AI Engineers entwickeln Anwendungen, in denen maschinelles Lernen die Arbeit übernimmt: von Sprachmodellen über Bilderkennung bis zur Prognose. Sie verbinden Modellentwicklung mit klassischer Softwareentwicklung und dem Betrieb im Produktivsystem.
3 offene Stellen zu diesem Beruf im aktuellen Bestand.
| Erfahrung | Von | Median | Bis | Jahresbrutto | Verhältnis |
|---|---|---|---|---|---|
| Berufseinstieg | 3.800 € | 4.600 € | 5.500 € | 55.200 € | |
| Mit Berufserfahrung | 5.000 € | 6.200 € | 7.800 € | 74.400 € | |
| Mit langjähriger Erfahrung | 6.500 € | 8.000 € | 11.000 € | 96.000 € |
Die Spanne ist weit, weil fast ausschließlich frei verhandelt wird: Konzerne, Finanzbranche und internationale Technologieunternehmen zahlen deutlich mehr als Mittelstand und Agenturen, dazu kommen große regionale Unterschiede zwischen München, Berlin und ländlichen Standorten. Im öffentlichen Dienst und an Hochschulen gilt der TV-L oder TVöD, dort liegen die Werte meist am unteren Rand.
Die Werte sind Orientierungswerte und keine amtliche Statistik. Sie sind aus öffentlich verfügbaren Erhebungen, Tarifwerken und Stellenanzeigen abgeleitet und auf volle Euro gerundet. Im Einzelfall entscheiden Betrieb, Tarifbindung, Region, Qualifikation und Verhandlung – die Abweichung nach oben wie nach unten kann erheblich sein.
Das Jahresbrutto ist das 12-fache des Monatswertes. Urlaubs- und Weihnachtsgeld sind nicht enthalten, weil sie sich von Branche zu Branche unterscheiden.
AI Engineers bauen Software, deren Kern ein Machine-Learning-Modell ist. Der Alltag besteht seltener aus dem Erfinden neuer Verfahren als aus dem Zusammenfügen vorhandener Bausteine: Daten aus Datenbanken, Logs oder Dokumenten aufbereiten, ein Modell trainieren oder ein vortrainiertes Modell anpassen, es über eine Schnittstelle verfügbar machen, überwachen und nachjustieren. In vielen Unternehmen dreht sich die Arbeit derzeit um große Sprachmodelle: Retrieval-Pipelines aufsetzen, Prompts und Kontextfenster strukturieren, Antwortqualität messen, Kosten pro Anfrage im Blick behalten.
Ein erheblicher Teil der Zeit geht in Dinge, die nach außen unspektakulär wirken. Trainingsdaten sind unsauber, Labels widersprüchlich, ein Modell funktioniert im Notebook und fällt im Betrieb auseinander, weil sich die Datenverteilung verschoben hat. Dazu kommen Gespräche mit Fachabteilungen, die eine Erwartung an künstliche Intelligenz mitbringen, die sich technisch nicht halten lässt. Erwartungen zu übersetzen und Grenzen zu benennen gehört zur Rolle.
Der übliche Weg führt über ein Studium der Informatik, Mathematik, Physik, Statistik oder eines Ingenieurfachs, häufig mit Master. Es gibt inzwischen eigene Studiengänge zu Data Science und künstlicher Intelligenz. Eine geschützte Berufsbezeichnung existiert nicht, entsprechend ist der Quereinstieg möglich und verbreitet: aus der Softwareentwicklung, aus dem Data Engineering, aus der Forschung. Wer aus einem anderen Feld kommt, braucht solides Python, Verständnis für Wahrscheinlichkeitsrechnung und lineare Algebra sowie Projekte, die man zeigen kann. Zertifikate der Cloud-Anbieter helfen bei der Bewerbung, ersetzen aber keine nachweisbare Arbeit an echten Systemen.
Das Feld verändert sich schneller als die meisten anderen IT-Bereiche. Werkzeuge, die vor zwei Jahren Standard waren, sind heute abgelöst; ein Teil der Weiterbildung findet in der Freizeit statt. Wer das als Belastung empfindet, wird unzufrieden. Frustrationstoleranz ist nötig, weil viele Experimente nichts ergeben und Projekte nach Monaten eingestellt werden, wenn der Nutzen ausbleibt.
Die Arbeit ist überwiegend Bildschirmarbeit, häufig mit Homeoffice-Anteil und geregelten Zeiten. Rufbereitschaft kommt vor, wenn Modelle geschäftskritische Prozesse tragen. Belastend ist eher der Erwartungsdruck: KI-Projekte stehen unter Beobachtung der Geschäftsführung, und Ergebnisse sollen schnell sichtbar werden. Wer keine Freude daran hat, Ergebnisse verständlich zu erklären und Unsicherheit auszuhalten, ist hier falsch.
Die Nachfrage ist hoch und derzeit größer als das Angebot an Leuten mit echter Produktionserfahrung. Einstiegsstellen sind allerdings umkämpft, weil viele Bewerber Kurse und Nebenprojekte mitbringen, aber wenig Erfahrung mit Betrieb, Datenqualität und Kostenkontrolle. Genau dort liegt der Unterschied zwischen austauschbaren und gesuchten Profilen.
Entwicklungswege führen in die technische Tiefe, etwa in Richtung MLOps, Modelloptimierung oder Forschungsnähe, oder in die Breite: Teamleitung, Architektur, Produktverantwortung. Auch Beratung ist ein häufiger Weg, weil viele Mittelständler eigene Kompetenz erst aufbauen. Ob die aktuelle Marktdynamik anhält, ist offen. Grundlagenwissen in Statistik und Softwarearchitektur bleibt tragfähig, auch wenn einzelne Modellfamilien wieder verschwinden.
Üblich ist ein Bachelor- und meist Master-Studium in Informatik, Mathematik, Data Science oder einem Ingenieurfach, insgesamt fünf bis sechs Jahre. Ein anerkannter Ausbildungsberuf existiert nicht; Quereinsteiger aus der Softwareentwicklung qualifizieren sich über Projekte, Weiterbildungen und Zertifikate der Cloud-Anbieter. Entscheidend für die Einstellung ist nachweisbare Erfahrung mit Systemen, die tatsächlich im Betrieb laufen.
Data Engineers bauen und betreiben die Systeme, in denen Daten aus verschiedenen Quellen gesammelt, aufbereitet und für Auswertungen bereitgestellt werden. Sie sorgen dafür, dass Datenpipelines zuverlässig laufen und die gelieferten Daten korrekt sind.
Softwareentwickler entwerfen, programmieren und warten Anwendungen, Webdienste oder eingebettete Systeme. Sie übersetzen fachliche Anforderungen in Code, testen ihn und halten laufende Systeme am Leben.
Arbeitsplatz.de verwendet nur die Cookies, die für den Betrieb der Seite nötig sind. Kein Tracking, keine Werbenetzwerke, keine Auswertung Ihres Verhaltens. Einzelheiten stehen in der Datenschutzerklärung.