KI-Fachkräfte gesucht: Warum Unternehmen in Bayern so schwer an Spezialisten kommen

Eine Stellenanzeige für einen Machine-Learning-Engineer, geschaltet im Januar, immer noch offen im August. Wer sich in mittelständischen Unternehmen zwischen Würzburg und Rosenheim umhört, bekommt solche Geschichten inzwischen regelmäßig zu hören. Die Firmen wollen KI-Projekte starten, das Budget ist freigegeben, die Geschäftsführung drängt. Nur die Leute fehlen.

Der Markt für KI-Spezialisten ist leergefegt, und zwar nicht erst seit gestern. Die Bundesagentur für Arbeit führt Informatikberufe seit Jahren in ihrer Engpassanalyse, und innerhalb der Informatik sind Fachleute für maschinelles Lernen und Datenarchitektur noch einmal deutlich seltener. Wer sie sucht, konkurriert nicht mit dem Betrieb im Nachbarort, sondern mit Siemens, BMW, den großen Beratungen und mit amerikanischen Tech-Konzernen, die remote einstellen und Gehälter zahlen, bei denen ein Mittelständler passen muss.

Einige Unternehmen gehen das Problem deshalb über spezialisierte Vermittler an. Anbieter wie NEXperts betreiben eine Personalvermittlung für KI-Experten, die Kandidaten nach tatsächlicher Projekterfahrung mit KI-Systemen auswählt statt nur nach Schlagworten im Lebenslauf. Der Vorteil gegenüber der klassischen Anzeige liegt auf der Hand: Der Vermittler kennt den engen Kandidatenmarkt bereits und muss ihn nicht erst mit Streuanzeigen absuchen.

Welche Rollen überhaupt gebraucht werden

Ein Teil des Problems ist hausgemacht, und er beginnt bei der Stellenbeschreibung. Viele Anzeigen suchen eine Person, die es so nicht gibt: promovierte Forschungserfahrung, zehn Jahre Praxis mit Werkzeugen, die erst seit drei Jahren existieren, dazu Projektleitung und am besten noch Vertriebstalent. Solche Anzeigen bleiben nicht offen, weil der Markt leer ist, sondern weil das Profil in sich widersprüchlich ist.

Hilfreicher ist es, die Rollen auseinanderzuhalten. Ein Data Scientist untersucht Daten und baut Modelle, oft eher forschend. Ein Machine-Learning-Engineer bringt diese Modelle in den produktiven Betrieb und hält sie dort stabil. Ein Data Engineer sorgt dafür, dass die Daten überhaupt in brauchbarer Form vorliegen. Und ein KI-Manager oder Product Owner übersetzt zwischen Fachabteilung und Technik. Für ein erstes Projekt braucht ein Mittelständler selten alle vier. Meist reicht ein erfahrener Engineer plus jemand im Haus, der das Fachwissen mitbringt.

Warum Geld allein nicht reicht

Natürlich spielt das Gehalt eine Rolle. Für erfahrene ML-Engineers sind in Deutschland Jahresgehälter zwischen 80.000 und 120.000 Euro üblich, in München eher am oberen Ende und darüber. Aber wer nur über Geld argumentiert, verliert die Kandidaten an die, die noch mehr zahlen können.

Interessanter sind die Punkte, bei denen der Mittelstand tatsächlich vorn liegt. Kurze Entscheidungswege zum Beispiel: In einem Konzern wartet ein Datenprojekt schon mal ein halbes Jahr auf Freigaben, im Familienbetrieb entscheidet die Geschäftsführung am Dienstag und am Mittwoch geht es los. Sichtbare Wirkung ist ein zweites Argument. Ein Modell, das die Ausschussquote in der eigenen Fertigung senkt, ist für viele Bewerber greifbarer als die dreihundertste Optimierung eines Werbealgorithmus. Wer solche Dinge bieten kann, sollte sie in Anzeige und Gespräch auch aussprechen, statt sie als selbstverständlich zu behandeln.

Flexibilität beim Arbeitsort ist dagegen keine Kür mehr, sondern Eintrittsbedingung. KI-Spezialisten können sich ihre Arbeitgeber aussuchen, und wer fünf Tage Präsenz in einem Gewerbegebiet ohne Bahnanschluss verlangt, hat die Bewerbung meist schon verloren, bevor über Inhalte gesprochen wurde.

Der Blick nach innen: Weiterbilden statt suchen

Nicht jede Lücke muss von außen gefüllt werden. In vielen Betrieben sitzen Leute, die schon heute nah an den Daten arbeiten: Controller, Prozessplaner, Entwickler, Qualitätsingenieure. Sie kennen das Geschäft, die Anlagen und die Eigenheiten der Daten, und genau dieses Wissen fehlt externen Kandidaten im ersten Jahr komplett.

Eine gezielte Weiterbildung macht aus einem Controller keinen Forschungsingenieur. Das muss sie auch nicht. Für viele Anwendungsfälle reicht es, wenn jemand versteht, wie Modelle arbeiten, wo ihre Grenzen liegen und wie man mit externen Dienstleistern auf Augenhöhe spricht. Der Aufwand dafür ist überschaubar, oft sind es wenige Monate berufsbegleitend. Die Kombination aus internem Fachwissen und eingekaufter technischer Umsetzung funktioniert in der Praxis häufig besser als die jahrelange Suche nach der einen perfekten Vollzeitkraft.

Freelancer und Vermittler als dritter Weg

Zwischen Festanstellung und Eigenbau liegt ein Bereich, den viele Mittelständler noch zögerlich nutzen: erfahrene Freiberufler und projektweise Vermittlung. Für ein sechsmonatiges Pilotprojekt ist ein Freelancer mit Tagessatz oft die ehrlichere Rechnung als eine Festanstellung, die im schlechtesten Fall nach dem Projekt nicht ausgelastet ist.

Der Haken liegt in der Auswahl. Seit KI in aller Munde ist, nennt sich jeder zweite IT-Berater KI-Experte, und für Personalabteilungen ohne technischen Hintergrund sind die Unterschiede kaum zu erkennen. Referenzprojekte mit nachprüfbaren Ergebnissen sind hier das brauchbarste Kriterium, deutlich brauchbarer als Zertifikate. Wer den Markt nicht selbst einschätzen kann, holt sich die Einschätzung eben über eine Vermittlung, die technisch prüft, statt nur Lebensläufe weiterzureichen.

Wer langfristiger denkt, sollte außerdem die Hochschulen im eigenen Umkreis nicht unterschätzen. München und Erlangen sind für KI-Forschung bekannt, aber auch Augsburg, Regensburg, Deggendorf oder Hof bilden längst Datenfachleute aus. Eine betreute Abschlussarbeit oder eine Werkstudentenstelle kostet wenig und ist in der Praxis einer der verlässlichsten Wege zur späteren Festanstellung. Die Studierenden lernen den Betrieb über Monate kennen, der Betrieb sieht, was jemand wirklich kann, und die Konkurrenz der Konzerne ist an den kleineren Standorten deutlich geringer als auf den Karrieremessen in München.

Was das für die nächsten Jahre heißt

Die Knappheit wird nicht verschwinden. Die Hochschulen bilden mehr Datenfachleute aus als vor fünf Jahren, aber die Nachfrage wächst schneller, weil inzwischen auch Branchen suchen, die mit Software bisher wenig zu tun hatten: Bauunternehmen, Pflegeanbieter, kommunale Versorger. Für Unternehmen in Bayern heißt das, sich vom Gedanken zu verabschieden, dass sich das Problem mit einer besseren Anzeige lösen lässt.

Realistisch ist eine Mischung: eine kleine, gut bezahlte Kernmannschaft, ergänzt durch Weiterbildung im Bestand und externe Spezialisten für die Spitzen. Das klingt weniger elegant als ein eigenes KI-Team auf der Organigramm-Folie. Es hat aber den Vorteil, dass es sich mit dem Personal besetzen lässt, das es tatsächlich gibt.