AI-инженер в 2026: разобрал 4894 вакансии и понял, что дорога из роадмапов ведёт не туда

Загугли «как стать AI-инженером» и получишь лестницу. Сначала Python, потом математика, потом трансформеры, потом файнтюнинг, а в конце, если повезёт, своя статья. Пройди этот путь за год, и ты будешь готов к работе, которую в мире выполняют пара сотен человек. Проблема в том, что под одним названием прячется минимум четыре разные профессии. Тот, кто обучает модели, и тот, кто встраивает агента в тикет-систему, оба зовут себя AI-инженерами, и в понедельник ни один не сможет сделать работу другого.

Алексей Григорьев собрал 4894 описания вакансий AI-инженеров с builtin.com по Лос-Анджелесу, Нью-Йорку, Лондону, Амстердаму, Берлину и Индии, шестью помесячными срезами с февраля по июнь 2026 года. Это единственный публичный датасет, который отвечает на вопрос цифрами, а не мнениями.

Классический ML со scikit-learn и обучающим циклом занимает 1,9% вакансий с таким названием, а к июню упал до 1,2%. При этом 72,9% работают прямо с AI-системами: retrieval, агенты, промпты и контекст. Ещё 24,5% трудятся рядом, на платформах и пайплайнах, от которых зависит первая группа.

Среди AI-ролей 93,1% требуют навыков за пределами генеративного AI, и только 1,4% чисто про GenAI. Это фулстек-роль в новой шляпе: ты выкатываешь сервис, а не ноутбук. RAG встречается в 34,1% вакансий и это самый частый паттерн в датасете. 64,3% AI-ролей всё ещё просят знание ML: фундамент перестал быть работой и стал ценой входа. А SQL растёт быстрее всех навыков, с 9,8% до 34,8% за пять месяцев.

Тот же датасет отслеживает 24 502 юзкейса. Если сравнить февраль с июнем, вверх идёт автоматизация ручных процессов, с 62,2% до 72,9%. Внутренние корпоративные операции (риски, комплаенс, фрод, страховые выплаты) выросли с 50,6% до 64,2%. Retrieval поднялся с 39,4% до 49,4%, агентные системы с 48,5% до 55,3%.

Вниз идёт персонализация, с 18% до 8,6%. Ответы на вопросы клиентов упали с 40,1% до 32,4%. А исследования и эксперименты как отдельная зона ответственности рухнули с 43,1% до 30,1%, самое большое падение во всём датасете.

Эпоха чат-ботов закончилась. Компаниям нужна система, которая доводит процесс до конца внутри бизнеса, на их собственных данных и без постоянного присмотра.

Четыре работы, и подготовка к каждой почти не пересекается. Плюс пятая вещь, которая не профессия, но решает, доверят ли тебе продакшн в любой из них.

LLM Application Engineer строит продукты поверх чужой модели. Модель здесь зависимость, как база данных, а всё вокруг неё твоя работа. Самый крупный кластер рынка, 25,6%, это сборщики RAG-приложений: векторные базы, LangChain, чанки, метаданные. Классическая задача: юристы хотят ответы из 4000 договоров, а ты разбиваешь документы на фрагменты, ищешь ближайшие по смыслу и вклеиваешь их в промпт. Файнтюнинг как зона ответственности упал с 15,4% до 12,0%: работа сместилась от настройки моделей к сборке систем.

AI Platform Engineer строит платформу, на которой работают остальные: шлюз, роутинг, кеш, квоты, учёт затрат, наблюдаемость. Это те самые 24,5% рынка. AWS в 40% вакансий, Docker в 35,2%, Kubernetes в 29,4%. Интересный нулевой результат: vLLM упоминается в 1,5% AI-ролей, а самохостинг моделей всего в 2,5%. Интеграция API в 62,4%. Платформенная работа про шлюз, а не про CUDA.

ML / Model Engineer обучает и адаптирует модели. Этот путь описывает каждый роадмап, но нанимают туда почти никого: 91 вакансия из 4894, к июню 1,2%. Кластер тренеров 8,3% и сжимается. Пример бизнес-логики: промптинг фронтир-модели даёт 91% точности по $0,004 за тикет, а ты размечаешь 4000 тикетов, делаешь QLoRA на 3B и получаешь 96% по $0,0002. Вот и весь кейс файнтюнинга в 2026: узкая задача, большой объём, потолок по цене или задержке.

Forward-Deployed / AI Product Engineer сидит внутри бизнес-юнита и превращает ручной процесс в автоматический. Это самая быстрорастущая роль в датасете: вакансий стало с 28 до 118, рост в 4,2 раза против 2,3 у рынка целиком. 91% клиентоориентированные, джуниоров ноль. Половина работы вообще не код: садишься рядом с командой на два дня, потому что процесс в вики не равен реальному. Автоматизируешь не решение, а извлечение, спорные поля отправляешь человеку и меряешь минуты на заявку, а не точность.

Пятая вещь не профессия, а дисциплина, и она решает, чей демо доедет до продакшна. Оценка качества встречается как зона ответственности в 68,5% всех вакансий, но реальные инструменты eval (LangSmith, Langfuse) называют только от 9 до 12%. Компании знают, что им это нужно, но не могут сформулировать запрос. Здесь и прячется арбитраж.

На практике это выглядит так: напиши 30 вопросов с ответами, которые готов принять, ещё до того, как что-то строить. Потом прочитай руками 100 провальных трейсов и выпиши своими словами, что пошло не так. Пара типовых режимов ошибок покроют большую часть, и они окажутся не теми, что ты угадал.

Уже пишешь софт, бери первый путь: самое короткое расстояние и самый большой рынок. Любишь системы и цены, бери второй. Готов возиться с обучением, бери третий и целься в поздние и публичные компании. Хорош с людьми, бери четвёртый, он растёт вчетверо быстрее остальных. Пятый навык обязателен в любом из них.

Джуниорские вакансии это 1% рынка. Входного уровня почти нет, поэтому его пропускают и сразу производят пруф. Опубликуй один разбор ошибок: возьми любую LLM-систему, прогони от 50 до 100 реальных трейсов, разметь каждый провал и опубликуй таксономию с цифрами до и после. Один датасет, один момент времени, одна доска вакансий. Это карта, а не приговор.