Den Mangel an KI- und ML-Engineers gewinnen Sie nicht über das Gehalt. Die auf Levels.fyi selbst gemeldeten Pakete für Machine Learning Engineers bei Google reichen bis knapp 743.000 $. Über Ihr Vorgehen gewinnen Sie ihn sehr wohl. Vergleichen Sie die Gehälter, bevor Sie die Stellenanzeige schreiben, sprechen Sie passive Kandidatinnen und Kandidaten direkt an, statt nur auszuschreiben, und verkürzen Sie die Zeit bis zum Angebot. Knappheit bestraft langsame Prozesse weit härter als kleine Budgets.

## Die überall zitierte Zahl zur KI-Talentlücke hält der Prüfung nicht stand

Wer im vergangenen Jahr nach Ratgebern zum KI-Recruiting gesucht hat, kennt sie: 1,6 Millionen offene KI-Stellen gegen 518.000 qualifizierte Kandidatinnen und Kandidaten, ein Verhältnis von 3,2:1. Eine Quellenprüfung überlebt diese Zahl nicht.

Verfolgen Sie die Kette zurück. Ein Recruiting-Blog zitiert einen anderen Recruiting-Blog, dieser einen Personaldienstleister mit Employer-of-Record-Angebot, und der schreibt die Zahlen einem „LinkedIn Global Talent Insights Report“ zu – ohne URL, ohne Erscheinungsdatum und ohne dass sich dieser Bericht öffentlich nachweisen ließe. Den Begleitzahlen geht es nicht besser. Das oft wiederholte „KI-Stellenanzeigen wuchsen um 163 %“ wird einer Gloat-Analyse zugeschrieben, in der diese Zahl gar nicht vorkommt. Der Satz „Die besten Kandidaten sind nach zehn Tagen weg“ führt zu einem Blogbeitrag ohne genannte Methodik und ohne Stichprobe. Die Angaben zur Besetzungsdauer bei KI-Rollen reichen je nach Anbieter von 25 bis 114 Tagen, und keine zwei stimmen überein.

Der Mangel ist real. Diese Zahlen sind es nicht. Was tatsächlich belastbar ist, steht im Folgenden.

## Was die Daten zum KI- und ML-Recruiting wirklich zeigen

Die Nachfrage nach KI-Kompetenzen wächst um ein Vielfaches schneller als das Angebot an Menschen, die sie mitbringen – belegt durch Quellen mit veröffentlichter Methodik.

Die Global Talent Shortage Survey 2026 der ManpowerGroup befragte 39.000 Arbeitgeber in 41 Ländern. Das zentrale Ergebnis: Erstmals sind **KI-Kompetenzen weltweit die am schwersten zu findende Fähigkeit** und haben klassische Ingenieurs- und IT-Profile überholt. Die Entwicklung von KI-Modellen und -Anwendungen steht mit 20 % an der Spitze der schwer besetzbaren Bereiche, dicht gefolgt von KI-Grundkompetenz mit 19 %. (Die oft falsch zitierten „72 %“ aus derselben Erhebung beziehen sich auf den Anteil der Arbeitgeber, die *insgesamt* Stellen schwer besetzen, und dieser Wert ist gegenüber 74 % im Vorjahr gesunken. Mit KI hat er nichts zu tun.)

Die Anzeigendaten passen dazu. Der Stanford AI Index 2026, aufgebaut auf Lightcasts Datensatz von Milliarden US-Stellenanzeigen seit 2010, kommt zu diesen Werten:

| Signal | Wert |
|---|---|
| US-Stellenanzeigen, die KI-Kompetenzen nennen | 2,5 % aller Anzeigen, ein Anstieg um 55 % im Jahresvergleich |
| Wachstum über das Jahrzehnt | rund 300 % |
| Gefragteste KI-Spezialkompetenz | Python, in 258.674 Anzeigen |
| Kompetenzen für agentische KI | von 0,06 % auf 0,23 % der Anzeigen binnen eines Jahres, rund 90.000 Anzeigen |

Am wichtigsten für Ihre offene Stelle ist die Entkopplung vom allgemeinen Software-Engineering. The Pragmatic Engineer berichtet auf Basis von TrueUp-Daten, dass **die Zahl offener KI-Engineering-Stellen bei Spitzenunternehmen im Jahresvergleich um rund 60 % gewachsen ist, während sie im allgemeinen Software-Engineering nur um rund 7 % zulegte**. In LinkedIns „Jobs on the Rise 2026“ ist AI Engineer die am schnellsten wachsende Berufsbezeichnung in den USA.

### Das ehrliche Bild auf der Angebotsseite

Da die Zahl „518.000 qualifizierte Kandidaten“ frei erfunden ist, nehmen Sie stattdessen das beste verfügbare Primärsignal für das Angebot: Die Zahl der in den USA und Kanada neu vergebenen Promotionen im Bereich KI stieg laut Stanford AI Index **zwischen 2022 und 2024 um 22 %**. Gleichzeitig *sank* der Anteil dieser Absolventinnen und Absolventen, die in die Wirtschaft statt in die Wissenschaft gehen, von einem Höchststand nahe 77 % auf rund 63 %.

Zwei Uhren, die sehr unterschiedlich schnell laufen. Die in Anzeigen sichtbare Nachfrage nach KI-Kompetenzen wuchs in einem einzigen Jahr um 55 %. Der beste Näherungswert für das Spezialistenangebot wuchs in zwei Jahren um 22 %, und ein immer kleinerer Teil davon geht in die Wirtschaft.

Wir machen daraus bewusst kein Verhältnis. Die beiden Werte messen Unterschiedliches über unterschiedliche Zeiträume, und aus so etwas eine Kommazahl zu basteln, ist genau der Weg, auf dem die 3,2:1 überhaupt entstanden ist. Die Größenordnung genügt: Sie stellen in einem Markt ein, in dem die Nachfrage rund fünfmal schneller wächst als der Bewerberpool.

## Warum Ausschreiben und Hoffen bei knappen Rollen scheitert

Eine Stellenanzeige erreicht Menschen, die suchen. Die Spezialistinnen und Spezialisten, die Sie wollen, suchen nicht – und ihr aktueller Arbeitgeber gibt echtes Geld dafür aus, dass das so bleibt.

Lightcast hat mehr als 1,3 Milliarden Stellenanzeigen ausgewertet und festgestellt: **Anzeigen, die KI-Kompetenzen verlangen, zahlen einen Aufschlag von 28 %, also rund 18.000 $ mehr pro Jahr.** Betrachten Sie das von der anderen Seite des Tisches: Dieser Aufschlag ist das Bindungsbudget für genau die Person, die Sie ansprechen wollen – bereits eingeplant, bereits ausgezahlt. Strukturell ist das der Grund, warum diese Person Ihre Stellenanzeige nie zu Gesicht bekommt.

Das erklärt, was die meisten Gründerinnen und Gründer ratlos macht. Ihre Backend-Stelle besetzen Sie problemlos. Ihre ML-Stelle bringt entweder Funkstille oder eine Flut unpassender Bewerbungen. Gleiche Jobbörse, gleiche Unternehmensseite, gleiches Recruiting-Team. Es liegt nicht an Ihrer Stellenanzeige. Es liegt daran, dass es im Backend-Markt einen gesunden Pool an Menschen zwischen zwei Stellen gibt und im Markt für KI-Spezialisten weitgehend nicht.

Sie finden reichlich Artikel mit exakten Prozentwerten zu passiven Kandidatinnen und Kandidaten: 70 %, 75 %, 87 %, 95 %. Sie zitieren einander, widersprechen einander und verschieben zwischen den Zitaten die Definition. Lassen Sie die Zahl weg. Das strukturelle Argument trägt allein auf Basis der Nachfrage- und Aufschlagsdaten.

## Big Tech überbieten Sie nicht – das können Sie stattdessen gewinnen

Zuerst die schlechte Nachricht, offen ausgesprochen, weil alles andere Sie Zeit kostet: Selbst gemeldete Pakete auf Levels.fyi verorten Machine Learning Engineers bei Google zwischen 199.000 $ (L3) und 743.000 $ (L7), mit einem Median nahe 302.000 $. Bei Apple reicht die Spanne für ML-Engineers von 171.000 $ bis 528.000 $, der Median liegt bei rund 386.000 $. Die führenden KI-Labore zahlen noch mehr.

Ein Startup in der Seed- oder Series-A-Phase gewinnt diesen Vergleich nicht. Akzeptieren Sie das und stecken Sie dort keine Energie mehr hinein.

Drei Dinge sind wirklich zu gewinnen, und alle drei sind eine Frage des Prozesses, nicht des Budgets:

1. **Der Erste sein.** Wer im Monat 40 Recruiter-Nachrichten ignoriert, liest die eine, die erkennbar verstanden hat, was diese Person gebaut hat. Der erste glaubwürdige Kontakt schlägt den vierzigsten Standardtext.
2. **Die Zahl parat haben.** Angebote geraten ins Stocken, wenn auf Ihrer Seite niemand weiß, was die Rolle wert ist. Und genau in diesem Stillstand schnappt Ihnen jemand anderes die rare Kandidatin oder den raren Kandidaten weg.
3. **In Tagen entscheiden.** Ein Startup mit fünf Leuten kann in 72 Stunden vom letzten Gespräch zum unterschriebenen Angebot kommen. Ein Unternehmen mit Einstellungsgremium und quartalsweiser Gehaltskalibrierung kann das strukturell nicht. Der Prozess von Big Tech ist eine Reibungshürde, die man dort bewusst in Kauf nimmt. Die meisten Startups bauen sich diese Hürde versehentlich nach, statt sie auszunutzen.

Der Rest dieses Artikels ist die Umsetzung davon in vier Schritten.

## Schritt 1: Erkennen, welche Stellen tatsächlich knapp sind

Nicht jede Engineering-Stelle braucht diese Behandlung, und wer das Knappheits-Vorgehen auf alle anwendet, hat ein kleines Team spätestens in Woche drei aufgerieben.

Eine Stelle gilt als knapp, wenn mindestens zwei dieser Punkte zutreffen:

- **Qualifizierte Bewerbungen bleiben praktisch aus** – auch nach vier bis sechs Wochen noch, während sich Ihre anderen offenen Stellen normal besetzen lassen.
- **Jede starke Kandidatin und jeder starke Kandidat hat Konkurrenzangebote in der Hand**, statt zwischen Ihnen und dem Bleiben zu wählen.
- **Das Gehalt kommt schon im ersten Gespräch von selbst zur Sprache**, und die Vorstellung des Kandidaten liegt über Ihrer ausgeschriebenen Spanne.
- **Ihre besten Bewerber springen mitten im Prozess ab**, statt von Ihnen abgelehnt zu werden.

Trifft nichts davon zu, funktioniert Ihr Bewerbertrichter, und das Problem liegt woanders, vermutlich bei der Stellenanzeige oder bei Ihrer Interviewrunde. Setzen Sie dann lieber dort an. Dieses Vorgehen kostet echte Arbeitsstunden und gehört auf die eine oder zwei Stellen gerichtet, die es wirklich brauchen.

## Schritt 2: Gehälter vergleichen, bevor Sie die Stellenanzeige schreiben

Wenn Sie die Zahl nicht kennen, bevor die Stelle online geht, lernen Sie sie in der Verhandlung – zum denkbar teuersten Zeitpunkt.

Der stärkste kausale Beleg dafür ist das NBER Working Paper 34480 (Arnold, Quach und Taska, November 2025), eine Differenz-in-Differenzen-Studie zu den Transparenzpflichten bei Gehältern in US-Bundesstaaten über drei Datensätze hinweg. Arbeitgeber erhöhten den Anteil der Anzeigen mit Gehaltsangabe um **30 Prozentpunkte**, die Löhne stiegen um **1,3 % bis 3,6 %**, und als Mechanismus identifizierten die Autoren den gestiegenen Wettbewerb am Arbeitsmarkt.

Nun der Teil, den die meisten Artikel weglassen, weil er unbequem ist: Dieselbe Studie fand **keinen Effekt auf die Zahl der Anzeigen, das Beschäftigungsniveau, die Gehaltsstreuung oder die Anforderungen an Kompetenzen und Ausbildung**. Eine veröffentlichte Spanne bringt Ihnen keine zusätzlichen Bewerbungen. Wer Ihnen erzählt, sie steigere das Bewerbungsvolumen um 44 %, zitiert eine Anbieterumfrage, keine Studie.

Das Argument für den Gehaltsvergleich vorab lautet also nicht „Spannen ziehen Kandidatinnen und Kandidaten an“. Es ist enger gefasst und nützlicher:

- Eine veröffentlichte Spanne ist inzwischen Pflichtprogramm. Das Indeed Hiring Lab beziffert den Anteil der US-Anzeigen mit Gehaltsangabe für September 2024 auf **57,8 %**, nach 52,2 % ein Jahr zuvor.
- Eine belegbare Zahl beendet festgefahrene Verhandlungen. „Das ist der Marktmedian, und so liegen Sie darin“ schließt Gespräche, die ein „Ich muss das noch mit meinem Mitgründer klären“ wieder aufreißt.
- Eine falsche Spanne verschwendet das Knappste, was Sie haben. Sechs Wochen Pipeline-Aufbau gegen eine Spanne, die 20 % unter Markt liegt, sind sechs Wochen, die Ihnen niemand zurückgibt.

Öffentliche Gehaltsdaten für KI-Rollen spannen sich von 150.000 $ bis über 1.000.000 $, und keine davon sagt Ihnen, welche Spanne für ein Series-A-Unternehmen in Ihrem Markt gilt. Gehaltsumfragen hinken sechs Monate oder mehr hinterher, und in diesem Markt ist das ein anderer Markt.

An dieser Stelle setzt [Kits Gehaltsrecherche](/blog/compensation-intelligence-embedded-recruiting-workflow) an. Sie liest laufend Jobbörsen aus, statt Umfragen durchzuführen, und führt ein Rollen-Cluster Machine Learning Engineer neben Data Scientist, Data Engineer und 20 weiteren. Sie erhalten Minimum, Maximum, Median, p25 und p75, filterbar nach Region, Erfahrungsstufe, Beschäftigungsart und Haupttechnologie – so ziehen Sie die Python-gewichtete Senior-Spanne statt eines Durchschnitts über alles.

Eine ehrliche Anmerkung, die wichtiger ist als jedes Verkaufsargument: Erfasst werden derzeit JustJoin, NoFluffJobs, BulldogJob, TheProtocol, SolidJobs, Skillshot.pl und BuiltInLA. Das ist europäische Abdeckung mit Schwerpunkt Polen, dazu eine US-Jobbörse. Es sind Live-Daten für die erfassten Rollen und Regionen, kein US-weiter oder globaler Gehaltsvergleich. Fehlt Ihnen eine Jobbörse, können Abonnentinnen und Abonnenten eine Anfrage für Jobbörsen stellen. Die US-Zahlen in diesem Artikel stammen von Levels.fyi und Lightcast – es sind deren Zahlen, nicht unsere.

<div class="blog-inline-cta">
  <p><strong>Klären Sie die Zahl, bevor die Stelle online geht.</strong> Ziehen Sie Median, p25 und p75 für das Cluster Machine Learning Engineer, gefiltert nach Region und Erfahrungsstufe – aus laufend erhobenen Jobbörsendaten statt aus einer halbjahresalten Umfrage. Das Gehalts-Add-on kostet 29 $/Monat, inklusive kostenloser 24-Stunden-Testphase.</p>
  <p><a href="/users/sign_up">Kostenlos testen</a></p>
</div>

## Schritt 3: Passive Kandidatinnen und Kandidaten ansprechen, statt auszuschreiben

Die Direktansprache ist der einzige Kanal, der Menschen erreicht, die nicht suchen, und die belegten Mechanismen darin belohnen Präzision statt Masse.

Die Zahlen, nach denen sich arbeiten lässt:

- **Zielgenauigkeit schlägt Masse.** Belkins hat 16,5 Millionen E-Mails über 93 Domains ausgewertet: Ein einziger Kontakt pro Unternehmen brachte eine **Antwortquote von 7,8 %**, gegenüber **3,8 %**, wenn zehn oder mehr Personen im selben Unternehmen angeschrieben wurden. Kalte E-Mails kamen 2024 im Schnitt auf **5,8 %** Antworten, nach 6,8 % im Jahr davor.
- **Kurz schlägt lang.** LinkedIns eigene Auswertung von zig Millionen Recruiter-InMails zeigt: Einzeln versandte Nachrichten erhielten **15 % mehr Antworten** als Massenversand, Nachrichten unter 400 Zeichen lagen **22 % über dem Schnitt**, Nachrichten über 1.200 Zeichen **11 % darunter**.
- **Eine Folge-E-Mail, nicht drei.** Die erste Folge-E-Mail steigerte die Antworten der besten Absender um bis zu **49 %**. Die dritte E-Mail brachte rund **20 % weniger** Antworten als die erste.

Die Antwort erkaufen Sie sich mit Personalisierung, und genau die fällt als Erstes weg, wenn ein Gründer das zwischen zwei Kundengesprächen erledigt und bei Nachricht 20 angekommen ist. Kits [Outreach-Kampagnen](/blog/personalized-recruiter-outreach-reply-rates) führen vor dem Entwurf eine Recherche zu jedem Kontakt durch, sodass die personalisierte Fassung der Standardweg ist und nicht die Ausnahme für Disziplinierte. Die Sequenzen übernehmen die eine Folge-E-Mail. Nichts geht ohne menschliche Freigabe raus. Und wenn die Antwortquote unter 1 % fällt, weist die Kampagnendiagnose das als Problem der Zielauswahl oder der Ansprache aus, statt Sie weitere zwei Wochen rätseln zu lassen.

### Fangen Sie bei den Kandidaten an, die Sie schon abgelehnt haben

Bevor Sie eine einzige neue Kontaktliste einkaufen, sehen Sie sich den wärmsten Pool für knappe Rollen an, den Sie bereits haben: Menschen, die sich bei Ihnen beworben haben, Ihre Messlatte übersprungen haben und aus Gründen abgelehnt wurden, die nichts mit ihrer Eignung zu tun hatten. Falscher Zeitpunkt. Einstellungsstopp. Ein minimal stärkerer Finalist bekam die Stelle.

Diese Menschen kennen Ihr Unternehmen bereits, was Ihnen den gesamten oberen Teil des Bewerbertrichters erspart. Die meisten Teams schauen nie nach, weil die Daten in einem ATS liegen, das nach dem Schließen einer Stelle niemand mehr abfragt. Über dieses Muster haben wir unter [Talent Rediscovery](/blog/talent-rediscovery-silver-medalists-ats-mining) geschrieben.

Kit erledigt das mit einer einzigen domänenübergreifenden Abfrage. `outreach_find_silver_medalist_matches` gleicht die Kontaktliste einer Kampagne mit den zuvor abgelehnten Bewerbungen Ihres Kontos ab und zeigt die Schnittmenge. Das funktioniert, weil Kontakte und Kandidaten E-Mail-Adressen identisch verschlüsseln und normalisieren, der Abgleich gelingt also, ohne dass etwas zwischen Konten sichtbar würde. Es ist der eine Rekrutierungsschritt in diesem Artikel, der nichts kostet und Minuten dauert, und kein Konkurrenzwerkzeug verbindet dafür die beiden Datenbestände.

Ganz offen gesagt: Damit werden personenbezogene Daten aus Ihren Recruiting-Unterlagen für alle sichtbar, die die Direktansprache betreuen. Behandeln Sie diese Unterlagen mit derselben Sorgfalt, die Sie für Ihre eigenen Daten erwarten würden.

## Schritt 4: Die Zeit bis zum Angebot verkürzen

Wie viel Zeit Ihnen der Markt lässt, können Sie nicht wissen. Sie können messen, wie lange Ihre Kandidatinnen und Kandidaten zwischen zwei Phasen warten, und das ist die einzige Zahl hier, die Sie selbst steuern.

Als allgemeiner Vergleichswert: Die SHRM-Erhebung 2025 nennt eine durchschnittliche Besetzungsdauer von rund 42 bis 47 Tagen, wobei Screening und Interviews jeweils im Schnitt 8 bis 9 Tage beanspruchen. Eine belastbare Zahl speziell für KI-Rollen gibt es nicht, und jeder Artikel, der eine nennt, zitiert einen Anbieter. Aber ein sechswöchiger Prozess ist gegen einen Kandidaten, der parallel drei Gespräche führt, nicht konkurrenzfähig, ganz gleich, wo der Marktdurchschnitt liegt.

Messen Sie vier Abstände in Ihrem eigenen Bewerbertrichter:

1. Von der Bewerbung oder Antwort bis zu Ihrer ersten Rückmeldung
2. Von der ersten Rückmeldung bis zum ersten Gespräch
3. Vom letzten Gespräch bis zur Entscheidung
4. Von der Entscheidung bis zum zugestellten Angebot

Abstand drei ist fast immer das Leck, und fast nie liegt es an der Entscheidung selbst. Es liegt an zwei Prüferinnen und Prüfern, die ihre Bewertung noch nicht abgegeben haben. Kits phasenbasierte Pipelines legen das offen: Ausstehende Entscheidungen und offene Bewertungen lassen sich abfragen, sodass „Wir warten noch auf Sam“ bereits an Tag eins sichtbar wird statt an Tag neun. Mit Prozessvorlagen bauen Sie die Pipeline für eine knappe Rolle einmal auf und verwenden sie wieder, die zweite Stelle beginnt dann nicht bei null.

Verkürzen heißt: überflüssige Phasen und tote Kalenderzeit streichen. Es heißt nicht, auf Bewertung zu verzichten. Enthält Ihre Interviewrunde zwei getrennte Gespräche zum System-Design, die dasselbe abdecken, streichen Sie eines. Enthält sie eine Take-Home-Aufgabe, die die Hälfte Ihrer Interviewer nie liest, streichen Sie sie – oder lesen Sie sie. Über [strukturierte Scorecards](/blog/skills-based-hiring-structured-scorecards) haben wir ausführlich geschrieben: Tempo und Gründlichkeit stehen sich nicht im Weg, und die schnellsten Prozesse sind meist die, die vorab festgelegt haben, was sie eigentlich messen.

## Wann Sie dieses Vorgehen nicht anwenden sollten

Drei ehrliche Einschränkungen, denn eine Strategie, die nur funktioniert, wenn alles mitspielt, ist keine Strategie.

**Direktansprache ist Dauerarbeit.** Gut zu rekrutieren ist eine Gewohnheit, kein Sprint. Teams, die nur halbherzig einsteigen, landen bei Antwortquoten unter 1 %, schließen daraus „Direktansprache funktioniert nicht“ und schreiben wieder aus. Planen Sie die Stunden ehrlich ein oder fangen Sie gar nicht erst an.

**Manche Stellen sollten Sie nicht zum Marktpreis besetzen.** Sprengt das reale Marktgehalt einer knappen Rolle Ihre Gehaltsspanne, verzerrt ein Mitziehen womöglich die Gehaltsstruktur des gesamten Teams, und das wegen einer einzigen Einstellung. Die Rolle umzubauen ist oft die bessere Antwort: eine freiberufliche Kraft für den ersten Aufbau, ein Spezialist auf Teilzeitbasis oder ein starker Generalist mit gutem Werkzeug an der Hand. Diese Entscheidung fällt deutlich leichter, wenn Sie in Schritt zwei verglichen haben, was ein weiteres Argument dafür ist, damit anzufangen.

**Tempo ist nicht Schlamperei.** Wenn das Verkürzen Ihrer Interviewrunde bedeutet, dass Sie keine Notizen mehr machen, Kandidatinnen und Kandidaten nicht mehr an denselben Kriterien messen oder die Menschen nicht mehr einbeziehen, die später mit dem neuen Kollegen arbeiten, sind Sie nicht schneller geworden. Sie haben die Kosten nur in den vierten Monat verschoben.

## Mit Kit eine Pipeline für knappe Rollen aufbauen

Der Mangel an KI- und ML-Engineers ist real, die Zahlen, die dazu kursieren, sind es meist nicht. Belastbar ist: KI-Kompetenzen sind heute weltweit die am schwersten zu findende Fähigkeit, Anzeigen mit KI-Kompetenzen wuchsen in einem Jahr um 55 %, während der Spezialistenpool in zwei Jahren um 22 % zulegte, und offene KI-Engineering-Stellen bei Spitzenunternehmen wuchsen im Jahresvergleich um rund 60 % gegenüber 7 % im allgemeinen Software-Engineering. Den direkten Gehaltsvergleich gegen Unternehmen mit einem Median von 300.000 $ verlieren Sie meistens.

Gewinnen können Sie trotzdem, und zwar auf dem Feld, auf dem der Prozess das Budget schlägt: Kennen Sie Ihre Zahl, bevor die Stelle online geht, erreichen Sie Menschen, die nicht suchen, fangen Sie bei denen an, die Ihre Messlatte schon übersprungen haben, und entscheiden Sie in Tagen.

Kit führt alle vier Schritte an einem Ort zusammen. Laufend erhobene Gehaltsdaten für das Cluster Machine Learning Engineer, mit Medianen und Perzentilen nach Region und Erfahrungsstufe. Recherchierte Kampagnen zur Direktansprache mit menschlicher Freigabe und einer Diagnose, die Ihnen sagt, wann die Zielauswahl danebenliegt. Der Abgleich mit den Silbermedaillen-Kandidatinnen und -Kandidaten aus Ihren eigenen abgelehnten Bewerbungen. Phasenbasierte Pipelines, die Verzögerungen bei Bewertungen sichtbar machen, bevor sie Sie den Kandidaten kosten.

Wenn Sie gerade eine dieser Rollen besetzen, lohnen sich als Nächstes die beiden rollenspezifischen Begleittexte: [Machine Learning Engineer einstellen](/blog/how-to-hire-machine-learning-engineer) und [AI Engineer einstellen](/blog/how-to-hire-ai-engineer). Für das größere Argument rund um schlanke Teams siehe [Spezialisten statt Generalisten einstellen](/blog/hire-specialists-not-generalists-lean-teams-2026), und für die Beteiligungsseite des Gehaltsgesprächs [Gehalt für Founding Engineers 2026](/blog/founding-engineer-salary-equity-2026).

[Starten Sie einen kostenlosen Test](/users/sign_up) und ziehen Sie Ihre erste Gehaltsspanne, bevor Sie die nächste Stellenanzeige schreiben.