Über die Rolle

Das ist keine Vollzeitstelle. Wir suchen vertraute Mitarbeiter, die wir pro Projekt aktivieren — wenn wir Arbeit haben, die zu deinem Profil und deinem Zeitplan passt. Die Zusammenarbeit beginnt mit einem Projekt, und wenn das erste gut läuft, kommen die nächsten ganz natürlich.

Realistisches Szenario: Das erste Gespräch dauert 30 Minuten. Wenn die Chemie stimmt, ist das zweite Gespräch technisch — wir sprechen über deine bisherigen AI-Systeme in Produktion, wie du Halluzinationen handhabst, was deine Modell-Aufrufe kosten. Wenn wir dich für ein echtes Projekt anrufen, fangen wir mit einem kleineren Umfang an (2–4 Wochen), damit beide Seiten sehen, wie die Zusammenarbeit funktioniert, bevor wir größere Verpflichtungen eingehen.

Was du machst

Die Arbeit variiert von Projekt zu Projekt. Typische Aufgaben sind:

- RAG-Systeme über Kundendaten — von Extraktion und Chunking bis zu Retrieval-Strategie und Evaluation, mit der richtigen Priorität auf „keine Halluzinationen" statt „hohe Genauigkeit bei Demo-Anfragen"
- Dokumentenklassifikation und -verarbeitung — Rechnungen, Verträge, E-Mails, Anträge; OCR-+-LLM-Pipelines mit Human-in-the-Loop-Strategie für Sonderfälle
- AI-Assistenten für den Kundenservice — vom Prompt Engineering bis zur Tool-Orchestrierung, mit Eskalation an einen Menschen, wenn das Modell nicht weiterkommt
- Technische Einschätzungen für neue Projekte — du hilfst uns, dem Kunden zu sagen, was etwas kostet, wie lange es dauert und ob AI überhaupt die richtige Lösung ist
- Optimierung der API-Aufruf-Kosten — Caching, Model Routing, Batch Processing, alles, was einen PoC von einem System unterscheidet, das sich in Produktion selbst tragen kann

Wir machen kein „wir trainieren unser eigenes LLM von Grund auf" oder „füg einen GPT-4-Button ins Admin-Panel ein, weil der Kunde von AI gehört hat." Die Projekte sind praktisch, mit messbaren Ergebnissen in 30 Tagen.

Was wir suchen

- 2+ Jahre Arbeit an AI-/ML-Systemen in Produktion — nicht nur Kaggle-Wettbewerbe, nicht nur „ich habe letzten Monat LangChain gelernt"
- Erfahrung mit LLM-APIs in Produktion — OpenAI, Anthropic oder Open-Weight-Modelle; du verstehst den Trade-off zwischen Latenz, Kosten und Qualität
- Verständnis für RAG-Architektur — Embeddings, Vektor-Datenbanken (pgvector, Pinecone, Weaviate), Chunking-Strategien, Evaluation
- Verständnis dafür, wann RAG besser ist als Fine-Tuning, wann beides falsch ist und wann das Problem kein AI-Problem ist
- Python + Erfahrung mit mindestens einem ML-Framework — PyTorch, scikit-learn oder Hugging Face transformers
- Fähigkeit zur technischen Einschätzung — du kannst „das geht in X Tagen mit Y Kosten pro Aufruf, mit erwarteter Genauigkeit Z" schreiben
- Kommunikation auf Englisch (Deutsch ist ein Plus) — du kannst nicht-technischen Menschen klar erklären, warum AI keine Magie ist und wie man Erfolg misst
- Remote-Disziplin — du arbeitest selbstständig, zeigst dich bei wöchentlichen Demos, eskalierst Probleme früh

Nice to have, aber nicht zwingend

- Erfahrung mit Fine-Tuning offener Modelle — LoRA, QLoRA, auf spezifischen Domänendaten
- Erfahrung mit Orchestrierung — LangChain, LlamaIndex oder Custom-Lösungen, wenn Frameworks zum Problem werden
- Erfahrung mit MLOps-Tools — Modell-Versionierung, Drift-Monitoring, A/B-Tests von Modellen in Produktion
- Erfahrung mit OCR und Dokumentenverarbeitung — Tesseract, AWS Textract, Google Document AI
- Domänenerfahrung — Fintech, Medtech, Legaltech oder E-Commerce
- Beiträge zu Open-Source-AI-Projekten oder veröffentlichter technischer Content, auf den du verweisen kannst

Was du von der Zusammenarbeit mit uns bekommst

- Pünktlich und fair bezahlt — der Tarif wird vor dem Projekt vereinbart, gezahlt per Rechnung im vereinbarten Zeitrahmen
- Echte AI-Projekte, keine PoCs, die es nie in Produktion schaffen — vor jedem Projekt kennst du den Umfang, die Deadline, den Tarif und den Kunden
- Ein technischer Mitarbeiter, der es versteht — du musst nicht erklären, warum 90% Genauigkeit bei Demo-Anfragen anders ist als 90% in Produktion, oder die Entscheidung verteidigen, vor der Optimierung zu messen
- Wiederkehrende Zusammenarbeit — wenn das erste Projekt gut läuft, kommt das nächste in der Regel in 3–6 Monaten
- Kein AI-Buzzword-Salat — kein „Blockchain + AI + Web3", kein „das muss AI nutzen, weil es ein Trend ist", keine Präsentationen mit dem Wort „revolutionär"