Что показал разбор 226 вакансий: главное в трёх абзацах
Из 226 объявлений о работе с hh.ru, сохранённых 6 ноября 2026 года, профильными оказались 144, или 63,7%. Главный вывод: за одинаковыми названиями должностей стоят разные задачи. В одну категорию «ML» попадают обучение и оценка моделей, сборка RAG-систем и AI-агентов на готовых LLM, а также развёртывание и поддержка ML-инфраструктуры с GPU. Поэтому читать вакансию нужно по блоку задач, а не по заголовку.
Структура профильной части: 104 вакансии по ML/DL-моделям, 34 по прикладным AI-приложениям, 6 по MLOps. География и формат смещены в сторону офиса: Москва указана как город размещения в 79 объявлениях из 144, удалённый формат в 33, работа на месте в 108.
Две цифры обрезают почти любые выводы о деньгах и о входе в профессию. Зарплата не указана в 112 профильных объявлениях из 144, значит среднюю по этой выборке корректно не считать. Категория hh.ru «без опыта» стоит только у 6 вакансий из 144, большинство рассчитано на опыт от одного года.
Как собраны данные и почему это важно для выводов
Основа разбора: 226 объявлений о работе с hh.ru, сохранённых 6 ноября 2026 года в 17:42. По каждому объявлению зафиксированы должность, работодатель, город, требуемый опыт, формат работы, ссылка и зарплата. Полные результаты анализа рынка AI/ML/DL автор исследования опубликовал с таблицами и разбивкой по направлениям.
Классифицировали вакансии по описанию задач, а не по названию должности. Обучение и оценка моделей вошли в направление ML/DL. Создание RAG-систем, AI-агентов и интеграций с готовыми моделями отнесли к прикладному AI. Развёртывание и поддержку инфраструктуры посчитали отдельным направлением. Ещё 82 объявления из 226 остались за рамками: они относятся к смежным профессиям или не соответствуют теме.
Три ограничения метода важнее самих цифр. Число объявлений не равно числу уникальных рабочих мест: работодатели размещают похожие вакансии сразу в нескольких городах, а компания «Алабуга. Менеджмент» представлена восемью объявлениями под двумя названиями CV-должностей. Условия и требования описаны по информации, которая сохранилась на момент сбора, и могли измениться. И это не весь рынок ML за 2026 год, а срез 226 объявлений на конкретную дату.
Почему название должности ничего не гарантирует
Объявления с названием «ML Engineer» не всегда подразумевают одинаковые задачи. В одном описании речь идёт про обучение и оценку моделей, в другом про интеграцию готовых LLM через API, в третьем про GPU, пайплайны и деплой.
Практический приём при чтении вакансии: откройте блок задач и проверьте, есть ли там слова про датасеты, обучение и метрики качества, либо про промпты, поиск по документам и агентов, либо про кластеры, контейнеры и мониторинг. Название должности в этих трёх случаях может быть одинаковым, а работа разной настолько, что общий язык найдётся не сразу.
Три направления, которые прячутся за словом «ML»
| Направление | Вакансий из 144 | Задачи по описанию | Технологии в названиях и кратких описаниях |
|---|---|---|---|
| ML/DL-модели | 104 | Обучение и оценка моделей | Python, PyTorch |
| Прикладные AI-приложения | 34 | RAG-системы, AI-агенты, интеграции с готовыми LLM | Python, LLM, RAG, AI-агенты |
| MLOps | 6 | Развёртывание и поддержка ML-инфраструктуры, GPU | Не выделялись отдельно из-за размера выборки |
ML/DL-модели: обучение и оценка
Самая массовая категория, 104 вакансии из 144. Задачи здесь формулируются вокруг моделей: обучить, дообучить, оценить качество, сравнить варианты. Из технологий в названиях и кратких описаниях чаще всего всплывают Python и PyTorch.
Это направление ближе к классической инженерии ML: нужно понимать данные, метрики и процесс обучения, а не только вызывать чужой API. Конкретные датасеты, бенчмарки и размеры команд в срезе не разбирались, поэтому детали придётся уточнять на собеседовании по тексту самой вакансии.
Прикладной AI: RAG, AI-агенты и готовые LLM
34 вакансии из 144. Работа строится вокруг готовых моделей: собрать поиск по документам, подключить LLM к внутренним данным, сделать агента с инструментами, отдать всё это в продукт. Связка, которая видна в объявлениях: Python, LLM, RAG, AI-агенты.
Отличие от предыдущей категории принципиальное по характеру работы, а не по сложности. Здесь мало что обучают с нуля, зато много времени уходит на качество ответов, разбиение документов на фрагменты, обработку ошибок и стоимость запросов к модели. Иногда такой трек называют «более простым входом», но проверяется он по другим навыкам: умению собирать систему из компонентов и отлаживать её на реальных данных.
MLOps и инфраструктура: мало вакансий, но отдельная роль
6 вакансий из 144. Задачи: развёртывание и поддержка ML-инфраструктуры, работа с GPU. Шесть объявлений слишком малое основание для вывода о дефиците или профиците MLOps-специалистов: при таком объёме одна крупная компания с несколькими похожими вакансиями заметно меняет картину.
Смотреть на это направление как на отдельный трек разумно: задачи отличаются от обучения моделей и от прикладных LLM-систем. Строить карьерную стратегию только по шести объявлениям не стоит. Контекст по профессиям вокруг ИИ, включая динамику спроса на инфраструктурные роли, собран в карте новых профессий 2026.
Опыт, география и формат: кого реально берут
Формальная категория «без опыта» есть только у 6 профильных вакансий из 144. Большинство объявлений рассчитано на кандидатов с опытом от одного года. Это не значит, что вход закрыт: значит, что вакансии с пометкой для новичка встречаются редко, и конкурировать за них придётся с людьми, у которых уже есть проекты.
География: Москва указана в 79 объявлениях из 144. Формат: удалёнка в 33, работа на месте в 108. Город размещения не всегда равен месту работы, часть вакансий публикуется на Москву при распределённой команде, а часть офисных на бумаге вакансий подразумевает гибрид. Уточняйте формат в первом же сообщении рекрутеру, чтобы не потратить неделю на процесс, который вам не подходит.
Картина с наймом джуниоров в целом неоднозначна: разные исследования дают разные выводы, и в разборе работ CESifo и Стэнфорда о найме выпускников видно, почему цифры расходятся. Для практики вывод один: портфолио и измеримый результат проекта весят больше, чем ожидание вакансии с пометкой «без опыта».
Зарплаты: почему средней цифры здесь нет
Зарплата не указана в 112 профильных объявлениях из 144. Опубликована она в 32: в 27 случаях сумма в рублях, в 5 в иностранных валютах.
Из этих 32 объявлений нельзя вывести аккуратную среднюю. Часть работодателей пишет вилку, часть только верхнюю границу, часть сумму до вычета налогов. Валюты смешаны, и курс на дату сбора не зафиксирован. Три десятка точек с разной структурой данных дают число, которое выглядит как рыночная ставка, но описывает скорее привычки работодателей заполнять поле зарплаты.
Отсюда простое правило: если в статье или в чате вам показывают «среднюю зарплату ML-специалиста», построенную на похожем срезе объявлений, спросите, сколько в выборке было вакансий с открытой суммой и в какой валюте. Ответ обычно снимает вопрос.
Какие навыки реально фигурируют в вакансиях
Среди отобранных технологий и направлений в названиях и кратких описаниях чаще всего встречаются Python, LLM, AI-агенты, PyTorch и RAG. По задачам они складываются в две рабочие связки. Python плюс PyTorch: обучение, дообучение и оценка моделей. Python плюс LLM, RAG и AI-агенты: прикладные системы на готовых моделях, где основной объём работы приходится на интеграцию и качество ответов.
Python стоит отдельно от обеих связок, потому что он встречается в обеих. Это базовый слой, без которого не разобрать ни данные, ни пайплайн инференса. Если выбирать, с чего начать при ограниченном времени, начинать логично с него, а дальше добавлять PyTorch либо LLM-инструментарий в зависимости от выбранного направления.
Почему частота упоминаний - не рейтинг популярности технологии
Упоминания считались только по доступным названиям и кратким описаниям объявлений, методика описана в самом исследовании. Это неполный перечень требований работодателей. Часть стека остаётся в полном тексте вакансии, часть вообще не упоминается, потому что подразумевается по умолчанию.
Короткое описание пишут по-разному: один рекрутер перечисляет пять библиотек, другой ограничивается фразой про опыт разработки на Python. Одна и та же практика может называться «поиск по знаниям», «работа с документами» или «RAG». Поэтому редкое упоминание технологии в такой выборке означает только редкое упоминание. Вывод «технология умирает» или «технология никому не нужна» из этого не следует.
Что это значит для соискателя: направление, портфолио, следующий шаг
- Выбирайте направление по задачам, а не по названию должности. Обучение и оценка моделей, прикладные LLM-системы и ML-инфраструктура требуют разного набора навыков и дают разный рабочий день.
- Для прикладного AI собирайте портфолио вокруг RAG и AI-агентов на готовых LLM: поиск по своим документам, оценка качества ответов, обработка ошибок, подсчёт стоимости запросов. Такой проект ближе к реальным задачам из 34 вакансий, чем ещё один ноутбук с обучением модели на готовом датасете.
- Для ML/DL собирайте портфолио вокруг обучения и оценки моделей на PyTorch: воспроизводимый пайплайн, честные метрики, сравнение конфигураций. Именно эти задачи описаны в самой массовой категории, 104 вакансии из 144.
- Python не игнорируйте ни в одном из треков. Он встречается и в ML/DL, и в прикладном AI, и в инфраструктурных вакансиях.
- Учитывайте границы данных: 226 объявлений на 6 ноября 2026 года, дубли по городам, зарплата без указания в 112 случаях из 144. Любой вывод «на рынке сейчас так» проверяйте на более свежем срезе.
При чтении конкретного объявления полезно задать себе пять вопросов. Какие задачи стоят первыми в описании? Речь про обучение моделей или про интеграцию готовых? Что уже есть в инфраструктуре и что придётся поднимать самому? Как измеряют качество результата? Какой формат работы и совпадает ли он с городом размещения?
Если вы просматриваете десятки объявлений вручную и тонетe в повторах, пригодится кейс автоматизации поиска работы с AI-агентами: там показано, как собрать вакансии и отфильтровать их, а также где автоматизация ломается. Смежные направления на 2026 год разобраны в материале о том, куда идти IT-специалисту при повсеместном ИИ.
Что осталось за пределами разбора
В исследовании нет полного рынка ML за 2026 год: только 226 объявлений, собранных на дату. Нет средней зарплаты, потому что 112 профильных объявлений её не содержат. Нет уникальных рабочих мест вместо объявлений: похожие вакансии дублируются по городам. Нет полного перечня требований: считались упоминания в названиях и кратких описаниях, а не в полных текстах.
Что можно сделать дальше, опираясь на ту же методику: повторить срез на другую дату и сравнить доли направлений, прочитать десяток полных описаний целиком и выписать задачи, а не теги, отдельно посмотреть вакансии с открытой зарплатой и сгруппировать их по задачам. Такой разбор займёт вечер и даст больше, чем ещё одна средняя цифра из неполной выборки.