Viele Unternehmen haben inzwischen ChatGPT-Lizenzen, ein paar Workshops und einen Pilot, der in der Präsentation gut aussah. Im Alltag der Fachabteilungen hat sich trotzdem wenig verändert. Genau an dieser Lücke setzt die Rolle des Forward Deployed Engineers an: jemand, der nicht nur berät oder Code liefert, sondern so lange beim Kunden sitzt, bis die KI eine echte Aufgabe zuverlässig übernimmt.
Der Begriff kommt aus Softwarefirmen, die Ingenieure „nach vorne“ zum Kunden schicken, statt nur ein Produkt auszuliefern. Ein FDE versteht das Geschäft des Kunden, baut die Lösung mit den vorhandenen Werkzeugen und Daten selbst zusammen und bleibt dran, bis sie im Betrieb läuft. Im KI-Kontext heißt das konkret: einen Geschäftsprozess verstehen, eine passende Aufgabe auswählen, einen KI-Agenten oder „KI-Mitarbeiter“ dafür bauen, ihn absichern und an das Team übergeben.
Wie unterscheidet sich ein FDE von Berater, Solutions Engineer und Entwickler?
Ein Berater analysiert und empfiehlt, die Umsetzung liegt danach oft bei anderen. Ein Solutions Engineer begleitet meist den Vertrieb, zeigt Demos und klärt technische Fragen vor dem Kauf. Ein Softwareentwickler baut nach einer Spezifikation, die jemand anderes geschrieben hat. Der FDE verbindet diese Teile: Er findet das Problem selbst, baut die Lösung selbst und ist dafür verantwortlich, dass sie im Arbeitsalltag tatsächlich genutzt wird. Gemessen wird er nicht an Folien oder Codezeilen, sondern daran, ob die Fachabteilung die Lösung nach der Übergabe weiter betreibt.
Schritt 1: Den Geschäftsprozess diagnostizieren
Bevor irgendetwas gebaut wird, kommt die Diagnose. Sprechen Sie mit der Führungsebene darüber, welches Problem wirklich gelöst werden soll, und mit den Menschen, die die Arbeit täglich machen. Lassen Sie sich einen Prozess Schritt für Schritt zeigen: Woher kommen die Daten, wer entscheidet was, wo wird kopiert, nachgefragt oder gewartet? Oft stellt sich heraus, dass der Wunsch „wir brauchen KI“ eigentlich ein Daten- oder Abstimmungsproblem ist. Das früh zu erkennen, spart Wochen.
Schritt 2: Eine einzige Aufgabe auswählen
Der häufigste Fehler bei der KI-Einführung im Unternehmen ist ein zu großer Umfang. Wählen Sie eine Aufgabe, die häufig vorkommt, klare Eingaben und Ausgaben hat, deren Ergebnis ein Mensch schnell prüfen kann und bei der ein Fehler nicht sofort großen Schaden anrichtet. Beispiele sind das Vorsortieren von Anfragen, das Erstellen von Entwürfen aus Vorlagen oder das Zusammenfassen von Berichten. Halten Sie vorher fest, wie die Aufgabe heute erledigt wird und wie lange sie dauert, damit Sie später vergleichen können.
Schritt 3: Den KI-Agenten bauen
Ein brauchbarer KI-Agent besteht selten nur aus einem Prompt. Er braucht Zugriff auf das richtige Wissen (Dokumente, Wissensdatenbank), Verbindungen zu den Systemen, in denen die Arbeit passiert (zum Beispiel über Konnektoren oder MCP), und klar beschriebene Arbeitsschritte, die sich als wiederverwendbare Skills ablegen lassen. Starten Sie mit einer Version, die nur Vorschläge macht, und lassen Sie einen Menschen jedes Ergebnis freigeben. Sammeln Sie dabei echte Beispiele, an denen der Agent gut und schlecht abschneidet, und verbessern Sie ihn anhand dieser Fälle.
Schritt 4: Governance und Datenschutz mitdenken
In Deutschland und der EU stellt sich bei jedem KI-Projekt früh die Frage nach der DSGVO. Ein FDE ersetzt keine Rechtsberatung, sollte aber die richtigen Fragen stellen: Welche personenbezogenen Daten fließen in den Agenten? Wo werden sie verarbeitet und gespeichert? Wer hat Zugriff, und wird protokolliert, was der Agent tut? Binden Sie Datenschutzbeauftragte und, wo vorhanden, den Betriebsrat frühzeitig ein, statt sie am Ende vor vollendete Tatsachen zu stellen. Technisch helfen einfache Regeln: so wenig Daten wie nötig, klare Rechte pro Rolle, ein Mensch entscheidet bei heiklen Fällen, und es gibt einen Weg, den Agenten jederzeit abzuschalten.
Schritt 5: Übergabe und Ergebnisse messen
Ein Projekt ist erst fertig, wenn das Team es ohne den FDE betreiben kann. Dazu gehören eine kurze Anleitung, eine benannte verantwortliche Person in der Fachabteilung, ein Ablauf für Fehlerfälle und ein fester Termin, an dem die Ergebnisse überprüft werden. Messen Sie mit denselben Kennzahlen wie vor dem Start: Durchlaufzeit, Anteil der Ergebnisse, die ohne Korrektur übernommen werden, und wie oft der Agent tatsächlich genutzt wird. Ehrliche Zahlen, auch wenn sie bescheiden ausfallen, schaffen mehr Vertrauen für das nächste Projekt als große Versprechen.
Welche Fähigkeiten braucht ein FDE – und wie baut man ein Portfolio auf?
Gefragt ist eine Mischung: genug Technik, um Agenten, Datenanbindungen und Auswertungen selbst zu bauen; genug Geschäftsverständnis, um mit Führungskräften über Prioritäten zu sprechen; und genug Geduld, um Fachabteilungen durch die Umstellung zu begleiten. Für den Einstieg zählt ein Portfolio mehr als ein Titel. Dokumentieren Sie zwei oder drei kleine, echte Einführungen: das Ausgangsproblem, die gewählte Aufgabe, wie der Agent aufgebaut ist, wie Sie Daten und Rechte geregelt haben und was sich messbar verändert hat. Das kann auch ein Prozess aus dem eigenen Job oder aus einem befreundeten Unternehmen sein.
Wer diesen Weg strukturiert lernen möchte, findet im FDE AI-Rollout-Bootcamp 35 Lektionen (die Lektionen sind auf Chinesisch): von der Rolle des FDE und der Diagnose eines Projekts über Werkzeugauswahl, Skills und 16 Arten von KI-Mitarbeitern, Wissensdatenbanken, Speicher, Konnektoren und MCP bis zu Evaluation, Sicherheits-Governance, Übergabe und Betrieb. Am Ende steht ein eigenes Portfolio, mit dem Sie sich auf Aufträge oder Stellen bewerben können. Die ersten 2 Lektionen sind kostenlos.