# Wer wir einstellen, wenn jeder KI nutzt > Hiring verändert sich mit KI: die Junior-Pyramide bricht weg, Senior-Profile werden teurer, und die wichtigste neue Rolle ist die Kontext-Pflege. Vier Profile, die ein Unternehmen 2026 braucht. Veröffentlicht: 2026-09-09 Wer ein Engineering-Team führt und in den letzten zwölf Monaten eingestellt hat, hat eine Beobachtung gemacht: das Profil, nach dem gefragt wird, hat sich verändert, ohne dass die Stellenanzeigen angepasst wurden. Bewerber schreiben KI-generierte Anschreiben, Lebensläufe sehen gleichförmig aus, und im Gespräch stellt sich heraus, dass viele Kandidaten Aufgaben, die sie früher selbst gelöst haben, heute an ein Modell delegieren. Wer das weiss, stellt andere Fragen. Wer es nicht weiss, stellt die alten und wundert sich, warum die Einstellung nicht trägt. Diese Verschiebung im Profil ist das Thema dieses Beitrags. Wer die ökonomische Seite noch nicht kennt, dem hilft [Die wahren Kosten eines Tokens](/posts/kosten-eines-token/) weiter, und wer die Frage nach dem, was bleibt, mitdenken will, der findet sie in [Was still bleibt](/posts/was-still-bleibt/). ## Auf den Punkt Wer die nächsten fünf Minuten nicht hat: **vier Profile entscheiden, ob ein Unternehmen in der KI-Welt produktiv wird.** Erstens, der KI-Generalist, der Modell-Output reviewt, ohne selbst zu schreiben. Zweitens, der Senior-Architekt, der die Kontextpflege verantwortet. Drittens, der Produktmanager, der Use-Cases schärft und Akzeptanzkriterien definiert. Viertens, der Datenschützer, der die Modelle im eigenen Haus einsatzfähig macht. Wer auf eines dieser Profile verzichtet, hat in den ersten zwei Jahren Mehrkosten, die keiner budgetiert hat. ## Glossar {% definition term="KI-Generalist" description="Ein Engineering-Profil, das nicht selbst KI trainiert, sondern KI-Output in produktiven Code, Designs oder Texte übersetzt. Die Kernkompetenz liegt in Review, Bewertung und Korrektur, nicht in der Modellentwicklung." /%} {% definition term="Senior-Architekt" description="Ein Engineering-Profil, das die Kontextpflege für KI-Systeme verantwortet: Codebase-Notizen, Architektur-Diagramme, Test-Coverage. In der KI-Welt ist das eine eigene Rolle, kein Nebenprodukt der Seniorität." /%} {% definition term="Junior-Pyramide" description="Die historische Annahme, dass ein Engineering-Team zu 40 bis 60 Prozent aus Junior-Positionen besteht, die von Senior-Positionen geführt werden. Die Pyramide war das Modell, mit dem die Branche zwei Jahrzehnte lang gerechnet hat. Sie bricht, weil die Arbeit, die Junior-Positionen klassisch gemacht haben, inzwischen von KI-Systemen erledigt wird." /%} {% definition term="Kontextpflege" description="Die laufende Disziplin, einem KI-System das aktuelle Bild der Codebase, der Architektur und der Geschäftslogik zu liefern. Wer diese Rolle nicht besetzt, lässt das KI-System auf veralteten Annahmen arbeiten, ohne es zu merken." /%} {% definition term="T-shaped Profile" description="Ein Bewerberprofil mit breitem Überblick über mehrere Domänen und tiefer Expertise in einer. In der KI-Welt ist T-Shaped wichtiger als je zuvor, weil die Integration zwischen Domänen die Stelle ist, an der das Modell scheitert." /%} {% definition term="Akzeptanzkriterium" description="Die formalisierte Bedingung, die ein KI-Output erfüllen muss, um als fertig zu gelten. Wer keine Akzeptanzkriterien definiert, hat KI-Output, der überprüft werden muss, statt Output, der eigenständig fertig ist." /%} ## Die Junior-Pyramide bricht Wer in den letzten zwölf Monaten ein Engineering-Team geleitet hat, kennt die Frage: stellen wir noch Junior-Positionen ein? Die ehrliche Antwort, die ich von Engineering-Managern gehört habe, ist ein klares Jein. Ja, weil ohne Junior-Positionen keine Senior-Positionen nachwachsen. Nein, weil die Arbeit, die Junior-Positionen historisch gemacht haben, heute zu grossen Teilen von KI-Systemen erledigt wird. Die Junior-Pyramide war ein betriebswirtschaftliches Arrangement. Unternehmen stellten Junior-Positionen ein, weil sie billiger waren und weil die Arbeit, die sie taten, einen Senior nicht ausgelastet hätte. Bug-Triage, einfache Features, Tests schreiben, Doku pflegen. Diese Arbeit ist in der KI-Welt automatisierbar, und zwar so weit, dass die Nachfrage nach menschlicher Arbeit in diesen Bereichen spürbar zurückgeht. Die Konsequenz ist nicht, dass Junior-Positionen verschwinden. Sie verschwinden nur in der Form, in der wir sie kennen. Wer ein Unternehmen führt, das auf die nächsten fünf Jahre plant, muss eine Antwort auf drei Fragen haben. Wer macht die Arbeit, die heute Junior-Positionen machen? In den meisten Teams, die ich gesehen habe, ist die ehrliche Antwort: weniger Arbeit wird gemacht, weil das Modell die Lücken füllt, und die Arbeit, die bleibt, ist anspruchsvoller. Das ist gut für die Produktivität, aber schlecht für die Pipeline. Wie wachsen Senior-Positionen nach, wenn Junior-Positionen fehlen? Die Antwort der Branche war bisher: durch Quereinsteiger, durch interne Wechsel aus anderen Disziplinen, durch den internationalen Markt. Diese Quellen versiegen, wenn alle Unternehmen dieselbe Strategie fahren. Was passiert mit dem Senior-Profil, wenn es kein Junior-Profil mehr gibt, an dem es führen kann? Wer ein Team aus lauter Senior-Positionen führt, verliert die Multiplikation, die durch Lehrtätigkeit entsteht. Ein Senior, der zwei Juniors führt, hat eine grössere Hebelwirkung als zwei Seniors, die nebeneinander arbeiten. Diese Hebelwirkung verschwindet nicht, aber sie verlagert sich von Lehrtätigkeit auf Kontextpflege. {% questionAnswer question="Stellen wir noch Junior-Positionen ein?" answer="Ja, aber nicht in der Form, in der wir sie bisher kannten. Wer Junior-Positionen ohne KI-Kompetenz einstellt, baut eine Pipeline auf, die in fünf Jahren das Senior-Profil nicht mehr liefert." /%} ## Vier Profile, die ein Unternehmen 2026 braucht Wer die nächsten fünf Jahre produktiv planen will, kommt mit dem klassischen Organigramm nicht mehr aus. Vier Profile, die in den meisten Organisationen unterbesetzt sind, entscheiden darüber, ob KI-Adoption ein Erfolg oder ein teures Experiment wird. ### Profil eins: KI-Generalist Der KI-Generalist ist das Profil, das in den meisten Ausschreibungen falsch beschrieben wird. Erwartet wird ein Machine-Learning-Engineer, der Modelle trainiert. Gebraucht wird jemand, der Modell-Output reviewt, bewertet, korrigiert und in produktive Workflows übersetzt. Das ist keine ML-Rolle, sondern eine Engineering-Rolle mit KI-Kompetenz. Wer einen KI-Generalisten einstellt, sollte auf drei Dinge achten. Erstens: kann die Person Code lesen und bewerten, auch wenn sie ihn nicht selbst geschrieben hat? Zweitens: kann sie die Grenzen eines Modells benennen, ohne in Marketing-Sprache zu verfallen? Drittens: kann sie mit einem Produktmanager über Akzeptanzkriterien streiten, ohne in technische Details abzudriften? Diese drei Fragen trennen Generalisten von Spezialisten, und sie sind schwer zu lernen, wenn man sie nicht schon kann. ### Profil zwei: Senior-Architekt mit Kontextverantwortung Der Senior-Architekt, der in der KI-Welt gebraucht wird, ist nicht der, der Architekturdiagramme zeichnet. Es ist der, der die Kontextpflege verantwortet. Codebase-Notizen, Architektur-Diagramme, Test-Coverage, Use-Case-Bibliotheken. Diese Disziplin ist nicht sexy und sie ist nicht billig. Sie ist aber die einzige Möglichkeit, ein KI-System über Monate produktiv zu halten, ohne dass es driftet (siehe [Modell-Drift](/posts/modell-drift/)). In der Praxis bedeutet das: 30 bis 50 Prozent einer Vollzeitstelle pro zwanzig Entwickler, die das System nutzen. Wer diese Rolle nicht besetzt, hat innerhalb eines halben Jahres ein KI-System, das auf Annahmen arbeitet, die niemand mehr nachvollziehen kann. ### Profil drei: Produktmanager mit Use-Case-Schärfe Der Produktmanager, der in der KI-Welt gebraucht wird, ist nicht der, der Features priorisiert. Es ist der, der Use-Cases so scharf definiert, dass das Modell sie eigenständig lösen kann. Akzeptanzkriterien, Edge-Cases, Beispiele, Negativbeispiele. Diese Disziplin steht zwischen Produktmanagement und Engineering und wird in den meisten Stellenbeschreibungen nicht erwähnt. Wer einen Produktmanager einstellt, der Use-Cases schärft, sollte auf zwei Dinge achten. Erstens: kann die Person Use-Cases so formulieren, dass sie ohne Rückfrage umsetzbar sind? Zweitens: kann sie das Modell selbst nutzen, um zu prüfen, ob die Use-Cases funktionieren? Wer auf eines dieser Dinge verzichtet, hat einen Produktmanager, der die Funktion alter Use-Cases verwaltet, statt neue zu schaffen. ### Profil vier: Datenschutz- und Compliance-Owner In regulierten Branchen ist diese Rolle schon besetzt. In den meisten Unternehmen, die ich gesehen habe, ist sie unterbesetzt oder auf mehrere Schultern verteilt. Der Compliance-Owner im KI-Kontext ist nicht der, der Datenschutzfolgenabschätzungen schreibt. Es ist der, der sicherstellt, dass ein Modell im eigenen Haus einsatzfähig ist, ohne den Datenschutz zu verletzen. Das umfasst Anbieter-Auswahl, Datenfluss-Dokumentation, Audit-Trail und Incident-Response. Diese Rolle ist im Verhältnis zu ihrem Schadenpotential die am meisten unterschätzte Rolle in der KI-Adoption. Wer kein dediziertes Profil hat, hat eine Person, die sich nebenbei darum kümmert, und die Person ist im ersten Vorfall überlastet. {% comparison caption="Vier Profile, vier Verantwortlichkeiten. Wer eines davon nicht besetzt, zahlt in den ersten zwei Jahren einen Aufschlag auf jede KI-Investition." data="{\"rows\":[{\"metric\":\"Generalist\",\"a\":8,\"b\":4},{\"metric\":\"Architekt\",\"a\":9,\"b\":5},{\"metric\":\"Produktmanager\",\"a\":7,\"b\":5},{\"metric\":\"Compliance\",\"a\":10,\"b\":3}],\"aLabel\":\"Bedarf\",\"bLabel\":\"Verfügbar\"}" /%} ## Was beim Interview zählt Wer in der KI-Welt einstellt, muss die Interviewfragen anpassen. Die klassischen Fragen nach Algorithmen, Datenstrukturen und System-Design sind nicht obsolet, aber sie sind nicht mehr ausreichend. Drei neue Fragen, die in den letzten zwölf Monaten an Aussagekraft gewonnen haben. **Frage eins: Wie haben Sie KI in den letzten drei Monaten genutzt?** Wer KI nicht nutzt, ist als Engineering-Profil heute eine Ausnahme. Wer KI nutzt, hat eine bestimmte Art, sie zu nutzen. Wer die Frage stellt, erfährt in der Antwort mehr über Arbeitsstil und Selbstverständnis als in jeder Programmierfrage. Wer die Antwort nicht ernst nimmt, weil sie nicht technisch ist, hat das Profil der nächsten fünf Jahre nicht verstanden. **Frage zwei: Zeigen Sie mir ein Stück Code, das Sie mit KI geschrieben haben, und erklären Sie mir, was daran gut ist.** Wer KI nutzt, hat Code, an dem er stolz ist. Wer diesen Code zeigt und erklären kann, was daran gut ist, hat ein tieferes Verständnis als jemand, der nur Output präsentiert. Wer KI-Output als eigenen Code verkauft, ohne erklären zu können, was daran gut ist, hat den Review nicht gemacht, den das Unternehmen braucht. **Frage drei: Wie würden Sie einem Junior erklären, was ein Token ist?** Diese Frage trennt Generalisten von Spezialisten. Wer es so erklären kann, dass ein Junior es versteht, hat ein Modell von der Sache im Kopf, das über das Marketing hinausgeht. Wer es nicht kann, hat das Modell auswendig gelernt, aber nicht verstanden. {% questionAnswer question="Woran erkenne ich einen guten KI-Generalisten?" answer="Daran, dass die Person in den ersten zehn Minuten eines Gesprächs drei Limitationen des Modells benennt, mit dem sie arbeitet. Wer KI lobt, ohne Limitationen zu nennen, ist noch in der Marketing-Phase." /%} ## Gehälter, die niemand budgetiert hat Die vier Profile, die oben stehen, kosten Geld. Wer sie auf den klassischen Gehaltsbändern besoldet, bekommt nicht die Profile, die gebraucht werden. Wer auf dem Markt realistisch sucht, sieht drei Verschiebungen, die in den meisten HR-Budgets noch nicht angekommen sind. Verschiebung eins: Senior-Profile werden teurer. Wer einen Senior-Architekten mit Kontextverantwortung sucht, konkurriert mit allen anderen Unternehmen, die denselben Architekten suchen. Das Gehaltsband liegt in Westeuropa zwischen 130.000 und 180.000 Euro, je nach Region und Industrie. Wer darunter bleibt, bekommt entweder einen Junior, der schnell wachsen muss, oder einen Senior, der nicht wechseln will. Verschiebung zwei: Generalisten kosten so viel wie Spezialisten. Wer vor drei Jahren einen Full-Stack-Entwickler eingestellt hat, hat zwischen 70.000 und 95.000 Euro bezahlt. Wer heute einen KI-Generalisten einstellt, zahlt das gleiche Band, aber die Person muss zusätzlich KI-Kompetenz mitbringen. Das ist eine unsichtbare Verschärfung der Anforderungen bei gleichem Budget. Verschiebung drei: Compliance-Profile sind unterbezahlt. Wer einen Datenschutz-Owner mit KI-Erfahrung sucht, zahlt in vielen Unternehmen das gleiche wie einen klassischen Datenschutzbeauftragten. Das ist zu wenig. Die Rolle hat in der KI-Welt mehr Verantwortung als in der klassischen Welt, und wer das im Gehalt nicht abbildet, verliert die Profile an Wettbewerber. Wer ein realistisches Budget für ein zwölfköpfiges Team aufstellt, das KI produktiv nutzt, kommt auf einen Personalbudget-Anteil von 18 bis 25 Prozent für diese vier Profile. Das ist mehr, als die meisten Unternehmen heute ausgeben, und es ist weniger, als sie in zwei Jahren ausgeben werden, wenn sie zu spät reagieren. ## Drei Fehler bei der Einstellung Drei Fehler, die ich in den letzten zwölf Monaten gesehen habe. Sie sind alle vermeidbar, wenn man weiss, dass sie kommen. **Fehler eins: Generalist eingestellt, Spezialist erwartet.** Wer einen KI-Generalisten einstellt und dann Aufgaben gibt, die ML-Engineering erfordern, hat nach drei Monaten einen unzufriedenen Mitarbeiter und ein ungelöstes Problem. Die Stellenbeschreibung muss exakt sein, und sie muss ehrlich sein. **Fehler zwei: Kontextpflege-Rolle nicht besetzt.** Wer KI einführt, ohne die Kontextpflege als eigene Rolle zu definieren, hat innerhalb eines halben Jahres Drift. Wer die Rolle schafft, aber auf Junior-Niveau besoldet, hat nach einem Jahr eine unbesetzte Stelle. Die Rolle muss Senior-Gehalt haben, sonst wird sie nicht ernst genommen. **Fehler drei: KI-Kompetenz nicht geprüft.** Wer KI-Kompetenz nicht im Interview prüft, hat nach sechs Monaten ein Team, das KI nutzt, ohne es zu verstehen. Das ist gefährlicher als ein Team, das KI nicht nutzt, weil die Fehldiagnosen subtiler sind. ## Die Pipeline, die nachwächst Wer in den nächsten fünf Jahren Senior-Positionen besetzen will, muss heute eine Pipeline aufbauen, die nachwächst. Drei Bausteine, die in den meisten Unternehmen fehlen. Baustein eins: ein internes Lernprogramm für KI-Kompetenz. Wer KI nicht selbst nutzt, kann sie nicht reviewen, nicht bewerten und nicht in Workflows integrieren. Ein Lernprogramm, das allen Engineering-Positionen 40 Stunden pro Jahr KI-Praxis gibt, kostet zwischen 200.000 und 500.000 Euro pro Jahr, je nach Grösse. Das ist weniger als eine externe Einstellung. Baustein zwei: eine Rotationsrolle zwischen Disziplinen. Wer in zwei Jahren Product-Manager werden will, sollte heute sechs Monate Engineering gemacht haben. Wer in zwei Jahren Engineering-Lead werden will, sollte heute drei Monate Produktmanagement gemacht haben. Diese Rotationen kämpfen gegen Silostrukturen, aber sie bauen das T-shaped-Profil auf, das in der KI-Welt gebraucht wird. Baustein drei: eine offene Fehlerkultur für KI-Output. Wer KI-Output nicht reviewt, hat irgendwann einen Vorfall, der unter dem Radar passiert. Wer KI-Output reviewt und die Fehler offen dokumentiert, hat eine Organisation, die lernt. Diese Kultur ist schwer zu bauen, aber sie ist die einzige, die nachhaltig Senior-Profile produziert. ## Was am Ende zählt Hiring in der KI-Welt ist eine Funktion von drei Variablen, die zusammenpassen müssen: das Profil, das gesucht wird, das Gehalt, das bezahlt wird, und die Kultur, in der die Person arbeitet. Wer auf eine dieser Variablen verzichtet, hat ein Team, das in den nächsten zwei Jahren driftet. Wer die vier Profile besetzt, die oben stehen, hat ein Team, das die nächsten fünf Jahre produktiv ist. Wer auf eines davon verzichtet, hat ein Team, das in jedem zweiten Projekt das gleiche Problem hat: eine Lücke, die niemand füllt, weil niemand dafür bezahlt wird. Das ist die ehrliche Rechnung. Sie ist nicht bequem, aber sie ist die einzige, die nach fünf Jahren noch stimmt. ## Weiterführend - **[Stack Overflow Developer Survey 2025](https://survey.stackoverflow.co/2025/)**, wer die Verschiebung im Profil empirisch sehen will, findet hier die Zahlen, die HR-Budgets rechtfertigen. - **[Lenny's Newsletter](https://www.lennysnewsletter.com/)**, wer Product-Management-Profile in der KI-Welt beobachten will, findet hier die Diskussion, die aktuell geführt wird. - **[Will Larson's Blog](https://lethain.com/)** zum Thema *Hiring in turbulenten Märkten*, eine ehrliche Reflexion darüber, was Einstellung in Phasen hoher Veränderung bedeutet.