Ein sechsmonatiger Fahrplan vom Anfänger zum arbeitenden KI-Ingenieur

Früher bedeutete der Einstieg in die KI einen langen akademischen Umweg. Man studierte die Mathematik hinter dem maschinellen Lernen, trainierte neuronale Netze von Grund auf, las wöchentlich wissenschaftliche Artikel und schloss oft erst einen Masterabschluss ab, bevor man überhaupt Zugang zu einem Modell bekam.

Derartige Wege existieren zwar noch, doch seit 2026 gibt es einen zweiten Weg. Unternehmen benötigen heute Menschen, die starke, bereits vorhandene Modelle nehmen und sie in Produkte umwandeln können, die Kunden tatsächlich nutzen.

Stellen Sie sich folgende Arten von Systemen vor:

• einen Assistenten, der Tausende interner Dokumente durchsuchen und darauf antworten kann
• einen Support-Mitarbeiter, der herausfindet, was ein Kunde braucht, und anschließend etwas dagegen unternimmt
• einen Programmier-Assistenten, der ein Repository öffnet, Dateien bearbeitet, Tests ausführt und seine eigenen Fehler behebt
• eine interne Tool, das mit den Unternehmensdatenbanken und APIs verbunden ist

Ein Forschungssystem, das mehrere Quellen überprüft und einen Bericht erstellt, den jemand überprüfen kann

Das Erstellen solcher Systeme ist die Aufgabe eines KI-Ingenieurs. Wenn Sie heute von Null anfangen, hier ist ein sechsmonatiger Weg, der Sie dorthin bringt.

Forscher oder Ingenieur

Die beiden Berufe klingen ähnlich, sind es aber nicht. KI-Forscher trainieren Modelle, verbessern Architekturen, erfinden neue Algorithmen und erweitern ständig die Möglichkeiten des maschinellen Lernens.

KI-Ingenieure arbeiten viel näher am Produkt. Sie nehmen bereits vorhandene Modelle und entwickeln zuverlässige Systeme darauf auf. Im Alltag bedeutet das, dass sie oft in derselben Woche mit LLMs, APIs, Datenbanken, Tools, Agenten, Backend-Diensten, Bewertungen und der Bereitstellung umgehen müssen.

Es ist nicht notwendig, das nächste bahnbrechende Modell zu entwickeln. Es ist jedoch wichtig zu wissen, wie man nützliche Software auf der Grundlage bereits verfügbarer Lösungen erstellt.

Monat 1: Programmieren – richtig

Lernen Sie erst, wie Software funktioniert, bevor Sie mit den Agenten arbeiten. KI-Tools können heute in Sekundenschnelle Code erzeugen, doch der so erstellte Code ist nicht automatisch gut – und wenn er in der Produktion Fehler verursacht, müssen Sie herausfinden, warum.

Python ist die sinnvolle erste Programmiersprache. Gewöhnen Sie sich an:

• die grundlegenden Datentypen, if-Bedingungen sowie for/while-Schleifen
• das Schreiben und Aufrufen eigener Funktionen
• die eingebauten Container (Liste, Dictionary, Menge, Tupel) und deren Einsatzmöglichkeiten
• objektorientierten Code mit Klassen
• das Erzeugen und Fangen von Fehlern
• das Lesen und Schreiben von Dateien
• das Aufteilen von Code in Module und installierbare Pakete
• das Isolieren von Abhängigkeiten mit virtuellen Umgebungen
• die Grundlagen von asynchronem Code

Anschließend erlernen Sie die gängigen Entwicklungspraktiken für diese Sprache.

Git und GitHub. Commits, Branches, Pull Requests, Lösung von Merge-Konflikten sowie Arbeit an einem gemeinsamen Repository, ohne jemanden zu behindern.

HTTP. Anfragen und Antworten, Header, Statuscodes, JSON sowie die jeweilige Funktion von GET, POST, PUT, PATCH und DELETE.

REST-APIs. Wie separate Anwendungen miteinander kommunizieren.

SQL. Noch erwartet niemand, dass Sie ein Datenbank-Spezialist sind, aber Sie sollten ohne Angst Abfragen schreiben und Tabellen, Joins, Indizes sowie Beziehungen verstehen.

Ein Backend-Framework. FastAPI ist eine gute Wahl. Lernen Sie, Ihren Code hinter einer API zu platzieren, die von anderen Programmen aufgerufen werden kann.

Erstes Projekt: Eine Dokumentverarbeitungs-API

Das Anschauen von Python-Videos über einen Monat hinweg bringt Ihnen nicht viel bei. Bauen Sie etwas. Ein guter erster Ansatzpunkt ist eine API, bei der ein Benutzer ein Dokument hochlädt, Ihr Backend Informationen daraus extrahiert, das Ergebnis in einer Datenbank speichert und Endpunkte bereitstellt, um es erneut abzurufen. Noch muss darin keine KI enthalten sein. Es geht darum, zu lernen, wie eine echte Anwendung zusammengestellt wird.

Monat 2: Entwicklung mit LLMs

Arbeiten Sie jetzt direkt mit Sprachmodellen. Vermeiden Sie in dieser Phase komplexe Agentenframeworks und beginnen Sie mit der reinen API: Senden Sie Nachrichten und erhalten Sie Antworten zurück.

Achten Sie jedoch nicht nur auf dieses einfache Szenario:

User → Prompt → LLM → Answer

Wichtig ist alles, was diesen Austausch prägt:

• Systemanfragen und Benutzernachrichten
• Context-Fenster und Tokens
• Temperatur
• Strukturierte Ausgaben und JSON-Schemata
• Streaming
• Aufruf von Tools und Funktionen
• Rate Limits, Fehlerbehandlung und Wiederholungsversuche
• Auswahl eines Modells
• Kontrolle der Kosten

Strukturierte Ausgaben erfordern besondere Aufmerksamkeit. Produktionsysteme möchten selten einen ganzen Absatz zurück. Sie benötigen Daten mit einer vorhersehbaren Struktur, wie hier:

{
  "category": "billing",
  "priority": "high",
  "sentiment": "negative"
}

Sobald darauf geklickt wird, ist das Modell kein Chatbot mehr, sondern ein weiterer Bestandteil innerhalb Ihrer Software.

Zweites Projekt: ein System zur Sortierung von Support-Tickets

Führen Sie ein Kunden-Ticket in das System ein. Es sollte herausfinden, um welches Problem es geht, das Ticket in eine Kategorie einordnen, eine Priorität festlegen, die wichtigen Details extrahieren, eine Antwort entwerfen und all das als strukturierte Daten zurückgeben. Wenn Sie das hinter Ihrer Backend-API platzieren, entwickeln Sie echte KI-Software.

Monat 3: Retrieval-augmented Generation

Früher oder später stoßen Sie auf die offensichtliche Grenze: Das Modell weiß nichts über Ihre privaten Daten. Nehmen wir an, Sie entwickeln einen Assistenten für ein Unternehmen, das über 20.000 PDFs, interne Dokumente, Produktanleitungen, alte Support-Tickets und Richtliniendokumente verfügt. All das können Sie nicht in einen einzigen Prompt einfügen.

RAG ist die gängige Lösung. Im Großen und Ganzen funktioniert sie wie folgt:

User Question
      ↓
Retrieve Relevant Information
      ↓
Add Information to Context
      ↓
LLM
      ↓
Answer

Beginnen Sie mit Embeddings, die Text in Zahlen umwandeln, damit ein System Bedeutungen statt genauer Wörter vergleichen kann. Anschließend arbeiten Sie sich durch das Chunking, die vektorbasierte und semantische Suche, Metadatenfilter, Vektordatenbanken, hybride Suchverfahren, das Neuranking sowie die Erstellung des endgültigen Kontexts.

Seien Sie vorsichtig mit dem gängigen Ansatz: Zuerst PDFs, dann Chunking, anschließend Embeddings, danach eine Vektordatenbank und schließlich ein LLM. Ein echtes RAG erfordert Experimente. Die Größe der Chunks beeinflusst die Ergebnisse – genauso wie die Qualität der Suche, die Metadaten sowie die Anzahl der heruntergeladenen Dokumente. Oft liegt das Schwachpunkt gar nicht in der Generierung, sondern in der Informationsabrufung.

Drittes Projekt: Ein Wissensassistent

Laden Sie einige hundert Dokumente hoch und ermöglichen Sie es den Nutzern, Fragen zu stellen. Ihr Pipeline sollte die Dateien verarbeiten, sie sinnvoll aufteilen, Embeddings erstellen, diese speichern, die relevanten Teile abrufen, eine Antwort formulieren und angeben, welche Quellen verwendet wurden.

Dann machen Sie es besser. Fügen Sie hybride Suchfunktionen, Neubewertungen und Filter hinzu und prüfen Sie, ob die Suche tatsächlich die richtigen Abschnitte findet. Diese Messschritt ist es, der eine Demo in ein Ingenieurprojekt verwandelt.

Monat 4: Agenten

Jetzt wird es interessant. Eine klassische LLM-Anwendung antwortet nur einmal. Ein Agent kann hingegen Aktionen ausführen. Bitten Sie einen Agenten, aktuelle Nachrichten über ein Unternehmen zu finden, dessen Konkurrenten zu prüfen, alles zusammenzufassen und einen Bericht zu erstellen – die Arbeit könnte sich dann so abspielen:

Understand Goal
      ↓
Create Plan
      ↓
Search Web
      ↓
Read Sources
      ↓
Analyze Information
      ↓
Notice Missing Information
      ↓
Search Again
      ↓
Generate Report
      ↓
Verify Output

Das kommt dem viel näher, was die Leute unter einem Agenten verstehen. Zu den hier zu lernenden Konzepten gehören Toolaufrufe, Agentenschleifen, Planung, Speicherung, Verwaltung von Zustand und Kontext, mehrstufige Arbeitsabläufe, Schritte zur menschlichen Freigabe, Wiederholungsversuche sowie Schutzmechanismen.

Ein typischer Agent verfügt über einige wenige Tools:

search_web()
query_database()
read_document()
send_email()
create_ticket()
run_code()

Das Modell entscheidet, wann welcher Agent aufgerufen werden soll. Eine Warnung: Erstellen Sie keinen Agent nur deshalb, weil Agenten im Trend liegen. Wenn ein fester, deterministischer Arbeitsablauf das Problem löst, verwenden Sie diesen. Agenten erlangen ihre Komplexität erst dann, wenn das System tatsächlich darüber nachdenken muss, was als Nächstes zu tun ist.

Viertes Projekt: ein Forschungsagent

Geben Sie ihm ein Thema. Er sollte das Thema in Fragen aufteilen, suchen, mehrere Quellen lesen, erkennen, wo diese sich widersprechen, feststellen, was noch fehlt, erneut suchen, einen strukturierten Bericht mit Quellen verfassen und anschließend seine eigene Ausgabe bewerten. Das kommt der Praxis moderner KI-Entwicklung sehr nahe.

Monat 5: Bewertung, Implementierung und Kosten

Bewertung

Das könnte die am meisten unterschätzte Fähigkeit auf der Liste sein. Man passt einen Prompt an, und die Antworten scheinen besser zu sein. Sind sie tatsächlich besser? Man ändert die Größe der Datenblöcke – hat sich dadurch die Informationsbeschaffung verbessert? Man wechselt zu anderen Modellen – ist die Genauigkeit stark genug gestiegen, um die zusätzlichen Kosten zu rechtfertigen? Ohne Bewertung handelt es sich dabei nur um Vermutungen.

Erstellen Sie Datensätze, die für jeden Fall aufzeichnen:

Input
Expected Behaviour
Actual Output
Score

Verfolgen Sie anschließend die wichtigen Zahlen: wie oft die Antworten richtig sind, ob die Suche die richtigen Abschnitte gefunden hat, wie oft das Modell Dinge erfindet, ob die Tool-Aufrufe erfolgreich waren, ob die Aufgaben abgeschlossen wurden, sowie die Latenz, die verbrauchten Tokens und die ausgegebenen Kosten. Bei RAG sollten Sie die Suchleistung getrennt von der Generierung bewerten. Bei Agenten prüfen Sie, ob die Aufgabe tatsächlich erledigt wurde.

Ihre Argumentation ändert sich dadurch:

"It looks better."

zu diesem:

"Task success improved from 71% to 86%."

Der Unterschied liegt genau in diesem Wandel – zwischen Kleinreparaturen und echtem Engineering.

Implementierung

Ein Notizbuch auf Ihrem Laptop ist kein Produkt. Lernen Sie genügend über Infrastruktur, um etwas veröffentlichen zu können: Docker, Umgebungsvariablen, Geheimnisse, Protokollierung, Authentifizierung, APIs, Datenbanken, Caching, Hintergrundaufgaben, Warteschlangen, Überwachung, CI/CD sowie Cloud-Hosting. Sie müssen kein DevOps-Spezialist werden, sollten aber in der Lage sein, etwas, das bereits läuft, weiterzuentwickeln.

localhost:8000

und es in einen Dienst umwandeln, den eine andere Person öffnen und nutzen kann.

Kosten

Menschen ignorieren dies, bis die Rechnung eintrifft. Stellen Sie sich vor, Ihre App muss eine Million Anfragen verarbeiten. Ein Design, das während der Entwicklung billig erschien, kann bei dieser Menge sehr teuer werden. Gewöhnen Sie sich daran, die Gesamtkosten wie folgt zu schätzen:

Requests
×
Tokens per request
×
Model price
=
AI infrastructure cost

Dann optimieren. Nicht jede Aufgabe benötigt das leistungsstärkste Modell. Leiten Sie einfache Aufgaben an kleinere Modelle weiter:

Simple task → Small model

und passen den Rest dem an, was jede Aufgabe tatsächlich benötigt:

Complex reasoning → Powerful modelDocument retrieval → Embedding modelClassification → Small/fast model

Gute KI-Engineering-Praxis bedeutet nicht, überall das größte Modell zu verwenden. Es geht darum, das richtige Modell für die richtige Aufgabe einzusetzen.

Monat 6: ein fertiges Portfolio

Hören Sie auf, Tutorials zu sammeln, und beginnen Sie stattdessen, Ergebnisse zu veröffentlichen. Ihr GitHub sollte zeigen, dass Sie vollständige KI-Systeme bauen können – drei solide Projekte sind besser als zwanzig halbfertige.

Ein Produktions-RAG-System mit Eingabeverarbeitung, Embeddings, Vektorsuche, hybrider Informationsbeschaffung, Neubewertung, Zitaten, Bewertung, Authentifizierung und Bereitstellung.

Ein KI-Agent mit mehreren Werkzeugen, einem ordnungsgemäßen Schleifenmechanismus, Zustandsverwaltung, Fehlerrückmeldung, menschlicher Freigabe, Bewertung und Protokollierung.

Ein echtes Produkt, das ein reales Problem löst: ein Entwickler-Assistent, ein Forschungstool, ein Support-System, eine Dokumentintelligenz-Plattform, eine interne Wissenssuche oder ein automatisierter Workflow. Machen Sie es nutzbar, implementieren Sie es und lassen Sie andere Menschen es ausprobieren.

Schreiben Sie über das, was Sie gebaut haben

Das funktioniert besser, als die meisten Menschen erwarten. Schicken Sie nicht einfach nur Code. Erklären Sie Ihre Entscheidungen in einem Text, etwa im Stil einer Beschreibung zum Aufbau von RAG anhand von 10.000 Dokumenten: die Architektur, warum Sie diese Datenbank gewählt haben, Ihr Vorgehen bei der Aufteilung der Daten, was schiefgelaufen ist, die Suchexperimente, die Bewertungszahlen, die Kosten, was fehlgeschlagen ist und was Sie beim nächsten Mal ändern würden. Ein Leser lernt dadurch viel mehr über Ihre Fähigkeiten als aus irgendeinem Zertifikat.

Die sechs Monate im Überblick

Jagd nach jedem Tool ist sinnlos

Das Ökosystem entwickelt sich unglaublich schnell. Es gibt ständig neue Modelle, Frameworks, Vektordatenbanken, Agentenbibliotheken oder Programmierhilfen. Jedes davon zu meistern, ist eine Falle. Frameworks kommen und gehen, während die zugrundeliegenden Konzepte bestehen bleiben.

Achten Sie darauf, wie Modelle Kontext erhalten, wie Informationen abgerufen werden, wie Modelle Tools nutzen, wie Agenten Zustände speichern, wie Systeme von Fehlern wiederherstellen, wie Ausgaben bewertet werden und wie Anwendungen skaliert werden. Wenn Sie das verstanden haben, ist das Wechseln von Tools eine Aufgabe für das Wochenende und kein Neustart.

Nutzen Sie KI, um KI sorgfältig zu lernen

Das Lernen von Software im Jahr 2026 hat einen seltsamen Vorteil: Sie haben Assistenten, die Code erklären, Beispiele erstellen, Fehler beheben, Designs überprüfen, Tests schreiben und Sie durch unbekannte Repositorien führen können. Nutzen Sie sie.

Verwandeln Sie sich einfach nicht in jemanden, der nur dann etwas bauen kann, wenn das Modell eine perfekte Antwort liefert. Wenn es Code generiert, fragen Sie, warum er funktioniert. Wenn etwas nicht funktioniert, untersuchen Sie es selbst. Wenn es eine Architektur vorschlägt, wehren Sie sich dagegen. Wenn es eine Funktion schreibt, lesen Sie sie. Die wertvolle Fähigkeit besteht nicht darin, jeden Buchstaben von Hand einzutippen. Sie besteht darin, das System gut genug zu verstehen, um beurteilen zu können, ob die erzeugte Lösung gut ist.

Zielen Sie auf die Fertigstellung ab, nicht auf das Absolvieren von Kursen

„Einen Kurs zur KI abschließen“ ist ein schwaches Ziel. „Systeme mit KI bauen, die reale Probleme lösen“, ist ein starkes Ziel. Kurse enden, Technologien ändern sich, Modelle verbessern sich und Frameworks verschwinden. Ingenieure, die ein Problem verstehen, ein System entwerfen, sinnvolle Werkzeuge wählen, die Ergebnisse messen und etwas Nützliches fertigstellen können, bleiben in all dem wertvoll.

In sechs Monaten wird Ihr Vorteil nicht darin bestehen, wie viele Tutorials Sie gesehen haben, sondern darin, welche Projekte Sie fertiggestellt haben und auf die Sie verweisen können. Die Qualifikationshürden, die viele Menschen abgeschreckt haben, werden von vielen Unternehmen bereits abgebaut. Sie können die nächsten sechs Monate damit verbringen, sich einzureden, dass Sie erst mehr lernen müssen, oder Sie können mit drei fertiggestellten Projekten herauskommen, die beweisen, was Sie leisten können. Der erste Schritt ist es, heute eine leere Datei zu öffnen.