Jeder Founder, mit dem ich spreche, hat denselben Einstellungsplan: „Wir holen uns einen AI-Engineer, erster Hire nach dem Seed." Das klingt vernünftig und ist meistens falsch — nicht weil es die Person nicht gibt, sondern weil die Stellenbeschreibung den falschen Job beschreibt. Und bis Du das merkst, hast Du den Hire ausgegeben, der am meisten zählt.
Warum der Titel Dich belügt
„AI-Engineer" klingt nach einer Rolle. Es sind mindestens drei:
- Model Developer — verantwortet Training, Fine-Tuning und Evaluation des Modells selbst. Nötig, wenn Modellfähigkeit der Engpass ist.
- Systems Engineer, die mit Modellen arbeitet — verantwortet das Produkt rund ums Modell: Prompts, Kontext, Retrieval, Tooling, Verträge, das Evaluations-Gerüst, Deployment, Monitoring.
- Applied Researcher — prüft, ob neue Techniken Produktkennzahlen verbessern könnten. Ein Luxus, bis Du Umsatz hast.
In einem Early-Stage-Unternehmen mit Product-Market-Fit-Problem brauchst Du #1 selten und #3 ist imaginär. Was Du wirklich brauchst, ist #2 — jemand, der das LLM als Komponente mit Vertrag behandelt und durch Modellwechsel wertvoller wird, weil seine Arbeit jeden Modell-Swap überlebt.
Die Evaluation ist das Produkt
Das ist der Satz, den ich jedem Founder sage: die Evaluation ist das Produkt, das Modell ist die Abhängigkeit.
Das Modell wird in sechs Monaten ersetzt — durch ein neueres, ein billigeres, ein Open-Source-Modell. Das Evaluations-Gerüst, das Du baust, ist das Einzige, das jedes Modell überlebt. Es definiert, was „gut" heißt, fängt Regressionen ab und — was die meisten Founder übersehen — es ist die interne Kommunikationsebene. Wenn Du sagen kannst „das degradiert bei diesen Inputs, hier ist das Tape", kannst Du rationale Gespräche über Scope, Risiko und Release führen. Ohne Gerüst ist jedes Gespräch Vibes.
Einen „AI-Engineer" aus einer Big-Lab-Kultur einzustellen heißt oft, jemanden einzustellen, der das Modell optimiert. Das ist eine wirklich harte Fähigkeit — nur die falsche für den Stuhl. Dein erster Hire sollte die Person sein, die das Gerüst baut, denn diese Person macht alles andere messbar: Domain-Arbeit, Prompt-Arbeit, Produktarbeit.
Die Einstellungsreihenfolge, die funktioniert
Das Muster, das in meiner Erfahrung funktioniert:
- Erstens: ein Founding Engineer, der das Produkt end-to-end verantwortet und das LLM als Komponente mit Vertrag behandelt. Sie bauen die Abstraktionsebene — Inputs, Outputs, Kosten, Fehlermodi — sodass nichts außerhalb der Grenze je wissen muss, welches Modell innen steckt.
- Zweitens: ein Domain-Experte, der die Evaluationsmenge schreibt. Die Person, die besser als ihr beide weiß, wie eine „falsche Antwort" aussieht — die Juristin, die Klinikerin, der Steuerberater — und das in einen Golden Set aus 50–200 Fällen mit begründeten Labels codiert.
- Drittens — erst dann — jemand, dessen Titel tatsächlich AI sagt, sobald das System genug Oberfläche hat, dass Modellarbeit ein Engpass ist, den Du in den Kennzahlen spürst.
Eine brauchbare Heuristik: Der erste AI-Hire sollte die Person sein, deren Abwesenheit Du zuerst spürst. In der Seed-Phase ist das fast nie ein Modell-Optimierer.
Der Interview-Test
Gib Kandidaten eine kaputte Evaluation: ein paar Goldbeispiele, ein Modell, das daran scheitert, und eine halbe Stunde. Schau, was sie tun.
Der falsche Kandidat beginnt mit Fine-Tuning. Der richtige repariert das Gerüst, quantifiziert den Fehler — „drei von zwölf Goldfällen scheitern, alle in derselben Input-Klasse" — und nennt Dir den billigsten Fix, selbst wenn es ein Prompt-Tweak, ein Doc-Update und zwei neue Goldfälle sind. Das Signal, auf das Du achtest, ist Urteilsvermögen über Systeme, nicht Flüssigkeit über Transformer.
Es gibt einen zweiten, billigeren Test, den Du an Dir selbst ausführen kannst: Nimm Deinen aktuellen Prototyp und frag „Wenn das Modell, das ich heute nutze, morgen verschwände, was verlöre ich?" Wenn die Antwort „alles" ist, stellst Du keinen AI-Engineer ein — Du stellst jemanden ein, der Dein Produkt auf einer Abhängigkeit neu aufbaut, die Du nie verstanden hast.
Das Gespräch, das niemand führen will
Ein Teil des Grundes, warum Founder den „AI-Engineer" einstellen, ist Signaling — gegenüber Investoren, Kandidaten, sich selbst. Verständlich. Aber der Preis ist real: Der Modell-Optimierer ist auf Seed-Ebene die am schwersten produktiv zu beschäftigende Person, und der Titel plättet den Rest der Engineering-Organisation flach: „Wir haben einen AI-Menschen, das ist abgedeckt."
Stelle nach Urteilsvermögen über Systeme ein, nicht nach Flüssigkeit über Transformer. Das Modell ändert sich; das Urteilsvermögen wächst. Die Person, die Du brauchst, ist die, die noch nützlich und scharf ist, wenn das Modell, für das Du Dich heute begeisterst, eine Fußnote in den Release-Notes ist.