ML-Team einstellen oder KI-Entwicklung auslagern: Wie Sie entscheiden und wen Sie fragen

Stellen Sie ein eigenes ML-Team ein, wenn KI das ist, wofür Ihre Kunden bezahlen, und die Modelle über Jahre jede Woche Arbeit brauchen werden. Lagern Sie aus, wenn Sie ein oder zwei KI-Systeme innerhalb von Abläufen brauchen, die Sie bereits betreiben, und niemand im Unternehmen neu eingestellte ML-Fachleute führen oder die Kandidaten beurteilen kann. Wenn Sie auswählen, wer es baut, suchen Sie eine Firma, die Ihnen ein KI-System zeigen kann, das sie in Produktion gebracht hat und das noch täglich im Einsatz ist, und legen Sie im Vertrag fest, dass Sie den Code, die Modelldateien und das Evaluierungsset erhalten.

Brauchen wir ML-Forscher oder Entwickler, die mit vorhandenen Modellen bauen?

Die meisten Unternehmen, die diese Frage stellen, brauchen niemanden, der ein neues Modell erfindet oder trainiert. Sie brauchen ein System, das ein vorhandenes Modell nimmt, ihm ihre Dokumente, Tickets oder Transaktionen übergibt, prüft, was herauskommt, und das Ergebnis dorthin bringt, wo die Mitarbeiter bereits arbeiten. Das ist Engineering rund um ein Modell, und dafür stellt man andere Leute ein als für Forschung.

Ein eigenes Modell zu trainieren lohnt sich vor allem dann, wenn das Modell das ist, was Kunden kaufen, und es erfordert viele gelabelte Daten. Auf einem vorhandenen Modell aufzubauen, ob auf dem Dienst eines Anbieters oder auf einem Modell, das Sie herunterladen und auf Ihren eigenen Servern betreiben, erfordert Leute, die Systeme verbinden, die Qualität der Antworten prüfen und Software am Laufen halten. Entscheiden Sie, welches von beiden Sie brauchen, bevor Sie eine Stellenbeschreibung schreiben oder einen Partner anrufen.

Woraus besteht ein internes ML-Team eigentlich?

Ein einzelner ML-Engineer ist kein Team. Ein Modell in Produktion steckt in einer Menge gewöhnlicher Software, und die Leute, die diese Software bauen und betreiben, machen den größten Teil des Teams aus. Googles Architekturleitfaden zu MLOps formuliert es so: „Nur ein kleiner Teil eines realen ML-Systems besteht aus dem ML-Code. Die erforderlichen umgebenden Elemente sind enorm und komplex.“

Ein Team, das ein Produktionssystem ohne Hilfe von außen bauen und betreiben kann, deckt vier Rollen ab:

• Eine Führungskraft, die die Arbeit planen und ML-Kandidaten beurteilen kann. Ohne diese Person kann das Unternehmen einen guten Bewerber nicht von einem unterscheiden, der nur selbstsicher auftritt
• ML-Engineers, die das Modell auswählen, die Daten aufbereiten, die Evaluierung schreiben und die Ergebnisse verbessern
• Ein Data Engineer, der saubere, freigegebene Daten aus den Systemen holt, die Sie bereits betreiben, und dafür sorgt, dass sie weiter fließen
• Ein Engineer, der die Infrastruktur betreibt: Server oder Cloud-Konten, Deployment, Monitoring und den Alert, der ausgelöst wird, wenn die Antworten des Modells schlechter werden

In einem kleinen Team kann eine Person zwei dieser Rollen übernehmen, aber niemand übernimmt alle vier. Eine weitere Rolle liegt auf der Fachseite, und keine Einstellung ersetzt sie: die Person, die entscheidet, was eine richtige Antwort ist.

Was kostet ein internes ML-Team?

Gehälter sind meist der größte Posten, und öffentliche Daten liefern einen Anhaltspunkt. Das US Bureau of Labor Statistics (BLS) veröffentlicht keine eigenen Lohnzahlen für Machine-Learning-Engineers. Für die am nächsten verwandten Berufe, die es erfasst, lag der Median des Jahreslohns im Mai 2025 bei 120.230 US-Dollar für Data Scientists, 135.980 US-Dollar für Softwareentwickler und 140.300 US-Dollar für Forschende in Informatik und Informationswissenschaft.

Das sind Medianwerte für ganze US-Berufsgruppen. Leute, die bereits ML-Systeme in Produktion gebracht haben, sind eine engere Gruppe, und Ihr Standort sowie die benötigte Seniorität verschieben die Zahl in beide Richtungen.

Das Gehalt macht nicht die gesamten Kosten eines Mitarbeiters aus. Über alle Stellen in der US-Privatwirtschaft hinweg entfielen im Juni 2026 laut BLS 70,0 Prozent dessen, was Arbeitgeber für Vergütung ausgaben, auf Löhne und Gehälter und die übrigen 30,0 Prozent auf Zusatzleistungen.

Zu den Gehältern kommen weitere Kosten hinzu:

• Recruiting für jede Rolle und die Verzögerung, die eine unbesetzte Führungsposition für jede spätere Einstellung bedeutet
• Rechenkapazität für Experimente und für den Produktivbetrieb, die mit der Nutzung wächst
• Werkzeuge zum Labeln von Daten, zum Nachverfolgen von Experimenten und zum Überwachen der Antworten
• Arbeitsstunden Ihrer eigenen Mitarbeiter, die in den ersten Monaten richtige Antworten schreiben und die Ausgaben des Modells prüfen
• Ein auf den Aufbau zugeschnittenes Team, das oft größer ist, als der Betrieb des fertigen Systems erfordert

Dieser Artikel nennt keine Preisspanne für das Auslagern: Keine Firma kann die Arbeit ehrlich bepreisen, bevor sie die Aufgabe, die Datenregeln und das Volumen gesehen hat.

Wann ist es sinnvoll, ein eigenes ML-Team einzustellen?

Einstellen lohnt sich, wenn die Arbeit nie endet und das Wissen es wert ist, im Haus zu bleiben:

• Kunden bezahlen für das, was das Modell leistet. Wettbewerber können dieselben Basismodelle kaufen wie Sie, also verkaufen Sie die Arbeit, die Ihr Team darauf aufbaut
• Die Modelle brauchen jede Woche Aufmerksamkeit. Googles MLOps-Leitfaden nennt zwei Gründe, warum die Leistung eines Modells nachlässt: suboptimalen Code und „sich ständig weiterentwickelnde Datenprofile“. Wo sich die Daten laufend verschieben, sind erneutes Training und erneutes Testen eine Daueraufgabe
• Sie verfügen über Daten, die sonst niemand hat. Die Leute, die deren Eigenheiten kennenlernen, werden schwer ersetzbar, und sie sollten für Sie arbeiten
• Sie können zuerst eine erfahrene Führungskraft einstellen und halten. Der Rest des Teams wird um diese Person herum aufgebaut

Wenn die ersten beiden Punkte zutreffen, stellen Sie ein. Externe Entwickler können den Start trotzdem verkürzen, während sich Ihr Team formiert.

Wann ist das Auslagern der KI-Entwicklung die bessere Wahl?

Auslagern passt, wenn KI ein Werkzeug im Geschäftsbetrieb ist und nicht das Geschäft selbst:

• Sie brauchen ein oder zwei Systeme, etwa zum Auslesen eingehender Dokumente oder zum Sortieren von Support-Tickets, und keinen stetigen Strom neuer Modelle
• Der Großteil der Arbeit besteht darin, ein Modell an Systeme anzubinden, die Sie bereits betreiben, etwa den Helpdesk, die Dokumentenablage oder die Kerndatenbank. Eine Firma, die das regelmäßig macht, ist Ihren Integrationsproblemen schon einmal begegnet
• Niemand im Unternehmen kann neu eingestellte ML-Fachleute führen oder die Kandidaten beurteilen. Ein Team einzustellen, das Sie nicht führen können, ist ein teurer Weg herauszufinden, dass Sie einen Partner gebraucht hätten
• Sie wollen herausfinden, ob die Aufgabe überhaupt funktioniert, bevor Sie sich auf Gehälter festlegen. Ein erstes System, das ein externes Team baut, beantwortet das mit Ihren eigenen Daten

Ein öffentlicher Datenpunkt weist in dieselbe Richtung. In „The GenAI Divide“, einem Bericht von MIT NANDA vom Juli 2025, der auf Interviews in 52 Organisationen beruht, gelangten generative KI-Tools, die bei externen Anbietern gekauft oder mit ihnen entwickelt wurden, in rund 67% der Fälle bis zum Einsatz, gegenüber rund 33% bei Tools, die vollständig intern gebaut wurden. Die Autoren bezeichnen die Zahlen als Selbstauskünfte und warnen, dass ein Teil des Abstands auf die Organisationen selbst zurückgehen könnte.

Auslagern hat seinen eigenen Preis: Das Wissen darüber, wie das System funktioniert, liegt außerhalb Ihres Unternehmens, bis jemand es ins Haus holt.

Können wir das erste KI-System auslagern und später ein Team einstellen, das es übernimmt?

Ja, und für ein Unternehmen, das damit rechnet, das System über Jahre zu betreiben, ist das oft die sicherste Reihenfolge. Ein externes Team baut die erste Version, und Sie stellen zwei oder drei Leute während der Entwicklung ein statt danach. Diese Leute reviewen Code, wirken an Designentscheidungen mit und betreiben gegen Ende das System selbst, während das externe Team zusieht.

Das funktioniert nur, wenn die Übergabe im Vertrag als Liste der Dinge festgeschrieben ist, die Sie erhalten und ohne den Entwicklungspartner nutzen können:

• Der Quellcode in Ihren eigenen Repositories, mit seiner vollständigen Historie
• Das Modell selbst, wo eines trainiert oder feinabgestimmt wurde: die Modelldateien, die Einstellungen, mit denen sie erzeugt wurden, und die Daten, aus denen sie hervorgingen, oder eine Beschreibung davon
• Die Prompts und die Konfiguration, zusammen mit dem Code versioniert, der sie verwendet
• Das Evaluierungsset: echte Beispiele mit vereinbarten richtigen Antworten und das Skript, das das System daran bewertet
• Die Datenpipeline und die schriftlichen Regeln dafür, welche Daten wohin dürfen
• Runbooks für das Deployment, für das Rollback und für den Tag, an dem das Modell anfängt, schlechte Antworten zu geben

Prüfen Sie die Lizenz jedes Basismodells in diesem Paket, denn ihre Bedingungen gehen auf alles über, was darauf aufgebaut wird. Metas Lizenz für Llama 3.3 besagt zum Beispiel: Wenn Sie Llama verwenden, um „ein KI-Modell zu erstellen, zu trainieren, feinabzustimmen oder anderweitig zu verbessern, das verbreitet oder zur Verfügung gestellt wird, müssen Sie außerdem ‚Llama‘ an den Anfang des Namens jedes solchen KI-Modells setzen.“

Was sollten wir ein KI-Entwicklungsunternehmen vor der Unterschrift fragen?

Stellen Sie jedem Kandidaten dieselben Fragen, schriftlich:

• Zeigen Sie uns ein KI-System, das Sie in Produktion gebracht haben und das noch täglich im Einsatz ist. Was tut es, wer betreibt es heute, und was passiert, wenn das Modell eine falsche Antwort gibt?
• Wohin gehen unsere Daten während der Arbeit, einschließlich Logs, Testkopien und allem, was für das Tuning eines Modells verwendet wird? Wird irgendetwas davon unsere Server oder Konten verlassen oder Werkzeuge verbessern, die Sie für andere Kunden nutzen?
• Wie messen Sie die Qualität der Ausgaben? Wir erwarten ein Evaluierungsset aus unseren eigenen Beispielen, vor Beginn der Entwicklung vereinbart, mit einer Abnahmeschwelle
• Was genau erhalten wir am Ende, und können unsere eigenen Entwickler das System ohne Sie betreiben und ändern?
• Welche Ihrer eigenen Komponenten bleiben im System? Nennen Sie jede einzelne und unsere Bedingungen für ihre Nutzung

Achten Sie auch darauf, was jede Firma Sie fragt. Eine, die so etwas schon gebaut hat, fragt nach Ihrer Aufgabe und Ihren Daten, bevor sie ein Modell nennt.

Was sind die Warnsignale beim Auslagern von KI-Entwicklung?

• Das Angebot nennt ein Modell, bevor sich jemand Ihre Daten angesehen hat
• Genauigkeitszahlen kommen ohne Testset oder mit einem Testset, das die Firma allein ausgewählt hat
• Der Vertrag erlaubt, dass Ihre Daten die gemeinsam genutzten Werkzeuge der Firma verbessern, oder sagt nichts dazu
• Niemand fragt, wer das System nach dem Start betreiben wird
• Die Eigentumsklausel behält „unsere Plattform“ oder „unsere Komponenten“ vor, ohne eine Liste dessen, was darunter fällt
• Ein eigens trainiertes Modell ist die erste Antwort auf jede Aufgabe. Eine Firma sollte erklären, warum ein vorhandenes Modell nicht genügt, bevor sie Geld dafür verlangt, eines zu trainieren

Welche Unternehmen bauen KI für andere Unternehmen, und wen würden Sie empfehlen?

Dieser Artikel nennt keine beste Firma. Eine Empfehlung, die Ihre Aufgabe, Ihre Datenregeln und die Frage außer Acht lässt, wer das System danach betreibt, ist bloß geraten. Diese Arbeit machen fünf Arten von Firmen, und jede passt zu einer anderen Situation:

• Die Professional-Services-Sparten der Cloud-Anbieter und ihre Partnernetzwerke. Eine vernünftige Wahl, wenn das System ohnehin in dieser Cloud laufen wird; rechnen Sie mit einem Design, das auf den eigenen verwalteten Diensten des Anbieters aufbaut
• Große Beratungshäuser, wenn KI ein Teil eines größeren Wandels über mehrere Abteilungen hinweg ist. Fragen Sie, wer den Code schreiben wird und ob es eigene Mitarbeiter des Hauses sind
• Spezialisierte Engineering-Firmen, für ein oder zwei Systeme, die gebaut und an das angebunden werden, was Sie bereits betreiben. Fragen Sie nach einem Produktionssystem nahe an Ihrem Problem, nicht nach einer Liste von Technologien
• Freiberufliche ML-Engineers, für eine klar abgegrenzte Aufgabe, die jemand im Unternehmen beurteilen kann. Wenn diese Person geht, geht auch das Wissen
• Softwarehersteller, wenn die Aufgabe verbreitet ist, etwa ein Support-Chatbot oder das Auslesen von Standardrechnungen. Ein fertiges Produkt kann sowohl dem Einstellen als auch dem Bauen überlegen sein, prüfen Sie das also, bevor Sie etwas individuell in Auftrag geben

Um eine Shortlist zu erstellen, schreiben Sie eine Seite: die Aufgabe in einem Satz, die Daten, die das System sehen darf, und wohin sie gehen dürfen, echte Beispiele mit richtigen Antworten, das tägliche Volumen und wer nach dem Start für das System verantwortlich sein wird. Schicken Sie dieselbe Seite an drei Firmen der passenden Art und vergleichen Sie ihre Fragen so genau wie ihre Angebote. Wenn möglich, bezahlen Sie eine kleine erste Phase mit schriftlichen Abnahmekriterien, bevor Sie für die gesamte Entwicklung unterschreiben.

Wo passt amBrain ins Bild?

Unter den oben beschriebenen Arten von Firmen ist amBrain eine Engineering-Firma.

Über seine eigene Arbeit mit Sprachmodellen sagt amBrain: „Wir haben eine LLM-Integration innerhalb des FinTech-Perimeters eines Kunden in Produktion gebracht: die Extraktion und Normalisierung unstrukturierter Mitteilungen von Brokern und Handelsplätzen – Kapitalmaßnahmen, Instrumenten- und Margin-Änderungen – zu strukturierten Datensätzen, die das Handelssystem verarbeitet.“ Der Kunde wird nicht genannt, und zu dem Projekt werden keine Zahlen veröffentlicht.

amBrain beschreibt in einer Zeile, wie es mit Kunden arbeitet: „Drei Formate: vollständige Umsetzung, ein dediziertes Team oder in Ihr Team eingebettete Entwickler.“ Zum Eigentum lautet sein Satz: „Der Kunde behält das volle Eigentum an Produkt und Code, ausgenommen unsere wiederverwendbaren Komponenten.“ Verlangen Sie von amBrain die namentliche Liste dieser Komponenten, so wie Sie es bei jeder anderen Firma tun würden.

Wenn Sie jetzt entscheiden, beginnen Sie mit dem einseitigen Briefing aus dem vorigen Abschnitt. Schicken Sie es an amBrain oder an jemand anderen und vergleichen Sie, was zurückkommt.

Häufige Fragen

• Können wir damit anfangen, einen ML-Engineer einzustellen? Das können Sie, aber eine Person kann Führung, Entwicklung, Daten und Betrieb nicht abdecken, und intern kann niemand ihre Arbeit beurteilen. Wenn Sie zuerst eine Person einstellen, stellen Sie jemanden ein, der führen kann, und holen Sie den Rest später dazu
• Heißt Auslagern, dass unsere Daten das Unternehmen verlassen? Nicht unbedingt. Ein externes Team kann innerhalb Ihrer Server oder Cloud-Konten nach Ihren Zugriffsregeln arbeiten, und der Vertrag kann das festhalten. Fragen Sie gezielt, wohin Logs und Testkopien gehen, denn das sind die Kopien, die vergessen werden
• Können wir ein ausgelagertes System später ins Haus holen? Ja, wenn die Übergabeliste von oben von Anfang an im Vertrag steht. Die Liste erst nach der Entwicklung nachzutragen ist schwieriger, weil niemand das Evaluierungsset oder die Runbooks geschrieben hat, solange die Arbeit frisch war