Welche KI-Rolle passt zu dir?

Prompt Engineers nutzen bestehende LLMs (GPT-4, Claude, Gemini) und designen Prompts, RAG-Systeme und Eval-Pipelines. Machine Learning Engineers trainieren und deployen eigene Modelle. Erstere setzen Foundation-Models ein, letztere bauen sie.

Prompt Engineers bauen produktive LLM-Systeme für Unternehmen. AI-Trainer:innen schulen Mitarbeiter:innen im Umgang mit KI-Tools. Erstere ist eine technische Engineering-Rolle, letztere eine Bildungs- und Change-Rolle.

AI-Trainer:innen vermitteln Skills an Mitarbeiter:innen. AI Consultants identifizieren Use-Cases und begleiten die Implementierung. Trainer arbeiten typischerweise im Klassenzimmer oder Online-Format, Consultants in Projekten mit Fachabteilungen.

ML Engineers bauen die Modelle und ML-Pipelines. AI Product Manager entscheiden, welche KI-Features wofür gebaut werden, koordinieren Discovery und Rollout. Erstere ist Engineering, letztere Produktverantwortung.

AI Consultants arbeiten projektbasiert für mehrere Kund:innen — typischerweise extern. AI Product Manager verantworten ein konkretes Produkt langfristig — typischerweise intern bei einem Unternehmen oder Startup.

Data Scientists analysieren Daten und bauen Modelle in Notebooks für Erkenntnisse. ML Engineers nehmen diese Modelle und liefern sie in robusten, skalierten Production-Systemen aus.

AI Engineers bauen LLM-Anwendungen mit fertigen Foundation-Models (RAG, Agenten, Tool Use). ML Engineers trainieren und betreiben eigene Modelle. Erstere ist applikations-, letztere modell-fokussiert.

Data Engineers bauen die Daten-Pipelines, die Modelle füttern. MLOps Engineers bauen die ML-Pipelines, die Modelle in Produktion bringen und überwachen. Überschneidung ist groß, Fokus unterschiedlich.

Computer Vision arbeitet mit Bildern und Videos (Robotik, Medical, Defense, Retail). NLP arbeitet mit Sprache (Übersetzung, Chatbots, Dokument-Verstehen). Beides ist tief — wähle nach Domain-Interesse.

AI Solutions Architects designen die System-Architektur (Modelle, Vector-Stores, Sicherheit, Skalierung). AI Engineers bauen die Anwendung selbst. Architects denken in Diagrammen, Engineers in Code.

Marketing Manager koordiniert Strategie, Channels, Budgets — KI als Hebel. Content Creator produziert die Assets selbst — KI als Co-Pilot. Erstere ist Strategie-, letztere Produktions-Rolle.