Die in den Jahren 2024-2026 veröffentlichten Stellenangebote für Positionen als Entwickler im Bereich künstliche Intelligenz zeichnen ein Profil, das sich deutlich von dem vor drei Jahren unterscheidet. Die erwarteten Fähigkeiten gehen weit über die Beherrschung von Python oder von Machine-Learning-Bibliotheken hinaus.
Sie umfassen nun die Wartung von KI-Systemen in der Produktion, die Gestaltung strukturierter Prompts und sogar eine formalisierte rechtliche Überwachung. Für die bereits beschäftigten Entwickler stellt sich nicht mehr die Frage, ob sie sich weiterbilden sollten, sondern auf welche Bereiche sie ihren Fokus legen sollten.
Bewertungen und RAG: die AI-nativen Fähigkeiten, die nur wenige Entwickler beherrschen
Die konkurrierenden Inhalte betonen die Soft Skills oder die grundlegenden Anpassungsprinzipien. Sie übersehen jedoch eine präzise technische Bewegung: das Aufkommen von sogenannten “AI-nativen” Fähigkeiten, die vor zwei Jahren in den Berufsreferenzen nicht existierten.
Unter diesen Fähigkeiten übersteigt die Gestaltung von Prompts und Kontext das bloße Verfassen einer Anweisung für ein Modell. Es geht darum, die Eingabe so zu strukturieren, dass reproduzierbare und überprüfbare Ergebnisse erzielt werden, was ein Verständnis dafür erfordert, wie das Modell den Kontext verarbeitet, welche Fenstergrenzen es hat und welche Verzerrungen mit der Formulierung verbunden sind.
RAG (Retrieval-Augmented Generation) stellt einen weiteren stark nachgefragten technischen Bereich dar. Dieser Mechanismus, der ein Sprachmodell mit einer externen Wissensdatenbank kombiniert, erfordert von den Entwicklern, sowohl die vektorielle Indizierung als auch die Qualität der Dokumenten-Chunks und die Orchestrierung der Aufrufe zu beherrschen. Profile, die in der Lage sind, eine zuverlässige RAG-Pipeline bereitzustellen, sind auf dem Markt nach wie vor selten.
Die Bewertungen (evals) sind der differenzierende Vorteil, den die meisten Entwickler noch nicht angegangen sind. Die Fähigkeit, die Qualität einer KI-Ausgabe zu messen, relevante Testsets zu erstellen und das Scoring von Antworten zu automatisieren, unterscheidet einen Prototyp von einem einsatzfähigen Produkt. Eine detaillierte Analyse dieser aufkommenden Fähigkeiten wird auf der Website Recrutement Emplois angeboten, die die erwarteten Fähigkeiten des durch KI erweiterten Entwicklers kartiert.
MLOps und LLMOps: Industrialisierung von KI-Modellen in der Produktion
Ein Prototyp einer Anwendung mit einem Sprachmodell zu erstellen, dauert einige Stunden. Diese in der Produktion über Monate aufrechtzuerhalten, mit stabilen Leistungen und kontrollierten Kosten, erfordert ein anderes Kompetenzspektrum.
Die Stellenanzeigen der Jahre 2024-2026 konzentrieren sich auf ein Set von Fähigkeiten, die unter den Begriffen MLOps und LLMOps zusammengefasst sind. Konkret erwarten die Recruiter von den Entwicklern, dass sie in der Lage sind, Folgendes einzurichten:
- CI/CD-Pipelines, die auf KI-Modelle zugeschnitten sind, mit Versionierung der Trainingsdaten, der Prompts und der Modellkonfigurationen, nicht nur des Anwendungscodes
- Ein Monitoring in der Produktion, das die Drift der Modellleistungen überwacht (und nicht nur die Verfügbarkeit des Servers), einschließlich strukturierter Protokolle und Warnungen zur Qualität der Antworten
- Eine Daten-Governance, die über die anfängliche Bereinigung hinausgeht: Dokumentation der Datensätze, Nachverfolgbarkeit der Transformationen, kontinuierliche Qualitätskontrolle
Diese Industrialisierung ist kein Bonus mehr auf einem Lebenslauf. Sie wird in den Berufsprofilen und Stellenangeboten als zentrale Fähigkeit aufgeführt. Ein Entwickler, der ein Modell trainieren kann, aber nicht in der Lage ist, es zuverlässig bereitzustellen, deckt nur die Hälfte des Bedarfs ab.
Rechtliche und ethische Überwachung: eine operationale Fähigkeit des KI-Entwicklers
Das RNCP Frankreich Kompetenzen-Dokument für den Titel “Entwickler für künstliche Intelligenz” umfasst ausdrücklich eine rechtliche und ethische Überwachung unter den erwarteten Fähigkeiten. Dies ist kein kosmetischer Zusatz.
Der europäische Rechtsrahmen für künstliche Intelligenz stellt Anforderungen an Transparenz, Dokumentation und Risikomanagement, die direkt den produzierten Code betreffen. Ein Entwickler, der ein Modell in einer Scoring-, Rekrutierungs- oder Diagnosetool integriert, muss wissen, in welche Risikokategorie sein System fällt und welche technischen Verpflichtungen sich daraus ergeben.
Die Rückmeldungen aus der Praxis variieren hinsichtlich der Umsetzung dieser Fähigkeit im Alltag. Einige Teams konzentrieren sie auf einen Ansprechpartner, andere integrieren sie in die Code-Reviews. Was jedoch unbestritten bleibt, ist, dass die Einhaltung der Vorschriften nun auch in den Aufgabenbereich des Entwicklers fällt, nicht nur des Rechtsdienstes. Dieses Thema zu ignorieren, setzt das Unternehmen regulatorischen Risiken aus und den Entwickler einer Obsoleszenz seines Profils.
Datenqualität und Governance: das unterschätzte Fundament von KI-Anwendungen
Die Schulungen im Bereich künstliche Intelligenz widmen viel Zeit den Algorithmen und den Modellarchitekturen. Sie widmen weniger Zeit der Qualität der Daten, die sie speisen, obwohl dies oft der Punkt ist, an dem Projekte scheitern.
Ein Modell, das auf schlecht dokumentierten Daten trainiert wurde, liefert unvorhersehbare Ergebnisse. Neuere Quellen zum Beruf des KI-Entwicklers erwähnen zunehmend die Fähigkeit, die Qualität, das Monitoring der Daten und die Dokumentation als eigenständige Fähigkeiten.
Für einen Entwickler bedeutet dies, dass er in der Lage sein muss, einen Datensatz vor der Nutzung zu auditieren, automatisierte Kontrollen über die eingehenden Datenströme einzurichten und die Entscheidungen zur Vorverarbeitung so zu dokumentieren, dass ein anderes Teammitglied die Pipeline reproduzieren kann. Diese Aufgaben sind nicht glamourös, aber sie trennen die KI-Projekte, die langfristig bestehen bleiben, von denen, die nach der ersten Demonstration zusammenbrechen.
Agenten und MCP: die nächsten Spielwiesen
Über die bereits formalisierten Fähigkeiten in den Stellenangeboten hinaus gewinnen zwei Themen in den technischen Diskussionen an Bedeutung: die KI-Agenten (Systeme, die in der Lage sind, mehrere Aktionen autonom auszuführen) und das MCP (Model Context Protocol), ein aufkommender Standard zur Verbindung von Modellen mit externen Tools. Die verfügbaren Daten erlauben es noch nicht, ihre tatsächliche Akzeptanz in Unternehmen zu messen, aber Entwickler, die sich jetzt darin fortbilden, verschaffen sich einen Vorteil in einem Segment, in dem die Nachfrage schnell steigen könnte.
Das Profil des KI-Entwicklers im Jahr 2026 beschränkt sich nicht darauf, Zertifikate über angesagte Frameworks zu stapeln. Die Recruiter suchen nach Profilen, die in der Lage sind, ein KI-System von Anfang bis Ende zum Laufen zu bringen: von der Datenqualität über die Einhaltung der Vorschriften bis hin zur industriellen Bereitstellung und der rigorosen Bewertung der Ausgaben. Jeder dieser Bereiche stellt eine konkrete, messbare und direkt auf dem Markt verwertbare Investition in die Ausbildung dar.