Personalvermittlung für KI-Projekte: Warum Standard-Vermittlung nicht reicht

Wenn ein deutsches Unternehmen ein KI-Vorhaben startet, läuft die Besetzung meist nach dem gewohnten Muster: Stellenbeschreibung schreiben, an die übliche Personalvermittlung geben, auf die Shortlist warten. Drei Monate später hat das Projekt einen Starttermin, aber kein Team, oder schlimmer: ein Team, das im Interview überzeugt hat und nichts ausliefern kann. Das liegt nicht daran, dass die Agentur schlecht arbeitet. Es liegt daran, dass ein KI-Projekt ein strukturell anderes Besetzungsproblem ist als eine normale IT-Stelle, und ein Prozess, der für das Zweite gebaut wurde, beim Ersten verlässlich versagt.

KI-Bedarf ist projektförmig, nicht stellenförmig

Eine klassische IT-Einstellung besetzt eine dauerhafte Position: Das Unternehmen braucht mehr oder weniger permanent eine Backend-Entwicklerin, also wird eine Rolle definiert und gefüllt. KI-Vorhaben funktionieren selten so. Ein Projekt für KI-gestützte Suche braucht vier Monate intensives LLM-Engineering, am Anfang viel Datenarbeit und danach nur noch einen schmalen Betriebs-Fußabdruck. Ein Prognose-Pilot braucht jetzt eine starke ML-Generalistin und eine:n MLOps-Engineer erst, falls der Pilot in Produktion geht. Der Bedarf ist eine Kurve über die Zeit, kein Kästchen im Organigramm. Klassische Personalvermittlung ist dafür gebaut, Kästchen zu füllen, und wer einen projektförmigen Bedarf in einen stellenförmigen Prozess zwingt, stellt entweder dauerhaft Personal für eine vorübergehende Spitze ein oder besetzt zu knapp und lässt das Projekt verhungern. Ein Besetzungspartner für KI-Arbeit muss in Projektphasen denken können und Modelle anbieten, Freelance, Embedded, Temp-to-Perm, die dazu passen.

Knappheit verändert die Physik der Suche

Der Pool an Engineers, die Machine-Learning- oder LLM-Systeme tatsächlich unter realen Latenz-, Kosten- und Zuverlässigkeitsbedingungen in Produktion gebracht haben, ist in Deutschland klein und heftig umworben. Starke Kandidat:innen aus diesem Pool haben typischerweise innerhalb von zwei bis drei Wochen nach Aktivwerden konkurrierende Angebote. Das hat eine brutale Konsequenz für das Prozessdesign: Eine klassische Agentur-Pipeline, die vom Briefing bis zu den Interviews vier bis sechs Wochen braucht, fühlt sich nicht nur langsam an, sie selektiert strukturell auf die Kandidat:innen, bei denen sonst niemand zugegriffen hat. Geschwindigkeit ist bei KI-Besetzungen kein Komfortmerkmal. Sie entscheidet, ob Sie aus der Spitze des Pools wählen oder aus dem, was übrig ist.

Schnelle Toolchains, und warum Laien sie nicht prüfen können

Der KI-Werkzeugkasten dreht sich schneller, als jede Stichwortliste im Recruiting mithalten kann. Frameworks, Modellfamilien, Orchestrierungsmuster und Evaluationspraktiken, die vor achtzehn Monaten Stand der Technik waren, können heute Altlast sein, und wer das aktuelle Vokabular aufsagt, hat es womöglich nie in Produktion betrieben. Genau das ist das Kernproblem der Bewertung: Für die meisten Hiring Manager, und praktisch alle Generalisten-Recruiter:innen, sehen eine eloquente Rednerin und ein erprobter Praktiker auf dem Papier und im Screening-Call identisch aus. Der einzige verlässliche Unterschied ist der Nachweis: strukturierte technische Bewertung, echte Arbeitsproben und eine Live-Systemdiskussion, beurteilt von jemandem, der vergleichbare Systeme selbst ausgeliefert hat. Wenn weder Sie noch Ihre Agentur diese Prüfung leisten können, stellen Sie auf der einen Dimension, die über den Projekterfolg entscheidet, faktisch blind ein.

Was ein Vermittlungspartner tatsächlich können muss

• Technische Prüfung durch Praktiker:innen: Kandidat:innen werden anhand von Arbeitsproben und strukturierter technischer Bewertung beurteilt, bewertet von Menschen, die selbst KI-Systeme gebaut haben, und die Nachweise werden mit Ihnen geteilt, nicht nur ein Urteil.
• Geschwindigkeit als Struktureigenschaft: Sourcing, Screening und Referenzprüfung laufen parallel und liefern eine geprüfte Shortlist in Tagen, Aiporates eigener Benchmark liegt bei 72 Stunden ab vollständigem Briefing.
• Flexible Einsatzmodelle: Festanstellung, wo der Bedarf dauerhaft ist, Freelance- oder Embedded-Expert:innen, wo nicht, und Forward-Deployed-Engineers, die in Ihrem Team und Kontext arbeiten statt auf Distanz.
• Bewusstsein für Subspezialisierung: ML-Engineering, Data Engineering, MLOps und LLM-/Agenten-Engineering als tatsächlich unterschiedliche Rollen mit unterschiedlicher Prüfung behandeln, nicht als einen „KI“-Topf.
• Ehrliches Scoping: ein Partner, der widerspricht, wenn das Briefing ein Einhorn verlangt, und stattdessen eine Zwei-Personen-Konstellation vorschlägt, die auf dem Markt real existiert.

Fragen an die Agentur, bevor Sie für KI-Rollen unterschreiben

• Woraus besteht Ihre technische Bewertung konkret, und wer beurteilt sie? Lautet die Antwort Persönlichkeitsinterview plus Lebenslauf-Review, weitersuchen.
• Wurde Ihr Bewertungsprozess von Menschen entworfen, die selbst KI-Systeme ausgeliefert haben? Vorsicht bei Antworten, die auf generische IT-Zahlen ausweichen.
• Wie lange dauert es vom vollständigen Briefing bis zur geprüften Shortlist, schriftlich, und gilt diese Zahl auch für spezialisierte Rollen?
• Welche Einsatzmodelle bieten Sie an, nur Festanstellung oder auch Freelance, Embedded und Temp-to-Perm, und können wir mitten im Projekt das Modell wechseln?
• Was passiert, wenn die Besetzung scheitert: Garantiezeit, kostenlose Nachbesetzung, Rückerstattung, und was löst jeweils was aus?