Stellenausschreibungen für « Forward Deployed Engineer » (FDE) und « AI Engineer » fordern oft dieselben Kompetenzen: Python, APIs und Cloud-Deployment. Dennoch können die beiden Berufe zu sehr unterschiedlichen Arbeitsalltagen führen. Laut dem von Analytics Vidhya veröffentlichten Leitfaden liegt der Unterschied vor allem in der Organisation der Verantwortlichkeiten, den Problemen, die bei jedem ankommen, und der Art und Weise, wie Erfolg bewertet wird.
Ein FDE konzipiert und deployt Software gemeinsam mit Kunden. In KI-Unternehmen bedeutet dies oft, einen auf einem Sprachmodell (LLM, einem System, das auf große Textmengen trainiert ist) basierenden Workflow von der ersten Idee bis zur Produktion zu bringen. Laut der Quelle umfasst die FDE-Rolle bei OpenAI die Ermittlung der Anforderungen, die technische Rahmensetzung, das Systemdesign, die Implementierung und das Deployment. Die Umgebung des Kunden prägt die Arbeit: eingeschränkte Daten, alte Systeme und undokumentierte Genehmigungsregeln gehören zu den zu lösenden Problemen.
Der Ansatz folgt in der Regel mehreren Schritten, von der Beobachtung der Nutzung bis zur Weitergabe der Erkenntnisse. Der Leitfaden hebt diesen letzten Schritt hervor: Die Stellenbeschreibung für FDE bei Anthropic schließt explizit das Teilen von Deployment-Schemata mit Produkt- und Engineering-Teams ein. Die bei einem Kunden geleistete Arbeit kann so wiederverwendbare Fähigkeiten hervorbringen, anstatt sich in kundenspezifischen Korrekturen anzuhäufen.
Ein AI Engineer konzipiert und betreibt Software, die künstliche Intelligenz nutzt, sei es ein Assistent, ein Empfehlungsdienst, eine Vision-Anwendung oder ein Agent, der Werkzeuge nutzen kann. In einem Produkt- oder internen Team setzt sich diese Arbeit oft von Version zu Version fort. Als Beispiel nennt der Leitfaden die Stelle des Senior AI Engineer bei Criteo, die Agents, Debugging, Deployment, Überwachung und Wartung umfasst.
Der Leitfaden veranschaulicht diese Kontinuität an einem einfachen Fall: Ein kostengünstigeres Modell beantwortet häufige Fragen gut, verpasst aber ungewöhnliche Ausnahmen zur Unternehmenspolitik. Das Wechseln des Modells senkt die Kosten pro Anfrage, führt aber gleichzeitig zu einem Qualitätsproblem. Der Ingenieur muss dann repräsentative Evaluierungsfälle, Latenz- und Kostenmessungen sowie eine Möglichkeit zum Rollback haben.
Um den Unterschied zu illustrieren, stellt sich der Leitfaden einen Händler vor, der einen KI-Assistenten für seine Support-Teams deployt, der Fragen zur Geschäftspolitik beantworten, Bestellungen einsehen und Rückerstattungen autorisierten Mitarbeitern überlassen soll. Der FDE könnte herausfinden, dass das unmittelbare Hindernis ein veraltetes Policy-Repository ist, während der AI Engineer feststellen könnte, dass ein Model-Upgrade eine Regression verursacht hat. Laut dem Leitfaden sind diese unterschiedlichen Schwerpunkte Teil derselben Ingenieursleistung und teilen die Aufgaben nicht zwingend auf.
Beide Rollen bauen auf gemeinsamen Kompetenzen auf: Software-Engineering, Design von KI-Anwendungen einschließlich Retrieval-Augmented Generation (RAG, bei dem dem Modell Dokumente aus einer Datenbank bereitgestellt werden), Evaluation und Produktivsetzung. Der FDE muss zusätzlich wissen, wie man dem Kunden die richtigen Fragen stellt und den Umfang verhandelt, während die produktorientierte Stelle ein tiefes und nachhaltiges Systemverständnis erfordert.
Der Leitfaden präzisiert auch, dass die Behauptung, die FDE-Rolle biete « weitaus mehr Stellen » (far more roles), nicht durch eine Zählung von Stellenangeboten belegt ist und dass sie allein nicht die Berufswahl leiten sollte. Laut der Quelle umfassen viele FDE-Stellen Implementierung, Tests und Deployment, und der Code-Anteil hängt vom Arbeitgeber ab.
