Usiamo cookie tecnici e il registro anonimo delle visite di Zorky. Yandex Metrica (dati conservati su server in Russia) funziona solo con il tuo consenso. Non vendiamo mai dati. Ulteriori informazioni su cookie e statistiche.
Zorky è in modalità test: è tutto gratuito. Le offerte e le pagine delle aziende sono aperte a tutti; i link agli annunci e la tua selezione personale si aprono dopo la registrazione. Registrati →

Ingegnere IA / LLM: mercato

Dati al 19 novembre 2026: posizioni aperte Ingegnere IA / LLM — 4167, il 30% da remoto tra gli annunci che indicano la modalità di lavoro; retribuzione mediana negli annunci $10.833/mese (da 541 annunci con retribuzione indicata). Fonte: Zorky, aggiornato ogni giorno.

AI / LLM Engineer: il ruolo più giovane ma più in vista dell'area AI/ML/DS, nato nel 2023 sull'onda di ChatGPT / GPT-4 / Claude / Llama 2. Focus: integrare i modelli linguistici di grandi dimensioni (LLM) in un prodotto: NON addestrare foundation model da zero (quella è Research), NON pipeline di ML classico (quello è ML Engineer / Data Scientist), ma ingegneria LLM applicata: prompt engineering + RAG (Retrieval-Augmented Generation) + fine-tuning tramite LoRA / QLoRA + architetture ad agenti + tool use + valutazione. Famiglia di ruoli: AI Engineer (generale: integrazione di LLM in una funzionalità di prodotto: chatbot / riassunti / classificazione / Q&A), LLM Engineer (approfondito sugli LLM: ottimizzazione lato server: serving con vLLM / TGI / SGLang, tuning della KV cache, quantizzazione, speculative decoding), Generative AI Engineer (più ampio: include immagini / video / audio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (in crescita 2025–2026: agenti autonomi con tool calling, ragionamento multi-step, LangGraph / AutoGen / CrewAI / Microsoft Semantic Kernel), Senior AI Engineer (architettura LLM multi-prodotto + ottimizzazione dei costi). Stack 2026: Python (monopolio). Database vettoriali: Pinecone (leader managed: premium), Weaviate (open source: modulare), Qdrant (Rust: self-hosted veloce), Milvus (scala enterprise), Chroma (leggero, per sviluppo), pgvector (estensione di Postgres: adatta alla produzione), Elasticsearch dense_vector + Redis Stack (ibrido). Fine-tuning: LoRA + QLoRA (libreria PEFT di Hugging Face), il fine-tuning completo è raro (costi proibitivi). RLHF / DPO: libreria TRL (Hugging Face). Serving: vLLM (PagedAttention: throughput record), TGI (Text Generation Inference: Hugging Face), SGLang (modello di programmazione per serving + caching), Ollama (locale), llama.cpp (CPU + edge). Valutazione: RAGAS, DeepEval, lm-evaluation-harness, Inspect AI (UK AISI), Promptfoo, LangSmith (trace + eval di LangChain: la migliore UX). Osservabilità: Helicone, LangSmith, Langfuse (open source), Arize Phoenix, Datadog LLM Observability. Costi: tracciamento per token + prompt caching. Stack principale: python, llm, cloud, aws, agile. Tra le offerte con modalità di lavoro indicata, il 30% è da remoto.

Dati al:

I numeri chiave del mercato Ingegnere IA / LLM: annunci aperti, retribuzione mediana, bacino di specialisti osservato e quota di remoto.

4167
offerte aperte — per titolo dell'offerta, ripubblicazioni unite
$10.833
mediana $/mese
30%
da remoto

Il mercato Ingegnere IA / LLM ha al momento 4167 ruoli aperti, di cui 3594 osservati di recente. Median salary $10.833/mo.

Tra le offerte con modalità di lavoro indicata, il 30% è da remoto. Il lavoro sull'IA è completamente basato sul cloud (API degli LLM + database vettoriali + GPU cloud). Gli outsourcer: quasi sempre da remoto. I laboratori internazionali di frontier AI: full remote come standard per i candidati eccezionali. L'IA delle Big Tech: ibrido come standard. Le startup di IA di Y Combinator: full remote premium.

⚠ stipendio noto per 541 offerte su 4167; quota di lavoro da remoto da 3515 con modalità indicata; 3594 conteggiate come osservazioni recenti; tendenza e difficoltà di assunzione non sono mostrate

Cronologia: annunci e fonti

Quanti annunci Ingegnere IA / LLM sono comparsi ogni settimana dal 1 giu e da quante fonti. Il grafico inferiore separa la crescita del mercato dalla crescita della nostra copertura: un salto nella settimana in cui sono state collegate nuove fonti significa che abbiamo iniziato a vedere di più, non che il mercato è cresciuto.

Nuovi annunci a settimana

Dati del grafico
Nuovi annunci a settimana. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoNuovi annunci a settimana
2026-06-01190
2026-06-08141
2026-06-15113
2026-06-22326
2026-06-29306
2026-07-06351
2026-07-13463
2026-07-20436
2026-07-27254
2026-08-03354
2026-08-10219
2026-08-17262
2026-08-24235
2026-08-31272
2026-09-07278
2026-09-14307
2026-09-211096
2026-09-28666
2026-10-05752
2026-10-121640
2026-10-19888
2026-10-26967
2026-11-02928
2026-11-091041

Fonti attive a settimana

Fonti nel periodo: 278. ▲ — settimana in cui sono state collegate molte nuove fonti.

Dati del grafico
Fonti attive a settimana. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoFonti attive
2026-06-0125
2026-06-0824
2026-06-1521
2026-06-2249
2026-06-2968
2026-07-0658
2026-07-1385
2026-07-2075
2026-07-2766
2026-08-0366
2026-08-1040
2026-08-1744
2026-08-2447
2026-08-3149
2026-09-0749
2026-09-1450
2026-09-2175
2026-09-2871
2026-10-0582
2026-10-1273
2026-10-1983
2026-10-2685
2026-11-0282
2026-11-09107
Nuove fonti collegate: 22 giu +28 · 29 giu +36 · 6 lug +22 · 13 lug +26 · 20 lug +19 · tutte le settimane (23) nella tabella
SettimanaNuove fontiNuovi annunci
8 giu+7141
15 giu+5113
22 giu+28326
29 giu+36306
6 lug+22351
13 lug+26463
20 lug+19436
27 lug+5254
3 ago+6354
10 ago+2219
17 ago+4262
24 ago+5235
31 ago+5272
7 set+7278
14 set+8307
21 set+101096
28 set+6666
5 ott+8752
12 ott+81640
19 ott+14888
26 ott+3967
2 nov+9928
9 nov+101041

La settimana corrente non è ancora finita e non è mostrata: una settimana incompleta sembrerebbe un calo.

Settimana = data di prima rilevazione dell'annuncio, tutti gli stati; gli annunci sono selezionati con la stessa regola del contatore di questa pagina. Le fonti sono canali di raccolta distinti; i loro nomi non vengono pubblicati.

Dati del grafico
Cronologia: annunci e fonti — Ingegnere IA / LLM. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaNuovi annunci a settimanaFonti attive
2026-06-0119025
2026-06-0814124
2026-06-1511321
2026-06-2232649
2026-06-2930668
2026-07-0635158
2026-07-1346385
2026-07-2043675
2026-07-2725466
2026-08-0335466
2026-08-1021940
2026-08-1726244
2026-08-2423547
2026-08-3127249
2026-09-0727849
2026-09-1430750
2026-09-21109675
2026-09-2866671
2026-10-0575282
2026-10-12164073
2026-10-1988883
2026-10-2696785
2026-11-0292882
2026-11-091041107

Stipendi nel tempo

Stipendio mediano Ingegnere IA / LLM per settimana, USD al mese.

Stipendio mediano, USD al mese

Dati del grafico
Stipendio mediano, USD al mese. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoMedianaAnnunci con stipendio per settimana (n)
2026-08-31735511
2026-09-07—5
2026-09-14—5
2026-09-21840625
2026-09-28903649
2026-10-05833379
2026-10-12857884
2026-10-199457156
2026-10-2610.833165
2026-11-0210.625161
2026-11-0911.417167

La serie inizia il 31 ago: prima non ci sono dati.

Annunci con stipendio per settimana (n)

Solo annunci con stipendio in USD e periodo noto (mese o anno), da 500 a 50.000 $ al mese. Le settimane con meno di 10 annunci di questo tipo sono lasciate vuote: significa nessun dato, non zero.

Dati del grafico
Stipendi nel tempo — Ingegnere IA / LLM. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaMediana
2026-06-01—
2026-06-08—
2026-06-15—
2026-06-22—
2026-06-29—
2026-07-06—
2026-07-13—
2026-07-20—
2026-07-27—
2026-08-03—
2026-08-10—
2026-08-17—
2026-08-24—
2026-08-317355
2026-09-07—
2026-09-14—
2026-09-218406
2026-09-289036
2026-10-058333
2026-10-128578
2026-10-199457
2026-10-2610.833
2026-11-0210.625
2026-11-0911.417

Il lavoro da remoto nel tempo

Quota di annunci Ingegnere IA / LLM che offrono lavoro completamente da remoto, per settimana.

Annunci da remoto, %

Dati del grafico
Annunci da remoto, %. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoDa remoto
2026-06-0130,3
2026-06-0826,1
2026-06-1521,1
2026-06-2227,6
2026-06-2940,9
2026-07-0639,5
2026-07-1340,8
2026-07-2043,1
2026-07-2746,7
2026-08-0327,7
2026-08-1036,2
2026-08-1730,8
2026-08-2431,3
2026-08-3122,9
2026-09-0720,3
2026-09-1417,6
2026-09-2129,6
2026-09-2833,5
2026-10-0536,5
2026-10-1234,5
2026-10-1935,1
2026-10-2634
2026-11-0230,5
2026-11-0930,5

La quota è calcolata tra gli annunci che indicano la modalità (remoto, ibrido, ufficio). Le settimane con meno di 10 annunci di questo tipo sono lasciate vuote.

Dati del grafico
Il lavoro da remoto nel tempo — Ingegnere IA / LLM. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaDa remoto
2026-06-0130,3
2026-06-0826,1
2026-06-1521,1
2026-06-2227,6
2026-06-2940,9
2026-07-0639,5
2026-07-1340,8
2026-07-2043,1
2026-07-2746,7
2026-08-0327,7
2026-08-1036,2
2026-08-1730,8
2026-08-2431,3
2026-08-3122,9
2026-09-0720,3
2026-09-1417,6
2026-09-2129,6
2026-09-2833,5
2026-10-0536,5
2026-10-1234,5
2026-10-1935,1
2026-10-2634
2026-11-0230,5
2026-11-0930,5

Tecnologie nel tempo

Come è cambiata la quota di offerte Ingegnere IA / LLM che citano ciascuna delle tecnologie principali.

Annunci che citano la tecnologia, %

Dati del grafico
Annunci che citano la tecnologia, %. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoPythonllmcloud
2026-08-1023,436,921,6
2026-08-1739,346,217,9
2026-08-2429,534,117,8
2026-08-3135,746,210,5
2026-09-0734,748,424,2
2026-09-1432,84026,4
2026-09-2138,244,435
2026-09-2856,955,741,8
2026-10-0559,254,340,6
2026-10-1250,350,741
2026-10-1959,860,243,6
2026-10-2659,556,350,6
2026-11-0263,357,940,7
2026-11-0961,45544,9
Fino a 5 nel grafico:

Quota tra gli annunci con stack taggato; la serie inizia il 10 ago: prima i tag dello stack erano assegnati diversamente. Le settimane con meno di 20 annunci taggati sono lasciate vuote.

Dati del grafico
Tecnologie nel tempo — Ingegnere IA / LLM. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaPythonllmcloudAWSAzure
2026-08-1023,436,921,616,27,2
2026-08-1739,346,217,91212
2026-08-2429,534,117,88,511,6
2026-08-3135,746,210,510,58,4
2026-09-0734,748,424,26,512,9
2026-09-1432,84026,45,68,8
2026-09-2138,244,43517,813,5
2026-09-2856,955,741,829,433,6
2026-10-0559,254,340,62627,5
2026-10-1250,350,74123,922,2
2026-10-1959,860,243,628,225,4
2026-10-2659,556,350,631,928,6
2026-11-0263,357,940,726,724,5
2026-11-0961,45544,926,328,6

Paesi nel tempo

Come è cambiata ogni settimana la quota di offerte Ingegnere IA / LLM in ciascuno dei paesi principali.

Annunci nel paese, %

Dati del grafico
Annunci nel paese, %. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoUSARegno UnitoPolonia
2026-06-0150,82,217,3
2026-06-0851,97,810,9
2026-06-1558,8213,7
2026-06-2229,70,734,7
2026-06-2927,7416,6
2026-07-0631,45,210,8
2026-07-1333,3511,8
2026-07-2034,11718,7
2026-07-2729,611,318,8
2026-08-0335,318,54,8
2026-08-1028,227,63,1
2026-08-1737,320,11,4
2026-08-2432,122,34,3
2026-08-3137,624,51,7
2026-09-0740,917,53,2
2026-09-1437,7201,1
2026-09-2135,912,24,1
2026-09-2837,511,911,9
2026-10-0531,711,715
2026-10-1222,29,210,9
2026-10-192611,213,3
2026-10-2627,8127
2026-11-0228,612,67,4
2026-11-0928,411,47,5
Fino a 5 nel grafico:

Quota tra gli annunci con paese noto; il grafico mostra i cinque paesi con più annunci in sei mesi. Le settimane con meno di 20 annunci con paese noto sono lasciate vuote. Una quota in crescita può indicare una fonte appena collegata in quel paese, non una crescita del mercato.

Dati del grafico
Paesi nel tempo — Ingegnere IA / LLM. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaUSARegno UnitoPoloniaIndiaGermania
2026-06-0150,82,217,312,31,1
2026-06-0851,97,810,913,27,8
2026-06-1558,8213,76,94,9
2026-06-2229,70,734,773,7
2026-06-2927,7416,67,53,2
2026-07-0631,45,210,813,64,9
2026-07-1333,3511,812,13,7
2026-07-2034,11718,74,72,5
2026-07-2729,611,318,83,85,9
2026-08-0335,318,54,86,81,7
2026-08-1028,227,63,16,13,7
2026-08-1737,320,11,47,71,9
2026-08-2432,122,34,38,22,2
2026-08-3137,624,51,78,32,2
2026-09-0740,917,53,27,91,2
2026-09-1437,7201,112,10,4
2026-09-2135,912,24,174,1
2026-09-2837,511,911,97,45,2
2026-10-0531,711,7155,77,5
2026-10-1222,29,210,99,210
2026-10-192611,213,36,67,8
2026-10-2627,81278,65,3
2026-11-0228,612,67,47,26,1
2026-11-0928,411,47,58,66,4

Mercato pulito: indice di assunzione

Gli stessi 7505 siti di lavoro dei datori di lavoro; il numero di annunci viene dal sito stesso. Collegare nuove fonti non muove questo indice: mostra il mercato, non la nostra copertura. È l'intero mercato del panel, non solo Ingegnere IA / LLM.

Indice delle assunzioni, 16 ott = 100

Dati del grafico
Indice delle assunzioni, 16 ott = 100. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoIndice delle assunzioni
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Indice a catena: ogni giorno confronta solo i siti interrogati sia quel giorno sia il precedente; valori anomali e interruzioni di interrogazione di un'intera piattaforma sono esclusi. I giorni senza coppie confrontabili sono lasciati vuoti.

Dati del grafico
Mercato pulito: indice di assunzione — Ingegnere IA / LLM. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
GiornoIndice delle assunzioni
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Quanti annunci Ingegnere IA / LLM aperti ci sono e quanti specialisti adatti osserva Zorky.

Domanda e offerta osservata

Dati del grafico
Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
IndicatoreValore
Domanda aperta4167
Domanda aperta4167
Offerta osservata— non pubblicato

AI Engineer: la sottonicchia AI/ML in più rapida crescita (separata nel 2023 dopo il boom di ChatGPT). Il mercato reale è più ampio del pool visibile: molti ruoli di IA sono classificati come ML Engineer generico / Backend nel nostro matcher (titoli come «Senior Backend Engineer with AI focus»). Fattori trainanti 2026: adozione degli LLM in tutti i prodotti (chatbot / riassunti / Q&A / assistenza al codice), applicazioni RAG per le knowledge base aziendali, workflow agentici (in crescita nel 2025–2026), la corsa delle startup di Foundation Model. Lavoro da remoto internazionale tramite i laboratori di frontier AI + le startup di IA di Y Combinator: il segmento premium.

⚠ i candidati adatti a un'offerta non sono ancora conteggiati: sono mostrate la domanda e la banca dati osservata

Come si distribuiscono le retribuzioni negli annunci Ingegnere IA / LLM, in dollari USA al mese.

Distribuzione degli stipendi

P25 $7699 · P50 $10.833 · P75 $15.625
Dati del grafico
Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
IndicatoreValore
<$1k4
$1–2k10
$2–3k11
$3–4k11
$4–5k11
$5–6k30
$6–7k32
$7–8k37
$8–9k45
$9–10k34
$10–12k80
$12–15k81
$15–20k113
$20k+42
Stipendio negli annunci: base 4167
  • utilizzabile per il calcolo: 541 (13%)
  • indicato ma non convertito in USD/mese: 543 (13%)
  • non indicato: 3083 (74%)

Un annuncio su dieci offre meno di $5411, uno su dieci più di $19.166. La metà degli annunci offre tra $7699 e $15.625. Campione: 541.

Dati del grafico
Distribuzione degli stipendi — Ingegnere IA / LLM. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
IndicatoreLimite inferioreLimite superioreNumero
<$1k010004
$1–2k1000200010
$2–3k2000300011
$3–4k3000400011
$4–5k4000500011
$5–6k5000600030
$6–7k6000700032
$7–8k7000800037
$8–9k8000900045
$9–10k900010.00034
$10–12k10.00012.00080
$12–15k12.00015.00081
$15–20k15.00020.000113
$20k+20.000—42

In quali paesi ci sono più annunci Ingegnere IA / LLM aperti.

Geografia della domanda

paeseoffertequota
Stati Uniti105030,3%
Regno Unito3299,5%
Polonia3088,9%
India2848,2%
Germania2146,2%
Canada1243,6%
Francia1103,2%
Singapore1073,1%
Spagna651,9%
Russia601,7%
Altri paesi81923,6%

Il leader per numero di offerte AI Engineer sono gli Stati Uniti (1050 posizioni), ma il bacino di questa giovane nicchia è piccolo e non del tutto rappresentativo. La Polonia è un hub UE favorevole all'IA (Varsavia / Cracovia). La Germania ha il cluster IA di Berlino (Aleph Alpha + Black Forest Labs). Francia: Parigi (sede di Mistral + Hugging Face). Regno Unito: Londra. USA: Bay Area (il più grande hub IA).

⚠ solo numero di offerte: lo stipendio per paese non è pubblicato

Dati del grafico
Geografia della domanda — Ingegnere IA / LLM. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PaeseOfferte
US1050
GB329
PL308
IN284
DE214
CA124
FR110
SG107
ES65
RU60

Quali tecnologie sono richieste più spesso nello stesso annuncio di Ingegnere IA / LLM.

Si usa insieme a

python
156237,5%
llm
153536,8%
cloud
133131,9%
aws
84720,3%
azure
79019%
docker
47711,4%
langchain
44110,6%
langgraph
42510,2%
gcp
4019,6%
mlops
3568,5%

Quota: quanti dei 4167 annunci del mercato Ingegnere IA / LLM citano questa tecnologia. Ordinato per numero di annunci, non per «forza dell’associazione». Termini generici come cloud non indicano un cloud specifico (AWS, Azure).

Dati del grafico
Si usa insieme a — Ingegnere IA / LLM. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
NomeNumero
python1562
llm1535
cloud1331
aws847
azure790
docker477
langchain441
langgraph425
gcp401
mlops356
embeddings355
fine-tuning333

Quanti annunci Ingegnere IA / LLM ci sono per ogni livello, da junior a principal.

Domanda per livello

livelloofferte
senior1284
principal316
lead312
junior201
middle184

Junior: ingresso tipico Backend Senior / ML Engineer Middle + portfolio LLM (esperienza dimostrabile con RAG + LangChain). Percorso di carriera: Backend Senior / ML Middle (2-3 anni) + interesse per gli LLM → AI Engineer Junior (1-2 anni) → Middle (2-3 anni) → Senior → oppure Staff / Principal AI Engineer, AI Tech Lead / Engineering Manager, passaggio a un laboratorio di frontier AI, o founder di una startup AI. Se i dati per grado sono scarsi, guarda le pagine ml-engineer + research per riferimenti più ampi.

⚠ solo lato domanda: il livello della banca dati osservata è ignoto per la maggior parte

Dati del grafico
Domanda per livello — Ingegnere IA / LLM. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
LivelloNumero
senior1284
principal316
lead312
junior201
middle184

Chi assume di più per Ingegnere IA / LLM e quanto la domanda è concentrata nelle aziende più grandi.

Datori di lavoro

La domanda è distribuita tra 2497 datori di lavoro. Il maggiore ne concentra il 1.1%, i primi dieci il 5.0%; il restante 95.0% è coda lunga.

il più grande 1,1%2°–3° 1,3%4°–10° 2,6%gli altri 95%
quotavalore
top-11.1%
top-32.3%
top-105.0%
coda lunga95.0%

⚠ i nomi non sono mostrati: il classificatore non distingue ancora le agenzie di selezione dai datori di lavoro finali

Da quali siti aziendali e portali di lavoro Zorky raccoglie gli annunci Ingegnere IA / LLM.

Dove Zorky vede questo mercato

Osservato su 128 fonti; la maggiore ne concentra il 11.5%: questo mercato non dipende da un solo canale.

Dati del grafico
Dove Zorky vede questo mercato — Ingegnere IA / LLM. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
ClasseNomeNome ingleseNumeroQuota
atsATS и карьерные сайтыATS e siti carriere25300,6072
boardджоб-борды и агрегаторыportali di lavoro e aggregatori13920,3341
telegramTelegramTelegram2220,0533
communityсообщества и публичные профилиcommunity e profili pubblici230,0055

Gli annunci Ingegnere IA / LLM più recenti dalle pagine carriere delle aziende.

Posizioni recenti

Tutte le offerte →

Le ultime offerte AI Engineer aperte: le posizioni più recenti nel campione (nicchia giovane, il campione è piccolo). L'elenco completo è nel nostro CRM o tramite il link «vedi tutte» qui sotto. Per una visione più ampia, vedi le pagine ml-engineer + research.

Come si misura
Posizione
un'offerta aperta che ha superato il controllo di qualità e indica almeno due tecnologie
Candidato osservato
un candidato il cui stack contiene questa tecnologia; un dato aggregato: nessun singolo record esce dal perimetro
Candidato abbinabile
non ancora conteggiato
Finestra
offerte aperte nel momento in cui è stato creato lo snapshot

Sui dati

  • Alcuni dettagli sono nascosti: la loro copertura di dati non è ancora sufficiente.
  • Le statistiche vengono mostrate solo dove il campione supera un controllo di qualità.
  • L'assenza di un blocco non significa che il valore sia zero.

Dettagli attualmente nascosti: 8.

Area: IA / ML / Data Science

Specializzazioni correlate

All'interno di AI / LLM Engineer: AI Engineer (generale: integrazione degli LLM in una funzionalità di prodotto), LLM Engineer (LLM in profondità: serving vLLM / TGI + KV cache + quantizzazione + speculative decoding), Generative AI Engineer (più ampio: immagini / video / audio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (in crescita 2025–2026: agenti autonomi con uso di strumenti + ragionamento multi-step), Senior AI Engineer (architettura LLM multi-prodotto + ottimizzazione dei costi). Confronto con ml-engineer/data-scientist/research/mlops nella barra qui sotto.

Visione artificialeScienziato dei datiIngegnere MLMLOpsIngegnere di elaborazione del linguaggio naturaleIngegnere di ricerca

Domande frequenti

Le domande più frequenti su AI / LLM Engineer: retribuzione (segmento premium per una competenza rara), AI Engineer vs ML Engineer vs Data Scientist (confronto a 3), RAG vs fine-tuning vs prompt engineering (albero decisionale + realtà dei costi), AI Agent Engineer (sotto-specializzazione in crescita 2025–2026), remoto, come diventarlo (2-4 mesi da Backend Senior: l'ingresso più rapido nel mondo ML), competenze da Senior (LangChain + RAG avanzato + architetture ad agenti + ottimizzazione dei costi + contributi open source). Le risposte si ricalcolano automaticamente.

Quanto guadagna un AI Engineer Junior, Middle, Senior o Lead?

Junior: ingresso tipico: Backend Middle / ML Engineer Middle / Data Scientist Middle + progetti amatoriali con LLM (esperienza dimostrabile con RAG + LangChain). Il salto Junior → Middle: dopo il primo deployment in produzione di una funzionalità LLM (chatbot / riassunti / Q&A in un prodotto reale con utenti reali). Middle → Senior: responsabilità LLM multi-funzionalità + ottimizzazione dei costi + metodologia di valutazione. Senior → Staff / Principal: strategia AI a livello di organizzazione + architettura della piattaforma LLM multi-prodotto. Percorso di carriera: Backend Senior / ML Engineer Middle (2-3 anni) + interesse per gli LLM → AI Engineer Junior / Middle (1-2 anni) → Senior → oppure Staff / Principal AI Engineer, AI Tech Lead / Engineering Manager, passaggio a un laboratorio di frontier AI, o founder di una startup AI.

Quale stack viene richiesto più spesso per AI Engineer?

I principali nel 5: python, llm, cloud, aws, agile. Python a fondo (monopolio: async / typing / FastAPI). Ogni provider ha le sue particolarità (rate limit + strategie di retry + costo per token + supporto delle funzionalità). Framework LLM: padronanza di LangChain, il mercato del lavoro più ampio (LCEL: LangChain Expression Language, callback, agenti, retriever), LlamaIndex (focalizzato sul RAG: acquisizione dei dati + strategie di indicizzazione), Haystack (deepset), Semantic Kernel (Microsoft per le aziende .NET), LangGraph (orchestrazione di agenti in stile DAG: LangChain), AutoGen + CrewAI (multi-agente: in crescita), DSPy (Stanford: programmazione dichiarativa degli LLM, in crescita). Padronanza dei database vettoriali: Pinecone (leader gestito), Weaviate (open source modulare), Qdrant (basato su Rust: veloce, self-hosted), Milvus (scala enterprise), Chroma (leggero per sviluppo / prototipazione), pgvector (estensione di Postgres: adatta alla produzione per chi usa già Postgres), Elasticsearch dense_vector + Redis Stack (ibrido full-text + vettoriale). Fine-tuning: LoRA + QLoRA tramite la libreria PEFT (Hugging Face: standard nel 2026), Unsloth (addestramento LoRA più veloce), Axolotl (fine-tuning guidato dalla configurazione). Il fine-tuning completo è raro (costo proibitivo). RLHF / DPO / KTO: libreria TRL (Hugging Face: crescita della Direct Preference Optimization 2024+). Valutazione: RAGAS (specifico per il RAG: faithfulness + answer relevancy + context precision), DeepEval, lm-evaluation-harness (benchmark accademici), Inspect AI (UK AISI, focalizzato sulla sicurezza), Promptfoo (test di regressione per i prompt), LangSmith (trace + valutazione di LangChain: la migliore UX). Osservabilità + tracing: Helicone (APM specifico per LLM), LangSmith, Langfuse (open source), Arize Phoenix, Datadog LLM Observability (funzionalità 2024+). Ottimizzazione dei costi: prompt caching, compressione dei prompt (LLMLingua), routing dei modelli (un modello piccolo per le query semplici, uno grande per quelle complesse, tramite provider come Martian / OpenRouter).

AI Engineer vs ML Engineer vs Data Scientist: qual è la differenza?

Data Scientist: focus su modellazione statistica + test A/B + formulazione dei problemi di business. Stack: pandas + sklearn + XGBoost + Jupyter + SQL + Tableau. Vedi Data Scientist. ML Engineer: focus su pipeline ML in produzione + deployment + scalabilità. Stack: PyTorch + sklearn + Kubernetes + MLflow + ML gestito nel cloud. Generalista: lavora con recsys / frodi / ranking / ML classico. Vedi ML Engineer. AI Engineer (questa pagina): focus sull'integrazione degli LLM nel prodotto. NON addestra foundation model (quello è Research), NON costruisce pipeline di ML classico (quello è ML Engineer). Stack: Python + provider di LLM + LangChain / LlamaIndex + database vettoriali + serving con vLLM + pattern RAG + fine-tuning LoRA + strumenti di valutazione degli LLM. Distinzione chiave 2026: l'AI Engineer riutilizza LLM pre-addestrati, il ML Engineer spesso addestra modelli da zero. L'AI Engineer lavora con API/prompt/RAG; il ML Engineer con cicli di addestramento + feature engineering. Cambi di carriera: da Backend Senior ad AI Engineer Junior: 2-4 mesi (avvio rapido grazie al lavoro basato su API + LangChain facile da imparare). Da ML Engineer Senior ad AI Engineer Senior: 1-3 mesi (conosce già le basi dello stack, deve approfondire la parte specifica degli LLM). Da DS Senior ad AI Engineer Middle: 3-6 mesi. Da AI Engineer Senior a Research: servono matematica più approfondita + esperienza nella scrittura di paper + 6-12 mesi di preparazione.

RAG vs Fine-tuning vs Prompt Engineering: cosa scegliere?

Albero decisionale per la personalizzazione degli LLM 2026: 1) Prompt Engineering: il primo tentativo. Caso d'uso: zero-shot o few-shot SONO SUFFICIENTI per il compito. Pro: costo zero (nessun addestramento), iterazione immediata, indipendente dal modello. Contro: controllo limitato, fragilità dei prompt, pressione sulla finestra di contesto. 2) RAG (Retrieval-Augmented Generation): il migliore per i compiti basati sulla conoscenza. Caso d'uso: chatbot, domande e risposte, ricerca nei documenti, assistenza clienti, documentazione del codice, basi di conoscenza interne. Architettura: query → embedding → ricerca vettoriale → top-k documenti → arricchimento del prompt con il contesto recuperato → l'LLM genera la risposta. Pro: ancoraggio ai fatti (contro le allucinazioni), dati aggiornati (basta aggiornare l'indice, senza riaddestrare), possibilità di citare le fonti, più economico del fine-tuning. Contro: la qualità del retrieval è il collo di bottiglia, il prompt si allunga. Stack RAG 2026: ingestione (document loader di LlamaIndex / LangChain) → strategia di chunking (semantico vs dimensione fissa vs ricorsivo) → embedding → database vettoriale (Pinecone / Qdrant / Weaviate / pgvector) → retrieval (similarità + reranking con Cohere Rerank / BGE Reranker) → arricchimento del prompt → generazione dell'LLM. RAG avanzato: ricerca ibrida (vettoriale + BM25), HyDE (Hypothetical Document Embeddings), riscrittura delle query, retrieval multi-hop, auto-riflessione (CRAG / Self-RAG). 3) Fine-tuning: da usare quando prompt engineering + RAG non bastano. Caso d'uso: a) stile / formato specifico del dominio (medico / legale: formulazioni specifiche), b) ridurre il costo dei token (un modello più piccolo con fine-tuning sostituisce un modello generico più grande), c) compiti che richiedono conoscenze specialistiche approfondite (dove la finestra di contesto del RAG non aiuta). LoRA addestra adattatori mantenendo congelati i pesi di base. La quota di parametri addestrabili dipende dal modello, dal rango degli adattatori e dai moduli selezionati. LoRA. Stack: Hugging Face Transformers + PEFT + TRL + Unsloth (più veloce) + Axolotl (guidato da configurazione). Hardware: GPU da 24GB (RTX 4090 / A6000) per modelli da 7-13B, 80GB+ (A100/H100) per 70B+. La realtà dei costi 2026: prompt engineering: minuti, $0. Configurazione RAG: 1-2 settimane di ingegneria, $100-1.000/mese di costi API. 4) Combinazione: le funzionalità di IA reali in produzione usano di solito TUTTI e tre. Prima il prompt engineering (prompt di sistema + esempi few-shot) → RAG per l'ancoraggio → eventuale fine-tuning LoRA per stile/formato. 5) Pattern agentici (in crescita 2025–2026): LLM + uso di strumenti + ragionamento in più passaggi. Usa LangGraph / AutoGen / CrewAI / DSPy.

Quale percentuale delle offerte prevede lavoro da remoto?

Tra le offerte con modalità di lavoro indicata, il 30% è da remoto. Le offerte senza modalità indicata sono escluse dal denominatore; il lavoro ibrido non viene conteggiato come remoto.

Da dove iniziare con AI Engineering nel 2026?

Roadmap: 1) Python a fondo + basi di Backend: async / typing / FastAPI / pytest. Senza competenze Backend non sei un AI Engineer (solo un prompt jockey). Libro: "Fluent Python" di Ramalho. 2) Comprensione dei fondamenti degli LLM: basi dell'architettura transformer (attention + tokenizzazione + strategie di decoding + finestre di contesto), ma non serve implementarli da zero. Corso: "Building LLMs from scratch" di Karpathy su YouTube (gratuito: il migliore per l'intuizione). Libro: "Hands-On Large Language Models" di Jay Alammar / Maarten Grootendorst (2024: da leggere assolutamente). 3) Padronanza dell'API OpenAI: chat completions + function calling + output strutturati + streaming + assistants. Costruisci almeno 3 app reali. Crediti gratuiti + sperimentazione economica. 4) Padronanza dell'API Anthropic Claude: la migliore per il coding + i casi d'uso a contesto lungo. Tool use + prompt caching + computer use (se ti interessa il percorso AI Agent). 5) Padronanza di LangChain: il requisito più diffuso nel mercato del lavoro. LCEL (LangChain Expression Language), chain, agent, retriever, callback. Corso: "LangChain & Vector Databases in Production" di DeepLearning.AI (gratuito). 6) Architettura RAG in profondità: document loader + strategie di chunking (semantico / fisso / ricorsivo) + scelta degli embedding + scelta del DB vettoriale + algoritmi di retrieval + reranking. Costruisci un'app RAG di produzione con pattern avanzati (ricerca ibrida + reranking + HyDE). 7) Padronanza dei DB vettoriali: almeno uno a fondo (Qdrant: il migliore per imparare in self-hosted) + uno gestito (Pinecone). Comprensione delle basi degli algoritmi HNSW / IVF / PQ. 8) Pratica di fine-tuning: LoRA / QLoRA con la libreria PEFT + Unsloth (più veloce). Fai il fine-tuning di Llama 3.x 8B sul tuo dataset. Hardware: Google Colab Pro+ ($50/mese) o RunPod / Vast.ai (noleggio economico di GPU). 9) Serving con vLLM: fai il deploy di un modello open con vLLM + misura il throughput + confronta con l'API OpenAI. 10) Padronanza della valutazione: RAGAS + DeepEval + suite di valutazione custom. Costruisci un test di regressione per i prompt. 11) Osservabilità con LangSmith / Langfuse: strumenta un'app di produzione + analizza le tracce + individua i colli di bottiglia. 12) Framework per agenti: basi di LangGraph + AutoGen + CrewAI + DSPy. Costruisci una demo multi-agente (agente di ricerca + agente di scrittura + agente critico). 13) Portfolio di progetti personali: funzionalità AI di livello produzione (ad es. Q&A su documenti per un dataset aperto) con RAG + valutazione + osservabilità + tracciamento dei costi. Documentala come portfolio (GitHub + post sul blog + video demo). Corsi russi: percorso "AI Engineer" di Karpov.Courses, Otus "LLM Engineering", HSE School of AI, percorso AI Engineer di School21 (Sber). Libri da leggere assolutamente: "AI Engineering" di Chip Huyen (2024), "Hands-On Large Language Models" di Alammar / Grootendorst, "Building LLMs for Production" di Bouchard / Peng. Backend Senior + interesse per gli LLM → AI Engineer Junior: 2-4 mesi (l'ingresso più rapido nel mondo ML). ML Engineer Senior → AI Engineer Senior: 1-3 mesi. Data Scientist → AI Engineer Middle: 3-6 mesi.

Quante posizioni aperte contiene questo campione?

Il campione pubblicato contiene 4167 posizioni aperte dopo aver raggruppato le ripubblicazioni. È lo stesso numero dell’indicatore principale. La sezione geografica descrive la copertura del campione; non è una stima dell’intero mercato.

Quali competenze servono a un Senior AI Engineer?

Un Senior AI Engineer gestisce l'intero ciclo di ingegneria dei prodotti LLM + ottimizzazione dei costi + leadership tecnica. Python a fondo + livello Backend Senior: padronanza di async / typing / FastAPI / pytest. Conoscenza degli LLM aperti: Llama 3.x / Mistral / Qwen 2.5 / DeepSeek V3 + R1 / Phi 3 / Gemma 2: compromessi tra prestazioni e costi, quando usare quale. Padronanza di LangChain: LCEL a fondo, callback, agent, retriever, scrittura di chain personalizzate, debug tramite LangSmith. Oppure l'equivalente in LlamaIndex / Haystack / Semantic Kernel. Padronanza dell'architettura RAG: pattern avanzati (ricerca ibrida BM25 + vettoriale, reranking, HyDE, riscrittura delle query, retrieval multi-hop, pattern di auto-riflessione CRAG / Self-RAG), strategie di chunking (semantico + ricorsivo + gerarchico), scelta del modello di embedding. Padronanza approfondita dei database vettoriali: uno tra Pinecone / Qdrant / Weaviate / Milvus / pgvector a fondo: tuning degli indici, sharding, replica, implementazione della ricerca ibrida. Padronanza del fine-tuning: LoRA / QLoRA tramite PEFT + Unsloth + Axolotl, preparazione dei dataset (instruction tuning + dati DPO), scelta degli iperparametri, metodologia di valutazione. Basi di RLHF / DPO / KTO: libreria TRL per l'ottimizzazione delle preferenze. Padronanza del serving: vLLM avanzato (PagedAttention + continuous batching + speculative decoding + ottimizzazione della KV cache), TGI, SGLang. Architetture di agent: padronanza di LangGraph + AutoGen + CrewAI + DSPy, implementazione di MCP (Model Context Protocol), pattern di progettazione per l'uso degli strumenti, orchestrazione multi-agent. Padronanza della valutazione: RAGAS + DeepEval + progettazione di suite di valutazione personalizzate, metodologia LLM-as-judge, test di regressione per i prompt, test A/B per le funzionalità LLM. Osservabilità + tracing: padronanza di LangSmith + Langfuse + Helicone + Arize Phoenix + Datadog LLM Observability. Padronanza dell'ottimizzazione dei costi: strategie di prompt caching (native + Redis personalizzato), compressione dei prompt (LLMLingua), instradamento dei modelli (piccoli per i compiti facili / grandi per quelli complessi tramite OpenRouter / Martian), batch API per ciò che non è in tempo reale. Sicurezza / guardrail: NeMo Guardrails, Llama Guard, integrazione dell'OpenAI Moderation API, difesa dalla prompt injection, filtraggio dell'output. System design per prodotti LLM: progettare alla lavagna un prodotto basato su RAG su scala di oltre 100M di query al giorno, considerazioni multi-regione, budget di latenza (obiettivo P95 < 2s per la chat). Soft skill: scrittura di ADR per le decisioni architetturali sugli LLM, scrittura tecnica (documenti di progettazione delle funzionalità LLM), collaborazione tra team (Product / Backend / DS / Research), mentoring degli AI Engineer Middle, disciplina nella lettura dei paper (NeurIPS / ICLR / EMNLP: da seguire per forza). Inglese OBBLIGATORIO per Senior+: community, documentazione, paper e conferenze dell'IA sono interamente in inglese. Bonus facoltativi: contributi open source a LangChain / LlamaIndex / vLLM / Hugging Face: aumentano nettamente il valore di mercato per le assunzioni nei laboratori di frontier AI. Presenza su Twitter nell'IA (post regolari sugli esperimenti con gli LLM): importante per le assunzioni tramite i contatti nella community.

Lascia una richiesta

Descrivi l'attività e lascia un contatto: la richiesta arriva nel nostro CRM e rispondiamo al contatto che indichi.

Inviando, accetti la informativa sulla privacy.