Machine Learning Engineer finden und einstellen

Was ein Machine Learning Engineer im Team leistet

Der Machine Learning Engineer ist die Rolle, an der sich entscheidet, ob aus einem Prototyp ein Produkt wird. Er nimmt ein Modell, das im Notebook funktioniert, und macht daraus einen Dienst, der unter Last antwortet, überwacht wird und reproduzierbar neu trainiert werden kann.

Im Alltag heißt das: Trainingspipelines bauen, Feature-Logik versionieren, Modelle als Service ausliefern, Latenz und Kosten im Blick behalten und Drift erkennen, bevor sie im Geschäftsergebnis sichtbar wird. Der Anteil an klassischem Software-Engineering ist höher, als viele Stellenanzeigen vermuten lassen.

Der Unterschied zum Data Scientist liegt in der Zielgröße. Der Data Scientist optimiert Erkenntnis, der Machine Learning Engineer optimiert Betrieb. Wer beide Aufgaben in eine Stelle presst, bekommt in der Regel eine Person, die eine Hälfte gut und die andere halb erledigt.

Anforderungsprofil: was wirklich Pflicht ist

Ein zu langes Pflichtprofil kostet Reichweite. Diese fünf Punkte tragen die Rolle:

Python und Software-Engineering. Saubere Modularisierung, Tests, Typisierung, Code-Review-Fähigkeit. Ohne diese Basis entsteht Technik, die niemand außer dem Autor weiterbetreiben kann.

ML-Frameworks. PyTorch oder TensorFlow, dazu scikit-learn für klassische Verfahren. Wichtiger als die Framework-Marke ist das Verständnis von Training, Validierung und Fehleranalyse.

Pipelines und Orchestrierung. Airflow, Dagster, Kubeflow oder ein vergleichbarer Stack. Die Fähigkeit, wiederholbare Trainings- und Inferenzstrecken zu bauen, entscheidet über Wartbarkeit.

Cloud und Container. AWS, Azure oder GCP mit Docker und Kubernetes. Erfahrung mit Kostenkontrolle bei GPU-Workloads ist ein echtes Unterscheidungsmerkmal.

Monitoring und Evaluation. Metriken, Alerting, Shadow-Deployments, A/B-Tests. Ein guter Kandidat kann erklären, woran er merkt, dass ein Modell schlechter geworden ist.

Gehalt und Seniorität 2026

Die folgenden Bänder sind Marktschätzungen für die DACH-Region, Stand 2026, auf Basis von Vermittlungsmandaten, Angebotsdaten und öffentlichen Gehaltsvergleichen. Sie gelten für Vollzeit ohne variable Bestandteile.

Der Markt für Machine Learning Engineers ist in DACH seit 2023 durchgehend angebotsseitig knapp. Der Grund ist nicht die Zahl der Absolventen, sondern die Kombination aus Betriebserfahrung und Produktverständnis, die viele Ausschreibungen verlangen.

In München, Zürich und Berlin liegen die Bänder rund zehn bis fünfzehn Prozent über dem Durchschnitt, in Ostdeutschland und in Teilen Österreichs entsprechend darunter. Remote-Angebote glätten diese Unterschiede zunehmend, weil Kandidaten Vergleichsgehälter aus dem gesamten Sprachraum kennen.

Wer über dem Band zahlt, kauft sich Geschwindigkeit, nicht Qualität. Kandidaten wechseln 2026 vor allem wegen Datenqualität, Rechenbudget und Entscheidungswegen; Geld allein hält niemanden im Prozess.

So läuft eine belastbare Besetzung ab

1. Profil schärfen: Betriebsanteil, Modellklassen und Stack schriftlich festlegen, bevor die Suche startet.
2. Aktive Ansprache statt Ausschreibung: Der relevante Teil des Marktes bewirbt sich nicht.
3. Erste Auswahl über Arbeitsproben oder ein Systemgespräch, nicht über Zertifikate.
4. Technisches Gespräch mit realem Fall aus Ihrem Unternehmen, maximal 90 Minuten.
5. Entscheidung innerhalb von fünf Arbeitstagen nach dem letzten Gespräch.

Realistisch sind bei aktiver Ansprache acht bis zwölf Wochen von Briefing bis Vertragsunterschrift, plus ein bis drei Monate Kündigungsfrist. Prozesse, die länger als drei Wochen zwischen zwei Gesprächen brauchen, verlieren regelmäßig die stärksten Kandidaten.

Die drei häufigsten Fehler

Zu breites Profil. Ein Profil, das Data Science, Data Engineering und MLOps gleichzeitig fordert, findet niemanden oder eine Person, die überall nur halb passt.

Fehlende Datenbasis. Kandidaten fragen im Gespräch nach Datenqualität und Zugriffswegen. Wer darauf keine Antwort hat, verliert den Kandidaten in der Endphase.

Langsame Entscheidungen. Zwischen Erstgespräch und Angebot sollten maximal drei Wochen liegen.

Festanstellung oder freiberuflich?

Wenn die Aufgabe zeitlich begrenzt ist oder es zunächst um den Aufbau der Plattform geht, ist ein Freelancer der schnellere Weg. Für dauerhaftes Wissen im Haus bleibt die Festanstellung die günstigere Variante über zwölf Monate hinweg.

Sie schreiben die Anzeige zuerst selbst? Vorlage und Anforderungsprofil finden Sie unter Stellenanzeige Machine Learning Engineer.

Was ein Machine Learning Engineer in Ihrem Team leistet

Ein Machine Learning Engineer bringt KI-Modelle in den stabilen, produktiven Betrieb. Er ist der Brückenbauer zwischen Data Science und Software-Engineering. Wo ein Data Scientist ein Modell entwickelt und bewertet, sorgt der ML Engineer dafür, dass dieses Modell zuverlässig, schnell und im Maßstab läuft.

In einem festen Team wirkt diese Rolle über die Zeit. Der ML Engineer lernt Ihre Systeme und Daten kennen, baut eine tragfähige Infrastruktur auf und hält sie im Betrieb. Modelle veralten, Datenströme ändern sich, Lasten wachsen. Genau dieser dauerhafte Betrieb ist der Grund, warum sich für laufende KI-Systeme eine Festanstellung lohnt.

Typische Aufgaben sind das Überführen von Modellen in produktive Systeme, der Aufbau von Trainings- und Deployment-Pipelines, das Monitoring von Latenz, Verfügbarkeit und Modellqualität sowie die Optimierung von Betriebskosten. Mit der Zeit prägt ein erfahrener ML Engineer, wie verlässlich Ihre KI-Systeme im Alltag arbeiten.

Welche Skills ins Anforderungsprofil gehören

Damit Ihre Anzeige die richtigen Leute anspricht, sollten Sie die zentralen Fähigkeiten kennen. So trennen Sie Pflicht und Wunsch sauber.

Software-Engineering. Das Fundament. Sauberer, testbarer Code und ein Gespür für Systemdesign. Diese Tiefe unterscheidet den ML Engineer vom reinen Modellierer.

MLOps und Pipelines. Erfahrung damit, Training, Deployment und Monitoring in einen automatisierten, wiederholbaren Kreislauf zu bringen. Werkzeuge wie Airflow und MLflow gehören dazu.

Containerisierung und Cloud. Docker und Kubernetes für den Betrieb im Maßstab, dazu Erfahrung mit AWS, Google Cloud oder Azure und deren ML-Diensten.

Machine-Learning-Verständnis. Sicherer Umgang mit Frameworks wie TensorFlow oder PyTorch. Der Engineer muss verstehen, wie ein Modell arbeitet, auch wenn er es nicht selbst entwirft.

Betriebsdenken. Die oft unterschätzte Kompetenz. Ein guter ML Engineer behandelt Latenz, Verfügbarkeit und Kosten als gleichwertige Ziele neben der Modellgüte und erkennt, wenn ein Modell in Produktion abdriftet.

Markieren Sie nur das als Pflicht, was wirklich nötig ist. Eine zu lange Pflichtliste schreckt gute Kandidaten ab, weil niemand in jedem Punkt perfekt ist. Bei einem knappen Markt verschenken Sie so passende Bewerber.

Festanstellung oder Freelancer?

Bevor Sie eine feste Stelle schaffen, lohnt eine kurze Grundsatzfrage. Brauchen Sie die Kompetenz dauerhaft?

Für den laufenden Betrieb von KI-Systemen ist die Festanstellung die richtige Wahl. Der ML Engineer baut Wissen über Ihre Infrastruktur auf, das mit der Zeit immer wertvoller wird, und hält die Systeme verlässlich am Laufen. Für ein abgegrenztes Vorhaben mit klarem Anfang und Ende ist dagegen ein ML-Engineer-Freelancer flexibler und schneller verfügbar.

Dieser Leitfaden geht von der Festanstellung aus. Sie wollen jemanden dauerhaft an Bord holen, der Ihre KI-Systeme über die Zeit betreut und stabil hält.

Was ein Machine Learning Engineer kostet

Die Gehaltsfrage entscheidet oft über den Erfolg der Suche. Wer am Markt vorbei budgetiert, findet niemanden.

Die Durchschnittswerte streuen je nach Quelle. StepStone weist für 2026 auf Basis ausgeschriebener Gehälter einen Schnitt von rund 57.800 Euro aus, mit einem Einstieg um rund 56.580 Euro. Glassdoor nennt auf Basis von Selbstauskünften rund 67.300 Euro im Schnitt und für Senior-Profile rund 95.777 Euro, mit Spitzenwerten über 112.000 Euro. Lesen Sie diese Zahlen als Spanne, nicht als feste Größe.

Die folgende Tabelle ordnet die Gehälter nach Erfahrung ein. Jede Zeile nennt die Quelle, damit die Werte nachvollziehbar bleiben.

Standort und Branche verschieben diese Werte deutlich. Tech- und Finanzunternehmen sowie Ballungsräume liegen über dem Schnitt. Eine vollständige Aufschlüsselung nach Seniorität, Region und Branche finden Sie auf der Seite zum Gehalt eines Machine Learning Engineers. Diese Zahlen helfen Ihnen, ein realistisches Budget festzulegen, bevor die Suche startet.

Junior, Senior oder Lead: Welche Stufe brauchen Sie?

Nicht jede Stelle braucht einen teuren Senior. Die richtige Stufe spart Budget und macht die Suche realistischer.

Ein Junior oder Mid-Level passt, wenn ein erfahrenes Team die Person anleiten kann. Sie übernimmt klar umrissene Engineering-Aufgaben und wächst hinein. Das ist günstiger und bei einem guten Team eine solide Wahl.

Ein Senior passt, wenn die Rolle eigenständig Systeme aufbauen, Architekturentscheidungen treffen und den Betrieb verantworten soll. Die meisten Unternehmen, die ihre erste produktive KI-Plattform aufbauen, brauchen hier einen Senior, weil es noch keine internen Strukturen gibt.

Ein Lead passt, wenn die Person ein Team aufbauen und die technische Strategie für ML-Systeme prägen soll. Diese Stufe ist am teuersten und am seltensten.

Eine ehrliche Einschätzung der nötigen Stufe ist wichtig. Wer einen Lead sucht, aber ein Junior-Budget hat, sucht vergeblich. Wer einen teuren Senior für einfache Aufgaben einstellt, verliert ihn schnell an anspruchsvollere Projekte.

Die Stellenanzeige richtig schreiben

Viele Suchen scheitern schon an der Anzeige. Diese Punkte machen den Unterschied.

Engineering und Betrieb betonen. Schreiben Sie klar, dass die Rolle Modelle in Produktion bringt und betreibt. Wer nur Modellierungs-Skills ausschreibt, zieht analytisch geprägte Kandidaten an, die das System später nicht stabil halten.

Muss und Kann trennen. Markieren Sie klar, welche Fähigkeiten zwingend nötig sind. Eine endlose Pflichtliste schreckt die guten Kandidaten ab.

Den technischen Kontext zeigen. Gute ML Engineers achten darauf, mit welcher Infrastruktur sie arbeiten. Nennen Sie Cloud, Stack und Reifegrad der Datenbasis. Ein attraktives technisches Umfeld ist ein echtes Argument.

Wirkung zeigen. Beschreiben Sie, welche Systeme die Person verantwortet und welchen Nutzen sie schaffen. Top-Leute wollen sehen, dass ihre Arbeit im Produkt ankommt.

Das Gehalt einordnen. Auch ohne genaue Zahl sollte der Rahmen zum Markt passen. Ein zu niedriges Angebot filtert die Erfahrung heraus, die Sie suchen.

ML Engineer, Data Scientist oder Data Engineer?

Diese Rollen werden oft verwechselt. Die Verwechslung zieht den falschen Bewerberpool an und verlängert die Suche.

Ein Data Scientist entwickelt und bewertet Modelle und beantwortet Fragen aus Daten. Ein ML Engineer bringt diese Modelle in den stabilen, produktiven Betrieb. Ein Data Engineer baut zuvor die Dateninfrastruktur, auf der beide aufsetzen.

Die Faustregel: Soll etwas analysiert oder ein Modell entwickelt werden, ist es ein Data Scientist. Soll ein Modell dauerhaft im Produkt laufen, ist es ein ML Engineer. Geht es um Datenpipelines als Grundlage, ist es ein Data Engineer. Den vollständigen Vergleich der beiden häufigsten Kandidaten finden Sie unter Data Scientist vs. Machine Learning Engineer.

Woran Sie einen guten ML Engineer im Interview erkennen

Auch ohne tiefes Fachwissen können Sie gute Kandidaten erkennen. Achten Sie auf diese Signale.

Echte Produktionserfahrung. Fragen Sie nach Modellen, die der Kandidat tatsächlich in Produktion gebracht hat. Wer nur Versuche im Notebook vorweisen kann, scheitert oft an Stabilität, Geschwindigkeit und Wartbarkeit im echten Betrieb.

Umgang mit Störungen. Bitten Sie um ein Beispiel, bei dem ein System in Produktion Probleme machte. Gute Engineers erzählen, wie sie die Ursache fanden und das System robuster machten.

Betriebsdenken. Top-Leute sprechen über Monitoring, Modell-Drift, Latenz und Kosten, nicht allein über die beste Trainingsmetrik. Sie denken an das System, das auch ohne sie weiterläuft.

Klare Erklärungen. Wer ein komplexes System verständlich erklärt, hat es meist durchdrungen. Wer sich hinter Fachbegriffen versteckt, oft nicht.

Für die tiefe fachliche Prüfung lohnt sich ein erfahrener Experte im Gespräch. Eine spezialisierte Vermittlung übernimmt diese Vorprüfung, sodass Sie nur mit fachlich geeigneten Kandidaten sprechen.

Branchen mit hohem Bedarf an ML Engineers

Der Bedarf ist nicht überall gleich. Das beeinflusst, wie schwer eine Stelle zu besetzen ist und welches Gehalt der Markt verlangt.

In Tech und Software sind Modelle Teil des Produkts und müssen im Maßstab zuverlässig laufen. Hier ist die Rolle besonders gefragt, und die Gehälter liegen über dem Schnitt.

In Automotive und Industrie geht es um produktive Systeme mit Echtzeit- und Embedded-Anforderungen, oft mit hohen Stabilitätsansprüchen.

In Banken und Versicherungen laufen Modelle im regulierten Betrieb, mit hohen Anforderungen an Nachvollziehbarkeit und Überwachung.

Im Handel und E-Commerce betreiben ML Engineers Empfehlungs- und Prognosesysteme, die dauerhaft laufen und große Datenmengen verarbeiten.

Remote, hybrid oder vor Ort?

Das Arbeitsmodell entscheidet stark über Ihren Bewerberpool. ML-Engineering eignet sich gut für Remote-Arbeit, weil der Großteil am Code und in der Cloud stattfindet.

Wer Remote oder Hybrid anbietet, vergrößert den Bewerberpool erheblich und erreicht Kandidaten im ganzen DACH-Raum. Bei einem so knappen Markt ist das ein echter Vorteil. In Branchen mit strengen Sicherheitsregeln, etwa Banking oder im öffentlichen Sektor, kann Arbeit vor Ort nötig sein. Ein hybrides Modell verbindet beides und ist bei vielen Rollen heute Standard. Wer ausschließlich volle Präsenz verlangt, schränkt die Suche bei diesen Profilen deutlich ein.

ML-Engineering und generative KI

Der Beruf verändert sich gerade stark. Immer mehr Unternehmen wollen große Sprachmodelle produktiv einbinden, und genau das ist Engineering-Arbeit. Vom Anbinden des Modells über die Steuerung der Kosten bis zum Monitoring der Antwortqualität entstehen neue, dauerhafte Aufgaben.

Für Sie als Arbeitgeber heißt das, dass Betriebs- und Engineering-Kompetenz wichtiger wird. Ein LLM in ein Produkt zu integrieren ist schnell begonnen, aber nur ein erfahrener ML Engineer hält es stabil, sicher und bezahlbar im Betrieb. Achten Sie bei der Auswahl darauf, dass ein Kandidat solche Systeme über das reine Bauen hinaus auch überwacht und über die Zeit verbessert.

Warum die Besetzung so schwer ist

Der Markt ist der Grund. Laut Bitkom fehlen im September 2026 rund 79.000 IT-Fachkräfte in Deutschland. 97 Prozent der Unternehmen mit offenen IT-Stellen haben trotzdem Schwierigkeiten, sie zu besetzen. Eine IT-Stelle bleibt im Schnitt 7,7 Monate (Bitkom-Wert von 2023) offen. Der Mangel reicht weit über die IT hinaus. Laut dem Institut der deutschen Wirtschaft fehlten im Juni 2025 rund 391.000 qualifizierte Arbeitskräfte.

Die Nachfrage nach KI-Kompetenz wächst dabei seit Jahren. Auswertungen von Dekra zeigen, dass die Suche nach Mitarbeitern mit KI-Skills wie Machine Learning bereits 2023 rund 86 Prozent höher lag als 2019. ML Engineers gehören zu den Profilen, die quer durch alle Branchen gesucht werden.

Für Sie bedeutet das zweierlei. Erstens ist die Konkurrenz um gute ML Engineers groß. Zweitens hilft Tempo. Wer schnell entscheidet und aktiv sucht, sichert sich die besten Kandidaten, bevor andere zugreifen.

So halten Sie einen ML Engineer im Team

Eine teure Besetzung lohnt sich nur, wenn die Person bleibt. Gefragte ML Engineers haben Alternativen und wechseln schnell, wenn etwas nicht stimmt.

Echte Systeme mit Wirkung. ML Engineers wollen Systeme bauen, die im Produkt ankommen und genutzt werden. Wer nur Prototypen ohne Weg in die Produktion verantwortet, sucht bald etwas Neues.

Gute Infrastruktur und Tooling. Nichts frustriert mehr als brüchige Pipelines und veraltete Technik. Eine solide technische Basis ist ein echter Bindungsfaktor.

Lernen und Entwicklung. Das Feld bewegt sich schnell. Zeit und Budget für Weiterbildung halten das Wissen aktuell und zeigen Wertschätzung.

Klare Perspektive. Zeigen Sie, wie sich die Rolle entwickeln kann, fachlich oder Richtung Führung. Eine sichtbare Perspektive bindet stärker als ein einmaliger Gehaltssprung.

Wir begleiten den Einstieg auf Wunsch und bleiben für beide Seiten ansprechbar, damit eine teuer besetzte Stelle nicht früh wieder offen ist.

So besetzen wir die Rolle für Sie

Einen passenden ML Engineer zu finden, kostet ohne Marktzugang viel Zeit. Wir verkürzen den Weg über einen klaren Prozess.

Wir klären zuerst gemeinsam das Anforderungsprofil und achten dabei gezielt auf Produktions- und MLOps-Kompetenz. Dann sprechen wir passende Fachkräfte aktiv an, auch solche, die nicht aktiv suchen. Wir prüfen die Kandidaten fachlich vor und stellen Ihnen nur eine kurze, geprüfte Auswahl vor. Zum Schluss begleiten wir die Vertragsverhandlung und den Einstieg.

Das Honorar ist erfolgsabhängig. Sie zahlen nur, wenn ein Kandidat wirklich bei Ihnen anfängt. Üblich sind 20 bis 30 Prozent des ersten Jahresbruttogehalts. Gegen die Kosten einer monatelang offenen Stelle ist das oft die günstigere Rechnung.

Wann sich die Investition lohnt

Viele Unternehmen sehen nur das Honorar und übersehen die Kosten der Wartezeit. Eine offene ML-Engineer-Rolle bedeutet, dass ein Modell weiter im Prototypenstatus festhängt oder ein laufendes System instabil bleibt. Jeder Monat ohne diese Kompetenz ist eine verpasste Chance oder ein laufendes Risiko.

Rechnen Sie ein einfaches Beispiel. Wenn eine offene Rolle bedeutet, dass ein fertiges Modell ein halbes Jahr später produktiv geht, kann der entgangene Nutzen das gesamte Vermittlungshonorar übersteigen. Das Honorar zahlen Sie einmal. Eine offene Schlüsselstelle kostet jeden Monat, oft unsichtbar.

Häufige Fehler bei der Besetzung

Diese Fehler kosten in der Praxis am meisten Zeit und Kandidaten.

Den falschen Rollentitel ausschreiben. Wer einen ML Engineer sucht, aber nur Modellierungs-Skills ausschreibt, bekommt Kandidaten, die das Modell bauen, aber nicht betreiben können. Nennen Sie Production- und MLOps-Anforderungen explizit.

Zu lange Entscheidungswege. Gute Kandidaten sind schnell vom Markt. Wer Wochen für eine Rückmeldung braucht, verliert sie.

Zu knappes Budget. Die Gehälter liegen hoch. Wer am Markt vorbei plant, findet nur Kandidaten ohne die nötige Produktionserfahrung.

Nur auf Anzeigen setzen. Bei knappen Profilen reicht das selten. Ohne aktive Ansprache bleibt die Stelle oft monatelang offen.

Selbst suchen oder vermitteln lassen?

Ehrlichkeit gehört dazu. Nicht jede Stelle braucht eine Vermittlung.

Wenn Sie eine starke eigene Recruiting-Abteilung haben, die auch passive Kandidaten erreicht und Engineering-Profile fachlich prüfen kann, besetzen Sie viele Rollen selbst. Eine Vermittlung lohnt sich vor allem, wenn Ihnen der Marktzugang oder die fachliche Vorprüfung fehlt, oder wenn die Stelle schon länger erfolglos offen ist.

Wenn Sie regelmäßig viele ähnliche Rollen besetzen, kann der Aufbau interner Kapazität günstiger sein. Bei einer einzelnen, schwer zu besetzenden Schlüsselrolle ist die Vermittlung dagegen meist der schnellere und am Ende günstigere Weg. Wir beraten Sie ehrlich, welcher Weg zu Ihrer Lage passt.

Nächster Schritt

Sie wissen jetzt, was ein Machine Learning Engineer kostet, wie Sie die Stelle ausschreiben und woran Sie gute Kandidaten erkennen. Wenn Sie die Rolle besetzen wollen, finden wir den passenden Kandidaten. Schildern Sie uns die Position in einer kostenlosen Erstberatung. Sie erhalten eine ehrliche Einschätzung, wie gut die Stelle besetzbar ist und welches Gehaltsbudget der Markt verlangt.