KI-Stellenanzeigen: Jobtitel und Skills passen nicht zusammen

Knapp 50.000 Anzeigen, die Hälfte der KI-Rollen mischt zwei Berufsbilder

Die von Andela am 17. September 2026 veröffentlichte Analyse umfasst knapp 50.000 Rollenbeschreibungen im Engineering und kommt zu einem klaren Ergebnis: Die Titel von KI-Stellenanzeigen beschreiben die geforderten Kompetenzen schlecht.

Von über 1.800 offenen Positionen für AI Engineers, ML Engineers und verwandte Profile mischt mehr als die Hälfte Kompetenzprofile, die zu mindestens zwei unterschiedlichen Rollen gehören, wie HR Dive^[1] berichtet. Zu den nebeneinandergestellten Punkten zählen LLM-Orchestrierung, Architektur autonomer Agenten und Design von Vektordatenbanken.

Der Rahmen ist klar umrissen: Technologie-Stellenanzeigen, erhoben von einem Talent-Tech-Unternehmen. Die Erkenntnis gilt für alle, die KI-Engineering-Profile einstellen, und endet dort.

Die Methode ist die Textanalyse der veröffentlichten Beschreibungen, mit ausgewiesener Stichprobe und Datum. Eine Zahl bleibt im Gedächtnis: mehr als die Hälfte.

Das Label "AI Engineer" beschreibt kein Berufsbild mehr

Der Forschungsleiter von Andela, Cory Hymel, bringt den Punkt direkt auf den Punkt: Viele Organisationen erklären, einen AI Engineer zu suchen, und der Begriff bleibt extrem weit gefasst. Die geforderten Kompetenzen entfernen sich von den klassischen Back-End-Profilen, und Menschen landen auf den falschen Stühlen.

Dieselbe Analyse identifiziert neue Bündel, darunter den LLM Application Engineer: jemand, der auf Basismodellen aufbaut, statt sie zu trainieren.

Die Technologiebranche erfindet Rollen schneller, als sie sie benennen kann. Product Manager, Front-End- und Back-End-Entwickler, DevOps-Fachleute: Die Beschreibungen überlappen sich, und die Grenzen verschwimmen.

Ein Titel ist ein Versprechen an zwei Seiten. Er verspricht dem Lesenden ein erkennbares Berufsbild und der einstellenden Seite ein Beurteilungskriterium. Bleibt das Versprechen vage, arbeiten beide Seiten im Dunkeln.

Der Fehler liegt vor dem Einstellungsprozess

Die gängige Lesart führt diese Zahlen auf den Fachkräftemangel zurück. Die Evidenz erzählt etwas anderes: einen Fehler in der Job Architecture, angesiedelt vor jedem Vorstellungsgespräch.

Wenn eine Position zwei Berufsbilder addiert, verliert die Bewertung ihren Bezugspunkt. Die Organisation vergleicht Menschen mit einem Label statt mit einem Profil, das durch reale Tätigkeiten, Autonomiegrad und erwartete Ergebnisse definiert ist.

Daraus folgt eine vorhersehbare Kette: inkonsistente Screening-Kriterien, Interviewpanels, die Unterschiedliches gewichten, Angebote, die auf einem imaginierten Markt beruhen. Das Scheitern zeigt sich nach dem Eintritt, wenn die eigentliche Arbeit Gestalt annimmt. Und die Kosten werden als Recruiting-Fehler verbucht.

Der Fehler liegt also zwei Schritte früher, in dem Dokument, das die Rolle definiert. Es ist eine Entscheidung der Organisationsgestaltung, mit einem Eigentümer, der in vielen Strukturen unklar bleibt.

Was mit Menschen geschieht, die gegen ein Label bewertet werden

Wer über eine unklare Stellenanzeige einsteigt, kommt in einer Rolle an, die erst noch definiert werden muss. Die ersten Monate vergehen mit dem Aushandeln der Arbeitsgrenzen, statt mit dem Erzeugen von Wert.

Der Effekt auf die Bewertung wiegt schwerer. Vage Kriterien lassen Raum für die impliziten Präferenzen der Entscheidenden, und das Urteil gleitet in Richtung Ähnlichkeit mit der bewertenden Person. Das ist der Boden, auf dem Bias am besten gedeiht: Fehlt eine klare Skala, gewinnt die Vertrautheit.

Das Thema betrifft auch den Berufseinstieg junger Menschen. Eine Anzeige, die zwei Berufsbilder addiert, hebt die geforderte Erfahrungsschwelle an und verschließt die erste Tür für Juniorprofile, die eine der beiden Hälften schnell lernen würden.

Die erste Tür schließt sich durch eine Entscheidung beim Schreiben, noch vor jeder Budgetentscheidung.

Der Markt zahlt bereits den Preis der Unschärfe

Die Kosten dieser Verwirrung lassen sich an den ausgeschriebenen Gehältern ablesen. Die am 17. September 2026 veröffentlichte Analyse von Indeed Hiring Lab stellt fest, dass KI-Exposition die in US-Stellenanzeigen genannte Bezahlung nach oben treibt, statt sie zu drücken (Indeed Hiring Lab^[2]).

Zwei am selben Tag veröffentlichte Signale laufen zusammen. Die Titel vervielfachen sich und verlieren an Trennschärfe; die versprochenen Vergütungen steigen.

Eine Organisation, die die Rollendefinition verfehlt, zahlt also eine Prämie für ein Profil, das sie schlecht beschreibt. Der Gehaltsaufschlag für KI-Kompetenzen ist in der Arbeitsmarktforschung inzwischen gesicherter Befund. Neu ist die Frage nach dem Ziel dieser Ausgaben.

Ein Teil dieser Budgets finanziert Positionen, deren Architektur undefiniert bleibt. Es ist ein Kostenposten, den der CFO als Compensation sieht und der als Designschuld entsteht.

Wem gehört die Rollenarchitektur

Die Governance-Frage ist einfach: Wem gehört die Rollendefinition, wenn sich die Arbeit jedes Quartal verändert?

In den meisten Strukturen bleibt die Antwort zwischen Engineering, HR und Finance aufgeteilt. Diese Aufteilung erzeugt Anzeigen, die aus Näherungswerten geschrieben sind, wobei jede Funktion ihre eigene Zeile hinzufügt und das Gesamtbild unbesetzt lässt.

Untersuchungen von Cornerstone zeigen einen großen Abstand zwischen Führungskräften, die die Wirkung von KI sehen, und Menschen, die sich bereit fühlen, ihr zu begegnen. Die Readiness der Führung bleibt der Engpass der Adoption, noch vor den technischen Kompetenzen derjenigen, die täglich an den Systemen arbeiten.

Eine von HCAmag^[3] aufgegriffene Zusammenfassung beschreibt die KI-Transformation als 10 % Technologie und 90 % Menschen. Die Rollenarchitektur ist genau der Punkt, an dem diese 90 % zu einer operativen Entscheidung werden, mit einem Namen und einem Datum.

Was leistungsstarke Organisationen anders machen

Die Strukturen, die diese Phase tragen, teilen drei beobachtbare Praktiken.

• Sie beschreiben die Tätigkeiten vor dem Titel
• Sie aktualisieren die Rollenarchitektur im Quartalsrhythmus
• Sie entwickeln internes Talent um, bevor sie den Markt öffnen

Die erste Praxis dreht die gewohnte Reihenfolge um. Die Rolle entsteht aus einer Liste realer Aufgaben und erwarteter Ergebnisse, und der Name kommt am Ende, als Folge daraus.

Die zweite behandelt die Job Architecture wie das Budget: ein lebendes Dokument mit periodischer Überprüfung und einem erklärten Eigentümer. Josh Bersin beschreibt den Übergang der HR-Intelligenz auf Enterprise-Maßstab, mit Systemen, die Kompetenzen und Rollen kontinuierlich auslesen (Josh Bersin^[4]).

Die dritte nutzt einen Vorteil, der bereits im Haus liegt. Wer Systeme, Daten und Kunden kennt, lernt Modellorchestrierung in wenigen Wochen, während der externe Markt Monate der Suche und eine Preisprämie auf einen unklaren Titel verlangt.

Was sich für Entscheidende ändert

Die Evidenz übersetzt sich in vier getrennte Gespräche, eines für jeden Tisch.

• CEO: die Qualität der Rollendefinition als Indikator organisationaler Readiness in den Aufsichtsrat tragen
• CHRO: die KI-Jobfamilien ausgehend von den beobachteten Tätigkeiten neu schreiben, mit quartalsweiser Überprüfung
• CFO: messen, welcher Anteil des KI-Gehaltsaufschlags Positionen ohne stabiles Profil finanziert
• Talent & Compensation Committee: die interne Besetzungsquote bei offenen KI-Rollen überwachen

Die Hälfte der Anzeigen, die zwei Berufsbilder mischt, ist eine Zahl für den Aufsichtsratstisch, gleichrangig mit einer Finanzkennzahl. Sie erzählt von der Fähigkeit der Organisation, die eigene Arbeit zu benennen, während sie sich verändert.

Die Gestaltungsfrage für das kommende Quartal ist konkret: Wie viele der heute offenen KI-Positionen haben eine Beschreibung, die eine interne Person lesen und als ein einziges Berufsbild wiedererkennen würde?