Wer „Personalvermittlung KI-Fachkräfte“ sucht, findet meist eine generalistische IT-Personalvermittlung, die ihrer Kandidatendatenbank einen Filter „KI/ML“ hinzugefügt hat. Einen Lebenslauf mit „KI“ zu taggen, weil ChatGPT oder ein Python-Kurs erwähnt wird, ist nicht dasselbe wie eine echte KI-Fachkraft von jemandem zu unterscheiden, der nur das Vokabular aufgeschnappt hat. Diese Checkliste zeigt, was Sie tatsächlich verlangen sollten, bevor Sie einer Agentur eine KI-Besetzung anvertrauen.
Der „KI“-Tag ist keine Prüfung
Die meisten datenbankgetriebenen Personalvermittlungen arbeiten mit Stichwort-Tagging: Erwähnt eine Kandidatin irgendwo im CV oder auf LinkedIn Machine Learning, TensorFlow oder „KI“, landet sie im Topf „KI-Fachkräfte“, den die Agentur ihren Kunden anbietet. Das sagt nichts darüber aus, ob die Person eine Retrieval-Pipeline entwerfen, eine Regression in einem Produktionsmodell debuggen oder Kosten-Latenz-Abwägungen unter Last durchdenken kann. Der Tag ist ein Suchfilter, keine Bewertung.
Frage eins: Wer bewertet die Kandidat:innen tatsächlich?
Das ist die wichtigste Frage an jede Agentur, die KI-Spezialisierung behauptet. Ein:e Generalisten-Recruiter:in, so erfahren im Staffing auch immer, kann eine Kandidatin, die tatsächlich ML-Systeme in Produktion gebracht hat, nicht verlässlich von jemandem unterscheiden, der nur flüssig darüber sprechen kann. Bestehen Sie darauf zu erfahren, ob die technische Bewertung von Menschen mit praktischer KI-/ML-Umsetzungserfahrung durchgeführt wird, ob intern bei der Agentur oder durch ein geprüftes externes Gremium, und was deren Hintergrund tatsächlich ist.
Wie ein echter technischer Prüfprozess aussieht
- Eine Arbeitsprobe oder Take-Home-Aufgabe nahe an der tatsächlichen Rolle, kein generisches Coding-Rätsel ohne Bezug zum relevanten KI-Stack.
- Eine Live-Systemdiskussion: Wie würden Sie X entwerfen, was bricht bei Skalierung, wie gehen Sie mit Model Drift oder Datenqualitätsproblemen in Produktion um.
- Verifikation der behaupteten Projektverantwortung, nicht nur „an einem ML-Projekt mitgearbeitet“, sondern konkret, was end-to-end verantwortet wurde.
- Unterscheidung der Subspezialisierung: Ein ML Engineer, der Modelle baut und deployt, ist nicht dasselbe wie ein:e angewandte:r Forscher:in, ein:e MLOps Engineer oder ein:e LLM-/Agenten-Engineer:in, eine echte Bewertung prüft gezielt die Subspezialisierung, die die Rolle braucht.
Warnsignale für eine Lebenslauf-Datenbank statt einer echten Fachagentur
- „KI“ ist eine Filterkategorie neben 40 anderen unabhängigen Tech-Tags, ohne Aufschlüsselung nach Subspezialisierung.
- Das Screening-Gespräch dreht sich ausschließlich um Verfügbarkeit, Gehalt und Soft Skills, ganz ohne technische Komponente.
- Es kann nicht konkret beschrieben werden, wer die technische Tiefe bewertet oder was genau geprüft wird.
- Jede vorgeschlagene Kandidatin „hat KI-Erfahrung“, aber keine kann auf ein ausgeliefertes Produktionssystem verweisen, das sie persönlich verantwortet hat.
- Die Time-to-Shortlist für eine KI-Rolle ist identisch mit der für eine generische IT-Rolle, ein Zeichen, dass der Prozess sich gar nicht unterscheidet.
Eine kurze Checkliste vor der Unterschrift
- Die technische Bewertungsrubrik schriftlich anfordern.
- Fragen, wer sie bewertet und welchen KI-/ML-Hintergrund diese Person hat.
- Zwei Referenzbesetzungen in echten Senior-KI-Rollen anfordern, mit Kundenkontakten.
- Fragen, wie ML Engineering, MLOps, angewandte Forschung und LLM-/Agenten-Engineering im Prozess unterschieden werden.
- Fragen, was konkret passiert, wenn sich herausstellt, dass die vermittelte Kandidatin nicht die behauptete Tiefe hat.
