Ich freue mich sehr, die AI Engineering Skills Map vorzustellen. KI ermöglicht es uns heute, Software völlig anders zu entwickeln als noch 2022 – und alle, die über die Fähigkeiten verfügen, diesen Wandel zu nutzen, haben zahlreiche spannende Projekt- und Jobmöglichkeiten. Doch in dem lauten, von Hype geprägten Informationsumfeld rund um KI: Welche Fähigkeiten sind für dich am wertvollsten zu erlernen? Ich habe mit meinem Team daran gearbeitet, eine Landkarte der KI-Engineering-Fähigkeiten zu erstellen, um (i) Entwicklern zu helfen, Prioritäten beim Lernen zu setzen, und (ii) Arbeitgebern dabei zu unterstützen, qualifizierte Entwickler einzustellen.
Auf der Grundlage einer Analyse von über 10.000 Stellenausschreibungen, Dutzenden strukturierter Interviews mit KI-Experten, Personalverantwortlichen und Recruitern, der Erhebung von Umfragedaten sowie der Synthese weiterer Online-Daten sind hier die vier wichtigsten KI-Engineering-Fähigkeiten:
- Entwickeln und Bereitstellen von KI-Anwendungen
- Grundlagen des Software-Engineerings
- Coding-Agents nutzen
- Den Build gestalten
Du kannst dir unseren Prozess vereinfacht so vorstellen, als würden wir Clustering auf einem riesigen Datensatz aus Stellenausschreibungen und Experteninterviews ausführen, um die wichtigsten Fähigkeiten zu identifizieren – nicht nur für heute, sondern auch für die nahe Zukunft.
Eine Anmerkung zur Terminologie: Ich spreche von KI-Engineering-Fähigkeiten und nicht von der Rolle des „AI Engineer“ (jemand, dessen Aufgabe es ist, KI-Systeme zu bauen), weil Ersteres viel weiter gefasst ist. Alle Entwickler sollten heute wissen, wie man mit der Cloud arbeitet, und nur eine kleinere Zahl trägt den Titel „Cloud Engineer“. Ebenso werden alle Entwickler – Full-Stack-Entwickler, Data Engineers, DevOps-Ingenieure, Machine-Learning-Ingenieure und, ja, auch AI Engineers – KI-Engineering-Fähigkeiten benötigen.
Entwickeln und Bereitstellen von KI-Anwendungen. Der entscheidende Unterschied zwischen KI- und Nicht-KI-Anwendungen besteht darin, dass Erstere unvorhersehbare Ergebnisse liefern. Wenn du ein LLM promptest, weißt du nicht, was du zurückbekommst. Wenn du einen Deep-Learning-Algorithmus trainierst, weißt du nicht, welche Vorhersage er bei neuen Beispielen treffen wird. Herkömmliche Software verhält sich dagegen deutlich vorhersehbarer.
Menschen, die darin versiert sind, KI-Anwendungen zu entwickeln und bereitzustellen, verstehen die Bausteine der KI – wie LLMs, Context Engineering, RAG, agentische Workflows, maschinelles Lernen und Deep Learning – und, was entscheidend ist, wie man statistische Methoden einsetzt, um KI-Systeme zu messen, zu steuern und zu regulieren, damit sie sich vorhersehbarer verhalten. Eine Kernkompetenz dabei ist es, disziplinierte Evals und Fehleranalyse-Schleifen durchzuführen.
Grundlagen des Software-Engineerings. Wenn du genau verstehst, wie Software funktioniert, kannst du deutlich effektiver bauen. Software-Engineering erfordert Trade-offs zwischen Kosten, Skalierbarkeit, Zuverlässigkeit, Geschwindigkeit und mehr. Sicherheit und Datenschutz erhöhen die Komplexität zusätzlich.
Die Grundlagen der Softwareentwicklung zu verstehen, versetzt dich in die Lage zu erkennen, welche Trade-offs überhaupt existieren. Das führt zu besseren Entscheidungen bei der Wahl deines Software-Stacks, beim Entwurf der Systemarchitektur, beim Design deiner Datenspeicherung, beim Testen und so weiter. Es führt auch zu deutlich besseren Ergebnissen als bei einem unerfahrenen Entwickler, der eine Lösung vibecodet, ohne die Trade-offs zu kennen, die sein Coding-Agent vornimmt – und die sind oft schlecht, weil er nicht weiß, welchen Kontext er seinem Coding-Agent geben soll. Die Grundlagen des Software-Engineerings zu verstehen, ermöglicht es dir, gute Trade-offs zu treffen, indem du Coding-Agents mit der präzisen Sprache des Software-Engineerings steuerst.
Coding-Agents nutzen. Agentic Coding effektiv einzusetzen, ist heute eine Schlüsselkompetenz für jeden Entwickler. Wenn du diese Fähigkeit hast, hast du ein gutes mentales Modell davon, wie Agents funktionieren. Du verstehst ihre Grenzen und wie du sie umgehen kannst, und du bist in der Lage, sie schnell zu steuern – du weißt, wie viel du eingreifen und wie viel du sie gewähren lassen solltest –, um robuste Software zu bauen, ohne übermäßig viel Zeit oder Tokens zu verschwenden.
Das erfordert, dass du weißt, wie du den Kontext eines Coding-Agents verwaltest, Trade-offs zwischen Planung und Ausführung triffst und dem Agenten hilfst, Schleifen autonom zu schließen, indem du Verifier oder Evals bereitstellst. Du musst außerdem wissen, wie du mit einer klaren Spec arbeitest (und wann du dir das sparen kannst), mehrere Agents orchestrierst, die zusammenarbeiten, und Fallstricke vermeidest – etwa das Risiko, dass ein Agent deine Produktionsdatenbank durcheinanderbringt. Da sich Agentic Coding rasant weiterentwickelt, bedeutet der geschickte Einsatz von Coding-Agents nicht nur, die neuesten Praktiken zu kennen, sondern auch Routinen zu haben, um kontinuierlich neue Tools auszuprobieren und deine Workflows weiterzuentwickeln, wenn sich Best Practices ändern.
Den Build gestalten. Mit einer klaren Spec werden Coding-Agents immer besser darin, genau das zu liefern, was darin steht. Unsere Arbeit als Ingenieure verschiebt sich daher hin zur Entscheidung darüber, was in der Spec stehen soll. Ingenieure sollten nicht länger erwarten, ein pixelgenaues Design zu bekommen und nur noch darum gebeten zu werden, es zu implementieren. Effektives KI-Engineering erfordert stattdessen Produktgespür und ein Verständnis für den Geschäftskontext und die Kundenziele, damit du dich aktiv daran beteiligen kannst, den Build zu gestalten und voranzutreiben.
KI gibt dir außerdem die Möglichkeit, mehr Eigenverantwortung und Entscheidungsfreiheit zu übernehmen als je zuvor. Du kannst interessante Probleme und Chancen erkennen und Maßnahmen ergreifen, um sie auf verantwortungsvolle Weise zu nutzen. Diese Gelegenheit zu nutzen erfordert, dass du weißt, wie du Projekte vorantreibst – zum Beispiel zu wissen, wann du schnell ein MVP bauen solltest, um es Nutzern zum Testen zu geben, und wann du es langsamer angehen lassen und dir mehr Zeit nehmen solltest, um sorgfältiger zu bauen.
All diesen Fähigkeiten liegt eine Denkweise des kontinuierlichen Lernens zugrunde. KI verändert sich weiterhin schnell, also müssen wir alle weiterlernen und unsere Fähigkeiten ausbauen, um neu aufkommende Best Practices zu übernehmen.
Der Hauptfokus von DeepLearning.AI liegt darauf, Entwicklern zu helfen, diese KI-Engineering-Fähigkeiten zu erwerben. Zu jeder dieser vier Fähigkeiten habe ich noch mehr zu sagen: Ich werde jede einzelne in kommenden Beiträgen ausführlich behandeln und eine detailliertere AI Engineering Skills Map vorstellen. Wenn ich darauf blicke, wohin sich AI Engineering entwickelt, bin ich unglaublich begeistert von dem, was wir alle bauen können. Ich hoffe, du wirst eine spannende Rolle in dieser Zukunft spielen.
