AI Engineer und Data Scientist: Vom Use Case zum realistischen Anforderungsprofil

Der Jobtitel ist noch kein Auftrag

Ein Unternehmen möchte künstliche Intelligenz in einen bestehenden Prozess bringen. Die Daten sind vorhanden, ein erster Prototyp hat überzeugt, und nun soll eine neue Stelle ausgeschrieben werden. Im Entwurf steht „AI Engineer / Data Scientist“. Gefordert werden statistische Modellierung, GenAI-Erfahrung, Datenarchitektur, Cloud-Betrieb, Produktintegration, Datenschutz und fachliche Führung. Der Text beschreibt viel Arbeit, aber noch keine Rolle.

Das Problem ist nicht die Länge der Anforderungsliste. Es ist die fehlende Entscheidung darüber, was die neue Person als Erstes verantworten soll. Wenn diese Frage offenbleibt, sprechen Unternehmen Menschen mit unterschiedlichen Stärken an, vergleichen sie anhand uneinheitlicher Kriterien und wundern sich später, warum eine gute Kandidatin oder ein guter Kandidat nicht zum tatsächlichen Auftrag passt.

Der Use Case muss genauer sein als „wir wollen etwas mit KI machen“

Vor einer Suche braucht es eine Beschreibung des konkreten Ergebnisses. Welcher Arbeitsschritt soll sich ändern? Wer nutzt die Lösung? Welche Entscheidung wird durch sie unterstützt oder automatisiert? Welche Fehler wären tolerierbar, welche nicht? Und woran erkennt das Unternehmen, dass der Einsatz im Alltag funktioniert?

Ein internes Suchwerkzeug für Dokumente stellt andere Anforderungen als ein Modell zur Nachfrageprognose. Ein Assistent, der Mitarbeitenden Vorschläge liefert, ist etwas anderes als ein System, dessen Ausgabe unmittelbar einen Kundenprozess beeinflusst. Die Unterschiede betreffen nicht nur Technologie. Sie verändern Anforderungen an Datenqualität, Nachvollziehbarkeit, Freigabe, Sicherheit und Betrieb. Erst wenn diese Grenzen beschrieben sind, lässt sich die Rolle sinnvoll zuschneiden.

Wo liegt der Engpass wirklich?

Eine Ausschreibung sollte den wichtigsten Engpass benennen, statt die gesamte Wertschöpfungskette einer Person zuzuordnen. Fehlt zunächst eine verlässliche Datenbasis, kann Data Engineering die kritischere Kompetenz sein. Müssen Hypothesen geprüft und Prognosen bewertet werden, liegt der Schwerpunkt näher an Data Science. Gibt es bereits ein tragfähiges Verfahren, das in ein Produkt integriert, beobachtet und weiterentwickelt werden muss, rücken AI Engineering, Software Engineering und Plattformbetrieb in den Vordergrund.

Diese Grenzen sind in der Praxis nicht scharf. Erfahrene Data Scientists können produktionsnah arbeiten; AI Engineers müssen Evaluationsmethoden verstehen. Der Unterschied liegt in der Hauptverantwortung. Wer soll nach sechs Monaten welche Entscheidung selbstständig treffen können? Wer definiert Qualitätskriterien? Wer behebt einen Fehler im produktiven Ablauf? Wenn das Briefing darauf keine Antwort gibt, kann auch eine lange Liste von Frameworks die Lücke nicht schließen.

Data Scientist: Erkenntnisse und Modelle verantworten

Data-Science-Verantwortung beginnt häufig bei der Frage, ob Daten und Methode eine belastbare Aussage erlauben. Dazu gehören die Prüfung von Datenherkunft und Verzerrungen, eine geeignete Vergleichsbasis, sinnvolle Metriken und die fachliche Interpretation der Ergebnisse. Ein Modell, das in einer Präsentation gut aussieht, muss noch keinen Nutzen im Betrieb haben.

Im Interview ist deshalb interessant, wie jemand eine Hypothese verworfen hat, welche Unsicherheiten offengelegt wurden und wie die Ergebnisse mit Fachbereichen diskutiert wurden. Reine Toolkenntnis sagt darüber wenig aus. Unternehmen sollten zugleich klären, ob sie Forschung und Modellierung erwarten oder vor allem Reporting und klassische Analyse. Beides kann wertvoll sein; es sind aber unterschiedliche Suchmärkte.

AI Engineer: Eine Lösung nutzbar und betreibbar machen

Bei einem AI Engineer liegt der Schwerpunkt eher darauf, Modelle oder KI-Dienste in verlässliche Anwendungen zu übersetzen. Dazu zählen Schnittstellen, Testbarkeit, Versionierung, Evaluation, Monitoring und ein nachvollziehbarer Umgang mit Fehlern. Bei generativer KI kommen Fragen nach Kontextbereitstellung, Zugriffsrechten, Datenabfluss und der Qualität wechselnder Antworten hinzu.

Die passende Erfahrung hängt stark von der vorhandenen Architektur ab. Soll die Person auf einer bestehenden Plattform entwickeln, ist das ein anderer Auftrag, als eine Plattform erst aufzubauen. Muss ein externer Dienst integriert werden, unterscheiden sich die Risiken von einer selbst betriebenen Modellumgebung. Eine Stellenanzeige, die alle Varianten gleichzeitig verlangt, wirkt anspruchsvoll, hilft aber weder bei der Ansprache noch bei der Auswahl.

Das Betriebsmodell gehört ins Briefing

Ein häufiger Engpass liegt an ungeklärten Übergängen: Wer liefert die Daten? Wer gibt eine Änderung frei? Wer überwacht Qualität und Kosten? Wer kann eingreifen, wenn die Ausgabe unplausibel ist? Eine neue Fachkraft kann diese Fragen koordinieren, aber nicht allein die Verantwortung von Produkt, IT, Security und Fachbereich ersetzen.

Gerade deshalb sollte das Suchbriefing bestehende Zuständigkeiten sichtbar machen. Gibt es Product Ownership? Wer betreibt Datenpipelines? Welche Cloud- oder On-Premise-Vorgaben gelten? Wer entscheidet über Datenschutz und Informationssicherheit? Ein realistisches Profil beschreibt Schnittstellen und Entscheidungsspielräume. Es verspricht nicht stillschweigend, dass eine einzelne Einstellung alle organisatorischen Lücken schließt.

Muss-Kriterien von Lernfeldern trennen

Für die Direktansprache zählt eine kurze, begründete Liste unverzichtbarer Fähigkeiten. Bei einem produktionsnahen AI-Engineering-Mandat können das solide Softwareentwicklung, Erfahrung mit produktiven Datenflüssen und die Fähigkeit sein, Qualität unter wechselnden Eingaben zu messen. Ein bestimmtes Framework ist dagegen oft erlernbar, sofern die Person das technische Prinzip und den Anwendungskontext versteht.

Bei Data Science kann die Fähigkeit zur sauberen Evaluation wichtiger sein als Erfahrung mit genau dem Modelltyp, den ein Team heute bevorzugt. Branchenwissen wiederum kann unverzichtbar sein, wenn Daten, Regulierung oder Fachsprache besonders anspruchsvoll sind. Die entscheidende Frage lautet nicht „Wäre das hilfreich?“, sondern „Was darf in den ersten Monaten nicht fehlen?“

Eine solche Priorisierung erweitert nicht künstlich den Markt. Sie verhindert, dass passende Personen wegen zweitrangiger Stichworte ausscheiden, und macht die fachliche Ansprache glaubwürdiger. Auch die Auswahl wird fairer: Alle Beteiligten prüfen dieselben Kernanforderungen, statt jeweils ihre eigene Wunschliste anzulegen.

Ein Auswahlprozess, der die tatsächliche Arbeit abbildet

Für diese Rollen reicht weder ein allgemeines Gespräch noch eine isolierte Programmieraufgabe. Besser ist ein kurzes, zum Auftrag passendes Szenario. Eine Data-Science-Kandidatin könnte erläutern, wie sie bei unvollständigen Daten eine Prognose validieren würde. Ein AI-Engineer-Kandidat könnte erklären, wie er eine bestehende Anwendung um eine KI-Funktion ergänzt und ihre Qualität nach dem Start beobachtet.

Es geht dabei nicht um die eine richtige Musterlösung. Relevant sind Rückfragen, Abwägungen und die Fähigkeit, Risiken verständlich zu machen. Welche Annahmen werden geprüft? Wann wird ein Projekt gestoppt oder anders zugeschnitten? Wie werden Produktverantwortliche eingebunden? Damit wird sichtbar, ob jemand in der konkreten Umgebung Verantwortung übernehmen kann.

Erst die Verantwortung klären, dann suchen

Ein belastbares Anforderungsprofil beginnt mit vier Entscheidungen: Welcher Use Case ist vorrangig? Wo liegt der größte Engpass? Welche Verantwortung liegt tatsächlich bei der neuen Person? Und welche Fähigkeiten müssen vom ersten Tag an vorhanden sein? Erst danach lohnt sich die Formulierung eines Jobtitels.

JLink begleitet Unternehmen bei dieser Rollenklärung und der anschließenden Ansprache geeigneter Fach- und Führungskräfte. Wer einen AI Engineer oder Data Scientist sucht, sollte nicht mit einer maximalen Technologieliste starten, sondern mit einem präzisen Auftrag. So können Unternehmen Kandidatinnen und Kandidaten fachlich sinnvoll vergleichen und ihnen ehrlich erklären, worauf sie sich einlassen.

Weiterlesen: KI & Data, Cloud & Platform und Cyber Security. Besetzungsbedarf besprechen.

Häufige Fragen

KI-Rollen konkret eingeordnet