Applied AI Engineer (all genders)

Sie bauen die Systeme, die KI in Unternehmensumgebungen tatsächlich zum Laufen bringen – keine Demos, keine Prototypen, die nach einem Pilotprojekt stagnieren, sondern produktionsreife agentische Architekturen, die innerhalb realer Kundenorganisationen laufen. Der Unterschied zwischen einem AI Engineer und dem, was wir suchen, ist eindeutig: Sie haben ein Multi-Agent-System in Produktion gebracht, Sie haben die Eval-Harness verantwortet, und Sie wissen, was passiert, wenn Ihr Agent um 2 Uhr morgens versagt, weil Sie es selbst erlebt haben.

Als AI Engineer (Agentic/Applied) werden Sie produktionsreife agentische KI-Systeme über den gesamten Enterprise-Technologie-Stack hinweg entwerfen, bauen und bereitstellen. Sie arbeiten direkt mit den Engineering-Teams der Kunden zusammen, leiten technische Design-Sessions und entwickeln wiederverwendbare Muster und Accelerators, die über einzelne Projekte hinaus skalieren.

Diese Rolle liegt im Zentrum des AI-Engineering-Talentmarktes – die Nachfrage wächst schneller als das Angebot und wird dies auch weiterhin tun. Wir bieten das, was kein einzelnes Produktunternehmen bieten kann: Breite über jede Branche, jeden Enterprise-Technologie-Stack und jede Ebene der organisatorischen Komplexität, kombiniert mit dem Zugang zur Vendor Fellowship innerhalb der Engineering-Teams von Anthropic, OpenAI, Microsoft und Google sowie einem direkten Weg zum Forward Deployed Engineer Programm.

Hauptverantwortlichkeiten ##

• End-to-End-Entwurf und Bau von produktionsreifen agentischen Systemen: Multi-Agent-Orchestrierung, RAG-Pipelines, richtlinienbasiertes Routing, Tool-Invocation, Memory Management und Lifecycle Observability;
• Aufbau und Verantwortung von RAG-Pipelines: Embeddings, Chunking-Strategie, Vektorsuche, Context Window Engineering und Tuning gegen reale Qualitätsziele;
• Integration und Abstraktion über mehrere LLM-Provider hinweg – OpenAI, Anthropic, Vertex AI und Open-Source-Modelle – mit Fallback-Routing sowie Token-, Kosten- und Latenzmanagement;
• Implementierung von LLMOps in der Produktion: Eval-Harnesses mit realen Qualitätsmetriken, Prompt-Versioning, Observability-Tooling (LangSmith, Braintrust oder gleichwertig), Kosten- und Sicherheitsmonitoring;
• Direkte Einbindung in die Engineering-Teams der Kunden zur Konzeption, Prototypisierung und Bereitstellung agentischer Lösungen – Workshops, Proofs of Concept, Code-with-Sessions und Architecture Walkthroughs;
• Entwicklung wiederverwendbarer Muster, Accelerators und Playbooks, die über das einzelne Kundenprojekt hinaus skalieren und den Start des nächsten ermöglichen;
• Definition und Nutzung von Metriken zur Messung von Agent-Genauigkeit, Latenz, Sicherheit und Kosteneffizienz; Präsentation von Ergebnissen und Empfehlungen gegenüber Kunden-Stakeholdern in geschäftlicher Sprache.