Forschung oder Entwicklung: zwei Wege in die KI
Unter dem Etikett „Künstliche Intelligenz“ findet man zwei Familien von Aufgaben. Die erste gehört zur Forschung: eine noch offene Frage erkunden, eine Methode testen, Architekturen vergleichen, manchmal einen Artikel schreiben. Die zweite gehört zur Softwareentwicklung: ein vorhandenes Modell in ein Produkt integrieren, Daten bereinigen, eine Deployment-Kette aufbauen, die Qualität im Betrieb überwachen.
Die Wahl hat konkrete Folgen. Ein Forschungspraktikum erwartet solide Grundlagen in Mathematik, Statistik und maschinellem Lernen sowie Selbstständigkeit bei einem schlecht gestellten Problem. Ein Entwicklungspraktikum schätzt eher sauberen Code, Tests, Python-Erfahrung und Container-Werkzeuge sowie die Fähigkeit, mit Produktteams zusammenzuarbeiten. Viele Stellen liegen dazwischen, weshalb es sich lohnt, die Beschreibung aufmerksam zu lesen, statt bei der Bezeichnung stehen zu bleiben.
Welche Arten von Organisationen Praktikanten in der KI aufnehmen
Frankreich verfügt über eine vielfältige Landschaft. Öffentliche Forschungseinrichtungen wie Inria oder das CEA nehmen Praktikanten und Lehrlinge in spezialisierten Teams auf. Das CEA gibt an, jedes Jahr eine große Zahl von Praktikanten zu empfangen, und empfiehlt, sich mehrere Monate im Voraus zu bewerben. Universitäten und Ingenieurschulen beherbergen Labore, oft verbunden mit interdisziplinären Instituten für KI.
Auf Unternehmensseite finden sich:
- Anbieter von Daten- und KI-Plattformen wie Dataiku, das seine Angebote auf der Karriereseite vorstellt;
- Großkonzerne (Bank, Energie, Gesundheit, Verkehr) mit Teams für Datenwissenschaft;
- Beratungsgesellschaften und IT-Dienstleister, die Profile bei ihren Kunden platzieren;
- Start-ups, wo der Aufgabenbereich breiter, die Betreuung aber manchmal weniger dicht ist.
Die wichtigsten Aktivitätszonen liegen rund um Paris und die Hochebene von Saclay, aber auch in Grenoble, Toulouse, Lyon, Sophia Antipolis oder Rennes. Wer die Suche geografisch erweitert, vervielfacht die Möglichkeiten.
Praktikum, Lehre, Promotion: das richtige Format wählen
Das Masterpraktikum dauert in der Regel vier bis sechs Monate und dient oft als Test vor einer Promotion oder einer ersten Stelle. Die Lehre (apprentissage), länger angelegt, passt zu einem Berufsbachelor, einem Master oder einem Ingenieurzyklus: Der Arbeitsvertrag erlaubt es, zwei oder drei Jahre im selben Team zu bleiben und ein Projekt von Anfang bis Ende zu erleben, von der Datenerhebung bis zur Inbetriebnahme.
Wenn Ihr Ziel die Forschung ist, ist ein Praktikum in einem Labor ein realistischer Weg, zu prüfen, ob Ihnen der Alltag gefällt, bevor Sie sich auf eine Promotion einlassen. Streben Sie den Beruf der Ingenieurin oder des Ingenieurs für maschinelles Lernen an, verschafft Ihnen ein Lehrvertrag beim Berufseinstieg anerkannte Erfahrung.
Einige Orientierungspunkte für die Entscheidung
- Lesen Sie gern wissenschaftliche Artikel und formulieren Hypothesen? Dann orientieren Sie sich an der Forschung.
- Liefern Sie lieber ein Werkzeug, das Kolleginnen und Kollegen nutzen? Dann zielen Sie auf die Entwicklung.
- Gibt Ihr Studiengang einen Rhythmus vor? Prüfen Sie zuerst, welche Formate Ihre Einrichtung akzeptiert.
Rechtlicher Rahmen: Vereinbarung, Vergütung und Eigentum an den Ergebnissen
Ein Praktikum im Labor oder im Unternehmen beruht auf einer mit Ihrer Einrichtung unterzeichneten Vereinbarung. Sie legt Aufgabe, Dauer, Betreuung und Aufnahmebedingungen fest. Ab der in den Texten vorgesehenen Anwesenheitsdauer ist eine Vergütung (gratification) fällig, deren Minimum von einem Prozentsatz der Stundenobergrenze der Sozialversicherung abhängt; der Betrag ändert sich, man muss sich also an die 2026 geltende Regelung halten. In der Lehre folgt das Entgelt einer Staffel nach Alter und Vertragsjahr.
KI-Arbeiten werfen eigene Fragen auf. Wem gehören der Code und die erzeugten Modelle? Dürfen die Ergebnisse veröffentlicht werden? Welche Daten dürfen verwendet werden? Diese Punkte werden schriftlich geregelt, in der Vereinbarung oder in einer Verschwiegenheitserklärung, und es ist legitim, sie vor Beginn zu erfragen. In einem öffentlichen Labor gibt es oft Veröffentlichungsregeln; im Unternehmen ist die Vertraulichkeit strenger.
Bedenken Sie: Praktikanten werden nicht automatisch Autoren; die Nennung in einer Veröffentlichung hängt vom tatsächlichen Beitrag und von den Gepflogenheiten des Teams ab.
Personenbezogene Daten, Ethik und europäische Regeln
Ein KI-Projekt arbeitet oft mit Daten, manchmal mit sensiblen. Die Datenschutz-Grundverordnung gilt, sobald es um Informationen über identifizierbare Personen geht, und die französische Datenschutzbehörde CNIL veröffentlicht Lehrmaterial zur Künstlichen Intelligenz, insbesondere zur Zusammenstellung von Datensätzen und zu den Rechten der Betroffenen. Praktikanten müssen wissen, woher die Daten stammen, ob es eine Rechtsgrundlage für ihre Nutzung gibt und wo sie gespeichert werden.
Auf europäischer Ebene setzt die Verordnung über Künstliche Intelligenz einen Rahmen nach Risikostufen, der zeitlich gestaffelt angewendet wird. Sie müssen nicht alle Artikel beherrschen, doch die Grundidee (Verbote, Pflichten für Hochrisikosysteme, Transparenz) zu verstehen, zeugt im Gespräch von echter Reife.
Gewöhnen Sie sich an, vor dem Start drei einfache Fragen zu stellen: welche Daten, für welchen Zweck, mit welcher Erlaubnis. Diese Reflexe zählen für Rekrutierende viel und schützen Praktikanten ebenso wie die Organisation.
Eine Mappe aufbauen, die Ihre Vorgehensweise belegt
KI-Teams lesen wenig Interessenbekundungen und viele Belege. Ein öffentliches, sorgfältig gepflegtes Code-Repository, der Bericht zu einem Studienprojekt, die Teilnahme an einem Datenwettbewerb oder eine gut geschriebene Abschlussarbeit zählen mehr als die Aufzählung von Bibliotheken. Erklären Sie zu jedem Projekt das Problem, die Daten, die Bewertungsmethode, die aufgetretenen Fehler und was Sie anders machen würden.
Einige Gewohnheiten stärken eine Mappe:
- Beschreiben, wie Trainings- und Testdaten getrennt wurden, um Informationslecks zu vermeiden.
- Die verwendeten Metriken nennen und begründen, warum sie passen.
- Anleitungen beilegen, mit denen das Experiment reproduziert werden kann.
- Einige Fehler des Modells analysieren, nicht nur den mittleren Wert.
Nennen Sie im Anschreiben das angestrebte Team und verbinden Sie Ihr Profil mit einer seiner konkreten Fragen. Eine Bewerbung, die an eine bestimmte Teamleitung gerichtet ist und einen Link zu einem passenden Projekt enthält, fällt deutlich auf.
Anschauliches Beispiel: vom vagen Thema zum Praktikumsthema
Stellen wir uns Karim vor, Masterstudent der Informatik, der ein fünfmonatiges Praktikum im Bereich maschinelles Sehen sucht. Seine erste Nachricht, „ich suche ein Praktikum in KI“, bleibt unbeantwortet. Er formuliert um: Nachdem er die veröffentlichten Arbeiten eines Teams gelesen hat, schreibt er, dass er ein Projekt zur Fehlererkennung auf Industriebildern durchgeführt, seine Daten in drei Mengen aufgeteilt hat und zur Bewertung der Robustheit eines Modells beitragen möchte.
In diesem erfundenen Beispiel antwortet ihm das Team mit dem Angebot eines Gesprächs. Der Verantwortliche fragt ihn, wie er das Ungleichgewicht zwischen den Klassen behandelt hat, was er mit wenigen annotierten Daten tun würde und wie er eine Unsicherheit kommunizieren würde. Karim hat nicht auf alles eine Antwort, beschreibt aber sein Vorgehen, räumt seine Grenzen ein und schlägt ein kleines Versuchsprotokoll vor.
Die Erkenntnis: Die Genauigkeit des Themas und die Klarheit der Methode zählen mehr als die Menge der genannten Technologien.
Kalender, Plattformen und Netzwerke für die Bewerbung
Forschungspraktika und Stellen bei großen Einrichtungen bereitet man früh vor: Das CEA rät zum Beispiel, sich mehrere Monate vor Beginn zu bewerben. Unternehmen öffnen ihre Angebote zu unterschiedlichen Terminen, für ein Sommerpraktikum oft zwischen Herbst und Frühjahr. Für eine Alternance im September beginnt die Suche im Jahr davor.
Mehrere Kanäle sind zu kombinieren: Karriereseiten der Einrichtungen und Unternehmen, von den Hochschulen organisierte Foren, Anzeigenplattformen für Studierende, Alumni-Netzwerke, Seminare und Konferenzen, auf denen man Forschenden begegnet. Wer direkt eine Lehrperson oder einen Doktoranden kontaktiert, dessen Arbeiten man gelesen hat, öffnet manchmal Wege, die nicht öffentlich ausgeschrieben sind.
Führen Sie eine Verfolgungsliste mit Versanddatum, Ansprechperson und Antwort. Haken Sie nach etwa zwei Wochen einmal höflich nach. Bereiten Sie außerdem einen breiteren Plan B vor, etwa ein Praktikum im Data Engineering, das Sie der KI näherbringt und zugleich Ihre Chancen erhöht.
Häufige Fehler bei KI-Bewerbungen
Der erste Fehler ist, sich als Experte auszugeben, obwohl die Unterlagen nur nachgearbeitete Tutorials enthalten. Rekrutierende erkennen ein abgeschriebenes Projekt schnell. Der zweite ist, die Grundlagen zu vernachlässigen: Ohne solide Kenntnisse in Wahrscheinlichkeitsrechnung, linearer Algebra und Validierung ist es schwer, seine Ergebnisse zu verteidigen. Der dritte ist, sich überall mit demselben Text zu bewerben.
Weitere Fallen verdienen Aufmerksamkeit:
- eine Aufgabe annehmen, bei der niemand Sie fachlich betreuen kann;
- Daten verwenden, deren Herkunft unklar ist;
- Ergebnisse versprechen, bevor man die Daten angesehen hat;
- vergessen, den Code für die Person zu dokumentieren, die die Arbeit weiterführt.
Lesen Sie die Vereinbarung vor der Unterschrift gemeinsam mit Ihrer Einrichtung und bitten Sie um ein Gespräch mit der Betreuung über Ziele, verfügbare Rechenressourcen und Veröffentlichungsregeln.
Häufig gestellte Fragen
Braucht man eine Promotion, um in der KI zu arbeiten?
Nein. Eine Promotion ist für Forschungsstellen nützlich, aber viele Ingenieurinnen und Ingenieure für maschinelles Lernen kommen aus Masterstudiengängen oder Ingenieurschulen. Ein gut gewähltes Praktikum oder eine Alternance mit dokumentierten Projekten kann für den Zugang zu einer ersten technischen Stelle genügen.
Wird ein KI-Praktikum bezahlt?
Eine Vergütung ist fällig, wenn die Dauer die in den Texten festgelegte Schwelle überschreitet, mit einem an die Stundenobergrenze der Sozialversicherung gebundenen Minimum. Die Beträge ändern sich, prüfen Sie die für 2026. Unternehmen der Branche zahlen oft mehr als das Minimum, während öffentliche Labore in der Regel einem genaueren Rahmen folgen.
Welches mathematische Niveau braucht man?
Für eine Forschungsaufgabe müssen Sie Wahrscheinlichkeitsrechnung, Statistik, lineare Algebra und Optimierung beherrschen. In der Entwicklung bleibt ein solides Niveau nützlich, doch die Qualität des Codes und das Verständnis der Daten wiegen schwerer. In beiden Fällen wird geschätzt, wer erklären kann, was ein Modell tut.
Kann man ein KI-Praktikum ohne vorherige Erfahrung machen?
Ja, vorausgesetzt, Sie präsentieren Projekte, auch aus dem Studium. Eine gut dokumentierte eigene Arbeit, die Teilnahme an einem Datenwettbewerb oder ein ausführliches Kursprojekt zeigen Ihre Lernfähigkeit. Rekrutierende wissen, dass Studierende noch keine Erfahrung im Unternehmen haben.
Was tun, wenn die Projektdaten vertraulich sind?
Halten Sie die Verschwiegenheitserklärung ein, arbeiten Sie nur in den bereitgestellten Umgebungen und kopieren Sie nichts auf private Geräte. Fragen Sie vor dem Start, was Sie später zeigen dürfen, zum Beispiel eine allgemeine Beschreibung der Methode ohne sensible Daten oder Ergebnisse.
Wann sollte man sich bei einer großen Forschungseinrichtung bewerben?
So früh wie möglich, mehrere Monate vor dem gewünschten Beginn, denn die Teams bestätigen Themen und Vereinbarungen im Voraus. Informieren Sie sich auf der Seite der angestrebten Einrichtung über Fristen, verlangte Unterlagen und Verfahren, die sich von Jahr zu Jahr ändern können.