Forward Deployed Engineering— warum KI einen Ingenieur im Haus braucht, nicht noch einen Piloten

Was ein Forward Deployed Engineer ist

Der Begriff kommt von Palantir. Das Unternehmen schickt Ingenieure zu Behörden und Konzernen, damit die eigene Software dort mit den vorhandenen Systemen zusammenarbeitet. Eine Palantir-Stellenanzeige vergleicht die Verantwortung mit der eines Start-up-CTO.

McKinsey definiert die Rolle in der Studie „The AI-centric imperative" vom 16. Oktober 2025 so: technische Fachleute, die direkt beim Kunden eingebettet sind, um Umsetzung, Integration und breite Nutzung von KI zu sichern. Sie pilotieren, passen Agenten an die Abläufe des Kunden an und optimieren den laufenden Betrieb. Laut McKinsey verkürzen sie die Zeit bis zum ersten Nutzen und erhöhen die Wahrscheinlichkeit, dass eine Lösung dauerhaft genutzt und ausgebaut wird.

Der Unterschied zu bekannten Rollen liegt in der Verantwortung. Ein Berater empfiehlt und übergibt. Ein Sales Engineer zeigt, was möglich ist. Ein FDE baut es in die echte Umgebung ein und bleibt, bis es läuft. Er misst sich nicht an der Abnahme, sondern daran, ob die Leute das System im Alltag benutzen.

Was die Studie sagt, und was nicht

Wer die Studie zitiert, sollte wissen, worauf sie beruht. Sie richtet sich an Softwarehersteller, nicht an Anwender. Ihre Umfragezahlen stammen aus dem McKinsey Software CxO AI Impact Survey, Q2 2025, mit 81 Führungskräften von Softwarefirmen. Forward Deployed Engineers sind darin ein Absatz innerhalb einer von sieben Verschiebungen, nämlich im Umbau von Vertrieb und Kundenbetreuung. Die Studie ist keine FDE-Studie. Die Zahlen, die für unser Thema zählen:

Der Rest der Studie handelt von Preismodellen (weg von Lizenzen pro Nutzer, hin zu Abrechnung nach Verbrauch oder Ergebnis), von KI-fähiger Infrastruktur und vom Umbau der Belegschaft. Für den Mittelstand ist sie trotzdem lehrreich, weil sie von der anderen Seite des Tisches zeigt, wie Anbieter KI künftig verkaufen und einführen wollen.

Die Pilot-Falle

Die wichtigste Zahl der Studie ist eine Einschränkung. Softwarefirmen berichten in Piloten von 30 bis 50 % mehr Produktivität in der Entwicklung. Diese Gewinne, schreibt McKinsey, schlagen sich selten in gleichem Maß in Umsatz oder Ergebnis nieder. Der Grund: Die Werkzeuge wurden in alte Abläufe gesteckt, statt die Abläufe umzubauen.

Das Muster kennt jeder, der im Mittelstand KI eingeführt hat. Der Pilot überzeugt in der Präsentation. Dann soll er an das echte System, und es zeigt sich, dass die Artikelnummern in zwei Schreibweisen existieren, dass die Freigabe über eine Person läuft, die im Pilot nicht vorkam, und dass das Team den neuen Schritt nicht in seinen Tag einbauen kann. Niemand ist zuständig, weil das Pilotteam fertig ist und das Betriebsteam noch nicht angefangen hat.

Genau in dieser Lücke arbeitet ein Forward Deployed Engineer. Er hat den Piloten gebaut, und er bleibt für die Strecke danach.

Warum die Arbeit beim Kunden mehr wird, nicht weniger

Ein Befund der Studie läuft gegen die übliche Erzählung, dass KI alles automatisiert. Bei Professional Services, also der Arbeit beim Kunden, ist der KI-Einsatz mit 26 % am zweitniedrigsten von zehn Bereichen, nur der Einkauf liegt darunter. Die erwartete Kostensenkung ist mit 10 bis 20 % die kleinste. McKinsey begründet das ausdrücklich: Einsparungen werden zum Teil durch den steigenden Bedarf an Anpassung aufgezehrt. Im Modell der künftigen Belegschaft gehört Professional Services zu den Bereichen, die nach dem Abbau wieder wachsen.

Dahinter steckt eine zweite These der Studie. Einheitsanwendungen werden durch Lösungen ersetzt, die auf Branche, Kundenumgebung und Problem zugeschnitten sind. McKinsey nennt das „Service-as-Software": Plattform, Agenten, Automatisierung und Expertenwissen als ein Paket, das ein Ergebnis liefert statt eines Werkzeugs. Je mehr zugeschnitten wird, desto mehr Arbeit fällt beim Kunden an. Und der Vorteil verschiebt sich, so die Studie, von Funktionen zu Daten: Funktionen lassen sich kopieren, der Zugang zu eigenen, guten Daten nicht.

Was das für den Mittelstand heißt

Ein Forward Deployed Engineer kostet in den USA laut Lightcast im Median über 188.000 Dollar Jahresgehalt. Hersteller setzen diese Leute dort ein, wo sich das rechnet: bei großen Konten. Ein Mittelständler mit 80 Lizenzen bekommt keinen. Das ist keine Kritik, sondern Rechnung.

Laut McKinsey laufen knapp 60 % der KI-Plattform-Käufe ohnehin hybrid, mit externen Partnern für Beratung und Umsetzung. Die Studie beschreibt auch, wie sich diese Partnerschaften ändern: weniger Partner, die dafür früher einsteigen, mitentwickeln und nach dem Verkauf bleiben, um die Nutzung zu sichern. Das ist die Arbeitsweise eines FDE, nur außerhalb des Herstellers.

Unsere Schlussfolgerung, ausdrücklich nicht die der Studie: Wer KI an eigene Daten und Kernprozesse anbinden will, sollte bei seinem Umsetzungspartner genau diese Arbeitsweise einfordern. Nicht den Titel, sondern das, was er bedeutet.

Woran du erkennst, ob dein KI-Partner so arbeitet

Fünf Fragen, die du vor der Beauftragung stellen kannst. Die Antworten zeigen schnell, ob jemand bis in den Betrieb mitgeht oder beim Piloten aufhört:

• Wird in deinen Systemen gebaut oder in einer Demo-Umgebung? Ein Pilot auf Beispieldaten beweist wenig. Die Probleme stecken in deinen echten Stammdaten, Rechten und Schnittstellen.
• Wer ist von der Anforderung bis zum Betrieb zuständig? Wenn zwischen Konzept und Umsetzung das Team wechselt, geht an dieser Stelle Wissen verloren. Frag nach einem Namen, nicht nach einer Abteilung.
• Woran wird Erfolg gemessen? „Abgenommen" ist keine Kennzahl. Gute Antworten sind: wie viele Vorgänge pro Woche durch das System laufen, wie viele Rückfragen entfallen, wie oft jemand eingreifen muss.
• Wem gehören Code, Konfiguration und Daten? Wenn die Lösung nur im Konto des Partners läuft, bist du gebunden. Alles sollte in deinen Konten liegen und dokumentiert sein.
• Was passiert nach dem Go-live? Die ersten Wochen im Betrieb zeigen, was im Piloten gefehlt hat. Ein FDE plant diese Phase ein und bleibt, bis dein Team allein weiterkommt.

Wann du keinen brauchst

Nicht jede KI-Einführung braucht einen Ingenieur im Haus. Wer ein fertiges Werkzeug kauft, das ohne Anbindung an eigene Systeme läuft, etwa ein Schreib-, Übersetzungs- oder Transkriptionswerkzeug, braucht eine gute Einführung und klare Regeln, keine Integration. Die Arbeitsweise lohnt sich, sobald KI auf eigene Daten zugreifen, in bestehende Systeme schreiben oder Entscheidungen in einem Kernprozess vorbereiten soll. Dort entscheidet die Anbindung über den Nutzen, nicht das Modell. Wie du einen Partner für solche Projekte auswählst, steht im Leitfaden zur Auswahl einer KI-Agentur.

Wie wir das machen

Wir arbeiten so, weil wir es selbst brauchen. Unser eigenes Unternehmen läuft auf denselben Agenten, die wir für Kunden bauen, und wir kennen die Lücke zwischen Pilot und Betrieb aus dem eigenen Alltag. Wie das konkret aussieht, steht unter Wie wir arbeiten. Gebaut wird in deinen Konten, der Code gehört dir, und die Modelle bleiben austauschbar. Warum das wichtig ist, erklären wir unter Souveräne KI für den Mittelstand.

Häufige Fragen: Forward Deployed Engineering