ML-Ingenieur oder KI-Ingenieur? Zwei Karrierewege, zwei Wertstrukturen

18. Mai 2026 • 6 Min. Lesezeit

Viele Ingenieure, die über ihren nächsten Schritt nachdenken, stellen es als binär dar: Soll ich an Suche, Werbung oder Empfehlungssystemen arbeiten (der klassische ML-Ingenieurweg) oder in die Entwicklung von KI-Anwendungen auf Basis von LLMs wechseln (der neue KI-Ingenieurweg)? Dies ist keine traditionelle gegen trendige Wahl. Es sind zwei grundlegend unterschiedliche Wertstrukturen innerhalb desselben Unternehmens.

Zwei verschiedene Motoren

Die einfachste Art, diese Trennung zu verstehen: ML-Ingenieure (Suche / Werbung / Empfehlungen) bauen den **Umsatzmotor**. KI-Ingenieure (LLM-Anwendungen) bauen den **Fähigkeitsmotor**. Beide sind essenziell. Sie optimieren für unterschiedliche Dinge, hängen von unterschiedlichen Eingaben ab und suchen nach unterschiedlichen Erfolgssignalen. Die nächsten vier Abschnitte vergleichen sie hinsichtlich Geschäftswert, technischem Fokus, organisatorischer Abhängigkeit und persönlicher Passung, damit Sie sich selbst einordnen können.

Vergleich der beiden Wege

1. Geschäftswert — Umsatzmotor vs. Fähigkeitsmotor

**ML (Suche / Werbung / Empfehlung)** ist der Wachstumsmotor des Unternehmens. Die täglichen Kennzahlen sind CTR, CVR, Retention und Umsatzsteigerung. Der Einfluss ist messbar und geschlossen: Führen Sie einen A/B-Test durch, sehen Sie die Differenz, implementieren oder rollen Sie zurück. In den meisten Internetunternehmen sitzt dieses Team im Kernprofitcenter. **AI (LLM-Anwendungen)** dreht sich um organisatorische Fähigkeiten und Effizienz: Automatisierung des Kundenservice, Inhaltserstellung, Co-Piloten und Agenten, interne Workflow-Neugestaltung. Der Wert liegt in der Kostenreduktion, Produktivitätssteigerung und neuen Interaktionsmustern mit Produkten. Der ROI ist real, aber schwerer zu messen als Werbeausgaben oder Empfehlungserhöhungen — er zeigt sich in der gesamten Organisation und nicht in einer einzigen Umsatzlinie. Kurz gesagt: **ML baut Umsatzmotoren. AI baut Fähigkeitsmotoren.**

2. Technischer Fokus — Modelloptimierung vs. Systemorchestrierung

**Suche / Werbung / RecSys** ist algorithmusgesteuerte Optimierung. Die Kernbereiche sind Abruf, Ranking, Feature Engineering, Multi-Objective-Optimierung und latenzfreies Serving. Die Arbeit besteht in der kontinuierlichen Feinabstimmung eines komplexen Systems für marginale Gewinne — +0,3 %, +0,5 % bei der Kennzahl, die das Gehalt aller bezahlt. SOTA aus Forschungspapieren ist ein Benchmark, kein Ziel. **AI Engineering** ist systemintegrationsgetrieben. Die Kernbereiche sind Prompt-Design, RAG-Pipelines, Modellrouting, Agentenframeworks und Workflow-Automatisierung. Die Herausforderung besteht normalerweise nicht im Modell selbst — es geht darum, ob die umgebenden Systeme API-bereit sind, ob die Daten sauber genug für den Abruf sind, ob Dienste zuverlässig orchestriert werden können und ob die Inferenzkosten unter Kontrolle bleiben.

3. Organisatorische Abhängigkeit

Empfehlungssysteme können gedeihen, sobald die Dateninfrastruktur und die Experimentierplattformen ausgereift sind. Ein ML-Ingenieur, der in ein Unternehmen mit einer funktionierenden A/B-Plattform eintritt, kann innerhalb eines Quartals Einfluss nehmen. LLM-Anwendungen sind anders. Ihr Erfolg hängt stark von der **gesamt digitalen Reife der Organisation** ab: Datenqualität (für Abrufgrundlagen), Systemarchitektur (für API-Zugriff) und teamübergreifende Integration (für Workflow-Automatisierung zwischen Abteilungen). Ein AI-Ingenieur, der in ein Unternehmen ohne diese Grundlagen versetzt wird, wird die meiste Zeit mit der Infrastruktur verbringen, anstatt mit AI. Deshalb kann die gleiche Einstellung in einem Unternehmen erfolgreich sein und in einem anderen stagnieren.

4. Persönliche Passung

**Sie bevorzugen ML, wenn Sie:** Modellierung und Kennzahlen mögen, sich intensiv um Leistungsdeltas kümmern, langfristige Systemoptimierung schätzen und Zufriedenheit darin finden, eine Nadel zu bewegen, die Geld druckt. **Sie bevorzugen AI Engineering, wenn Sie:** es genießen, neue Systeme von Grund auf zu bauen, Automatisierung und Workflow-Design mögen, in Begriffen von Architektur und Orchestrierung denken und Zufriedenheit darin finden, manuelle Schritte zu eliminieren, anstatt eine Kennzahl um 0,3 % zu verbessern. Kein Weg ist „zukunftssicherer“ als der andere. Die Fähigkeiten kumulieren: Ein ML-Ingenieur, der AI-Orchestrierung lernt, wird zu einem hochwirksamen Produktentwickler; ein AI-Ingenieur, der Ranking und Feature Engineering lernt, wird die seltene Person, die das nächste Generation Empfehlungssystem, das LLMs als Richtlinie verwendet, ausliefern kann.

Tools & Resources

Learn about the best tools available...

Wie Curify beide Wege abbildet

Der Produktionsstack von Curify bedient beide Wege. Auf der ML-Seite führt /nano-banana-pro-prompts Ranking und Abruf über ein Korpus von über 4.000 Prompts, die nach 151 Themen kategorisiert sind — klassisches Empfehlungsschema. Auf der AI-Engineering-Seite sind /tools/video-dubbing und die tägliche Inhaltspipeline orchestrierte Workflows: Sprachklon → Übersetzen → Lippen-Synchronisation → CDN-Upload, mit automatischer Tagging über gpt-4o-mini am Ende. Ingenieure, die zu Curify beitragen, wechseln routinemäßig zwischen den beiden — die Grenze ist operativ, nicht theoretisch.

Wählen Sie den Motor, nicht den Trend

Wenn die einzige Überlegung die Karriere-Mobilität wäre, sieht AI Engineering im Moment wie die offensichtliche Antwort aus. Aber die nützlichere Fragestellung ist: **Welchen Motor möchten Sie bauen?** Umsatzmotoren sind das Herzstück, wie Unternehmen Geld verdienen — die Rolle ist beständig, der Einfluss ist messbar, die Arbeit ist tief technisch und das Feld ist noch lange nicht abgeschlossen. Fähigkeitsmotoren sind, wie Unternehmen Kosten senken und neue Produktoberflächen freischalten — die Rolle ist im Moment gefragter, die Gewinne kumulieren sich in der gesamten Organisation und die Integrationsarbeit skaliert mit der Komplexität des Unternehmens. Keine Wahl ist falsch. Der falsche Schritt ist, basierend auf dem, was im Trend liegt, zu wählen, anstatt darauf, welche Art von Motor Sie tatsächlich in Ihrer Karriere bauen möchten.