MLOps Engineer finden und einstellen

Was ein MLOps Engineer im Team leistet

Der MLOps Engineer verantwortet die Strecke zwischen Modellentwicklung und stabilem Betrieb. Er baut die Werkzeuge, mit denen ein Team Modelle veröffentlichen kann, ohne jedes Mal Handarbeit zu leisten.

Im Alltag heißt das: Trainings- und Deployment-Pipelines, Modell- und Datenversionierung, Monitoring von Drift und Qualität, Rollback-Wege, Rechte- und Kostenkontrolle auf GPU-Ressourcen.

Der Unterschied zum Machine Learning Engineer ist der Blickwinkel: Der ML Engineer verantwortet einzelne Modelle, der MLOps Engineer die Infrastruktur, auf der alle Modelle laufen.

Anforderungsprofil: was wirklich Pflicht ist

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

Infrastruktur als Code. Terraform oder Pulumi, reproduzierbare Umgebungen. Handkonfiguration ist ein Ausschlusskriterium.

Kubernetes und Container. Betrieb, Skalierung, GPU-Scheduling und Kostensteuerung.

CI/CD für Modelle. Automatisierte Tests, Freigabewege, Canary- und Shadow-Deployments.

Monitoring und Registry. MLflow oder Äquivalent, Metriken für Datendrift und Modellgüte, Alarmierung.

Sicherheit und Nachvollziehbarkeit. Audit-Spuren, Rechtekonzepte, Anforderungen aus der EU-KI-Verordnung für Hochrisiko-Anwendungen.

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.

Das Angebot wächst, weil DevOps-Profile in den Bereich wechseln. Belastbar sind jedoch nur Kandidaten, die Modellbesonderheiten kennen: Daten- und Modellversionierung, Drift, Rechenkosten.

Gehälter liegen leicht über vergleichbaren DevOps-Rollen, weil der Kandidatenkreis kleiner und die Verantwortung breiter ist.

In regulierten Branchen ist Nachvollziehbarkeit der Haupttreiber für die Einstellung. Dort sollten Sie Erfahrung mit Audit-Anforderungen explizit prüfen.

So läuft eine belastbare Besetzung ab

1. Profil und Betriebsanteil schriftlich festlegen, bevor die Suche startet.
2. Aktive Direktansprache statt Ausschreibung: der relevante Markt bewirbt sich nicht.
3. Erste Auswahl über Arbeitsproben oder Systemgespräch statt über Zertifikate.
4. Fachgespräch mit einem realen Fall aus Ihrem Unternehmen, maximal 90 Minuten.
5. Entscheidung innerhalb von fünf Arbeitstagen nach dem letzten Gespräch.

Acht bis zwölf Wochen bis zur Unterschrift. DevOps-Profile mit Bereitschaft zur Spezialisierung verkürzen die Suche deutlich, brauchen aber Einarbeitungszeit.

Die drei häufigsten Fehler

Rolle mit Data Engineering vermischen. Datenstrecken und Modellplattform sind verschiedene Aufgaben mit verschiedenen Werkzeugen.

Zu früh besetzen. Bei einem einzigen Modell im Betrieb ist die Aufgabe zu klein und die Rolle langweilt sich weg.

Kein Mandat. Ohne Befugnis, Standards zu setzen, bleibt die Rolle wirkungslos.

Festanstellung oder freiberuflich?

Für den erstmaligen Plattformaufbau ist ein Freelancer oft die schnellere Wahl. Für dauerhafte Standards und Bereitschaftsdienst braucht es eine feste Stelle.