MLOps Engineer: Aufgaben, Profil und die erste Stelle
8
Morten Laufer
Gründer
Ein MLOps Engineer bringt KI-Modelle zuverlässig in den Betrieb und hält sie dort: Deployment, Monitoring, Retraining und Datenqualität. Wir zeigen, wann DevOps nicht mehr reicht, welches Profil die erste Stelle braucht und ob du fest oder als Projekt besetzt. Nova Search besetzt MLOps-Rollen seit über 7 Jahren – erste Shortlist in 5 Werktagen.
MLOps verantwortet Deployment, Monitoring, Retraining und Datenqualität, damit Modelle nicht im Prototyp stecken bleiben.
Grenze zu DevOps: Modelle verlernen – DevOps versioniert Code, MLOps zusätzlich Daten, Modelle und Parameter, mit Drift-Monitoring und Continuous Training.
Ab einem produktiven Modell, das Entscheidungen beeinflusst, lohnt sich MLOps; bei mehreren Modellen oder Compliance-Pflichten braucht es eine eigene Rolle.
Realistisches Profil: Kubernetes, Terraform, eine Cloud, MLflow plus Python und CI/CD; die meisten Kandidat:innen kommen aus IT-Betrieb oder Datenanalyse.
Bewährtes Muster: Aufbau extern über Freelancer & Vertragsbesetzungen, Betrieb intern über Festanstellung (Permanent Recruitment) von Nova Search.
Was macht ein MLOps Engineer?
Suchst du nach „MLOps Engineer“, liefern die Ergebnisse fast nur Stellenanzeigen. Die eigentliche Frage dahinter beantworten sie selten: Was übernimmt die Rolle im Betrieb, und wann braucht ihr sie? Die kurze Antwort: Ein MLOps Engineer sorgt dafür, dass Machine-Learning-Modelle nicht im Notebook enden, sondern zuverlässig produktiv laufen. Google Cloud beschreibt MLOps als Praktiken, die den ML-Lebenszyklus von der Entwicklung über die Bereitstellung bis zum Monitoring verwalten und die Lücke zwischen Entwicklung und Betrieb schließen.
Vier Verantwortungen entlang des ML-Lebenszyklus
Deployment: Modelle über automatisierte, getestete und zurückrollbare Pipelines in die Produktion bringen, sodass Anwendungen verlässlich darauf zugreifen.
Monitoring: Daten-Drift, Vorhersagequalität und Ausfälle überwachen. Ein Modell stürzt nicht ab, es wird still schlechter.
Retraining: Continuous Training so einrichten, dass die Neutrainierung automatisch ausgelöst wird, sobald Datenverschiebungen konfigurierte Schwellenwerte überschreiten.
Datenqualität und Versionierung: Code, Datensätze und Modellartefakte versionieren und jeden Schritt bis zum produktiven Endpoint reproduzierbar machen.
Warum das eine eigene Rolle verdient: Modelle verfallen, sobald sich reale Daten ändern, während der Code unverändert bleibt. Genau hier endet klassisches IT-Monitoring: Die Infrastruktur meldet grün, das Ergebnis wird trotzdem falsch.
Deloitte ergänzt die organisatorische Perspektive: ML lässt sich nicht über Tools allein skalieren, sondern nur über das Zusammenspiel von Talenten, standardisierten Prozessen und Technologien. Wer eine Plattform kauft, aber niemandem die Verantwortung für den Lebenszyklus zuweist, hat weiterhin ein Prototypen-Problem, nur mit besserem Werkzeug.
MLOps oder DevOps: Wo liegt die Grenze?
Die Frage stellt sich selten theoretisch, sondern meist dann, wenn das zweite oder dritte Modell produktiv geht und dein DevOps-Team merkt, dass sich das anders anfühlt als ein Software-Release. Drei Kriterien zeigen, wo DevOps endet und MLOps beginnt:
Kriterium | DevOps | MLOps |
|---|---|---|
Versionierte Artefakte | Code und Konfiguration | zusätzlich Datensätze, Modellartefakte und Parameter |
Auslöser für Änderungen | Anforderungen und gemeldete Fehler | neue Daten oder nachlassende Vorhersagequalität |
Typisches Scheitern | der Dienst fällt sichtbar aus | das Modell verlernt still, ohne Alarm auszulösen |
Als Daumenregel gilt: MLOps lohnt sich, sobald ein KI-Modell produktiv läuft und Entscheidungen beeinflusst, mehrere Teams parallel Modelle bauen oder Compliance-Nachweise über Modellversionen gefordert sind. Bei einem einzelnen, manuell gepflegten Prototyp reicht DevOps weiter. Als Indikator für ernsthafte MLOps-Investitionen gilt, ob Modelle kontinuierlich neu trainiert werden müssen, weil sich reale Daten ändern, denn genau dieses Continuous Training hat kein Äquivalent in der klassischen Softwareentwicklung.
Für die Stellenplanung heißt das: Ab mehreren produktiven Modellen oder einem kritischen Use Case braucht es eine eigene Rolle mit klarer Verantwortung für den ML-Betrieb, nicht nur ein erweitertes DevOps-Team. Die Cloud- und Plattform-Seite davon bleibt trotzdem DevOps-Arbeit; welche Anforderungen und Gehälter dort 2026 realistisch sind, behandelt unser Guide zum Cloud Platform Engineer.
Welches Profil braucht die erste MLOps-Stelle?
Die häufigste Falle bei der ersten MLOps-Stelle ist ein Anforderungsprofil, das zwei Vollzeitberufe in eine Stelle presst: halber Data Scientist, halber Plattform-Architekt, obendrauf GPU-Kostenoptimierung. Realistischer ist eine Schnittstellenrolle mit klarem Schwerpunkt. Vier Blöcke gehören hinein:
Betrieb: Docker und Kubernetes, Infrastructure as Code mit Terraform und eine Cloud-Plattform, sei es AWS, Azure oder GCP.
ML-spezifisch: Experiment Tracking und Modell-Registry, in der Praxis meist MLflow, dazu Verständnis für Datenversionierung und Drift-Metriken.
Schnittmenge: Python, CI/CD mit GitHub Actions, GitLab CI oder Jenkins und Monitoring mit Prometheus und Grafana.
Herkunft: Die meisten Kandidat:innen kommen aus dem IT-Betrieb oder aus der Datenanalyse. Selten beherrscht jemand beide Welten von Anfang an.
Die Herkunft ist der wichtigste Hinweis für dein Screening. Wer aus dem Betrieb kommt, bringt Automatisierung, Überwachung und Rollbacks mit und muss vor allem lernen, dass ein Modell anders ausfällt als ein Server: ohne Fehlerprotokoll, dafür mit sinkender Trefferquote. Wer aus der Datenanalyse kommt, kennt den Modellverfall, hat aber selten Produktionsbetrieb betrieben. Frag im Interview also gezielt nach der jeweils fehlenden Hälfte statt nach beidem.
Tool-Namen sind dabei Beispiele, kein Muss-Katalog: Lieber eine Plattform sauber beherrschen als fünf oberflächlich. Wir besetzen diese Rollen fest und in Projekten und decken dabei ML Engineers, MLOps und MLflow-Stacks ab; unsere Datenbank umfasst mehr als 8.000 Tech-Profile. Wo die Grenze zwischen ML Engineer und MLOps Engineer verläuft und welche Gehälter 2026 realistisch sind, behandelt unser Guide zum ML Engineer.
Festanstellung oder Projektbesetzung für den Aufbau?
Die erste MLOps-Rolle muss nicht sofort eine Festanstellung sein. In der Praxis hat sich ein Muster bewährt: Aufbau extern, Betrieb intern. Erfahrene Contractor:innen bauen Pipelines, Deployment und Monitoring auf, eine Festanstellung übernimmt den laufenden Betrieb und entwickelt ihn weiter. Welche Variante zuerst kommt, hängt davon ab, wie sicher dein Use Case und dein ML-Fahrplan schon sind:
Kriterium | Festanstellung zuerst | Projektbesetzung zuerst |
|---|---|---|
Passend, wenn | ML produktiv wird und dauerhaft Teil des Geschäfts bleibt | unklar ist, ob der Use Case den Proof-of-Concept überlebt |
Typische Aufgabe | laufender Betrieb, Monitoring und Weiterentwicklung | einmaliger Aufbau von Pipelines und Infrastruktur |
Wissensaufbau | bleibt im Team, Kultur und Wissenstransfer zählen | externe Expertise für einen definierten Zeitraum |
Für die Projektvariante spricht das Tempo: Über Freelancer & Vertragsbesetzungen liegen geprüfte Profile innerhalb von 48 Stunden auf dem Tisch, inklusive Prüfung des Selbständigkeitsstatus zur Vermeidung von Scheinselbständigkeit und optionaler Payroll-Abwicklung. Wie solche Projektbesetzungen konkret ablaufen, beschreiben wir im Artikel zum Freelance-Recruiting.
Sobald Dauerhaftigkeit, Teamkultur und Wissenstransfer zählen, ist die Festanstellung der richtige erste Schritt, denn Modelle brauchen auch nach dem Go-live kontinuierliches Monitoring und Retraining, wenn sich reale Daten ändern. Genau dafür ist Festanstellung (Permanent Recruitment) von Nova Search gebaut: Nach einem Briefing von rund 60 Minuten erhältst du innerhalb von 5 Werktagen eine Shortlist mit 3 qualifizierten Kandidat:innen, geprüft über ein zweistufiges Screening aus technischer Tiefenprüfung und Culture-Interview. Die 90-Tage-Garantie sichert zu, dass eine Nachbesetzung ohne Zusatzkosten erfolgt, falls die vermittelte Person in den ersten drei Monaten wieder geht. Kein Lebenslauf-Rauschen, sondern 3 Profile, die passen: 5 Tage statt 5 Monate.
Sources
FAQ
Was macht ein MLOps Engineer genau?
Ein MLOps Engineer automatisiert den gesamten Lebenszyklus von Machine-Learning-Modellen: Er oder sie baut CI/CD-Pipelines für das Deployment, versioniert Daten, Modelle und Parameter, überwacht Modellqualität und Daten-Drift im laufenden Betrieb und löst Retraining aus, wenn die Qualität nachlässt. Google Cloud fasst die Kernaufgaben als Test-Tracking, Modellbereitstellung, Modellmonitoring und Neutrainieren zusammen.
Wann braucht man MLOps statt DevOps?
Sobald ein KI-Modell produktiv läuft und Geschäftsentscheidungen beeinflusst. Der Kernunterschied: Software fällt sichtbar aus, Modelle verlernen still – sie verschlechtern sich, wenn sich die realen Daten ändern, obwohl der Code unverändert bleibt. MLOps versioniert deshalb zusätzlich zu Code auch Daten, Modelle und Parameter und ergänzt Continuous Training. Bei einem einzelnen manuell gepflegten Prototyp reicht DevOps.
Reicht es, das DevOps-Team zu erweitern?
Bis zu einem produktiven Modell mit geringer Kritikalität ja. Ab mehreren Modellen, regelmäßigem Retraining oder Compliance-Nachweispflichten wird die Doppelkompetenz aus Betrieb und ML zum Engpass: Kaum jemand beherrscht Kubernetes und Terraform genauso wie Drift-Metriken und Experiment Tracking. Dann lohnt eine eigene MLOps-Stelle, statt sie dem DevOps-Team zusätzlich aufzuladen.
Welche Skills braucht die erste MLOps-Stelle?
Betrieb: Docker, Kubernetes, Infrastructure as Code (Terraform) und eine Cloud (AWS, Azure oder GCP). ML-spezifisch: Experiment Tracking und Modell-Registry, in der Praxis meist MLflow, plus Verständnis für Datenversionierung. Schnittmenge: Python, CI/CD-Pipelines und Monitoring-Tools wie Prometheus und Grafana. Realistisch: die meisten Kandidat:innen kommen aus IT-Betrieb oder Datenanalyse und bringen jeweils nur eine Seite von Anfang an mit.
Sollte die erste MLOps-Rolle fest oder als Projekt besetzt werden?
Bewährt hat sich Aufbau extern, Betrieb intern: erfahrene Contractor:innen setzen Pipelines und Monitoring einmalig auf, eine Festanstellung übernimmt den dauerhaften Betrieb und den Wissenstransfer ins Team. Ist noch unklar, ob der Use Case den Proof-of-Concept überlebt, startet man mit einer Projektbesetzung und entscheidet die Festanstellung, sobald das Modell produktiv wird.
Wie lange dauert es, eine MLOps-Stelle zu besetzen?
Der Markt ist knapp, weil die Rolle neu ist und Doppelkompetenz verlangt. Mit einem spezialisierten Partner lässt sich der Prozess deutlich straffen: Nova Search liefert über eine Datenbank mit mehr als 8.000 Tech-Profilen die erste Shortlist von 3 qualifizierten Kandidat:innen innerhalb von 5 Werktagen, mit technischer Tiefenprüfung und Culture-Interview vor der Vorstellung.
Was kostet ein Fehler bei der ersten MLOps-Besetzung?
Vor allem Zeit: Ohne klare Verantwortung für den ML-Betrieb verfallen Modelle, weil niemand Drift erkennt und Retraining auslöst. Eine falsche Besetzung kostet zusätzlich Monate Nacharbeit. Absicherung bieten Garantiemodelle wie die 90-Tage-Garantie: Verlässt die vermittelte Person innerhalb von 3 Monaten das Unternehmen, erfolgt eine Nachbesetzung ohne zusätzliche Kosten.
