Head of AI Engineering (m/w/d) - Schwerpunkt: Agentic Systems & Backend Engineering - Projektmanagem

Deine Rolle

Du übernimmst die technische und fachliche Verantwortung für unsere KI-Systeme – vom agentenbasierten Assistenten bis hin zu einer Plattform, auf der unsere Kund:innen eigene Agenten, Aufgaben und Abläufe zusammenstellen können.

Das ist bewusst keine reine Management-Rolle: Du arbeitest hands-on am Code, triffst Architekturentscheidungen und baust parallel die Strukturen, Standards und – perspektivisch – das Team auf, mit dem wir unsere KI-Produkte skalieren. Du bist die Person, die dafür sorgt, dass aus vielversprechenden Prototypen zuverlässige, messbare und sichere Produktionssysteme werden.

Unser Team und deine Chance

kleiner 25 MitarbeiterStandorte: 2Software-Entwicklung

Bei conmeet erwartet dich ein junges, dynamisches Team, das mit Leidenschaft und Expertise an der Zukunft des digitalen Handwerks arbeitet. Wir pflegen eine lockere Atmosphäre, in der der Spaß an der Arbeit nicht zu kurz kommt, ohne dabei unsere ambitionierten Ziele aus den Augen zu verlieren. Teamwork wird bei uns großgeschrieben: Wir unterstützen uns gegenseitig, teilen Wissen und feiern gemeinsam unsere Erfolge.

Wir glauben an die kontinuierliche Weiterentwicklung unserer Team-Mitglieder. Daher fördern und fordern wir dich gleichermaßen. Du bekommst die Möglichkeit, an komplexen, herausfordernden Aufgaben zu wachsen und deine Skills auf das nächste Level zu bringen. Egal ob es um die Lösung technischer Probleme, die Entwicklung von Onboarding-Prozessen oder den Aufbau von Kundenwissen geht – bei uns findest du stets neue Herausforderungen, die dich als Customer Success Profi voranbringen.

Deine Hauptaufgaben

(Weiter-)Entwicklung unseres agentenbasierten KI-Assistenten – von der Konzeption über die Implementierung bis zum Betrieb

Aufbau eines dynamischen Multi-Agenten-Systems, in dem Kund:innen eigene Agenten, Aufgaben und Workflows selbst erstellen und konfigurieren können

Design von Agentensystemen, deren Verhalten und Qualität kontrollierbar und nachvollziehbar sind – inklusive Guardrails, Berechtigungskonzepten und Human-in-the-Loop-Mechanismen

Aufbau systematischer Evaluationsstrategien: Du definierst, woran wir Qualität messen, und sorgst dafür, dass Änderungen an Prompts, Tools und Agenten überprüfbar sind statt nur „gefühlt besser"

Integration von KI- und ML-Konzepten in eine bestehende, gewachsene SaaS-Anwendung – mit allem, was dazugehört: Datenmodell, Berechtigungen, Performance, Kosten

Technische Führung: Architekturentscheidungen, Code Reviews, fachlicher Sparringspartner für Produkt und Engineering, Aufbau von Best Practices

Betrieb und Optimierung: Observability, Tracing, Latenz-, Kosten- und Stabilitätsoptimierung

Dein Profil

LLM- und ML-Verständnis

Sehr gutes konzeptionelles Verständnis der Funktionsweise und der Grenzen von LLMs

Verständnis weiterer ML-Konzepte und wie sich diese sinnvoll in Business-Logik integrieren lassen

Fundiertes Verständnis von:

Tokenisierung/Tokens, Embeddings und Context Windows

Vector Search, Retrieval und Re-ranking (RAG)

Halluzinationen, Context Bloat und weiteren typischen Fehlermodi – inklusive Strategien, diese zu erkennen und abzufedern

Tool Calling und Structured Outputs

A2A (Agent2Agent Protocol), MCP (Model Context Protocol) und Human-in-the-Loop

Sicherheitsrisiken von LLM- und Agentensystemen (u. a. Prompt Injection, Tool-Missbrauch, Datenabfluss)

Prompt Engineering – Formulierung, Struktur und Steuerung einzelner Modellanfragen

Context Engineering – gezielte Auswahl, Aufbereitung und Verwaltung dessen, was überhaupt

Techstack

So arbeiten wir. Was dick gedruckt steht, ist unser Stack – was daneben steht, zeigt, dass wir auch Erfahrung mit vergleichbaren Technologien anrechnen. Erfahrung mit möglichst vielen dieser Punkte ist von Vorteil, wir erwarten aber nicht die vollständige Liste:

LLM / KI: Anthropic API – Anthropic Client, Anthropic on Vertex AI (oder Erfahrung mit vergleichbaren LLM-Clients und -APIs)

ML-Toolchain: Toolchain zur Entwicklung und Evaluation eigener ML-Anwendungen, z. B. PyTorch, TensorFlow, scikit-learn, NumPy, pandas, CUDA

Cloud: Google Cloud Platform – Vertex AI, Cloud Run, GKE (oder vergleichbare Plattformen wie AWS oder Azure)

Infrastruktur: Kubernetes, Docker

Backend: Python, Django

Datenbank: PostgreSQL (oder ein vergleichbares RDBMS)

Async / Jobs: Celery, Taskiq oder vergleichbare worker-basierte Task-Queue-Systeme

Sonstiges: Git

Das bieten wir

Gestaltungsspielraum in einem Bereich, in dem noch niemand fertige Antworten hat – du prägst Architektur und Standards von Grund auf

Ein Produkt mit echten Nutzer:innen und echtem Feedback statt Innovationstheater

Arbeite Remote/Hybrid, oder vor Ort

Strukturierte Einarbeitung in Produkt, Prozesse und Testvorgehen

Und natürlich die ganzen weiteren Basics, die jeder auf seiner Karriereseite mittlerweile so hat...;-)