Ausschließlich Senior-Profile
Keine Junior, keine Bootcamp-Absolventen ohne Produktionserfahrung; jedes Profil mind. fünf Jahre produktive Implementierungs-Erfahrung.
Expertise · KI
Künstliche Intelligenz für den DACH-Mittelstand — KI-Experten, die KI produktiv machen.
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. Die große Mehrheit der Organisationen nutzt KI bereits in mindestens einer Funktion. Aber laut MIT (Project NANDA, 2025) erreichen weniger als 5 % der KI-Pilotprojekte eine Lösung mit messbarem P&L-Effekt. Die Lücke ist kein Modell-Problem, sondern ein Umsetzungs-Problem: Wer produktive KI-Systeme baut, braucht keine reinen Prompt-Experten, sondern Senior-Profile, die Ingestion, Retrieval, Governance, Eval, Cost- 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 Tutorials) sind Mangelware.
- LLM-/GenAI-Engineers mit echter RAG-Produktionserfahrung sind rar — die meisten haben Prototypen gebaut, aber kein Produktivsystem.
- Data Engineers, die Vector-DBs und klassische Pipelines 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 reiner Kaggle-Skills.
- Fine-Tuning-Praxis auf offenen Modellen (Llama, Mistral) fehlt trotz gegenteiliger Lebenslauf-Angaben.
„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.“
Fachliche Tiefe
- MLOps: Modelle versioniert ausliefern, überwachen, nachtrainieren.
- RAG und Retrieval: Antworten mit belegbaren Quellen.
- Evaluation/Eval-Harness: Qualität messen, bevor etwas produktiv geht.
- Datenpipelines und Vector-Datenbanken, reproduzierbar.
- Sovereign AI: offene Modelle auf deutscher Inferenz (STACKIT, IONOS).
Wie wir liefern
Vier strategische Entscheidungen, die uns von klassischen KI-Vermittlern unterscheiden — und unsere Profile von Standard-Lebensläufen abheben.
Dokumentierte Stack-Tiefe statt Lebenslauf-Buzzwords
Bei „LLMs" klären wir konkret: welche Modelle, welche Fine-Tuning-Praxis, welche RAG-Architektur, welche Produktions-Metriken — kein Profil ohne verifizierte Tiefe.
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 aus unseren Offshore-Centern (Brasilien, Indien). Was wo passieren darf, mappen wir pro Mandat — bei Sovereign-Mandaten bleiben datenführende Komponenten in Deutschland.
Profilauswahl mit dokumentierter Vorprüfung
Erste Profilauswahl im Rahmen „90 % der Anfragen in 24 bis 48 Stunden beantwortet": zwei bis drei vorqualifizierte Profile. Wir haben das Profil bereits fachlich geprüft, bevor Sie es interviewen; bei KI-Rollen zusätzlich anhand konkreter Case-Aufgaben, nicht nur Referenz-Beschreibungen.
Sechs Senior-Rollen im KI-, ML- und Data-Bereich
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
Llama, Mistral, Claude, GPT — self-hosted oder Managed · PyTorch, TensorFlow, Scikit-learn · LangChain, LlamaIndex, Haystack, DSPy
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/SageMaker · Azure OpenAI/ML · GCP Vertex AI · STACKIT AI Model Serving, IONOS AI Model Hub
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 · 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.
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.
KI-Profile als Teil unserer Lösungs-Architektur
Enterprise AI
Wenn Sie nicht nur Profile brauchen, sondern eine komplette KI-Lösung vom Pilot zur P&L-Relevanz in typisch 6 bis 12 Wochen: Enterprise AI ist unsere Umsetzungs-Lösung mit Integration in Bestandssysteme, Governance und Eval-Harness.
Enterprise AIKI-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.
KI-AgentenCloud-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.
Cloud-Governance & ComplianceCloud & 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.
Cloud & DevOpsIT-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 Expertise-Bereiche.
IT-Experten-ServiceDrei Wege in unser Modell — je nachdem, wie Sie IT beziehen.
Industrie & Mittelstand
Sie verantworten IT in einem Mittelstands-Unternehmen — Industrie, Energiewirtschaft, Bahn, Public Sector, Pharma oder Defence. Wir liefern Senior-Profile und schlüsselfertige Lösungen mit deutschem Vertragsrahmen und Branchen-Verständnis.
Industrie & MittelstandPersonaldienstleister
Sie haben Sourcing-Mandate Ihrer Endkunden und brauchen einen verlässlichen Sub-Channel-Partner mit dokumentierter Substanz in mehreren Tech-Bereichen und Nischen-Zugang (BRIM, IS-U, Energy Trading).
PersonaldienstleisterIT-Consulting
Sie haben das Mandat akquiriert und brauchen Senior-Profile mit Implementierungs-Tiefe als Teil-Liefer-Partnerschaft — über einen oder mehrere Tech-Bereiche hinweg, aus Deutschland, EU-Nearshore oder Offshore.
IT-ConsultingHäufige Fragen zu unseren KI-Profilen
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?
Im Rahmen „90 % der Anfragen in 24 bis 48 Stunden beantwortet“ für zwei bis drei vorqualifizierte Profile. Produktiver Start meist ab Tag 5 bis Tag 10. Bei sehr spezifischen KI-Rollen (zum Beispiel 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.
Kontakt
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.