Expertise · KI-, ML- und Data-Profile für den DACH-Mittelstand
Künstliche Intelligenz für den DACH-Mittelstand — Senior-Profile, die KI produktiv machen.
Weniger als fünf Prozent der KI-Pilotprojekte erreichen einen messbaren P&L-Effekt (MIT-Studie). Der Engpass ist nicht das Modell, sondern das Engineering drumherum — Data-Ingestion, Retrieval, Governance, Eval. Wir liefern Senior-Profile, die diese Umsetzungs-Lücke schließen. Erste Profilauswahl in 48 Stunden.
Sechs Rollen, eine Senior-Quote von 100 Prozent: Data Scientists, ML Engineers, MLOps Engineers, LLM- und GenAI-Engineers, Data Engineers, KI-Architekten. Stacks: PyTorch, TensorFlow, LangChain, LlamaIndex, MLflow, Kubeflow, Vector-Datenbanken, deutsche Cloud (STACKIT, IONOS) plus AWS Bedrock, Azure OpenAI, GCP Vertex AI. Aktuelle Themen wie Sovereign AI, EU AI Act, RAG und Agentic AI sind Teil unserer Profil-Substanz.
KI-Fachkräftemangel und Umsetzungs-Druck
KI-Modelle sind Commodity. Senior-Profile mit produktiver Implementierungs-Erfahrung sind es nicht.
71 Prozent der Organisationen in Deutschland nutzen KI in mindestens einer Funktion. Aber laut MIT erreichen weniger als 5 Prozent der KI-Pilotprojekte eine Lösung mit messbarem P&L-Effekt. Die Lücke ist kein Modell-Problem — sie ist ein Umsetzungs-Problem. Wer produktive KI-Systeme baut, braucht keine LLM-Prompt-Experten, sondern Senior-Profile, die Ingestion, Retrieval, Governance, Eval, Cost-Management und Change-Management gleichzeitig beherrschen. Genau diese Profile sind im DACH-Markt am knappsten.
Was im KI-Bereich besonders weh tut:
- MLOps-Engineers mit produktiver Praxis (nicht nur Kubeflow-Tutorials) sind Mangelware
- LLM- und GenAI-Engineers mit RAG-Erfahrung sind rar — die meisten haben Prototypen gebaut, aber kein Produktivsystem
- Data Engineers, die Vector-Datenbanken und klassische Datenpipelines gleichzeitig beherrschen, gibt es kaum
- KI-Architekten, die AI Act, Sovereign-Setups und Enterprise-Integration zusammendenken, sind spitze Engpass-Skill
- Data Scientists mit Business-Verständnis (statt reine Kaggle-Skills) sind im Mittelstand schwer zu finden
- Fine-Tuning-Praxis auf offenen Modellen (Llama, Mistral) fehlt in vielen Bewerbungen — trotz gegenteiliger Behauptungen im Lebenslauf
KI-Skills sind nicht generisch. Wer ein RAG-System bauen will, braucht keinen Data Scientist. Wer eine Predictive-Maintenance-Lösung braucht, keinen LLM-Engineer. Wir liefern Profile mit dokumentierter Praxis für den konkreten Anwendungsfall — nicht Lebensläufe mit Buzzword-Sammlung.
Profil-Differenzierung
Vier Säulen — Senior-KI-Profile, die im Produktivbetrieb wirklich liefern.
Vier strategische Entscheidungen, die uns von klassischen KI-Vermittlern unterscheiden — und unsere Profile von Standard-Lebensläufen abheben.
Säule 1 — 100 Prozent Senior-Quote
Keine Junior-Profile, keine Bootcamp-Absolventen ohne Produktionserfahrung. Jedes Profil in unserem KI-Team hat mindestens fünf Jahre produktive Implementierungs-Erfahrung. Was wir schicken, ist Senior — keine Ramp-up-Kurve auf Ihrem Mandat, keine Trial-and-Error-Phase, für die Sie mitzahlen.
Säule 2 — Dokumentierte Stack-Tiefe statt Lebenslauf-Buzzwords
Jedes Profil hat eine dokumentierte Implementierungs-Historie pro Stack. Wenn jemand „LLMs" in der Bewerbung stehen hat, klären wir konkret: welche Modelle, welche Fine-Tuning-Praxis, welche RAG-Architektur, welche Produktions-Metriken. Wir schicken kein Profil ohne diese Tiefe verifiziert zu haben.
Säule 3 — Deutsche Senior-Steuerung, EU-Nearshore- und Offshore-Skalierung
Vertragspartner ist immer die GLJ Tech GmbH mit Sitz in Münster. KI-Architektur und Senior-Steuerung liegen in Deutschland — auch bei kombinierten Liefer-Modellen. Skalierbare ML- und Data-Engineering-Kapazität kommt aus EU-Nearshore-Hubs (Polen, Rumänien, Ungarn, Bulgarien), Volumen-Skalierung und englischsprachige ML-Praxis aus unseren Offshore-Centern (Brasilien, Indien). Was wo passieren darf, mappen wir pro Mandat — bei Sovereign-Mandaten bleiben datenführende Komponenten in Deutschland.
Säule 4 — 48-Stunden-Profilauswahl mit dokumentierter Vorprüfung
Erste Profilauswahl in 48 Stunden nach Briefing — zwei bis drei vorqualifizierte Profile mit dokumentierter Erfahrung. Wir haben das Profil bereits fachlich geprüft, bevor Sie es interviewen. Bei KI-Rollen prüfen wir zusätzlich anhand konkreter Case-Aufgaben, nicht nur Referenz-Beschreibungen.
Sechs Senior-Rollen im KI-, ML- und Data-Bereich
Sechs Rollen, jeweils mit dokumentierter Stack-Praxis.
Wir vermitteln nicht „KI-Profile" pauschal, sondern stellen sechs klar abgegrenzte Senior-Rollen bereit — jede mit eigenem Skill-Profil und eigener Liefer-Praxis.
Data
Scientist
Analysiert komplexe Datenmengen, entwickelt statistische Modelle und prädiktive Algorithmen. Tiefe in Python-Ökosystem (Pandas, NumPy, Scikit-learn, XGBoost, statsmodels), Feature Engineering, A/B-Testing, kausale Inferenz. Erfahrung in Business-Übersetzung — vom Modell zur Handlungs-Empfehlung. Bei uns: dokumentierte Praxis in mindestens drei produktiven Mittelstands- oder Enterprise-Projekten, keine reinen Kaggle-Karrieren.
Machine Learning Engineer
Entwirft und implementiert ML-Modelle bis zur produktiven Deployment-Reife. Tiefe in PyTorch, TensorFlow, Scikit-learn, XGBoost, LightGBM. Praxis in Model Serving (TorchServe, Triton, BentoML), Feature Stores (Feast, Tecton), Batch- und Realtime-Inferenz. Bei uns: konkrete Deployment-Erfahrung — kein Notebook-Kult, sondern Produktionscode.
MLOps
Engineer
Baut und betreibt ML-Pipelines vom Training bis zur Produktion. Tiefe in MLflow, Kubeflow, Weights & Biases, ClearML, Airflow, Prefect, DVC. Praxis in Model-Versionierung, Reproduzierbarkeit, Retraining-Pipelines, Model-Drift-Monitoring. Bei uns: nachweisbare Praxis im 24/7-produktiven ML-Betrieb — SLOs, Retraining-Trigger, Rollback-Strategien.
LLM- und GenAI-Engineer
Entwickelt Anwendungen mit generativer KI und großen Sprachmodellen. Praxis in RAG-Systemen (Ingestion, Chunking, Hybrid-Retrieval, Reranking, Guardrails), Fine-Tuning auf offenen Modellen (Llama, Mistral) und geschlossenen Modellen (Claude, GPT). Tiefe in LangChain, LlamaIndex, Haystack, DSPy, Semantic Kernel. Bei uns: produktive RAG-Systeme mit Eval-Harness und Zugriffskontrollen, nicht reine Chatbot-Demos.
Data
Engineer
Baut und betreibt die Dateninfrastruktur, auf der KI-Modelle operieren. Tiefe in Datenpipelines (Apache Airflow, Prefect, dbt, Fivetran, Airbyte), Data Lakes und Warehouses (Snowflake, Databricks, BigQuery, deltalake), Vector-Datenbanken (Pinecone, Weaviate, Qdrant, Chroma, pgvector) und Stream-Processing (Kafka, Flink). Bei uns: klassische und KI-relevante Datenpipeline-Praxis in einer Person, nicht nur ETL-Standard.
KI-Architekt
Entwirft KI-Gesamtlösungen — Modell-Auswahl, Infrastruktur, Integration in Bestandssysteme, Governance-Setup. Erfahrung in Cloud-KI-Diensten (AWS Bedrock, Azure OpenAI, GCP Vertex AI, STACKIT AI Model Serving, IONOS AI Model Hub) plus Open-Source-Alternativen auf eigenen GPU-Clustern. Praxis in AI-Act-Konformität, Risiko-Klassifizierung und Eval-Setup. Bei uns: durchgehend produktive Architektur-Verantwortung — keine reinen Beratungs-Foliensätze.
Was die Profile produktiv beherrschen
KI-Stack-Tiefe plus die aktuellen Themen.
Welche Tools, Modelle und Aktuell-Themen unsere Profile aus produktiver Praxis kennen. Welche Profile zu Ihrem konkreten Anwendungsfall passen, klären wir im Erstgespräch.
Modelle und Frameworks
Große Sprachmodelle: Llama, Mistral, Claude, GPT — sowohl selbst gehostet auf deutscher Cloud als auch als Managed-Service-Nutzung. Frameworks: PyTorch, TensorFlow, Scikit-learn, XGBoost, LightGBM. GenAI-Frameworks: LangChain, LlamaIndex, Haystack, DSPy, Semantic Kernel.
MLOps und Model Serving
MLflow, Kubeflow, Weights & Biases, ClearML, DVC, Airflow, Prefect. Model Serving mit TorchServe, Triton Inference Server, BentoML, KServe. Feature Stores: Feast, Tecton.
Vector-Datenbanken und Retrieval
Pinecone, Weaviate, Qdrant, Chroma, pgvector. Praxis in Hybrid-Retrieval (dense plus sparse), Reranking (Cohere Rerank, Cross-Encoder), Query-Rewriting und Multi-Vector-Ansätzen.
Cloud-KI-Dienste
AWS Bedrock und SageMaker, Azure OpenAI und Azure ML, Google Cloud Vertex AI. Plus deutsche Cloud: STACKIT AI Model Serving und IONOS AI Model Hub — relevant für Sovereign-Mandate
.
Data-Infrastruktur
Data Warehouses: Snowflake, Databricks, BigQuery. Data Lakes und Lakehouse-Setups auf Delta Lake, Iceberg, Hudi. Stream-Processing mit Kafka, Flink, Spark Streaming. Datenpipelines: dbt, Fivetran, Airbyte, Apache Airflow.
Aktuelle Themen — wo unsere Profile vorn sind
Sovereign AI (Open-Source-Modelle auf deutscher Inferenz), EU AI Act (Risiko-Klassifizierung, Eval-Harness, Governance-Dokumentation), RAG-Reife (Enterprise-Retrieval auf großen Wissensbasen), Fine-Tuning auf offenen Modellen (LoRA, QLoRA, Continued Pretraining), Agentic AI (Integration in Enterprise AI und KI-Agenten-Lösungen), Multimodale KI (Text, Bild, Audio, Video), AI-Cost-Management (Token-Optimierung, Modell-Rechtsizing).
Bestehende Stacks übernehmen wir, wo das sinnvoll ist. Wir empfehlen Modell- oder Framework-Wechsel nur dort, wo es echten Mehrwert bringt — nicht aus Hype.
Profil-Abgrenzung
Was wir nicht liefern — und warum.
Wir sind spezialisiert. Profile außerhalb dieser Spezialisierung schicken wir nicht — auch wenn das im Einzelfall einen Auftrag kostet.
1. Reine Junior-KI-Profile und Bootcamp-Absolventen
Wir liefern keine Junior-Profile. Wenn Ihr Bedarf eine Junior-Position ist, sind klassische Personalvermittler besser geeignet. Unsere Substanz ist Senior — alles andere wäre verwässerte Differenzierung.
2. Reine Forschungs-Profile ohne Produktionserfahrung
PhD-Profile mit Publikations-Historie, aber ohne Deployment-Praxis, sind für uns nicht der Standard. Der Mittelstand braucht Umsetzer, nicht Publikations-Karrieren. Ausnahmen bei sehr spezifischen Forschungs-Mandaten.
3. Prompt-Engineers als eigenständige Rolle
„Prompt Engineer" ist keine Senior-Rolle im Sinne unserer Vermittlung. Prompt-Design ist Teil jeder LLM-Engineer-Aufgabe — als eigenständige Position mit Senior-Tagessatz sehen wir es nicht.
4. Pauschale „AI Consultants" ohne technische Umsetzungs-Praxis
Reine Strategie-Beratung ohne Umsetzungs-Substanz vermitteln wir nicht. Unsere KI-Architekten haben immer eine Hands-on-Historie — sie können Modelle nicht nur empfehlen, sondern auch deployen.
5. Robotik- und Embedded-KI-Spezialisten
Roboter-Steuerung, Edge-KI auf Spezial-Hardware und Autonomous Systems sind nicht unser Bereich. Cloud-KI und Enterprise-KI-Anwendungen — ja. Robotik-KI mit Sensor-Fusion — nein.
„Wir lehnen Mandate ab, die nicht zu unserem Profil passen. Lieber Nein sagen als ein verwässertes Profil schicken, das im Produktivbetrieb nicht hält."
KI-Profile als Teil unserer Lösungs-Architektur
KI-Expertise verzahnt mit Lösungen und Lieferspuren.
KI-Profile sind ein Spezialfeld im InnoShore-Portfolio. Was parallel und ergänzend liefert:
Block A — Enterprise AI
Wenn Sie nicht nur Profile brauchen, sondern eine komplette KI-Lösung vom Pilot zur P&L-Relevanz in 6 bis 12 Wochen: Enterprise AI ist unsere Umsetzungs-Lösung mit Integration in Bestandssysteme, Governance und Eval-Harness.
Block B — KI-Agenten
Wenn Ihr Anwendungsfall über antwortende KI hinausgeht und in Richtung handelnde Agent-Systems läuft: KI-Agenten-Lösung mit Fähigkeitsachse vom Wissens-Assistenten bis zum autonomen Agent.
Block C — Cloud-Governance und Compliance
Sovereign-KI-Setups auf STACKIT und IONOS mit AI Act, DSGVO, NIS2 und BSI-Grundschutz architektonisch eingebaut. Bei regulierten Mandaten die Klammer-Lösung zur KI-Umsetzung.
Block D — Expertise Cloud & DevOps
KI-Workloads brauchen Cloud-Infrastruktur — GPU-Cluster, Vector-Datenbanken, MLOps-Stack. Unsere Cloud- und DevOps-Profile arbeiten häufig eng mit den KI-Profilen zusammen.
Block E — IT-Experten-Service
Künstliche Intelligenz ist einer von sechs Tech-Bereichen, die wir vermitteln. Für die anderen fünf (Cloud/DevOps, Cybersecurity, SAP Services, Software Development, Application und Infrastructure Support) gibt es eigene Tech-Bereiche.
Personaldienstleister mit KI-Bedarf
Sie haben KI-Mandate Ihrer Endkunden und brauchen einen Sub-Channel-Partner mit Senior-Pool, dokumentierter Stack-Tiefe und deutschem Vertragsrahmen.
Direkter Endkunde im Mittelstand
Sie verantworten KI-Vorhaben in einem Mittelstands-Unternehmen — Industrie, Energie, Bahn, Public Sector, Pharma oder Defence — und brauchen Senior-Profile mit produktiver Umsetzungs-Erfahrung.
IT-Consulting-Haus mit KI-Mandat
Sie haben das KI-Mandat akquiriert und brauchen Senior-Profile als Teil-Liefer-Partnerschaft mit LLM- oder MLOps-Praxis.
Häufige Fragen zu unseren KI-Profilen
Was uns oft gefragt wird.
FAQ 1: Welche LLM-Erfahrung haben Ihre Profile konkret?
Pro Profil dokumentiert. Bei RAG-Anfragen schicken wir keine Data Scientists mit „auch schon mal LangChain benutzt", sondern LLM-Engineers mit produktiver RAG-Umsetzung. Im Vorgespräch klären wir konkret welche Modelle, welche Frameworks, welche Retrieval-Architektur, welche Produktions-Metriken.
FAQ 2: Haben Sie Profile mit Fine-Tuning-Praxis auf offenen Modellen?
Ja. Praktische Fine-Tuning-Erfahrung auf Llama- und Mistral-Modellen, dokumentierte LoRA-, QLoRA- und Continued-Pretraining-Historie. Wichtig: nicht nur „habe mal ein Notebook durchlaufen lassen", sondern produktive Ergebnisse mit Eval-Metriken.
FAQ 3: Wie sieht die Praxis bei Sovereign-KI-Setups aus?
Wir haben Profile mit Erfahrung auf STACKIT AI Model Serving und IONOS AI Model Hub, plus Selbst-Hosting-Praxis für offene Modelle auf GPU-Clustern. Bei Sovereign-Mandaten verzahnen wir die Profilauswahl mit unseren Cloud-Governance- und Enterprise-AI-Lösungen.
FAQ 4: Können Sie MLOps-Profile mit produktiver 24/7-Praxis liefern?
Ja, das ist ein Schwerpunkt. Profile mit Retraining-Pipeline-Verantwortung, Drift-Monitoring, SLO-basiertem Betrieb, Rollback-Strategien. Im Vorgespräch klären wir, ob MLflow, Kubeflow oder eine hyperscaler-native MLOps-Lösung relevant ist.
FAQ 5: Wie schnell ist die erste Profilauswahl?
48 Stunden nach Initial-Briefing für zwei bis drei vorqualifizierte Profile. Produktiver Start meist ab Tag 5 bis Tag 10. Bei sehr spezifischen KI-Rollen (z.B. multimodale KI mit Video-Erfahrung) können es bis zu 5 Werktage sein.
FAQ 6: Welche Vertragsmodelle bieten Sie an?
Werkvertrag bei klassischer Implementierungs-Verantwortung, Dienstvertrag bei laufender Begleitung im Tagesgeschäft, Freelancer-Konstrukt bei kurzen Spezialisten-Einsätzen. Vertragspartner ist immer die GLJ Tech GmbH.
FAQ 7: Liefern Sie auch komplette KI-Teams?
Ja. Enterprise-KI-Projekte brauchen oft vier bis sechs Profile parallel — KI-Architekt plus ML- oder LLM-Engineers plus Data Engineer plus MLOps. Wir liefern Profile als Team mit klar definierten Rollen, nicht als beliebig zusammengestellte Bench-Auswahl.
FAQ 8: Wie berücksichtigen Sie den EU AI Act bei der Profilauswahl?
Unsere KI-Architekten und LLM-Engineers haben dokumentierte Praxis in AI-Act-Konformität — Risiko-Klassifizierung von Use Cases, Governance-Dokumentation, Eval-Harness-Aufbau. Bei regulierten Mandaten (KRITIS, Public Sector, Defence, Pharma) verzahnen wir die Profilauswahl mit unserer Cloud-Governance-Lösung.
FAQ 9: Wie sind die Tagessätze positioniert?
Mittelständische Senior-Tagessätze. Konkrete Sätze werden im Erstgespräch transparent kommuniziert — abhängig von Rolle, Stack-Tiefe, Senior-Setup und Liefer-Modell. LLM- und MLOps-Rollen liegen aktuell am oberen Ende, klassische Data-Scientist-Rollen am unteren Ende.
Erstgespräch oder Profil-Mapping
Sondieren Sie Ihren KI-Profil-Bedarf — oder fragen Sie konkrete Profile an.
Wenn Sie strategisch über KI-Profile reden wollen — RAG-Setup, MLOps-Reife, Sovereign-Konstellation, EU-AI-Act-Vorbereitung, Fine-Tuning-Strategie —, ist das Erstgespräch der richtige Einstieg. Wenn Sie ein konkretes Mandat haben und Profile anfragen möchten: das Formular bringt uns schnell in die Tiefe.