Forward Deployed Engineers (FDE): Warum KI-Unternehmen Ingenieure zu ihren Kunden schicken

In den vergangenen zwei Jahren taucht bei KI-Unternehmen immer häufiger eine neue Stelle in den Stellenanzeigen auf: der Forward Deployed Engineer (kurz FDE). Diese Ingenieure sitzen nicht in der Zentrale und entwickeln allgemeine Produkte. Sie gehen mit Modellen und Plattformen in die Kundenunternehmen und binden KI gemeinsam mit den Fachbereichen in reale Daten, Prozesse und Systeme ein. Der Aufstieg der FDE zeigt vor allem eines: Der schwierigste Teil der KI-Einführung ist nicht das Modell selbst, sondern die „letzte Meile“ im Kundenunternehmen.

Was genau tut ein FDE also? Und warum bauen selbst Modellanbieter wie OpenAI und Anthropic solche Teams in großem Stil auf? In diesem Beitrag erklären wir was ein FDE ist und woher die Rolle stammt, warum KI-Unternehmen FDE-Teams aufbauen, warum die KI-Einführung eine solche Rolle braucht, wie sich FDE von verwandten Rollen unterscheiden und welche Kompetenzen sie mitbringen, und wie Unternehmen mit FDE zusammenarbeiten oder eigene „interne FDE“ ausbilden können.

Was ist ein Forward Deployed Engineer (FDE)?

Ein FDE ist ein „Softwareingenieur, der direkt beim Kunden stationiert ist“. Er schreibt Code, baut Datenpipelines und konfiguriert Systeme, arbeitet aber nicht für „alle Kunden“, sondern für einen konkreten Kunden. Gemessen wird er daran, ob dessen Geschäftsproblem gelöst wurde. Ein klassischer Ingenieur entwickelt eine Funktion für viele Kunden; ein FDE kombiniert viele Funktionen für einen Kunden.

Bekannt wurde die Rolle zuerst durch das Datenanalyse-Softwareunternehmen Palantir (Quelle). Im offiziellen Blogbeitrag „Dev versus Delta“ unterscheidet Palantir zwei Arten von Ingenieuren: Softwareingenieure der Produktentwicklung (intern „Dev“ genannt) bauen eine Komponente der Plattform und denken in „einer Fähigkeit für viele Kunden“. Forward Deployed Software Engineers aus dem Geschäftsbereich (intern „Delta“ genannt) arbeiten dagegen in Teams pro Kunde und denken in „einem Kunden, viele Fähigkeiten“. Über Erfolg entscheidet das Geschäftsergebnis des Kunden, etwa ob sich die Fehlerquote in der Produktion verringert (Quelle). Die im Beitrag befragten Deltas verbringen jede Woche einen erheblichen Teil ihrer Zeit vor Ort beim Kunden.

Ein weiterer Palantir-Blogbeitrag beschreibt den Arbeitsalltag eines FDE: maßgeschneiderte Geschäftsprozesse und Datenmodelle für Kunden entwerfen, entwickeln und ausrollen; große Datenpipelines aufbauen und betreiben, die den Geschäftsbetrieb tragen; Zugriffsrechte gemäß regulatorischen und Compliance-Vorgaben konfigurieren; Stabilität, Updates und Monitoring der Produktivsysteme verantworten und bei Störungen die Ursache finden. Außerdem geben FDE ihre Erkenntnisse vor Ort an das Produktteam zurück und überführen Lösungen mit allgemeinem Nutzen in die Plattform (Quelle).

Bemerkenswert ist, dass Palantir FDE bewusst von Unternehmensberatern abgrenzt. Nach eigener Darstellung arbeiten FDE mit fertigen Softwareplattformen und -komponenten und bauen Systeme, die für den Kunden langfristig nutzbar sind – statt einmaliger Analyseberichte oder für jeden Kunden neu zusammengestückelter Individuallösungen. Genau darin liegt der grundlegende Unterschied zur klassischen Beratung: Geliefert wird ein dauerhaft laufendes System, keine Empfehlung.

Warum bauen KI-Unternehmen FDE-Teams auf?

Modellanbieter sind eigentlich Unternehmen, die „Standardprodukte verkaufen“. Dennoch schicken auch sie Ingenieure zu ihren Kunden. Der Grund liegt auf der Hand: Kunden kaufen ein Modell, können es aber nicht zwingend produktiv nutzen – und ohne Nutzung lassen sich Verträge schwer verlängern oder ausweiten.

Mehrere öffentliche Informationen belegen diesen Trend:

• Die Nachfrage nach der Rolle steigt rasant. eWeek zitiert im November 2025 einen Bericht der Financial Times, wonach OpenAI, Anthropic, Cohere und andere ihre FDE-Teams ausbauen. Laut Daten des Jobportals Indeed stieg die Zahl der FDE-Stellenanzeigen zwischen Januar und September 2025 um mehr als 800 % (Quelle). Dabei handelt es sich um einen relativen Zuwachs; er besagt nicht, dass die absolute Zahl dieser Stellen bereits groß wäre.
• Die Modellanbieter stocken auf. Derselbe Bericht erwähnt, dass OpenAI Anfang 2024 ein FDE-Team aufgebaut hat und es 2025 auf rund 50 Personen erweitern will. Anthropic plant, sein Applied-AI-Team, zu dem auch die FDE gehören, 2025 auf das Fünffache zu vergrößern.
• Die Einführung wird zum eigenen Geschäft. Im Mai 2026 kündigte OpenAI die eigenständig operierende OpenAI Deployment Company an, mit einer Anfangsinvestition von mehr als 4 Mrd. US-Dollar unter Führung von TPG und unter Beteiligung von 19 Investoren, Beratungsunternehmen und Systemintegratoren. Gleichzeitig wurde die Übernahme des Applied-AI-Beratungsunternehmens Tomoro angekündigt, die voraussichtlich rund 150 FDE und Einführungsexperten ins Haus holt (Quelle). Laut OpenAI sollen diese FDE in die Kundenorganisationen gehen, die Stellen mit dem größten KI-Nutzen identifizieren, Prozesse und Infrastruktur darum herum neu gestalten und die Modelle an Daten, Werkzeuge und Geschäftsprozesse des Kunden anbinden.
• Die Stellenanforderungen sind sehr konkret. Auf Anthropics aktueller FDE-Stellenseite heißt es, die Rolle gehöre zum Applied-AI-Team, sei in wichtigen Kundenunternehmen eingebettet, baue auf Basis von Claude produktionsreife Anwendungen und verbringe 25 % bis 50 % der Zeit auf Dienstreisen zu Kunden vor Ort (Quelle).

Der Investor a16z nennt diesen Ansatz in einem Beitrag vom Juni 2025 „Services-led Growth“: KI-Produkte für Unternehmen erfordern viel Implementierungsarbeit, und Start-ups können deshalb zu Beginn niedrigere Bruttomargen in Kauf nehmen, um Prozesse und Daten der Kunden zunächst über tiefgehende Services anzubinden (Quelle). Anders gesagt: FDE sind zugleich Lieferinstrument und die Art, wie KI-Unternehmen im Kundenunternehmen Fuß fassen.

Warum braucht die KI-Einführung Rollen wie den FDE?

Große Sprachmodelle sind allgemein, Unternehmensprozesse sind konkret. Ein Modell weiß, was eine „Retoure“ ist. Es weiß aber nicht, wie viele Freigaben Retouren in Ihrem Unternehmen durchlaufen, in welchem System die Daten liegen und welche Kunden Ausnahmeregelungen genießen. Dieses konkrete Wissen anzubinden, ist die „letzte Meile“ der KI-Einführung.

Diese letzte Meile scheitert meist an drei Stellen:

• Daten. Unternehmensdaten verteilen sich auf ERP, CRM, Lagersysteme, Tabellen und E-Mails, mit uneinheitlichen Definitionen und unterschiedlichen Berechtigungen. Soll die KI die Frage beantworten, „warum dieser Auftrag noch nicht versendet wurde“, muss sie Auftrags-, Bestands- und Logistikdaten sicher lesen können.
• Prozesse. Reale Geschäftsprozesse enthalten viele Regeln und Ausnahmen, die nirgends dokumentiert sind. Bei einer Bestellanforderung zum Beispiel muss ab einem bestimmten Betrag die Geschäftsführung unterschreiben, und bei manchen Lieferanten ist ein zusätzlicher Preisvergleich nötig. Solche Regeln lassen sich nur gemeinsam mit den Mitarbeitenden vor Ort erfassen.
• Systeme. Damit Empfehlungen der KI zu Handlungen werden, müssen sie in die Geschäftssysteme zurückgeschrieben werden: Tickets anlegen, Bestände aktualisieren, Rechnungen erzeugen. Ob Schnittstellen stabil sind, wie Fehler behandelt werden und wer ausführen darf, sind technische Abwägungen.

Auch a16z weist darauf hin, dass KI-Agenten sicher mit unternehmensinternen Datenbanken, Schnittstellen und Workflows verbunden sein müssen und Geschäftslogik sowie Historie kennen sollten; einen Agenten in Betrieb zu nehmen, gleiche dem Onboarding eines neuen Mitarbeiters (Quelle). Die traditionelle Arbeitsteilung reicht hier oft nicht aus: Das Produktteam ist zu weit vom Kunden entfernt, um die konkreten Probleme zu sehen. Implementierungsberater kennen die Prozesse, können aber nicht unbedingt programmieren oder Modelle anpassen. Die IT-Abteilung des Unternehmens kennt die Systeme, aber nicht zwingend die Eigenschaften und Grenzen großer Sprachmodelle. Der Wert eines FDE liegt darin, dass er Geschäftsverständnis, Systemverständnis und Modellverständnis in einer Person oder einem kleinen Team vereint.

Ein Beispiel: Ein Großhändler möchte per E-Mail eingehende Kundenaufträge automatisch von der KI verarbeiten lassen. In der Demo extrahiert das Modell Artikel und Mengen aus einer sauber formatierten E-Mail korrekt. Vor Ort stellt der FDE jedoch fest, dass Kunden jeweils eigene Kurzbezeichnungen für Artikel verwenden, manche Aufträge handschriftliche Scans enthalten und andere zuerst gegen das Kreditlimit geprüft werden müssen. Erst wenn Artikelzuordnungstabelle, Kreditregeln und der Prozess für die Übergabe von Ausnahmen an Mitarbeitende angebunden sind, ist die KI wirklich einsatzfähig.

Wie unterscheidet sich ein FDE von Softwareingenieuren, Implementierungsberatern und Presales-Ingenieuren?

FDE werden leicht mit verwandten Rollen verwechselt. Kurz gesagt: Ein FDE ist wie ein Implementierungsberater nah am Kunden, baut wie ein Softwareingenieur Systeme selbst und verantwortet zusätzlich das Geschäftsergebnis nach dem Go-live.

Die folgende Tabelle vergleicht die vier Rollen anhand mehrerer Kriterien:

Die Definitionen dieser Rollen unterscheiden sich von Unternehmen zu Unternehmen. Die Tabelle gibt die übliche Arbeitsteilung wieder und dient nur zur Orientierung.

Welche Kompetenzen braucht ein guter FDE?

Das Anforderungsprofil eines FDE ist „T-förmig“: Die technische Kompetenz muss tief sein, das Geschäftsverständnis und die Kommunikationsfähigkeit breit. Am knappsten ist nicht eine einzelne Fähigkeit, sondern die Fähigkeit, in unklaren, sich ständig verändernden Kundenumgebungen eigenständig Fortschritte zu erzielen.

Aus Palantirs Stellenbeschreibungen und Anthropics Anforderungen lassen sich fünf Kompetenzfelder ableiten:

• Solide Ingenieurskompetenz. Code für Produktivumgebungen schreiben, Datenpipelines aufbauen, Systeme integrieren. Anthropics Stellenseite verlangt Erfahrung mit dem Einsatz großer Sprachmodelle in Produktivumgebungen, einschließlich Prompt-Design, Agentenentwicklung und Evaluationsmethoden, sowie sichere Python-Kenntnisse (Quelle).
• Schnelles Einarbeiten in fremde Domänen. Heute geht es um die Qualitätsprüfung eines Fertigungsunternehmens, im nächsten Monat um das Dispositionssystem eines Logistikers. Palantir nennt das „schnelle Aneignen unbekannter Systeme, Fachgebiete und Codebasen“ als eine der Fähigkeiten, die ein FDE mitbringen muss (Quelle).
• Geschäftsprobleme in technische Lösungen übersetzen. Die Klagen der Fachseite verstehen, das eigentliche Problem dahinter herausfragen und dann entscheiden, was die KI übernimmt, was über Regeln läuft und was man besser gar nicht umsetzt.
• Kommunikation und Vertrauensaufbau. FDE haben es gleichzeitig mit Mitarbeitenden an der Basis, der IT-Abteilung und dem Management zu tun und müssen zudem das Produktteam des eigenen Unternehmens koordinieren. Anthropics Stellenseite erwartet ausdrücklich, dass FDE selbstständig arbeiten, bei Unsicherheit handlungsfähig bleiben und gut kommunizieren.
• Verantwortung für das Ergebnis. Die Arbeit eines FDE endet nicht mit einer gelungenen Demo. Er verfolgt Stabilität und Geschäftswirkung des Systems nach dem Go-live und fasst wiederverwendbare Vorgehensweisen zu Methoden zusammen, die er an das Produktteam zurückspielt.

Wie arbeiten Unternehmen mit FDE zusammen oder bilden eigene „interne FDE“ aus? Eine Schritt-für-Schritt-Anleitung

Für die meisten mittelständischen Unternehmen werden FDE der Modellanbieter nicht unbedingt selbst vorbeikommen. Ihre Arbeitsweise lässt sich aber gut übernehmen: Ob in der Zusammenarbeit mit einem externen Team oder beim Aufbau im eigenen Haus – entscheidend ist, dass Menschen, die das Geschäft verstehen, und Menschen, die die Technik verstehen, an einem konkreten Problem Seite an Seite arbeiten.

Schritt 1: Zuerst ein konkretes, messbares Geschäftsproblem wählen. Gehen Sie nicht von „Wir wollen KI einsetzen“ aus, sondern von konkreten Schmerzpunkten wie „Die Auftragserfassung bindet täglich drei Personen“ oder „Der Monatsabgleich dauert eine Woche“. Auch OpenAI beschreibt seine Einführungsleistungen so: zunächst eine fokussierte Diagnose, dann die konzentrierte Bearbeitung weniger prioritärer Prozesse (Quelle).

Schritt 2: Daten- und Systemzugriffe frühzeitig vorbereiten. Die häufigste Wartezeit eines FDE entsteht durch fehlende Daten und Berechtigungen. Vor Projektbeginn sollte klar sein, welche Systeme angebunden werden, wer Zugriffe freigibt und welche Daten das Unternehmen nicht verlassen dürfen – damit die Ingenieure nach der Ankunft nicht untätig sind.

Schritt 3: Einen fachlich Verantwortlichen benennen, der durchgängig beteiligt ist. Ein externer FDE mag noch so fähig sein, Ihre Ausnahmeregeln und ungeschriebenen Gesetze kennt er nicht. Das Unternehmen braucht einen entscheidungsbefugten Fachverantwortlichen, der die Prozesse kennt, jede Woche gemeinsam mit dem FDE den Fortschritt prüft, Fragen beantwortet und Entscheidungen trifft.

Schritt 4: Vor Ort gemeinsam und in kleinen Schritten bauen. Setzen Sie den FDE direkt neben den Fachbereich und entwickeln Sie zuerst eine minimale Version, die reale Belege verarbeiten kann. Verbessern Sie sie dann anhand des Feedbacks aus dem Tagesgeschäft. Jede Iteration sollte mit echten Daten geprüft werden, nicht nur anhand der Wirkung in einer Demo.

Schritt 5: Betriebs- und Übergabemechanismen parallel zum Go-live aufbauen. Klären Sie, wer bei Störungen zuständig ist, wer über Anpassungen am Modell oder Prozess entscheidet und wo die Betriebsprotokolle liegen. Bevor das externe Team abzieht, müssen Dokumentation, Schulung und Rechteübergabe abgeschlossen sein, damit das System nicht von einer einzelnen externen Person abhängt.

Schritt 6: Aus der Zusammenarbeit interne FDE ausbilden. Wählen Sie ein bis zwei Mitarbeitende, die das Geschäft verstehen und bereit sind, Technik zu lernen (etwa Ingenieure aus der IT, die oft in den Fachbereichen unterwegs sind, oder datenaffine Leistungsträger aus dem Fachbereich). Lassen Sie sie das externe Team durchgängig begleiten und ab dem zweiten Projekt schrittweise die Führung übernehmen. Der Wert interner FDE liegt darin, dass das nächste KI-Projekt nicht wieder bei null beginnen muss.

Häufige Fragen zu Forward Deployed Engineers (FDE)

Was unterscheidet FDE von Auftragsentwicklung? Bei der Auftragsentwicklung werden Funktionen üblicherweise nach einem Anforderungsdokument geliefert, das der Kunde klar formulieren muss. FDE dagegen finden und definieren die Probleme gemeinsam mit dem Kunden, verantworten das Geschäftsergebnis und bauen Lösungen auf bestehenden Plattformen und Produkten auf, statt bei null zu entwickeln.

Müssen mittelständische Unternehmen eigens FDE einstellen? Nicht unbedingt. Realistischer ist es, bei der Zusammenarbeit mit einem externen Team interne Leistungsträger tief einzubinden und so schrittweise ein bis zwei „interne FDE“ aufzubauen, die Geschäfts- und Technikkompetenz verbinden.

Die Nachfrage nach FDE wächst so schnell – ist das nur ein Hype? Die Berufsbezeichnung mag sich ändern, der Bedarf hinter der Rolle wird kaum verschwinden: Solange Modelle allgemein und Geschäftsprozesse konkret sind, braucht es jemanden, der beides verbindet. Mit reiferen Werkzeugen wird ein Teil der Integrationsarbeit einfacher, doch das Verstehen des Geschäfts und die Verantwortung für das Ergebnis bleiben menschliche Aufgaben.

Woran erkennt man, ob die Zusammenarbeit mit einem FDE erfolgreich war? Entscheidend sind drei Punkte: ob das System tatsächlich im Alltag genutzt wird, ob sich die vereinbarten Geschäftskennzahlen verbessert haben und ob das Unternehmen das System nach dem Abzug des externen Teams selbst betreiben und weiterentwickeln kann. Wer nur auf die Demo oder die Zahl gelieferter Funktionen schaut, überschätzt den Erfolg häufig.

Quellen

• Dev versus Delta: Demystifying engineering roles at Palantir, offizieller Palantir-Blog, ohne Veröffentlichungsdatum (abgerufen im November 2026)
• A Day in the Life of a Palantir Forward Deployed Software Engineer, offizieller Palantir-Blog, ohne Veröffentlichungsdatum (abgerufen im November 2026)
• Why Forward-Deployed Engineers Are in High Demand, eWeek, November 2025
• OpenAI launches the Deployment Company, OpenAI, Mai 2026
• Forward Deployed Engineer (Stellenanzeige), Anthropic, abgerufen im November 2026
• Services-Led Growth, a16z, Juni 2025