Der gefragteste Job in der KI baut keine Modelle — er deployed sie
Im Mai 2026 lancierte OpenAI The Deployment Company, eine eigene Business Unit mit über USD 4 Milliarden an angekündigten Enterprise-Commitments. Wenige Tage später kündigte Anthropic ein Joint Venture über USD 1,5 Milliarden mit Blackstone und Goldman Sachs an, um Engineers direkt bei Finanzdienstleistern einzubetten. Google stellt Hunderte mit demselben Profil ein. Salesforce hat sich auf rund 1’000 davon für Agentforce festgelegt.
Die Rolle, für die alle einstellen, ist der Forward Deployed Engineer (FDE). Die Stellenausschreibungen dafür stiegen um rund 800% im Jahresvergleich, mit Vergütungen von USD 300’000–600’000 bei Frontier Labs. Wenn die grössten KI-Unternehmen der Welt zum Schluss kommen, dass der Engpass im Deployment liegt und nicht in der Modellqualität, sollte jeder, der KI für Unternehmen einkauft, genau hinschauen.
Was ist Forward Deployed Engineering
Forward Deployed Engineering ist ein Liefermodell, bei dem Engineers innerhalb der Organisation des Kunden arbeiten — direkt an dessen Daten, Infrastruktur, Compliance-Vorgaben und mit dessen Mitarbeitenden — und dort produktive KI-Systeme ausliefern, statt Empfehlungen, Slide Decks oder generische Software zu übergeben.
Palantir hat das Modell Anfang der 2010er-Jahre geschaffen. Die definierenden Merkmale:
- Der Engineer sitzt beim Kunden, physisch oder in täglicher eingebetteter Zusammenarbeit, oft über Monate.
- Das Ergebnis ist funktionierender, deployter Code in der Umgebung des Kunden — verbunden mit echten Systemen, echten Daten und echten Nutzern.
- Erkenntnisse aus dem Feld fliessen zurück ins Produkt: Jedes Integrationsproblem, das ein FDE löst, beeinflusst, was als Nächstes gebaut wird.
Die Rolle ist ein Hybrid. Sie kombiniert LLM Integration, Evaluation Engineering, Agentenentwicklung und die Kommunikationsfähigkeit eines starken Beraters. Anthropics Anforderungsprofil für die Rolle verlangt produktive LLM-Erfahrung, inklusive Prompt Engineering, Agentenentwicklung, Evaluation Frameworks und Deployment im grossen Massstab.
Warum die Branche auf dieses Modell umgeschwenkt ist
Das Signal hinter dem Schwenk ist eine einzige, gut dokumentierte Zahl. Die NANDA Initiative des MIT untersuchte 300 öffentliche Enterprise-KI-Projekte und fand heraus: 95% der Pilotprojekte erzielten wenig bis keine messbare Wirkung auf die Erfolgsrechnung.
Die Ursache waren nicht schwache Modelle. Die Piloten, die scheiterten, scheiterten an der Integrationsschicht: interne Daten, die niemand strukturiert hatte, Legacy-Software ohne saubere APIs, Compliance-Regeln, die Cloud-Aufrufe blockierten, und Workflows, die nie für KI ausgelegt waren. Ein Modell, das über eine API angesprochen wird, zeigt seinen Wert in einer Demo innerhalb von Tagen. Dasselbe Modell scheitert, wenn es aus einem ERP lesen, Zugriffsrechte respektieren, ein Audit bestehen und 3 Abteilungen mit widersprüchlichen Anforderungen bedienen muss.
Die Frontier Labs sind mit ihren eigenen Enterprise-Kunden gegen genau diese Wand gelaufen. Ihre Antwort: nicht mehr Fähigkeiten verkaufen, sondern Ergebnisse liefern — indem sie Engineers ins Gebäude schicken. Das ist die gesamte Logik hinter Forward Deployed Engineering. Für Einkäufer lautet die praktische Frage, wie sie diese Fähigkeit mit einem realistischen Budget bekommen.
5 Wege zu Forward-Deployed-Fähigkeiten
Option 1: Direkt bei einem Frontier Lab einkaufen
OpenAI, Anthropic und Google verkaufen eingebettetes Deployment inzwischen als Service oder Joint Venture. Die Qualität ist hoch, und die Engineers haben direkten Zugang zu den Modellteams. Die Einschränkung liegt bei Zugang und Preis: Diese Programme zielen auf Accounts im Fortune-500-Massstab, mit Commitments in zweistelliger Millionenhöhe. Allein Anthropics Finanzdienstleistungs-JV ist mit USD 1,5 Milliarden strukturiert. Für eine mittelgrosse Bank, einen Versicherer oder ein Industrieunternehmen im DACH-Raum ist dieser Kanal faktisch verschlossen.
Option 2: FDEs intern einstellen
Ein internes Deployment-Team gibt volle Kontrolle und behält Wissen im Haus. Die operative Realität: FDE-Vergütungen erreichen USD 300’000–600’000 am oberen Ende des Marktes, 118+ Unternehmen konkurrieren um denselben Pool von 224 offen gelisteten Kandidaten, und eine einzelne Person deckt das Skillset selten ab — Data Engineering, RAG-Architektur, Evaluation Frameworks und Plattformintegration finden sich kaum in einem Profil. Rechnet mit 6–12 Monaten von der Headcount-Freigabe bis zu einem produktiven 3-Personen-Team, plus laufendem Retention-Risiko in einem Markt, der 35–50% Prämie für das Profil zahlt.
Option 3: Mit einem grossen Systemintegrator arbeiten
Globale Beratungen bieten KI-Implementierung im grossen Massstab und bringen Prozessdisziplin für regulierte Umgebungen mit. Die Trade-offs sind bekannt: gemischte Tagessätze von CHF 1’800–2’800 pro Berater, Staffing-Modelle, die Juniors in die Delivery rotieren, und Engagement-Strukturen, die auf abrechenbare Dauer optimiert sind. Integrationsprojekte laufen routinemässig 9–18 Monate, bevor ein produktives System existiert. Diese Option passt für Firmen, die 50+ Personen auf einem Programm brauchen — weniger für jene, die 1 funktionierenden Agenten in einem Quartal brauchen.
Option 4: Mit einer spezialisierten KI-Agentur im Embedded-Modus arbeiten
Ein kleinerer, spezialisierter Partner kann das Forward-Deployed-Playbook im Mid-Market-Massstab umsetzen: ein 2–4-Personen-Team, das die Datenquellen des Kunden auditiert, die Ingestion Pipeline baut, RAG-Architektur und Evaluation-Benchmarks aufsetzt und den Agenten in die Kanäle integriert, in denen die Kunden tatsächlich sind. So arbeitet Lab51 mit regulierten B2B-Kunden im DACH-Raum. Ein typisches Engagement strukturiert die Arbeit in fixe Phasen — Knowledge Auditing und Source Mapping, Pipeline-Aufbau, Vergleichs- und Retrieval-Logik, dann Validierung gegen ein Benchmark-Set von 20–50 Fragen, die zwingend richtig beantwortet werden müssen — mit produktivem Deployment in rund 8 Wochen pro Workstream und definierten Monatskosten für Monitoring und Reporting danach. Die relevante Erfolgsmessung ist dieselbe, die Frontier Labs verwenden: ein Accuracy Report gegen das Benchmark-Dataset, in Produktion, in der eigenen Umgebung des Kunden.
Bereit, KI in euer Unternehmen zu integrieren und eure Geschäftsprozesse auf das nächste Level zu bringen? Kontaktiert uns noch heute — gemeinsam finden wir die wirksamsten Wege, KI-Lösungen passgenau für eure Organisation umzusetzen:
Option 5: Interne Engineers in Deployment-Rollen weiterentwickeln
Bestehende Backend- oder Data Engineers können in FDE-artige Arbeit hineinwachsen, und für langfristige Ownership sollten sie das. Die zu schliessende Lücke ist konkret: Evaluation Engineering (Test-Suites, die Halluzinationen und Regressionen vor der Produktion abfangen), Agent Frameworks und mehrstufige Tool-Use-Ketten. Plant 6–9 Monate fokussierten Aufbau mit echten Projekten und stellt dem Team für das erste Deployment externe Praktiker zur Seite. Training ohne ein Live-System, das ausgeliefert wird, produziert Zertifikate — und Zertifikate bestehen keine Audits.
Vergleich auf einen Blick
| Option | Zeit bis Produktion | Indikative Kosten | Am besten für |
|---|---|---|---|
| Frontier-Lab-Programm | 3–6 Monate | USD 10M+ Commitments | Fortune-500-Massstab |
| Internes FDE-Team | 9–18 Monate | USD 1M+/Jahr für 3 Engineers | Firmen mit permanenter KI-Roadmap |
| Grosser Systemintegrator | 9–18 Monate | CHF 1’800–2’800/Tag pro Berater | Programme mit 50+ Personen |
| Spezialisierte Embedded-Agentur | ~8 Wochen pro Workstream | Fixed-Scope, 5-stellige Phasen | Mittelgrosse regulierte Firmen |
| Internes Upskilling | 6–9 Monate Aufbau | Gehalt + Trainingszeit | Langfristige Ownership, gepaart mit Option 4 |
Warum jetzt handeln
Das Forward-Deployed-Modell wurde in unter 12 Monaten von einer Palantir-Spezialität zum Branchenstandard. Das verändert die Wettbewerbsbasis auf 2 Arten. Erstens: Die Grossunternehmen in eurem Markt bekommen genau jetzt eingebettete Deployment-Teams von den Labs — die 95% Pilot-Fehlerquote wird für sie bald nicht mehr gelten. Zweitens: Der Talentmarkt für Deployment-Skills verengt sich schnell. Ein Anstieg der Ausschreibungen um 800% bedeutet, dass die Kosten des Wartens sich aufsummieren — egal ob ihr einstellt, trainiert oder extern beauftragt.
Der konkrete nächste Schritt ist klein: Wählt 1 hochwertigen Workflow, definiert 20–50 Fragen, die zwingend richtig beantwortet werden müssen, und bringt innerhalb eines Quartals einen produktiven Agenten in eurer eigenen Umgebung zum Laufen, der sie beantwortet. Dieses Artefakt — ein gebenchmarktes, deploytes System — ist es, was die grössere Roadmap intern rechtfertigt.
Das Modell war nie das Produkt
Die letzten 3 Jahre haben Unternehmen belohnt, die mit Modellen experimentiert haben. Die nächsten 3 werden Unternehmen belohnen, die sie betreiben — in echter Infrastruktur, unter echter Compliance, gemessen an echten Benchmarks. Forward Deployed Engineering ist schlicht der Name, den die Branche dieser Disziplin gegeben hat. Die Firmen, die sie übernehmen — in welchem Massstab auch immer ihr Budget zulässt — werden ihre Workflows besitzen. Der Rest wird weiter Piloten fahren.
Geschrieben mit Unterstützung von KI
