Stellenplan für Ihr AI Team: Rollen, Reihenfolge, Budget

Für die meisten Unternehmen erzeugt ein schlanker Stellenplan mit drei bis fünf Kernrollen den schnellsten Wert: Senior ML/AI Engineer, Data Engineer, AI Product Owner, MLOps und eine Governance‑Funktion. Die Einstellungsreihenfolge folgt einem klaren Muster: zuerst Engineering, dann Data, danach Product beziehungsweise MLOps, zuletzt Governance. Strategic Workforce Planning gehört dabei von Anfang an als fortlaufender Prozess ins Bild und nicht als einmaliges Projekt.

Kurz gesagt:

• Ein kleines Team mit drei bis fünf Kernrollen, insbesondere einem Senior ML/AI Engineer und Data Engineer, ermöglicht den schnellsten Weg zur Produktreife.
• Organisationen sollten früh eine zentrale Governance-Struktur aufbauen, sobald mehr als ein Modell produktiv läuft, um Compliance und Risikomanagement sicherzustellen.
• Die Teamgröße richtet sich nach der Projektphase, vom Pilot mit wenigen Personen bis zur Plattform mit spezialisierten Teams, nicht nach der Unternehmensgröße.
• In der Anfangsphase ist die Einstellung eines erfahrenen ML/AI Engineers wichtiger als andere Rollen, um Prototypen in die Produktion zu bringen.
• Externe Unterstützung bei kritischen Rollen wie Governance oder Head of AI kann die Besetzungszeit verkürzen und Risiken in regulierten Branchen reduzieren.

Inhaltsverzeichnis

• Welche Kernrollen braucht ein AI Team wirklich?
• Hub-and-Spoke, eingebettete Teams oder Hybrid: Welches Modell passt?
• Wie groß muss mein KI-Team in welcher Phase sein?
• Wie erstellt man einen Stellenplan Schritt für Schritt?
• Welche Governance-Prozesse braucht das AI Team?
• Wie qualifiziert man bestehende Mitarbeiter für KI-Rollen?
• Was kostet der Aufbau eines KI-Teams im ersten Jahr?
• Wie strukturiert man Rollen für Teams aus KI-Agenten?
• Wie sieht eine praktische Checkliste für den Stellenplan aus?
• Warum die menschliche Komponente im KI-Team entscheidet
• Wann lohnt sich externe Unterstützung bei der Besetzung?
• Quellen
• FAQ

Welche Kernrollen braucht ein AI Team wirklich?

Ein KI-Team steht und fällt mit der richtigen Rollenverteilung, nicht mit der Anzahl der Köpfe. Die folgenden Funktionen tauchen in fast jedem funktionierenden Stellenplan auf, auch wenn die genaue Bezeichnung variiert.

• Head of AI / CAIO: verantwortet Strategie, Priorisierung der Anwendungsfälle und das Budget. Bei kleineren Firmen oft in Teilzeit oder als fraktionale Rolle besetzt.
• Senior ML/AI Engineer: baut Modelle produktionsreif, ist meist die erste Festanstellung im Team.
• Data Engineer: sichert Datenpipelines und Datenqualität, ohne die kein Modell zuverlässig läuft.
• MLOps Engineer: kümmert sich um Deployment, Monitoring und Skalierung von Modellen im Betrieb.
• AI Product Manager: übersetzt Geschäftsanforderungen in Anwendungsfälle und hält die Roadmap zusammen.
• Data Scientist/Analyst: entwickelt Modelle und Analysen, oft eng verzahnt mit dem Engineering.
• AI Governance Officer: überwacht Compliance, Dokumentation und Risikobewertung.
• AI Enablement Lead: schult Fachbereiche und treibt die Akzeptanz im Unternehmen voran.

Governance und Enablement lassen sich in der Frühphase oft extern oder als Interims-Mandat besetzen, während Engineering und Data möglichst früh festangestellt werden sollten, weil hier das Produktwissen bleibt. Kleinere Unternehmen bündeln Product und Enablement häufig in einer Person, größere Organisationen trennen sie bewusst, sobald mehrere Anwendungsfälle parallel laufen.

Hub-and-Spoke, eingebettete Teams oder Hybrid: Welches Modell passt?

Die Wahl der Organisationsstruktur entscheidet, wie schnell Wissen im Unternehmen verteilt wird und wie stark Governance greift.

• Hub-and-Spoke (Center of Excellence): ein zentrales Team entwickelt Standards, einzelne Fachbereiche erhalten „Spokes“ mit direktem Zugriff. Das verbindet Konsistenz mit Fachnähe und gilt oft als beste Übergangsstruktur.
• Eingebettete Teams: KI-Spezialisten sitzen direkt in den Fachabteilungen. Das beschleunigt die Umsetzung, führt aber leicht zu Silos und doppelter Arbeit zwischen Abteilungen.
• Hybrid/Champions-Ansatz: einzelne Mitarbeiter in Fachbereichen übernehmen die KI-Vermittlerrolle, ohne eigenes Vollzeitteam. Für den Mittelstand ist dieses Modell oft der pragmatischste Einstieg.

Die Entscheidung hängt von drei Faktoren ab: Reifegrad der Organisation, Compliance-Anforderungen der Branche und verfügbares Budget. Regulierte Branchen wie Finanzdienstleister oder Gesundheitswesen brauchen früh ein zentrales Governance-Gremium, während weniger regulierte Unternehmen mit Champions starten können. Der typische Weg verläuft von Champions über ein Center of Excellence hin zur eigenständigen Abteilung, sobald mehrere Anwendungsfälle gleichzeitig produktiv laufen.

Wie groß muss mein KI-Team in welcher Phase sein?

Teamgrößen richten sich nach dem Reifegrad, nicht nach der Unternehmensgröße allein. Drei Phasen haben sich in der Praxis etabliert:

1. Pilotphase: drei bis fünf Personen, meist Engineering, Data und eine Product-Funktion. Ziel ist ein funktionierender Prototyp, innerhalb weniger Monate getestet.
2. Skalierungsphase: eine mittlere Teamgröße, sobald der erste Anwendungsfall produktiv läuft und weitere folgen sollen.
3. Plattformphase: eine größere Teamgröße mit eigenständigen Teams für Infrastruktur, Modellentwicklung und Governance.

Als Faustregel gilt ein Verhältnis von mehreren Engineers pro Data Scientist, um Produktionsreife zu gewährleisten. Diese Sizing-Empfehlung verhindert ein häufiges Problem: zu viele Data Scientists ohne ausreichende Engineering-Unterstützung verzögern die Produktionsreife spürbar. Der Wechsel von externer Unterstützung zu interner Festanstellung lohnt sich meist genau am Übergang von Pilot zu Skalierung, wenn aus einem Experiment ein dauerhafter Geschäftsprozess wird.

Wie erstellt man einen Stellenplan Schritt für Schritt?

Ein belastbarer Stellenplan folgt einer klaren zeitlichen Abfolge statt einer Wunschliste aller Rollen auf einmal.

• Monat 1 bis 3: Senior ML/AI Engineer einstellen. Diese Engineering-first-Priorität verhindert, dass Prototypen nie produktionsreif werden.
• Monat 3 bis 5: Data Engineer ergänzen, sobald die erste Datenpipeline mehr als ein Experiment tragen muss.
• Monat 5 bis 7: AI Product Manager oder MLOps Engineer, je nachdem, ob Priorität auf Roadmap oder Betriebssicherheit liegt.
• Monat 7 bis 10: Governance-Funktion aufbauen, sobald mehr als ein Modell im produktiven Einsatz ist.
• Monat 10 bis 12: Enablement-Rolle für Schulung und Akzeptanz in den Fachbereichen.

Für jede Stelle lohnt sich eine Mini-Beschreibung mit drei Elementen: Kernaufgaben, messbare KPI und Erfolgskriterien nach sechs Monaten. Ein Senior ML/AI Engineer etwa wird nicht an der Anzahl trainierter Modelle gemessen, sondern an der Zeit bis zum produktiven Deployment. Bei Interviews zahlt es sich aus, weniger nach theoretischem Wissen zu fragen und stattdessen ein reales Datenproblem aus dem eigenen Unternehmen vorzulegen.

Welche Governance-Prozesse braucht das AI Team?

Governance ist keine Bremse, sondern die Voraussetzung dafür, dass ein KI-Team überhaupt skalieren darf. Drei Bausteine gehören in jeden Stellenplan.

• Model-Approval-Prozess: kein Modell geht ohne Freigabe in Produktion, dokumentiert über sogenannte Model Cards.
• Datenzugriffsregeln: klare Zuständigkeiten, wer auf welche Datensätze zugreifen darf und wer Änderungen freigibt.
• Schnittstellen zu IT, Datenschutz und Rechtsabteilung: feste Ansprechpartner statt Ad-hoc-Abstimmung bei jedem neuen Anwendungsfall.

Bewährte Organisationen verankern Workforce Planning sowohl horizontal über Finance, HR, IT und Business als auch vertikal nah an der operativen Ebene, was adaptive Planungsfähigkeit schafft. Eskalationspfade sollten schriftlich festgelegt sein, bevor der erste Vorfall eintritt, nicht danach.

Profi-Tipp: Legen Sie für jedes produktive Modell eine einseitige Model Card an, bevor es live geht. Das kostet eine Stunde, spart aber Wochen, wenn später jemand fragt, warum eine Entscheidung automatisiert getroffen wurde.

Wie qualifiziert man bestehende Mitarbeiter für KI-Rollen?

Nicht jede Rolle muss extern besetzt werden. Eine Kombination aus praktischem Lernen und gezielten Kursen bringt bestehende Mitarbeiter oft schneller ans Ziel als eine reine Neueinstellung.

• On-the-Job-Learning: Mitarbeiter arbeiten direkt an echten Anwendungsfällen mit, begleitet von einem erfahrenen Kollegen.
• Mentoring: ein Senior Engineer oder Data Scientist begleitet über mehrere Monate gezielt ein bis zwei Nachwuchskräfte.
• Gezielte Kurse: für Grundlagen in Machine Learning oder MLOps, ergänzend, nicht als alleiniger Ausbildungsweg.
• Förderwege prüfen: Das Qualifizierungschancengesetz unterstützt Unternehmen bei der Weiterbildung von Beschäftigten für neue Technologien, auch im KI-Kontext.

Realistisch dauert ein solcher Wissenstransfer sechs bis zwölf Monate, bis ein umgeschulter Mitarbeiter eigenständig produktive Aufgaben übernimmt. Wer schneller Ergebnisse braucht, kombiniert Upskilling mit einer punktuellen externen Besetzung kritischer Rollen.

Was kostet der Aufbau eines KI-Teams im ersten Jahr?

Personalkosten stellen in der Regel den größten Anteil des ersten Jahresbudgets dar.

• Personal: macht typischerweise 50 bis 60 Prozent des ersten Jahresbudgets aus, je nach Organisationsmodell.
• Tools und Infrastruktur: Rechenkapazität, Plattformen und Lizenzen für Data- und MLOps-Werkzeuge.
• Schulung: interne Weiterbildung und externe Kurse für Upskilling.
• Beratung: punktuelle externe Unterstützung bei Rollenaufbau oder komplexen Projekten.

Die Time-to-Value variiert: Pilotprojekte zeigen erste Ergebnisse oft schnell, Skalierungsprojekte benötigen länger, während sich der Effekt einer Skalierungsphase meist erst nach neun bis zwölf Monaten in Zahlen niederschlägt. Die häufigste Kostenfalle ist ein zu großes Team in der Pilotphase, das mehr Koordination als Fortschritt erzeugt.

Wie strukturiert man Rollen für Teams aus KI-Agenten?

Sobald ein Unternehmen mehrere KI-Agenten parallel einsetzt, braucht es dieselbe Klarheit wie bei menschlichen Rollen. Die Grundregel: ein Agent schreibt niemals direkt in Datenfelder, die einem anderen Agenten zugewiesen sind, sondern erstellt stattdessen eine Aufgabe für den zuständigen Agenten.

• Trigger-Zuständigkeit dokumentieren: welcher Agent reagiert auf welches Ereignis, bevor ein zweiter Agent hinzukommt.
• Schreibberechtigungen festlegen: klare Karten, wer welche Datenfelder verändern darf.
• Gemeinsames Prüfprotokoll führen: damit Fehler nachvollziehbar bleiben und nicht in verstreuten Logs verschwinden.
• Menschlichen Eskalationsowner benennen: jemand mit Entscheidungsbefugnis, wenn Agenten widersprüchliche Ergebnisse liefern.

Ohne diese Dokumentation entstehen erfahrungsgemäß Datenkonflikte, die sich nur schwer zurückverfolgen lassen.

Wie sieht eine praktische Checkliste für den Stellenplan aus?

Ein Stellenplan lässt sich in fünf Feldern pro Rolle abbilden: Rolle, Kernaufgaben, KPI, FTE-Anteil und Priorität. Diese Struktur reicht, um mit HR und Fachbereich in einer Sitzung Klarheit zu schaffen.

• RACI-Mini nutzen: für jeden Anwendungsfall festlegen, wer verantwortlich (Responsible), rechenschaftspflichtig (Accountable), zu konsultieren (Consulted) und zu informieren (Informed) ist.
• Anwendungsfälle priorisieren: nach Geschäftswert und technischer Machbarkeit, nicht nach Lautstärke der Anfrage.
• 90-Tage-Rhythmus einhalten: Checkliste alle drei Monate durchgehen und Prioritäten neu bewerten.
• Stellenplan als lebendes Dokument führen: nicht einmalig erstellen und dann liegen lassen.

Warum die menschliche Komponente im KI-Team entscheidet

Die meisten Stellenpläne scheitern nicht an fehlenden Tools, sondern an unterschätzten menschlichen Rollen. Ein Modell kann Muster erkennen, aber die Entscheidung, ob ein Risiko vertretbar ist, bleibt bei Menschen. Genau deshalb setzt ein spezialisierter Anbieter auf Fachkräfte, die Steuerung und Risikokalkulation im Umgang mit KI aktiv übernehmen, statt Technologie unkontrolliert laufen zu lassen. Wenn eine Rolle wie AI Governance Officer oder Head of AI schwer zu besetzen ist, unterstützt ein spezialisierter Anbieter mit Rollenberatung und einem geprüften Kandidatenpool, gerade dort, wo Zeitdruck und Compliance-Anforderungen zusammentreffen.

— Ingmar

Wann lohnt sich externe Unterstützung bei der Besetzung?

Ein eigener Stellenplan ist die halbe Miete, die andere Hälfte ist die tatsächliche Besetzung kritischer Rollen. Genau hier wird Zeitdruck oft zum größten Risiko: Eine unbesetzte Governance-Rolle in einer regulierten Branche kostet mehr als eine verzögerte Einstellung in der Skalierungsphase.

Ein spezialisierter Anbieter identifiziert gezielt Fachkräfte für genau die Rollen, die in diesem Artikel beschrieben sind, vom Senior ML/AI Engineer über den AI Governance Officer bis zum fraktionalen Head of AI. Die Direktansprache passender Kandidaten und ein geprüfter Kandidatenpool können die Zeit bis zur Besetzung verkürzen, besonders bei kritischen Rollen unter Zeitdruck oder mit hohen Compliance-Anforderungen. Ein Mandat lohnt sich vor allem dann, wenn interne Suche bereits mehrere Monate ohne Ergebnis läuft oder wenn externes Fachwissen benötigt wird. Wer die im Stellenplan priorisierten Rollen nicht allein besetzen will, findet auf der Website von Polydigital den passenden Einstieg für ein Erstgespräch.

Quellen

Vertiefende Einblicke liefern die Analyse von McKinsey zu strategischer Workforce Planning, der Deloitte-Bericht zu autonomer Personalplanung sowie praxisnahe Guides zu Teamstrukturen und Agenten-Teams.

• Autonomous workforce planning — Deloitte
• Yardwork
• AI‑Team aufbauen: Rollen, Skills und Hiring‑Guide — ARDURA Consulting
• KI‑Abteilung aufbauen: Rollen, Budget und erste Schritte für den Mittelstand — Skill‑Sprinters

FAQ

Wie groß sollte ein KI-Team am Anfang sein?

Für die Pilotphase reichen drei bis fünf Personen, meist aus Engineering, Data und einer Product-Funktion.

Welche Rolle sollte zuerst besetzt werden?

Ein Senior ML/AI Engineer, weil ohne technische Produktionsfähigkeit selbst gute Prototypen nie in den Betrieb gelangen.

Hub-and-Spoke oder eingebettete Teams: Was passt besser?

Für die meisten Übergangsphasen eignet sich Hub-and-Spoke am besten, weil es zentrale Standards mit Fachnähe verbindet; eingebettete Teams passen eher zu bereits sehr reifen Organisationen.

Wie viel kostet der Aufbau eines KI-Teams?

Personalkosten machen typischerweise 50 bis 60 Prozent des ersten Jahresbudgets aus, der Rest verteilt sich auf Tools, Schulung und Beratung.

Was kostet die Unterstützung durch Polydigital?

Die aktuellen Konditionen für Rollenberatung und Besetzung sind direkt auf der Website des jeweiligen Anbieters einsehbar.

Wann sollte man Governance-Rollen einführen?

Sobald mehr als ein Modell produktiv läuft, sollte eine Governance-Funktion mit Model-Approval-Prozess und klaren Datenzugriffsregeln stehen.