AI Engineer ist keine statische Rolle. Der Job erfordert ein Skillset, das mit der technologischen Evolution Schritt hält. Auf diese vier Kompetenzen kommt es jetzt an.
Rob Schultz / Shutterstock
Künstliche Intelligenz birgt mehr Komplexität als jede andere Technologie(-Welle) vor ihr. Code zu erstellen, APIs zu verbinden und Infrastruktur zu skalieren, fühlt sich heute zwar mühelos an. Doch hinter dieser “Leichtigkeit” verbirgt sich ein wuchernder Layer undurchsichtiger Entscheidungsprozesse.
Mit jeder Abstraktionsebene entfernt sich die Rolle des AI Engineer weiter von Programmiergrundlagen und Framework-Interna. Die komplexen Probleme haben sich inzwischen “nach oben” verlagert. Das erfordert neue Kompetenzen.
1. Evaluierung beherrschen
Continuous Integration (CI) war einst ein essenzieller Bestandteil guter Engineering-Praxis. Mit Blick darauf, KI-Systeme zu messen, zu testen und zu automatisieren, lässt sich heute dasselbe behaupten. Jeff Boudier, Product und Growth Lead bei der Open Source-Plattform Hugging Face, formuliert es so: “Evaluierung ist das neue CI.”
Der eigentliche Hebel der Softwareentwicklung liege nicht darin, das richtige Modell auszuwählen. Sondern im Aufbau von Systemen, die diese Modelle kontinuierlich messen, testen und austauschen könnten. Boudier empfiehlt AI Engineers, auf die richtigen Tools zu setzen: “Eigene Evaluierungs-Datensätze mit relevanten Fragen und guten Antworten erstellen zu können, die widerspiegeln, wie die Kunden tatsächlich sprechen – das ist die wichtigste Fähigkeit, die Unternehmen aufbauen müssen.”
Experten aus Wissenschaft und Industrie sind sich einig, dass der neue Fokus auf Evaluierung die Softwareentwicklung transformieren wird. Ein X-Post des KI-Experten Shawhin Talebi beschreibt den Shift ganz gut: “LLM-Systeme aufzubauen hat sich bislang weniger nach Engineering angefühlt. Eher danach, KI-Götter anzubeten. Das hat sich geändert, als ich mich mit evaluierungsgetriebener Entwicklung beschäftigt habe.”
2. Anpassungsfähig designen
Adaptability definiert Langlebigkeit. Allerdings bedeutet Anpassungsfähigkeit im KI-Zeitalter nicht, neue Frameworks oder Sprachen zu erlernen. Vielmehr müssen AI Engineers fähig sein, Systeme zu entwickeln, die Change auf wöchentlicher oder täglicher Basis aushalten. “Wir befinden uns immer noch in einer Phase, in der die Forschung schneller voranschreitet als die Engineers nachkommen”, hält Boudier fest. “Jede Woche gibt es ein neues Top-Modell. Für AI Engineers kommt es nicht darauf an, welches man wählt. Sie müssen eine Technologie entwickeln, die es ermöglicht, problemlos zwischen den Modellen zu wechseln, sobald ein besseres erscheint.”
Während man sich früher an neuer Hardware oder langen Produktzyklen ausgerichtet hat, haben es AI Engineers von heute schwerer: Sie müssen sich permanent neu ausrichten, weil sich Modell-APIs, Kontextfenster, Inferenzpreise und Performance-Benchmarks stetig verändern. Die Herausforderung für den AI Engineer besteht deshalb vor allem darin, Prozesse zu entwickeln, die die kontinuierlichen Störungen absorbieren.
Für Barun Singh, Chief Product Officer bei Andela, ist Adaptability sowohl ein technischer als auch ein kognitiver Skill. Für KI-Spezialisten, die beide Bereiche abdecken, bieten sich besonders gute Chancen, wie Singh nahelegt: “Personen, die sowohl ein tiefes Verständnis für klassische Architektur als auch praktische Erfahrung mit LLMs in der Produktion haben, sind am Arbeitsmarkt aktuell am schwierigsten zu finden.”
3. Risiken mindern
Für viele Unternehmen stellt es weiterhin ein unabwägbares und teils unüberwindbares Risiko dar, Daten mit KI-Systemen zu teilen. AI Engineers, die sich sowohl mit Datensystemen als auch mit Risikomanagement auskennen, werden deshalb künftig für die KI-Einführung in Unternehmen unverzichtbar werden. Nur so können Datenquellen, Modelle und Pipelines kritischen Überprüfungen standhalten.
Laut Michele Lee, General Counsel bei Wilson Sonsini, wird Transparenz in Bezug auf Trainingsdaten und Modellverhalten zunehmend zu einer technischen Anforderung: “AI Engineers müssen sich den damit verbundenen Fragen annehmen – auch weil sie wesentlich näher an den Daten- und Architekturüberlegungen dran sind.”
Jessica Li Gebert, Data Strategy Consultant bei Neudata, beschrieb diesen Umstand im Rahmen ihres Vortrags auf der “AI Conference 2025” als Risiko – und auch als Chance. Viele Unternehmen, so die Datenexpertin, säßen auf einer Schatzkammer gefüllt mit Daten, hätten jedoch keine Ahnung, wie sie deren Wert identifizieren und realisieren sollen. Den AI Engineers komme mit Blick auf diese Situation künftig eine tragende Rolle zu: “KI-Profis, die in der Lage sind, Governance- und Lineage-Kontrollmaßnahmen aufzubauen, werden entscheidend dazu beitragen, diese Lücke zu schließen.”
4. Entwickeln, was Modelle nicht können
In den letzten zwei Jahrzehnten haben Unternehmen um Entwickler-Talente konkurriert, indem sie die Ergonomie der Softwareentwicklung perfektioniert haben: CI-Pipelines, Cloud-Plattformen und kollaborative Workflows haben dafür gesorgt, dass Code besser testbar, reproduzierbar und beobachtbar gemacht. Die nächste Phase des Wettlaufs um AI Engineers wird über Systeme “ausgetragen”, die dieselbe Striktheit an KI anlegen.
AI Engineers, die Feedback Loops, Modell-Registries und Governance-Frameworks entwickeln können, halten nicht nur mit der Innovation Schritt. Sie definieren, wie Intelligenz künftig in Enterprise-Anwendungen und -Workflows integriert wird. (fm)
Sie wollen weitere interessante Beiträge zu diversen Themen aus der IT-Welt lesen? Unsere kostenlosen Newsletter liefern Ihnen alles, was IT-Profis wissen sollten – direkt in Ihre Inbox!
