Palantir machte es groß, jetzt pushen OpenAI und Anthropic dasselbe Modell: Forward Deployed Engineers, die KI-Adoption direkt beim Kunden vorantreiben. Was steckt dahinter — und wann passt das Modell?
In den letzten Monaten hat man immer wieder davon gehört: Palantir hat Milliardenverträge mit der US-Regierung, und zuletzt pushen auch OpenAI und Anthropic Angebote mit dem Schlagwort “Forward Deployed Engineers”, um die Adoption ihrer Produkte zu beschleunigen.
Aber was ist das eigentlich? Ein fancy Titel für Leiharbeit? Die Zukunft von Technologie-Consulting?
Ein entscheidender Punkt ist die Verschmelzung von zwei Rollen: dem Berater und dem Entwickler. Statt Konzeptpapier und Roadmap findet die Arbeit integriert beim Kunden statt und wird von Endnutzer-Interview bis zum Deployment vom FDE verantwortet. Auf eine Art wird der FDE zum Mitarbeiter — allerdings eher mit High-Level-Mandat als mit Ticketliste.
In den meisten Fällen bringen FDEs ihren eigenen Werkzeugkoffer mit, arbeiten intern mit IT-Verantwortlichen am Deployment, sozialisieren den Rollout und messen den Erfolg.
Warum jetzt?
Kurz gesagt: Es gibt einen massiven Capability Overhang — Modell-Fähigkeiten sind dem tatsächlichen Einsatz in der Breite weit voraus. Die Diffusion der Technologie braucht Expertise, die in vielen Unternehmen schlicht nicht vorhanden ist. So sehr sich OpenAI und Anthropic freuen würden, das “Plug & Play” zu lösen — aktuell sieht es so aus, als bräuchten Legacy-Dateninfrastruktur und Change-Management noch den Menschen vor Ort.
Und so pumpen sie Milliarden in Joint Ventures: Anthropic hat Anfang Mai 2026 mit Blackstone, Hellman & Friedman und Goldman Sachs ein 1,5-Mrd-USD-JV gestartet, OpenAI eine Woche später eine eigene “Deployment Company” mit 4 Mrd USD von TPG, Bain Capital, Brookfield und Advent. Beide Vehikel haben dasselbe Ziel: FDE-Kapazität in Unternehmen bringen, damit die Modelle dort ankommen, wo der Wert entsteht.
Gleichzeitig zum Capability Overhang gibt es drei Probleme, die FDEs geschickt umgehen:
- Lange Entscheidungswege von Strategie zu PoC zu Umsetzung. Die direkte Einbettung in der Organisation schafft einen Pace, der in klassischen Beratungskonstrukten nicht möglich ist.
- Ausgelastete interne IT-Strukturen, bei denen wenig Bandbreite für Exploration vorhanden ist.
- End-to-end Produktdenken & Umsetzungskompetenz sind meist über mehrere Abteilungen gestreut und seltenst in Einzelpersonen gebündelt.
Wann FDE passt — und wann nicht
So überzeugend das Modell klingt, es ist kein Universalwerkzeug. Das Modell entfaltet seinen Wert vor allem dort, wo das Problem am Anfang noch unscharf ist: bei explorativen AI-Themen, prozessnahen Anwendungen mit “letzter Meile” in den Workflow, integrationsintensiven Use Cases ohne klares Lastenheft. Überall dort, wo man bauen muss, um zu lernen.
Umgekehrt gilt: Wer eine fertige Spezifikation hat, ein Standard-Produkt einführt oder ein rein infrastrukturelles Vorhaben umsetzt, ist mit einem klassischen Systemintegrator oder dem eigenen Team meist besser bedient. Da sind die etablierten Prozesse genau richtig, weil Vorhersagbarkeit wichtiger ist als Lernzyklen.
Was der Kunde mitbringen muss
Das FDE-Modell ist keine Einbahnstraße. Damit es funktioniert, braucht es drei Dinge auf Kundenseite:
- Datenzugang. Klingt banal, ist in der Praxis aber oft der eigentliche Showstopper.
- Einen Entscheider als Sponsor, nicht nur einen Projektleiter. Sonst gewinnt die Org-Politik gegen die Geschwindigkeit, die das Modell verspricht.
- Interesse am iterativen Vorgehen. Wer am ersten Tag ein abgenommenes Lastenheft will, will keinen FDE — er will einen Festpreis-Integrator. Beides ist legitim, aber es ist nicht dasselbe.
Unsere Sicht
Für uns ist Forward Deployed Engineering ein attraktives Konzept, das auf dem Papier viel Sinn ergibt — und gleichzeitig im deutschen Markt noch nicht ganz angekommen ist.
Durch unseren Hintergrund in Startups und Produktentwicklung sind wir mit dieser iterativen Art des Arbeitens vertraut und glauben, dass sie gut zu vielen explorativen KI-Projekten passt. Am Ende ist die Frage im Bezug auf produktive KI-Nutzung nicht mehr ob, sondern eher wie — und interne Projekte als Lernvehikel zu nutzen, halten wir für einen der pragmatischsten Wege dorthin.