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.