine Learning. Im Alltag bereiten sie große Datenmengen auf, prüfen die Modellgenauigkeit und achten darauf, Verzerrungen zu vermeiden.

Weil sich das Feld schnell bewegt, gehört kontinuierliches Lernen dazu. Viele Unternehmen bilden deshalb eigene KI-Expert:innen aus, etwa mit Schulungen und Workshops. Das ist eine gute Ergänzung, ersetzt aber keine Praxis: Wer wissen will, wie ein Modell in Produktion geht, muss es einmal selbst betrieben haben.

Festanstellung, Freelance oder Interim

Welche Vertragsform passt, hängt davon ab, wie lange du die Fähigkeit brauchst und wie viel Wissen im Unternehmen bleiben soll.

Festanstellung passt zu allem, was dauerhaft gebraucht wird und Kontext aufbaut: MLOps, Datenverantwortung, die Architektur als Leitplanke.

Freelance passt zu klar umrissenen Bauphasen, etwa dem Aufbau einer Pipeline, einem Prototyp oder einer Integration. Du bekommst schnell Spezialwissen und kannst danach wieder skalieren.

Interim passt, wenn eine Führungs- oder Programmposition sofort gebraucht wird, die Stelle aber noch nicht dauerhaft besetzt werden soll, zum Beispiel für die KI-Programmleitung oder einen Value Stream Owner auf Zeit, bis die Rolle intern besetzt ist.

Die Entscheidung ist selten schwarz-weiß. Ein häufiger Weg: Interim oder Freelance für den Start, parallel die Festanstellung für die Kernpositionen aufbauen. Welche Suchform bei der externen Besetzung überhaupt funktioniert, haben wir im Beitrag erfolgsbasierte Suche vs. strategische Rekrutierung beschrieben.

So wählst du KI-Expert:innen aus: Schritte und Gesprächsleitfaden

Ein Lebenslauf voller KI-Schlagworte sagt wenig. Diese Schritte helfen dir bei einer strukturierten Auswahl:

  1. Bedarf klären: Welche Aufgabe soll die Person übernehmen, und zu welchem der vier Schritte gehört sie? Schreibe das in zwei Sätzen auf, bevor du eine Anzeige formulierst.
  2. Anforderungen priorisieren: Trenne Muss von Kann. Nicht jede Stelle braucht Forschungstiefe, oft zählt Praxiserfahrung im Betrieb mehr.
  3. Quellen wählen: Netzwerke, Communities und Active Sourcing erreichen Menschen, die auf Jobportalen nicht auftauchen. Bei knappen Profilen hilft eine spezialisierte Beratung.
  4. Praxisgespräch führen: Ein echtes Problem aus deinem Stack sagt mehr als ein Fragenkatalog. Gib Einblicke in deine Systeme und beobachte, wie die Person nachfragt.
  5. Entscheidung absichern: Hole jemanden aus dem Fachbereich dazu, damit auch Kommunikation und Geschäftsverständnis bewertet werden.

Im Praxisgespräch lohnt es sich, auf diese Punkte zu achten:

  • Produktionserfahrung: Wurde ein Modell tatsächlich in Betrieb genommen und betreut, oder blieb es beim Notebook?
  • Datenverständnis: Kennt die Person Datenqualität, Bereinigung und Verzerrungen und geht sie sauber damit um?
  • Kommunikation: Kann sie technische Zusammenhänge den Fachbereichen erklären? Gute KI-Expert:innen sind oft die Schnittstelle zwischen Fachabteilung und Technik.
  • Lernbereitschaft: Das Feld bewegt sich schnell. Frag nach, was die Person zuletzt neu gelernt hat und wie.

Technische Schulden früh mitdenken

Viele KI-Piloten entstehen unter Zeitdruck und wachsen zu Systemen, die niemand mehr sauber anfassen will. Das ist klassische Technical Debt, nur mit zusätzlichen Risiken durch Daten und Modelle. Plane deshalb von Beginn an Zeit für Tests, Dokumentation und Refactoring ein und gib der Person, die das Produktivsystem betreut, ein Mandat, Nein zu sagen.

Für das Recruiting heißt das: Such nicht nur nach Leuten, die schnell einen Prototyp bauen, sondern auch nach solchen, die Systeme langfristig wartbar halten. Frag nach, wie getestet und wie ein Modell nach dem Go-live überwacht wurde.

Häufige Fragen

Kann ich KI-Kompetenz auch intern aufbauen?

Ja, mit Weiterbildung, Mentoring und einem ersten Projekt, das tatsächlich in Betrieb geht. Rechne aber mit Zeit und plane mindestens eine erfahrene Person ein, die Wissen weitergibt.

Was unterscheidet einen ML Engineer von einem Data Scientist?

Ein KI-Engineer, in vielen Teams auch ML Engineer genannt, baut und betreibt Systeme, mit Fokus auf Produktion, Integration und Skalierung. Data Scientists konzentrieren sich stärker auf Analyse und Modellentwicklung. In der Praxis überschneiden sich beide Profile.

Wie lange dauert es, bis eine KI-Stelle besetzt ist?

Das lässt sich nicht pauschal sagen. Bei seltenen Profilen dauert die Suche meist länger als bei klassischen Entwicklerstellen, vor allem wenn Anforderungen unklar sind oder Senior-Erfahrung in Produktion verlangt wird. Plane deshalb Puffer ein und überbrücke die Zeit bei Bedarf mit einer Interim- oder Freelance-Lösung, damit der Pilot nicht stillsteht.

Welche Position fehlt am häufigsten, wenn ein KI-Pilot nicht in den Betrieb kommt?

Oft sind es die Aufgaben ohne Glanz: Ownership für den Wertstrom, Datenverantwortung und MLOps. Das Modell selbst ist selten das Problem.

Dein nächster Schritt

Schick uns kurz, an welchem der vier Schritte dein KI-Projekt gerade hängt und welcher Stack dahintersteckt. Du bekommst von uns eine ehrliche technische Einschätzung, welche Rolle zuerst besetzt werden sollte und ob Festanstellung, Freelance oder Interim dafür passt. Den Rahmen mit allen vier Schritten findest du kompakt im Whitepaper "Return on AI".

Welche Rolle fehlt in deinem KI-Projekt?

Wir ordnen die Profile technisch ein und suchen mit dir die passenden Expert:innen für deinen KI-Piloten. Auf Augenhöhe und ohne Verpflichtung.

Key Takeaways

  • Profile statt Wunschprofil: Such keine KI-Expert:innen als Sammelbegriff, sondern die Fähigkeiten, die dein KI-Projekt gerade braucht.
  • Vier Schritte, vier Schwerpunkte: Wählen braucht Ownership, messen braucht Daten, neu gestalten braucht Architektur und ML Engineering, einsammeln braucht MLOps.
  • Ohne Owner kein Wertstrom: Die Programmleitung entscheidet, ob aus einem KI-Pilot ein Ergebnis wird.
  • Vertragsform nach Dauer: Festanstellung für Dauerhaftes, Freelance für Bauphasen, Interim für kurzfristige Führung.
  • Betrieb früh planen: MLOps und Technical Debt gehören schon in die Pilotphase.
  • Welchen Herausforderungen steht Ihr gerade gegenüber?

    Nehme an unserer kurzen Umfrage teil

    ‍