Was macht ein AI Solution Engineer?
Ein AI Solution Engineer übersetzt fachliche Probleme in technische Lösungen, die auf maschinellem Lernen oder großen Sprachmodellen beruhen. In einem Versicherungsunternehmen kann das bedeuten, eingehende Schadenmeldungen automatisch zu klassifizieren, Arztberichte und Gutachten auszulesen, einen internen Assistenten für Sachbearbeiter zu bauen, der Versicherungsbedingungen durchsucht, oder Betrugsverdachtsfälle vorzusortieren. Der Arbeitstag besteht aus Gesprächen mit der Fachabteilung, in denen geklärt wird, was die Lösung leisten soll, aus dem Bau von Prototypen, aus dem Schreiben von Code, meist in Python, und aus der Anbindung an bestehende Systeme über Schnittstellen. Dazu kommen das Testen und Bewerten der Ergebnisse, das Abstimmen mit Datenschutz, Informationssicherheit und Compliance sowie das Dokumentieren. Anders als in der reinen Forschung geht es weniger um neue Modelle als darum, vorhandene Modelle und Cloud-Dienste zuverlässig, sicher und bezahlbar in den Betrieb zu bringen.
Wie wird man AI Solution Engineer?
Einen geregelten Ausbildungsweg gibt es nicht. Die meisten kommen über ein Studium der Informatik, Wirtschaftsinformatik, Data Science, Mathematik oder Physik, häufig mit Master. Ebenso verbreitet ist der Wechsel aus angrenzenden Rollen: Softwareentwickler, Data Scientists oder Data Engineers, die sich in Sprachmodelle, Retrieval-Verfahren und Cloud-Plattformen eingearbeitet haben. Fachinformatiker für Anwendungsentwicklung mit mehrjähriger Erfahrung finden ebenfalls Stellen, vor allem wenn sie Projekte vorweisen können. Zertifikate der großen Cloud-Anbieter werden gern gesehen, ersetzen aber keine praktische Erfahrung. Branchenwissen über Versicherungsprozesse ist ein Vorteil, wird aber oft erst im Job erworben.
Was der Beruf verlangt
Das Fachgebiet verändert sich schnell. Werkzeuge, Modelle und Preise wechseln innerhalb weniger Monate, und wer nicht laufend dazulernt, verliert den Anschluss. Das kostet Zeit, die nicht immer in der Arbeitszeit unterkommt. Die Rolle verlangt, zwei Sprachen zu sprechen: die der Entwickler und die der Fachabteilung, die oft überhöhte Erwartungen an KI hat. Ein beträchtlicher Teil der Arbeit besteht darin, diese Erwartungen zu dämpfen, Grenzen der Modelle zu erklären und mit fehlerhaften oder unvollständigen Daten umzugehen. In regulierten Branchen wie Versicherungen kommen umfangreiche Freigabeprozesse, Anforderungen der Aufsicht und der europäischen KI-Verordnung hinzu, was Projekte verlangsamen kann. Die Arbeitszeiten sind meist regulär, vor Projektabschlüssen oder bei Störungen im Betrieb kann es aber eng werden. Viele Projekte enden als Prototyp, der nie in den Betrieb geht, was frustrierend sein kann.
Aussichten
Die Nachfrage ist derzeit hoch, vor allem bei Versicherern, Banken, Beratungen und Softwarehäusern, die generative KI in ihre Abläufe bringen wollen. Die Berufsbezeichnung ist allerdings jung und nicht einheitlich, und ein Teil der Nachfrage folgt einer Welle, deren Dauer niemand sicher einschätzen kann. Grundlegende Fähigkeiten in Softwareentwicklung, Datenarbeit und Systemintegration bleiben auch dann gefragt, wenn sich die Bezeichnung ändert. Entwicklungswege führen zum AI Architect oder Solution Architect, zur fachlichen Leitung eines KI-Teams, in die Produktverantwortung oder in die Beratung.