- 8–12 Monate Vakanzzeit für KI-Positionen in der Automobilindustrie. In Spezialbereichen wie Computer Vision: 18+ Monate
- Deutschlands Anteil an globalen KI-Patenten im Automobilbereich ist seit 2020 um 30% gesunken. China hat überholt
- Klassische Headhunter scheitern, weil KI-Talente in Netzwerken leben, die kein Recruiter betritt: GitHub, arXiv, NeurIPS
- dot·gruppe überträgt KI-gestützte Recruiting-Methodik (450+ Kampagnen, 1.000+ rekrutierte Fachkräfte) auf den Automotive-KI-Talentmarkt
- In Kooperation mit der Carl Duisberg Gesellschaft entsteht ein einzigartiger Zugang: datengetriebene Technologie + institutionelles Netzwerk
Das Problem, über das alle reden und niemand handelt
Die deutsche Automobilindustrie steht vor einer Transformation, deren Gelingen an einem einzigen Engpass hängt. Nicht Technologie. Nicht Kapital. Talent. Software-defined Vehicles, autonomes Fahren, KI-gestützte Produktion und prädiktive Qualitätssicherung erfordern Kompetenzen in Machine Learning, Computer Vision, Natural Language Processing und Embedded AI, die in Deutschland nicht in ausreichender Zahl verfügbar sind.
Die deutschen OEMs konkurrieren dabei nicht untereinander. Sie konkurrieren mit Tesla, Apple, Google, NVIDIA, BYD und Dutzenden KI-Startups um dieselben Experten. Und sie verlieren diesen Wettbewerb. Systematisch.
Die Zahlen, die niemand gerne hört
Die durchschnittliche Vakanzzeit für KI- und ML-Positionen in der deutschen Automobilindustrie liegt bei 8 bis 12 Monaten. Das ist doppelt so lang wie für klassische Ingenieurspositionen. In Spezialbereichen wie Computer Vision, Reinforcement Learning oder Embedded AI sind es 18 Monate und mehr. 18 Monate, in denen ein Projekt stillsteht, ein Team unterbesetzt arbeitet und der Wettbewerb davonzieht.
Der Gehaltsunterschied verschärft das Problem. Ein KI-Ingenieur mit 5 Jahren Erfahrung in autonomem Fahren verdient bei Google in Mountain View 350.000 Dollar. Bei BMW in München bekommt er 120.000 Euro plus Dienstwagen. Selbst unter Berücksichtigung der Lebenshaltungskosten bleibt ein Faktor 2,5. Und dazu kommt ein Argument, das schwerer wiegt als Geld: Die besten KI-Talente wollen an den härtesten Problemen arbeiten. Tesla lässt sie Full Self Driving bauen. NVIDIA lässt sie die nächste GPU-Architektur für autonomes Fahren entwickeln. Was bietet VW?
Deutschlands Anteil an globalen KI-Patenten im Automobilbereich ist seit 2020 um 30% gesunken. China hat Deutschland 2023 überholt. BYD hat 2025 mehr KI-Patente angemeldet als BMW, Mercedes und VW zusammen. Der technologische Vorsprung der deutschen Automobilindustrie erodiert nicht durch schlechtere Forschung, sondern durch fehlende Köpfe.
Warum StepStone, LinkedIn und Headhunter scheitern
Die Reaktion der meisten OEMs folgt konventionellen Mustern: Stellenanzeigen auf Jobbörsen, LinkedIn Recruiter Seats, externe Headhunter für 30.000 bis 40.000 Euro pro Position. Diese Instrumente funktionieren für SAP-Berater, Projektmanager und klassische Ingenieure. Für KI-Experten funktionieren sie nicht.
Warum? Weil sich diese Zielgruppe grundlegend anders verhält. Ein Top-Kandidat im Bereich Computer Vision hat kein StepStone-Profil. Er hat ein GitHub-Profil mit 3.000 Stars, Beiträge in Open-Source-Frameworks wie PyTorch oder TensorFlow, Publikationen auf arXiv und ein LinkedIn-Profil, das er einmal im Jahr aktualisiert. Er wird nicht von einer generischen "Wir suchen einen Machine Learning Engineer"-Anzeige angesprochen. Er wird angesprochen, wenn jemand seine letzte Publikation gelesen hat, seinen Code auf GitHub kennt und ihm erklären kann, warum genau seine Expertise für ein konkretes technisches Problem relevant ist.
Klassische Headhunter scheitern an diesem Markt aus zwei Gründen. Erstens: Sie verstehen das Fachgebiet nicht tief genug für eine Kommunikation auf Augenhöhe. Ein Recruiter, der den Unterschied zwischen einem Transformer-Modell und einem CNN nicht erklären kann, verliert den Kandidaten nach dem ersten Satz. Zweitens: Sie haben keinen systematischen Zugang zu den Netzwerken, in denen sich diese Kandidaten bewegen — Open-Source-Communities, Konferenzen wie NeurIPS, ICML und CVPR, universitäre Forschungsgruppen, industrielle Forschungslabore.
Der Wettbewerb schläft nicht
Drei Entwicklungen machen schnelles Handeln notwendig.
Tesla in Berlin. Tesla eröffnet ein KI-Forschungszentrum in Berlin und rekrutiert aggressiv im deutschen Markt. Die besten KI-Köpfe, die bisher für deutsche OEMs in Frage kamen, haben jetzt eine attraktive Alternative in derselben Stadt — mit höheren Gehältern, schnelleren Entscheidungsprozessen und der Möglichkeit, an Full Self Driving mitzuarbeiten. Für einen KI-Ingenieur in München bedeutet Tesla Berlin: gleiche Lebensqualität, doppeltes Gehalt, spannenderes Problem.
China überholt. BYD hat 2025 mehr KI-Patente im Automobilbereich angemeldet als BMW, Mercedes und VW zusammen. Die chinesischen Hersteller ziehen nicht nur Marktanteile ab, sie ziehen Talent ab. Wer als globaler KI-Experte heute eine Karriereentscheidung trifft, wägt nicht mehr zwischen München und Detroit, sondern zwischen Shenzhen und Mountain View. Deutschland kommt in dieser Abwägung immer seltener vor.
Generationenwechsel. Die Generation, die heute ihren PhD in Machine Learning abschließt, hat keine emotionale Bindung an deutsche Autobauer. Für sie ist ein BMW kein Traumarbeitgeber, sondern ein Legacy-Unternehmen mit SAP-Prozessen, Tarifstrukturen und Entscheidungswegen, die länger dauern als ein Trainingslauf ihres neuesten Modells. Diese Wahrnehmung zu ändern erfordert mehr als Stellenanzeigen.
Unser Ansatz: Datengetriebene KI-Talentgewinnung
dot·gruppe ist seit 24 Jahren auf datengetriebenes Performance Marketing spezialisiert. In den letzten Jahren haben wir diese Methodik auf Recruiting übertragen und über 1.000 Fachkräfte für Unternehmen rekrutiert — mit algorithmischer Zielgruppenanalyse, AI-gestützter Ansprache-Optimierung und Performance-Messung in Echtzeit. 450+ Kampagnen, 82,9 Mio. Video-Views, messbare Ergebnisse.
In Kooperation mit der Carl Duisberg Gesellschaft übertragen wir dieses System jetzt auf den Bereich KI-Talent für die Automobilindustrie. Der Ansatz verbindet zwei Kompetenzen, die einzeln nicht ausreichen:
KI-gestützte Talent-Identifikation und AI-Funnel-Methodik. Die Methoden, die in 450+ Kampagnen funktioniert haben — prädiktive Kanalauswahl, algorithmische Zielgruppenanalyse, personalisierte Ansprache-Sequenzen — angewandt auf einen völlig anderen Talentpool. Statt Pflegekräfte auf Instagram finden wir KI-Ingenieure in GitHub-Netzwerken, Patentdatenbanken, arXiv-Publikationen und Konferenz-Communities. Nicht manuelles Headhunting, sondern technologiegestütztes Talent-Sourcing mit messbaren Ergebnissen in jeder Phase.
Das CDG-Netzwerk als institutioneller Vertrauensanker. Die Carl Duisberg Gesellschaft verfügt über Jahrzehnte gewachsene Beziehungen zu Universitäten, Forschungsinstituten und Fachkräfte-Netzwerken auf vier Kontinenten. Ein Kandidat, der von einer Institution angesprochen wird, die er aus dem akademischen Kontext kennt, reagiert grundlegend anders als auf eine LinkedIn-InMail eines Recruiters. Dieses institutionelle Vertrauen ist nicht käuflich und nicht replizierbar.
Die Verbindung von datengetriebener Recruiting-Technologie und institutionellem Netzwerk ist in Deutschland einzigartig.
Der Pilot: 3 Positionen, drei Phasen
Wir glauben nicht an PowerPoint-Präsentationen, die versprechen, was theoretisch möglich wäre. Wir glauben an einen Piloten, der in drei klar definierten Phasen zeigt, ob unser Ansatz funktioniert:
Phase 1: Talent Intelligence Report. KI-gestützte Analyse des globalen Talentmarkts für die definierten Positionen. Identifikation von Kandidaten in GitHub-Netzwerken, arXiv-Publikationen, Patentdatenbanken und Konferenz-Communities. Gehaltsbenchmarks, Erreichbarkeitsanalyse, Wettbewerbsvergleich. Dieses Dokument hat eigenständigen Beratungswert — ein Marktüberblick, den der OEM für seine gesamte KI-Recruiting-Strategie nutzen kann, unabhängig vom weiteren Verlauf.
Phase 2: AI-Funnel-Ansprache. Datengetriebene Identifikation und personalisierte Direktansprache von 15 qualifizierten Kandidaten. Algorithmisch optimierte Kontaktaufnahme über die richtigen Kanäle zum richtigen Zeitpunkt. Kein Massenversand, kein Spray-and-Pray. Jede Ansprache zeigt, dass wir die Arbeit des Kandidaten kennen — seine Publikationen, seinen Code, seine Konferenzbeiträge.
Phase 3: Qualifizierte Shortlist. Top-3-Kandidaten pro Position mit ausführlichem Profil, Motivations-Assessment und Gehaltserwartung. Ab hier übernimmt der OEM den Interviewprozess.
Das Risiko für den OEM ist überschaubar: Ein klar definierter Pilot, der auch ohne Einstellung einen verwertbaren Talent Intelligence Report liefert. Die Success Fee wird separat vereinbart und erst fällig, wenn ein Kandidat tatsächlich unterschreibt. Zum Vergleich: Ein klassischer Headhunter nimmt für eine einzige KI-Position 30.000–40.000€ und liefert keinen Report, wenn die Stelle unbesetzt bleibt. Timeline und Konditionen definieren wir gemeinsam, abhängig von den konkreten Positionen und dem Seniority-Level.
Fazit: Eine industriestrategische Frage
Die Frage, ob die deutsche Automobilindustrie den KI-Wettbewerb gewinnt oder verliert, wird nicht in Forschungslaboren entschieden. Sie wird auf dem Talentmarkt entschieden. Wer die besten KI-Ingenieure bekommt, baut die besten Software-defined Vehicles. Wer sie nicht bekommt, kauft Technologie ein und wird abhängig.
Wir haben eine datengetriebene Methodik, die in anderen Branchen über 1.000 Fachkräfte rekrutiert hat. Wir haben einen Kooperationspartner mit einem globalen Netzwerk, das kein Headhunter replizieren kann. Und wir haben einen Piloten mit definierten Deliverables, der zeigt, ob der Ansatz funktioniert. Der erste Schritt ist ein Gespräch.