Używamy techniczne pliki cookie i zanonimizowany dziennik wizyt Zorky. Yandex Metrica (dane są przechowywane na serwerach w Rosji) działa tylko za Twoją zgodą. Nigdy nie sprzedajemy danych. Więcej o cookies i statystykach.
Zorky działa w trybie testowym — wszystko jest bezpłatne. Oferty i strony firm są dostępne dla wszystkich; linki do ogłoszeń i osobiste zestawienie ofert — po rejestracji. Zarejestruj się →

Inżynier AI / LLM: rynek

Dane na dzień 19 listopada 2026: otwarte oferty Inżynier AI / LLM — 4167, 30% zdalnie wśród ofert z podanym trybem pracy; mediana wynagrodzenia w ofertach $10 833/mies. (z 541 ofert z podanym wynagrodzeniem). Źródło: Zorky, aktualizacja codziennie.

AI / LLM Engineer — najmłodsza, ale najgłośniejsza rola w kierunku AI/ML/DS, która wyodrębniła się w 2023 na fali ChatGPT / GPT-4 / Claude / Llama 2. Nacisk: integracja dużych modeli językowych (LLM) z produktem — NIE trenowanie foundation models od zera (to Research), NIE klasyczne pipeline'y ML (to ML Engineer / Data Scientist), lecz stosowana inżynieria LLM: prompt engineering + RAG (Retrieval-Augmented Generation) + fine-tuning przez LoRA / QLoRA + architektury agentowe + tool use + ewaluacja. Rodzina ról: AI Engineer (ogólnie — integracja LLM z jedną funkcją produktu: chatbot / streszczanie / klasyfikacja / Q&A), LLM Engineer (głęboko w LLM — optymalizacja po stronie serwera: serving vLLM / TGI / SGLang, tuning KV cache, kwantyzacja, speculative decoding), Generative AI Engineer (szerzej — obejmuje obraz / wideo / audio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (rośnie 2025–2026 — autonomiczni agenci z tool calling, wieloetapowe rozumowanie, LangGraph / AutoGen / CrewAI / Microsoft Semantic Kernel), Senior AI Engineer (architektura LLM dla wielu produktów + optymalizacja kosztów). Stack 2026: Python (monopol). Wektorowe bazy danych: Pinecone (lider managed — premium), Weaviate (open-source — modułowy), Qdrant (Rust — szybki self-hosted), Milvus (skala enterprise), Chroma (lekki, do developmentu), pgvector (rozszerzenie Postgresa — przyjazne produkcji), Elasticsearch dense_vector + Redis Stack (hybrydowo). Fine-tuning: LoRA + QLoRA (biblioteka PEFT od Hugging Face), pełny fine-tuning rzadko (zaporowy koszt). RLHF / DPO: biblioteka TRL (Hugging Face). Serving: vLLM (PagedAttention — rekordowa przepustowość), TGI (Text Generation Inference — Hugging Face), SGLang (model programowania dla servingu + cache'owania), Ollama (lokalnie), llama.cpp (CPU + edge). Ewaluacja: RAGAS, DeepEval, lm-evaluation-harness, Inspect AI (UK AISI), Promptfoo, LangSmith (trace + eval od LangChain — najlepszy UX). Observability: Helicone, LangSmith, Langfuse (open-source), Arize Phoenix, Datadog LLM Observability. Koszty: śledzenie per token + prompt caching. Najczęstszy stack: python, llm, cloud, aws, agile. Wśród ofert z określonym trybem pracy 30% dotyczy pracy zdalnej.

Dane na dzień:

Najważniejsze liczby rynku Inżynier AI / LLM: otwarte oferty, mediana wynagrodzenia, obserwowana pula specjalistów i udział pracy zdalnej.

4167
otwarte oferty — według nazwy stanowiska, reposty scalone
$10 833
mediana $/mies.
30%
zdalnie

Rynek Inżynier AI / LLM ma obecnie 4167 otwartych ról, w tym świeżo zaobserwowanych: 3594. Median salary $10 833/mo.

Wśród ofert z określonym trybem pracy 30% dotyczy pracy zdalnej. Praca z AI jest w pełni chmurowa (API LLM + wektorowe bazy danych + chmurowe GPU). Outsourcerzy — prawie zawsze zdalnie. Międzynarodowe laboratoria frontier AI — praca w pełni zdalna to standard dla wyjątkowych kandydatów. AI w Big Tech — standardem jest hybryda. Startupy AI z Y Combinator — praca w pełni zdalna premium.

⚠ wynagrodzenie znane dla 541 z 4167 ofert; udział pracy zdalnej z 3515 z podanym formatem; 3594 liczone jako świeże obserwacje; trendu i trudności rekrutacji nie pokazujemy

Oś czasu: ogłoszenia i źródła

Ile ogłoszeń Inżynier AI / LLM pojawiało się co tydzień od 1 cze i z ilu źródeł pochodziły. Dolny wykres oddziela wzrost rynku od wzrostu naszego zasięgu: skok w tygodniu, w którym podłączono nowe źródła, oznacza, że zaczęliśmy widzieć więcej, a nie że rynek urósł.

Nowe ogłoszenia tygodniowo

Dane wykresu
Nowe ogłoszenia tygodniowo. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresNowe ogłoszenia tygodniowo
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

Aktywne źródła w tygodniu

Źródeł w całym okresie: 278. ▲ — tydzień, w którym podłączono dużo nowych źródeł.

Dane wykresu
Aktywne źródła w tygodniu. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresAktywne źródła
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
Podłączono nowe źródła: 22 cze +28 · 29 cze +36 · 6 lip +22 · 13 lip +26 · 20 lip +19 · wszystkie tygodnie (23) — w tabeli
TydzieńNowe źródłaNowe ogłoszenia
8 cze+7141
15 cze+5113
22 cze+28326
29 cze+36306
6 lip+22351
13 lip+26463
20 lip+19436
27 lip+5254
3 sie+6354
10 sie+2219
17 sie+4262
24 sie+5235
31 sie+5272
7 wrz+7278
14 wrz+8307
21 wrz+101096
28 wrz+6666
5 paź+8752
12 paź+81640
19 paź+14888
26 paź+3967
2 lis+9928
9 lis+101041

Bieżący tydzień jeszcze się nie skończył i nie jest pokazany: niepełny tydzień wyglądałby jak spadek.

Tydzień = data pierwszego pojawienia się ogłoszenia, wszystkie statusy; ogłoszenia wybiera ta sama reguła co licznik tej strony. Źródła to różne kanały zbierania; ich nazw nie publikujemy.

Dane wykresu
Oś czasu: ogłoszenia i źródła — Inżynier AI / LLM. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
TydzieńNowe ogłoszenia tygodniowoAktywne źródła
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

Wynagrodzenia w czasie

Mediana wynagrodzenia Inżynier AI / LLM tygodniowo, USD miesięcznie.

Mediana wynagrodzenia, USD miesięcznie

Dane wykresu
Mediana wynagrodzenia, USD miesięcznie. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresMedianaOferty z wynagrodzeniem w tygodniu (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

Seria zaczyna się 31 sie: wcześniej brak danych.

Oferty z wynagrodzeniem w tygodniu (n)

Tylko ogłoszenia z wynagrodzeniem w USD i znanym okresem (miesiąc lub rok), od 500 do 50 000 $ miesięcznie. Tygodnie, w których takich ogłoszeń jest mniej niż 10, są puste — to brak danych, a nie zero.

Dane wykresu
Wynagrodzenia w czasie — Inżynier AI / LLM. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
TydzieńMediana
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

Praca zdalna w czasie

Udział ofert Inżynier AI / LLM z pracą w pełni zdalną, tydzień po tygodniu.

Ogłoszenia zdalne, %

Dane wykresu
Ogłoszenia zdalne, %. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresZdalnie
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

Udział liczony jest wśród ogłoszeń, które podają tryb pracy (zdalnie, hybrydowo, biuro). Tygodnie, w których takich ogłoszeń jest mniej niż 10, są puste.

Dane wykresu
Praca zdalna w czasie — Inżynier AI / LLM. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
TydzieńZdalnie
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

Technologie w czasie

Jak zmieniał się udział ofert Inżynier AI / LLM, w których pojawia się każda z czołowych technologii.

Ogłoszenia wymieniające technologię, %

Dane wykresu
Ogłoszenia wymieniające technologię, %. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresPythonllmcloud
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
Na wykresie do 5:

Udział wśród ogłoszeń z otagowanym stosem; seria zaczyna się 10 sie: wcześniej tagi stosu nadawano inaczej. Tygodnie z mniej niż 20 otagowanymi ogłoszeniami są puste.

Dane wykresu
Technologie w czasie — Inżynier AI / LLM. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
TydzieńPythonllmcloudAWSAzure
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

Kraje w czasie

Jak zmieniał się udział ofert Inżynier AI / LLM w każdym z czołowych krajów, tydzień po tygodniu.

Ogłoszenia w kraju, %

Dane wykresu
Ogłoszenia w kraju, %. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresUSAWielka BrytaniaPolska
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
Na wykresie do 5:

Udział wśród ogłoszeń ze znanym krajem; wykres pokazuje pięć krajów z największą liczbą ogłoszeń w ciągu sześciu miesięcy. Tygodnie z mniej niż 20 ogłoszeniami ze znanym krajem są puste. Rosnący udział może oznaczać nowo podłączone źródło w tym kraju, a nie wzrost rynku.

Dane wykresu
Kraje w czasie — Inżynier AI / LLM. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
TydzieńUSAWielka BrytaniaPolskaIndieNiemcy
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

Czysty rynek: indeks zatrudnienia

Ten sam zestaw 7505 stron kariery pracodawców; liczba ogłoszeń pochodzi z samej strony. Podłączanie nowych źródeł nie rusza tego indeksu — pokazuje rynek, a nie nasz zasięg. To cały rynek panelu, a nie tylko Inżynier AI / LLM.

Indeks zatrudnienia, 16 paź = 100

Dane wykresu
Indeks zatrudnienia, 16 paź = 100. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresIndeks zatrudnienia
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

Indeks łańcuchowy: każdego dnia porównujemy tylko strony odpytane zarówno tego dnia, jak i poprzedniego; wartości odstające i awarie odpytywania całej platformy są wykluczone. Dni bez porównywalnych par są puste.

Dane wykresu
Czysty rynek: indeks zatrudnienia — Inżynier AI / LLM. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
DzieńIndeks zatrudnienia
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

Ile jest otwartych ofert Inżynier AI / LLM i ilu pasujących specjalistów widzi Zorky.

Popyt i obserwowana podaż

Dane wykresu
Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
WskaźnikWartość
Otwarty popyt4167
Otwarty popyt4167
Obserwowana podaż— nie publikujemy

AI Engineer — najszybciej rosnąca podnisza AI/ML (wydzielona w 2023 po boomie ChatGPT). Realny rynek jest szerszy niż widoczna pula — wiele ról AI nasz matcher klasyfikuje jako ogólne ML Engineer / Backend (tytuły w stylu „Senior Backend Engineer with AI focus”). Czynniki 2026: wdrażanie LLM we wszystkich produktach (chatboty / streszczanie / Q&A / wsparcie kodowania), aplikacje RAG dla korporacyjnych baz wiedzy, workflow agentowe (rosnący trend 2025–2026), wyścig startupów budujących modele bazowe. Międzynarodowa praca zdalna w czołowych laboratoriach AI + startupach AI z Y Combinator — segment premium.

⚠ kandydaci pasujący do oferty nie są jeszcze liczeni: pokazujemy popyt i obserwowaną pulę

Jak rozkładają się wynagrodzenia w ofertach Inżynier AI / LLM, w dolarach USA miesięcznie.

Rozkład wynagrodzeń

P25 $7699 · P50 $10 833 · P75 $15 625
Dane wykresu
Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
WskaźnikWartość
<$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
Wynagrodzenie w ofertach: baza 4167
  • nadaje się do obliczeń: 541 (13%)
  • podano, ale nie przeliczono na USD/mies.: 543 (13%)
  • nie podano: 3083 (74%)

W co dziesiątej ofercie widełki są poniżej $5411, w co dziesiątej — powyżej $19 166. Połowa ofert proponuje od $7699 do $15 625. Próba: 541.

Dane wykresu
Rozkład wynagrodzeń — Inżynier AI / LLM. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
WskaźnikDolna granicaGórna granicaLiczba
<$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

W jakich krajach jest najwięcej otwartych ofert Inżynier AI / LLM.

Geografia popytu

krajofertyudział
Stany Zjednoczone105030,3%
Wielka Brytania3299,5%
Polska3088,9%
Indie2848,2%
Niemcy2146,2%
Kanada1243,6%
Francja1103,2%
Singapur1073,1%
Hiszpania651,9%
Rosja601,7%
Pozostałe kraje81923,6%

Liderem pod względem liczby ofert AI Engineer są USA (1050 stanowisk) — ale pula w tej młodej niszy jest mała i nie w pełni reprezentatywna. Polska — przyjazny AI hub w UE (Warszawa / Kraków). Niemcy — berliński klaster AI (Aleph Alpha + Black Forest Labs). Francja — Paryż (Mistral + siedziba Hugging Face). Wielka Brytania — Londyn. USA — Bay Area (największy hub AI).

⚠ tylko liczba ofert: wynagrodzenia według krajów nie są publikowane

Dane wykresu
Geografia popytu — Inżynier AI / LLM. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
KrajOferty
US1050
GB329
PL308
IN284
DE214
CA124
FR110
SG107
ES65
RU60

Jakie technologie najczęściej są wymagane w jednej ofercie razem z Inżynier AI / LLM.

Używana razem z

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%

Udział — ile z 4167 ofert rynku Inżynier AI / LLM wymienia tę technologię. Kolejność według liczby ofert, a nie „siły powiązania”. Ogólne pojęcia, jak cloud, to nie konkretna chmura (AWS, Azure).

Dane wykresu
Używana razem z — Inżynier AI / LLM. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
NazwaLiczba
python1562
llm1535
cloud1331
aws847
azure790
docker477
langchain441
langgraph425
gcp401
mlops356
embeddings355
fine-tuning333

Ile jest ofert Inżynier AI / LLM na każdym poziomie — od junior do principal.

Popyt według poziomu

poziomoferty
senior1284
principal316
lead312
junior201
middle184

Junior — typowe wejście Backend Senior / ML Engineer Middle + portfolio LLM (udokumentowane doświadczenie z RAG + LangChain). Ścieżka kariery: Backend Senior / ML Middle (2-3 lata) + zainteresowanie LLM → AI Engineer Junior (1-2 lata) → Middle (2-3 lata) → Senior → albo Staff / Principal AI Engineer, AI Tech Lead / Engineering Manager, przejście do laboratorium frontier AI, albo założenie startupu AI. Jeśli danych o poziomach jest mało — sprawdź strony ml-engineer + research, by zobaczyć szersze punkty odniesienia.

⚠ tylko strona popytu: poziom większości obserwowanej puli jest nieznany

Dane wykresu
Popyt według poziomu — Inżynier AI / LLM. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
PoziomLiczba
senior1284
principal316
lead312
junior201
middle184

Kto najwięcej zatrudnia w obszarze Inżynier AI / LLM i jak bardzo popyt skupia się u największych firm.

Pracodawcy

Popyt rozkłada się na 2497 pracodawców. Największy odpowiada za 1.1%, pierwsza dziesiątka za 5.0%; pozostałe 95.0% to długi ogon.

największy 1,1%2.–3. 1,3%4.–10. 2,6%pozostali 95%
udziałwartość
top-11.1%
top-32.3%
top-105.0%
długi ogon95.0%

⚠ nazw nie pokazujemy: klasyfikator jeszcze nie odróżnia agencji rekrutacyjnych od pracodawców końcowych

Z jakich stron firm i portali Zorky zbiera oferty Inżynier AI / LLM.

Gdzie Zorky widzi ten rynek

Obserwowane w 128 źródłach; największe odpowiada za 11.5% — ten rynek nie opiera się na jednym kanale.

Dane wykresu
Gdzie Zorky widzi ten rynek — Inżynier AI / LLM. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
KlasaNazwaNazwa angielskaLiczbaUdział
atsATS и карьерные сайтыATS i strony kariery25300,6072
boardджоб-борды и агрегаторыportale pracy i agregatory13920,3341
telegramTelegramTelegram2220,0533
społecznośćсообщества и публичные профилиspołeczność i profile publiczne230,0055

Najnowsze oferty Inżynier AI / LLM ze stron karier firm.

Najnowsze ogłoszenia

Wszystkie oferty →

Najnowsze otwarte oferty AI Engineer — najświeższe stanowiska w próbie (młoda nisza, próba jest mała). Pełna lista jest w naszym CRM lub pod linkiem „zobacz wszystkie” poniżej. Szerszy obraz — na stronach ml-engineer + research.

Jak to mierzymy
Oferta
otwarta oferta, która przeszła kontrolę jakości i wymienia co najmniej dwie technologie
Obserwowany kandydat
kandydat, którego stack zawiera tę technologię; agregat — żaden pojedynczy rekord nie opuszcza perymetru
Kandydat do dopasowania
jeszcze nie liczone
Okno
oferty otwarte w chwili tworzenia snapshotu

O danych

  • Część przekrojów jest ukryta: pokrycie danymi jest jeszcze niewystarczające.
  • Statystyki pokazujemy tylko tam, gdzie próba przechodzi próg jakości.
  • Brak bloku nie oznacza wartości zero.

Obecnie ukryte przekroje: 8.

Kierunek: AI / ML / nauka o danych

Pokrewne specjalizacje

W ramach AI / LLM Engineer: AI Engineer (ogólny — integracja LLM z jedną funkcją produktu), LLM Engineer (dogłębnie w LLM — serwowanie vLLM / TGI + KV cache + kwantyzacja + speculative decoding), Generative AI Engineer (szerzej — obraz / wideo / audio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (rosnący 2025–2026 — autonomiczne agenty z użyciem narzędzi + wieloetapowym rozumowaniem), Senior AI Engineer (architektura LLM dla wielu produktów + optymalizacja kosztów). Porównanie z ml-engineer/data-scientist/research/mlops — na wykresie słupkowym poniżej.

Wizja komputerowaSpecjalista data scienceInżynier MLMLOpsInżynier NLPInżynier badawczy

Najczęściej zadawane pytania

Najczęstsze pytania o AI / LLM Engineer: wynagrodzenie (segment premium za rzadką umiejętność), AI Engineer vs ML Engineer vs Data Scientist (porównanie 3-stronne), RAG vs Fine-tuning vs Prompt Engineering (drzewo decyzyjne + realia kosztów), AI Agent Engineer (zyskująca podspecjalizacja 2025–2026), praca zdalna, jak nim zostać (2-4 miesięcy od Backend Senior — najszybsze wejście do świata ML), umiejętności Senior (LangChain + zaawansowany RAG + architektury agentów + optymalizacja kosztów + kontrybucje open source). Odpowiedzi przeliczają się automatycznie.

Ile zarabia AI Engineer Junior, Middle, Senior lub Lead?

Junior — typowe wejście: Backend Middle / ML Engineer Middle / Data Scientist Middle + hobbystyczne projekty LLM (udokumentowane doświadczenie z RAG + LangChain). Skok Junior → Middle — po pierwszym produkcyjnym wdrożeniu funkcji LLM (chatbot / streszczanie / Q&A w prawdziwym produkcie z prawdziwymi użytkownikami). Middle → Senior — odpowiedzialność za wiele funkcji LLM + optymalizacja kosztów + metodyka ewaluacji. Senior → Staff / Principal — strategia AI całej organizacji + architektura platformy LLM dla wielu produktów. Ścieżka kariery: Backend Senior / ML Engineer Middle (2-3 lata) + zainteresowanie LLM → AI Engineer Junior / Middle (1-2 lata) → Senior → albo Staff / Principal AI Engineer, AI Tech Lead / Engineering Manager, przejście do laboratorium frontier AI, albo założenie startupu AI.

Jakiego stacku najczęściej wymagają oferty AI Engineer?

5 najważniejszych: python, llm, cloud, aws, agile. Python dogłębnie (monopol — async / typowanie / FastAPI). Każdy dostawca ma swoje osobliwości (limity zapytań + strategie ponawiania + koszt za token + obsługa funkcji). Frameworki LLM: biegłość w LangChain — największy rynek pracy (LCEL — LangChain Expression Language, callbacki, agenci, retrievery), LlamaIndex (nastawiony na RAG — pobieranie danych + strategie indeksowania), Haystack (deepset), Semantic Kernel (Microsoft dla firm na .NET), LangGraph (orkiestracja agentów w stylu DAG — LangChain), AutoGen + CrewAI (multi-agent — rosnące), DSPy (Stanford — deklaratywne programowanie LLM, rośnie). Biegłość w bazach wektorowych: Pinecone (lider usług zarządzanych), Weaviate (modułowy open-source), Qdrant (w Rust — szybki self-hosted), Milvus (skala enterprise), Chroma (lekki do developmentu / prototypowania), pgvector (rozszerzenie Postgres — przyjazne produkcji w firmach już na Postgres), Elasticsearch dense_vector + Redis Stack (hybryda pełnotekstowa + wektorowa). Fine-tuning: LoRA + QLoRA przez bibliotekę PEFT (Hugging Face — standard 2026), Unsloth (szybszy trening LoRA), Axolotl (fine-tuning sterowany konfiguracją). Pełny fine-tuning rzadko (zaporowy koszt). RLHF / DPO / KTO: biblioteka TRL (Hugging Face — wzrost Direct Preference Optimization 2024+). Ewaluacja: RAGAS (specyficzna dla RAG — faithfulness + answer relevancy + context precision), DeepEval, lm-evaluation-harness (benchmarki akademickie), Inspect AI (UK AISI — nacisk na bezpieczeństwo), Promptfoo (testy regresji promptów), LangSmith (trace + ewaluacja LangChain — najlepszy UX). Observability + śledzenie: Helicone (APM specyficzny dla LLM), LangSmith, Langfuse (open-source), Arize Phoenix, Datadog LLM Observability (funkcja 2024+). Optymalizacja kosztów: cache’owanie promptów, kompresja promptów (LLMLingua), routing modeli (mały model do prostych zapytań, duży do złożonych — przez dostawców takich jak Martian / OpenRouter).

AI Engineer vs ML Engineer vs Data Scientist — czym się różnią?

Data Scientist — nacisk na modelowanie statystyczne + testy A/B + formułowanie problemów biznesowych. Stack: pandas + sklearn + XGBoost + Jupyter + SQL + Tableau. Zob. Data Scientist. ML Engineer — nacisk na produkcyjne pipeline'y ML + wdrażanie + skalowanie. Stack: PyTorch + sklearn + Kubernetes + MLflow + zarządzane ML w chmurze. Generalista — pracuje z recsys / fraudem / rankingiem / klasycznym ML. Zob. ML Engineer. AI Engineer (ta strona) — nacisk na integrację LLM z produktem. NIE trenuje foundation models (to Research), NIE buduje klasycznych pipeline'ów ML (to ML Engineer). Stack: Python + dostawcy LLM + LangChain / LlamaIndex + wektorowe bazy danych + serving vLLM + wzorce RAG + fine-tuning LoRA + narzędzia do ewaluacji LLM. Kluczowa różnica 2026: AI Engineer wykorzystuje wstępnie wytrenowane LLM, ML Engineer często trenuje modele od zera. AI Engineer pracuje z API/promptami/RAG; ML Engineer — z pętlami treningowymi + feature engineeringiem. Zmiany ścieżki kariery: Backend Senior → AI Engineer Junior — 2-4 miesiące (szybki start dzięki pracy opartej na API + łatwemu do opanowania LangChainowi). ML Engineer Senior → AI Engineer Senior — 1-3 miesiące (zna już podstawy stacku, musi pogłębić wiedzę specyficzną dla LLM). DS Senior → AI Engineer Middle — 3-6 miesięcy. AI Engineer Senior → Research — wymaga głębszej matematyki + doświadczenia w pisaniu publikacji + 6-12 miesięcy przygotowań.

RAG vs fine-tuning vs prompt engineering — co wybrać?

Drzewo decyzyjne dostosowania LLM 2026: 1) Prompt Engineering — pierwsza próba. Zastosowanie: zero-shot lub few-shot WYSTARCZA do zadania. Plusy: zerowy koszt (bez treningu), natychmiastowe iteracje, niezależność od modelu. Minusy: ograniczona kontrola, kruchość promptów, presja na okno kontekstu. 2) RAG (Retrieval-Augmented Generation) — najlepszy do zadań opartych na wiedzy. Zastosowanie: chatbot, Q&A, wyszukiwanie dokumentów, obsługa klienta, dokumentacja kodu, wewnętrzne bazy wiedzy. Architektura: zapytanie → embedding → wyszukiwanie wektorowe → top-k dokumentów → wzbogacenie promptu o znaleziony kontekst → LLM generuje odpowiedź. Plusy: oparcie na faktach (przeciw halucynacjom), aktualność (wystarczy zaktualizować indeks, bez ponownego treningu), możliwość cytowania źródeł, taniej niż fine-tuning. Minusy: jakość wyszukiwania jako wąskie gardło, rosnący rozmiar promptu. Stack RAG 2026: ingestion (document loaders z LlamaIndex / LangChain) → strategia chunkingu (semantyczny vs stały rozmiar vs rekurencyjny) → embeddingi → wektorowa baza danych (Pinecone / Qdrant / Weaviate / pgvector) → wyszukiwanie (podobieństwo + reranking przez Cohere Rerank / BGE Reranker) → wzbogacenie promptu → generacja przez LLM. Zaawansowany RAG: wyszukiwanie hybrydowe (wektorowe + BM25), HyDE (Hypothetical Document Embeddings), przepisywanie zapytań, wyszukiwanie wieloetapowe, autorefleksja (CRAG / Self-RAG). 3) Fine-tuning — stosuj, gdy prompt engineering + RAG nie wystarczają. Zastosowanie: a) styl / format specyficzny dla domeny (medycyna / prawo — specyficzne wzorce sformułowań), b) obniżenie kosztu tokenów (mniejszy dostrojony model zastępuje większy ogólny), c) zadania wymagające głębokiej specjalistycznej wiedzy (gdzie okno kontekstu RAG nie pomaga). LoRA trenuje adaptery przy zamrożonych wagach bazowych. Udział trenowanych parametrów zależy od modelu, rzędu adapterów i wybranych modułów. LoRA. Stack: Hugging Face Transformers + PEFT + TRL + Unsloth (szybszy) + Axolotl (sterowany konfiguracją). Sprzęt: GPU 24GB (RTX 4090 / A6000) dla modeli 7-13B, 80GB+ (A100/H100) dla 70B+. Realia kosztów 2026: prompt engineering — minuty, $0. Konfiguracja RAG — 1-2 tygodnie pracy inżynierskiej, $100-1 000/mies. kosztów API. 4) Kombinacja: realne produkcyjne funkcje AI zwykle używają WSZYSTKICH trzech. Najpierw prompt engineering (system prompty + przykłady few-shot) → RAG dla ugruntowania → opcjonalnie fine-tuning LoRA dla stylu/formatu. 5) Wzorce agentowe (rosną 2025–2026) — LLM + tool use + wieloetapowe rozumowanie. Używaj LangGraph / AutoGen / CrewAI / DSPy.

Jaki odsetek ofert dotyczy pracy zdalnej?

Wśród ofert z określonym trybem pracy 30% dotyczy pracy zdalnej. Oferty bez określonego trybu nie wchodzą do mianownika; pracy hybrydowej nie zaliczamy do zdalnej.

Od czego zacząć w AI Engineering w 2026?

Roadmapa: 1) Dogłębnie Python + podstawy backendu — async / typowanie / FastAPI / pytest. Bez umiejętności backendowych — to nie AI Engineer (tylko „żongler promptami”). Książka: „Fluent Python” Ramalho. 2) Zrozumienie podstaw LLM — podstawy architektury transformera (attention + tokenizacja + strategie dekodowania + okna kontekstu), ale nie trzeba implementować od zera. Kurs: „Building LLMs from scratch” Karpathy YouTube (za darmo — najlepszy dla intuicji). Książka: „Hands-On Large Language Models” Jay Alammar / Maarten Grootendorst (2024 — obowiązkowa lektura). 3) Opanowanie OpenAI API — chat completions + function calling + structured outputs + streaming + assistants. Zbuduj minimum 3 prawdziwe aplikacje. Darmowe kredyty + tanie eksperymenty. 4) Opanowanie Anthropic Claude API — najlepsze do kodowania + zastosowań z długim kontekstem. Tool use + prompt caching + computer use (jeśli interesuje cię ścieżka AI Agent). 5) Opanowanie LangChain — najczęstsze wymaganie na rynku pracy. LCEL (LangChain Expression Language), łańcuchy, agenci, retrievery, callbacki. Kurs: „LangChain & Vector Databases in Production” DeepLearning.AI (za darmo). 6) Dogłębnie architektura RAG — loadery dokumentów + strategie chunkingu (semantyczny / stały / rekurencyjny) + wybór embeddingów + wybór bazy wektorowej + algorytmy wyszukiwania + reranking. Zbuduj produkcyjną aplikację RAG z zaawansowanymi wzorcami (wyszukiwanie hybrydowe + reranking + HyDE). 7) Opanowanie baz wektorowych — co najmniej jedna dogłębnie (Qdrant — najlepszy do nauki w self-hostingu) + jedna zarządzana (Pinecone). Rozumienie podstaw algorytmów HNSW / IVF / PQ. 8) Praktyka fine-tuningu — LoRA / QLoRA przez bibliotekę PEFT + Unsloth (szybszy). Dostrój Llama 3.x 8B na własnym zbiorze danych. Sprzęt: Google Colab Pro+ ($50/mies.) lub RunPod / Vast.ai (tani wynajem GPU). 9) Serwowanie przez vLLM — wdróż otwarty model z vLLM + zmierz przepustowość + porównaj z OpenAI API. 10) Opanowanie ewaluacji — RAGAS + DeepEval + własny zestaw ewaluacyjny. Zbuduj test regresji dla promptów. 11) Observability w LangSmith / Langfuse — zainstrumentuj aplikację produkcyjną + analizuj trace'y + identyfikuj wąskie gardła. 12) Frameworki agentowe — podstawy LangGraph + AutoGen + CrewAI + DSPy. Zbuduj demo wieloagentowe (agent badawczy + agent piszący + agent krytyk). 13) Portfolio projektów własnych: produkcyjna funkcja AI (np. Q&A po dokumentach dla otwartego zbioru danych) z RAG + ewaluacją + observability + śledzeniem kosztów. Udokumentuj jako portfolio (GitHub + wpis na blogu + demo wideo). Kursy RU: ścieżka Karpov.Courses „AI Engineer”, Otus „LLM Engineering”, HSE School of AI, ścieżka School21 (Sber) AI Engineer. Obowiązkowe książki: „AI Engineering” Chip Huyen (2024), „Hands-On Large Language Models” Alammar / Grootendorst, „Building LLMs for Production” Bouchard / Peng. Backend Senior + zainteresowanie LLM → AI Engineer Junior — 2-4 miesięcy (najszybsze wejście do świata ML). ML Engineer Senior → AI Engineer Senior — 1-3 miesięcy. Data Scientist → AI Engineer Middle — 3-6 miesięcy.

Ile otwartych ofert zawiera ta próba?

Opublikowana próba zawiera 4167 otwartych ofert po połączeniu ponownych publikacji. To ta sama liczba co we wskaźniku głównym. Sekcja geograficzna opisuje zasięg próby; nie jest to szacunek całego rynku.

Jakich umiejętności potrzebuje Senior AI Engineer?

Senior AI Engineer odpowiada za pełny cykl inżynierii produktów LLM + optymalizację kosztów + przywództwo techniczne. Dogłębny Python + poziom Senior w backendzie: biegłość w async / typowaniu / FastAPI / pytest. Znajomość otwartych LLM: Llama 3.x / Mistral / Qwen 2.5 / DeepSeek V3 + R1 / Phi 3 / Gemma 2 — kompromisy wydajność / koszt, kiedy którego używać. Biegłość w LangChain: dogłębnie LCEL, callbacki, agenty, retrievery, tworzenie własnych chainów, debugowanie przez LangSmith. Albo odpowiednik w LlamaIndex / Haystack / Semantic Kernel. Biegłość w architekturze RAG: zaawansowane wzorce (wyszukiwanie hybrydowe BM25 + wektorowe, reranking, HyDE, przepisywanie zapytań, multi-hop retrieval, wzorce autorefleksji CRAG / Self-RAG), strategie chunkingu (semantyczny + rekurencyjny + hierarchiczny), dobór modelu embeddingów. Dogłębna biegłość w bazach wektorowych: jedna z Pinecone / Qdrant / Weaviate / Milvus / pgvector dogłębnie — strojenie indeksów, sharding, replikacja, implementacja wyszukiwania hybrydowego. Biegłość w fine-tuningu: LoRA / QLoRA przez PEFT + Unsloth + Axolotl, przygotowanie danych (instruction tuning + dane DPO), dobór hiperparametrów, metodyka ewaluacji. Podstawy RLHF / DPO / KTO: biblioteka TRL do optymalizacji preferencji. Biegłość w serwowaniu: zaawansowany vLLM (PagedAttention + continuous batching + speculative decoding + optymalizacja KV cache), TGI, SGLang. Architektury agentowe: biegłość w LangGraph + AutoGen + CrewAI + DSPy, implementacja MCP (Model Context Protocol), wzorce projektowania tool use, orkiestracja wielu agentów. Biegłość w ewaluacji: RAGAS + DeepEval + projektowanie własnych zestawów ewaluacyjnych, metodyka LLM-as-judge, testy regresyjne promptów, testy A/B funkcji LLM. Observability + tracing: biegłość w LangSmith + Langfuse + Helicone + Arize Phoenix + Datadog LLM Observability. Biegłość w optymalizacji kosztów: strategie prompt caching (natywne + własne na Redisie), kompresja promptów (LLMLingua), routing modeli (mały do prostych / duży do złożonych przez OpenRouter / Martian), batch API dla zadań nie w czasie rzeczywistym. Bezpieczeństwo / guardrails: NeMo Guardrails, Llama Guard, integracja OpenAI Moderation API, obrona przed prompt injection, filtrowanie wyników. Projektowanie systemów dla produktów LLM: projektowanie produktu opartego na RAG na tablicy w skali 100M+ zapytań dziennie, aspekty multi-region, budżety opóźnień (cel P95 < 2s dla czatu). Kompetencje miękkie: pisanie ADR dla decyzji architektonicznych LLM, pisanie techniczne (dokumenty projektowe funkcji LLM), współpraca między zespołami (Product / Backend / DS / Research), mentoring AI Engineerów na poziomie Middle, dyscyplina czytania publikacji (NeurIPS / ICLR / EMNLP — obowiązkowo). Angielski dla Senior+ OBOWIĄZKOWO — społeczność AI / dokumentacja / publikacje / konferencje są w całości po angielsku. Opcjonalny bonus: wkład open source do LangChain / LlamaIndex / vLLM / Hugging Face — znacząco podnosi wartość rynkową przy rekrutacji do czołowych laboratoriów AI. Obecność na Twitterze w środowisku AI (regularne posty o eksperymentach z LLM) — ważna przy rekrutacji przez kontakty w społeczności.

Zostaw zgłoszenie

Opisz zadanie i zostaw kontakt — zgłoszenie trafi do naszego CRM, a odpowiemy na podany kontakt.

Wysyłając, akceptujesz: polityka prywatności.