KI-Integration besetzen: Die 85%, die kein Stellenprofil nennt

Ein Stellenprofil für KI-Integration sollte zuerst auf Produktionsverlässlichkeit, Drittanbieter-API-Verhalten und Kostendisziplin filtern, nicht auf KI-Portfolio-Tiefe. Der Modell-Aufruf ist eine Zeile in einer Pipeline aus Queues, Retries, Schema-Validierung und Monitoring. Wer die zweihundert Zeilen drumherum nicht beherrscht, liefert das Feature nicht in Produktion aus.

Zweihundert Zeilen Betrieb. Eine Zeile KI.

Schauen Sie sich zehn Stellenprofile für KI-Integration im DACH-Raum an.

Meist beginnt es mit dem Modell. Dann kommen Frameworks. Dann Retrieval, Fine-Tuning, Agent-Orchestrierung.

Nur: In Produktion ist das selten der schwierige Teil.

Ein echtes KI-Feature sieht meistens so aus:

Ein Job läuft zu einer festen Zeit. Er liest Daten aus einem Warehouse oder einer Betriebsdatenbank. Für jeden Datensatz ruft er eine Modell-API auf. Die Antwort kommt als JSON zurück.

Manchmal ist sie falsch formatiert. Manchmal kommt sie zu spät. Manchmal kommt sie gar nicht.

Dann beginnt die eigentliche Arbeit.

Schema-Validierung. Retry-Logik. Queues. Idempotenz. Kostenlimits. Monitoring. Alerting. On-Call, wenn der Prozess um 06:00 stillsteht.

Der Modell-Aufruf ist eine Zeile.

Der Job sind die anderen zweihundert.

Und genau diese zweihundert Zeilen kommen in vielen Stellenprofilen kaum vor.

Das ist das Filterproblem.

Wer auf KI-Portfolios optimiert, bekommt Kandidaten mit Demos, Prototypen und sichtbaren Nebenprojekten.

Wer auf Produktionsverantwortung optimiert, bekommt Engineers, die schon Systeme betrieben haben, die nicht ausfallen durften.

Für KI-Integration ist das zweite Profil meist wertvoller.

Nicht, weil Modellverständnis unwichtig ist. Sondern weil Modellverständnis allein kein produktives System ergibt.

Ein starker Backend-Engineer lernt eine Modell-API schnell.

Ein Kandidat mit starkem KI-Portfolio lernt nicht automatisch, wie man fehlerhafte Drittanbieter-Antworten, API-Kosten, stille Cron-Jobs und Produktionsalarme beherrscht.

Deshalb sollten die Interviewfragen anders aussehen.

Nicht nur:

„Mit welchen LLM-Frameworks haben Sie gearbeitet?"

Sondern:

„Welches Produktionssystem haben Sie end-to-end verantwortet?"

„Was passiert, wenn die externe API um 03:00 fehlerhaftes JSON liefert?"

„Wie verhindern Sie doppelte Verarbeitung nach einem Retry?"

„Wo sehen Sie Kosten, bevor die Rechnung kommt?"

„Wer wird alarmiert, wenn der Job stillsteht?"

Das sind keine Nebenthemen.

Das ist die Rolle.

Wenn Sie den Modell-Aufruf aus der Stellenbeschreibung streichen und immer noch der größte Teil der Arbeit übrig bleibt, suchen Sie keinen KI-Spezialisten mit Backend-Grundkenntnissen.

Sie suchen einen Produktionsengineer, der KI integrieren kann.

Der Modell-Aufruf ist eine Zeile. Der Job sind die anderen zweihundert.