AI Platform Engineer
Engineer-Profil, das die zentrale KI-Plattform eines Unternehmens baut und Self-Service für Fachteams ermöglicht.
AI Platform Engineers sorgen dafür, dass mehrere Teams in einem Unternehmen KI bauen können, ohne jedes Mal Infrastruktur, Sicherheit und Governance neu zu erfinden. Sie verbinden MLOps, LLMOps und Developer Experience zu einer wiederverwendbaren Plattform.
- Festanstellung Senior
- 115.000 bis 145.000 €
- Freelance Senior
- 1.150 bis 1.500 €/Tag
- Vakanzdauer
- 10 bis 14 Wochen
- Schlüssel-Stack
- Kubernetes, Terraform, MLflow, LLM-Gateway, Vector-DB
Aufgaben
Aufbau einer internen KI-Plattform: gemeinsame Inferenz-Endpoints, geprüfte Modellauswahl, Vektor-DB-Service, Eval-Pipelines, Cost-Dashboards, Guardrails, Auditierbarkeit, SDKs für Fachteams. Begleitung der Adoption durch Fachbereich und Software-Teams.
Skills
Kubernetes, Terraform, Cloud, Python/TS, MLOps- und LLMOps-Stack, Plattform-Engineering-Mindset (Self-Service, Templates, Golden Paths), Security, FinOps. Soft Skills: enge Zusammenarbeit mit Architektur, Security und Fachbereichen.
Markt 2026
Festanstellung: Senior 115.000 bis 145.000 €, Lead 145.000 bis 185.000 €. Freelance: Senior 1.150 bis 1.500 €/Tag. Stark nachgefragt in Konzernen und in Mittelständlern, die nach den ersten Pilots erkennen, dass sie nicht jedes Team einzeln ausstatten können.
Recruiting
Sehr knappes Profil. Time-to-Hire über kuratiertes Sourcing 10 bis 14 Wochen, ohne Spezialisierung deutlich länger. Marker: Person hat eine echte Plattform aufgebaut, nicht nur einzelne Pipelines.
Praxis & Empfehlung 2026
Plattform-Engineering bei KI ist 2026 weniger ein Tool-Thema als ein Produkt-Thema: Die Plattform ist das Produkt, die internen Teams sind die Kunden. Erfolgreiche AI Platform Engineers messen ihren Erfolg an Lead Times („wie schnell deployt ein Fachteam ein neues RAG-System?"), an Cost-per-Inference, an der Anzahl gemeinsamer Komponenten statt Einzelimplementierungen. Spitzenbesetzung empfiehlt, die Rolle erst zu schaffen, wenn mindestens drei Teams parallel KI-Produkte bauen, sonst entsteht eine Plattform ohne Kundschaft. Kombinieren Sie die Rolle bewusst mit FinOps-Verantwortung; Cloud-Kosten für GPU-Inferenz sind 2026 in vielen Unternehmen der unsichtbare Riese im Posten „IT-Infrastruktur".
Häufige Fragen
- Wann lohnt sich die Rolle?
- Sobald mindestens drei produktive KI-Teams parallel arbeiten. Vorher sind MLOps Engineer und AI Engineer ausreichend.