Der Ingenieur zieht beim Kunden ein: Warum die KI-Branche gerade eine Rolle erfindet, die es längst gab

Im Mai gründete OpenAI eine Firma, deren einziger Zweck es ist, OpenAI-Technologie bei Kunden zum Laufen zu bringen. Sie heißt schlicht The Deployment Company, ist mit einem Vehikel von rund zehn Milliarden Dollar ausgestattet und wird überwiegend von Private-Equity-Investoren finanziert. Anthropic hatte im Frühjahr mit Ode with Anthropic dasselbe getan, gemeinsam mit Blackstone, Hellman & Friedman und Goldman Sachs. Ende Juni folgte Amazon mit einer Milliarde Dollar für eine eigene Einheit, Anfang Juli Microsoft mit 2,5 Milliarden für die Microsoft Frontier Company und 6.000 Fachleuten. Zusammengerechnet sind binnen eines halben Jahres über dreizehn Milliarden Dollar an Vehikeln und Zusagen in eine Tätigkeit geflossen, die in keiner Softwarebilanz gut aussieht: Menschen zum Kunden schicken. Ein erheblicher Teil dieses Kapitals stammt dabei nicht von den Konzernen selbst — OpenAIs eigene Zusage an das Zehn-Milliarden-Vehikel liegt bei bis zu 1,5 Milliarden Dollar, den Rest tragen Finanzinvestoren.

Die Rolle, um die es geht, heißt Forward-Deployed Engineer, kurz FDE. TechCrunch nannte sie am 30. Juli „die neueste Talentobsession der KI-Branche“. Der militärisch entlehnte Begriff beschreibt eine Ingenieurin, die nicht im eigenen Haus an einem Produkt arbeitet, sondern beim Kunden sitzt und dort baut — mit Schreibrechten auf produktiven Code, nicht mit Folien.

Was ein Forward-Deployed Engineer tatsächlich tut

Der Unterschied zur Unternehmensberatung ist real, aber schmal. Ein klassischer Berater analysiert, empfiehlt und übergibt ein Dokument. Ein FDE schreibt den Integrationscode, baut die Datenanbindung, definiert die Testfälle, mit denen sich die Qualität eines Modells im konkreten Prozess überhaupt messen lässt, und bleibt so lange, bis es produktiv läuft. Der Anbieter PostHog beziffert den Unterschied nüchtern: Ein normaler Softwareentwickler verbringt 10 bis 20 Prozent seiner Zeit beim Kunden, ein FDE 60 bis 80 Prozent.

Erfunden hat die Rolle Palantir Anfang der 2010er-Jahre, intern zunächst unter dem Namen „Delta“. Bis etwa 2016 beschäftigte das Unternehmen mehr FDEs als reguläre Produktentwickler. Entscheidend ist, was Palantir daraus machte: Der frühere Palantir-Manager Bob McGrew beschreibt es als Arbeitsteilung, bei der FDEs beim Kunden „die Schotterpiste bauen“ und die internen Produktteams daraus anschließend „eine Autobahn pflastern“. Aus genau diesen Schotterpisten entstand 2016 die Plattform Foundry. FDE-Arbeit war bei Palantir kein Dienstleistungsgeschäft, sondern ein Mechanismus zur Produktentdeckung — bezahlt vom Kunden.

Palantirs damaliger und heutiger Technikchef Shyam Sankar beschreibt das gesuchte Profil als Menschen, die in ihrem Fachgebiet „Ketzer“ sind: Praktiker mit tiefem Domänenwissen, die den etablierten Weg für falsch halten. Das ist weder Generalist noch Vertriebsingenieur — und genau darin liegt der Engpass.

Warum ausgerechnet jetzt

Der Grund für den plötzlichen Ansturm ist unangenehm einfach: Die Modelle sind gut genug, die Ergebnisse aber nicht da. Eine viel zitierte Untersuchung des MIT-Projekts NANDA fand 2025, dass rund 95 Prozent der in Unternehmen integrierten Piloten für generative KI keinen messbaren Effekt auf das Betriebsergebnis hatten — bei branchenweit 30 bis 40 Milliarden Dollar Investitionsvolumen. Die Studie ist nicht begutachtet und stützt sich teils auf Selbstauskünfte, ihre Diagnose deckt sich aber mit anderen Erhebungen: Gartner erwartet, dass über 40 Prozent aller Agenten-Projekte bis Ende 2027 abgebrochen werden, wegen steigender Kosten, unklaren Geschäftswerts oder fehlender Risikokontrollen.

Aufschlussreich ist die Ursachenanalyse. Laut NANDA-Hauptautor Aditya Challapally flossen etwa die Hälfte der Budgets in Vertrieb und Marketing — dorthin, wo die Aufmerksamkeit lag —, während die klarsten Erträge im unspektakulären Back-Office entstanden. Und: Selbst gebaute Lösungen schnitten systematisch schlechter ab als eingekaufte und integrierte. Die Lücke liegt also nicht bei der Modellfähigkeit. Sie liegt bei Datenanbindung, Prozessumbau, Change Management und den letzten zwanzig Prozent Genauigkeit, die ein System vom beeindruckenden Prototyp zum belastbaren Betriebsmittel machen. Genau diese Lücke soll der FDE schließen.

Das Margenargument — und warum es nicht hält

Der naheliegende Einwand lautet: Das ist Beratung im Softwarekostüm. Klassisches SaaS erreicht 75 bis 85 Prozent Bruttomarge, weil der zweite Kunde fast nichts kostet. Beratung liegt bei 30 bis 40 Prozent, weil jeder Kunde neue Personenstunden verbraucht. Wer beides mischt, bekommt eine Bewertung wie eine Beratung — so die Intuition.

Die Zahlen sagen etwas anderes. Palantir, das FDE-intensivste Unternehmen der Branche, wies im ersten Quartal 2026 bei 1,63 Milliarden Dollar Umsatz und 85 Prozent Wachstum eine Bruttomarge von rund 87 Prozent aus — über dem SaaS-Durchschnitt, nicht darunter. Und Sierra, das Unternehmen von Bret Taylor, dessen Markteintritt ausdrücklich auf FDEs aufbaut, wurde im Mai bei rund 165 Millionen Dollar wiederkehrendem Umsatz mit 15,8 Milliarden Dollar bewertet. Das ist etwa das 96-Fache des Jahresumsatzes. Es gibt derzeit schlicht keinen Beleg dafür, dass Investoren FDE-lastige Umsätze abschlagen — die höchsten Multiplikatoren liegen bei den FDE-lastigsten Firmen.

Der Wagniskapitalgeber a16z geht noch weiter und nennt eine Bruttomarge von 85 bis 90 Prozent bei einem jungen KI-Unternehmen ein „orange Warnsignal“: ein Hinweis darauf, dass zu wenig in die schwierige, unskalierbare Anfangsarbeit investiert wird. Bessemer Venture Partners vertritt in seinem Pricing Playbook die Gegenposition und warnt vor margenschwachem Wachstum. Diese Meinungsverschiedenheit ist nicht aufgelöst, und Vorsicht ist angebracht: Hohe Multiplikatoren könnten auch trotz des FDE-Modells entstehen, getragen von Wachstumsraten und Marktstimmung.

Der Unterschied zwischen dem funktionierenden und dem scheiternden Modell ist bei alledem gut benennbar. Er liegt im Rückfluss. Fließen die Erkenntnisse aus jedem Einsatz in wiederverwendbare Produktbestandteile zurück, entsteht Palantirs Autobahn. Bleiben sie im Kundenprojekt, entsteht eine Beratung mit schlechterer Auslastungsplanung als eine echte Beratung. a16z formuliert das ungewöhnlich direkt: „You're not ‚Palantir for X‘. You're ‚Accenture for X‘ with a better frontend.“

Für wen sich das lohnt — und für wen nicht

Aus derselben Analyse stammt ein brauchbares Entscheidungsraster. Vier Fragen sollte sich beantworten, wer über ein eigenes FDE-Team nachdenkt: Ist das Problem geschäftskritisch — Menschenleben, nationale Sicherheit, Milliardenbeträge — oder verspricht es 10 bis 20 Prozent Effizienz? Verkaufe ich an Dutzende sehr große Kunden oder an Tausende kleine? Ähneln sich die Arbeitsabläufe meiner Kunden, oder ist jeder Einsatz grundverschieden? Und bewege ich mich in stark regulierten Bereichen mit schmerzhafter Datenintegration — Verteidigung, Gesundheit, Finanzkriminalität, kritische Infrastruktur?

Vier Mal nein bedeutet: Ein FDE-Team wird die Organisation langsamer und teurer machen, ohne den Produkteffekt zu erzeugen. Vier Mal ja bedeutet, dass Self-Service-Onboarding vermutlich nie funktionieren wird und das Geld besser in Menschen als in eine weitere Iteration der Benutzeroberfläche fließt.

Wer ein solches Team aufbaut, braucht von Anfang an eine Antwort auf die Rückflussfrage: Wer entscheidet, welche beim Kunden entstandene Lösung ins Produkt wandert, und in welchem Rhythmus? Ohne diesen Mechanismus ist die Abgrenzung zur Beratung nur eine Behauptung im Stellenprofil. Chris Taylor, Chef der Anthropic-Tochter Ode, zieht dieselbe Linie aus der Praxis: „Many FDEs help roll Claude Code out. Very few build your flagship AI product.“ Werkzeugausrollung und kundenspezifische Produktentwicklung sind zwei verschiedene Geschäfte mit zwei verschiedenen Kostenstrukturen — sie sollten nicht dasselbe Team und nicht dieselbe Kennzahl teilen.

Was Käufer beachten sollten

Für Unternehmen auf der anderen Seite des Tisches ändert der Trend die Verhandlungslage. Erstens ist ein mitgeliefertes FDE-Team ein Informationssignal: Der Anbieter geht selbst davon aus, dass sein Produkt allein noch nicht betriebsfähig ist. Das ist ein Argument in der Preisverhandlung und ein Grund, Ausstiegsklauseln und Wissenstransferpflichten ernst zu nehmen.

Zweitens entsteht während eines FDE-Einsatzes erhebliches geistiges Eigentum — Prompts, Evaluierungsdatensätze, Integrationslogik, umgebaute Prozesse. Wem das gehört, ist in der Praxis häufig ungeklärt. Es ließ sich für diesen Text kein Präzedenzfall und kein veröffentlichter Rechtsstreit finden, der die Frage beantwortet. Das ist eine Aufforderung, die Klausel selbst zu schreiben, statt auf einen Standardvertrag zu vertrauen. Dasselbe gilt für die Weiterverwendung eigener Daten zum Training: Erstentwürfe lassen sie laut Vertragspraxis häufig zu, solange niemand widerspricht.

Drittens lohnt sich eine eigene Gegenrolle: Wer niemanden intern aufbaut, der die entstehenden Systeme versteht und weiterentwickeln kann, verlagert Betriebswissen dauerhaft zum Anbieter.

Was an dieser Geschichte noch nicht stimmt

Zwei Vorbehalte gehören dazu. Der erste betrifft die Zahlen, die den Boom belegen sollen. Die im TechCrunch-Artikel zentrale Erhebung — ein prognostizierter Nachfragesprung von 2.100 Prozent bis Jahresende und die Behauptung, in den USA gebe es nur rund 2.000 hinreichend qualifizierte Ingenieure — stammt von der Personalberatung Christian & Timbers, die an der Vermittlung genau dieser Rollen verdient. Auch die kursierenden Wachstumsraten für Stellenausschreibungen streuen zwischen 300 und über 5.000 Prozent, je nach Quelle und Zeitraum. Belastbar ist die Richtung, nicht die Zahl. Wo es harte Daten gibt, sind sie unspektakulärer: Palantir zahlt seinen FDEs laut Levels.fyi zwischen 171.000 und 295.000 Dollar bei einem Median von 211.000, in München liegt die mittlere Spanne nach 434 Angaben bei Glassdoor zwischen rund 125.000 und 198.000 Dollar.

Der zweite Vorbehalt ist ein Befund über etwas, das fehlt: Es ließ sich für Mitte 2026 kein einziger Bericht darüber finden, dass ein Unternehmen das FDE-Modell wieder aufgegeben hätte. Das klingt nach Bestätigung, ist aber vor allem ein Zeichen dafür, dass das Modell in dieser Breite noch zu jung ist, um gescheitert zu sein. Die vier großen Einsätze — OpenAI, Anthropic, Amazon, Microsoft — sind alle keine sechs Monate alt. Die Kritik, es handle sich um umetikettierte Beratung, ist bislang konzeptionell begründet, nicht empirisch widerlegt.

Bleibt die Einordnung für Entscheider: Der FDE-Boom belegt nicht, dass KI funktioniert. Er ist ein Eingeständnis, dass sie sich nicht von selbst ausrollt — und dass die Branche dafür einen zweistelligen Milliardenbetrag und ihre Bruttomarge riskiert.