Lebenslauf als KI-Ingenieur/in: Beispiele und Anleitung

Ein einseitiger Lebenslauf für eine KI-Ingenieurin mit fünf Jahren Erfahrung, davon die letzten drei mit LLM-Systemen in Produktion. Name und Unternehmen sind erfunden. Achten Sie in den Stichpunkten auf das Muster: was gebaut wurde, für wie viele Nutzerinnen und Nutzer, wie es gemessen wurde und wie sich die Kennzahl verändert hat.

Auf Stellen als AI Engineer kommen Hunderte Bewerbungen, viele von Menschen, die letzten Monat einen Kurs abgeschlossen haben und sich nun KI-Ingenieur nennen. Wer einstellt (meist eine erfahrene Entwicklerin oder die KI-Leitung), sucht nach Leuten, die schon etwas ausgeliefert haben. Vier Punkte entscheiden.

• Produktion statt Notebooks. Haben echte Nutzerinnen und Nutzer Ihr System verwendet? Wie viele, wie oft? „Chatbot mit LangChain gebaut“ ist ein Tutorial. „RAG-Assistent für 8.000 Ärztinnen und Ärzte, 120.000 Anfragen pro Monat“ ist eine Stelle.
• Evaluation. 2026 der wichtigste Unterschied überhaupt. Haben Sie ein Evaluationsset aufgebaut, wie groß, wer hat gelabelt, welche Metrik, und wie hat sich die Zahl bewegt? Ohne Evaluationszahlen im Lebenslauf geht die Leitung davon aus, dass Sie nach Bauchgefühl ausgeliefert haben.
• Kosten und Latenz. Ein großes Modell aufrufen kann jeder. Wer Kosten pro Anfrage, p95-Latenz oder GPU-Ausgaben gesenkt hat und sagen kann, um wie viel, ist selten und wird eingeladen.
• Tiefe in einer Schicht und Breite über den Stack. Retrieval, Fine-Tuning, Bereitstellung oder Evaluation als Stärke, dazu solides Wissen über den Rest, einschließlich der unspektakulären Teile: Datenpipelines, Deployment, Monitoring, Sicherheits- und Datenschutzprüfung.

“Ich suche in jedem KI-Lebenslauf zwei Zahlen: eine Evaluationsmetrik, die sich verbessert hat, und eine Kosten- oder Latenzzahl, die gesunken ist. Stehen beide da, hat die Person etwas in Produktion betrieben. Fehlen beide, ist es eine Sammlung von Demos, und davon haben wir genug.”

Für Absolventinnen, Absolventen und Quereinsteigende ersetzt der Projektabschnitt die Berufserfahrung. Für alle anderen zeigt er die Tiefe, die die Stelle nicht abgedeckt hat. Drei Regeln: Verlinken Sie das Repository, schreiben Sie jedes Projekt wie einen Stichpunkt zur Berufserfahrung (Problem, Stack, Metrik) und sorgen Sie dafür, dass die README jedes verlinkten Projekts so gut ist, dass eine fremde Person es in zehn Minuten zum Laufen bringt.

Drei bis vier Zeilen: Jahre und Art der KI-Arbeit, das stärkste ausgelieferte System mit seinem Umfang, zwei Metriken, der Stack. Wer einsteigt, schreibt ein Berufsziel, das die Projekte und die gewünschte Stelle nennt.

Das Muster: was Sie gebaut haben, wer es in welchem Umfang nutzt, wie Sie es gemessen haben, was sich verändert hat. Nennen Sie die Technik, wenn sie das Ergebnis erklärt.

Gruppieren Sie die Kenntnisse nach Schichten, damit man Ihr Profil erkennt, und nennen Sie nur, was Sie an einem Whiteboard erklären könnten. Recruiter filtern nach Werkzeugnamen; im technischen Gespräch wird geprüft, ob Sie sie wirklich genutzt haben.

• Sprachen: zuerst Python mit Jahresangabe, dann SQL; Go, TypeScript, Rust oder C++ nur, wenn Sie darin produktiven Code geschrieben haben.
• Modellierung: PyTorch (oder JAX), Hugging Face Transformers, PEFT und LoRA/QLoRA, scikit-learn, Gradient Boosting; verteiltes Training (DeepSpeed, FSDP), wenn Sie es gemacht haben.
• LLM-Anwendungen: APIs der Modellanbieter (OpenAI, Anthropic, Bedrock, Vertex AI), Tool Calling und strukturierte Ausgaben, Agenten-Frameworks, LangChain oder LlamaIndex, Versionierung von Prompts.
• Retrieval: Vektordatenbanken (pgvector, Pinecone, Weaviate, OpenSearch, Milvus), hybride Suche, Chunking, Embeddings, Reranker, Evaluation des Retrievals getrennt von der Generierung.
• Evaluation und Monitoring: Aufbau gelabelter Evaluationssets, LLM als Bewerter mit menschlicher Kalibrierung, Ragas, promptfoo, A/B-Tests, Tracing (LangSmith, Arize Phoenix, Langfuse), Drift-Monitoring.
• Bereitstellung und Infrastruktur: vLLM oder TGI, FastAPI, Docker, Kubernetes, eine große Cloud mit konkretem Dienst (SageMaker, Bedrock, Vertex AI, KI-Dienste von Azure), Steuerung der GPU-Kosten, Caching, Streaming.
• Daten und MLOps: Spark, Airflow oder Dagster, dbt, MLflow oder Weights & Biases, Feature Stores, CI/CD.
• Sicherheit und Compliance: Schwärzung personenbezogener Daten und Gesundheitsdaten, Schutz vor Prompt-Injection, Guardrails, Model Cards, Datenverarbeitung nach DSGVO, Grundkenntnisse der EU-KI-Verordnung (Verordnung (EU) 2024/1689, deren Pflichten schrittweise gelten) sowie SOC 2 oder ISO/IEC 27001, wo relevant.

Einstiegsstellen als AI Engineer sind selten und stark umworben. Zwei Wege funktionieren: ein Studium der Informatik oder eines verwandten Fachs plus zwei bis drei Projekte mit Evaluationszahlen, oder eine Stelle in Softwareentwicklung oder Datenanalyse, die Sie um die ML- und LLM-Arbeit herum neu beschreiben, die Sie dort gemacht haben. In beiden Fällen baut die Seite auf Belegen auf, nicht auf Lehrveranstaltungen.

1. 1Berufsziel (zwei Zeilen): die Stelle, Ihr Abschluss oder Ihre jetzige Tätigkeit und Ihre zwei besten Projektergebnisse mit Metriken.
2. 2Projektabschnitt direkt unter dem Berufsziel: zwei bis drei Einträge, jeweils mit GitHub-Link, Problem, Stack, Evaluationsset und Metrik. Schreiben Sie sie wie die Stichpunkte oben.
3. 3Erfahrung: Praktika, Werkstudentenstellen, Tätigkeit als studentische Hilfskraft oder Tutor/in in ML-Veranstaltungen und jede Stelle, in der Sie etwas automatisiert oder modelliert haben. Nennen Sie Nutzerzahlen, Datenmengen und Ergebnisse.
4. 4Studium: Abschluss, Hochschule, Jahr, die Abschlussnote, wenn sie gut ist, und eine kurze Liste passender Module (maschinelles Lernen, NLP, verteilte Systeme, lineare Algebra). Eine Abschlussarbeit mit echtem Datensatz zählt als Projekt.
5. 5Kenntnisse: nur, was in Ihren Projekten vorkommt. Wenn Kubernetes in Ihren Kenntnissen steht, erwartet man ein Deployment in einem Repository.
6. 6Bewerben Sie sich breit auf verschiedene Bezeichnungen: Machine Learning Engineer, Applied Scientist, KI-Softwareentwickler/in, Data Scientist (LLM) und allgemeine Backend-Stellen in Unternehmen, die KI-Produkte bauen. Viele bekommen die KI-Berufsbezeichnung erst eine Stelle später.

Die meisten Anzeigen verlangen ein Studium der Informatik oder eines verwandten Fachs (etwa Mathematik, Physik, Elektrotechnik); für forschungsnahe Stellen wird oft ein Master oder eine Promotion bevorzugt. Ein Zertifikat ist nirgends vorgeschrieben, und keines ersetzt ein ausgeliefertes System. Einige sind anerkannt und eine Zeile wert, wenn Sie sie haben.

• AWS Certified Machine Learning Engineer – Associate sowie AWS Certified AI Practitioner (Einstiegsniveau). Nützlich, wenn das Unternehmen auf AWS arbeitet.
• Google Cloud Professional Machine Learning Engineer, für Unternehmen mit Vertex AI.
• Microsoft Certified: Azure AI Engineer Associate (Prüfung AI-102), verbreitet in größeren Unternehmen mit Azure OpenAI. Microsoft passt seine Prüfungen häufig an; prüfen Sie vorab, ob die Prüfung noch in dieser Form angeboten wird.
• Zertifikate des NVIDIA Deep Learning Institute zu Training und Optimierung der Inferenz.
• Kurszertifikate (DeepLearning.AI, Coursera, MOOCs von Hochschulen): beim Einstieg höchstens ein oder zwei unter Ausbildung, mit Berufserfahrung keines mehr. Arbeitgeber lesen sie als Lernnachweis, nicht als Beleg.
• Nennen Sie Abschluss, Hochschule und Jahr. Den Titel der Abschlussarbeit nur, wenn er zur Stelle passt. Das Abitur genügt als eine Zeile oder kann mit Studienabschluss ganz entfallen.

• Eine Seite bis etwa zehn Jahre Erfahrung; in Deutschland sind zwei Seiten akzeptiert, wenn Sie länger im Beruf sind oder Veröffentlichungen aufführen. Kürzen Sie ältere Stellen auf zwei Stichpunkte, bevor Sie eine zweite Seite beginnen.
• Reihenfolge: Kopf mit GitHub- und LinkedIn-Link, Profil, Berufserfahrung (beim Einstieg zuerst Projekte), Projekte, Kenntnisse, Studium. Veröffentlichungen nach dem Studium, falls vorhanden.
• Eine Spalte, schlichte Schriften, keine Balken oder Prozentkreise für Kenntnisse. Lebensläufe in LaTeX sind in diesem Bereich verbreitet und in Ordnung; exportieren Sie als textbasiertes PDF und prüfen Sie, ob sich der Text sauber kopieren lässt.
• Setzen Sie echte Hyperlinks, die auch als Text lesbar sind (github.com/ihr-name), weil manche Bewerbermanagementsysteme Links entfernen.
• Schlüsselwörter, die Sie genau aus der Anzeige übernehmen: „LLM“, „RAG“ und „Retrieval-Augmented Generation“ (beides je einmal), „Fine-Tuning“, „PyTorch“, „Evaluation“, „Vektordatenbank“, „Agenten“, „MLOps“, den Namen der Cloud und „Produktion“. Recruiter filtern danach, bevor eine Entwicklerin oder ein Entwickler irgendetwas liest.
• LinkedIn: dieselbe Berufsbezeichnung und dieselben wichtigsten Kennzahlen wie im Lebenslauf. Recruiter suchen AI Engineers auf LinkedIn nach „RAG“, „LLM“ und einem Cloud-Namen und vergleichen das Profil dann mit Ihrem Lebenslauf. Abweichungen kosten Einladungen.
• Ein Bewerbungsfoto ist in Deutschland üblich, aber freiwillig; Geburtsdatum und Familienstand ebenso. In Tech-Unternehmen mit internationalen Teams verzichten viele darauf, und für englischsprachige Stellen schicken Sie einen englischen CV. Bei Bewerbungen in die USA gehören Foto und Geburtsdatum nicht in den Lebenslauf.

Prüfen Sie Anzeige und Lebenslauf mit dem ATS-Check von cvplex. Er zeigt fehlende Stack-Schlüsselwörter, Stichpunkte ohne Metrik und Links, die den PDF-Export nicht überstanden haben.