Wie man in einen Beruf im Bereich KI einsteigt: ein 90-Tage-Plan ohne technische Ausbildung

Das Gespräch über Berufe in der KI bricht meist an zwei Extremen zusammen. Das erste: „Man braucht Mathematik und einen Master, ohne das kommt man nicht rein.“ Das zweite: „Es reicht, einen Kurs zu machen und zweihunderttausend zu verdienen.“ Weder das eine noch das andere beschreibt die Realität, in der Menschen aus Support, Redaktion, Analyse, Vertrieb und Lehre in diese Rollen wechseln.

Die Realität ist zugleich einfacher und härter. Unternehmen brauchen nicht diejenigen, die neuronale Netze von Grund auf trainieren, sondern diejenigen, die eine vage Aufgabe „wir wollen KI genau hier“ in einen überprüfbaren Satz von Anforderungen, Beispielen und Qualitätskriterien verwandeln. An solchen Fachkräften mangelt es, weil die Arbeit kein ML-Diplom erfordert, sondern Denkdisziplin und die Fähigkeit, mit verschiedenen Teams zu sprechen.

Für wen KI-Berufe zugänglich sind und für wen sie nicht geeignet sind

Es ist sinnvoll, den Einstieg sofort in drei Stufen zu unterteilen: Sie unterscheiden sich nicht durch Prestige, sondern dadurch, wie viel technische Vorbereitung man am Anfang braucht.

Einstiegsebene	Was man am Anfang braucht	Typische Rollen
Ohne Code	Gute Ausdrucksfähigkeit, Aufmerksamkeit für Details, Fähigkeit, nach Anweisungen zu arbeiten und Entscheidungen zu erklären	AI-Trainer, Bewerter von Antworten, Datenkurator, AI-Redakteur, Spezialist für Implementierung
Low-Code	Tabellen, reguläre Ausdrücke, JSON, Verständnis von APIs, SQL-Grundlagen, No-Code-Automatisierung	Modellqualitätsanalytiker, Spezialist für Evals, Datenoperator, RAG-Content-Manager
Mit Code	Python, API und Vektordatenbanken, Verständnis der Funktionsweise von Modellen und Metriken	ML-Ingenieur, Dateningenieur, Entwickler von KI-Anwendungen, MLOps

Die erste Ebene ist keine „Junior-Version“ der zweiten. Eine Person, die Qualitätskriterien formuliert und Widersprüche in der Anweisung findet, beeinflusst, ob das Produkt überhaupt verwendbar sein wird.

Und jetzt ehrlich darüber, für wen diese Rollen nicht geeignet sind. Für diejenigen, die Arbeit ohne Entscheidungen und Kommunikation suchen: Fast alle Einstiegsrollen im KI-Bereich drehen sich um Abstimmung. Für diejenigen, die ein schnelles und garantiertes Ergebnis brauchen: Der Markt ist jung, die Berufsbezeichnungen sind uneinheitlich, manche Stellen sind ein Experiment des Unternehmens. Und für diejenigen, die schlecht mit Routine umgehen können: Die Bewertung von Antworten bedeutet Hunderte gleichartiger Aufgaben mit demselben Qualitätsmaßstab beim dreihundertsten Beispiel.

Fünf Rollen, für die man tatsächlich ohne technische Ausbildung eingestellt wird

Die Bezeichnungen in Stellenanzeigen unterscheiden sich: Dieselben Aufgaben können „AI trainer“, „data annotator“, „AI quality analyst“ oder „Spezialist für KI-Training“ heißen. Orientieren Sie sich an der Aufgabenbeschreibung, nicht an der Überschrift.

1. AI-Trainer

Liest Paare „Anfrage – Antwort“, vergleicht Varianten, findet Defekte: erfundene Tatsache, Verstoß gegen die Anweisung, unangemessener Ton, fehlende Bedingung. Danach schreibt er eine Referenzantwort oder korrigiert die Anweisung, damit sich der Fehler nicht wiederholt. Die zweite Ebene ist, komplexe Szenarien zu erfinden: wo der Nutzer verwirrt ist, wütend wird, Unmögliches verlangt. In der Eingangsprüfung wird geprüft, ob Sie die Wahl anhand von Kriterien erklären können und nicht mit „mir scheint das so“, und ob Sie einen Widerspruch in einer einseitigen Anweisung finden.

Ein typischer Anfängerfehler ist, die Antwort nach eigenem Geschmack umzuschreiben. Die Bewertung erfordert einen minimalen Eingriff, der den konkreten Defekt behebt. Der zweite Fehlschlag ist Inkonsistenz: Beim ersten Beispiel haben Sie eines als Fehler gewertet, beim vierzigsten ein anderes. Deshalb gibt es in solchen Teams Kalibrierungen, bei denen Bewerter dieselben Beispiele durchgehen und sich über die Grenzen verständigen.

2. Bewerter für Antwortqualität (evals)

Verantwortet nicht die Beispiele, sondern das System: Kriterien, Skalen, eine repräsentative Stichprobe und einen Bericht darüber, was sich nach einer Änderung des Prompts oder des Modells verschlechtert hat. Die Rolle ist näher an der Analytik: gefragt sind sichere Tabellen, einfache Metriken und die Fähigkeit, Schlussfolgerungen zu schreiben. Geschätzt wird die Fähigkeit, eine Metrik, die den Nutzen misst, von einer Metrik zu unterscheiden, die die Bequemlichkeit der Berichterstattung misst.

3. Kurator für Daten und Wissensdatenbanken

Wenn ein Modell an interne Dokumente angebunden wird, hängt die Antwortqualität nicht vom Modell ab, sondern davon, was ihm als Eingabe gegeben wurde. Der Kurator entfernt Duplikate und Widersprüche, kennzeichnet Versionen und sorgt dafür, dass jede Antwort eine Quelle hat. Ein klassischer Fehlschlag: In der Datenbank liegen zwei Fassungen einer Richtlinie, das Modell nimmt die alte, der Support antwortet dem Kunden nach veralteten Regeln. Gut wechseln hierher Redakteure, Methodiker und Support-Mitarbeiter.

4. Spezialist für die Einführung von KI in Prozesse

Eine Rolle für Unternehmen, in denen KI bereits gekauft wurde, aber niemand sie nutzt. Die Aufgabe ist, Bereiche zu finden, in denen das Modell Zeit spart, einen Piloten mit zehn Personen aufzusetzen, den Effekt zu messen und die Erfahrung in eine Anweisung zu verwandeln. Die Schlüsselkompetenz ist kommunikativ: dem Buchhalter, dem Manager und dem Juristen dieselbe Sache in drei Sprachen zu erklären, ohne das Gefühl zu erzeugen, dass sie ersetzt werden. Deshalb werden häufiger Leute aus dem Unternehmen selbst eingestellt.

5. KI-Redakteur und Content-Operator

Verantwortlich dafür, dass der Output-Text zur Marke, den Fakten und der Aufgabe passt: unerwünschte Lexik entfernen, die das Unternehmen nicht verwendet, Zahlen prüfen, einen Absatz umschreiben, der wie eine Pressemitteilung eines Roboters klingt. Die Hälfte der Arbeit ist der Aufbau des Prozesses: Welche Generierungsschritte wiederholen sich, wo ist eine menschliche Prüfung nötig. Ein guter Einstieg für Journalisten, Philologen, Übersetzer und Marketingfachleute.

Was ist mit dem „Prompt-Engineer“ passiert

Eine separate Stelle gibt es seltener als in den ersten Hype-Wellen: Das Schreiben von Prompts ist in anderen Rollen aufgegangen. Als Beruf hat es sich dort erhalten, wo Prompts das Produkt sind: in Teams, die Agenten und komplexe Szenarien bauen. Fazit für den Einstieg: Bauen Sie Ihren Plan nicht um den Titel, sondern um die Fähigkeit – eine Aufgabe für das Modell so zu formulieren, dass das Ergebnis überprüfbar ist.

Das technische Minimum, ohne das man nicht einmal für eine „Rolle ohne Code“ eingestellt wird

„Ohne Code“ bedeutet nicht „ohne Technik“. In Einstiegsrollen fragt man nicht nach Formeln, sondern nach dem Verständnis dafür, wie das Tool aufgebaut ist und wo es nicht funktioniert.

Wie das Modell eine Antwort generiert

Ein funktionierendes Verständnismodell reicht: Ein Sprachmodell sagt die Fortsetzung von Text auf Basis von Wahrscheinlichkeiten voraus, die es auf einem großen Korpus gelernt hat. Es sucht keine Fakten in einer Datenbank und „kennt“ sie nicht im menschlichen Sinne. Daraus folgen zwei Konsequenzen, die man mit eigenen Worten erklären muss: warum das Modell überzeugt Dinge erfindet und warum die Formulierung der Anfrage das Ergebnis verändert. Dazu drei Begriffe, nach denen fast immer gefragt wird: Token, Kontextfenster und Temperatur.

Warum das Modell Fehler macht

Fehler lassen sich in Gruppen einteilen: erfundene Tatsache, veraltete Information, falscher Link, Formatverstoß, Ignorieren eines Teils der Anweisung, zu allgemeine Antwort, gefährliche Empfehlung. Die Arbeit beginnt damit, dass Sie aufhören zu sagen „das Modell ist dumm“ und anfangen zu klassifizieren: was genau passiert ist und in welchem Schritt. Die Klassifizierung verwandelt eine Beschwerde in eine Aufgabe.

RAG, Metriken und Stichproben

RAG — wenn das Modell zuerst Fragmente in Ihren Dokumenten sucht und dann mit deren Unterstützung antwortet. Das Schema erklärt die Hälfte der Stellenangebote: Unternehmen brauchen Leute, die Ordnung in den Dokumenten schaffen. Separat sollte man verstehen, worin sich manuelle Bewertung von automatischer unterscheidet: Erstere ist teuer und subjektiv, Letztere ist schnell und lässt sich leicht täuschen. In der Praxis kombiniert man sie, und das Schlüsselwort hier ist „Stichprobe“: eine Bewertung an zehn bequemen Beispielen bedeutet nichts.

Daten und personenbezogene Daten

Ein Thema, bei dem am häufigsten durchgefallen wird, und das zu Recht. Alles, was Sie in einen fremden Chat einfügen, geht auf einen fremden Server. Personenbezogene Daten von Kunden, medizinische Angaben, Dokumente mit eingeschränktem Zugriff und Geschäftsgeheimnisse dürfen ohne rechtliche Grundlage nicht in externe Dienste gelangen. In der russischen Praxis wird dies durch das 152-ФЗ „Über personenbezogene Daten“ geregelt: Die Verarbeitung erfordert eine gesetzliche Grundlage und Einwilligung, und Speicherung und Verarbeitung der Daten von Bürgern der RF unterliegen Lokalisierungsanforderungen. In Vorstellungsgesprächen wird diese Frage gestellt, um zu verstehen, ob Sie das Unternehmen schon im ersten Monat einem Risiko aussetzen.

Werkzeuge

Tabellen auf Pivot-Ebene, JSON als Format, die Idee von APIs (Anfrage — Antwort, Schlüssel, Limits), SQL-Grundlagen im Umfang von „Zeilen auswählen und gruppieren“, ein No-Code-Automatisierungswerkzeug. Das reicht, um die Testaufgabe zu bestehen und in der ersten Woche nicht hilflos zu wirken.

Der 90-Tage-Plan: von „Ich lese über KI“ zu zwei Einladungen zum Vorstellungsgespräch

Der Plan ist auf 6–8 Stunden pro Woche ausgelegt, also auf jemanden, der arbeitet und abends lernt. Über drei Monate sind das etwa 80–100 Stunden. Das Ziel ist bescheiden und überprüfbar: nicht „KI zu beherrschen“, sondern zwei bis drei Interviews für eine Einstiegsrolle zu bekommen.

Zeitraum	Was Sie tun	Ergebnisartefakt
Wochen 1–2	Sie verstehen, wie das Modell funktioniert und wo es Fehler macht; Sie wählen Branche und Rolle	Zweiseitige Zusammenfassung; Liste mit 15 Stellenanzeigen inklusive Analyse der Anforderungen
Wochen 3–4	Jeden Tag gehen Sie 5–10 Modellantworten durch: Fehler, Klassifizierung, Korrektur	30 Testfälle mit Bewertung und Kommentaren
Wochen 5–6	Sie erstellen Kriterien und Skalen, wenden sie auf eine Stichprobe an und berechnen das Ergebnis	Mini-Bewertungssystem mit Ausgabe auf einer Seite
Wochen 7–8	Sie erstellen eine Wissensdatenbank für Ihre Branche und prüfen Antworten auf deren Grundlage	Analyse: was in der Datenbank ist, wie in Fragmente zerlegt wurde, wo es besser wurde
Wochen 9–10	Sie erstellen eine Lernfallstudie zur Einführung: Prozess, Hypothese, Pilot, Metrik	Zweiseitige Fallstudie mit Zahlen „vorher/nachher“
Wochen 11–12	Sie stellen Ihr Portfolio zusammen, überarbeiten Ihren Lebenslauf, bewerben sich und üben Vorstellungsgespräche	Öffentliche Seite mit Portfolio und Lebenslauf, drei Übungsgespräche

Die ersten zwei Wochen drehen sich um die Sprache, nicht um die Karriere: lernen, einen Prompt von einer Anweisung zu unterscheiden, RAG von Fine-Tuning, eine Halluzination von einem Datenfehler. Parallel wählen Sie eine Branche: „KI im Allgemeinen“ lässt sich beim Einstieg nicht verkaufen, aber jemand, der den Aufbau des Supports im E-Commerce versteht, wirkt stärker. Ihre bisherige Erfahrung ist hier kein Ballast, sondern ein Vorteil.

Dann kommen die Artefakte. Dreißig analysierte Antworten des Modells sind bereits ein Portfolio, weil sie eine Denkweise zeigen. Ein Bewertungssystem verwandelt verstreute Meinungen in eine messbare Größe. Eine Wissensbasis liefert ein zweites Artefakt für die Rolle des Datenkurators. Ein Lernfall mit Zahlen „vorher/nachher“ zeigt, dass Sie eine Idee bis zu einem messbaren Ergebnis bringen können, und ein Abschnitt über Daten, die Sie nicht an das Modell geschickt haben, schafft zusätzliches Vertrauen.

Die letzten zwei Wochen sind nicht zum Lernen, sondern zum Verkaufen da: eine öffentliche Seite mit vier Artefakten, ein Lebenslauf für eine konkrete Rolle, fünf Bewerbungen pro Woche und eine Gesprächsprobe. Bewerbungen ohne Vorbereitung werden zu einer Übung an echten Menschen, von denen Sie nicht viele haben.

Portfolio statt Erfahrung

Bei Einstiegsrollen wird man kaum wegen eines Diploms und Zertifikats eingestellt – sondern wegen Denknachweisen. Die vier Artefakte aus dem Plan sind genau das Portfolio.

1. Ein Satz von Testfällen. Dreißig Zeilen: die Anfrage, was das Modell hätte tun sollen, was es getan hat, die Fehlerart, die Schwere, die Korrektur. Schlecht: „die Antwort ist schlecht“. Gut: „das Format verletzt: Es war JSON mit drei Schlüsseln gefordert, das Modell gab Text zurück“.
2. Fehleranalyse und Überarbeitung der Anweisung. Wie man es gefunden hat, warum es auftritt, was geändert wurde, was sich verbessert hat und was weiterhin kaputt ist. Der letzte Punkt ist Pflicht: Er zeigt, dass Sie keine Zauberei verkaufen.
3. Mini-Bewertungssystem. Kriterien, Skalen, Stichprobe, Ergebnistabelle und ein Fazit auf einer halben Seite. Aus den Kriterien müssen sich Schlussfolgerungen ergeben, und aus den Schlussfolgerungen — Maßnahmen. „Die Qualität muss verbessert werden“ ist kein Fazit.
4. Implementierungsfall mit Metrik. Prozess vorher, Hypothese, Einschränkungen, Ergebnis „vorher/nachher“ und ein Abschnitt zu Daten, die bewusst nicht in das Modell gegeben wurden. Sogar ein Übungsfall funktioniert: Geprüft wird nicht der Maßstab, sondern die Art des Argumentierens.

Eine öffentliche Seite reicht: wer Sie sind, in welchem Bereich Sie sich auskennen, vier Blöcke mit Links, Kontakt. Man sollte nicht hundert Prompts sammeln, Chat-Screenshots ohne Auswertung veröffentlichen oder nur gelungene Beispiele zeigen — das beantwortet nicht die Hauptfrage des Einstellenden: Kann die Person Entscheidungen zur Qualität treffen, wenn niemand in der Nähe ist, der Hinweise geben kann.

Lebenslauf, Stellenanzeigen und Gespräch über den Wechsel

Der häufigste Fehler ist, den Lebenslauf „breit, damit er überall passt“ zu schreiben. In der KI funktioniert das nicht: Die Rollen sind unterschiedlich, und der Manager sucht Übereinstimmung bei den Aufgaben, nicht beim Enthusiasmus.

Suchen Sie nicht nach einer einzigen Bezeichnung, sondern nach einer Gruppe: AI trainer, AI quality analyst, quality rater, AI content editor, AI adoption specialist, knowledge manager, Kurator für Wissensdatenbanken, Spezialist für KI-Training. Ergänzen Sie Ihre Suchanfrage um Ihre Branche – „KI-Support“, „KI-Medizin“, „KI-Bank“: So finden Sie Stellen, bei denen frühere Erfahrung zum Vorteil wird. Unterscheiden Sie bei den Anforderungen zwischen dem Obligatorischen (Verständnis der Kriterien, Sorgfalt, Bereitschaft zur Routine) und dem Wünschenswerten (konkrete Tools, die man in einer Woche erlernt).

Die Erfahrungszeile wird nach der Formel „Aufgabe – Aktion – Ergebnis“ geschrieben: nicht „beantwortete Kundenanfragen“, sondern „bearbeitete 40 Anfragen pro Tag, erstellte eine Datenbank mit Standardantworten für 60 Szenarien, die Antwortzeit auf eine häufige Frage halbierte sich“. Ein separater Block „KI-Projekte“ – vier Artefakte mit Links und jeweils einer Ergebniszeile. Das Anschreiben – vier kurze Absätze: Rolle und ein konkretes Detail zum Unternehmen, was Sie bereits haben mit Link zum Portfolio, wie die frühere Erfahrung übertragbar ist, was Sie zum Einstieg bereit sind zu tun.

Vorstellungsgespräch für eine Einstiegsrolle im Bereich KI

Theorie wird selten abgefragt. Normalerweise gibt man Ihnen Material und schaut, wie Sie argumentieren. Meist sind es drei Aufgaben.

Zwei Antworten des Modells bewerten. Man gibt eine Anfrage und zwei Varianten vor und bittet darum, die beste auszuwählen. Geprüft wird nicht der Geschmack, sondern die Fähigkeit, Kriterien aufzustellen: zu benennen, was gefordert war (Fakten, Format, Ton, Vollständigkeit), jeden Punkt zu vergleichen und zu erklären, worin die verworfene Variante schlechter ist. Die Antwort „Die erste ist verständlicher“ verliert gegen die Antwort „Die erste ist faktisch genauer und hält das Format, die zweite ist im Ton besser, irrt sich aber beim Betrag – für eine Rückerstattung ist das kritisch“.

Einen Defekt in der Anweisung finden. Man gibt eine Seite mit Regeln. Typische Defekte: Widerspruch zwischen den Punkten, ein Kriterium, das nicht überprüfbar ist, fehlende Ausnahmebehandlung, eine zu breite Regel. Eine Anweisung, die zwei Personen unterschiedlich anwenden, macht die gesamte Bewertung kaputt – deshalb wird diese Fähigkeit höher geschätzt als die Fähigkeit, schöne Prompts zu schreiben.

Mini-Case zur Implementierung. „Der Support erhält fünfhundert Anfragen pro Tag, wir möchten schneller antworten. Was schlagen Sie vor?“ Eine gute Antwort beginnt nicht mit „Wir schalten ein Modell ein“, sondern mit der Frage „Welche Anfragen sind am häufigsten, und wie hoch sind die Kosten eines Fehlers bei jedem Typ?“ Danach folgen Hypothese, Metrik, Einschränkungen und Pilotplan.

Struktur der Antwort auf jede Frage: These — Argument — Beispiel — Fazit. Zuerst eine kurze direkte Antwort, dann die Begründung, dann ein Fall aus Ihrem Portfolio, dann ein Fazit in einem Satz. Und haken Sie nach: „Zur Klarstellung: Meinen Sie mit Qualität die Faktenrichtigkeit oder die Einhaltung des Formats?“ — das ist ein Zeichen dafür, dass Sie solche Fragen auch im Arbeitsalltag stellen und nicht raten.

Fragen Sie die einstellende Person nach drei Dingen: Wie sieht Erfolg in den ersten drei Monaten aus, wer entscheidet in strittigen Fällen und was derzeit am meisten schmerzt. Und behalten Sie diese Red Flags im Kopf: Annotation ohne Kriterien und Kalibrierungen, „alles tun, was mit KI zu tun hat“ ohne Team und Metriken, das Versprechen eines Aufstiegs zum ML-Engineer ohne einen einzigen Engineer im Unternehmen, Gebühren für eine Schulung vor der Anstellung.

Üben Sie das Gespräch im Voraus. Improvisation beim ersten echten Interview ist eine schlechte Strategie. Sprechen Sie die Antworten laut durch und führen Sie dann einen vollständigen Dialog mit einem KI-Trainer: Er stellt Fragen, Sie antworten, nach dem Gespräch sehen Sie sich die Auswertung an — wo die Antwort schwach war und wo ein Beispiel fehlte.

Wie lange dauert das und was kostet es

Ein realistischer Zeitrahmen für den Wechsel ohne technischen Hintergrund sind drei bis sechs Monate bei 6–8 Stunden pro Woche: drei Monate für Fähigkeiten und Portfolio, ein bis zwei weitere für Bewerbungen und Testaufgaben. Reden über den „Berufswechsel in drei Wochen“ gehören zu einem anderen Genre.

Geld wird am Anfang kaum benötigt: Modelldokumentationen, offene Leitfäden von Unternehmen, kostenlose Versionen der Tools und offene Materialien zur Qualitätsbewertung decken einen Großteil des Programms ab. Es lohnt sich, für ein Modellabonnement zu zahlen, wenn das kostenlose Limit nicht ausreicht, und für eine einmalige Beratung durch jemanden, der bereits in der Rolle arbeitet. Man muss keinen Kurs „Beruf der Zukunft“ mit Jobgarantie und kein „Prompt-Engineer-Zertifikat“ kaufen: Bei Einstiegsrollen achtet man auf Artefakte und darauf, wie Sie sprechen.

Und Geduld. Die ersten zwanzig Bewerbungen bringen möglicherweise keine einzige Antwort – der Markt ist jung, und ein Teil der Stellen wird mit internen Kandidaten besetzt. Der Maßstab sind nicht Absagen, sondern die Anzahl der Gespräche: Wenn Sie nach zehn Interviews nicht verstehen, was fehlt, dann ist es Zeit, Feedback einzuholen und das Portfolio zu überarbeiten.

Risiken, über die in Kursen nicht gesprochen wird

• Ein Teil der Rollen ist befristet. Massenannotation und einfache Bewertung werden automatisiert und billiger. Robuster erscheinen Rollen, in denen Urteilsvermögen, Fachexpertise und Verantwortung für Entscheidungen gefragt sind.
• Automatische Bewertung verändert die Arbeit. Das Modell fungiert immer häufiger als „erster Filter“, und der Mensch prüft strittige Fälle. Weniger Routine, aber man muss die Überprüfung selbst überprüfen können.
• Eine Obergrenze beim Einstieg existiert.Eintönige Annotation nach einer fremden Checkliste stößt in zwei Jahren an die Decke. Eine gute Einstiegsrolle zeichnet sich durch klare Kriterien, Kalibrierungen und einen verständlichen Aufstiegspfad aus.
• Der Druck, „mehr zu tun“. KI beschleunigt die Arbeit, und das wird schnell zur Erwartung, dass eine Person für dasselbe Geld doppelt so viel erledigt. Fragen Sie im Vorstellungsgespräch, wie die Arbeitsbelastung im Team gemessen wird.
• Infoprodukte rund um das Thema. Garantierte Jobvermittlung, Gehaltsangaben in der Werbung ohne Quelle, Bewertungen nur als Screenshots, „nur noch zwei Plätze“ — all das sind Anzeichen dafür, dass man Ihnen heiße Luft verkauft. Bitten Sie darum, drei Portfolios von Absolventen zu zeigen, die derzeit in der Rolle arbeiten.

Checkliste für die erste Woche

1. Wählen Sie eine Branche, in der Sie sich bereits auskennen, und eine Einstiegsrolle.
2. Notieren Sie fünfzehn reale Stellenanzeigen und unterstreichen Sie wiederkehrende Anforderungen.
3. Erklären Sie laut in eigenen Worten, was ein Token, ein Kontextfenster und Temperatur sind.
4. Erstellen Sie eine Liste mit zehn Arten von Modellfehlern, denen Sie bereits begegnet sind.
5. Analysieren Sie fünf Antworten nach dem Schema „Anfrage – Erwartung – Tatsache – Defekt – Korrektur“.
6. Erstellen Sie eine Tabelle für Testfälle und fügen Sie die ersten fünf Zeilen hinzu.
7. Schreiben Sie die Regel auf, welche Daten in Ihrer Arbeit nicht an externe Dienste gesendet werden dürfen.
8. Sehen Sie sich an, wie eine offene Wissensdatenbank für Ihre Branche aufgebaut ist.
9. Formulieren Sie einen Satz über sich selbst: „Ich kenne mich mit X aus und möchte für die Qualität von KI-Antworten in X verantwortlich sein“.
10. Spielen Sie das Gespräch über den Übergang laut durch und notieren Sie die Fragen, bei denen Sie nicht weiterwussten.

Fragen, die am häufigsten gestellt werden

Kann man ohne technische Ausbildung in den KI-Beruf einsteigen?

Ja, in Einstiegsrollen – KI-Trainer, Bewerter für Antwortqualität, Kurator der Wissensdatenbank, Implementierungsspezialist, KI-Redakteur. Ein Abschluss in maschinellem Lernen ist nicht erforderlich, aber technische Kompetenz ist nötig: zu verstehen, wie das Modell eine Antwort generiert, wo es Fehler macht, was Kontext, RAG und Qualitätsmetriken sind.

Muss man Python lernen?

Für Rollen ohne Code reichen Tabellen, JSON und das Verständnis der Grundidee von APIs. Python ist nötig, wenn Sie sich in Richtung automatisierte Bewertung, Data Engineering oder Entwicklung von KI-Anwendungen bewegen.

Wie lange dauert der Übergang?

Drei bis sechs Monate bei 6–8 Stunden pro Woche: drei Monate für Fähigkeiten und Portfolio, ein bis zwei weitere für Bewerbungen, Testaufgaben und die Jobsuche.

Was ist wichtiger: Zertifikat oder Portfolio?

Portfolio. Bei Einstiegsrollen achtet man auf die Analyse von Antworten, ein Kriteriensystem und einen Implementierungsfall, weil daran sichtbar wird, wie Sie Entscheidungen treffen. Ein Zertifikat hilft, den ersten Filter zu passieren, aber das Gespräch wird trotzdem um die Praxis gehen.

Welche Rolle sollte man zuerst wählen?

Diejenige, in der die bisherige Erfahrung zum Vorteil wird: Support und Vertrieb wechseln in die Rolle des AI-Trainers und der Implementierung, Redakteure und Übersetzer — in die des AI-Redakteurs und Kurators der Wissensdatenbank, Analysten — in die Qualitätsbewertung.

Wie unterscheidet man eine gute Stelle von einer Sackgasse?

Es gibt beschriebene Qualitätskriterien, es gibt Kalibrierungen und eine Person, die bei strittigen Fällen entscheidet, und es ist klar, wohin man in einem Jahr wachsen kann. Annotation nach Anleitung ohne Prozessbeschreibung und ohne Team führt an die Decke.

Was kommt als Nächstes

Beginnen Sie heute mit einer einzigen Handlung: Schreiben Sie fünf Antworten des Modells auf, die Sie geärgert haben, und daneben — was genau nicht stimmte. Nach einer Woche haben Sie eine Liste von Fehlern, nach einem Monat — eine Tabelle mit dreißig Zeilen, nach drei — ein Portfolio, mit dem Sie zu einem Interview gehen können.

Wenn Sie zuerst das Gesamtbild sehen möchten, lesen Sie die Karte der neuen Berufe rund um KI: dort wird erläutert, wie sich der Produktentwicklungszyklus verändert und welche Rollen bei jedem Schritt entstanden sind. Für den Gesprächsteil sind die Vorbereitung auf das Vorstellungsgespräch und das Material über Soft Skills hilfreich, und für das Training im Live-Dialog — der Modus „Trainer“ in HintMeTalk AI.