Forward Deployed AI Engineer (m/w/d)
Du baust KI-Agenten, die in echten Unternehmen produktiv laufen. Kein PoC-Friedhof, kein Konzeptpapier. Du lieferst.
DECAID baut KI-Systeme für Unternehmen, die es ernst meinen. Wir malen keine Slides. Wir bauen den Agenten, stellen ihn produktiv und ziehen zum nächsten Prozess weiter.
Prozesse zerlegen. Skills bauen. Produktiv stellen.
Du zerlegst einen fachlichen Prozess in einzelne, bau-bare Skills (ein Skill = ein abgrenzbarer Arbeitsschritt), baust sie, testest sie gegen echte Daten und stellst sie produktiv.
Agenten und Skills bauen
Tool-Calling, Orchestrierung, strukturierte Outputs, RAG, Context Engineering.
LLM oder Code? Beides.
Wissen, wann ein LLM die Lösung ist und wann deterministischer Code, und beides sauber verbinden.
Dokumente in Daten verwandeln
Rechnungen, Bescheide, Verträge: mit Konfidenz-Scoring statt Bauchgefühl.
Evals bauen
Ground-Truth-Sets, Regressionstests, Metriken. Damit "es funktioniert" eine Zahl ist, kein Gefühl.
Systeme anbinden
APIs, Datenbanken, SAP, DWH, Mail. Und die Skills in eine echte Produktivumgebung bringen.
Beim Kunden sitzen
Mit dem Fachbereich reden, verstehen was der Prozess wirklich tut. Und dann: liefern.
Das hier ist der wichtigere Teil. Wir suchen keinen Stack, wir suchen eine Denkweise.
Du baust schnell und pragmatisch
Du fängst an, statt drei Wochen zu spezifizieren. 80 Prozent, die produktiv laufen, schlagen 100 Prozent im Konzept.
Du besitzt das Ergebnis
"Läuft produktiv beim Kunden" ist dein Standard, nicht "hab ich committed".
Du redest mit Menschen
Du hast Bock, beim Kunden zu sitzen und mit Leuten zu reden, die keine Entwickler sind. Wenn du nur remote im Keller coden willst, bist du hier falsch.
Du hast schon geliefert
Echte Dinge, die echte Menschen benutzen. Zeig sie uns: GitHub, Side-Projects, laufende Agenten. Ein Portfolio schlägt jeden Lebenslauf.
Muss
- Software-Engineering-Fundament: Python und/oder TypeScript, APIs, Git, Testing, sauberer Code
- LLM-Systeme produktiv gebaut, nicht nur ChatGPT benutzt: Agenten, Tool-Calling, RAG, Prompt- und Context-Engineering
- Denken in Messbarkeit: du weißt, warum man ein Ground-Truth-Set braucht, bevor man einen Skill scharf stellt
- Integrations-Handwerk: REST, SQL, Datenmodellierung. Eine unbekannte API schaffst du dir in Tagen drauf
- Deutsch fließend (C1+): du arbeitest mit deutschen Fachbereichen
Von Vorteil, kein Ausschluss
- iPaaS-Tools (Make, n8n) oder Plattformen wie Langdock
- Dokumenten-KI: OCR, PDF-Parsing, robuste Extraktion aus unsauberen Layouts
- Cloud in der EU (Azure, Hetzner, StackIT), Docker, ein bisschen Infrastruktur
- Erste Berührung mit größeren oder regulierten Umgebungen (auch als Werkstudent)
- SAP-Anbindung (OData, BAPI) oder Data-Warehouse-Erfahrung
Die ehrliche Antwort: Wenn du am liebsten erst ein vollständiges Lastenheft schreibst, in Wasserfall denkst oder LLMs für Spielzeug hältst, passt das hier nicht. Wir bauen schnell und messen hart.
Echte Projekte: deine Agenten laufen produktiv, nicht in der Demo
Ein Team, das selbst baut: keine Manager-Schicht, die delegiert
Vorderste Kante angewandter KI: die neuesten Modelle und Werkzeuge, jeden Tag
Steile Lernkurve: viel Verantwortung ab Tag eins, echte Entwicklungsperspektive
Unbefristete Festanstellung: Remote-first mit Kundeneinsätzen im DACH-Raum
Zeig, was du gebaut hast
Dein GitHub, Portfolio oder ein Projekt, auf das du stolz bist. Am liebsten was Laufendes mit echten Nutzern.
Zwei, drei Sätze
Warum ist Forward Deployed dein Ding? Plus die Bestätigung, dass du ab August starten kannst.
Die Testaufgabe
Eine kleine, echte Bauaufgabe: einen Skill bauen und gegen Beispieldaten messen. Kein Whiteboard-Rätsel, sondern genau das, was der Job ist.
Fragen vorab? Schreib Marcus einfach. Wir antworten schnell, versprochen.
