Andrew Ng definiert die vier wichtigsten Skills für KI-Entwickler neu

von

Andrew Ng, Mitgründer von Google Brain und Coursera, hat sein Unternehmen DeepLearning.ai neu ausgerichtet – mit einem klaren Fokus auf AI Engineering. In einer umfassenden Analyse, die auf über 10.000 Stellenausschreibungen, Dutzenden strukturierten Interviews mit KI-Experten, Hiring-Managern und Recruitern sowie Umfragedaten basiert, hat Ng vier zentrale Skills identifiziert, die KI-Entwickler heute beherrschen müssen. Die Ergebnisse sind bemerkenswert, weil sie das traditionelle Bild des Machine-Learning-Ingenieurs grundlegend verschieben – weg von der reinen Modellentwicklung, hin zu einer breiteren, praxisorientierten Disziplin. Für alle, die im DACH-Raum mit KI arbeiten oder arbeiten wollen, liefert Ngs Analyse einen wichtigen Kompass in einem sich rasant verändernden Arbeitsmarkt.

Hintergrund: Vom ML-Engineer zum AI Engineer

Die Rolle des KI-Entwicklers hat sich in den vergangenen drei Jahren dramatisch gewandelt. Als der Begriff „AI Engineer“ erstmals breiter diskutiert wurde, war er noch umstritten – viele sahen darin lediglich ein Rebranding des klassischen Machine-Learning-Engineers. Doch die Realität hat diese Debatte längst überholt. Seit dem Aufstieg großer Sprachmodelle (LLMs) wie GPT-4, Claude und Gemini hat sich eine völlig neue Entwicklungspraxis etabliert: Statt Modelle von Grund auf zu trainieren, geht es heute darum, bestehende KI-Bausteine zu orchestrieren, zu bewerten und in produktionsreife Anwendungen zu überführen.

Andrew Ng ist in der KI-Community eine der einflussreichsten Stimmen weltweit. Sein Stanford-Kurs zu Machine Learning hat Millionen von Entwicklern geprägt, sein MOOC-Plattform Coursera hat Online-Bildung demokratisiert. Wenn Ng nun DeepLearning.ai explizit auf AI Engineering ausrichtet, ist das mehr als ein strategischer Schwenk – es ist ein Signal an die gesamte Branche, dass sich die gefragtesten Skills fundamental verschoben haben.

Die vier Skills im Detail

Ngs Analyse destilliert das heutige Anforderungsprofil auf vier Kernkompetenzen, die weit über den klassischen Job-Titel „AI Engineer“ hinaus relevant sind:

  • KI-Anwendungen bauen und deployen: Dieser Skill umfasst das Verständnis der grundlegenden Bausteine moderner KI – also LLMs, Context Engineering, RAG (Retrieval-Augmented Generation), agentische Workflows sowie klassisches Machine Learning und Deep Learning. Entscheidend ist dabei laut Ng nicht nur das Bauen, sondern auch das Messen, Steuern und Gouvernieren von KI-Systemen. Disziplinierte Evaluierungen und Fehleranalyse-Loops sind zentrale Fähigkeiten. Das geht vom Prompt Engineering über Harness Engineering bis hin zum Finetuning – und reicht bis zum Aufbau eigener „Agent Labs“, wie es beispielsweise das Legal-Tech-Unternehmen Harvey bereits praktiziert.
  • Software-Engineering-Grundlagen: Ng betont ausdrücklich, dass solide Software-Engineering-Fundamentals unverzichtbar bleiben. Wer die Grundlagen versteht, erkennt überhaupt erst, welche Tradeoffs existieren – bei der Wahl des Tech-Stacks, beim System-Architektur-Design, bei Datenhaltung und Testing. Ng formuliert es pointiert: Ein unerfahrener Entwickler, der eine Lösung per Vibe Coding zusammenklickt, ohne die Tradeoffs zu verstehen, die sein Coding-Agent macht, wird schlechte Ergebnisse erzielen – weil er nicht weiß, welchen Kontext er dem Agent geben muss.
  • Coding Agents effektiv nutzen: Agentisches Coding ist laut Ng inzwischen eine Schlüsselkompetenz für jeden Entwickler. Es geht darum, ein gutes mentales Modell davon zu haben, wie Agents funktionieren und wo ihre Grenzen liegen. Konkret bedeutet das: Wissen, wann man eingreifen und wann man den Agent arbeiten lassen sollte. Dazu gehört auch das Arbeiten mit klaren Spezifikationen, das Orchestrieren mehrerer Agents und das Vermeiden von Fallstricken – etwa das Risiko, dass ein Agent eine Produktionsdatenbank beschädigt. Da sich agentisches Coding rasant weiterentwickelt, ist kontinuierliches Lernen hier besonders wichtig.
  • Breitere KI-Engineering-Kompetenzen: Der vierte Skill-Bereich umfasst übergreifende Fähigkeiten, die das Gesamtbild abrunden – von der Fähigkeit, KI-Systeme verantwortungsvoll zu betreiben, bis hin zum Verständnis von Governance und Compliance-Anforderungen.

Besonders interessant ist Ngs Beobachtung zum Thema LLMs und Expertise: LLMs belohnen Erfahrung. Sie heben die Decke für erfahrene Entwickler deutlich stärker an als den Boden für Anfänger. Beide profitieren, aber der Abstand wird größer, nicht kleiner. Das ist eine wichtige Erkenntnis für alle, die glauben, KI-Tools würden Fachwissen überflüssig machen.

Was das für den DACH-Raum bedeutet

Ngs Analyse trifft den deutschsprachigen Raum zu einem kritischen Zeitpunkt. Während Unternehmen in den USA bereits massiv AI Engineers einstellen, hinkt der DACH-Markt bei der Adaption neuer Rollenprofile traditionell hinterher. Gleichzeitig zeigt die Entwicklung bei OpenAI – das seit dem 24. August 2026 auch in Deutschland, Österreich und der Schweiz Werbung in ChatGPT schaltet – wie schnell sich das KI-Ökosystem kommerzialisiert und damit auch die Nachfrage nach Fachkräften steigt, die diese Systeme bauen und betreiben können.

Für Solopreneure und Marketer ist die Botschaft klar: Du musst kein Data Scientist sein, aber du solltest verstehen, wie LLMs, RAG und agentische Workflows funktionieren. Die Fähigkeit, Coding Agents effektiv einzusetzen, wird zum Wettbewerbsvorteil – aber nur, wenn du die Software-Grundlagen verstehst, die dahinterstehen. Vibe Coding ohne Verständnis ist ein Rezept für technische Schulden.

Für Unternehmen und Hiring Manager im DACH-Raum liefert Ngs Framework eine konkrete Orientierung: Statt nach dem perfekten ML-PhD zu suchen, sollten Stellenprofile diese vier Skill-Bereiche abbilden. Die Zeiten, in denen KI-Entwicklung primär Forschung war, sind vorbei – es geht um Engineering, um robuste, skalierbare, governierte Systeme.

Was kommt als Nächstes

Ngs Neuausrichtung von DeepLearning.ai wird voraussichtlich neue Kurse und Zertifizierungen nach sich ziehen, die genau auf diese vier Skill-Bereiche zugeschnitten sind. Damit könnte er – wie schon mit seinem legendären ML-Kurs – eine neue Generation von KI-Entwicklern prägen. Die spannende Frage wird sein, ob auch deutschsprachige Bildungsanbieter und Hochschulen ihre Curricula entsprechend anpassen.

Eines ist aus meiner Sicht sicher: Die Grenze zwischen Software-Entwickler und KI-Entwickler wird weiter verschwimmen. In zwei bis drei Jahren wird es kaum noch Entwicklerrollen geben, die nicht mindestens zwei von Ngs vier Skills voraussetzen. Wer jetzt in diese Kompetenzen investiert, positioniert sich optimal. Wer wartet, riskiert, von der nächsten Welle überrollt zu werden – und diesmal kommt sie schneller als je zuvor.