KI-Team aufbauen — der Bauplan für Konzerne im DACH-Raum

Worum es geht — Pain und Gain

Jobs to be done

• Den richtigen ersten Hire definieren — nicht den glänzendsten Lebenslauf, sondern das Profil, das in 90 Tagen liefert.
• Eine Team-Reihenfolge planen, die jeden neuen Hire produktiv macht statt zu blockieren.
• Ein Budget aufstellen, das dem Vorstand standhält: Gehälter, Tools, Cloud, externe Spitzen.
• Make-or-Buy-Entscheidungen für Plattform, Modelle und Daten fundiert treffen.
• Risiken (Fluktuation, Vendor-Lock-in, regulatorische Pflichten) sichtbar und steuerbar machen.

Entscheidungs-Framework

Pain — Warum scheitern die ersten Hires?

Drei Muster sehen wir im DACH-Raum immer wieder. Erstens: Es wird ein Star-Researcher eingestellt, der wissenschaftlich brilliert, aber kein produktives System bauen kann. Zweitens: Der Head of AI sitzt allein auf einer Insel ohne Engineering-Hände. Drittens: Es werden fünf Junior-Profile parallel onboardet, niemand kann sie anleiten.

Hinzu kommt der Markt: Senior-Profile sind knapp, Vakanzzeiten von 7 bis 12 Monaten sind in DACH normal (Bitkom, Stand 2025). Wer in dieser Phase nicht extern überbrückt, verliert das Momentum.

Gain — Wie sieht ein lieferfähiges Team aus?

Ein produktives KI-Team im Konzern hat in der Aufbauphase fünf bis sechs Köpfe. Davon ist eine Person Lead und Architekt, zwei bauen Modelle und Anwendungen, eine Person hält die Plattform und die Daten in Form, eine Person übersetzt zwischen Fachbereich und Engineering. Diese Konstellation liefert in 6 bis 9 Monaten den ersten produktiven Use-Case.

Das Team braucht ein klares Mandat: ein priorisierter Use-Case mit messbarem Geschäftsziel, eigenes Budget für Cloud und Tools, direkter Sponsor im Vorstand. Ohne diese drei Punkte verzettelt sich auch das beste Team in Pilot-Schleifen.

Reihenfolge und Profile

Der erste Hire ist der Lead — ein AI Architect oder ein Head of AI mit Produktionserfahrung. Diese Person definiert Architektur, Auswahl der Use-Cases, Hiring-Profile für die nächsten Stellen. Wer hier abkürzt und mit einem Junior-Team startet, verbraucht Budget ohne Output.

Der zweite Hire ist ein Senior AI oder ML Engineer, der sofort den ersten Use-Case übernimmt. Erst danach kommen Plattform-Rolle (MLOps) und Daten-Rolle (Data Engineer). Eine Data-Scientist-Position ist später wichtig, hat aber in den ersten 90 Tagen wenig Hebel ohne Produkt.

Budget und Kosten

Ein fünfköpfiges KI-Team kostet im DACH-Raum auf Vollkosten typisch 700.000 bis 1.000.000 Euro pro Jahr (Gehälter inkl. Nebenkosten, ohne Cloud, Tools, Lizenzen). Cloud und Tooling liegen in der Aufbauphase bei zusätzlich 100.000 bis 300.000 Euro, je nach Datenvolumen und LLM-Nutzung.

Wer Interim-Profile zur Überbrückung der Vakanzzeiten einsetzt, kann mit zusätzlich 1.500 bis 2.000 Euro Tagessatz pro Brückenkopf rechnen — eine Investition, die sich rechnet, wenn die Festbesetzung dadurch in Monaten statt Quartalen gelingt.

Make-or-Buy — wo lohnt sich extern, wo intern?

Intern aufbauen lohnt überall dort, wo KI dauerhaft im Produkt oder Kernprozess sitzt. Extern einkaufen lohnt für seltene Spezial-Skills (z. B. Vision für eine einzelne Anwendung), für Spitzenlast und für die ersten 6 bis 12 Monate, in denen die Festbesetzung noch nicht steht. Der Guide Contracting für KI-Freelancer erklärt die rechtliche Seite.

Plattform-Komponenten (Vektor-DB, LLM-Gateway, Monitoring) sind heute überwiegend gekauft — Eigenentwicklung lohnt nur bei sehr spezifischen Anforderungen. Modell-Layer ist hybrid: API-Modelle für Standardaufgaben, eigene Fine-Tunes für differenzierende Use-Cases.

Risiken und Governance

Die größten Risiken in der Aufbauphase sind Fluktuation (Senior-Profile werden aktiv von Wettbewerbern angesprochen), Vendor-Lock-in (eine Cloud-/Modell-Wahl, die später teuer wird) und unterschätzter EU-AI-Act-Aufwand. Sauberes Onboarding, Plattform-Abstraktion und frühe Governance-Skizze entschärfen alle drei.

Ein Aufsichtsrat erwartet heute messbare KPIs für das KI-Team: Time-to-Production je Use-Case, Modell-Performance in Produktion, Kosten pro Inferenz, Compliance-Status. Das Team sollte diese KPIs von Tag 1 selbst tracken.

People also ask

Was macht ein KI-Team?

Es baut, betreibt und skaliert KI-Anwendungen entlang priorisierter Use-Cases — von der Daten-Pipeline über Modell und Anwendung bis zum Monitoring in Produktion.

Welche Rollen gehören in ein KI-Team?

Mindestens AI Architect / Head of AI, Senior AI Engineer, MLOps Engineer, Data Engineer. Mit zweitem Use-Case kommen LLM Engineer, Data Scientist und Product Owner dazu.

Wer leitet ein KI-Team?

In Konzernen ein Head of AI oder Chief AI Officer mit direkter Vorstandsanbindung. In Mittelstand und kleineren Geschäftseinheiten reicht ein AI Architect mit Linien-Mandat.

Nächster Schritt

Sie wollen den Plan auf Ihren Konzern übertragen? Tragen Sie unten den Rahmen ein — Ziel, Zeitraum, Stand. Wir melden uns innerhalb eines Werktages mit einer ersten, vertraulichen Einschätzung.