AI Transformation Engineer - AUVESY GmbH

• Mehrjährige praktische Erfahrung in der Entwicklung von Softwarelösungen - du bist und bleibst jemand, der selbst baut
• Praktische Erfahrung im Bau von GenAI-Anwendungen: LLM-APIs, Prompt Engineering, RAG - idealerweise in Lösungen, die echte Nutzer im Alltag verwenden
• Breiter Werkzeugkasten statt einem Spezialgebiet: C# .NET, Python, Automatisierungs- und Integrationswerkzeuge, KI-APIs - du wählst pragmatisch, was passt
• Erfahrung darin, Anforderungen direkt mit Fachbereichen zu erarbeiten - z. B. aus Beratung, Solution Engineering, Requirements Engineering oder vergleichbaren Rollen
• Gute Übersicht über aktuelle Trends, verfügbare Off-the-shelf-Lösungen und neue Entwicklungen im KI-Umfeld - du weißt, wann man baut und wann man kauft
• Sehr gute Deutsch- und Englischkenntnisse - Teamsprache ist Deutsch, im Austausch mit Kollegen an unseren internationalen Standorten brauchst du auch im Englischen volle Sicherheit
• Überwiegende Arbeit im Homeoffice, regelmäßige Präsenz in unserem HQ in Landau (ca. 10-20 % der Arbeitszeit)

• HR MSTeams Interview
• Hiring Manager MSTeams Interview
• Case Study
• In person Interview at our office
• Offer

AUVESY GmbH, Landau, Germany

Du bist am stärksten, wenn du nicht nur KI-Anwendungen entwickelst, sondern die technische Grundlage schaffst, auf der andere Teams erfolgreich arbeiten können. In dieser Rolle baust und verantwortest du die AI-Plattform, Infrastruktur und Standards, triffst pragmatische Technologieentscheidungen und sorgst für einen effizienten, skalierbaren Betrieb von KI-Lösungen. Dabei arbeitest du mit hoher Eigenverantwortung in einem modernen Umfeld rund um C#/.NET, AI-Frameworks, Container-Technologien und AI-gestützte Softwareentwicklung.

Tätigkeiten

• Use-Cases für KI im Unternehmen aktiv identifizieren: Abteilungen und ihre Prozesse kennenlernen, Ineffizienzen und Potenziale aufdecken, Ideen gemeinsam mit den Fachbereichen ausarbeiten
• Use-Cases ehrlich bewerten: Nutzen, Aufwand, Machbarkeit, Datenschutz- und Ethik-Risiken - und auf dieser Basis priorisieren, was umgesetzt wird und was nicht
• Lösungen pragmatisch umsetzen: Workflow-Automatisierungen, interne Tools, LLM-basierte Anwendungen, Integration von KI-APIs - mit dem Werkzeug, das zum Problem passt
• Lösungen in den Alltag bringen: Einführung begleiten, Kollegen befähigen, Feedback einsammeln und nachschärfen
• Gespräche und Workshops mit den Fachbereichen vorbereiten, moderieren und nachhalten - inklusive der Prozessaufnahme, die es vorher nicht gab (Shadowing, einfache Prozessdokumentation)
• Erwartungen managen: klären, was eine Lösung leisten wird und was nicht, bevor sie gebaut wird
• Kollegen befähigen: Schulungen und Hilfestellungen, Multiplikatoren in den Abteilungen gewinnen, internen Erfahrungsaustausch zu KI aufbauen
• Größere oder produktnahe Use-Cases strukturiert an Innovationsteam oder R&D übergeben
• Ergebnisse und Empfehlungen gegenüber Fachbereichen und Geschäftsführung präsentieren - auf dem jeweiligen technischen Niveau deines Gegenübers