Fachexperten. Sorgfältige Praktiker.

Die meisten KI-Beratungsunternehmen werden von einer von drei beruflichen Kulturen dominiert – der akademischen Forschungskultur, der Software-Engineering-Kultur oder der Management-Beratungskultur – und viele ihrer Fehlerquellen lassen sich auf dieses Ungleichgewicht zurückführen. Wir rekrutieren und entwickeln bewusst über alle drei hinweg, mit einer vierten Spezialisierung in Fachkenntnissen, die wir aus den Branchen beziehen, die wir am häufigsten bedienen. Die Mischung ist nicht immer reibungslos, aber sie führt zu Arbeiten, die gleichzeitig intellektuell fundiert, operativ glaubwürdig und für Kunden wirklich nützlich sind.

Im Bereich Forschung decken wir maschinelles Lernen, Computer Vision, natürliche Sprachverarbeitung, Optimierung, Statistik und die klassischen wissensbasierten Traditionen ab. Im Bereich Engineering decken wir Data Engineering, MLOps, verteilte Systeme, Full-Stack-Anwendungsentwicklung, Sicherheit und Infrastruktur ab. Im Bereich Consulting decken wir Strategie, Programmmanagement, Governance und Change ab. Im Bereich Domänenkenntnisse verfügen wir über Praktiker, die einen Großteil ihrer Karriere in den Bereichen Fertigung, Einzelhandel, Finanzdienstleistungen, Gesundheitswesen, Telekommunikation, Energie und öffentlicher Sektor verbracht haben.

Die meisten Einsätze greifen auf mindestens drei dieser Spezialisierungen zurück; einige auf alle vier. Die Teamzusammensetzung wird an die Problemstellung angepasst und nicht umgekehrt.

Unsere Anforderungen an Einstellungen sind hoch und unser Einstellungsprozess ist dementsprechend langsam. Wir suchen natürlich nach technischer Tiefe; noch mehr suchen wir nach klarem Denken unter Druck, schriftlicher Kommunikation, die eher zwei Wochen als einen Absatz übersteht, und der Art von intellektueller Bescheidenheit, die den Kontakt mit einem schwierigen Kunden überlebt. Die Kandidaten, die wir einstellen, sind in der Regel überqualifiziert für die Rolle, in die sie eintreten; die Kandidaten, die wir ablehnen, sind oft auf dem Papier technisch exzellent.

Wir lehnen Kandidaten ab, die ihre bisherige Arbeit nicht anhand der Entscheidungen beschreiben können, die sie beeinflusst haben; wir lehnen Kandidaten ab, deren schriftliche Arbeiten mehr Zuversicht zeigen, als das zugrunde liegende Argument stützt; und wir lehnen Kandidaten ab, deren Referenzen sie als brillant, aber schwer zu führen beschreiben. Eine kleine Firma, die von Zusammenarbeit abhängt, kann die Kosten von Brillanz, die nicht kollaboriert, nicht absorbieren, und das haben wir mehr als einmal auf die harte Tour gelernt.

Wir stellen bewusst Kandidaten mit unterschiedlichen geografischen Hintergründen, Herkunftsgeschichten und Karrierewegen ein. Die Vielfalt des Hintergrunds ist unserer Erfahrung nach der größte Einzelfaktor, der zur Qualität der Fragen beiträgt, die ein Team stellt; die Qualität der Fragen wiederum ist der größte Faktor, der zur Qualität der Arbeit beiträgt.

“Brillanz, die nicht kollaboriert, ist eine Belastung, die sich als Wertanlage tarnt.”

Unser Entwicklungsmodell basiert auf drei Verpflichtungen. Erstens hat jeder Praktiker einen schriftlichen Entwicklungsplan, der zweimal jährlich aktualisiert wird, mit expliziten Zielen und der Unterstützung, die zu deren Erreichung erforderlich ist. Zweitens verbringt jeder Praktiker einen sinnvollen Teil seiner Zeit – typischerweise einen Tag alle zwei Wochen – mit Arbeit, die nicht direkt abrechenbar ist: Forschung, interne Tools, Mentoring, Schreiben. Drittens wird von jedem Praktiker erwartet, sowohl zu lehren als auch zu lernen; die Hierarchieleiter ist teilweise darauf aufgebaut, wie viel der kollektiven Fähigkeiten des Teams man mit aufgebaut hat.

Wir trennen den Forschungsbereich nicht vom Engineering-Bereich und vom Consulting-Bereich, wie es größere Unternehmen tendenziell tun. Viele unserer erfahrensten Praktiker wechseln fließend zwischen tiefgreifender technischer Arbeit, kundenorientierter Führung und internem Kompetenzaufbau, und wir strukturieren Vergütung und Aufstieg so, dass diese Flexibilität belohnt und nicht bestraft wird.

Das Ergebnis ist ein Team, das Menschen entwickelt, die ungewöhnlich schwer zu verlieren sind. Unsere freiwillige Fluktuation ist gering, und die Praktizierenden, die uns verlassen, wechseln in der Regel in Positionen, auf die wir ihnen gerne vorbereitet haben – einschließlich, in mehreren Fällen, in leitende Inhouse-Rollen bei Kunden, mit denen wir weiterhin zusammenarbeiten.

Wir sind meist remote, meist hybrid bei Kundenprojekten und bei beidem völlig bewusst. Remote-Arbeit wird durch klare schriftliche Normen – wann schreiben, wann besprechen, wann eskalieren – und durch Tools unterstützt, die eine asynchrone Zusammenarbeit wirklich produktiv machen, anstatt eine höfliche Fiktion zu sein. Wir investieren regelmäßig in persönliche Treffen pro Team und unternehmensweit, denn die Beziehungen, die in diesen Wochen aufgebaut werden, zahlen sich in den Monaten danach aus.

Wir legen großen Wert auf eine hohe Qualität der schriftlichen Kommunikation. Architektonische Entscheidungen werden niedergeschrieben, bevor sie getroffen werden; Kundengespräche werden innerhalb weniger Stunden in gemeinsamen Notizen festgehalten; wichtige Meinungen werden in ausreichend langen Dokumenten festgehalten, damit sie hinterfragt und überarbeitet werden können. Diese Disziplin ist gelegentlich mühsam und trägt im Großen und Ganzen am meisten zur Qualität unserer Arbeit bei.

Meinungsverschiedenheiten sind willkommen und strukturiert. Wir erwarten von Praktikern, dass sie technische Positionen engagiert vertreten, diese Argumente ohne Groll verlieren, wenn die Beweislage es erfordert, und sich der vereinbarten Richtung verpflichten, sobald eine Entscheidung getroffen ist. Der mittlere dieser drei Punkte wird oft anderswo vergessen; wir behandeln ihn als nicht verhandelbar.

Wir stellen kontinuierlich ein, nicht um bestimmte Stellen zu besetzen, und wir sind besonders an Praktikern im mittleren und höheren Berufsfeld mit tiefgehender angewandter Erfahrung interessiert. Die am häufigsten wiederkehrenden Rollen sind: Senior Machine-Learning-Ingenieure; Dateningenieure, die mit modernen Cloud-Stacks vertraut sind; Computer-Vision-Spezialisten mit industrieller Implementierungserfahrung; MLOps-Ingenieure; Berater mit angewandter KI-Liefererfahrung; und Forschungswissenschaftler mit einer Erfolgsbilanz im Bereich der Überführung von Forschung in die Produktion.

Wir freuen uns über Anfragen von Personen, deren exakter Hintergrund sich nicht in der obigen Liste wiederfindet; der sicherste Weg ist eine schriftliche Beschreibung der Art von Arbeit, die Sie als Nächstes verrichten möchten, der Rahmenbedingungen, unter denen Sie dies tun möchten, und des Beitrags, den Sie Ihrer Meinung nach leisten könnten. Wir beantworten jede glaubwürdige Anfrage innerhalb von zwei Wochen.