Эфир 18.11 · Поток 318 ноября в 19:00 МСК — бесплатный практический эфир по ИИ-агентам · Живой Поток 3 стартует 23.11Эфир 18 ноября →Поток 3 (23.11)
РелизРазбор · На радарHabr AI→ оригинал

226 вакансий показали: 75% AI-специалистов зовут работать в офис

Срез 226 вакансий на hh.ru показывает не единый «рынок AI», а три разные профессии: разработку моделей, создание приложений с LLM и поддержку ML-инфраструктуры. Из 144 профильных объявлений 104 относятся к моделям, 34 — к прикладному AI и только шесть — к MLOps. Для кандидата главный вывод простой: смотреть нужно на задачи, а не на модное название должности.

AI-обработка оригинала Habr AI; редакция Hamidun News
226 вакансий показали: 75% AI-специалистов зовут работать в офис
Источник: Habr AI. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникHabr AI ↗
Главный редактор
Ключевой факт #1Python указан в 38,2% профильных вакансий, LLM — в 37,5%.
Ключевой факт #2Только шесть вакансий из 144 формально допускают кандидатов без опыта.
Ключевой факт #3Удалённую работу предлагают в 22,9% профильных объявлений.

Название «ML Engineer» сегодня может скрывать три почти разные профессии. В одной вакансии нужно обучать модели и считать метрики, в другой — собирать RAG-сервис поверх готовой LLM, в третьей — распределять вычисления между GPU и следить за инфраструктурой. Поэтому список модных технологий сам по себе мало что говорит кандидату.

Исследователи разобрали 226 объявлений с hh.ru, сохранённых 6 ноября 2026 года. После классификации профильными признали 144 вакансии: 104 связаны с разработкой ML- и DL-моделей, 34 — с прикладными AI-системами, ещё шесть — с MLOps. Это не перепись всего рынка, а снимок одной выборки в конкретный день. Но даже такой снимок хорошо показывает, где расходятся названия должностей и реальная работа.

Три рынка под одной вывеской

Первая траектория — разработка моделей. Сюда входят подготовка данных, обучение, проверка качества и эксперименты. В выборке заметны компьютерное зрение, классический Data Science, скоринг, рекомендательные системы и NLP. Таких вакансий больше всего — 104 из 144 профильных объявлений.

Вторая траектория — прикладной AI. Здесь работодателю часто не нужен человек, который обучит собственную языковую модель. Нужен инженер, способный подключить готовую LLM, построить поиск по документам, добавить RAG, агентов, API, журналирование и проверку ответов. Таких вакансий 34. Это ближе к продуктовой разработке: ценность создаёт не модель сама по себе, а надёжно работающий сценарий вокруг неё.

Третья траектория — MLOps и ML-инфраструктура. Только в шести объявлениях инфраструктура была основной задачей. Речь шла о GPU, развёртывании моделей, наблюдаемости и безопасности пайплайнов. Число маленькое, но его нельзя читать как отсутствие спроса: инфраструктурные обязанности встречаются и внутри вакансий разработчиков моделей.

Простой пример. Два объявления могут называться «AI Engineer». В первом кандидат дообучает модель и сравнивает метрики. Во втором он вызывает чужую модель через API, ищет документы для контекста и обрабатывает сбои. Название одинаковое, а портфолио, собеседование и ежедневная работа будут разными.

Что работодатели пишут в требованиях

Среди 144 профильных вакансий Python упоминается в 55, или 38,2%. LLM встречаются в 54 объявлениях — 37,5%, AI-агенты в 35 — 24,3%, PyTorch в 26 — 18,1%, RAG в 21 — 14,6%. Эти проценты нельзя превращать в рейтинг обязательных навыков: исследователи располагали только названиями и сохранёнными фрагментами описаний. Если технология не попала в выдержку, это не означает, что работодатель её не использует.

Новичкам рынок оставляет узкий проход. Только шесть профильных вакансий формально отмечены категорией «без опыта». Ещё 61 требует от одного до трёх лет, 64 — от трёх до шести, 13 — больше шести лет. При этом пометка «без опыта» не равна «без знаний»: даже младшему специалисту нужны основы, рабочие инструменты и проект, который можно разобрать по решениям, метрикам и ограничениям.

С зарплатами данных ещё меньше. Сумма опубликована лишь в 32 из 144 профильных объявлений. В выборке смешаны рубли, тенге и доллары, суммы до и после налогов, нижние границы и полные диапазоны. Поэтому честную среднюю зарплату по этим данным получить нельзя. Отдельные предложения полезны как ориентиры, но не как рыночный бенчмарк.

Практический вывод

Соискателю стоит сначала выбрать тип работы, а уже потом собирать стек. Для разработки моделей важны данные, метрики, валидация и воспроизводимые эксперименты. Для прикладного AI — интеграции, обработка ошибок, оценка ответов, ссылки на источники и мониторинг. Для MLOps — развёртывание, наблюдаемость, вычислительная инфраструктура и безопасность.

Портфолио тоже лучше строить не вокруг фразы «сделал чат-бота». Сильнее выглядит законченная система: понятная задача, источник данных, базовое решение для сравнения, выбранная метрика, ограничения и способ запуска. И ещё один трезвый сигнал: 75% профильных вакансий предполагают работу на месте, а удалённый формат указан только в 22,9%. Рынок AI оказался не только требовательным к опыту, но и заметно менее удалённым, чем можно подумать по разговорам вокруг отрасли.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: три рынка под одной вывеской?

Первая траектория — разработка моделей. Сюда входят подготовка данных, обучение, проверка качества и эксперименты. В выборке заметны компьютерное зрение, классический Data Science, скоринг, рекомендательные системы и NLP. Таких вакансий больше всего — 104 из 144 профильных объявлений. Вторая траектория — прикладной AI. Здесь работодателю часто не нужен человек, который обучит собственную языковую модель.

Что известно по теме: что работодатели пишут в требованиях?

Среди 144 профильных вакансий Python упоминается в 55, или 38,2%. LLM встречаются в 54 объявлениях — 37,5%, AI-агенты в 35 — 24,3%, PyTorch в 26 — 18,1%, RAG в 21 — 14,6%. Эти проценты нельзя превращать в рейтинг обязательных навыков: исследователи располагали только названиями и сохранёнными фрагментами описаний. Если технология не попала в выдержку, это не означает, что работодатель её не использует. Новичкам рынок оставляет узкий проход.

Что известно по теме: практический вывод?

Соискателю стоит сначала выбрать тип работы, а уже потом собирать стек. Для разработки моделей важны данные, метрики, валидация и воспроизводимые эксперименты. Для прикладного AI — интеграции, обработка ошибок, оценка ответов, ссылки на источники и мониторинг. Для MLOps — развёртывание, наблюдаемость, вычислительная инфраструктура и безопасность. Портфолио тоже лучше строить не вокруг фразы «сделал чат-бота».

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Закрытый клуб практиков · Vibe Club

Внедряйте ИИ быстрее рынка вместе с инженерами и фаундерами

Внутри Vibe Club (hamidun.com/club): еженедельные живые мастермайнды и разборы архитектуры с Жемалом Хамидуном, закрытый Tech Radar, LMS и обновляемая база из 370+ боевых скиллов.

Вступить в Vibe Club →Тест-драйв Академии (72ч)
Что вы думаете?
Загружаем комментарии…