Wie man 2026 ohne Informatikabschluss AI-Engineer wird

Aus dem Nichts und ohne Abschluss in Informatik – kann man im Jahr 2026 zu einem KI-Ingenieur werden? Ja, aber ein Plan hilft dabei. Menschen kommen aus verschiedenen Bereichen wie Politik, Musik, Pflege oder Logistik in dieses Feld. Was diejenigen unterscheidet, die eine Stelle bekommen, von denen, die ins Leere laufen, ist meist Strategie und nicht Talent. Hier ist ein Plan für den gesamten Weg: Was die Arbeit beinhaltet, warum sie gut bezahlt wird, welche Fähigkeiten man erlernen sollte, wie man studiert, ohne in zu vielen Schulungen unterzugehen, was man entwickeln muss und wie man einen Lebenslauf-Filter meistert.

Was die Arbeit tatsächlich beinhaltet

Auf Stellenausschreibungen werden drei Berufsbezeichnungen miteinander vermischt: KI-Ingenieur, ML-Ingenieur und Softwareingenieur. Viele Menschen investieren Monate in das Lernen von Anforderungen, die sich letztendlich nicht auf die gewünschte Stelle beziehen – daher lohnt es sich, klare Grenzen zu ziehen.

Ein KI-Engineer entwickelt Anwendungen auf der Grundlage von Modellen, die bereits von anderen trainiert wurden. Claude, GPT, Gemini sowie die Open-Source-Modelle bilden hierfür die Rohmaterialien. Mit ihnen erstellt man Systeme, die Informationen zusammenfassen oder Aufgaben automatisieren können. Ein typisches Beispiel ist ein Kundenservice-Bot, der Bestellungen abrufen, Fragen beantworten und Rückerstattungen verarbeiten kann.

Ein ML-Engineer macht etwas anderes: Er trainiert eigene Modelle anhand von Daten, wie beispielsweise einen Empfehlungsmotor oder einen Betrugsdetektor. Keine dieser Rollen entwickelt neue Arten von Modellen – das liegt in den Händen von Forschern, die in der Regel einen Doktortitel haben und einen separaten Karriereweg verfolgen.

Softwareentwickler erstellen die Benutzeroberfläche, die API oder den Backend-Teil rund um das Modell. Nichts an ihrer Arbeit ist spezifisch für ein bestimmtes Modell.

Man hört oft, dass KI-Entwickler im Grunde nur Softwareentwickler sind, die eine andere API nutzen. Das gilt nur für schwache KI-Entwickler. Viel mehr liegt jenseits der API-Aufrufe: Umgang mit Kontexten, Abruf von Informationen, Bewertung sowie Zuverlässigkeit. Der Unterschied zwischen dem Aufrufen einer API und dem Aufbau eines zuverlässigen KI-Systems erklärt, warum die Gehälter so hoch sind. Viele Unternehmen möchten derzeit KI in ihren Produkten haben, doch überraschenderweise können nur wenige Menschen sie gut umsetzen.

Sieben Fähigkeitsbereiche

Man muss nicht alle Aspekte der KI beherrschen, bevor man mit dem Aufbau beginnt. Man muss jedoch wissen, was wichtig ist, da das Feld enorm groß ist. Folgen Sie dem, was Reddit oder YouTube diese Woche als essentiell bezeichnet haben – dann verbringen Sie Stunden mit Dingen, die kaum etwas mit der Arbeit zu tun haben, die Sie eigentlich ausüben möchten. Betrachten Sie das Fähigkeitsprofil als sieben Bereiche.

Programmierung

Lernen Sie Python wirklich gut, denn es ist Ihr tägliches Werkzeug. Seien Sie vertraut mit Funktionen, Klassen, Datenstrukturen, Fehlerbehandlung, dem Aufrufen von APIs sowie der Verwendung von Bibliotheken Dritter. Zudem sollten Sie allgemeine ingenieurwissenschaftliche Gewohnheiten erlernen: das Strukturieren von Projekten, die Verwendung von Git, das Verwalten virtueller Umgebungen und Konfigurationsdateien, das Schreiben von Tests sowie die Arbeit in der Kommandozeile.

Mathematik

Ihre Kenntnisse müssen weitaus geringer sein, als man vermuten könnte. Grundlegende Kenntnisse in linearer Algebra, Wahrscheinlichkeitstheorie, Statistik und Analysis sind hilfreich: Vektoren und Matrizen, Verteilungen, Durchschnitte und Varianzen, Ableitungen und Gradienten. Konzentrieren Sie sich eher auf Intuition als auf manuelle Berechnungen. Sie sollten wissen, was diese Konzepte bedeuten, und sie erkennen können, wenn sie in Ihren Systemen auftauchen – doch niemand wird von Ihnen verlangen, Gleichungen auf Papier auszurechnen.

Grundlagen des maschinellen Lernens

Diese Aufgabe bezieht sich nicht auf das Training von Modellen von Grund auf, doch selbst bei der Verwendung vorgefertigter Modelle tauchen einige grundlegende Konzepte auf. Man sollte den Unterschied zwischen überwachtem und unüberwachtem Lernen, Trainings- und Testdatensätzen, Overfitting und Underfitting sowie Metriken wie Präzision und Recall kennen. Man sollte ein umfassendes Verständnis für neuronale Netze sowie später dafür entwickeln, wie Transformer funktionieren – schließlich basieren nahezu alle Modelle, mit denen man arbeitet, auf diesem Design. Das Ziel ist nicht die Fähigkeit zur Forschung, sondern das Wissen, dass die verwendeten Modelle keine völligen Black Boxes sind.

Grundlagen der KI-Engineering

Hier beginnt die eigentliche Spezialisierung.

• Arbeit mit LLMs: Verwendung der wichtigsten Modelle, Verständnis ihrer Unterschiede sowie Auswahl unter Berücksichtigung von Leistung, Kosten, Geschwindigkeit und Lizenzbedingungen.

Prompt-Engineering: mehr als nur herumprobieren, bis eine Antwort gut aussieht. Lernen Sie few-shot-Prompting, strukturierte Ausgaben sowie defensives Prompting – dazu eine systematische Methode, um zu prüfen, ob eine Änderung hilfreich war.

Kontext-Engineering: Entscheidungen darüber, was das Modell sieht, in welcher Reihenfolge und was weggelassen wird, wenn zu viel Material vorliegt.

RAG, also retrieval-augmented generation: Das Modell erhält Zugang zu Daten außerhalb seines Trainingsdatensatzes, wie z. B. internen Unternehmensdokumenten. Dazu gehören das Verständnis von Embeddings, das Chunking, Vektordatenbanken sowie die Methode, das richtige Material abzurufen.

Bewertung: Überprüfung, ob das System das leistet, was man sich wünscht, mithilfe von Testdatensätzen, Metriken, LLM-as-a-Judge sowie menschlicher Überprüfung.

Diese letzten Punkte führen Sie über API-Aufrufe hinaus zum Engineering des Systems rund um das Modell.

KI-Agenten

Ein Agent ist ein LLM, das Funktionen aufrufen und weiterhin handeln kann, bis eine Aufgabe abgeschlossen ist. Anstatt nur Text zu erzeugen, kann es im Internet suchen, eine Datenbank abfragen, auf eine API zugreifen oder Code schreiben und ausführen. Erfahren Sie, wie das Aufrufen von Tools funktioniert, wie man einen Agenten mit externen Systemen verbindet und wie man überprüft, ob er Aufgaben korrekt erledigt. Lernen Sie MCP, das Model Context Protocol – ein Standard zur Verbindung von KI-Anwendungen mit externen Tools und Daten. Schließlich sollten Sie sich mit mehragentigen Setups beschäftigen, bei denen mehrere Agenten eine Aufgabe teilen. Dieser Bereich hat in den letzten Jahren stärker gewechselt als die meisten anderen, und Arbeitgeber erwarten dies zunehmend.

Produktionsengineering

Eine KI-App, die auf Ihrem Laptop läuft, ist eine Sache. Eine, die auch bei echten Nutzern funktioniert, ist etwas ganz anderes. Sie sollten wissen, wie man APIs erstellt, eine Cloud-Plattform nutzt, mit Docker konteiniert und grundlegende CI/CD-Prozesse einrichtet, um Änderungen bereitzustellen. Fügen Sie zudem Überwachung und Protokollierung hinzu, damit Sie sehen können, was das System tut, und herausfinden können, was schiefgelaufen ist. Investieren Sie hier Zeit: Das ist es, was eine schöne Demo von etwas unterscheidet, das Menschen tatsächlich nutzen können.

Vorbereitung auf das Interview

Leider sind die Fähigkeit, eine Aufgabe zu erledigen, und die Fähigkeit, ein Vorstellungsgespräch zu bestehen, zwei verschiedene Fähigkeiten. Für die Programmier-Teile solltest du Datenstrukturen und Algorithmen üben sowie dich mit Problemen im Stil von LeetCode in Python vertraut machen. Wie wichtig das ist, variiert je nach Unternehmen, aber es ist weit verbreitet. Bei der Systemdesign-Aufgabe kannst du mit immer mehr Fragen zu generativer KI rechnen. Anstatt Twitter oder Uber zu entwerfen, wirst du möglicherweise gebeten, ein RAG-System, einen Support-Agenten oder eine andere LLM-Anwendung zu entwerfen, die skaliert werden muss.

Arbeite an den Vorstellungsgesprächen parallel zu allem anderen – nicht erst, wenn du dich bereit fühlst. Andernfalls könntest du Monate damit verbringen, dich zu verbessern, nur um am Ende unvorbereitet für das eigentliche Gespräch zu sein.

Warum die Reihenfolge wichtig ist

Ein kurzer Hinweis zur Sequenzierung, denn sie führt viele Menschen in die Irre. Die sieben Bereiche bilden keine Leiter, bei der jeder Spross vor dem nächsten abgeschlossen werden muss. Im praktischen Sinne kommt das Programmieren zuerst, da alles Weitere in Code geschrieben wird. Grundlagen der Mathematik und des maschinellen Lernens können lange Zeit oberflächlich bleiben und vertiefen sich erst natürlich, wenn ein Modell seltsam reagiert und man wissen möchte, warum. Die Grundlagen der KI-Engineering sowie die Fähigkeiten zur Steuerung von Agenten werden erst wirklich verständlich, nachdem man gesehen hat, wie ein Prompt fehlschlägt oder eine Abrufschritt sinnlose Ergebnisse liefert. Produktionsfähigkeiten erscheinen abstrakt, bis man versucht, etwas einer anderen Person zu zeigen – und es dann nicht funktioniert.

Deshalb sollte man in Schleifen lernen: ein wenig Lernen, ein wenig Programmieren, ein Fehler, anschließend wieder gezieltes Lernen. Wer nur lernt, landet im Tutorial-Teufelskreis, nickt bei Videos mit und ist nicht in der Lage, mit einer leeren Datei anzufangen. Wer sofort anfängt zu programmieren, nachdem er bereits ein paar Grundlagen beherrscht, merkt, was ihm tatsächlich fehlt.

Lernen ohne riesiges Lehrplan

Sieben Bereiche sind viel – und das sollten sie auch. Das ist einer der Gründe für die guten Bezahlungen. Doch der größte Fehler besteht darin, zu glauben, man müsse jeden Bereich abschließen, bevor man etwas bauen kann. Mach fast das Gegenteil: Nimm einen Kurs, ein Buch oder ein Video, um die Grundlagen zu erlernen und zu sehen, was bereits vorhanden ist, und fang dann so schnell wie möglich an zu programmieren. Im Laufe des Prozesses werden Lücken auftauchen – genau dann ist der richtige Zeitpunkt, zurückzukehren und diese gründlich zu studieren.

Auch musst du keine Tausende ausgeben. Mehrere der besten Ressourcen sind kostenlos oder günstig.

• Python: Ein interaktiver Einstiegskurs, der Ihnen hilft, selbst Code zu schreiben, anstatt nur zuzusehen, wie jemand anderes tippt.
• Mathematik: Die 3Blue1Brown-Playlist zu linearer Algebra und Analysis. Beide Serien sind kostenlos und fördern ein visuelles Verständnis, ohne monatelange manuelle Berechnungen erfordern zu müssen.
• Grundlagen des maschinellen Lernens: Googles Machine Learning Crash Course. Kostenlos, recht kurz und umfasst den größten Teil dessen, was Sie zum Start benötigen.
• Themen der KI-Entwicklung: Das Kursverzeichnis von DeepLearning.AI bietet kurze Kurse zu Prompting, RAG, Agenten und MCP, viele davon kostenlos. Sie eignen sich gut, da Sie einen Kurs direkt dann aufnehmen können, wenn ein Projekt dieses Thema erfordert, anstatt sich für ein weiteres umfangreiches Programm anzumelden.
• Einsatz von Sprachmodellen im Detail: Der kostenlose Hugging Face LLM-Kurs.

Ein Buch zum Kauf: „AI Engineering“ von Chip Huyen, das Grundmodellierung, Bewertung, RAG sowie die Erstellung in der Produktion behandelt. Es entstand vor vielen aktuellen Arbeiten zu MCP und Agenten, da sich das Feld unglaublich schnell entwickelt – kombinieren Sie es daher mit etwas Neuem, wenn Sie eine schwierigere und aktuellere Lektüre wünschen.

Ihre Arbeit muss nicht abgeschlossen sein, bevor Sie fortfahren. Wählen Sie das, was Ihren aktuellen Bedarf deckt, lernen Sie so viel wie nötig, um weitermachen und etwas entwickeln zu können.

Ihr erstes Projekt

Bleiben Sie klein – wirklich sehr klein. Es muss keinen Personalmanager beeindrucken, keine Tausende von Nutzern anziehen, keine aufwendige Agentenarchitektur verwenden oder eine Idee sein, die noch niemand hatte. Sein Zweck ist es, die Konzepte anzuwenden, die Sie studiert haben, denn erst dadurch erkennen Sie, was Sie tatsächlich verstehen.

Wählen Sie ein Problem aus, das Sie persönlich interessiert und das klein genug ist, um eine erste Version schnell zum Laufen zu bringen. Ein Rezeptbot, der Scans Ihrer Familienrezepte liest und Abendessen vorschlägt. Ein Skript, das Techniknews liest und Ihnen einen täglichen Überblick per E-Mail schickt. Die genaue Idee spielt kaum eine Rolle. Der persönliche Bezug ist wichtig, denn wenn Sie das Thema kennen, können Sie beurteilen, ob die KI gut funktioniert, und es ist wahrscheinlicher, dass Sie weitermachen, nachdem die ersten unterhaltsamen Stunden durch mühsames Debuggen abgelöst werden.

Machen Sie sich bei dieser Aufgabe etwas Mühe. Es ist in Ordnung, von einer KI zu verlangen, ein neues Konzept zu erklären, aber versuchen Sie, den Code selbst zu schreiben und Probleme eigenständig zu lösen. Personalverantwortliche erkennen das deutlich: Menschen, die nach dem Aufkommen von KI-Assistenten auf den Arbeitsmarkt gekommen sind, halten sich oft zurück, indem sie zu früh auf sie zurückgreifen und nie ihr eigenes Potenzial ausschöpfen.

Sobald die einfache Version funktioniert, machen Sie sie schwieriger und unterhaltsamer. Überprüfen Sie die Liste der Fähigkeiten und fügen Sie weitere Elemente hinzu:

• Erstellen Sie korrekte Evaluierungen, damit Sie feststellen können, ob es funktioniert.
• Experimentieren Sie mit Context Engineering und RAG.
• Geben Sie dem Modell Werkzeuge und machen Sie es zu einem Agenten, falls das Problem dies erfordert.

Dann bringen Sie es auf den Markt. Deployen Sie es an Orten, an denen andere es nutzen können, fügen Sie Überwachung und Protokollierung hinzu und denken Sie über Kosten, Geschwindigkeit, Sicherheit sowie darüber nach, was passiert, wenn echte Nutzer unerwartetes Verhalten zeigen. Stopfen Sie nicht jedes Schlagwort in ein Projekt hinein. Der Zweck ist es, zu zeigen, dass Sie ein KI-System von einer Idee zu etwas Zuverlässigem entwickeln können.

Wie eine gute erste Projektwoche aussieht

Um das konkret zu machen: Stellen Sie sich die Idee eines Nachrichtenüberblicks vor. Am ersten Tag programmieren Sie ein Skript, das einige Schlagzeilen abruft und ein Modell bittet, sie zusammenzufassen. Es funktioniert mehr oder weniger. Am zweiten Tag stellen Sie fest, dass das Modell sich wiederholt und manchmal Details erfindet, wodurch Sie dazu gezwungen werden, etwas über Anweisungen mit Beispielen sowie strukturierte Ausgaben zu lernen. Am dritten Tag erkennen Sie, dass Sie nicht wissen, ob die zweite Version besser ist als die erste, also schreiben Sie zwanzig Testfälle sowie ein einfaches Bewertungsskript. Am Wochenende lesen Sie bereits über Informationsabrufverfahren, weil das Modell ständig Geschichten übersieht, die Ihnen wichtig sind.

Nichts davon war geplant. Jedes Thema tauchte auf, weil das Projekt es erforderte – und genau deshalb hält es sich.

Die Probleme anderer lösen

Unternehmen stellen keine Personen ein, die eine bestimmte Liste von Fähigkeiten besitzen. Sie suchen Menschen, die ihre Probleme lösen können. Ihr Projekt hat bewiesen, dass Sie Ihre eigenen Probleme lösen können – der nächste Schritt ist es also, die Probleme anderer zu lösen, und Sie müssen nicht auf eine Stelle warten, um das zu tun.

Machen Sie sich freiwillig bei einer gemeinnützigen Organisation stark und entwickeln Sie etwas, das ihnen Zeit spart. Erstellen Sie ein Tool für eine Hobbygruppe, der Sie bereits angehören. Helfen Sie dem kleinen Unternehmen eines Freundes dabei, einen zeitaufwändigen Prozess zu automatisieren. Oder tragen Sie zu einem Open-Source-Projekt bei, in dem Sie an echten Problemen mit erfahrenen Menschen arbeiten, die Feedback geben können. Der Weg spielt dabei keine große Rolle. Was zählt, ist die Praxis mit Anforderungen, die Sie nicht selbst definiert haben, Einschränkungen, die Sie nicht ausgewählt haben, sowie echten Menschen, denen es wichtig ist, ob etwas funktioniert. Wenn Sie dann von einem Personalmanager nach Erfahrungen gefragt werden, haben Sie etwas Konkretes zu erzählen – und wenn es gut gemacht ist, kann das auf Ihrem Lebenslauf stehen.

Das ist kein Ratschlag, ein Startup zu gründen, nur um eingestellt zu werden. Es handelt sich vielmehr um Ermutigung, eigene Erfahrungen zu sammeln, anstatt darauf zu warten, dass jemand eine Chance gibt. Ohne traditionelle Voraussetzungen ist es schwierig, Fuß zu fassen – man muss kreativ, mutig und sichtbar sein.

Eingestellt werden, wenn der Lebenslauf-Filter „Nein“ sagt

Ohne Informatikabschluss oder herkömmliche Ingenieurserfahrung wird Ihr Lebenslauf vermutlich bereits vor dem Lesen durch einen Menschen bei einigen Stellen ausgeschlossen. Das ist frustrierend, macht die Einstellung aber nicht unmöglich. Es bedeutet, dass der übliche Weg über LinkedIn wahrscheinlich nicht funktionieren wird – daher muss Networking eine größere Rolle spielen.

Netzwerken bedeutet hier nicht, in einem Konferenzraum voller Fremder zu arbeiten. Es bedeutet, Menschen in Unternehmen kennenzulernen, die Ihnen wichtig sind. Wählen Sie einige aus, zu denen Sie wirklich beitreten möchten. Suchen Sie nach KI-Entwicklern, Personalverantwortlichen oder anderen technischen Mitarbeitern, die öffentlich Beiträge verfassen, sich an Open-Source-Projekten beteiligen oder Vorträge halten, und lernen Sie von dieser öffentlichen Arbeit. Behandeln Sie sie dann als Menschen – nicht als Türwächter. Stellen Sie eine ehrliche Frage zu etwas, das sie erstellt haben. Teilen Sie einen Link oder eine Idee mit, die zu ihrer Arbeit passt. Und wenn Sie etwas in demselben Bereich entwickelt haben, lassen Sie sie es sehen.

Öffnen Sie keine Kontakte, indem Sie um eine Empfehlung bitten. Wenn Sie zu früh fragen, signalisieren Sie einem Fremden, dass Sie hauptsächlich daran interessiert sind, was er für Sie tun kann – und das ist eine Botschaft, die leicht ignoriert werden kann. Warten Sie Monate, nicht Tage, und halten Sie den Austausch unkompliziert und ehrlich. Das Ziel ist eine echte Beziehung, damit Sie bei freien Stellen nicht einfach nur ein weiteres Lebenslauf in einer Stapel von Tausenden sind.

Funktioniert das? Viele Menschen haben ihren ersten Praktikumsplatz durch eine direkte Bewerbung in einem Land bekommen, in dem sie die Sprache nicht sprachen und ein völlig anderes Fach studierten. Es ist möglich, allerdings ist es allein schwierig – suchen Sie daher dort nach Gleichgesinnten und Mentoren, wo immer es geht.