Forward Deployed Engineer
Nicht nur ein KI-Engineer — einer, der vom Ergebnis her denkt.
Forward Deployed Engineering ist das, was OpenAI, Anthropic und Palantir mit ihren wichtigsten Kunden machen: Ein Senior-Engineer wird Teil eures Teams — mit echter Verantwortung für das Ergebnis, nicht nur für den Code. Der Unterschied: Ein FDE denkt in Business Impact und ROI, begleitet KI-Initiativen von der ersten Idee bis Production und sorgt dafür, dass Lösungen tatsächlich genutzt werden.
ab 200 €/h netto
Forward Deployed Engineer — was bedeutet das eigentlich?
Ein Forward Deployed Engineer (FDE) ist ein erfahrener Software-Engineer, der nicht aus der Ferne berät, sondern direkt in eurer Codebase, eurem Team und eurem Kontext arbeitet. Der Begriff stammt aus dem US-Markt — Palantir hat ihn geprägt, OpenAI, Anthropic, Scale AI und Lovable haben ihn übernommen.
In den USA ist das Modell bei jedem KI-First-Unternehmen Standard. In DACH ist es noch jung — und genau deswegen für euch eine Chance.
Was das für euch bedeutet: Ihr bekommt ein Modell, das bei den erfolgreichsten KI-Unternehmen der Welt Standard ist — zu einem Zeitpunkt, wo deutsche Wettbewerber noch mit klassischem Consulting arbeiten.
vs. klassischer Berater
- schreibt Code, nicht Folien
- sitzt im selben Chat (z. B. Teams) wie das Team
- kennt Codebase, Backlog, Stakeholder
- liefert Features, nicht Empfehlungen
- denkt in ROI und Business Impact
- sorgt für Adoption, nicht nur Deployment
vs. Body-Leasing-Freelancer
- übernimmt Architektur-Verantwortung
- Senior-Expertise statt nur Hände
- dokumentiert und schult
- Ansprechpartner für Strategie
- fragt: Lohnt sich das?
- Wissenstransfer als explizites Ziel
Forward Deployed Engineer vs. Softwareteam
Ein FDE ersetzt nicht jedes Team — aber für die meisten KI-Initiativen im Mittelstand liefert er schneller Impact, weniger Overhead und klarere Verantwortung. Klick die Zeilen an für Details.
Time-to-Impact
Forward Deployed Engineer
Produktiv in Tagen, nicht Monaten
Ein Senior-Engineer mit Kontext ist schnell im Repo, im Backlog und im Team-Chat. Kein 3–6-monatiges Hiring, kein Onboarding-Marathon.
Klassisches Softwareteam (3–5 Personen)
Monate bis das Team steht
Recruiting, Einarbeitung, Team-Dynamik und erste gemeinsame Releases brauchen Zeit — besonders bei Senior AI Roles.
Kosten & Flexibilität
Forward Deployed Engineer
Variable Kosten, klarer Scope
Ihr zahlt für geleistete Senior-Kapazität — ab einem sinnvollen Mindestumfang, jederzeit skalierbar hoch oder runter.
Klassisches Softwareteam (3–5 Personen)
Hohe Fixkosten ab Tag 1
3–5 Vollzeit-Rollen (Backend, Frontend, DevOps, PM, ggf. ML) bedeuten schnell 300–600k €/Jahr — auch wenn gerade weniger Output nötig ist.
Koordination
Forward Deployed Engineer
Eine Ansprechperson, wenig Overhead
Keine Daily-Meeting-Schichten zwischen Rollen. Entscheidungen fallen schneller, weil Architektur und Umsetzung zusammenfallen.
Klassisches Softwareteam (3–5 Personen)
Mehr Abstimmung, mehr Latenz
Meetings, Handoffs und unterschiedliche Prioritäten zwischen Rollen verlangsamen Entscheidungen — besonders in den ersten Monaten.
Architektur & Verantwortung
Forward Deployed Engineer
End-to-End Ownership
Ich übernehme Architektur, Code-Qualität und Produktentscheidungen — nicht nur Ticket-Umsetzung.
Klassisches Softwareteam (3–5 Personen)
Verantwortung verteilt
Gut bei großen Produkten — aber ohne klare AI-Leadership kann jeder seine Spur bauen und niemand das Gesamtbild tragen.
Business Impact
Forward Deployed Engineer
Fragt zuerst: Lohnt sich das?
Scope, ROI und Adoption werden vor dem Bauen geklärt. Kein Feature ohne Business Case.
Klassisches Softwareteam (3–5 Personen)
Baut oft, was geplant wurde
Teams liefern zuverlässig — aber ohne strategischen Filter kann viel gebaut werden, das niemand nutzt.
Wissenstransfer
Forward Deployed Engineer
Explizites Lernziel
Pair Programming, Doku und erklärende Sessions sind Teil der Arbeit — euer Team wird eigenständiger.
Klassisches Softwareteam (3–5 Personen)
Wissen bleibt in Silos
Jede Rolle kennt ihren Bereich — das Gesamtverständnis der AI-Architektur muss aktiv aufgebaut werden.
Skalierung
Forward Deployed Engineer
Ideal für fokussierte KI-Initiativen
Ein klares Feature, ein Production-Push, ein Architektur-Sprint — schnell und schlank.
Klassisches Softwareteam (3–5 Personen)
Stärker bei parallelen Streams
Wenn ihr gleichzeitig mehrere große Produktlinien parallel entwickelt, lohnt sich ein dediziertes Team eher.
Faustregel: Wenn ihr ein konkretes KI-Feature in Wochen live braucht, ist FDE meist die bessere Wahl. Wenn ihr parallel mehrere große Produktlinien skaliert, kann ein Team sinnvoller sein — idealerweise mit klarer AI-Leadership.
Was ich zuerst frage — bevor ich eine Zeile Code schreibe
Lohnt sich das?
Bevor wir anfangen zu bauen, kläre ich: Was ist der konkrete Business Value? Was ändert sich — in Prozessen, Kosten, Kundenerlebnis? Ich baue keine Features, die keinen Impact haben.
Was muss wirklich live?
Nicht alles, was sich gut anhört, muss in Version 1 rein. Ich helfe beim Scope-Setting: Was ist MVP, was ist Nice-to-have, was ist technische Schuld?
Wer nutzt das danach?
Ein Feature, das nicht genutzt wird, hat keinen ROI. Ich denke Adoption von Anfang an mit: Wer sind die User? Was brauchen sie? Wie kommt das Wissen in euer Team?
„KI-Features scheitern nicht am Code. Sie scheitern daran, dass niemand sie braucht — oder niemand weiß, wie man sie nutzt."
Was ein FDE einbringt
Business & Product
Produktorientiertes Denken
Was bringt ROI? Was ist Nice-to-have? Ich priorisiere nach Business Impact, nicht nach technischer Eleganz.
Architektur- & Produktverantwortung
Ich übernehme Verantwortung für Entscheidungen — nicht nur für die Umsetzung von Tickets.
End-to-End Begleitung
Von der ersten Idee über Architektur, Implementierung und Deployment bis zur tatsächlichen Adoption im Team.
Wissenstransfer
Euer Team lernt mit — nicht nur euer System. Nach dem Engagement seid ihr selbstständiger als vorher.
Tech Stack
LLM-Integration
OpenAI, Anthropic, Azure OpenAI, AWS Bedrock, lokale LLMs — mit Fokus auf Production-Readiness.
RAG-Systeme
Von der Embedding-Strategie bis zur Eval-Pipeline — mit messbaren Qualitäts-KPIs.
Agentic Workflows
LangGraph, MCP-Server, Tool-Calling, Multi-Agent — ausgelegt auf echte Geschäftsprozesse.
AI-native Features
Chatbots, Co-Piloten, Klassifikatoren — embedded in eure bestehende Web-App, nicht daneben.
DevOps für KI
Deployment, Observability, LLM-Logging, Cost-Tracking und Latenz-Optimierung.
Refactoring & Modernisierung
Legacy-Codebase, Migration auf moderne Stacks, AI-assisted Refactoring mit Cursor, Claude Code und Copilot.
„Der häufigste Fehler in KI-Projekten: Man baut das Richtige falsch, oder das Falsche richtig. Mein Job ist, beides zu verhindern."
— Joshua Heller
Jederzeit kündbar, ohne Vorlauf — ab einem Mindestumfang, damit das Modell für beide Seiten Sinn ergibt.
Ein klares Modell
Stundensatz
- 200 €/h netto — ab einem Mindestumfang von rund 20 Stunden pro Monat
- Warum Mindestvolumen? FDE bedeutet Kontext aufbauen — eure Codebase, euer Team, eure Ziele. Unter 20 Stunden pro Monat macht das Modell für beide Seiten keinen Sinn
- Brauchst du nur ein paar Stunden für eine Einschätzung? Dann ist das KI-Sparring (ab 300 €/h) der richtige Weg
- Jederzeit kündbar, ohne Vorlauf
- Ideal für: konkrete Features, Architektur, laufende KI-Entwicklung in eurer Codebase
Als Retainer
- Festes monatliches Stundenkontingent für planbare Kapazität
- Mengenrabatt auf den Stundensatz, je nach Umfang
- Planbar, monatlich abgerechnet
- Ideal für: dauerhafte Codebase-Begleitung über mehrere Monate
Wann FDE Sinn ergibt — und wann nicht
Ihr habt ein KI-Feature, das in 4–12 Wochen live muss.
Euer Team kann es nicht alleine in der Zeit — ich baue es nicht nur mit, sondern stelle sicher, dass es tatsächlich genutzt wird.
Ihr habt einen funktionierenden Prototypen, aber keinen Weg in Production.
Vom Streamlit-Demo zum skalierbaren System ist ein anderer Berg. Ich prüfe dabei auch: Ist der Prototyp das Richtige, oder braucht es einen anderen Scope?
Ihr wollt KI-Expertise aufbauen, ohne 6 Monate zu rekrutieren.
Statt einen Senior AI Engineer zu hiren, nehmt ihr mich für 3–6 Monate. Euer Team lernt in jedem Sprint mit — das ist Teil der Vereinbarung, kein Bonus.
Ihr wisst, dass KI etwas verändern kann — aber noch nicht genau, wo und wie.
Ich helfe dabei, die richtigen Initiativen zu identifizieren und priorisiere nach echtem Business Impact.
Wann nicht:
- Ihr braucht primär Strategie ohne Umsetzung → Fractional CAIO ist passender
- Ihr habt noch keine Richtung → KI-Workshop ist der erste Schritt
- Ihr sucht reine Entwickler-Kapazität ohne strategischen Anteil → ich vermittle gerne weiter
So starten wir
Erstgespräch
Wir prüfen, ob das FDE-Modell zu eurer Situation passt.
⏱ 30 Min
Discovery
Code-Walkthrough, Stakeholder-Calls, erste Empfehlungen.
⏱ 1–2 Wochen
Angebot & Vertrag
Stundenkontingent, Scope, Start-Termin.
⏱ wenige Tage
Laufendes Engagement
Eure Tools, wöchentliche Calls, Code in eurem Repo.
⏱ je nach Bedarf
„Ein FDE ist nicht der externe Berater, der von draußen reinguckt. Er ist der Senior-Engineer, den du gerade nicht in deinem Team hast — auf Zeit."
— Joshua Heller
Häufige Fragen
Was unterscheidet einen FDE von einem normalen Freelancer?
Ein FDE übernimmt Verantwortung — für Architektur, Code-Qualität, Entscheidungen. Ein klassischer Freelancer arbeitet Tickets ab. Ich tue beides, je nach Kontext, aber der Default ist: ich denke mit, nicht nur runter.
Wie viele Stunden pro Woche bist du da?
Standard sind 10–20 Stunden, das funktioniert für die meisten Setups. Bei intensiven Phasen auch 30–40. Ich gehe nie Vollzeit auf ein einzelnes Engagement — sonst verliert ihr den FDE-Vorteil.
Arbeitest du nur an KI-Projekten, die schon klar definiert sind?
Nein — ein großer Teil meiner Arbeit ist genau das Gegenteil: herauszufinden, welche KI-Initiativen überhaupt Sinn ergeben. Ich helfe beim Scope-Setting, bei der ROI-Einschätzung und bei der Frage, ob der geplante Ansatz der richtige ist. Das spart oft mehr, als jede Stunde Implementierung einspart.
Was passiert, wenn eine KI-Initiative in deiner Einschätzung keinen ROI hat?
Dann sage ich das. Lieber ein ehrliches Gespräch vor dem Engagement als ein halbes Jahr Entwicklung für ein Feature, das niemand nutzt. Mein Geschäftsmodell baut auf Empfehlungen — kurze, erfolgreiche Projekte schlagen lange, unklare Engagements.
Wie stellst du sicher, dass unser Team nach dem Engagement eigenständig weiterarbeiten kann?
Wissenstransfer ist kein Bonus, sondern Teil der Arbeit. In jedem Sprint gibt es Dokumentation, Pair-Programming und erklärende Sessions. Am Ende des Engagements sollte euer Team die Architektur verstehen, die Entscheidungen nachvollziehen können und in der Lage sein, weiterzuentwickeln — ohne mich.
Wo und womit arbeitest du?
Primär remote aus Karlsruhe/Pforzheim, regelmäßig vor Ort im DACH-Raum. Ich arbeite mit den Tools, die ihr habt — Microsoft Teams, GitHub, Cursor, Claude Code, Notion — und bin offen für eure Cloud (Azure, AWS, Supabase, Google Cloud). Alles digital, alles dokumentiert.
Bist du allein, oder bringst du ein Team mit?
In FDE-Engagements bin ich selbst die Person. Bei größeren Engagements ziehe ich nach Absprache TAISC-Engineers hinzu. Aber niemals ohne dich zu fragen.
Was, wenn das Engagement nach 4 Wochen nicht passt?
Du kannst jederzeit aufhören, ohne Vorlauf — abgerechnet werden nur geleistete Stunden. Es gibt nur einen sinnvollen Mindestumfang, damit das Modell funktioniert. Mein Geschäftsmodell baut auf Empfehlungen — ein unzufriedener Kunde ist für mich teurer als ein gekündigter Vertrag.
Hast du Referenzen?
Ja, gerne auf Anfrage und nach Vertraulichkeitsabsprache. Bisherige FDE-artige Engagements: BCT Technology (Logify), i40 (SkillDuck), Bitwerft, Onventis.
Forward Deployed Engineering ist der Umsetzungs-Teil meiner KI-Beratung — Strategie und Engineering aus einer Hand, ohne Übergabeverluste.
Klingt nach dem, was du brauchst?
Lass uns 30 Minuten reden. Wenn FDE nicht passt, sage ich das auch.
Lieber erstmal schreiben? joshuaheller@theaisoftwarecompany.com