Wie man KI-Expert:in wird: der Weg, der tatsächlich eine hervorbringt

Wie man KI-Expert:in wird: der Weg, der tatsächlich eine hervorbringt

Eines der Frontier-Labs hat die Antwort aufgeschrieben. Im April 2025 veröffentlichte Anthropic eine Stellenausschreibung für einen Research Engineer, deren Anforderungen wörtlich einen Abschnitt mit dem Titel „Starke Kandidat:innen brauchen nicht“ enthalten — und dessen erste Zeile lautet: „Formale Zertifizierungen oder akademische Abschlüsse.“ Dieselbe Firma filtert in ihren Ausschreibungen für angewandte KI-Engineers jede Bewerbung mit einer einzigen Frage: „Haben Sie persönlich eine LLM-basierte Anwendung, einen Agenten oder Workflows für echte Nutzer:innen in Produktion gebracht und ausgeliefert — über private Experimente oder Proofs of Concept hinaus?“ Nicht Lehrveranstaltungen. Keine Zertifikatswand. Ausgelieferte Systeme, in Produktion, für echte Nutzer:innen.

„Haben Sie persönlich eine LLM-basierte Anwendung, einen Agenten oder Workflows für echte Nutzer:innen in Produktion gebracht und ausgeliefert — über private Experimente oder Proofs of Concept hinaus?“ — die Filterfrage in Anthropics Bewerbungen für angewandte KI-Engineers, 2026

So sieht der Markt für KI-Expertise 2026 aus, und er hat nichts mit dem zu tun, was die kursverkaufende Ecke des Internets beschreibt. Dieser Artikel ist die vollständige Karte des Wegs, der tatsächlich die Expert:innen hervorbringt, um die sich Arbeitgeber reißen: was die Einstellungspraxis unter dem Titel versteht, der siebenstufige Stack, den man von Anfang bis Ende beherrschen muss, die Lernforschung dazu, warum Zuschauen nicht funktioniert, die ehrlichen Vorbehalte — inklusive der Fehlschlagsstatistiken, die überall falsch zitiert werden — und eine Build-Leiter, die Sie noch diesen Monat besteigen können.

Was „KI-Experte“ bedeutet, wenn der Markt es sagt

Die Rolle ist jung genug, dass man weiß, wer sie benannt hat. Am 30. Juni 2023 veröffentlichte swyx auf Latent Space „The Rise of the AI Engineer“ und prognostizierte, dass die Ingenieure „die KI-APIs und OSS-Modelle produktiv einsetzen“ würden, „sich professionalisieren und auf eine Berufsbezeichnung einigen – den KI-Ingenieur“. Seine Einschätzung, die sich bewahrheitete: „Das wird wahrscheinlich der gefragteste Ingenieursjob des Jahrzehnts.“ Sein Argument zur Verfügbarkeit von Fachkräften ist zitierenswert, weil es erklärt, warum die Rolle nichts mit Machine Learning zu tun hat: „Es gibt etwa 5000 LLM-Forscher weltweit, aber 50 Millionen Softwareentwickler.“ Andrej Karpathys Variante, die in denselben Essay einfloss: „Man kann in dieser Rolle durchaus erfolgreich sein, ohne jemals etwas zu trainieren.“ Die ehrliche Fußnote: swyx gründete später die AI Engineer-Konferenz – man sollte ihn also als interessierte Partei lesen, aber als eine, deren Deutung die Einstellungsdaten inzwischen eingeholt haben.

Die Nachfragedaten sind unmissverständlich. LinkedIns „Jobs on the Rise“ stufte den Beruf „Artificial Intelligence Engineer“ 2025 und erneut 2026 als den am schnellsten wachsenden Job in den USA ein — die einzige KI-Rolle, die zwei Jahre in Folge auf Platz eins landete, und die weltweit häufigste Position im Bereich KI-Engineering. Der aufschlussreichere Detail als die Platzierung ist die Entwicklung der Skills-Spalte zwischen den beiden Jahren: von „Large Language Models (LLM), Natural Language Processing (NLP), PyTorch“ 2025 zu „LangChain, Retrieval-Augmented Generation (RAG), PyTorch“ 2026. Der Markt hat die Rolle innerhalb von zwölf Monaten von modellnaher Terminologie zum Builder-Stack umbewertet. Die durchschnittliche Berufserfahrung für die Position: etwa 3,6 bis 3,7 Jahre, wobei die häufigsten vorherigen Rollen Full-Stack-Engineer, Data Scientist und Software Engineer sind — nicht umgeschulte Forscher. Der dazugehörige Vorbehalt: Es handelt sich um eine LinkedIn-interne Plattformmetrik, Wachstum in Titelaktivität, nicht um Arbeitsmarktstatistiken; „am schnellsten wachsend“ bedeutet nicht „am größten“.

Die Breite der Nachfrage bestätigt es. Indeed’s Hiring Lab meldete im Jänner 2026, dass Stellenausschreibungen mit KI-Bezug das Jahr 2025 mit 134 % über dem Niveau vom Februar 2020 abschlossen – während die Gesamtzahl der Ausschreibungen nur 6 % über dem Ausgangswert lag. Im Technologiesektor lagen KI-bezogene Ausschreibungen 45 % über dem Vor-Pandemie-Niveau, während die Gesamtzahl der Tech-Ausschreibungen 34 % darunter lag. Lightcasts Daten zu Stellenausschreibungen (der Datensatz hinter dem Arbeitsmarkt-Kapitel des Stanford AI Index) verzeichneten einen Anstieg spezifischer Generative-KI-Skill-Nennungen von 16.000 im Jahr 2023 auf 66.000 im Jahr 2024, wobei Large-Language-Modeling-Nennungen von 5.000 auf 20.000 stiegen. Erstmals seit Beginn der Erhebung 2010 überholte der Skill-Cluster „artificial intelligence“ dabei Machine Learning. Beide sind kommerzielle Plattformen, die Keyword-Nennungen zählen, keine besetzten Stellen – betrachten Sie die Zahlen als Trend, nicht als Volkszählung.

Selbst die Ausbildenden definieren den Titel mittlerweile als Builder-Stack. Das Team von Andrew Ng veröffentlichte im August 2026 eine AI Engineering Skills Map, die explizit Entwicklern helfen soll, Prioritäten beim Lernen zu setzen, und Arbeitgebern bei der Einstellung. Seine terminologische Anmerkung liefert den passenden Rahmen: „Alle Entwickler — Full-Stack-Ingenieure, Data Engineers, DevOps-Ingenieure, Machine-Learning-Ingenieure und ja, auch AI Engineers — werden AI-Engineering-Skills benötigen“, analog dazu, wie heute jeder Cloud-Skills braucht, ohne den Titel „Cloud Engineer“ zu tragen. Zu den Skills selbst fasst er es fast wie einen Lehrplan zusammen: Verständnis von „LLMs, Context Engineering, RAG, agentischen Workflows“ sowie „statistische Techniken, um KI-Systeme zu messen, zu steuern und zu verwalten“, wobei „eine Kernkompetenz darin besteht, disziplinierte Evals und Fehleranalyse-Schleifen zu beherrschen“. Interessenkonflikt offenlegen — DeepLearning.AI verkauft Kurse — und trotzdem festhalten: Hier landet der erste offizielle Ausbildungsanbieter bei derselben Liste, die auch in Stellenausschreibungen verwendet wird.

Dann gibt es die Umfrage, die zeigt, wie sich der Job tatsächlich anfühlt. Die Stack Overflow Developer Survey 2025 ergab, dass 84 % der Entwickler KI-Tools nutzen oder nutzen wollen (2024 waren es 76 %), 51 % der professionellen Entwickler setzen sie täglich ein — und im selben Bericht die Vertrauensfrage: „Mehr Entwickler misstrauen der Genauigkeit von KI-Tools aktiv (46 %) als ihr vertrauen (33 %).“ Die größte Frustquelle, genannt von 66 %: „KI-Lösungen, die fast stimmen, aber nicht ganz.“ 75 % fragen einen anderen Menschen, wenn sie der KI-Antwort nicht trauen. Das ist die Marktlücke in drei Zahlen: fast alle nutzen die Tools, die meisten können dem Output nicht vollständig vertrauen, und wer diese Lücke systematisch schließt, besitzt den Titel.

Genau danach suchen die Frontier-Labs in ihren Bewerbungsgesprächen. Die Stellenausschreibung von OpenAI für „Applied AI Engineer“ im Team „Codex Core Agent“ nennt als Kernaufgaben: „Eng mit der Forschung zusammenarbeiten, um Evaluierungen zu entwickeln und durchzuführen, die die Performance von Agenten, Regressionen, Fehlermodi und Edge Cases messen“ und „Performance durch Prompting, Tool-Use-Strategien, Context Construction und modellseitige Experimente verbessern.“ Anthropics Ausschreibung für angewandte Positionen führt dieselben Anforderungen auf: „Erfahrung im Aufbau von LLM-basierten Tools oder Anwendungen: Prompting, Context Engineering, Agentenarchitekturen, Evaluierungsframeworks.“ Drei Ausschreibungen der Labs lassen sich in einem Satz zusammenfassen: Niemand stellt Zertifikatsinhaber ein; sie suchen Leute, deren Produktionsfehler ihnen Dinge beigebracht haben, die der Rest noch nicht gelernt hat.

Der Stack, den Sie beherrschen müssen: sieben Schichten, durchgängig

Vergessen Sie die „Lerne Python für KI“-Listicles. Die Arbeitsdefinition, die dieser Artikel verwendet: Ein KI-Experte ist jemand, der eine Idee durch alle Schichten tragen kann – vom Rohmodell bis zu einem System, das den Kontakt mit der Produktion überlebt – und erklären kann, was in welcher Schicht schiefging, wenn es nicht funktioniert. Sechs der sieben Schichten haben ungewöhnlich gute Primärquellen, veröffentlicht von den Teams, die die Arbeit machen.

Warum jetzt, ein Absatz: Die METR-Studie vom März 2025 hat die KI-Fähigkeit anhand der Länge von Aufgaben gemessen, die Agenten mit 50-prozentiger Zuverlässigkeit autonom abschließen können, und festgestellt, dass sich dieser Wert „etwa alle 7 Monate in den letzten 6 Jahren verdoppelt“. Das METR-Banner weist darauf hin, dass die Verdopplungszahl die ursprünglich veröffentlichten Daten widerspiegelt (ihre Seite *Time Horizons* zeigt das aktualisierte Diagramm), also zitieren Sie den Trend, nicht die heutige Zahl. Die Referenzwerte aus derselben Arbeit: Aktuelle Modelle erreichten „fast 100 % Erfolgsquote bei Aufgaben, die Menschen weniger als 4 Minuten kosten, scheitern aber in weniger als 10 % der Fälle bei Aufgaben, die mehr als etwa 4 Stunden dauern“. Jede Schicht des Stacks dient dazu, diesen Horizont zu erweitern — und diejenigen, die ihn am schnellsten ausdehnen, sind die, die die Schichten lernen.

Schicht 1 — Der Rahmen: Workflows vor Agenten

Anthropics „Building effective agents“ (Dezember 2024) ist nach wie vor die prägnanteste Formulierung der ersten Fähigkeit — und sie ist eine Disziplin der Zurückhaltung. Ihre Taxonomie: „Workflows sind Systeme, in denen LLMs und Tools durch vordefinierte Code-Pfade orchestriert werden“, während „agentische Systeme hingegen Systeme sind, in denen LLMs ihre eigenen Prozesse und Tool-Nutzung dynamisch steuern“. Ihre Empfehlung widerspricht jedem Demo-Video: „die einfachste Lösung finden und Komplexität nur dann erhöhen, wenn nötig. Das kann bedeuten, überhaupt keine agentischen Systeme zu bauen.“ Hinter der Zurückhaltung steckt echter ingenieurtechnischer Tiefgang — ihre Faustregel lautet: „Überlegen Sie, wie viel Aufwand in Mensch-Computer-Schnittstellen (HCI) fließt, und planen Sie, genauso viel Aufwand in die Gestaltung guter Agent-Computer-Schnittstellen (ACI) zu investieren.“ Wenn Sie Tool-Schemata entwerfen können, die ein Modell so gezielt lenken wie eine gute UI einen Menschen, haben Sie die Ebene verstanden.

Ebene 2 — Der Kontext: ein Budget, kein Puffer

Anthropics Folgeveröffentlichung vom September 2025, „Effective context engineering for AI agents“, benennt die Ressource, die Sie tatsächlich verwalten: „Context muss daher als endliche Ressource mit abnehmendem Grenznutzen behandelt werden … LLMs haben ein ‚Aufmerksamkeitsbudget‘, das sie beim Parsen großer Kontextmengen beanspruchen.“ Und die Definition, die Sie sich merken sollten: „Gutes Context Engineering bedeutet, die kleinstmögliche Menge hochsignifikanter Tokens zu finden, die die Wahrscheinlichkeit eines gewünschten Ergebnisses maximieren.“ Jeder Fehlerbericht in der Stack-Overflow-Umfrage — die „fast richtigen“ Ausgaben — ist im Grunde ein Kontextproblem, das sich als Modell tarnt.

Ebene 3 — Der Speicher: das Fenster wie RAM behandeln

Das MemGPT-Paper (Berkeley, Oktober 2023) übernahm die Antwort des Betriebssystems auf genau dieses Problem: „Kontextfenster werden als begrenzte Speicherressource behandelt, und es wird eine Speicherhierarchie [sic] für LLMs entworfen, analog zu den Speicherebenen, die in traditionellen Betriebssystemen verwendet werden.“ Sein Vokabular ist heute fester Bestandteil der Branche — Hauptkontext (RAM) versus externer Kontext (Festplatte), wobei der Agent Daten explizit einlagert: „Diese außer Kontext liegenden Daten müssen stets explizit in den Hauptkontext verschoben werden, damit sie während der Inferenz an den LLM-Prozessor übergeben werden können.“ Die Einzeiler-Beschreibung des Letta-Teams, was aus MemGPT wurde — „die Orchestrierungsebene, die über der Modellebene sitzt“ — trifft die gesamte Fähigkeit ziemlich gut.

Ebene 4 — Das Retrieval: Graphen für globale Fragen

Das GraphRAG-Paper von Microsoft (April 2024) setzt in seinem ersten Satz die Obergrenze von klassischem RAG fest: „RAG scheitert bei globalen Fragen, die auf einen gesamten Textkorpus abzielen, etwa ‚Welche Hauptthemen enthält der Datensatz?‘“ – denn das ist Zusammenfassung, kein Retrieval. Die Lösung besteht in einer Investition zum Indexierungszeitpunkt: „einen Entitäten-Wissensgraphen aus den Quelldokumenten ableiten, dann vorab Community-Zusammenfassungen für alle Gruppen eng verwandter Entitäten generieren“, um anschließend per Map-Reduce über die Zusammenfassungen zu antworten. Der verifizierte Geltungsbereich der Aussage ist entscheidend: „deutliche Verbesserungen gegenüber einem herkömmlichen RAG-Baseline“ gemessen an „Vollständigkeit und Vielfalt“ für „eine Klasse globaler Sinnstiftungsfragen“ bei Datensätzen im Millionen-Token-Bereich – bei lokalen Faktenfragen bleibt einfaches RAG das richtige Werkzeug. Zu wissen, welcher Fall vorliegt, ist die Expertise.

Ebene 5 — Die Evaluierungen: die Ebene, die Expertinnen von Touristinnen trennt

Hamel Husains »Your AI Product Needs Evals« (seine Website; üblicherweise mit April 2024 datiert) ist das Manifest dieser Schicht – von jemandem, der genug Teams scheitern sah, um das Muster zu erkennen: »Erfolglose Produkte teilen fast immer dieselbe Ursache: das Versäumnis, robuste Evaluierungssysteme aufzubauen.« Die Arbeitsmethode ist unmodern und wirksam: »Sie müssen jeden Reibungsverlust beim Datenzugang beseitigen«, denn »Evaluierungssysteme erzeugen ein Schwungrad, das schnelle Iterationen ermöglicht. Genau dort bleiben die meisten hängen, wenn sie KI-Produkte entwickeln.« Und die Schicht verlangt echte Entscheidungen, nicht nur Tools – etwa bei LLM-as-Judge: »Verfolgen Sie die Korrelation zwischen modellbasierter und menschlicher Evaluierung«, und bei unausgewogenen Klassen »messen Sie Präzision und Recall separat«, weil bloße Übereinstimmung in die Irre führt. Auffällig, dass Evaluierungen wortwörtlich in beiden Frontier-Lab-Postings oben auftauchen. Auffällig, dass kein Bootcamp sie lehrt.

Schicht 6 — Das Modell: wissen, wann man keines braucht

Ehrliche Offenlegung: Diese Schicht hat in der verifizierten Sammlung dieses Artikels keine dedizierte kanonische Quelle — und das ist an sich schon aufschlussreich. Die verifizierte Karpathy-Linie bleibt bestehen: Man kann in dieser Rolle durchaus erfolgreich sein, ohne jemals etwas zu trainieren. Die eigentliche Expertise auf dieser Ebene ist das Urteilsvermögen über den Scope: wann eine gehostete API, ein lokales Open-Weights-Modell (wie bei den Entscheidungsmodellen aus dem September-Beitrag) oder ein Fine-Tune die richtige Investition ist — und wann die Lösung in einer ganz anderen Schicht liegt. Karpathys Ratschlag zur Trainingsmethodik gilt für den gesamten Stack, nicht nur für neuronale Netze: *„Was ich mit aller Kraft zu vermeiden versuche, ist die Einführung von viel ‚unverifizierter‘ Komplexität auf einmal.“*

Schicht 7 — Das Deployment: wo Sandboxing auf Konsequenzen trifft

Der Agenten-Beitrag von Anthropic formuliert die Deployment-Doktrin in zwei Sätzen: *„We recommend extensive testing in sandboxed environments, along with the appropriate guardrails“* — und METRs Schlussfolgerung liefert die Einsätze, die daraus eine Disziplin statt einer Checkliste machen: Fähigkeitstrends, die auf autonom durchgeführte Monatsprojekte hindeuten, *„would come with enormous stakes, both in terms of potential benefits and potential risks.“* Wer noch nie miterlebt hat, wie der eigene Agent in realen Integrationen versagt, beherrscht diese Schicht nicht.

Warum Zuschauen nicht funktioniert: was die Lernforschung sagt

Das unangenehme Ergebnis der Expertiseforschung ist, dass das Gefühl, durch Konsum zu lernen, vor allem Selbstvertrauen erzeugt – nicht Können. Die Studie von Ericsson, Krampe und Tesch-Römer aus 1993 über Spitzenleistende – die Arbeit hinter der populären „10.000-Stunden-Regel“, die sie selbst nie so formuliert – trennt echtes Üben von seiner Nachahmung: „bloße Wiederholung einer Tätigkeit führt nicht automatisch zu einer Verbesserung, insbesondere nicht in der Genauigkeit der Ausführung.“ Was funktioniert, ist gezieltes Üben: „eine hochstrukturierte Aktivität, deren explizites Ziel die Leistungssteigerung ist. Es werden spezifische Aufgaben erfunden, um Schwächen zu überwinden, und die Leistung wird sorgfältig überwacht, um Ansatzpunkte für weitere Verbesserungen zu liefern.“ Beachten Sie die strukturelle Parallele zu Evaluierungen: Aufgaben, die Schwächen aufdecken, Leistung, die präzise gemessen wird. Ein Evaluierungszyklus für das eigene KI-System ist gezieltes Üben im exakten Sinne der Studie.

Die Bildungsforschung bestätigt das im großen Maßstab. Die Metaanalyse von Freeman et al. aus dem Jahr 2014 in PNAS, die 225 MINT-Studien auswertete, ergab Durchfallquoten von 33,8 % bei traditioneller Vorlesung gegenüber 21,8 % bei aktivem Lernen — Studierende in Vorlesungskursen fielen 1,5-mal häufiger durch — und eine Steigerung der Prüfungsleistung um 0,47 Standardabweichungen beim aktiven Lernen. Die Studie bezieht sich auf Hörsäle, nicht auf Tutorials, aber die Achse passiv versus aktiv ist dieselbe, und passiv schneidet messbar schlechter ab. Die Literatur zum Testing-Effekt spitzt das zu: Roediger und Karpicke zeigten 2006 in ihren Experimenten, dass „Testing is a powerful means of improving learning, not just assessing it“ — in der untersuchten Gegenüberstellung erinnerte die getestete Gruppe nach einer Woche etwa 61 % des Stoffs, während die Gruppe, die ihn mehrfach nachlas, nur rund 40 % behielt, obwohl sich die Nachlesenden sicherer fühlten. Dieses Gefühl, produktiv zu sein, während man ein Tutorial schaut, ist genau diese Vertrauenskurve — mit Ihrem Namen darauf.

Der bekannteste Lehrer der KI-Branche baut seinen Ansatz bewusst auf dieser Erkenntnis auf. Karpathys Ratgeberseite — geschrieben für Studierende, wendet alles hier an — sagt es unmissverständlich: „Lesen und Verstehen IST NICHT dasselbe wie das Nachbauen des Inhalts. Selbst ich mache diesen Fehler noch oft: Man liest eine Formel/Herleitung/Beweis im Buch, und es ergibt perfekt Sinn. Jetzt schließt man das Buch und versucht, es aufzuschreiben.“ Sein Kurs *Neural Networks: Zero to Hero* ist als gemeinsame Konstruktion angelegt, wie das eigene README festhält: „man programmiert und trainiert neuronale Netze gemeinsam“, mit Übungen zu jeder Vorlesung. Sein Backpropagation-Essay von 2016 benennt die Falle für diesen Stack konkret: „Das Problem mit Backpropagation ist, dass es eine undichte Abstraktion ist“ — Abstraktionen, die man nicht selbst nachgebaut hat, werden irgendwann undicht, und dann wünscht man sich die Person, die es getan hat. Und seine Seite schließt den Fall für das Portfolio statt des Zeugnisses ab: „Echte, praxisnahe Erfahrung zu sammeln, an realen Codebasen, Projekten oder Problemen außerhalb alberner Kursübungen ist extrem wichtig … Dokumentiert es gut. Bloggt darüber. Darauf kommt es in ein paar Jahren an.“

Die Metaanalyse zum projektbasierten Lernen verleiht dem Build-Pfad eine Zahl — Chen und Yang 2019 fanden über 30 Studien und 12.585 Studierende hinweg eine mittlere Effektstärke von d+ = 0,71 für projektbasiertes Lernen gegenüber traditionellem Unterricht — mit dem ehrlichen Gegengewicht: Andere Aggregationen von Build-Stil-Lernen liegen niedriger (Visible Learnings gepoolter Mittelwert über benachbarte Metaanalysen beträgt ≈ 0,53), und große Studien mit schwacher Umsetzung schnitten nahe null ab. Bauen schlägt Zuschauen im Schnitt; schlecht umgesetztes Bauen schlägt nichts. Der Feynman-Anker ist älter als all das und überdauert in seiner eigenen Handschrift auf der Caltech-Tafel, fotografiert nach seinem Tod: *„What I cannot create, I do not understand.“* Die vierstufige „Feynman-Technik“, die online verkauft wird, ist ein Listicle; die Tafelzeile und sein *„Notebook of things I don’t know about“* sind die dokumentierten Originale — und beide sagen dasselbe: Schöpfung ist die Prüfung.

Die Community-Sprache für diesen Fehlermodus lautet „Tutorial Hell“ — das ist Folklore-Vokabular, kein Zitat einer bekannten Person, aber es benennt ein reales, gemessenes Phänomen: Konsum erzeugt Vertrautheit, Replikation erzeugt Fähigkeit, und nur eine davon taucht in einer Anthropic-Screeningfrage auf.

Die ehrlichen Einschränkungen

Ein Artikel über Expertise, der die Misserfolgsdaten verschweigen würde, wäre genau der Hype, vor dem er warnt. Daher wird jedem Wert der entsprechende Kontext mitgegeben.

Die 95-Prozent-Statistik, die alle falsch zitieren. Die Behauptung, die als „95 % der KI-Piloten scheitern“ kursiert, stammt aus dem MIT Project NANDA-Bericht „The GenAI Divide: State of AI in Business 2025“ (v0.1, Juli 2025), dessen Originalformulierung lautet: „Trotz 30–40 Milliarden Dollar Investitionen in GenAI durch Unternehmen zeigt dieser Bericht ein überraschendes Ergebnis: 95 % der Organisationen erzielen keine Rendite.“ Der Geltungsbereich folgt im selben Atemzug: Der Bericht bezeichnet sich selbst als „vorläufige Ergebnisse“, basierend auf ~300 öffentlichen Initiativen, 52 Unternehmensinterviews und 153 auf Konferenzen gesammelten Umfrageantworten über sechs Monate — und der Hauptautor erklärte gegenüber Fortune, die 95 % bezögen sich auf „den Datensatz“, nicht auf alle Unternehmen. Die Kritik ist dokumentiert, nicht erfunden: Futuriom bezeichnete die Darstellung der Zahl als „verantwortungslos und unbegründet“, da unterstützende Daten fehlten, und Kevin Werbach von der Wharton School sagte: „Ich habe das Dokument mehrmals durchgelesen und verstehe immer noch nicht, woher die Zahl kommt … Wenn das MIT Project NANDA hinter den Aussagen steht, sollte es die vollständigen Daten veröffentlichen.“ Der unstrittige Befund ist ohnehin nützlicher: Extern eingekaufte Tools erreichten etwa doppelt so häufig den Produktivbetrieb wie intern entwickelte. Lesen Sie die 95 % als richtungsweisenden Beleg für eine Lern- und Integrationslücke — die einen Markt für Expert:innen schafft, nicht ein Argument gegen KI.

Die agentische Stornierungsprognose, vollständig zitiert. Gartner, Juni 2025: „Über 40 % der agentischen KI-Projekte werden bis Ende 2027 storniert, aufgrund steigender Kosten, unklaren Geschäftswerts oder unzureichender Risikokontrollen.“ Es handelt sich um eine Anbieterprognose, die teilweise auf einer Webinar-Umfrage basiert, und sie benennt den Ausfallmechanismus präzise: „Agent-Washing — die Umbenennung bestehender Produkte … ohne substanzielle agentische Fähigkeiten“, wobei Gartner schätzt, „dass nur etwa 130 der Tausenden agentischen KI-Anbieter echt sind.“ Dieselbe Veröffentlichung prognostiziert, dass 15 % der alltäglichen Arbeitsentscheidungen bis 2028 autonom getroffen werden und agentische KI in einem Drittel der Unternehmenssoftware eingesetzt wird. Stornierung und Durchbruch sind dieselbe Prognose: Das Feld wird bereinigt, und diejenigen, die echte agentische Fähigkeiten von gewaschenen Chatbots unterscheiden können, sind die Prüfungsinstanz.

Die Zertifikatsfrage, ohne erfundene Statistiken gestellt. Die verifizierten Marktfakten: Der Hype-Zyklus für Prompt-Engineering ist bereits kollabiert — das Wall Street Journal berichtete, dass Indeed Stellenausschreibungen für Prompt-Engineers nach dem Suchboom 2023 als „minimal“ einstuft, mit Spitzenwerten von knapp 144 Suchanfragen pro Million im April 2023 und einer anschließenden Stabilisierung bei 20–30 (sekundär verifiziert; der WSJ-Artikel ist hinter einer Paywall). Die Auswahlforschung (Sackett et al., 2022) hat die Validitätswerte von Einstellungsverfahren neu kalibriert und strukturierte Interviews sowie berufsspezifische Nachweise an die Spitze gesetzt — allerdings untersuchte sie klassische Auswahlverfahren, nicht Zertifikate, daher ist die Übertragung eine Inferenz. Und die verifizierte Abwesenheit: Es gibt keine rigorose öffentliche Studie, die belegt, dass KI-Kurszertifikate die berufliche Kompetenz in irgendeiner Richtung vorhersagen. Die Beweislast liegt beim Anbieter; die Frontier-Labs setzen ihre auf ausgelieferte Artefakte.

Das Buch, das den Zyklus vorhersagte – mit intaktem Gleichgewicht. Narayanan und Kapoors *AI Snake Oil* (Princeton, 2024) liefert das Vokabular: „KI-Schlangenöl ist KI, die nicht und niemals so funktioniert, wie beworben“, und den Medienmechanismus: „Viele Artikel sind nur umformulierte Pressemitteilungen, die als Nachrichten getarnt werden.“ Speziell zur generativen KI – und das ist das Gleichgewicht, das die hype-müden meist fallen lassen – gestehen die Autoren den Fortschritt als real ein, bewerten das Produkt aber als „unausgereift, unzuverlässig und anfällig für Missbrauch“. Co-Autor Kapoor dazu an anderer Stelle im Wortlaut: „Es ist schwer, die Auswirkungen, die LLMs in den nächsten Jahrzehnten haben könnten, zu überschätzen.“ Expertise ist weder die Panik noch der Hype; sie ist die abgewogene Position dazwischen, vertreten von Menschen, die die Misserfolgsberichte gelesen und trotzdem ausgeliefert haben.

Eine Aufbauleiter, die Sie noch diesen Monat beginnen können

Sieben Sprossen, jede ein Portfolio-Artefakt, geordnet nach der Reihenfolge, in der der Markt prüft:

• Sprosse 1 — Eigenen Eval-Loop von Anfang bis Ende umsetzen. Wählen Sie eine Aufgabe, die Sie tatsächlich erledigen müssen. Bauen Sie den Trace-Review-Workflow, eine Fehlertaxonomie und einen kleinen Judge, den Sie anhand Ihrer eigenen Labels validiert haben (Precision und Recall, nicht rohe Übereinstimmung — Husains Checkliste). Dieses eine Artefakt zeigt die Ebene, die 80 Prozent der „KI-Ingenieure“ nicht beherrschen.
• Sprosse 2 — Eine kontextoptimierte Pipeline ausliefern. Nehmen Sie Anthropics „kleinstmöglichen Satz hochsignifikanter Tokens“ als Designbudget: instrumentieren Sie, was pro Turn in das Fenster gelangt, streichen Sie nacheinander eine Kategorie niedrigsignifikanter Tokens und messen Sie die Veränderung in Ihrem Eval. Veröffentlichen Sie das Vorher/Nachher.
• Sprosse 3 — Gedächtnis hinzufügen: das MemGPT-Muster implementieren. Arbeitskontext versus externer Kontext, explizites Paging. Selbst eine Spielzeugimplementierung — Notizen auf der Festplatte, die ins Fenster zurückgelesen werden — schult den Reflex für begrenzte Ressourcen, den die Papers beschreiben.
• Sprosse 4 — Retrieval für relevante Fragen aufbauen. Erstellen Sie einen kleinen Graph-Index (Entitäten, Community-Zusammenfassungen) über einem Korpus, bei dem globale Fragen tatsächlich vorkommen, und benchmarken Sie ihn gegen die Vektor-Baseline sowohl bei globalen als auch lokalen Abfragen. Der Vergleich — inklusive der Fälle, in denen einfaches RAG gewinnt — ist das Artefakt.
• Sprosse 5 — Eine Agenten-Schleife bauen, Workflow zuerst. Tools, Umgebungsfeedback, Eskalationsschwellen; die Anthropic-Taxonomie als Implementierung. Liefern Sie die Guardrail-Version aus, bei der kein Urteil keine Ausführung bedeutet.
• Sprosse 6 — Lokal ausrollen und messen. Führen Sie ein Open-Weights-Modell von Anfang bis Ende aus: Latenz, Kosten, Ausfallmodi, Ihre eigene ehrliche Benchmark-Tabelle. Die Messung ist das Expertentum; die Hardware ist nebensächlich.
• Sprosse 7 — Machen Sie es öffentlich. Jede Sprosse erhält einen Bericht: was schiefging, was die Evals ergaben, was Sie anders machen würden. Karpathys Rat-Seite noch einmal: „Dokumentieren Sie es gut. Bloggen Sie darüber. Darauf kommt es in ein paar Jahren an.“ Dieser öffentliche Pfad ist es, den die Auswahlfrage liest.

Eine Beobachtung aus meiner eigenen Praxis, die mit all dem oben Gesagten übereinstimmt: In den Agent-Systemen, die ich ausgeliefert und kaputtgemacht habe — einschließlich der Entscheidungs-Schicht mit der „kein-Beschluss-keine-Ausführung“-Sicherung, die ich im September beschrieben habe —, war fast nie das Modell der Flaschenhals. Der Kontext war es, und die Evaluierungen. Jede Sprosse, die nach Klempnerei aussieht, war der Ort, an dem die Hebelwirkung saß.

Wie Expertise von innen aussieht

Der Experte ist die Person, deren Systeme ihr sagen, wenn sie falschliegen. Die Systeme aller anderen antworten nur.

Zieht man den Titel auf seine Mechanik zurück, bleibt genau das übrig. Die Eval-Schleife, das Aufmerksamkeitsbudget, die Speicherebenen, die Eskalationsschwelle — all das hat dieselbe Form: Instrumentierung, die stille Fehler in sichtbare, mit Kosten verbundene verwandelt. Die Lernforschung sagt, dass der einzige zuverlässige Zugang über das Schaffen unter Feedback verläuft; die Einstellungsdaten zeigen, dass der Markt genau dafür zahlt; die Fehlerstatistiken belegen, dass die Nachfrage nach Verifikation besteht, nicht nach Generierung.

Der METR-Trend — Aufgabenhorizonte verdoppeln sich alle sieben Monate, laut ihrer Veröffentlichung vom März 2025 mit dem Live-Chart, der Updates trägt — wird meist als Countdown für die Rolle gelesen. Lesen Sie ihn andersherum: Mit der Ausdehnung des Horizonts werden die sieben Schichten wertvoller, nicht weniger, denn jede zusätzliche Stunde autonomer Fähigkeit ist eine Stunde, in der jemand in der Lage sein muss, sie zu spezifizieren, einzugrenzen und zu verifizieren. Niemand zertifiziert sich in diese Position. Man arbeitet sich hinein, öffentlich, ein ausgelieferter Fehlschlag nach dem anderen — und die Auswahlfrage stand schon bereit, bevor Sie diesen Satz zu Ende gelesen hatten: Haben Sie es persönlich gebaut und für echte Nutzer in Produktion ausgeliefert? Der Weg ist die Antwort.

Weiterlesen — die Quellen

Jede Aussage oben lässt sich auf eine Primärquelle zurückführen, verifiziert 2026-10-05. Die Marktebene:

• The Rise of the AI Engineer (swyx, Latent Space) — https://www.latent.space/p/ai-engineer
• Andrew Ng: The AI Engineering Skills Map (The Batch #366) — https://www.deeplearning.ai/the-batch/issue-366/
• Stack Overflow Developer Survey 2025, AI-Bereich — https://survey.stackoverflow.co/2025/ai/
• LinkedIn Jobs on the Rise 2025 — https://www.linkedin.com/pulse/linkedin-jobs-rise-2025-25-fastest-growing-us-linkedin-news-gryie
• LinkedIn Jobs on the Rise 2026 — https://www.linkedin.com/pulse/linkedin-jobs-rise-2026-25-fastest-growing-roles-us-linkedin-news-dlb1c
• Indeed Hiring Lab, Jänner 2026 — https://www.hiringlab.org/2026/01/22/january-labor-market-update-jobs-mentioning-ai-are-growing-amid-broader-hiring-weakness/
• Lightcast: The Generative AI Job Market — https://www.lightcast.io/resources/blog/the-generative-ai-job-market-2025-data-insights
• Anthropic: Research Engineer, ML (bestärkendes Lernen) – Stellenausschreibung — https://job-boards.greenhouse.io/anthropic/jobs/4613568008
• Anthropic: Applied AI Engineer, Beneficial Deployments – Stellenausschreibung — https://job-boards.greenhouse.io/anthropic/jobs/5413642008
• OpenAI: Applied AI Engineer, Codex Core Agent – Stellenausschreibung — https://openai.com/careers/applied-ai-engineer-codex-core-agent-san-francisco/

Die Stack-Ebenen:

• Anthropic: Effektive Agenten bauen — https://www.anthropic.com/research/building-effective-agents
• Anthropic: Effektives Context Engineering für KI-Agenten — https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
• MemGPT: Towards LLMs as Operating Systems — https://arxiv.org/abs/2310.08560
• Microsoft: From Local to Global (GraphRAG) — https://arxiv.org/abs/2404.16130
• Hamel Husain: Ihr KI-Produkt braucht Evals — https://hamel.dev/blog/posts/evals/
• METR: Messung der Fähigkeit von KI, lange Aufgaben abzuschließen — https://metr.org/blog/2025-03-19-measuring-ai-ability-to-complete-long-tasks/
• METR: Time Horizons (Live-Diagramm) — https://metr.org/time-horizons/

Die Lernwissenschaft:

• Ericsson, Krampe & Tesch-Römer 1993: „Die Rolle der gezielten Übung“ — https://graphics8.nytimes.com/images/blogs/freakonomics/pdf/DeliberatePractice(PsychologicalReview).pdf
• Freeman et al. 2014, PNAS: „Aktives Lernen steigert die Leistung von Studierenden“ — https://www.pnas.org/doi/abs/10.1073/pnas.1319030111
• Roediger & Karpicke 2006: „Lernen durch Testen“ — https://journals.sagepub.com/doi/10.1111/j.1467-9280.2006.01693.x
• Chen & Yang 2019: Metaanalyse zum projektbasierten Lernen — https://doi.org/10.1016/j.edurev.2018.11.001
• Andrej Karpathy: Ratgeberseite — https://cs.stanford.edu/people/karpathy/advice.html
• Karpathy: „Ein Rezept für das Training neuronaler Netze“ — https://karpathy.github.io/2019/04/25/recipe/
• Karpathy: „Ja, Sie sollten Backpropagation verstehen“ — https://karpathy.medium.com/yes-you-should-understand-backprop-e2f06eab496b
• Karpathy: „Neuronale Netze – von null zum Helden“ — https://github.com/karpathy/nn-zero-to-hero

Die ehrlichen Vorbehalte:

• MIT Project NANDA: The GenAI Divide, State of AI in Business 2025 (v0.1) — https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
• Futuriom: die Kritik an der 95 %-Zahl — https://futuriom.com/articles/news/why-we-dont-believe-mit-nandas-werid-ai-study/2025/08
• Gartner: Prognose zum Scheitern agentischer KI — https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
• Narayanan & Kapoor: AI Snake Oil (offizieller Auszug, Princeton UP) — https://pup-assets.imgix.net/onix/images/9780691249643/9780691249131.pdf
• Sackett et al. 2022: Neubewertung von Auswahl-Validitäts-Schätzungen — https://doi.org/10.1037/apl0000994

Begleittext aus diesem Blog:

• Laya vs Jev: Offene Gewichte und die Souveränitätsfrage (September) — https://kmail.at/blog/laya-vs-jev-open-weights-sovereignty
• Context Engineering: Die Disziplin, die Prompt Engineering verschlingt — https://kmail.at/blog/context-engineering-the-discipline-that-ate-prompt-engineering