KI- / LLM-Ingenieur: Markt
Stand 19. November 2026: offene Stellen KI- / LLM-Ingenieur — 4.167, 30% remote unter den Stellen mit Angabe des Arbeitsmodells; Mediangehalt in Stellenanzeigen $10.833/Monat (aus 541 Anzeigen mit Gehaltsangabe). Quelle: Zorky, täglich aktualisiert.
AI / LLM Engineer — die jüngste, aber lauteste Rolle innerhalb der Richtung AI/ML/DS, die sich 2023 auf der Welle von ChatGPT / GPT-4 / Claude / Llama 2 abgespalten hat. Fokus: Integration großer Sprachmodelle (LLMs) in ein Produkt — NICHT das Training von Foundation Models von Grund auf (das ist Research), NICHT klassische ML-Pipelines (das ist ML Engineer / Data Scientist), sondern angewandtes LLM-Engineering: Prompt Engineering + RAG (Retrieval-Augmented Generation) + Fine-Tuning per LoRA / QLoRA + Agentenarchitekturen + Tool Use + Evaluation. Rollenfamilie: AI Engineer (allgemein — LLM-Integration in ein Produktfeature: Chatbot / Zusammenfassung / Klassifikation / Q&A), LLM Engineer (LLM-Tiefe — serverseitige Optimierung: vLLM- / TGI- / SGLang-Serving, KV-Cache-Tuning, Quantisierung, Speculative Decoding), Generative AI Engineer (breiter — inklusive Bild / Video / Audio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (im Aufwind 2025–2026 — autonome Agenten mit Tool Calling, mehrstufigem Reasoning, LangGraph / AutoGen / CrewAI / Microsoft Semantic Kernel), Senior AI Engineer (LLM-Architektur über mehrere Produkte + Kostenoptimierung). Stack 2026: Python (Monopol). Vektordatenbanken: Pinecone (Managed-Marktführer — Premium), Weaviate (Open Source — modular), Qdrant (Rust — schnell, self-hosted), Milvus (Enterprise-Skalierung), Chroma (leichtgewichtig für die Entwicklung), pgvector (Postgres-Erweiterung — produktionstauglich), Elasticsearch dense_vector + Redis Stack (hybrid). Fine-Tuning: LoRA + QLoRA (PEFT-Bibliothek von Hugging Face), vollständiges Fine-Tuning selten (Kosten prohibitiv). RLHF / DPO: TRL-Bibliothek (Hugging Face). Serving: vLLM (PagedAttention — Rekord-Durchsatz), TGI (Text Generation Inference — Hugging Face), SGLang (Programmiermodell für Serving + Caching), Ollama (lokal), llama.cpp (CPU + Edge). Evaluation: RAGAS, DeepEval, lm-evaluation-harness, Inspect AI (UK AISI), Promptfoo, LangSmith (LangChain-Trace + Eval — beste UX). Observability: Helicone, LangSmith, Langfuse (Open Source), Arize Phoenix, Datadog LLM Observability. Kosten: Tracking pro Token + Prompt Caching. Top-Stack: python, llm, cloud, aws, agile. Unter den Stellen mit angegebenem Arbeitsmodell sind 30% vollständig remote.
Datenstand:
Die wichtigsten Zahlen des KI- / LLM-Ingenieur-Markts: offene Jobs, Mediangehalt, beobachteter Fachkräftepool und Remote-Anteil.
Der Markt für KI- / LLM-Ingenieur hat derzeit 4.167 offene Rollen, davon 3.594 frisch beobachtet. Median salary $10.833/mo.
Unter den Stellen mit angegebenem Arbeitsmodell sind 30% vollständig remote. KI-Arbeit ist vollständig cloudbasiert (LLM-APIs + Vektordatenbanken + Cloud-GPUs). Outsourcer — fast immer remote. Internationale Frontier-KI-Labore — vollständig remote als Standard für herausragende Kandidaten. KI in Big Tech — hybrid als Standard. KI-Startups von Y Combinator — Premium-Vollremote.
⚠ Gehalt bekannt bei 541 von 4167 Stellen; Remote-Anteil aus 3515 mit angegebenem Arbeitsformat; 3594 als frische Beobachtungen gezählt; Trend und Besetzungsschwierigkeit werden nicht gezeigt
Zeitachse: Ausschreibungen und Quellen
Wie viele KI- / LLM-Ingenieur-Ausschreibungen jede Woche seit 1. Juni erschienen sind und aus wie vielen Quellen. Das untere Diagramm trennt Marktwachstum von Abdeckungswachstum: Ein Sprung in der Woche, in der neue Quellen angebunden wurden, bedeutet, dass wir mehr sehen — nicht, dass der Markt gewachsen ist.
Neue Ausschreibungen pro Woche
Diagrammdaten
| Zeitraum | Neue Ausschreibungen pro Woche |
|---|---|
| 2026-06-01 | 190 |
| 2026-06-08 | 141 |
| 2026-06-15 | 113 |
| 2026-06-22 | 326 |
| 2026-06-29 | 306 |
| 2026-07-06 | 351 |
| 2026-07-13 | 463 |
| 2026-07-20 | 436 |
| 2026-07-27 | 254 |
| 2026-08-03 | 354 |
| 2026-08-10 | 219 |
| 2026-08-17 | 262 |
| 2026-08-24 | 235 |
| 2026-08-31 | 272 |
| 2026-09-07 | 278 |
| 2026-09-14 | 307 |
| 2026-09-21 | 1.096 |
| 2026-09-28 | 666 |
| 2026-10-05 | 752 |
| 2026-10-12 | 1.640 |
| 2026-10-19 | 888 |
| 2026-10-26 | 967 |
| 2026-11-02 | 928 |
| 2026-11-09 | 1.041 |
Aktive Quellen pro Woche
Quellen im Zeitraum: 278. ▲ — Woche, in der viele neue Quellen angebunden wurden.
Diagrammdaten
| Zeitraum | Aktive Quellen |
|---|---|
| 2026-06-01 | 25 |
| 2026-06-08 | 24 |
| 2026-06-15 | 21 |
| 2026-06-22 | 49 |
| 2026-06-29 | 68 |
| 2026-07-06 | 58 |
| 2026-07-13 | 85 |
| 2026-07-20 | 75 |
| 2026-07-27 | 66 |
| 2026-08-03 | 66 |
| 2026-08-10 | 40 |
| 2026-08-17 | 44 |
| 2026-08-24 | 47 |
| 2026-08-31 | 49 |
| 2026-09-07 | 49 |
| 2026-09-14 | 50 |
| 2026-09-21 | 75 |
| 2026-09-28 | 71 |
| 2026-10-05 | 82 |
| 2026-10-12 | 73 |
| 2026-10-19 | 83 |
| 2026-10-26 | 85 |
| 2026-11-02 | 82 |
| 2026-11-09 | 107 |
Neue Quellen angebunden: 22. Juni +28 · 29. Juni +36 · 6. Juli +22 · 13. Juli +26 · 20. Juli +19 · alle Wochen (23) in der Tabelle
| Woche | Neue Quellen | Neue Ausschreibungen |
|---|---|---|
| 8. Juni | +7 | 141 |
| 15. Juni | +5 | 113 |
| 22. Juni | +28 | 326 |
| 29. Juni | +36 | 306 |
| 6. Juli | +22 | 351 |
| 13. Juli | +26 | 463 |
| 20. Juli | +19 | 436 |
| 27. Juli | +5 | 254 |
| 3. Aug. | +6 | 354 |
| 10. Aug. | +2 | 219 |
| 17. Aug. | +4 | 262 |
| 24. Aug. | +5 | 235 |
| 31. Aug. | +5 | 272 |
| 7. Sept. | +7 | 278 |
| 14. Sept. | +8 | 307 |
| 21. Sept. | +10 | 1.096 |
| 28. Sept. | +6 | 666 |
| 5. Okt. | +8 | 752 |
| 12. Okt. | +8 | 1.640 |
| 19. Okt. | +14 | 888 |
| 26. Okt. | +3 | 967 |
| 2. Nov. | +9 | 928 |
| 9. Nov. | +10 | 1.041 |
Die aktuelle Woche ist noch nicht vorbei und wird nicht gezeigt: Eine unvollständige Woche sähe wie ein Rückgang aus.
Woche = Datum der ersten Erfassung der Ausschreibung, alle Status; Ausschreibungen werden nach derselben Regel ausgewählt wie der Zähler dieser Seite. Quellen sind unterschiedliche Erfassungskanäle; ihre Namen werden nicht veröffentlicht.
Diagrammdaten
| Woche | Neue Ausschreibungen pro Woche | Aktive Quellen |
|---|---|---|
| 2026-06-01 | 190 | 25 |
| 2026-06-08 | 141 | 24 |
| 2026-06-15 | 113 | 21 |
| 2026-06-22 | 326 | 49 |
| 2026-06-29 | 306 | 68 |
| 2026-07-06 | 351 | 58 |
| 2026-07-13 | 463 | 85 |
| 2026-07-20 | 436 | 75 |
| 2026-07-27 | 254 | 66 |
| 2026-08-03 | 354 | 66 |
| 2026-08-10 | 219 | 40 |
| 2026-08-17 | 262 | 44 |
| 2026-08-24 | 235 | 47 |
| 2026-08-31 | 272 | 49 |
| 2026-09-07 | 278 | 49 |
| 2026-09-14 | 307 | 50 |
| 2026-09-21 | 1.096 | 75 |
| 2026-09-28 | 666 | 71 |
| 2026-10-05 | 752 | 82 |
| 2026-10-12 | 1.640 | 73 |
| 2026-10-19 | 888 | 83 |
| 2026-10-26 | 967 | 85 |
| 2026-11-02 | 928 | 82 |
| 2026-11-09 | 1.041 | 107 |
Gehälter im Zeitverlauf
Mediangehalt KI- / LLM-Ingenieur pro Woche, USD pro Monat.
Mediangehalt, USD pro Monat
Diagrammdaten
| Zeitraum | Median | Stellen mit Gehalt pro Woche (n) |
|---|---|---|
| 2026-08-31 | 7.355 | 11 |
| 2026-09-07 | — | 5 |
| 2026-09-14 | — | 5 |
| 2026-09-21 | 8.406 | 25 |
| 2026-09-28 | 9.036 | 49 |
| 2026-10-05 | 8.333 | 79 |
| 2026-10-12 | 8.578 | 84 |
| 2026-10-19 | 9.457 | 156 |
| 2026-10-26 | 10.833 | 165 |
| 2026-11-02 | 10.625 | 161 |
| 2026-11-09 | 11.417 | 167 |
Die Reihe beginnt am 31. Aug.: davor gibt es keine Daten.
Nur Ausschreibungen mit Gehalt in USD und bekanntem Zeitraum (Monat oder Jahr), 500–50.000 $ pro Monat. Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer — das heißt keine Daten, nicht null.
Diagrammdaten
| Woche | Median |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | — |
| 2026-06-29 | — |
| 2026-07-06 | — |
| 2026-07-13 | — |
| 2026-07-20 | — |
| 2026-07-27 | — |
| 2026-08-03 | — |
| 2026-08-10 | — |
| 2026-08-17 | — |
| 2026-08-24 | — |
| 2026-08-31 | 7.355 |
| 2026-09-07 | — |
| 2026-09-14 | — |
| 2026-09-21 | 8.406 |
| 2026-09-28 | 9.036 |
| 2026-10-05 | 8.333 |
| 2026-10-12 | 8.578 |
| 2026-10-19 | 9.457 |
| 2026-10-26 | 10.833 |
| 2026-11-02 | 10.625 |
| 2026-11-09 | 11.417 |
Remote-Arbeit im Zeitverlauf
Anteil der KI- / LLM-Ingenieur-Ausschreibungen mit vollständig remoter Arbeit, pro Woche.
Remote-Ausschreibungen, %
Diagrammdaten
| Zeitraum | Ortsunabhängig |
|---|---|
| 2026-06-01 | 30,3 |
| 2026-06-08 | 26,1 |
| 2026-06-15 | 21,1 |
| 2026-06-22 | 27,6 |
| 2026-06-29 | 40,9 |
| 2026-07-06 | 39,5 |
| 2026-07-13 | 40,8 |
| 2026-07-20 | 43,1 |
| 2026-07-27 | 46,7 |
| 2026-08-03 | 27,7 |
| 2026-08-10 | 36,2 |
| 2026-08-17 | 30,8 |
| 2026-08-24 | 31,3 |
| 2026-08-31 | 22,9 |
| 2026-09-07 | 20,3 |
| 2026-09-14 | 17,6 |
| 2026-09-21 | 29,6 |
| 2026-09-28 | 33,5 |
| 2026-10-05 | 36,5 |
| 2026-10-12 | 34,5 |
| 2026-10-19 | 35,1 |
| 2026-10-26 | 34 |
| 2026-11-02 | 30,5 |
| 2026-11-09 | 30,5 |
Der Anteil bezieht sich auf Ausschreibungen mit Angabe des Arbeitsmodells (remote, hybrid, Büro). Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer.
Diagrammdaten
| Woche | Ortsunabhängig |
|---|---|
| 2026-06-01 | 30,3 |
| 2026-06-08 | 26,1 |
| 2026-06-15 | 21,1 |
| 2026-06-22 | 27,6 |
| 2026-06-29 | 40,9 |
| 2026-07-06 | 39,5 |
| 2026-07-13 | 40,8 |
| 2026-07-20 | 43,1 |
| 2026-07-27 | 46,7 |
| 2026-08-03 | 27,7 |
| 2026-08-10 | 36,2 |
| 2026-08-17 | 30,8 |
| 2026-08-24 | 31,3 |
| 2026-08-31 | 22,9 |
| 2026-09-07 | 20,3 |
| 2026-09-14 | 17,6 |
| 2026-09-21 | 29,6 |
| 2026-09-28 | 33,5 |
| 2026-10-05 | 36,5 |
| 2026-10-12 | 34,5 |
| 2026-10-19 | 35,1 |
| 2026-10-26 | 34 |
| 2026-11-02 | 30,5 |
| 2026-11-09 | 30,5 |
Technologien im Zeitverlauf
Wie sich der Anteil der KI- / LLM-Ingenieur-Stellen verändert hat, die jede der Top-Technologien nennen.
Ausschreibungen mit der Technologie, %
Diagrammdaten
| Zeitraum | Python | llm | cloud |
|---|---|---|---|
| 2026-08-10 | 23,4 | 36,9 | 21,6 |
| 2026-08-17 | 39,3 | 46,2 | 17,9 |
| 2026-08-24 | 29,5 | 34,1 | 17,8 |
| 2026-08-31 | 35,7 | 46,2 | 10,5 |
| 2026-09-07 | 34,7 | 48,4 | 24,2 |
| 2026-09-14 | 32,8 | 40 | 26,4 |
| 2026-09-21 | 38,2 | 44,4 | 35 |
| 2026-09-28 | 56,9 | 55,7 | 41,8 |
| 2026-10-05 | 59,2 | 54,3 | 40,6 |
| 2026-10-12 | 50,3 | 50,7 | 41 |
| 2026-10-19 | 59,8 | 60,2 | 43,6 |
| 2026-10-26 | 59,5 | 56,3 | 50,6 |
| 2026-11-02 | 63,3 | 57,9 | 40,7 |
| 2026-11-09 | 61,4 | 55 | 44,9 |
Anteil unter Ausschreibungen mit getaggtem Stack; die Reihe beginnt am 10. Aug.: davor wurden Stack-Tags anders vergeben. Wochen mit weniger als 20 getaggten Ausschreibungen bleiben leer.
Diagrammdaten
| Woche | Python | llm | cloud | AWS | Azure |
|---|---|---|---|---|---|
| 2026-08-10 | 23,4 | 36,9 | 21,6 | 16,2 | 7,2 |
| 2026-08-17 | 39,3 | 46,2 | 17,9 | 12 | 12 |
| 2026-08-24 | 29,5 | 34,1 | 17,8 | 8,5 | 11,6 |
| 2026-08-31 | 35,7 | 46,2 | 10,5 | 10,5 | 8,4 |
| 2026-09-07 | 34,7 | 48,4 | 24,2 | 6,5 | 12,9 |
| 2026-09-14 | 32,8 | 40 | 26,4 | 5,6 | 8,8 |
| 2026-09-21 | 38,2 | 44,4 | 35 | 17,8 | 13,5 |
| 2026-09-28 | 56,9 | 55,7 | 41,8 | 29,4 | 33,6 |
| 2026-10-05 | 59,2 | 54,3 | 40,6 | 26 | 27,5 |
| 2026-10-12 | 50,3 | 50,7 | 41 | 23,9 | 22,2 |
| 2026-10-19 | 59,8 | 60,2 | 43,6 | 28,2 | 25,4 |
| 2026-10-26 | 59,5 | 56,3 | 50,6 | 31,9 | 28,6 |
| 2026-11-02 | 63,3 | 57,9 | 40,7 | 26,7 | 24,5 |
| 2026-11-09 | 61,4 | 55 | 44,9 | 26,3 | 28,6 |
Länder im Zeitverlauf
Wie sich der Anteil der KI- / LLM-Ingenieur-Stellen in jedem der Top-Länder pro Woche verändert hat.
Ausschreibungen im Land, %
Diagrammdaten
| Zeitraum | USA | Vereinigtes Königreich | Polen |
|---|---|---|---|
| 2026-06-01 | 50,8 | 2,2 | 17,3 |
| 2026-06-08 | 51,9 | 7,8 | 10,9 |
| 2026-06-15 | 58,8 | 2 | 13,7 |
| 2026-06-22 | 29,7 | 0,7 | 34,7 |
| 2026-06-29 | 27,7 | 4 | 16,6 |
| 2026-07-06 | 31,4 | 5,2 | 10,8 |
| 2026-07-13 | 33,3 | 5 | 11,8 |
| 2026-07-20 | 34,1 | 17 | 18,7 |
| 2026-07-27 | 29,6 | 11,3 | 18,8 |
| 2026-08-03 | 35,3 | 18,5 | 4,8 |
| 2026-08-10 | 28,2 | 27,6 | 3,1 |
| 2026-08-17 | 37,3 | 20,1 | 1,4 |
| 2026-08-24 | 32,1 | 22,3 | 4,3 |
| 2026-08-31 | 37,6 | 24,5 | 1,7 |
| 2026-09-07 | 40,9 | 17,5 | 3,2 |
| 2026-09-14 | 37,7 | 20 | 1,1 |
| 2026-09-21 | 35,9 | 12,2 | 4,1 |
| 2026-09-28 | 37,5 | 11,9 | 11,9 |
| 2026-10-05 | 31,7 | 11,7 | 15 |
| 2026-10-12 | 22,2 | 9,2 | 10,9 |
| 2026-10-19 | 26 | 11,2 | 13,3 |
| 2026-10-26 | 27,8 | 12 | 7 |
| 2026-11-02 | 28,6 | 12,6 | 7,4 |
| 2026-11-09 | 28,4 | 11,4 | 7,5 |
Anteil unter Ausschreibungen mit bekanntem Land; das Diagramm zeigt die fünf Länder mit den meisten Ausschreibungen über sechs Monate. Wochen mit weniger als 20 Ausschreibungen mit bekanntem Land bleiben leer. Ein steigender Anteil kann eine neu angebundene Quelle in diesem Land bedeuten statt Marktwachstum.
Diagrammdaten
| Woche | USA | Vereinigtes Königreich | Polen | Indien | Deutschland |
|---|---|---|---|---|---|
| 2026-06-01 | 50,8 | 2,2 | 17,3 | 12,3 | 1,1 |
| 2026-06-08 | 51,9 | 7,8 | 10,9 | 13,2 | 7,8 |
| 2026-06-15 | 58,8 | 2 | 13,7 | 6,9 | 4,9 |
| 2026-06-22 | 29,7 | 0,7 | 34,7 | 7 | 3,7 |
| 2026-06-29 | 27,7 | 4 | 16,6 | 7,5 | 3,2 |
| 2026-07-06 | 31,4 | 5,2 | 10,8 | 13,6 | 4,9 |
| 2026-07-13 | 33,3 | 5 | 11,8 | 12,1 | 3,7 |
| 2026-07-20 | 34,1 | 17 | 18,7 | 4,7 | 2,5 |
| 2026-07-27 | 29,6 | 11,3 | 18,8 | 3,8 | 5,9 |
| 2026-08-03 | 35,3 | 18,5 | 4,8 | 6,8 | 1,7 |
| 2026-08-10 | 28,2 | 27,6 | 3,1 | 6,1 | 3,7 |
| 2026-08-17 | 37,3 | 20,1 | 1,4 | 7,7 | 1,9 |
| 2026-08-24 | 32,1 | 22,3 | 4,3 | 8,2 | 2,2 |
| 2026-08-31 | 37,6 | 24,5 | 1,7 | 8,3 | 2,2 |
| 2026-09-07 | 40,9 | 17,5 | 3,2 | 7,9 | 1,2 |
| 2026-09-14 | 37,7 | 20 | 1,1 | 12,1 | 0,4 |
| 2026-09-21 | 35,9 | 12,2 | 4,1 | 7 | 4,1 |
| 2026-09-28 | 37,5 | 11,9 | 11,9 | 7,4 | 5,2 |
| 2026-10-05 | 31,7 | 11,7 | 15 | 5,7 | 7,5 |
| 2026-10-12 | 22,2 | 9,2 | 10,9 | 9,2 | 10 |
| 2026-10-19 | 26 | 11,2 | 13,3 | 6,6 | 7,8 |
| 2026-10-26 | 27,8 | 12 | 7 | 8,6 | 5,3 |
| 2026-11-02 | 28,6 | 12,6 | 7,4 | 7,2 | 6,1 |
| 2026-11-09 | 28,4 | 11,4 | 7,5 | 8,6 | 6,4 |
Bereinigter Markt: Einstellungsindex
Dieselben 7.505 Karriereseiten von Arbeitgebern; die Zahl der Ausschreibungen stammt direkt von der Seite. Neue Quellen bewegen diesen Index nicht — er zeigt den Markt, nicht unsere Abdeckung. Das ist der gesamte Panelmarkt, nicht nur KI- / LLM-Ingenieur.
Einstellungsindex, 16. Okt. = 100
Diagrammdaten
| Zeitraum | Einstellungsindex |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Kettenindex: Jeder Tag vergleicht nur Seiten, die an diesem und am vorherigen Tag abgefragt wurden; Ausreißer und plattformweite Abfrageausfälle sind ausgeschlossen. Tage ohne vergleichbare Paare bleiben leer.
Diagrammdaten
| Tag | Einstellungsindex |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Wie viele offene KI- / LLM-Ingenieur-Jobs es gibt und wie viele passende Fachkräfte Zorky sieht.
Nachfrage und beobachtetes Angebot
Diagrammdaten
| Kennzahl | Wert |
|---|---|
| Offene Nachfrage | 4.167 |
| Offene Nachfrage | 4.167 |
| Beobachtetes Angebot | — nicht veröffentlicht |
AI Engineer — die am schnellsten wachsende Subnische von KI/ML (abgespalten 2023 nach dem ChatGPT-Boom). Der reale Markt ist breiter als der sichtbare Pool — viele KI-Rollen ordnet unser Matcher als allgemeinen ML Engineer / Backend ein (Titel wie „Senior Backend Engineer with AI focus“). Treiber 2026: LLM-Einführung in allen Produkten (Chatbots / Zusammenfassung / Q&A / Code-Assistenz), RAG-Anwendungen für Wissensdatenbanken von Unternehmen, agentische Workflows (im Aufwind 2025–2026), Wettlauf der Foundation-Model-Startups. Internationale Remote-Arbeit über Frontier-KI-Labore + KI-Startups von Y Combinator — Premiumsegment.
⚠ zu einer Stelle passende Kandidaten werden noch nicht gezählt: gezeigt werden Nachfrage und der beobachtete Pool
Wie sich die Gehälter in KI- / LLM-Ingenieur-Jobs verteilen, in US-Dollar pro Monat.
Gehaltsverteilung
Diagrammdaten
| Kennzahl | Wert |
|---|---|
| <$1k | 4 |
| $1–2k | 10 |
| $2–3k | 11 |
| $3–4k | 11 |
| $4–5k | 11 |
| $5–6k | 30 |
| $6–7k | 32 |
| $7–8k | 37 |
| $8–9k | 45 |
| $9–10k | 34 |
| $10–12k | 80 |
| $12–15k | 81 |
| $15–20k | 113 |
| $20k+ | 42 |
- für die Berechnung nutzbar: 541 (13%)
- angegeben, aber nicht in USD/Monat umgerechnet: 543 (13%)
- nicht angegeben: 3.083 (74%)
Jede zehnte Stellenanzeige bietet unter $5.411, jede zehnte über $19.166. Die Hälfte der Anzeigen bietet zwischen $7.699 und $15.625. Stichprobe: 541.
Diagrammdaten
| Kennzahl | Untergrenze | Obergrenze | Anzahl |
|---|---|---|---|
| <$1k | 0 | 1.000 | 4 |
| $1–2k | 1.000 | 2.000 | 10 |
| $2–3k | 2.000 | 3.000 | 11 |
| $3–4k | 3.000 | 4.000 | 11 |
| $4–5k | 4.000 | 5.000 | 11 |
| $5–6k | 5.000 | 6.000 | 30 |
| $6–7k | 6.000 | 7.000 | 32 |
| $7–8k | 7.000 | 8.000 | 37 |
| $8–9k | 8.000 | 9.000 | 45 |
| $9–10k | 9.000 | 10.000 | 34 |
| $10–12k | 10.000 | 12.000 | 80 |
| $12–15k | 12.000 | 15.000 | 81 |
| $15–20k | 15.000 | 20.000 | 113 |
| $20k+ | 20.000 | — | 42 |
In welchen Ländern es die meisten offenen KI- / LLM-Ingenieur-Jobs gibt.
Geografie der Nachfrage
| Land | Stellen | Anteil |
|---|---|---|
| Vereinigte Staaten | 1.050 | 30,3% |
| Vereinigtes Königreich | 329 | 9,5% |
| Polen | 308 | 8,9% |
| Indien | 284 | 8,2% |
| Deutschland | 214 | 6,2% |
| Kanada | 124 | 3,6% |
| Frankreich | 110 | 3,2% |
| Singapur | 107 | 3,1% |
| Spanien | 65 | 1,9% |
| Russland | 60 | 1,7% |
| Übrige Länder | 819 | 23,6% |
Führend bei der Zahl der Stellen für AI Engineer: die USA (1050 Stellen) — aber der Pool der jungen Nische ist klein und nicht voll repräsentativ. Polen — KI-freundlicher EU-Hub (Warschau / Krakau). Deutschland — Berliner KI-Cluster (Aleph Alpha + Black Forest Labs). Frankreich — Paris (Mistral + Hauptsitz von Hugging Face). UK — London. USA — Bay Area (der größte KI-Hub).
⚠ nur Stellenzahlen: Gehalt nach Land wird nicht veröffentlicht
Diagrammdaten
| Land | Stellen |
|---|---|
| US | 1.050 |
| GB | 329 |
| PL | 308 |
| IN | 284 |
| DE | 214 |
| CA | 124 |
| FR | 110 |
| SG | 107 |
| ES | 65 |
| RU | 60 |
Welche Technologien am häufigsten im selben Job wie KI- / LLM-Ingenieur verlangt werden.
Wird zusammen verwendet mit
Anteil — wie viele der 4.167 Stellen im Markt KI- / LLM-Ingenieur diese Technologie nennen. Sortiert nach Stellenzahl, nicht nach „Stärke des Zusammenhangs“. Oberbegriffe wie cloud sind keine bestimmte Cloud (AWS, Azure).
Diagrammdaten
| Name | Anzahl |
|---|---|
| python | 1.562 |
| llm | 1.535 |
| cloud | 1.331 |
| aws | 847 |
| azure | 790 |
| docker | 477 |
| langchain | 441 |
| langgraph | 425 |
| gcp | 401 |
| mlops | 356 |
| embeddings | 355 |
| fine-tuning | 333 |
Wie viele KI- / LLM-Ingenieur-Jobs es auf jeder Stufe gibt — von Junior bis Principal.
Nachfrage nach Level
| Level | Stellen |
|---|---|
| senior | 1.284 |
| Principal | 316 |
| lead | 312 |
| junior | 201 |
| middle | 184 |
Junior — typischer Einstieg Backend Senior / ML Engineer Middle + LLM-Portfolio (nachweisbare Erfahrung mit RAG + LangChain). Karriereweg: Backend Senior / ML Middle (2-3 Jahre) + Interesse an LLMs → AI Engineer Junior (1-2 Jahre) → Middle (2-3 Jahre) → Senior → entweder Staff / Principal AI Engineer, AI Tech Lead / Engineering Manager, Wechsel in ein Frontier-KI-Labor oder Gründer eines KI-Startups. Wenn die Daten nach Stufen dünn sind — sehen Sie sich die Seiten ml-engineer + research für breitere Vergleichswerte an.
⚠ nur die Nachfrageseite: das Level des beobachteten Pools ist größtenteils unbekannt
Diagrammdaten
| Stufe | Anzahl |
|---|---|
| senior | 1.284 |
| Principal | 316 |
| lead | 312 |
| junior | 201 |
| middle | 184 |
Wer im Bereich KI- / LLM-Ingenieur am meisten einstellt und wie stark sich die Nachfrage auf die größten Unternehmen konzentriert.
Arbeitgeber
Die Nachfrage verteilt sich auf 2.497 Arbeitgeber. Der größte steht für 1.1 %, die Top Ten für 5.0 %; die übrigen 95.0 % sind Long Tail.
| Anteil | Wert |
|---|---|
| Top-1 | 1.1% |
| Top-3 | 2.3% |
| Top-10 | 5.0% |
| Long Tail | 95.0% |
⚠ Namen werden nicht angezeigt: Personalvermittler und Endarbeitgeber werden vom Klassifikator noch nicht unterschieden
Von welchen Unternehmensseiten und Jobbörsen Zorky KI- / LLM-Ingenieur-Jobs sammelt.
Wo Zorky diesen Markt sieht
Beobachtet in 128 Quellen; die größte steht für 11.5 % — dieser Markt hängt nicht an einem einzigen Kanal.
Diagrammdaten
| Klasse | Name | Englischer Name | Anzahl | Anteil |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS & Karriereseiten | 2.530 | 0,6072 |
| board | джоб-борды и агрегаторы | Jobbörsen & Aggregatoren | 1.392 | 0,3341 |
| telegram | Telegram | Telegram | 222 | 0,0533 |
| Community | сообщества и публичные профили | Community & öffentliche Profile | 23 | 0,0055 |
Die neuesten KI- / LLM-Ingenieur-Jobs von Karriereseiten der Unternehmen.
Neueste Ausschreibungen
- AI Engineer I/II/III · INT
- Lead AI Engineer · INT
- Applied AI Engineer · AT
- AI Engineer — стажёр · KZ
- AI Engineer - Simulation Environments · DE
- AI Engineer / LLM Engineer · NL
- AI Engineer Intern (x/f/m) - Paris · FR
- AI Engineer Intern (x/f/m) - Nantes · FR
Die neuesten offenen Stellen als AI Engineer — die jüngsten Positionen in der Stichprobe (junge Nische, die Stichprobe ist klein). Die vollständige Liste finden Sie in unserem CRM oder über den Link „Alle ansehen“ unten. Für einen breiteren Blick sehen Sie sich die Seiten ml-engineer + research an.
Benachbarte Märkte
AI Engineer überschneidet sich mit ML Engineer (Überschneidung bei produktivem ML — aber AI konzentriert sich auf LLM-basierte Funktionen), Data Scientist (LLM-kundiger DS — Prompt Engineering für Analysen), Research Engineer (tiefere LLM-Wissenschaft — Papers + Training von Foundation Models), Backend (Tiefe der produktionsreifen Integration), MLOps (Überschneidung bei der Infrastruktur für LLM-Serving). Vergleich mit ml-engineer/data-scientist/research/mlops — im SiblingSubnichesChart oben.
⚠ angrenzende Märkte zum Vergleich sind noch nicht definiert
So wird gemessen
- Stelle
- eine offene Stelle, die das Qualitäts-Gate passiert hat und mindestens zwei Technologien nennt
- Beobachteter Kandidat
- ein Kandidat, dessen Stack diese Technologie enthält; ein Aggregat — kein einziger Datensatz verlässt den Perimeter
- Matchbarer Kandidat
- noch nicht gezählt
- Fenster
- Stellen, die zum Zeitpunkt der Erstellung des Snapshots offen waren
Über die Daten
- Einige Aufschlüsselungen sind ausgeblendet: Die Datenabdeckung reicht noch nicht aus.
- Statistiken erscheinen nur, wo die Stichprobe eine Qualitätsschwelle passiert.
- Ein fehlender Block bedeutet nicht den Wert null.
Derzeit ausgeblendete Aufschlüsselungen: 8.
Richtung: KI / ML / Datenwissenschaft
Verwandte Spezialisierungen
Innerhalb von AI / LLM Engineer: AI Engineer (allgemein — LLM-Integration in eine Produktfunktion), LLM Engineer (LLM-tief — vLLM / TGI-Serving + KV-Cache + Quantisierung + Speculative Decoding), Generative AI Engineer (breiter — Bild / Video / Audio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (im Aufwind 2025–2026 — autonome Agenten mit Tool Use + mehrstufigem Reasoning), Senior AI Engineer (produktübergreifende LLM-Architektur + Kostenoptimierung). Vergleich mit ml-engineer/data-scientist/research/mlops — im Balken unten.
Häufig gestellte Fragen
Die häufigsten Fragen zu AI / LLM Engineer: Bezahlung (Premiumsegment für seltene Fähigkeiten), AI Engineer vs. ML Engineer vs. Data Scientist (3-facher Vergleich), RAG vs. Fine-Tuning vs. Prompt Engineering (Entscheidungsbaum + reale Kosten), AI Agent Engineer (aufstrebende Subspezialisierung 2025–2026), Remote, wie man es wird (2-4 Monate ab Backend Senior — der schnellste Einstieg in die ML-Welt), Senior-Fähigkeiten (LangChain + fortgeschrittenes RAG + Agentenarchitekturen + Kostenoptimierung + Open-Source-Beiträge). Die Antworten werden automatisch neu berechnet.
Was verdient ein AI Engineer als Junior, Middle, Senior oder Lead?
Junior — typischer Einstieg: Backend Middle / ML Engineer Middle / Data Scientist Middle + LLM-Hobbyprojekte (nachweisbare Erfahrung mit RAG + LangChain). Der Sprung Junior → Middle — nach der ersten produktiven Einführung eines LLM-Features (Chatbot / Zusammenfassung / Q&A in einem echten Produkt mit echten Nutzern). Middle → Senior — Verantwortung für mehrere LLM-Features + Kostenoptimierung + Evaluationsmethodik. Senior → Staff / Principal — organisationsweite KI-Strategie + Architektur einer LLM-Plattform für mehrere Produkte. Karriereweg: Backend Senior / ML Engineer Middle (2-3 Jahre) + Interesse an LLMs → AI Engineer Junior / Middle (1-2 Jahre) → Senior → entweder Staff / Principal AI Engineer, AI Tech Lead / Engineering Manager, Wechsel in ein Frontier-KI-Labor oder Gründer eines KI-Startups.
Welchen Stack braucht an AI Engineer am häufigsten?
Top 5: python, llm, cloud, aws, agile. Python in der Tiefe (Monopol — async / Typisierung / FastAPI). Jeder Anbieter hat seine Eigenheiten (Rate Limits + Retry-Strategien + Kosten pro Token + Feature-Unterstützung). LLM-Frameworks: souveräne Beherrschung von LangChain — der größte Stellenmarkt (LCEL — LangChain Expression Language, Callbacks, Agents, Retriever), LlamaIndex (RAG-fokussiert — Datenaufnahme + Indexierungsstrategien), Haystack (deepset), Semantic Kernel (Microsoft für .NET-Unternehmen), LangGraph (Agentenorchestrierung im DAG-Stil — LangChain), AutoGen + CrewAI (Multi-Agent — auf dem Vormarsch), DSPy (Stanford — deklarative LLM-Programmierung, wachsend). Souveräne Beherrschung von Vektor-DBs: Pinecone (führend bei verwalteten Lösungen), Weaviate (Open Source, modular), Qdrant (in Rust — schnell, selbst gehostet), Milvus (Enterprise-Maßstab), Chroma (leichtgewichtig für Entwicklung / Prototyping), pgvector (Postgres-Erweiterung — produktionstauglich für Unternehmen, die bereits Postgres nutzen), Elasticsearch dense_vector + Redis Stack (Hybrid aus Volltext + Vektor). Fine-Tuning: LoRA + QLoRA über die PEFT-Bibliothek (Hugging Face — Standard 2026), Unsloth (schnelleres LoRA-Training), Axolotl (konfigurationsgetriebenes Fine-Tuning). Vollständiges Fine-Tuning selten (kostenmäßig prohibitiv). RLHF / DPO / KTO: TRL-Bibliothek (Hugging Face — Wachstum von Direct Preference Optimization 2024+). Evaluierung: RAGAS (RAG-spezifisch — Faithfulness + Answer Relevancy + Context Precision), DeepEval, lm-evaluation-harness (akademische Benchmarks), Inspect AI (UK AISI, sicherheitsorientiert), Promptfoo (Regressionstests für Prompts), LangSmith (Tracing + Evaluierung für LangChain — beste UX). Observability + Tracing: Helicone (LLM-spezifisches APM), LangSmith, Langfuse (Open Source), Arize Phoenix, Datadog LLM Observability (Feature 2024+). Kostenoptimierung: Prompt Caching, Prompt-Kompression (LLMLingua), Model Routing (kleines Modell für einfache Anfragen, großes für komplexe — über Anbieter wie Martian / OpenRouter).
AI Engineer vs. ML Engineer vs. Data Scientist — was ist der Unterschied?
Data Scientist — Fokus auf statistische Modellierung + A/B-Tests + Problemformulierung im Business. Stack: pandas + sklearn + XGBoost + Jupyter + SQL + Tableau. Siehe Data Scientist. ML Engineer — Fokus auf ML-Pipelines in Produktion + Deployment + Skalierung. Stack: PyTorch + sklearn + Kubernetes + MLflow + Cloud-managed ML. Generalist — arbeitet mit Recsys / Fraud / Ranking / klassischem ML. Siehe ML Engineer. AI Engineer (diese Seite) — Fokus auf LLM-Integration ins Produkt. Trainiert KEINE Foundation Models (das ist Research), baut KEINE klassischen ML-Pipelines (das ist der ML Engineer). Stack: Python + LLM-Anbieter + LangChain / LlamaIndex + Vektor-DBs + vLLM-Serving + RAG-Patterns + LoRA-Fine-Tuning + Tools zur LLM-Evaluation. Zentraler Unterschied 2026: Der AI Engineer nutzt vortrainierte LLMs wieder, der ML Engineer trainiert Modelle oft von Grund auf. Der AI Engineer arbeitet mit API/Prompts/RAG; der ML Engineer — mit Trainingsschleifen + Feature Engineering. Karrierewechsel: Backend Senior → AI Engineer Junior — 2-4 Monate (schneller Einstieg dank API-basierter Arbeit + leicht erlernbarem LangChain). ML Engineer Senior → AI Engineer Senior — 1-3 Monate (kennt die Stack-Grundlagen bereits, muss LLM-Spezifisches vertiefen). DS Senior → AI Engineer Middle — 3-6 Monate. AI Engineer Senior → Research — erfordert tiefere Mathematik + Erfahrung im Verfassen von Papern + 6-12 Monate Vorbereitung.
RAG vs. Fine-Tuning vs. Prompt Engineering — was wählen?
Entscheidungsbaum für die LLM-Anpassung 2026: 1) Prompt Engineering — der erste Versuch. Einsatzfall: Zero-Shot oder Few-Shot REICHT für die Aufgabe. Vorteile: keine Kosten (kein Training), sofortige Iteration, modellunabhängig. Nachteile: begrenzte Kontrolle, fragile Prompts, Druck auf das Kontextfenster. 2) RAG (Retrieval-Augmented Generation) — am besten für wissensbasierte Aufgaben. Einsatzfall: Chatbot, Q&A, Dokumentensuche, Kundensupport, Code-Dokumentation, interne Wissensdatenbanken. Architektur: Anfrage → Embedding → Vektorsuche → Top-k-Dokumente → Prompt mit dem gefundenen Kontext anreichern → LLM generiert die Antwort. Vorteile: faktische Verankerung (gegen Halluzinationen), aktuell (nur den Index aktualisieren, kein erneutes Training), Quellenangabe möglich, günstiger als Fine-Tuning. Nachteile: Retrieval-Qualität als Engpass, der Prompt wird größer. RAG-Stack 2026: Ingestion (Document Loader von LlamaIndex / LangChain) → Chunking-Strategie (semantisch vs. feste Größe vs. rekursiv) → Embeddings → Vektor-DB (Pinecone / Qdrant / Weaviate / pgvector) → Retrieval (Ähnlichkeit + Reranking per Cohere Rerank / BGE Reranker) → Anreicherung des Prompts → Generierung durch das LLM. Fortgeschrittenes RAG: hybride Suche (Vektor + BM25), HyDE (Hypothetical Document Embeddings), Query Rewriting, Multi-Hop-Retrieval, Selbstreflexion (CRAG / Self-RAG). 3) Fine-Tuning — einsetzen, wenn Prompt Engineering + RAG nicht ausreichen. Einsatzfall: a) domänenspezifischer Stil / Format (Medizin / Recht — spezifische Formulierungsmuster), b) Senkung der Token-Kosten (ein kleineres feinabgestimmtes Modell ersetzt ein größeres allgemeines), c) Aufgaben, die tiefes Spezialwissen erfordern (wo das RAG-Kontextfenster nicht hilft). LoRA trainiert Adapter bei eingefrorenen Basisgewichten. Der Anteil trainierbarer Parameter hängt vom Modell, dem Adapterrang und den ausgewählten Modulen ab. LoRA. Stack: Hugging Face Transformers + PEFT + TRL + Unsloth (schneller) + Axolotl (konfigurationsgesteuert). Hardware: 24-GB-GPU (RTX 4090 / A6000) für Modelle mit 7-13B, 80 GB+ (A100/H100) für 70B+. Kostenrealität 2026: Prompt Engineering — Minuten, $0. RAG-Setup — 1-2 Wochen Engineering, $100-1.000/Monat API-Kosten. 4) Kombination: Reale KI-Features in Produktion nutzen typischerweise ALLE drei. Zuerst Prompt Engineering (System-Prompts + Few-Shot-Beispiele) → RAG zur Verankerung → optional LoRA-Fine-Tuning für Stil/Format. 5) Agentische Patterns (im Aufwind 2025–2026) — LLM + Tool Use + mehrstufiges Reasoning. LangGraph / AutoGen / CrewAI / DSPy verwenden.
Welcher Anteil der Stellen ist vollständig remote?
Unter den Stellen mit angegebenem Arbeitsmodell sind 30% vollständig remote. Stellen ohne Angabe des Arbeitsmodells sind vom Nenner ausgeschlossen; hybride Arbeit wird nicht als vollständig remote gezählt.
Wie fängt man 2026 mit AI Engineering an?
Roadmap: 1) Python in der Tiefe + Backend-Grundlagen — async / Typing / FastAPI / pytest. Ohne Backend-Kompetenz ist man kein AI Engineer (nur ein Prompt-Jockey). Buch: „Fluent Python“ von Ramalho. 2) Verständnis der LLM-Grundlagen — Grundlagen der Transformer-Architektur (Attention + Tokenisierung + Decoding-Strategien + Kontextfenster), aber Sie müssen nichts von Grund auf implementieren. Kurs: „Building LLMs from scratch“ von Karpathy auf YouTube (kostenlos — am besten für die Intuition). Buch: „Hands-On Large Language Models“ von Jay Alammar / Maarten Grootendorst (2024 — Pflichtlektüre). 3) OpenAI API beherrschen — Chat Completions + Function Calling + Structured Outputs + Streaming + Assistants. Mindestens 3 echte Apps bauen. Kostenlose Credits + günstiges Experimentieren. 4) Anthropic Claude API beherrschen — am besten für Coding + Anwendungsfälle mit langem Kontext. Tool Use + Prompt Caching + Computer Use (wenn Sie der Weg AI Agent interessiert). 5) LangChain beherrschen — die häufigste Anforderung auf dem Arbeitsmarkt. LCEL (LangChain Expression Language), Chains, Agents, Retrievers, Callbacks. Kurs: „LangChain & Vector Databases in Production“ von DeepLearning.AI (kostenlos). 6) RAG-Architektur in der Tiefe — Document Loaders + Chunking-Strategien (semantisch / fest / rekursiv) + Wahl der Embeddings + Auswahl der Vektordatenbank + Retrieval-Algorithmen + Reranking. Eine produktionsreife RAG-App mit fortgeschrittenen Mustern bauen (hybride Suche + Reranking + HyDE). 7) Vektordatenbanken beherrschen — mindestens eine in der Tiefe (Qdrant — am besten zum Lernen selbst gehostet) + eine verwaltete (Pinecone). Grundlagen der Algorithmen HNSW / IVF / PQ verstehen. 8) Fine-Tuning in der Praxis — LoRA / QLoRA über die Bibliothek PEFT + Unsloth (schneller). Llama 3.x 8B auf Ihrem eigenen Datensatz feinabstimmen. Hardware: Google Colab Pro+ ($50/Monat) oder RunPod / Vast.ai (günstige GPU-Miete). 9) Serving mit vLLM — ein offenes Modell mit vLLM deployen + den Durchsatz benchmarken + mit der OpenAI API vergleichen. 10) Evaluierung beherrschen — RAGAS + DeepEval + eigene Evaluierungssuite. Einen Regressionstest für Prompts bauen. 11) Observability mit LangSmith / Langfuse — eine Produktions-App instrumentieren + Traces analysieren + Engpässe identifizieren. 12) Agenten-Frameworks — Grundlagen von LangGraph + AutoGen + CrewAI + DSPy. Eine Multi-Agenten-Demo bauen (Research-Agent + Schreib-Agent + Kritiker-Agent). 13) Portfolio aus Pet-Projekten: produktionsreifes KI-Feature (z. B. Q&A zu Dokumenten eines offenen Datensatzes) mit RAG + Evaluierung + Observability + Kostenverfolgung. Als Portfolio dokumentieren (GitHub + Blogbeitrag + Demo-Video). Kurse (RU): Karpov.Courses „AI Engineer“ track, Otus „LLM Engineering“, HSE School of AI, School21 (Sber) AI Engineer track. Pflichtlektüre: „AI Engineering“ von Chip Huyen (2024), „Hands-On Large Language Models“ von Alammar / Grootendorst, „Building LLMs for Production“ von Bouchard / Peng. Backend Senior + Interesse an LLMs → AI Engineer Junior — 2-4 Monate (der schnellste Einstieg in die ML-Welt). ML Engineer Senior → AI Engineer Senior — 1-3 Monate. Data Scientist → AI Engineer Middle — 3-6 Monate.
Wie viele offene Stellen enthält diese Stichprobe?
Die veröffentlichte Stichprobe enthält 4167 offene Stellen nach Zusammenführung erneuter Veröffentlichungen. Dies entspricht dem Wert der Hauptkennzahl. Der geografische Abschnitt beschreibt die Abdeckung der Stichprobe; dies ist keine Schätzung des gesamten Marktes.
Welche Fähigkeiten braucht ein Senior AI Engineer?
Ein Senior AI Engineer verantwortet den gesamten Engineering-Zyklus von LLM-Produkten + Kostenoptimierung + technische Führung. Python in der Tiefe + Backend auf Senior-Niveau: Beherrschung von async / Typing / FastAPI / pytest. Kenntnis offener LLMs: Llama 3.x / Mistral / Qwen 2.5 / DeepSeek V3 + R1 / Phi 3 / Gemma 2 — Abwägungen zwischen Performance / Kosten, wann welches Modell. Beherrschung von LangChain: LCEL in der Tiefe, Callbacks, Agents, Retriever, Erstellen eigener Chains, Debugging über LangSmith. Oder Gleichwertiges in LlamaIndex / Haystack / Semantic Kernel. Beherrschung der RAG-Architektur: fortgeschrittene Muster (hybride Suche BM25 + Vektor, Reranking, HyDE, Query Rewriting, Multi-Hop-Retrieval, Self-Reflection-Muster CRAG / Self-RAG), Chunking-Strategien (semantisch + rekursiv + hierarchisch), Auswahl des Embedding-Modells. Beherrschung von Vektordatenbanken in der Tiefe: eine von Pinecone / Qdrant / Weaviate / Milvus / pgvector in der Tiefe — Index-Tuning, Sharding, Replikation, Umsetzung hybrider Suche. Beherrschung von Fine-Tuning: LoRA / QLoRA über PEFT + Unsloth + Axolotl, Datensatzvorbereitung (Instruction Tuning + DPO-Daten), Auswahl der Hyperparameter, Evaluierungsmethodik. Grundlagen von RLHF / DPO / KTO: TRL-Bibliothek für Preference Optimization. Beherrschung von Serving: vLLM fortgeschritten (PagedAttention + Continuous Batching + Speculative Decoding + KV-Cache-Optimierung), TGI, SGLang. Agentenarchitekturen: Beherrschung von LangGraph + AutoGen + CrewAI + DSPy, Implementierung von MCP (Model Context Protocol), Entwurfsmuster für Tool Use, Orchestrierung mehrerer Agenten. Beherrschung der Evaluierung: RAGAS + DeepEval + Entwurf eigener Evaluierungssuites, LLM-as-Judge-Methodik, Regressionstests für Prompts, A/B-Tests für LLM-Features. Observability + Tracing: Beherrschung von LangSmith + Langfuse + Helicone + Arize Phoenix + Datadog LLM Observability. Beherrschung der Kostenoptimierung: Prompt-Caching-Strategien (nativ + eigenes Redis), Prompt-Kompression (LLMLingua), Model Routing (kleine Modelle für Einfaches / große für Komplexes über OpenRouter / Martian), Batch-API für Nicht-Echtzeit. Sicherheit / Guardrails: NeMo Guardrails, Llama Guard, Integration der OpenAI Moderation API, Abwehr von Prompt Injection, Filterung der Ausgaben. Systementwurf für LLM-Produkte: ein RAG-basiertes Produkt für 100M+ Anfragen/Tag am Whiteboard entwerfen, Multi-Region-Überlegungen, Latenzbudgets (Ziel P95 < 2s für Chat). Soft Skills: Verfassen von ADRs für LLM-Architekturentscheidungen, technisches Schreiben (Design-Dokumente für LLM-Features), teamübergreifende Zusammenarbeit (Produkt- / Backend- / DS- / Research-Teams), Mentoring von Middle AI Engineers, Disziplin beim Lesen von Papers (NeurIPS / ICLR / EMNLP — Pflicht zu verfolgen). Englisch ab Senior+ PFLICHT — KI-Community / Dokumentation / Papers / Konferenzen sind komplett englischsprachig. Optionaler Bonus: Open-Source-Beiträge zu LangChain / LlamaIndex / vLLM / Hugging Face — steigern den Marktwert bei der Einstellung in Frontier-KI-Labore deutlich. Präsenz auf Twitter im KI-Bereich (regelmäßige Posts über LLM-Experimente) — wichtig für Einstellungen über Community-Kontakte.
Anfrage hinterlassen
Beschreiben Sie die Aufgabe und hinterlassen Sie einen Kontakt — die Anfrage geht in unser CRM, und wir antworten über den angegebenen Kontakt.