Ein mittelgrosses Softwareunternehmen schreibt im Januar eine Stelle für einen Forward-Deployed Engineer aus. Bis April hat es neun Kandidaten interviewt, zwei Angebote sind an der Vergütung gescheitert, und der eine Kandidat, den alle wollten, hat stattdessen das Gegenangebot eines Frontier-KI-Labs angenommen. Die KI-Initiative, die im ersten Quartal live gehen sollte, liegt weiter im Backlog, und die Rekrutierungsgebühr ist bereits ausgegeben.
Diese Geschichte ist häufig genug, um eine unbequemere Frage zu rechtfertigen: Was kostet ein Embedded AI Engineer tatsächlich, über alle Wege hinweg, auf denen sich diese Fähigkeit einkaufen lässt? Eine einzige ehrliche Antwort gibt es nicht. Ein Vollzeitgehalt liegt inzwischen über dem der meisten Engineering-Positionen. Tagessätze von Contractors variieren je nach Markt um mehr als das Dreifache, und einige Anbieter publizieren Festpreispakete auf der eigenen Website. Keine dieser Zahlen passt zur anderen, weil sie unterschiedliche Dinge bepreisen.
Hinweis zum Umfang: Dieser Artikel behandelt, was das Embedded-Liefermodell kostet, also Festanstellung, Freelance oder Engagement zum Festpreis. Ein Begleitartikel behandelt, was der Bau des KI-Agenten selbst kostet, sobald jemand die Arbeit macht; der Link folgt weiter unten.
Die Basislinie Festanstellung (und warum die Stellenanzeige zu tief stapelt)
Jobbörsen weisen für einen Forward-Deployed Engineer in den USA einen Median der ausgeschriebenen Gehälter von rund 174.000 Dollar aus. Die Zahl ist real, und sie ist zugleich der kleinste Teil dessen, was die Rolle einen Arbeitgeber tatsächlich kostet. Rechnet man Lohnnebenkosten, Benefits, Ausstattung, Management-Overhead und die Rekrutierungsgebühr hinzu, landet ein Senior Forward-Deployed Engineer voll eingerechnet eher bei 220.000 bis 400.000 Dollar pro Jahr, je nach Seniorität und Standort.
Die Lücke zwischen diesen beiden Zahlen überrascht Erstkäufer regelmässig. Wer nach der Stellenanzeige budgetiert, liegt nach der Vertragsunterschrift sechsstellig daneben.
Ein Teil der Erklärung, warum diese Rolle so schnell teuer wurde, ist die Nachfrage. Die Anzeigen für Forward-Deployed Engineers auf Indeed wuchsen von 643 im April 2025 auf über 5.300 im April 2026, ein Plus von rund 729 Prozent in einem einzigen Jahr. Das ist kein Nischentitel mehr.
OpenAI lancierte 2026 ein eigenes, mehrheitlich kontrolliertes Deployment-Venture mit einer Kapitalisierung im Milliardenbereich. Anthropic kündigte ein rund 1,5 Milliarden Dollar schweres Venture für Enterprise-KI-Services an, getragen von Blackstone, Hellman & Friedman und Goldman Sachs und ausdrücklich auf mittelgrosse Unternehmen ausgerichtet. AWS stellte eine Milliarde Dollar für eine eigene Forward-Deployed-Engineering-Organisation bereit, plus ein partnergeführtes Programm, bei dem die Partner die wiederverwendbaren Delivery-Assets behalten, die sie aufbauen. Salesforce hat 1.000 Agentforce Forward-Deployed Engineers zugesagt. Wenn Anbieter dieser Grösse gleichzeitig um dasselbe Skillset bieten, bewegt sich die Bezahlung für alle mit echter Hands-on-Deployment-Erfahrung mit.
Europäische Gehälter für dieselbe Senioritätsstufe sind auf dem Papier meist tiefer. Senior AI Engineers in Deutschland, Grossbritannien und weiten Teilen Westeuropas verdienen für vergleichbare Arbeit weniger als ihre US-Kollegen. Günstiger umzusetzen ist die Einstellung deshalb nicht: Die Suche nach einem wirklich seniorigen Kandidaten, jemandem, der produktive KI-Arbeit tatsächlich ausgeliefert hat, statt gegen einen API-Key zu prototypisieren, dauert oft weiterhin drei bis sechs Monate, und der Pool an Personen, auf die diese Beschreibung zutrifft, bleibt gemessen an der offenen Nachfrage dünn.
Was Freelance- und Fractional-KI-Engineers tatsächlich verrechnen
Die Festanstellung ist nicht der einzige Weg, und für ein einzelnes, definiertes Projekt selten der erste, zu dem Käufer greifen. Freelance- und Fractional-KI-Engineers rechnen pro Stunde oder pro Tag ab, und die Sätze variieren stark nach Markt und Spezialisierung.
In den USA verrechnen KI-Engineers auf Vertragsbasis typischerweise zwischen 90 und 300 Dollar pro Stunde. Die erfahrene Mitte dieser Spanne, grob 125 bis 250 Dollar, deckt den grössten Teil der Forward-Deployed-artigen Arbeit ab: sich in ein Kundenteam einbetten und einen KI-Agenten in bestehende Systeme einbinden, wobei der Engineer ein Ergebnis verantwortet, statt Code gegen eine fixe Spezifikation zu liefern. In Westeuropa liegen Freelance-Sätze je nach Seniorität und Land bei rund 70 bis 220 Euro pro Stunde, und britische Contractors berichten von Tagessätzen, die in den letzten Jahren von rund 700 Pfund Richtung 850 Pfund geklettert sind, wobei spezialisierte Forward-Deployed-Engagements am scharfen Ende des Markts gelegentlich deutlich darüber quotiert werden.
Ein einzelner Freelancer ist eine vernünftige Wahl für einen schmalen, klar definierten Scope, sofern Sie die Abhängigkeit von einer einzelnen Person tragen können. Wird er krank oder nimmt er einen anderen Auftrag an, steht keine Bank hinter ihm, und dasselbe gilt, wenn er sich als Fehlgriff erweist. Embedded AI Engineer vs. Freelancer vs. Agentur geht diesem Tradeoff in mehr Tiefe nach.
Dieses Risiko ist ein Teil dessen, was Käufer stattdessen zu einem Embedded-AI-Engineering-Service treibt: ein ergebnisdefiniertes Engagement zum Festpreis, das Delivery- und Integrationsarbeit inklusive Übergabe in ein Paket bündelt, getragen von einer Firma statt von einem einzelnen Kalender. Die Preislogik hinter diesem Modell funktioniert anders als ein Stundensatz, es hilft also, sie zu verstehen, bevor man Offerten vergleicht.
Was publizierte Embedded-Engagements tatsächlich ausweisen
Einige Anbieter publizieren Embedded- oder Forward-Deployed-artige Preise direkt auf ihrer Website. Was dieser Preis kauft, ist einen Blick wert, denn er zeigt die Form des Modells, auch wo sich die konkreten Zahlen nicht auf Ihre Situation übertragen lassen.
Eine deutsche Beratung, Pexon Consulting, publiziert ein fixes vierwöchiges «FDE Sprint»-Paket für 35.000 Euro: drei Tage pro Woche vor Ort, ein priorisierter Use Case und ein definierter Satz an Runbooks, der am Ende übergeben wird. Derselbe Anbieter listet ein zwölfwöchiges «FDE Standard»-Paket für 95.000 Euro sowie ein sechsmonatiges Embedded-Mandat mit einem Zweierteam für 220.000 Euro, was ein grobes Gefühl dafür gibt, wie der Preis mit der Dauer und der Zahl der Use Cases im Scope skaliert.
In Grossbritannien publiziert The AI Consultancy «Discovery and Pilot»-Engagements ab 15.000 Pfund, die einen funktionierenden Prototyp über vier bis acht Wochen samt Deployment-Plan abdecken. Engere Scopes, bei denen der Use Case eng definiert ist und die zugrunde liegenden Daten bereits sauber sind, werden ab 8.000 Pfund quotiert.
Behandeln Sie das als Listenpreise von Anbietern, nicht als Marktbenchmark, an dem sich jede Offerte messen lassen muss. Es sind Marketing-Anker von Firmen, die um dieselben Käufer konkurrieren wie Sie, jeweils gebaut um einen spezifischen Scope, den Ihr Projekt womöglich nicht trifft. Was sie zuverlässig zeigen, ist die Struktur: ein Festpreis, gekoppelt an ein definiertes Ergebnis und gemessen in Wochen, kein offener Stundenzähler.
Die Form, die fast jedes seriöse Engagement annimmt
Zieht man die anbieterspezifischen Zahlen ab, zeigt sich über die meisten glaubwürdigen Embedded-Engagements hinweg ein Muster: ein Festpreis, gekoppelt an ein definiertes Produktionsergebnis, meist über acht bis sechzehn Wochen, mit einem Engineer, der für einen Teil der Woche physisch oder virtuell eingebettet ist, statt vollständig extern zu arbeiten.
Das Detail mit der Teilwoche zählt mehr, als es aussieht. Ein Engineer, der drei oder vier Tage pro Woche vor Ort ist, sitzt in Ihren Standups und sieht Ihre echten Daten und Randfälle. Wenn er feststeckt, fragt er die Person im Nachbarbüro, statt einen Call für Donnerstag anzusetzen. Der verbleibende Tag oder die zwei Tage, meist remote, sind der Ort, an dem die tiefere Engineering-Arbeit passiert, sobald der unmittelbare Scope verstanden ist.
Kürzere Sprints um die vier Wochen tauschen Tiefe gegen Geschwindigkeit und decken einen einzelnen, eng umrissenen Use Case ab. Längere Embedded-Mandate von sechs Monaten oder mehr, besetzt mit einem kleinen Team statt einer Person, nehmen mehrere Use Cases parallel in Angriff und ähneln zunehmend einem temporären internen Team.
Einige Anbieter knüpfen eine Liefergarantie an den Festpreis: Läuft der vereinbarte Use Case am Ende der Laufzeit nicht mit einer echten Geschäftsmetrik in der Produktion, arbeiten sie ohne Zusatzkosten weiter. Das ist nicht universell, fragen Sie also explizit danach, statt es als inbegriffen anzunehmen. Wie ein Anbieter antwortet, sagt Ihnen, wie sehr er seiner eigenen Schätzung tatsächlich traut.
| Liefermodell | Typische Kostenform | Zeit bis zum definierten Ergebnis | Hauptrisiko |
|---|---|---|---|
| Festanstellung | 220.000 bis 400.000 Dollar/Jahr Vollkosten (US) | 3 bis 6 Monate bis zur Einstellung, dann Einarbeitung | Fehlbesetzung, oder eine Vakanz, die sich hinzieht |
| Freelance oder Contracting | 90 bis 300 Dollar/Std. (US), 70 bis 220 Euro/Std. (EU) | Tage bis zum Start, danach offenes Ende | Bus-Faktor: eine Person, keine Bank dahinter |
| Embedded-Engagement zum Festpreis | Publizierte Beispiele von 35.000 Euro (4 Wochen) bis 220.000 Euro (6 Monate); UK-PoC ab 15.000 Pfund | 4 bis 16 Wochen bis zu einem definierten Produktionsergebnis | Scope Creep, wenn das Ergebnis nicht eng definiert war |
| Grosser SI oder Enterprise-Programm | Enterprise-Tagessätze, oft nicht offengelegt | Länger, prozesslastiger | Overhead in keinem Verhältnis zu einem einzelnen Use Case |
Was den Preis nach oben oder unten treibt
Innerhalb jedes dieser Modelle erklären vier Faktoren den grössten Teil davon, warum ein Embedded-Engagement dreimal so viel kostet wie ein anderes.
- Evaluationsanforderungen. Muss das Ergebnis gegen eine definierte Erfolgsmetrik gemessen werden, bevor es jemand Produktion nennt, muss jemand einen verlässlichen Weg bauen, das zu testen. Ein Anbieter, der das überspringt, kann tiefer offerieren, und Sie erfahren später, warum.
- Zahl der Systemintegrationen. Die Anbindung an eine saubere API ist ein anderer Job als der Abgleich von Daten über ein CRM, ein ERP und ein undokumentiertes Legacy-System hinweg. Jede zusätzliche Integration erhöht Bauzeit und Testfläche, und ein Anbieter, der nicht vorab danach fragt, rät bei seiner eigenen Offerte.
- Compliance und Datensensibilität. Regulierte Daten (Gesundheitsdaten, Finanzdaten, alles unter der DSGVO oder sektorspezifischen Regeln) bringen Architektur-Reviews und Zugriffskontrollen mit sich, plus Dokumentation, die ein internes Tool mit tiefem Risiko schlicht nicht braucht.
- Vor Ort versus remote. Physische Präsenz kostet mehr. Reisen und Zeitzonen-Überlappung summieren sich, und ein Anbieter kann pro Engineer weniger Kunden bedienen, wenn jemand drei Tage pro Woche in einem bestimmten Gebäude sein muss. Vollständig remote geführte Engagements sind bei vergleichbarem Scope durchgehend günstiger.
Nichts davon beantwortet, was der Bau des zugrunde liegenden KI-Agenten selbst kostet; das ist eine verwandte, aber eigene Frage mit eigenen Treibern. Was KI-Agenten-Entwicklung 2026 wirklich kostet behandelt diese Seite im Detail.
Die Rechnung, die nach dem Ende des Engagements kommt
Das Embedded-Engagement endet, der Anbieter übergibt die Dokumentation, und der KI-Agent geht in Produktion. Dort hört das Kostengespräch üblicherweise auf, und genau dort liegt die grösste Lücke im Budget der meisten Käufer.
Frontier-Modellanbieter liefern zwischen vier und acht grosse Updates pro Jahr. Jedes davon kann das Verhalten Ihres Agenten still verändern. Ein Prompt, der gegen die vorherige Modellversion zuverlässig funktionierte, produziert plötzlich subtil anderen Output, oder eine Evaluation, die bisher bestand, beginnt an den Rändern zu scheitern. Manchmal wird eine Fähigkeit, auf die Sie sich verlassen haben, mit wenigen Monaten Vorlauf abgekündigt. Jedes Update durchzuarbeiten, Evaluationen neu laufen zu lassen, Prompts anzupassen und abhängige Integrationen nachzutesten, kostet üblicherweise einige Tage konzentrierter Engineering-Zeit pro Release.
Dazu kommt die gewöhnliche Drift: Geschäftsregeln ändern sich, angebundene Systeme werden aktualisiert, und neue Randfälle tauchen in der Produktion auf. Die meisten massgeschneiderten KI-Systeme brauchen einen laufenden Wartungs-Retainer, um zuverlässig zu bleiben, und international liegt der häufig bei 1.000 bis 8.000 Dollar pro Monat. Getrieben wird die Zahl von der Menge der produktiven Workflows und der Zahl der Systeme, die sie berühren, und davon, ob Sie den Scope noch ausbauen oder nur den Betrieb sichern.
Fragen Sie danach, bevor Sie das Embedded-Engagement unterschreiben. Ein Anbieter, der Ihnen zu den Kosten nach der Übergabe keine klare Antwort geben kann, hat nicht über den Sprint hinaus gedacht.
Lohnt sich das? Embedded AI Engineer Kosten gegen die Alternative gestellt
Keine der obigen Zahlen bedeutet für sich genommen viel. Sinn ergeben sie erst neben den Alternativen, für die Sie stattdessen bezahlen würden.
Beginnen Sie mit den Kosten einer Fehlbesetzung. Ein Senior Hire, der nicht funktioniert, jemand, der überzeugender über KI reden kann, als er sie ausliefert, kostet die Rekrutierungsgebühr plus sechs bis neun Monate Gehalt und Overhead, bevor jemand den Fehlgriff eingesteht. Dazu kommen die Opportunitätskosten eines Projekts, das immer noch nicht live ist. Diese Summe übersteigt regelmässig, was zwei oder drei Embedded-Sprints zum Festpreis gekostet hätten, und sie kommt ohne die Ergebnisverantwortung, die ein Festpreis-Engagement von Anfang an einbaut.
Vergleichen Sie dann mit den Kosten eines gescheiterten Piloten. Eine vielzitierte MIT-Studie berichtete, dass rund 95 Prozent der generativen KI-Piloten in Unternehmen keinen messbaren Effekt auf die Erfolgsrechnung zeigten, wobei der Befund öfter auf Integration und Workflow-Passung zurückgeführt wurde als auf das zugrunde liegende Modell. Diese Untersuchung erntete nach der Publikation Methodenkritik und sollte nicht als präzise Branchenstatistik gelesen werden.
Sie deckt sich allerdings mit dem, was in der Praxis sichtbar wird: Die KI kann die Aufgabe isoliert meistens erledigen. Was fehlt, ist die Anbindung an das tatsächliche führende System, und genau das ist der Fehlermodus, für dessen Verhinderung ein Embedded Engineer bezahlt wird.
Und wägen Sie den Preis gegen den Wert des Workflows selbst ab. Wenn der zu automatisierende Prozess derzeit fünfzehn Stunden pro Woche eines Teams verschlingt, das zu einem nennenswerten Mischsatz verrechnet wird, stellen Sie diese Rechnung dem Festpreis gegenüber, bevor Sie entscheiden, ob ein achtwöchiges oder ein sechsmonatiges Engagement sinnvoll ist. Ein wertvoller, gut definierter Workflow rechtfertigt es, echtes Engineering-Talent für einen definierten Sprint einzubetten. Ein wertarmer oder schlecht definierter tut das meist nicht, egal welches Liefermodell Sie wählen.
Für wen dieses Modell passt, und wer woanders suchen sollte
Ein Embedded-Engagement zum Festpreis lohnt sich, wenn:
- Sie einen klar definierten, wertvollen Workflow haben, mit einem Sponsor auf Führungsebene, der Integrationsentscheide ohne lange Freigabekette treffen kann
- Ihre Systeme integrationsbereit sind: APIs existieren, auch unperfekte, und jemand auf Ihrer Seite kann Zugriff gewähren, ohne dass Monate an Sicherheitsprüfung nötig sind
- Sie ein Produktionsergebnis in Wochen brauchen statt der drei bis sechs Monate, die eine Vollzeitsuche typischerweise dauert
- Sie lieber einen Festpreis für ein definiertes Resultat zahlen, als das laufende Headcount-Risiko einer Rolle zu tragen, die in einem Jahr womöglich nicht genug Arbeit hat, um sich zu rechtfertigen
Suchen Sie woanders, zumindest vorerst, wenn:
- Sie noch erkunden, wobei KI plausibel helfen könnte; ein kleineres internes Experiment ist ein besserer erster Schritt als ein Sprint für 35.000 bis 95.000 Euro
- Ihre Daten über mehrere unverbundene Spreadsheets verteilt sind, denen niemand ganz traut; das gehört zuerst aufgeräumt, egal für welches Liefermodell Sie sich am Ende entscheiden
- Sie diese Fähigkeit dauerhaft über viele Projekte hinweg brauchen werden; dann kostet der Aufbau eines kleinen internen Teams über zwei oder drei Jahre wahrscheinlich weniger als wiederholte Festpreis-Engagements
- Ihr Budget selbst das untere Ende dieser Spannen im Verhältnis zum Wert des automatisierten Workflows nicht bequem tragen kann; das Modell auf einen wertarmen Prozess zu zwingen geht selten gut aus
Häufige Fragen
Wie viel kostet ein Embedded AI Engineer im Vergleich zu einer Festanstellung?
Ein Senior Forward-Deployed Engineer kostet einen US-Arbeitgeber voll eingerechnet rund 220.000 bis 400.000 Dollar pro Jahr, sobald Lohnnebenkosten, Benefits und Overhead zum Median der ausgeschriebenen Gehälter von etwa 174.000 Dollar hinzukommen. Ein Embedded-Engagement zum Festpreis liegt dagegen typischerweise zwischen einem mittleren fünfstelligen Betrag und rund 250.000 Dollar für ein definiertes Ergebnis über acht bis sechzehn Wochen. Zudem entfallen die Rekrutierungsdauer und die laufende Headcount-Verpflichtung, und eine Fehlbesetzung ist nicht mehr Ihr Risiko.
Mit welchem Tagessatz muss ich bei einem Fractional oder Forward-Deployed AI Engineer rechnen?
In den USA verrechnen KI-Engineers auf Vertragsbasis typischerweise 90 bis 300 Dollar pro Stunde, erfahrene Forward-Deployed-Spezialisten meist 125 bis 250 Dollar. In Westeuropa liegen Freelance-Sätze bei rund 70 bis 220 Euro pro Stunde, und britische Contractors berichten von Tagessätzen, die für spezialisierte Forward-Deployed-Arbeit von rund 700 Pfund auf 850 Pfund oder mehr gestiegen sind.
Sind die publizierten Embedded-AI-Pakete für 35.000 Euro oder 15.000 Pfund ein fairer Benchmark für mein Projekt?
Behandeln Sie sie als Referenzpunkte dafür, wie das Modell strukturiert ist: Festpreis, definiertes Ergebnis, Wochen statt Monate, gebaut um einen Scope, der spezifisch für diesen Anbieter ist. Es sind Marketing-Anker von Firmen, die um dieselben Käufer konkurrieren. Verlangen Sie von jedem Anbieter eine schriftliche Aufschlüsselung für Ihre eigenen Integrationen, bevor Sie seine Zahl mit einer publizierten vergleichen.
Wie sieht ein typisches Embedded-AI-Engagement zum Festpreis in der Praxis aus?
Die meisten seriösen Engagements laufen acht bis sechzehn Wochen, gekoppelt an ein definiertes Produktionsergebnis, mit einem Engineer, der einen Teil der Woche vor Ort ist (üblich sind drei bis vier Tage) und den Rest remote arbeitet. Kürzere Sprints von rund vier Wochen decken einen einzelnen, eng umrissenen Use Case ab; längere Embedded-Mandate von sechs Monaten oder mehr setzen typischerweise ein kleines Team auf mehrere Use Cases parallel an.
Welche Kosten laufen nach dem Ende eines Embedded-AI-Engagements weiter?
Frontier-Modellanbieter liefern zwischen vier und acht grosse Updates pro Jahr, und jedes davon kann das Verhalten eines produktiven KI-Agenten verändern. Das anschliessende Nachtesten und Anpassen der Prompts kostet pro Release üblicherweise einige Tage Engineering-Zeit. Dazu kommen Wartungs-Retainer für massgeschneiderte KI-Systeme, die international typischerweise 1.000 bis 8.000 Dollar pro Monat betragen und mit der Zahl der produktiven Workflows und Integrationen skalieren.