AI Engineer *

Vor 14 Stunden

Berlin, Deutschland UNITY AG Vollzeit

AI Engineer * (all Levels)

Berlindeutschlandweit Frankfurt a. M. Hamburg Köln München Nürnberg Paderborn StuttgartPräsenz / MobilBerufserfahrung (Junior Level) Berufserfahrung (Senior Level)VollzeitPubliziert: 14.09.2026

KI-Systeme bauen und betreiben, nicht präsentieren | Agentenplattformen, LLMs, MCP | Full Stack bis Cloud | deutschlandweit, hybrid oder remote

Die meisten KI-Prototypen sterben zwischen Demo und Deployment. Nicht am Modell – an Evals, Kosten, Latenz, Rechten und der Frage, wer den Betrieb übernimmt.

Das UNITY AI Booster Team
Das UNITY AI Booster Team ist UNITYs Entwicklereinheit für die Entwicklung und Implementierung von KI-Lösungen in den Geschäftsprozessen unserer Kunden. Wir entwickeln Lösungen mit hoher Technologiebandbreite, von Machine Learning Use Cases, LLM Use Cases oder eigenen Agentenplattformen. Anders als unsere Consultants sind wir näher am Code: Wir arbeiten im Projekt mit den Consultants und unserem Procurement X Team zusammen, bauen und betreiben aber die technische Plattform dahinter. Werde jetzt Teil des Teams

Als AI Engineer * baust du diese Systeme mit. Vom ersten Prototyp bis zu dem Punkt, an dem sie beim Kunden laufen und du weißt, warum sie laufen.

Das erwartet dich

Baue Agentic-AI-Systeme auf Basis von LLMs, Multi-Agent-Frameworks und Tool-Integration – mit LangChain, LangGraph, AutoGen oder CrewAI, je nachdem, was das Problem verlangt. Entwickle KI-Applikationen Full Stack: Backend-Logik, API-Design und die Oberfläche, mit der am Ende jemand arbeitet. Bringe Use Cases von der Idee über den Prototyp bis in den produktiven Einsatz beim Kunden – inklusive Evaluation, Monitoring und der Entscheidung, wann ein Ansatz nicht trägt. Betreibe, was du gebaut hast: RAG-Architekturen, Vektordatenbanken, MCP-Anbindungen, Deployment in AWS, Azure oder GCP. Berate Fach- und IT-Abteilungen bei der Identifikation und Priorisierung von KI-Potenzialen und der Auswahl geeigneter Technologien – als Engineer, der weiß, was die Umsetzung kostet. Baue Wissen auf, das bleibt: Entwicklungsmuster, Best Practices und Bausteine, die das nächste Projekt schneller machen.

Womit du arbeitest: Python, Node.js, React oder Vue, LangChain / LangGraph / AutoGen / CrewAI, MCP, Vektordatenbanken (Elasticsearch, pgvector), AWS / Azure / GCP, Container und Serverless-Deployments

Das bringst du mit

Must-have – auf Junior-Level:

Erfahrung in der Entwicklung KI-basierter Anwendungen mit Large Language Models – über das Bedienen von Chat-Oberflächen hinaus: Prompt Engineering, Tool Use, Agentic-Coding-Patterns wie ReAct oder Chain-of-Thought. Du hast mindestens ein KI-System selbst gebaut – auch aus Studium, Werkstudium oder Nebenprojekt. Du kannst erklären, warum du welchen Ansatz gewählt hast und woran es fast gescheitert wäre. Solide Full-Stack-Kompetenz: Backend (Python, Node.js o. ä.) und Frontend (React, Vue o. ä.) – du kannst eine vollständige KI-Applikation eigenständig aufbauen. Grundverständnis von Cloud-Plattformen (AWS, Azure oder GCP) und vom Deployment über Container oder APIs. Prägnanz in Kommunikation und Präsentation auf Deutsch (ab C1) und Englisch (ab B2). Abgeschlossenes Studium im Bereich (Wirtschafts-)Informatik, Data Science, KI oder mit vergleichbarem technischem Fokus.

Zusätzlich auf Senior-Level:

Mehrjährige Praxiserfahrung im Design und Betrieb produktiver AI-Systeme – inklusive RAG-Architekturen, Fine-Tuning und Evaluation von LLM-Pipelines. Über mindestens ein System kannst du eine Stunde lang ins Detail gehen. Du triffst Architektur- und Modellentscheidungen anhand nachvollziehbarer Kriterien (Kosten, Latenz, Datenschutz, Wartbarkeit) und dokumentierst die Trade-offs.
MLOps-Erfahrung: strukturierter Betrieb von KI-Modellen in Produktionsumgebungen, Monitoring, Kostenkontrolle. Erfahrung mit MCP (Model Context Protocol), Vektordatenbanken (Elasticsearch, pgvector o. ä.) oder AI-Observability-Tools. Du arbeitest direkt mit Kunden-IT und Fachbereichen zusammen und übersetzt zwischen technischer Machbarkeit und fachlicher Erwartung.

Nice-to-have:

Erfahrung mit Data Governance oder mit dem EU AI Act und dessen Übersetzung in Architekturentscheidungen. Beiträge zu Open-Source-Projekten im KI- oder Agenten-Umfeld. Erfahrung im Aufbau wiederverwendbarer Plattform-Bausteine statt reiner Projektlösungen.
Wenn du KI-Konzepte schreiben willst, ohne sie zu bauen: Bei uns ist das die Rolle der Consultants, mit denen wir zusammenarbeiten – nicht