Ein Machine Learning Engineer ist kein Data Scientist mit besserem Python, und kein Backend-Entwickler, der einmal eine API aufgerufen hat. Die Rolle sitzt genau an der Schnittstelle, an der die meisten KI-Ambitionen von Unternehmen scheitern: ein Modell, das im Notebook funktioniert, unter echten Latenz-, Kosten- und Zuverlässigkeitsanforderungen in Produktion zu bringen. Weil die Rolle durch diese Schnittstelle definiert ist, misst jede Stufe eines Standard-Recruiting-Prozesses das Falsche, und genau deshalb scheitern ML-Engineer-Suchen häufiger, und teurer, als fast jede andere Engineering-Suche am deutschen Markt.
Was ein ML Engineer wirklich tut, und was nicht
Ein ML Engineer verantwortet den Weg vom funktionierenden Modell zum funktionierenden Produkt: Serving-Infrastruktur, Daten- und Feature-Pipelines, Monitoring, Retraining, Kostenkontrolle. Die Verwechslung mit Nachbarrollen ist nicht kosmetisch, sie ist der häufigste Grund für falsche ML-Engineer-Briefings.
| Rolle | Kernfrage, die sie beantwortet | Typische Verwechslung |
|---|---|---|
| ML Engineer | Wie läuft dieses Modell zuverlässig und bezahlbar in Produktion? | Wird mit allen drei folgenden verwechselt |
| Data Scientist | Was sagen die Daten, und welches Modell beantwortet die Geschäftsfrage? | Stark im Modellieren, oft ohne Produktionserfahrung |
| MLOps Engineer | Auf welcher Plattform und mit welchem Tooling laufen alle unsere Modelle? | Überschneidet sich mit ML Engineer; Plattform- vs. Produktfokus |
| Backend Engineer | Wie skalieren Services und bleiben verfügbar? | Stark in Systemen, ohne Modell-Lifecycle-Erfahrung |
| „GenAI Engineer“ | Wie bauen wir auf Foundation Models auf? | Eine API zu prompten ist nicht dasselbe wie ein Modell in Produktion zu verantworten |
Der Markt: echte Knappheit, ehrlich eingeordnet
Die Knappheit an ML Engineers in Deutschland ist real, aber spezifisch. Es fehlt nicht an Kandidat:innen, in deren Lebenslauf „Machine Learning“ steht: Kurse, Bootcamps und Titel-Inflation haben dafür gesorgt. Knapp ist die Teilmenge, die Modelle über längere Zeit in Produktion betrieben hat, und diese Teilmenge konzentriert sich stark auf wenige Tech-Unternehmen und sucht selten aktiv. Die folgenden Spannen sind Marktbeobachtung, kein Versprechen; Angebote variieren stark nach Domäne (LLM-Erfahrung erzielt derzeit einen Aufschlag), Region und Unternehmensphase.
| Level | Festanstellung (Bruttojahresgehalt) | Freelance (Tagessatz) |
|---|---|---|
| Mid-Level (2-5 Jahre, erste Produktionserfahrung) | ca. 65-90 T€ | ca. 700-950 € |
| Senior (5+ Jahre, verantwortete Produktionssysteme) | ca. 85-120 T€ | ca. 800-1.200 € |
| Staff / Lead | ca. 110-140 T€+ | ca. 1.000-1.400 € |
| LLM-/GenAI-Produktionsspezialisierung | Oberes Ende jeder Spanne, oft darüber | Oberes Ende jeder Spanne, oft darüber |
Warum jede Stufe des Standardprozesses bei dieser Rolle bricht
Es lohnt sich, präzise zu benennen, wo das klassische Personalvermittlungs-Playbook scheitert, denn jedes einzelne Versagen wirkt für sich genommen vernünftig.
| Standardstufe | Was sie annimmt | Warum sie bei ML Engineers bricht |
|---|---|---|
| CV-Stichwort-Screening | Fähigkeiten sind aus Lebenslauftext ablesbar | „TensorFlow, PyTorch, MLOps“ steht identisch bei Kursabsolvent:innen und Praktiker:innen |
| Recruiter-Telefonscreen | Generalist:innen können technische Tiefe einordnen | Das Vokabular ist an einem Wochenende lernbar; Produktions-Urteilsvermögen ist im Gespräch unsichtbar |
| Algorithmus-Coding-Test | Coding-Rätsel sagen Jobleistung voraus | Selektiert Interview-Vorbereitung, nicht das Debuggen eines degradierenden Produktionsmodells |
| Sequenzielle 4-6-Wochen-Pipeline | Kandidat:innen warten | Echte ML Engineers haben typischerweise binnen 2-3 Wochen mehrere Angebote |
| Gehaltsbenchmark aus generischen IT-Daten | Es gibt einen „Entwickler“-Markt | Angebote landen 15-25% unter dem realen Marktniveau, und der Prozess startet neu |
Wie gute Kandidat:innen aussehen: Produktions-Nachweise
Die Prüfmethode, die bei ML Engineers funktioniert, ist einfach zu formulieren und schwer zu fälschen: Bringen Sie sie dazu, über ein System zu sprechen, das sie tatsächlich betrieben haben. Tiefe zeigt sich sofort, und ihr Fehlen ebenso schnell.
| Signal | Was es aussagt | Wie man es verifiziert |
|---|---|---|
| Modell in Produktion betrieben | Hat Drift, Incidents und Retraining durchlebt | Fragen, wie das System ausfiel und was danach geändert wurde |
| Kosten- und Latenzbewusstsein | Denkt in Budgets, nicht nur in Genauigkeit | Fragen, was das Serving pro Request kostete und wie es gesenkt wurde |
| Datenpipeline-Kompetenz | Kann den ganzen Pfad verantworten, nicht nur die Modelldatei | System-Design-Gespräch um ein realistisches Deployment |
| Pragmatische Modellwahl | Liefert das langweilige Modell, das funktioniert | Fragen, wann ein komplexes Modell durch ein einfacheres ersetzt wurde |
| Monitoring-Instinkt | Erkennt stille Degradation, bevor Nutzer:innen es tun | Fragen, auf welche Metriken alarmiert wurde, und warum genau diese |
Festanstellung vs. Freelance/Embedded im ML Engineering
Weil die knappe Fähigkeit konzentriert ist und der kritische Bedarf oft eine Phase ist (die ersten Modelle zuverlässig in Produktion bringen), ist der Freelance- und Embedded-Markt für ML Engineers im Verhältnis zum Festanstellungsmarkt ungewöhnlich tief, und das Mischen der Modelle ist oft der rationale Zug.
| Dimension | Festanstellung | Freelance / Embedded |
|---|---|---|
| Passt am besten zu | ML-Systeme als dauerhafte Produktfähigkeit verantworten | Deployment-Phasen, Architektur-Reviews, ein feststeckendes Team entblocken |
| Verfügbarkeit | Knappstes Marktsegment, Monate Vorlauf | Senior-Produktionserfahrung in Tagen bis Wochen buchbar |
| Kostenstruktur | ca. 85-120 T€ Senior-Gehalt + Arbeitgeberkosten + Provision (Marktbeobachtung) | ca. 800-1.200 €/Tag (Marktbeobachtung), keine langfristige Bindung |
| Wissenstransfer | Verzinst sich intern | Muss explizit vereinbart werden: Pairing, Doku, Übergabe |
| Typisches Scheitern | Suche zieht sich 6+ Monate, Projekt stockt | Freelancer geht, und niemand kann das System betreiben |
Wie ein spezialisiertes Netzwerk das Bild verändert
Bei ML Engineers ist ein spezialisierter Vermittler kein Nice-to-have, sondern der Unterschied zwischen Screening nach Vokabular und Screening nach Nachweisen. Ein Netzwerk, das Kandidat:innen technisch prüft, bevor ein Kunde sie sieht, kehrt den Standard-Funnel um: Statt zehn CVs, in denen überall PyTorch steht, sehen Sie zwei oder drei Menschen, deren Produktionserfahrung bereits von jemandem hinterfragt wurde, der selbst ML-Systeme ausgeliefert hat. Aiporates Prozess ist so gebaut: nachweisbasierte Prüfung, Rollen-Scoping an Ihrer tatsächlichen Deployment-Realität und eine geprüfte Shortlist innerhalb von 72 Stunden nach abgeschlossenem Briefing, mit Embedded-Starts, wenn der Bedarf eine Phase ist statt einer Planstelle.
| Stufe | Standard-Agentur | Spezialisiertes Netzwerk |
|---|---|---|
| Sourcing | Jobbörsen + Datenbank-Stichwortsuche | Vorgeprüfter Pool, gesourct nach Produktions-Nachweisen |
| Technischer Screen | Keiner, oder ausgelagertes Quiz | Strukturierte Bewertung durch ML-Praktiker:innen |
| Shortlist | Volumen: viele CVs, geringe Trefferquote | 2-3 Kandidat:innen, jede über einer technischen Hürde; Benchmark: 72 Stunden |
| Engagement-Modelle | Nur Festvermittlung | Festanstellung, Freelance oder Embedded-to-Permanent |
