Senior Applied AI Engineer (all genders)

Sie bauen die Systeme, die KI in Unternehmensumgebungen tatsächlich zum Laufen bringen, nicht Demos oder Prototypen, die nach einem Pilotprojekt stagnieren, sondern produktionsfähige agentische Architekturen, die in echten Kundenorganisationen laufen. Der Unterschied zwischen einem KI-Ingenieur und dem, was wir suchen, ist einfach: Sie haben ein Multi-Agenten-System in Produktion gebracht, Sie haben das Evaluierungs-Framework besessen und wissen, was passiert, wenn Ihr Agent um 2 Uhr morgens ausfällt, weil Sie es erlebt haben.

Als KI-Ingenieur (Agentic/Applied) werden Sie produktionsfähige agentische KI-Systeme über den gesamten Technologie-Stack des Unternehmens entwerfen, bauen und bereitstellen. Sie arbeiten direkt mit den Ingenieurteams der Kunden zusammen, leiten technische Entwurfssitzungen und erstellen wiederverwendbare Muster und Beschleuniger, die über einzelne Engagements hinaus skalieren.

Diese Rolle befindet sich im Herzen des Talentmarktes für KI-Engineering — die Nachfrage wächst schneller als das Angebot und wird dies auch weiterhin tun. Wir bieten, was kein einzelnes Produktunternehmen kann: Breite über jede Branche, jeden Technologie-Stack des Unternehmens und jede Ebene organisatorischer Komplexität, kombiniert mit Zugang zu den Ingenieurteams von Anthropic, OpenAI, Microsoft und Google sowie einem direkten Weg zum Programm für Forward Deployed Engineers.

• Entwerfen und Bauen von produktionsfähigen agentischen Systemen von Ende zu Ende: Multi-Agenten-Orchestrierung, RAG-Pipelines, policy-basierte Weiterleitung, Toolaufruf, Speicherverwaltung und Lebenszyklusbeobachtbarkeit.
• Erstellen und Besitzen von RAG-Pipelines: Einbettungen, Chunking-Strategie, Vektorsuche, Kontextfenster-Engineering und Tuning gegen reale Qualitätsziele.
• Integration und Abstraktion über mehrere LLM-Anbieter hinweg — OpenAI, Anthropic, Vertex AI und Open-Source-Modelle — mit Fallback-Routing, Token-, Kosten- und Latenzmanagement.
• Implementierung von LLMOps in der Produktion: Evaluierungs-Frameworks mit realen Qualitätsmetriken, Versionskontrolle von Eingabeaufforderungen, Beobachtungswerkzeuge (LangSmith, Braintrust oder Äquivalente), Kosten- und Sicherheitsüberwachung.
• Direkte Einbindung in die Ingenieurteams der Kunden, um agentische Lösungen zu entwerfen, zu prototypisieren und bereitzustellen — Workshops, Machbarkeitsstudien, Code-Sessions und Architektur-Durchgänge.
• Erstellen von wiederverwendbaren Mustern, Beschleunigern und Playbooks, die über das individuelle Kundenengagement hinaus skalieren und es ermöglichen, dass das nächste schneller beginnen kann.
• Definieren und Verwenden von Metriken zur Messung der Genauigkeit, Latenz, Sicherheit und Kosteneffektivität von Agenten; Präsentation von Ergebnissen und Empfehlungen an die Stakeholder der Kunden in Geschäftsterminen.

Softwareengineering-Erfahrung in Produktionsumgebungen. Mindestens 1 Jahr praktische Erfahrung im Entwerfen und Bereitstellen agentischer KI-Lösungen in einer Produktionsumgebung — nicht verhandelbar. Nachgewiesene Erfahrung mit agentischen Orchestrierungsframeworks: LangGraph, CrewAI, AutoGen oder Äquivalentes — auf Produktionstiefe, nicht auf Tutorial-Ebene. Direkte Erfahrung mit dem Aufrufen von LLM-APIs (OpenAI, Anthropic, Vertex AI) im Produktionscode: Anbieterabstraktion, Tokenmanagement, Latenz- und Kostenabwägungen. Besitz von RAG-Pipelines: Einbettungen, Chunking-Strategie, Vektordatenbanken und Kontextengineering. Grundlagen von LLMOps: Entwurf von Evaluierungs-Frameworks, Versionskontrolle von Eingabeaufforderungen und Produktionsbeobachtbarkeit. Cloud-native Engineering-Reife: Kubernetes, Docker, Microservices, serverlos, CI/CD und IaC (Terraform oder Helm). Starke Python-Kenntnisse; Java oder eine gleichwertige Backend-Sprache akzeptabel; Erfahrung in der Produktionsfehlerbehebung und Beobachtbarkeit. Die Qualität der Erfahrung wird höher gewichtet als die Jahre; ein Kandidat, der drei produktionsfähige agentische Systeme in vier Jahren ausgeliefert hat, wird bevorzugt gegenüber einem Generalisten mit passiver KI-Exposition.