Eine MIT-Studie machte mit einer brutalen Zahl Schlagzeilen: Rund 95 Prozent der generativen KI-Piloten in Unternehmen zeigen keinen messbaren Effekt auf das Geschäftsergebnis. Die Forscher gaben nicht den Modellen die Schuld. Sie führten die meisten Fehlschläge auf die Lücke zurück zwischen einer Demo, die ein Steering Committee beeindruckt, und einem System, das den Kontakt mit dem tatsächlichen ERP oder der Schadendatenbank überleben muss.
Diese Lücke hat inzwischen einen Namen, und zunehmend auch einen Jobtitel, der für ihre Schliessung zuständig ist. Der Jobtitel lautet Forward-Deployed Engineer, meist abgekürzt FDE. Einfach gesagt ist ein Forward-Deployed Engineer ein Softwareentwickler, der sich in Ihr Team einbettet, direkt in Ihren eigenen Systemen statt in einer abgeschotteten Demo-Umgebung entwickelt und bleibt, bis ein konkretes Geschäftsergebnis läuft. Sie kaufen ein Resultat statt eines Tools oder eines Foliensatzes, und der Engineer steht in der Pflicht, bis dieses Resultat existiert.
Dieser Leitfaden zeigt, woher die Rolle kommt, warum OpenAI, Anthropic, AWS und Salesforce jetzt um den Aufbau dessen wetteifern, was früher eine Palantir-Spezialität war, was ein FDE in einer typischen Woche tut und wie das Modell aussieht, wenn es ein Unternehmen mit 40 Mitarbeitenden kauft statt ein Rüstungskonzern.
Was „Forward-Deployed Engineer” wirklich bedeutet
Die meiste Software wird als Produkt verkauft. Sie kaufen eine Lizenz, installieren sie und passen Ihre Prozesse an das Produkt an. Ein Forward-Deployed Engineer arbeitet genau umgekehrt: Die Software wird so gebaut oder tiefgreifend angepasst, dass sie zu Ihren Prozessen und Ihren Daten passt, Sonderfälle inklusive, und der Engineer übergibt nicht einfach eine Spezifikation und geht.
Das ist die Grundform dessen, was heute als Embedded-AI-Engineering-Service verkauft wird. Statt ein Liefer-Artefakt wie ein technisches Dokument oder eine Reihe von API-Integrationen zu beauftragen, beauftragen Sie ein Ergebnis: schneller bearbeitete Schadenfälle etwa, oder ein Planungssystem, das Teams nicht mehr doppelt bucht. Der Engineer wird daran gemessen, ob dieses Ergebnis tatsächlich in der Produktion ankommt. Ein unterwegs abgenommenes Meilenstein-Dokument ist nur ein Kontrollpunkt auf dem Weg dorthin.
Stellen Sie sich den Unterschied in den Vertragsbedingungen vor. Ein typischer Vertrag mit einem Softwareanbieter listet Liefergegenstände wie eine funktionierende Integration oder ein konfiguriertes Dashboard auf, und die Zahlung hängt an diesen Liefergegenständen, unabhängig davon, ob am Ende jemand das Resultat im Alltag nutzt. Ein FDE-Engagement definiert stattdessen ein Ergebnis, etwa „die durchschnittliche Bearbeitungszeit von Schadenfällen sinkt von sechs Tagen auf zwei” oder „der Support-Rückstand bleibt unter 50 offenen Tickets”, und die Arbeit des Engineers ist erst getan, wenn diese Zahl unter realen Bedingungen hält.
Dieses Modell ist deutlich älter als die aktuelle KI-Welle. Palantir hat vor zwei Jahrzehnten ein ganzes Unternehmen darauf aufgebaut, lange bevor irgendjemand von KI-Deployment sprach oder dem Ansatz überhaupt einen Namen gab, ausser vielleicht „so liefern wir eben”.
Woher der Begriff stammt: Palantir, 2006
Shyam Sankar kam 2006 als Mitarbeiter Nummer dreizehn zu Palantir und wurde dessen erster Forward-Deployed Engineer. Die Rolle entstand aus einem praktischen Problem: Geheimdienstkunden hatten klassifizierte Abläufe, die für jedes Analyseprodukt von der Stange zu spezifisch waren, und diese Abläufe änderten sich laufend. An Branding dachte damals noch niemand.
Also schickte Palantir Engineers, die im Gebäude des Kunden sassen, mit den echten Daten des Kunden entwickelten und so lange nachjustierten, bis Analysten das System für echte Arbeit nutzten. Später formalisierte Palantir das in eine Rollenteilung, die das Unternehmen Dev und Delta nennt. Der eigene Engineering-Blog beschreibt, dass Devs und Deltas in entgegengesetzte Richtungen fokussieren: Der Fokus eines Dev ist eine Fähigkeit für viele Kunden, der Fokus eines Delta sind viele Fähigkeiten für einen Kunden. Eine dritte Rolle, Echo, arbeitet neben den Deltas als Deployment-Stratege, der die Branche des Kunden versteht und zwischen dem Engineering und den Menschen übersetzt, die die Arbeit machen.
Bis etwa 2016 beschäftigte Palantir mehr Forward-Deployed Engineers als Produktentwickler. Was die Feldteams über Dutzende von Deployments hinweg immer wieder lernten, wurde irgendwann generalisiert und floss in das ein, was zur Foundry-Plattform wurde. Dieses Muster ist nach Nabeel Qureshis Rückblick auf seine acht Jahre bei Palantir der Grund, warum das Unternehmen 2023 eine Bruttomarge von 80 Prozent ausweisen konnte, näher an einem Softwareunternehmen als an einem Dienstleister wie Accenture, der bei rund 32 Prozent liegt. Engineers einzubetten ist teuer. Zu industrialisieren, was sie lernen, macht das Modell im grossen Massstab profitabel.
Warum „FDE” plötzlich ein KI-Job ist
Large Language Models werden auf riesigen Mengen allgemeiner Texte und Codebasen trainiert. Die Daten Ihres Unternehmens sind in diesem Trainingsmaterial nicht enthalten, und die Art, wie Ihr Team in seinen eigenen Systemen arbeitet, auch nicht. Von selbst wird sich das nie ändern. Ein generalistisches Modell dazu zu bringen, zuverlässig eine ganz bestimmte Aufgabe zu erledigen, angebunden an ein bestimmtes ERP oder Schadensystem, mit echten Nutzern und ohne dass jemand jede Ausgabe überwacht: Das ist es, was oft das Last-Mile-Problem im KI-Deployment genannt wird.
Diese letzte Meile sieht klassischer FDE-Arbeit sehr ähnlich. Jemand muss sich zu dem Team setzen, das die Arbeit heute erledigt, und die Ausnahmen lernen, die es nie in eine Dokumentation geschafft haben, und danach die Leitplanken und Evaluationskriterien des Systems so lange nachschärfen, bis alles unter echtem Volumen hält. Das Modell selbst ist generisch. Das Deployment ist es nie: Es muss mit Ihren Rechnungen und Ihren Compliance-Regeln zurechtkommen, bis hinunter zu den Eigenheiten Ihres Legacy-Datenbankschemas.
Das ist der strukturelle Grund, warum der Begriff in rund zwei Jahren von einer Palantir-Spezialität zu einem branchenweiten Jobtitel wurde. Die Integrationsarbeit ist mit dem Aufkommen generalistischer KI nicht verschwunden. Die allgemeine Fähigkeit wurde billig, und die letzte Meile wurde zum knappen, wertvollen Teil der Aufgabe.
Das Geld hinter dem Jobtitel
Jobtitel kommen und gehen. Ernst zu nehmen ist dieser hier, weil die grössten KI-Unternehmen seit Anfang 2025 erhebliches Kapital dahinter gestellt haben.
OpenAI formalisierte seine Forward-Deployed-Engineering-Funktion im Januar 2025 unter Colin Jarvis. Innerhalb eines Jahres wuchs das Team von zwei Personen zu einer Präsenz in mehreren Städten, mit Kunden wie Morgan Stanley, Klarna und T-Mobile. Im Mai 2026 lancierten OpenAI und Anthropic beide Joint Ventures rund um dieselbe Idee. OpenAIs Deployment Company (DeployCo) ist ein mehrheitlich kontrolliertes Services-Venture, kapitalisiert mit mehreren Milliarden Dollar, und übernahm die Beratungsfirma Tomoro, um vom ersten Tag an rund 150 erfahrene Forward-Deployed Engineers und Deployment-Spezialisten an Bord zu haben. Anthropics Venture für Enterprise-AI-Services, getragen von Blackstone, Hellman & Friedman und Goldman Sachs mit rund 1,5 Milliarden Dollar, richtet sich ausdrücklich an mittelgrosse Unternehmen und nicht nur an die grössten Konzerne.
Dieselbe Wette zeigt sich auch ausserhalb der Frontier-Labs. AWS hat 1 Milliarde Dollar für ein Forward-Deployed-Engineering-Programm zugesagt, das bis in sein Partnernetzwerk reicht, und die Partner behalten, was sie dabei aufbauen: wiederverwendbare Delivery-Assets, Evaluationsframeworks, Tooling. Salesforce hat sich zum Aufbau von 1.000 Agentforce-FDEs verpflichtet. Auf Indeed wuchsen die Anzeigen für Forward-Deployed-Engineer-Stellen von 643 im April 2025 auf über 5.300 im April 2026, ein Plus von 729 Prozent in einem einzigen Jahr.
Nichts davon beweist, dass ein eingebetteter Engineer jedem Unternehmen eine Rendite garantiert. Es zeigt aber, wo die Unternehmen mit dem besten Einblick in die Frage, warum KI-Projekte gelingen oder stocken, ihr Geld platzieren: auf Deployment-Kapazität statt auf rohe Modellfähigkeit, die Mitte 2026 bei jedem grossen Anbieter billig ist und weiter billiger wird.
Was ein FDE im Alltag tatsächlich tut
Der Job sieht weniger nach klassischer Softwarearchitektur aus und mehr nach Feldarbeit mit Laptop. Ein paar Dinge tauchen in fast jedem FDE-Engagement auf:
- Eval-first-Entwicklung. Vor oder parallel zum Bauen schreibt der Engineer eine Testsuite, die spezifisch für diese Aufgabe und die Daten dieses Unternehmens ist, damit eine Änderung, die das Verhalten unbemerkt bricht, intern auffällt, bevor je ein Kunde sie sieht.
- Context Engineering. Das Modell wird mit den echten Dokumenten, Datenschemas, Fachbegriffen und Sonderfällen Ihres Unternehmens gefüttert, statt sich auf einen generischen Prompt zu verlassen, der zufällig in einer Demo funktioniert.
- Integration in Legacy-Systeme. Die Anbindung an das On-Premise-ERP, das Ticketing-Tool ohne moderne API oder das Datenbankschema, das seit einem Jahrzehnt niemand vollständig dokumentiert hat, denn genau dort lebt der Workflow.
- Bei den Menschen sitzen, die die Arbeit machen. Vor Ort oder per Video zusehen, wie Sachbearbeiter oder Disponenten heute mit Ausnahmen umgehen, denn diese Workarounds sind die Anforderungen, die nie jemand aufgeschrieben hat.
- Gegen ein Live-Ergebnis iterieren. Schnell eine funktionierende Version ausliefern, sie unter echtem Volumen beobachten und nachjustieren, statt Monate an einer Spezifikation zu arbeiten, bevor irgendetwas die Produktion berührt.
Die Gewichtung des Aufwands unterscheidet sich von den meisten Softwareprojekten. Weniger Zeit fliesst in die Architektur eines sauberen, wiederverwendbaren Systems, mehr in die Fehlersuche, warum das Modell ausgerechnet das Rechnungsformat falsch behandelt, das die Kunden dieses einen Auftraggebers nun einmal verschicken.
Der Unterschied zu Berater, Solutions Engineer und Freelancer
Die Kurzfassung: Ein Berater wird für Ratschläge bezahlt, ein Solutions Engineer dafür, einen Deal zu gewinnen, ein Freelancer für Stunden gegen eine fixe Spezifikation, und ein Forward-Deployed Engineer dafür, in Ihren eigenen Systemen ein funktionierendes Ergebnis zu erreichen, und er bleibt, bis es soweit ist.
| Rolle | Bezahlt für | Arbeitsort | Verantwortet das Ergebnis |
|---|---|---|---|
| Forward-Deployed Engineer | Ein funktionierendes Resultat in Ihren Systemen | Eingebettet in Ihr operatives Team | Ja, bleibt bis zum Go-live |
| Berater | Ratschläge, Strategie, eine Empfehlung | Punktuell beim Kunden, Workshops | Übergibt einen Bericht |
| Solutions Engineer | Den Abschluss für das Produkt eines Anbieters | Pre-Sales, zieht nach der Unterschrift weiter | Wechselt zum nächsten Interessenten |
| Freelancer | Stunden oder eine definierte Aufgabe | Remote, aufgabenbasiert | Nur für die beauftragte Aufgabe |
In diesem Vergleich steckt mehr Nuance, als in einen Abschnitt passt, einschliesslich der Frage, wann welche Option für ein gegebenes Problem die günstigere oder bessere Wahl ist. Die vollständige Aufschlüsselung finden Sie in Embedded AI Engineer vs. Freelancer vs. Agentur.
Was das bedeutet, wenn Sie keine Palantir-Grösse haben
Ein Senior Forward-Deployed Engineer kostet im US-Markt rund 220.000 bis 400.000 Dollar Vollkosten pro Jahr, bei einem Median der ausgeschriebenen Gehälter von eher 174.000 Dollar. Das ist vor jeder Marge, die ein Dienstleister aufschlägt, wenn Sie die Fähigkeit einkaufen statt direkt einzustellen. Für die meisten mittelgrossen Unternehmen in Europa oder den USA ist ein Vollzeit-FDE im eigenen Haus nicht realistisch, und er sollte vermutlich auch nicht das Ziel sein.
Realistisch ist dasselbe Grundmodell, eine Nummer kleiner: Jemand bettet sich für einen definierten Zeitraum in Ihr Team ein, lernt Ihre Systeme kennen und liefert funktionierende Software für ein konkretes Ergebnis, ohne Palantir-Budget und ohne mehrjährigen Enterprise-Vertrag. Verkauft wird das heute meist als Embedded-AI-Engineer-Engagement, zugeschnitten auf einen Workflow oder eine Abteilung statt auf ein ganzes Unternehmen. Das AWS-Partnerprogramm, bei dem Beratungsfirmen die wiederverwendbaren Delivery-Assets aus einem Engagement behalten dürfen, ist ein Zeichen dafür, dass dieses Modell gerade für genau dieses Marktsegment paketiert wird, statt in drei KI-Labs und einer Handvoll Rüstungskonzernen zu bleiben.
Für jede Situation passt das Modell trotzdem nicht. Wenn das Ziel ein einzelnes, schmales Chatbot-Widget oder eine bereits fertig templatierte Automatisierung ist, sind ein Freelancer oder eine Agentur mit fixer Spezifikation meist günstiger und schneller. Die Einbettung verdient ihren Preis, wenn das Integrationsproblem wirklich unübersichtlich ist: Systeme ohne saubere APIs und Workflows, die vor allem in den Köpfen weniger Personen leben, plus die Sonderfälle, die erst unter echtem Volumen auftauchen. Eine beeindruckende Demo bekommt jeder Anbieter hin. Ob sich die Einbettung lohnt, hängt davon ab, wie unübersichtlich Ihr Integrationsproblem tatsächlich ist, sobald jemand unter die Oberfläche schaut.
Häufige Fragen
Was macht ein Forward-Deployed Engineer?
Ein Forward-Deployed Engineer bettet sich in das Team eines Unternehmens ein und entwickelt Software direkt in dessen Systemen, Daten und Abläufen, bis ein konkretes Ergebnis zuverlässig läuft. Im Alltag heisst das, Evaluationstests für genau die anstehende Aufgabe zu schreiben und Legacy-Systeme ohne saubere API anzubinden. Und es heisst, sich zu den Menschen zu setzen, die die Arbeit machen, um die Ausnahmen zu lernen, die in keiner Dokumentation stehen.
Was bedeutet Forward-Deployed Engineer?
Der Begriff beschreibt einen Engineer, der nach vorne verlegt wird, also in die Umgebung des Kunden, statt im Büro des Anbieters an einem generischen Produkt zu arbeiten. Palantir prägte die Rolle 2006 für Geheimdienstkunden, deren Abläufe zu spezifisch und zu sensibel für Standardsoftware waren. Seither hat sich der Begriff in der KI-Branche für dieselbe Art von eingebetteter, ergebnisorientierter Entwicklungsarbeit verbreitet.
Was ist ein FDE im KI-Bereich?
Im KI-Kontext bezeichnet FDE meist einen Engineer, der sich in ein Unternehmen einbettet, um ein generalistisches Modell auf dessen spezifischer Aufgabe zuverlässig zum Laufen zu bringen. Dazu gehören Evaluations-Suites und Context Engineering auf Basis der unternehmenseigenen Daten sowie die Integration des Ergebnisses in bestehende Systeme. OpenAI hat diese Funktion im Januar 2025 formalisiert, und bis Mitte 2026 hatten auch Anthropic, AWS und Salesforce ähnliche Einheiten aufgebaut oder angekündigt.
Worin unterscheidet sich ein Forward-Deployed Engineer von einem Berater?
Ein Berater wird typischerweise für Ratschläge oder ein Strategiepapier bezahlt, und das Mandat endet meist mit der Übergabe dieses Dokuments. Ein Forward-Deployed Engineer wird dafür bezahlt, funktionierenden Code in den Systemen des Kunden auszuliefern, und bleibt engagiert, bis ein definiertes Ergebnis live ist. Die Anreize liegen damit näher am tatsächlichen Resultat des Kunden als an einem Bericht.
Kann ein kleines oder mittleres Unternehmen einen Forward-Deployed Engineer engagieren?
Ja, allerdings selten als Vollzeitstelle zu den rund 220.000 bis 400.000 Dollar Vollkosten, die ein Senior FDE im US-Markt kostet. Die meisten mittelgrossen Unternehmen kaufen stattdessen eine verkleinerte Version desselben Modells, oft als Embedded-AI-Engineer-Engagement verkauft und auf einen Workflow oder eine Abteilung statt auf ein ganzes Unternehmen zugeschnitten.