Ressource
Klarere KI-Job-Briefings schreiben (2026)
Praktische Muster und ein Vorher/Nachher-Beispiel für Stellenanzeigen, die relevante LLM-, Agenten- und ML-Profile anziehen—ohne Buzzwords.
Aktualisiert
Vom Outcome starten, nicht von Tools
Beginnen Sie mit dem Produkt- oder Geschäftsergebnis, das die Rolle trägt, dann der technische Umfang. Kandidat:innen scannen zuerst die Verantwortung, dann Keywords.
Ersetzen Sie vage „KI-Erfahrung“ durch konkrete Artefakte: Datensätze, Evaluierungs-Setups, Latenz-Budgets, Safety-Constraints oder Produktions-Traffic.
Must-haves und Nice-to-haves trennen
Must-haves sollten binär und im Portfolio oder Interview beobachtbar sein. Nice-to-haves gehören in eine kurze zweite Liste, damit starke Generalist:innen nicht abspringen.
Wenn die Rolle forschungslastig ist, sagen Sie es. Wenn lieferorientiert, definieren Sie „fertig“ im Release-Zyklus.
Stack-Vokabular, das konvertiert
Benennen Sie die Systemebene: RAG vs. Fine-Tuning vs. Agenten vs. Batch-Inferenz. Kandidat:innen wählen sich zu, wenn die Anzeige zum echten Delivery passt.
Keine Framework-Listen. Drei Anker (z. B. Python, Vector Store, Eval-Harness) plus ein Satz zu Skala oder Compliance.
Ehrlicher Funnel
Interview-Stufen offenlegen—Take-home, Live-Design, Prompt-Übung—und Timeline. Senkt Abbruch bei Senior-Profilen.
Hybrid/On-site: warum (Datenresidenz, Lab, Kunden). Remote-first: async-Normen nennen.
Praxisbeispiel — LLM-Plattformingenieur (2026)
Vorher: «Werde Teil unseres schnellen KI-Teams. ChatGPT, LangChain und 10+ Frameworks Pflicht. Rockstar gesucht.»
Nachher: «Verantwortung für interne RAG-API im Support (40k Anfragen/Tag). Must-haves: Python, Vector-Store-Ops, Eval-Harness mit Golden-Set-Regression, p95-Latenz unter 800 ms. Nice-to-have: vLLM-Tuning. Hybrid 2 Tage/Woche London für On-Call. Prozess: 45-min System Design, 60-min Prompt+Eval, optionales bezahltes Take-home. Timeline: 6–8 Wochen.»
FAQ — Was gehört in eine LLM-Ingenieur-Stellenbeschreibung?
Starten Sie mit Umfang (Produktfläche, Traffic, Compliance), dann Must-haves mit Artefakten aus dem Interview—Repos, Eval-Notebooks oder Incident-Writeups.
Eval-Erwartungen, Modell-/Provider-Grenzen und ob die Rolle Inferenz-Infra oder App-Integration owned. Keine leeren Superlative.
FAQ — Wie lang soll ein KI-Stellenbrief sein?
600–900 Wörter reichen bei klarer Struktur: Outcome, Must-haves, Nice-to-haves, Prozess, Gehaltshinweis, Ort/Zeitzone.
Längere Texte helfen bei Senior-Plattformrollen mit Architekturkontext—streichen Sie doppelte Framework-Listen.
Job- & Talent-Sammlungs-Hubs
Strukturierte Einstiege für typische Suchintents—Arbeitsmodell, Stack, Seniority—mit passenden Talent-Hubs zu denselben Themen.