Von **Andrew Ng** — fondateur de **DeepLearning.AI**// Quelle x.com ↗/Lesezeit 2 min/.md// Automatisch geprüfte Übersetzung
#AI Engineering Skills Map#Skills-Map#Andrew Ng#DeepLearning.AI#The Batch #366#Skills vs. Rolle#AI Engineer#Skills-Grundausstattung
Zusammenfassung
X-Post von Andrew Ng vom 14. August 2026, Wiederaufnahme des "Dear friends"-Briefs aus The Batch #366 (DeepLearning.AI).
Was angekündigt wird.The AI Engineering Skills Map: vier Skills, die als die wichtigsten für einen Entwickler dargestellt werden, gestützt auf « an analysis of more than 10,000 job postings », Dutzende strukturierte Interviews mit Experten, Hiring Managern und Recruitern, Umfragen und weitere Online-Daten. Explizit doppeltes Publikum: Entwicklern helfen, zu priorisieren, was sie lernen, und Arbeitgebern, einzustellen.
Given a clear spec, coding agents are rapidly improving at delivering to it. Thus, our work as engineers is shifting toward deciding what should be in the spec
— **Andrew Ng** — fondateur de **DeepLearning.AI** , x.com
Die vier Skills.(1) Aufbau und Bereitstellung von KI-Anwendungen — ihr Unterschied liegt in der Unvorhersehbarkeit der Ausgaben; man muss die Bausteine kennen (LLM, context engineering, RAG, agentische Workflows, maschinelles Lernen, Deep Learning) und vor allem die statistischen Techniken zum Messen, Steuern und Governance, einschließlich « disciplined evals and error-analysis loops ». (2) Grundlagen der Softwareentwicklung — deren Verständnis erlaubt es, « recognize what tradeoffs exist » (Kosten, Skalierbarkeit, Zuverlässigkeit, Geschwindigkeit, Sicherheit, Datenschutz) und so den Agenten « in the precise language of software engineering » zu steuern; der unerfahrene Entwickler, der vibe coding betreibt, scheitert, weil « they don't know what context to give their agent ». (3) Einsatz von Coding-Agenten — ein mentales Modell ihrer Grenzen, Kontextmanagement, Abwägungen zwischen Planung und Ausführung, Bereitstellung von Verifiern oder Evals, damit der Agent seine Loops selbstständig schließt, Arbeiten mit einer klaren Spec « and when not to bother doing so », Multi-Agent-Orchestrierung, Guardrails. (4) Den Build gestalten — da Agenten gegen eine klare Spec gut liefern, verschiebt sich die Arbeit hin zu der Entscheidung, was die Spec enthalten soll: Product Sense, Business-Kontext, Projekt-Ownership. Allen vieren zugrunde liegt: eine Haltung des kontinuierlichen Lernens, mit « routines for trying new tools ».
Die eigentliche These, versteckt in einem Hinweis zur Terminologie. Ng spricht von Skills im AI Engineering und nicht von der Rolle "AI Engineer": « all developers should know how to work with the cloud, only a small number carry the "Cloud engineer" title ». AI Engineering wird zur Grundausstattung, nicht zur Spezialisierung — man stellt nicht ein, man qualifiziert um.
Zwei Vorbehalte.Es werden keine numerischen Ergebnisse veröffentlicht: keine Gewichtung, keine Sub-Skills, ein Clustering, das als « informal »-Analogie beschrieben wird, und die detaillierte Map wird auf künftige Beiträge verschoben. Dies ist die Ankündigung einer Map, nicht die Map selbst. Und der Autor benennt sein Eigeninteresse: « DeepLearning.AI's principal focus is to help developers gain these AI engineering skills. »
Kernpunkte
Datum / Quelle.14. August 2026, X-Post von Andrew Ng und "Dear friends"-Brief aus The Batch #366 (DeepLearning.AI) — identischer Text. ca. 900 Wörter.
Zentrale Rahmung. Der Beitrag spricht von Skills, nicht von der Rolle des AI Engineer. « All developers today should know how to work with the cloud, and only a smaller number have a "Cloud engineer" title. Similarly, all developers — full-stack engineers, data engineers, DevOps engineers, machine learning engineers, and, yes, AI engineers — will need AI engineering skills. » ### Die vier Skills | # | Skill | Zentrale Formulierung aus dem Beitrag | |---|-----------|---------------------------| | 1 | Aufbau und Bereitstellung von KI-Anwendungen | « the former has unpredictable outputs » → Evals und Fehleranalyse | | 2 | Grundlagen der Softwareentwicklung | « allows you to recognize what tradeoffs even exist » | | 3 | Einsatz von Coding-Agenten | « help the agent autonomously close loops by providing verifiers or evals » | | 4 | Den Build gestalten | « deciding what should be in the spec » | Ein fünfter, nicht nummerierter Skill: « Underlying all these skills is a mindset of continuous learning », dessen operative Version präziser ist als das Schlagwort — « having routines to keep trying new tools and evolve your workflows as best practices change ». Das entscheidende Wort ist Routinen: eine geplante Praxis, die als Zeit einzuplanen ist. ### Was die Cloud-Analogie je nach Leser impliziert | Leser | Implikation | |---------|-------------| | Entwickler | der Skill kommt zum bestehenden Job hinzu, er ersetzt ihn nicht | | HR / Manager | der realistische Weg ist die Requalifizierung der bestehenden Belegschaft, nicht die Einstellung von "AI Engineers" | | Trainingsanbieter | der adressierbare Markt verschiebt sich von einer Nische zur gesamten Entwicklerpopulation | Derselbe Wandel von Rolle zu Skill wie in [[sfeir-ia-frontieres-metiers-skill-based-organisation-2026-08-01]] beschrieben, angewandt auf Engineering. ### Skill #2, ein dreistufiger Mechanismus 1. « Understanding software fundamentals allows you to recognize what tradeoffs even exist » — Kosten, Skalierbarkeit, Zuverlässigkeit, Geschwindigkeit, Sicherheit, Datenschutz. 2. Der unerfahrene Entwickler, der vibe coding betreibt, scheitert nicht, weil er schlecht codiert, sondern weil er die Abwägungen nicht kennt, die in seinem Namen getroffen werden: « which will often be poor ones, because they don't know what context to give their coding agent ». 3. Daher « steering coding agents using the precise language of software engineering » — Fachwissen wird wieder zur Schnittstelle. Management-Konsequenz: KI verschiebt den Wert des Senior Engineers von der Ausführung zur Abwägungsentscheidung. Konvergiert mit der Verständnisschuld aus [[osmani-cognitive-surrender-comprehension-debt-2026-05-05]]. ### Kontinuität über vier Briefe, April → August 2026 | Datum | Brief | Was er festschreibt | |------|--------|-----------------| | 24. Apr. | #350 | Agenten beschleunigen ungleichmäßig je nach Art der Arbeit | | 8. Mai | #352 | keine Jobs-Apokalypse, aber eine Requalifizierung "mit sich wandelnden Skills" — welche, wird nicht gesagt | | 26. Jun. | #359 | Engineers übernehmen eine partielle Produktmanagement-Rolle | | 14. Aug. | #366 | vier Skills, darunter Den Build gestalten, die die Rolle vom Juni benennt | Die Position ist über vier Monate kumulativ, nicht opportunistisch — das macht sie tragfähiger als ein isolierter Trend-Beitrag. Der für jede Zusammenfassung mitzunehmende Punkt: derselbe Autor erklärt, dass Jobs requalifiziert werden, veröffentlicht die Liste der Requalifizierungs-Skills und stellt fest, dass seine Organisation diese lehrt. Alles wird offengelegt. Gegenposition: [[ng-the-batch-352-no-ai-jobpocalypse-2026-05-08]]. ### Was die Map auslässt | Fehlt bei den vier Skills | Wo es auftaucht | |---|---| | Sicherheit | ein Nebensatz in §2 — « Security and privacy add further complexity » | | Kosten, Token-Budget | ein Nebensatz in §3 — « without wasting excessive time or tokens » | | Code Review, Testing | "testing" einmal in einer Aufzählung genannt | | Betrieb, Observability, Incidents | fehlt | | Teamarbeit, Übergabe | fehlt | | Compliance, Data Governance | fehlt | Wahrscheinlichste Lesart: Die Map beschreibt, was der Arbeitsmarkt verlangt (10.000 Stellenausschreibungen), nicht, was eine Organisation verlangen sollte. Die Lücke zwischen den beiden Listen ist selbst ein Ergebnis, das der Beitrag nicht vermerkt. Zur Sicherheit siehe [[valente-zalewski-beyond-zero-enterprise-security-ai-era-2026-07-20]]. ### Rezeption (Stand 16. August 2026) 3.074.365 Views, 17.271 Likes, 3.028 Reposts, 311 Antworten, 35.343 Bookmarks. Das Verhältnis Bookmarks/Likes liegt bei ≈ 2,05: Der Text wurde doppelt so oft archiviert wie beklatscht — ein Signal für dokumentarische Nutzung, passend zum "Liste-von-vier"-Format. Das Verhältnis Antworten/Views (311 bei 3 Mio.) deutet darauf hin, dass er eher gespeichert als diskutiert wurde. Nichts davon misst Zustimmung zu den vier Kategorien oder deren Validität. ### Zitierhygiene 1. Nicht schreiben "laut einer Analyse von 10.000 Stellenausschreibungen sind die vier wichtigsten Skills…": Der Beitrag benennt eine Methode, kein Ergebnis — keine Prozentzahl, keine Gewichtung, kein Zeitraum oder Geografie, und ein Clustering, das der Autor selbst als "informal" bezeichnet. Korrekte Formulierung: « Andrew Ng, drawing on an unpublished analysis of more than 10,000 job postings and on interviews, identifies four skills… » 2. Dieser Beitrag ist die Ankündigung einer Map, nicht die Map selbst. Den Eintrag erneut öffnen, sobald die detaillierte Version veröffentlicht wird. 3. Stets erwähnen, dass DeepLearning.AI diese Skills lehrt — der Autor stellt dies selbst fest. 4. The Batch #366 gegenüber dem X-Post für jede dauerhafte Zitierung bevorzugen; den X-Link für Rezeptionsdaten reservieren.
Kernzahlen
eine unveröffentlichte Analyse von über 10 000 Stellenanzeigen, Dutzenden strukturierten Interviews mit Experten, Hiring Managern und Recruitern, Umfragen und weiteren Online-Daten, wobei der Autor das Clustering als informelle Analogie bezeichnet
3 074 365 Views, 35 343 Bookmarks, 17 271 Likes, 3 028 Reposts und 311 Antworten auf X zum 16. August 2026, was einem Verhältnis von Bookmarks zu Likes von etwa 2,05 entspricht
AI Engineering Skills Map · abgeleitet
Zugeschriebene Aussagen
die vier wichtigsten Kompetenzen des AI Engineering sind KI-Anwendungen bauen und deployen, die Grundlagen des Software Engineering, die Nutzung von Coding-Agenten und das Gestalten des Baus (shaping the build)
— AI Engineering Skills Map
man solle von Kompetenzen des AI Engineering sprechen statt von der Rolle des AI Engineer, weil alle Entwickler mit der Cloud arbeiten können sollten, während nur eine kleine Zahl den Titel Cloud Engineer trägt
— Andrew Ng
ihr Hauptziel sei es, Entwicklern zu helfen, diese Kompetenzen des AI Engineering zu erwerben
— DeepLearning.AI
der zentrale Unterschied zwischen einer KI-Anwendung und einer klassischen Anwendung sei die Unvorhersehbarkeit ihrer Outputs, weshalb statistische Techniken eingesetzt werden, um das System zu messen, zu steuern und zu kontrollieren
— construction et déploiement d'applications IA
da Agenten zunehmend besser einen klaren Spec liefern, verschiebt sich die Arbeit des Ingenieurs hin zur Entscheidung, was der Spec enthalten soll, und ein Ingenieur solle nicht mehr erwarten, ein pixelgenaues Design zu erhalten, das nur noch umzusetzen ist
— façonner la construction
Der aus dieser Fiche extrahierte Wissensgraph — 10 Entitäten, 27 Relationen.