Usamos cookies técnicos e o registro de visitas anonimizado do Zorky. O Yandex Metrica (dados armazenados em servidores na Rússia) só funciona com o seu consentimento. Nunca vendemos dados. Mais sobre cookies e estatísticas.
O Zorky está em modo de teste — tudo é gratuito. As vagas e as páginas das empresas são abertas a todos; os links dos anúncios e sua seleção pessoal abrem após o cadastro. Cadastre-se →

Engenheiro de IA / LLM: mercado

Dados de 19 de novembro de 2026: vagas abertas de Engenheiro de IA / LLM — 4.167, 30% remotas entre as vagas que informam o modelo de trabalho; salário mediano anunciado $10.833/mês (de 541 vagas que informam salário). Fonte: Zorky, atualizado diariamente.

AI / LLM Engineer — o cargo mais jovem, mas mais em evidência dentro da área de IA/ML/DS, que se separou em 2023 na onda de ChatGPT / GPT-4 / Claude / Llama 2. Foco: integrar grandes modelos de linguagem (LLMs) em um produto — NÃO treinar foundation models do zero (isso é Research), NÃO pipelines clássicos de ML (isso é ML Engineer / Data Scientist), mas engenharia aplicada de LLM: prompt engineering + RAG (Retrieval-Augmented Generation) + fine-tuning via LoRA / QLoRA + arquiteturas de agentes + tool use + avaliação. Família de cargos: AI Engineer (geral — integração de LLM em uma funcionalidade do produto: chatbot / sumarização / classificação / Q&A), LLM Engineer (foco profundo em LLM — otimização no servidor: serving com vLLM / TGI / SGLang, ajuste de KV cache, quantização, speculative decoding), Generative AI Engineer (mais amplo — inclui imagem / vídeo / áudio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (em alta em 2025–2026 — agentes autônomos com tool calling, raciocínio em várias etapas, LangGraph / AutoGen / CrewAI / Microsoft Semantic Kernel), Senior AI Engineer (arquitetura de LLM para vários produtos + otimização de custos). Stack 2026: Python (monopólio). Bancos de dados vetoriais: Pinecone (líder gerenciado — premium), Weaviate (open-source — modular), Qdrant (Rust — self-hosted rápido), Milvus (escala corporativa), Chroma (leve, para desenvolvimento), pgvector (extensão do Postgres — amigável para produção), Elasticsearch dense_vector + Redis Stack (híbrido). Fine-tuning: LoRA + QLoRA (biblioteca PEFT da Hugging Face); fine-tuning completo é raro (custo proibitivo). RLHF / DPO: biblioteca TRL (Hugging Face). Serving: vLLM (PagedAttention — throughput recorde), TGI (Text Generation Inference — Hugging Face), SGLang (modelo de programação para serving + caching), Ollama (local), llama.cpp (CPU + edge). Avaliação: RAGAS, DeepEval, lm-evaluation-harness, Inspect AI (UK AISI), Promptfoo, LangSmith (trace + eval do LangChain — melhor UX). Observabilidade: Helicone, LangSmith, Langfuse (open-source), Arize Phoenix, Datadog LLM Observability. Custo: rastreamento por token + prompt caching. Principais tecnologias: python, llm, cloud, aws, agile. Entre as vagas com modalidade de trabalho informada, 30% são remotas.

Dados em:

Os principais números do mercado de Engenheiro de IA / LLM: vagas abertas, salário mediano, grupo de especialistas observado e parcela de remoto.

4.167
vagas abertas — por cargo, republicações mescladas
$10.833
mediana $/mês
30%
remoto

O mercado de Engenheiro de IA / LLM tem agora 4.167 vagas abertas, 3.594 delas observadas recentemente. Median salary $10.833/mo.

Entre as vagas com modalidade de trabalho informada, 30% são remotas. O trabalho com IA é totalmente baseado em nuvem (APIs de LLM + bancos vetoriais + GPUs na nuvem). Empresas de outsourcing — quase sempre remoto. Laboratórios internacionais de IA de fronteira — totalmente remoto como padrão para candidatos excepcionais. IA nas Big Techs — híbrido como padrão. Startups de IA da Y Combinator — totalmente remoto premium.

⚠ salário conhecido para 541 de 4167 vagas; participação de remoto a partir de 3515 com formato informado; 3594 contadas como observações recentes; tendência e dificuldade de contratação não são mostradas

Linha do tempo: vagas e fontes

Quantas vagas de Engenheiro de IA / LLM apareceram a cada semana desde 1 de jun. e de quantas fontes. O gráfico inferior separa o crescimento do mercado do crescimento da nossa cobertura: um salto na semana em que novas fontes foram conectadas significa que passamos a ver mais, não que o mercado cresceu.

Novas vagas por semana

Dados do gráfico
Novas vagas por semana. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoNovas vagas por semana
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
2026-09-211.096
2026-09-28666
2026-10-05752
2026-10-121.640
2026-10-19888
2026-10-26967
2026-11-02928
2026-11-091.041

Fontes ativas por semana

Fontes no período: 278. ▲ — semana em que muitas fontes novas foram conectadas.

Dados do gráfico
Fontes ativas por semana. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoFontes ativas
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
Novas fontes conectadas: 22 de jun. +28 · 29 de jun. +36 · 6 de jul. +22 · 13 de jul. +26 · 20 de jul. +19 · todas as semanas (23) na tabela
SemanaFontes novasVagas novas
8 de jun.+7141
15 de jun.+5113
22 de jun.+28326
29 de jun.+36306
6 de jul.+22351
13 de jul.+26463
20 de jul.+19436
27 de jul.+5254
3 de ago.+6354
10 de ago.+2219
17 de ago.+4262
24 de ago.+5235
31 de ago.+5272
7 de set.+7278
14 de set.+8307
21 de set.+101.096
28 de set.+6666
5 de out.+8752
12 de out.+81.640
19 de out.+14888
26 de out.+3967
2 de nov.+9928
9 de nov.+101.041

A semana atual ainda não terminou e não é exibida: uma semana incompleta pareceria uma queda.

Semana = data em que a vaga foi vista pela primeira vez, todos os status; as vagas são selecionadas pela mesma regra do contador desta página. Fontes são canais de coleta distintos; seus nomes não são publicados.

Dados do gráfico
Linha do tempo: vagas e fontes — Engenheiro de IA / LLM. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaNovas vagas por semanaFontes ativas
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
2026-09-211.09675
2026-09-2866671
2026-10-0575282
2026-10-121.64073
2026-10-1988883
2026-10-2696785
2026-11-0292882
2026-11-091.041107

Os salários ao longo do tempo

Salário mediano de Engenheiro de IA / LLM por semana, USD por mês.

Salário mediano, USD por mês

Dados do gráfico
Salário mediano, USD por mês. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoMedianaVagas com salário por semana (n)
2026-08-317.35511
2026-09-07—5
2026-09-14—5
2026-09-218.40625
2026-09-289.03649
2026-10-058.33379
2026-10-128.57884
2026-10-199.457156
2026-10-2610.833165
2026-11-0210.625161
2026-11-0911.417167

A série começa em 31 de ago.: antes disso não há dados.

Vagas com salário por semana (n)

Apenas vagas com salário em USD e período conhecido (mês ou ano), de US$ 500 a US$ 50.000 por mês. Semanas com menos de 10 vagas assim ficam em branco — isso significa sem dados, não zero.

Dados do gráfico
Os salários ao longo do tempo — Engenheiro de IA / LLM. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaMediana
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—
2026-08-317.355
2026-09-07—
2026-09-14—
2026-09-218.406
2026-09-289.036
2026-10-058.333
2026-10-128.578
2026-10-199.457
2026-10-2610.833
2026-11-0210.625
2026-11-0911.417

O trabalho remoto ao longo do tempo

Proporção de vagas de Engenheiro de IA / LLM com trabalho totalmente remoto, por semana.

Vagas remotas, %

Dados do gráfico
Vagas remotas, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoRemoto
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

A proporção é calculada entre as vagas que informam o formato (remoto, híbrido, escritório). Semanas com menos de 10 vagas assim ficam em branco.

Dados do gráfico
O trabalho remoto ao longo do tempo — Engenheiro de IA / LLM. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaRemoto
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

As tecnologias ao longo do tempo

Como mudou a proporção de vagas de Engenheiro de IA / LLM que mencionam cada uma das principais tecnologias.

Vagas que mencionam a tecnologia, %

Dados do gráfico
Vagas que mencionam a tecnologia, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoPythonllmcloud
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
Até 5 no gráfico:

Proporção entre as vagas com stack marcado; a série começa em 10 de ago.: antes as tags de stack eram atribuídas de outra forma. Semanas com menos de 20 vagas marcadas ficam em branco.

Dados do gráfico
As tecnologias ao longo do tempo — Engenheiro de IA / LLM. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaPythonllmcloudAWSAzure
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

Países ao longo do tempo

Como mudou, por semana, a proporção de vagas de Engenheiro de IA / LLM em cada um dos principais países.

Vagas no país, %

Dados do gráfico
Vagas no país, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoEUAReino UnidoPolônia
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
Até 5 no gráfico:

Proporção entre as vagas com país conhecido; o gráfico mostra os cinco países com mais vagas em seis meses. Semanas com menos de 20 vagas com país conhecido ficam em branco. Uma proporção em alta pode indicar uma fonte recém-conectada naquele país, e não crescimento do mercado.

Dados do gráfico
Países ao longo do tempo — Engenheiro de IA / LLM. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaEUAReino UnidoPolôniaÍndiaAlemanha
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

Mercado limpo: índice de contratação

Os mesmos 7.505 sites de carreira de empregadores; o número de vagas vem do próprio site. Conectar novas fontes não move este índice — ele mostra o mercado, não a nossa cobertura. É todo o mercado do painel, não apenas Engenheiro de IA / LLM.

Índice de contratação, 16 de out. = 100

Dados do gráfico
Índice de contratação, 16 de out. = 100. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoÍndice de contratação
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

Índice encadeado: cada dia compara apenas os sites consultados naquele dia e no anterior; valores discrepantes e falhas de consulta de uma plataforma inteira são excluídos. Dias sem pares comparáveis ficam em branco.

Dados do gráfico
Mercado limpo: índice de contratação — Engenheiro de IA / LLM. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
DiaÍndice de contratação
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

Quantas vagas abertas de Engenheiro de IA / LLM existem e quantos especialistas compatíveis o Zorky observa.

Demanda e oferta observada

Dados do gráfico
Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
IndicadorValor
Demanda aberta4.167
Demanda aberta4.167
Oferta observada— não publicado

AI Engineer — o sub-nicho de IA/ML que mais cresce (separado em 2023 após o boom do ChatGPT). O mercado real é mais amplo do que o pool visível — muitos cargos de IA são classificados como ML Engineer / Backend genérico no nosso matcher (títulos como "Senior Backend Engineer with AI focus"). Direcionadores 2026: adoção de LLM em todos os produtos (chatbots / sumarização / perguntas e respostas / assistência de código), aplicações RAG para bases de conhecimento corporativas, workflows agênticos (em alta em 2025–2026), corrida das startups de Foundation Models. Trabalho remoto internacional via laboratórios de IA de fronteira + startups de IA do Y Combinator — segmento premium.

⚠ candidatos compatíveis com uma vaga ainda não são contados: são mostrados a demanda e o pool observado

Como se distribuem os salários nas vagas de Engenheiro de IA / LLM, em dólares americanos por mês.

Distribuição de salários

P25 $7.699 · P50 $10.833 · P75 $15.625
Dados do gráfico
Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
IndicadorValor
<$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
Salário nas vagas: base 4.167
  • utilizável no cálculo: 541 (13%)
  • informado, mas não convertido para USD/mês: 543 (13%)
  • não informado: 3.083 (74%)

Uma em cada dez vagas oferece menos de $5.411, uma em cada dez mais de $19.166. Metade das vagas oferece entre $7.699 e $15.625. Amostra: 541.

Dados do gráfico
Distribuição de salários — Engenheiro de IA / LLM. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
IndicadorLimite inferiorLimite superiorQuantidade
<$1k01.0004
$1–2k1.0002.00010
$2–3k2.0003.00011
$3–4k3.0004.00011
$4–5k4.0005.00011
$5–6k5.0006.00030
$6–7k6.0007.00032
$7–8k7.0008.00037
$8–9k8.0009.00045
$9–10k9.00010.00034
$10–12k10.00012.00080
$12–15k12.00015.00081
$15–20k15.00020.000113
$20k+20.000—42

Em quais países há mais vagas abertas de Engenheiro de IA / LLM.

Geografia da demanda

paísvagasproporção
Estados Unidos1.05030,3%
Reino Unido3299,5%
Polônia3088,9%
Índia2848,2%
Alemanha2146,2%
Canadá1243,6%
França1103,2%
Singapura1073,1%
Espanha651,9%
Rússia601,7%
Outros países81923,6%

O líder em número de vagas de AI Engineer são os EUA (1050 vagas) — mas o pool do nicho jovem é pequeno, não totalmente representativo. A Polônia — hub da UE amigável a IA (Varsóvia / Cracóvia). Alemanha — cluster de IA de Berlim (Aleph Alpha + Black Forest Labs). França — Paris (sede da Mistral + Hugging Face). Reino Unido — Londres. EUA — Bay Area (o maior hub de IA).

⚠ apenas número de vagas: o salário por país não é publicado

Dados do gráfico
Geografia da demanda — Engenheiro de IA / LLM. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PaísVagas
US1.050
GB329
PL308
IN284
DE214
CA124
FR110
SG107
ES65
RU60

Quais tecnologias são mais pedidas na mesma vaga que Engenheiro de IA / LLM.

Usada junto com

python
1.56237,5%
llm
1.53536,8%
cloud
1.33131,9%
aws
84720,3%
azure
79019%
docker
47711,4%
langchain
44110,6%
langgraph
42510,2%
gcp
4019,6%
mlops
3568,5%

Participação: quantas das 4.167 vagas do mercado Engenheiro de IA / LLM mencionam esta tecnologia. Ordenado pelo número de vagas, não pela “força da associação”. Termos genéricos como cloud não são uma nuvem específica (AWS, Azure).

Dados do gráfico
Usada junto com — Engenheiro de IA / LLM. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
NomeQuantidade
python1.562
llm1.535
cloud1.331
aws847
azure790
docker477
langchain441
langgraph425
gcp401
mlops356
embeddings355
fine-tuning333

Quantas vagas de Engenheiro de IA / LLM há em cada nível, de júnior a principal.

Demanda por nível

nívelvagas
senior1.284
principal316
lead312
junior201
middle184

Júnior — entrada típica Backend Sênior / ML Engineer Pleno + portfólio de LLM (experiência demonstrável de RAG + LangChain). Fluxo de carreira: Backend Sênior / ML Pleno (2-3 anos) + interesse em LLM → AI Engineer Júnior (1-2 anos) → Pleno (2-3 anos) → Sênior → ou Staff / Principal AI Engineer, AI Tech Lead / Engineering Manager, um movimento para um laboratório de IA de fronteira, ou founder de startup de IA. Se os dados de grade forem escassos — veja as páginas de ml-engineer + research para referências mais amplas.

⚠ apenas o lado da demanda: a senioridade do pool observado é desconhecida na maior parte

Dados do gráfico
Demanda por nível — Engenheiro de IA / LLM. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
NívelQuantidade
senior1.284
principal316
lead312
junior201
middle184

Quem mais contrata em Engenheiro de IA / LLM e quanto a demanda se concentra nas maiores empresas.

Empregadores

A demanda está distribuída entre 2.497 empregadores. O maior responde por 1.1%, os dez primeiros por 5.0%; os 95.0% restantes são cauda longa.

o maior 1,1%2.º–3.º 1,3%4.º–10.º 2,6%os demais 95%
proporçãovalor
top 11.1%
top 32.3%
top 105.0%
cauda longa95.0%

⚠ os nomes não são mostrados: o classificador ainda não distingue agências de recrutamento de empregadores finais

De quais sites de empresas e portais de vagas o Zorky coleta as vagas de Engenheiro de IA / LLM.

Onde o Zorky vê este mercado

Observado em 128 fontes; a maior responde por 11.5%: este mercado não depende de um único canal.

Dados do gráfico
Onde o Zorky vê este mercado — Engenheiro de IA / LLM. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
ClasseNomeNome em inglêsQuantidadeProporção
atsATS и карьерные сайтыATS e sites de carreira2.5300,6072
boardджоб-борды и агрегаторыsites de vagas e agregadores1.3920,3341
telegramTelegramTelegram2220,0533
comunidadeсообщества и публичные профилиcomunidade e perfis públicos230,0055

As vagas de Engenheiro de IA / LLM mais recentes dos sites de carreira das empresas.

Vagas recentes

Todas as vagas →

Vagas de AI Engineer abertas mais recentes — as posições mais recentes da amostra (nicho jovem, amostra pequena). A lista completa está no nosso CRM ou pelo link "ver todas" abaixo. Para uma visão mais ampla, veja as páginas de ml-engineer + research.

Como é medido
Vaga
uma vaga aberta que passou pelo filtro de qualidade e lista pelo menos duas tecnologias
Candidato observado
um candidato cujo stack contém esta tecnologia; um agregado — nenhum registro individual sai do perímetro
Candidato compatível
ainda não contado
Janela
vagas abertas no momento em que o snapshot foi gerado

Sobre os dados

  • Alguns detalhamentos estão ocultos: a cobertura de dados deles ainda não é suficiente.
  • As estatísticas só aparecem onde a amostra passa por um controle de qualidade.
  • A ausência de um bloco não significa valor zero.

Detalhamentos ocultos no momento: 8.

Área: IA / ML / Data Science

Especializações relacionadas

Dentro de AI / LLM Engineer: AI Engineer (geral — integração de LLM numa feature de produto), LLM Engineer (profundo em LLM — serving com vLLM / TGI + KV cache + quantização + speculative decoding), Generative AI Engineer (mais amplo — imagem / vídeo / áudio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (em alta 2025–2026 — agentes autônomos com uso de ferramentas + raciocínio em múltiplas etapas), Senior AI Engineer (arquitetura de LLM multiproduto + otimização de custo). A comparação com ml-engineer/data-scientist/research/mlops — na barra abaixo.

Visão ComputacionalCientista de DadosEngenheiro de MLMLOpsEngenheiro de PLNEngenheiro de Pesquisa

Perguntas frequentes

As perguntas mais comuns sobre AI / LLM Engineer: pagamento (segmento premium por skill rara), AI Engineer vs ML Engineer vs Data Scientist (comparação de 3 vias), RAG vs Fine-tuning vs Prompt Engineering (árvore de decisão + realidade de custos), AI Agent Engineer (sub-especialização em ascensão 2025–2026), remoto, como se tornar um (2-4 meses a partir de Backend Senior — a entrada mais rápida no mundo de ML), skills de Senior (LangChain + RAG avançado + arquiteturas de agentes + otimização de custos + contribuições open-source). As respostas se recalculam automaticamente.

Quanto ganha um AI Engineer Júnior, Pleno, Sênior ou Lead?

Júnior — entrada típica: Backend Pleno / ML Engineer Pleno / Data Scientist Pleno + projetos-hobby de LLM (experiência demonstrável de RAG + LangChain). O salto Júnior → Pleno — depois da primeira implantação de uma feature de LLM em produção (chatbot / sumarização / Q&A num produto real com usuários reais). Pleno → Sênior — propriedade de LLM multi-feature + otimização de custo + metodologia de avaliação. Sênior → Staff / Principal — estratégia de IA para toda a organização + arquitetura de plataforma de LLM multiproduto. Fluxo de carreira: Backend Sênior / ML Engineer Pleno (2-3 anos) + interesse em LLM → AI Engineer Júnior / Pleno (1-2 anos) → Sênior → ou Staff / Principal AI Engineer, AI Tech Lead / Engineering Manager, um movimento para um laboratório de IA de fronteira, ou founder de startup de IA.

De qual stack um AI Engineer mais precisa?

Top 5: python, llm, cloud, aws, agile. Python a fundo (monopólio — async / typing / FastAPI). Cada provider tem suas peculiaridades (rate limits + retry strategies + custo por token + suporte a features). Frameworks de LLM: domínio de LangChain — o maior mercado de trabalho (LCEL — LangChain Expression Language, callbacks, agents, retrievers), LlamaIndex (focado em RAG — data ingestion + estratégias de indexação), Haystack (deepset), Semantic Kernel (Microsoft para shops .NET), LangGraph (orquestração de agentes estilo DAG — LangChain), AutoGen + CrewAI (multi-agent — em ascensão), DSPy (Stanford — programação declarativa de LLM, em crescimento). Domínio de Vector DB: Pinecone (líder gerenciado), Weaviate (open-source modular), Qdrant (baseado em Rust — self-hosted rápido), Milvus (escala enterprise), Chroma (leve para dev / prototipagem), pgvector (extensão do Postgres — production-friendly para shops Postgres existentes), Elasticsearch dense_vector + Redis Stack (híbrido full-text + vector). Fine-tuning: LoRA + QLoRA via biblioteca PEFT (Hugging Face — padrão 2026), Unsloth (treino LoRA mais rápido), Axolotl (fine-tuning config-driven). Full fine-tuning raro (custo proibitivo). RLHF / DPO / KTO: biblioteca TRL (Hugging Face — crescimento de Direct Preference Optimization 2024+). Avaliação: RAGAS (específico de RAG — faithfulness + answer relevancy + context precision), DeepEval, lm-evaluation-harness (benchmarks acadêmicos), Inspect AI (UK AISI focado em safety), Promptfoo (regression testing para prompts), LangSmith (trace + eval do LangChain — melhor UX). Observabilidade + tracing: Helicone (APM específico de LLM), LangSmith, Langfuse (open-source), Arize Phoenix, Datadog LLM Observability (feature 2024+). Otimização de custo: prompt caching, prompt compression (LLMLingua), model routing (modelo pequeno para queries fáceis, grande para complexas — através de providers como Martian / OpenRouter).

AI Engineer vs ML Engineer vs Data Scientist — qual é a diferença?

Data Scientist — foco em modelagem estatística + testes A/B + formulação de problemas de negócio. Stack: pandas + sklearn + XGBoost + Jupyter + SQL + Tableau. Veja Data Scientist. ML Engineer — foco em pipelines de ML em produção + implantação + escalabilidade. Stack: PyTorch + sklearn + Kubernetes + MLflow + ML gerenciado na nuvem. Generalista — trabalha com sistemas de recomendação / fraude / ranking / ML clássico. Veja ML Engineer. AI Engineer (esta página) — foco na integração de LLMs no produto. NÃO treina foundation models (isso é Research), NÃO constrói pipelines clássicos de ML (isso é ML Engineer). Stack: Python + provedores de LLM + LangChain / LlamaIndex + bancos vetoriais + serving com vLLM + padrões RAG + fine-tuning com LoRA + ferramentas de avaliação de LLM. Distinção-chave 2026: o AI Engineer reutiliza LLMs pré-treinados, o ML Engineer muitas vezes treina modelos do zero. O AI Engineer trabalha com API/prompts/RAG; o ML Engineer — com loops de treinamento + feature engineering. Mudanças de carreira: Backend Sênior → AI Engineer Júnior — 2-4 meses (adaptação rápida graças ao trabalho baseado em APIs + LangChain fácil de aprender). ML Engineer Sênior → AI Engineer Sênior — 1-3 meses (já conhece o básico do stack, precisa se aprofundar no específico de LLM). DS Sênior → AI Engineer Pleno — 3-6 meses. AI Engineer Sênior → Research — exige matemática mais profunda + experiência em escrita de papers + 6-12 meses de preparação.

RAG vs Fine-tuning vs Prompt Engineering — o que escolher?

Árvore de decisão para customização de LLM 2026: 1) Prompt Engineering — primeira tentativa. Caso de uso: zero-shot ou few-shot é SUFICIENTE para a tarefa. Prós: custo zero (sem treinamento), iteração instantânea, agnóstico ao modelo. Contras: controle limitado, fragilidade dos prompts, pressão sobre a janela de contexto. 2) RAG (Retrieval-Augmented Generation) — o melhor para tarefas baseadas em conhecimento. Caso de uso: chatbot, Q&A, busca em documentos, suporte ao cliente, documentação de código, bases de conhecimento internas. Arquitetura: consulta → embedding → busca vetorial → top-k documentos → enriquecer o prompt com o contexto recuperado → o LLM gera a resposta. Prós: fundamentação factual (contra alucinações), sempre atualizado (basta atualizar o índice, sem retreinar), citação de fontes possível, mais barato que fine-tuning. Contras: a qualidade da recuperação é o gargalo, o tamanho do prompt cresce. Stack de RAG 2026: ingestão (document loaders do LlamaIndex / LangChain) → estratégia de chunking (semântico vs tamanho fixo vs recursivo) → embeddings → banco vetorial (Pinecone / Qdrant / Weaviate / pgvector) → recuperação (similaridade + reranking via Cohere Rerank / BGE Reranker) → enriquecimento do prompt → geração pelo LLM. RAG avançado: busca híbrida (vetorial + BM25), HyDE (Hypothetical Document Embeddings), reescrita de consultas, recuperação multi-hop, autorreflexão (CRAG / Self-RAG). 3) Fine-tuning — use quando prompt engineering + RAG não bastam. Caso de uso: a) estilo / formato específico de domínio (médico / jurídico — padrões de redação específicos), b) reduzir o custo de tokens (um modelo menor com fine-tuning substitui um modelo geral maior), c) tarefas que exigem conhecimento especializado profundo (em que a janela de contexto do RAG não ajuda). LoRA treina adaptadores mantendo os pesos base congelados. A proporção de parâmetros treináveis depende do modelo, do posto dos adaptadores e dos módulos selecionados. LoRA. Stack: Hugging Face Transformers + PEFT + TRL + Unsloth (mais rápido) + Axolotl (orientado a configuração). Hardware: GPU de 24GB (RTX 4090 / A6000) para modelos de 7-13B, 80GB+ (A100/H100) para 70B+. Realidade de custos 2026: prompt engineering — minutos, $0. Setup de RAG — 1-2 semanas de engenharia, $100-1.000/mês em custos de API. 4) Combinação: funcionalidades reais de IA em produção normalmente usam OS TRÊS. Primeiro prompt engineering (system prompts + exemplos few-shot) → RAG para fundamentação → fine-tuning com LoRA opcional para estilo/formato. 5) Padrões agênticos (em alta em 2025–2026) — LLM + uso de ferramentas + raciocínio em várias etapas. Use LangGraph / AutoGen / CrewAI / DSPy.

Qual é a proporção de vagas remotas?

Entre as vagas com modalidade de trabalho informada, 30% são remotas. Vagas sem modalidade informada são excluídas do denominador; trabalho híbrido não é contado como remoto.

Por onde começar em AI Engineering em 2026?

Roadmap: 1) Python a fundo + noções de Backend — async / typing / FastAPI / pytest. Sem skill de Backend — não é um AI Engineer (apenas um prompt jockey). Livro: "Fluent Python" Ramalho. 2) Entendimento dos fundamentos de LLM — noções da arquitetura transformer (attention + tokenização + estratégias de decoding + context windows), mas você não precisa implementar do zero. Curso: "Building LLMs from scratch" Karpathy YouTube (gratuito — melhor para a intuição). Livro: "Hands-On Large Language Models" Jay Alammar / Maarten Grootendorst (2024 — leitura obrigatória). 3) Domínio da API da OpenAI — chat completions + function calling + structured outputs + streaming + assistants. Construa no mínimo 3 apps reais. Créditos gratuitos + experimentação barata. 4) Domínio da API Claude da Anthropic — melhor para casos de uso de código + long-context. Tool use + prompt caching + computer use (se o track de AI Agent te interessa). 5) Domínio de LangChain — o maior requisito do mercado de trabalho. LCEL (LangChain Expression Language), chains, agents, retrievers, callbacks. Curso: "LangChain & Vector Databases in Production" DeepLearning.AI (gratuito). 6) Arquitetura de RAG a fundo — document loaders + estratégias de chunking (semântico / fixo / recursivo) + escolha de embeddings + seleção de vector DB + algoritmos de retrieval + reranking. Construa um app de RAG em produção com padrões avançados (hybrid search + reranking + HyDE). 7) Domínio de vector DB — ao menos uma a fundo (Qdrant — melhor para aprender self-hosted) + uma gerenciada (Pinecone). Entendimento das noções de algoritmos HNSW / IVF / PQ. 8) Fine-tuning na prática — LoRA / QLoRA via biblioteca PEFT + Unsloth (mais rápido). Faça fine-tune de Llama 3.x 8B no seu próprio dataset. Hardware: Google Colab Pro+ ($50/mês) ou RunPod / Vast.ai (aluguel barato de GPU). 9) Serving com vLLM — faça deploy de um modelo aberto com vLLM + benchmark de throughput + compare com a API da OpenAI. 10) Domínio de avaliação — RAGAS + DeepEval + suíte de avaliação customizada. Construa um teste de regressão para prompts. 11) Observabilidade LangSmith / Langfuse — instrumente um app de produção + analise traces + identifique gargalos. 12) Frameworks de agentes — LangGraph + AutoGen + CrewAI + noções de DSPy. Construa uma demo multi-agente (agente de pesquisa + agente de escrita + agente crítico). 13) Portfólio de pet projects: feature de IA nível produção (ex.: Q&A de documentos para um dataset aberto) com RAG + avaliação + observabilidade + rastreamento de custo. Documente como portfólio (GitHub + post de blog + vídeo demo). Cursos RU: Karpov.Courses track "AI Engineer", Otus "LLM Engineering", HSE School of AI, School21 (Sber) track AI Engineer. Livros de leitura obrigatória: "AI Engineering" Chip Huyen (2024), "Hands-On Large Language Models" Alammar / Grootendorst, "Building LLMs for Production" Bouchard / Peng. Backend Senior + interesse em LLM → AI Engineer Junior — 2-4 meses (a entrada mais rápida no mundo do ML). ML Engineer Senior → AI Engineer Senior — 1-3 meses. Data Scientist → AI Engineer Middle — 3-6 meses.

Quantas vagas abertas estão nesta amostra?

A amostra publicada contém 4167 vagas abertas após agrupar republicações. É o mesmo número do indicador principal. A seção geográfica descreve a cobertura da amostra; não é uma estimativa de todo o mercado.

De quais skills um Senior AI Engineer precisa?

Um AI Engineer Sênior é dono do ciclo completo de engenharia de produtos com LLM + otimização de custos + liderança técnica. Python a fundo + nível de Backend Sênior: domínio de async / typing / FastAPI / pytest. Conhecimento de LLMs abertos: Llama 3.x / Mistral / Qwen 2.5 / DeepSeek V3 + R1 / Phi 3 / Gemma 2 — trade-offs de desempenho / custo, quando usar cada um. Domínio de LangChain: LCEL a fundo, callbacks, agentes, retrievers, criação de chains personalizadas, depuração pelo LangSmith. Ou o equivalente em LlamaIndex / Haystack / Semantic Kernel. Domínio de arquitetura RAG: padrões avançados (busca híbrida BM25 + vetorial, reranking, HyDE, reescrita de consultas, recuperação multi-hop, padrões de autorreflexão CRAG / Self-RAG), estratégias de chunking (semântico + recursivo + hierárquico), escolha do modelo de embeddings. Domínio profundo de bancos vetoriais: um entre Pinecone / Qdrant / Weaviate / Milvus / pgvector a fundo — tuning de índices, sharding, replicação, implementação de busca híbrida. Domínio de fine-tuning: LoRA / QLoRA via PEFT + Unsloth + Axolotl, preparação de datasets (instruction tuning + dados para DPO), escolha de hiperparâmetros, metodologia de avaliação. Noções de RLHF / DPO / KTO: biblioteca TRL para otimização de preferências. Domínio de serving: vLLM avançado (PagedAttention + continuous batching + speculative decoding + otimização de KV cache), TGI, SGLang. Arquiteturas de agentes: domínio de LangGraph + AutoGen + CrewAI + DSPy, implementação de MCP (Model Context Protocol), padrões de design de uso de ferramentas, orquestração multiagente. Domínio de avaliação: RAGAS + DeepEval + design de suítes de avaliação personalizadas, metodologia LLM-as-judge, testes de regressão para prompts, testes A/B para funcionalidades com LLM. Observabilidade + tracing: domínio de LangSmith + Langfuse + Helicone + Arize Phoenix + Datadog LLM Observability. Domínio de otimização de custos: estratégias de cache de prompts (nativo + Redis personalizado), compressão de prompts (LLMLingua), roteamento de modelos (pequenos para tarefas fáceis / grandes para complexas via OpenRouter / Martian), batch API para o que não é em tempo real. Segurança / guardrails: NeMo Guardrails, Llama Guard, integração com a OpenAI Moderation API, defesa contra prompt injection, filtragem de saídas. System design para produtos com LLM: projetar no quadro branco um produto baseado em RAG na escala de 100M+ consultas/dia, considerações multirregião, orçamentos de latência (meta P95 < 2s para chat). Soft skills: escrita de ADRs para decisões de arquitetura com LLM, redação técnica (documentos de design de funcionalidades com LLM), colaboração entre times (Produto / Backend / DS / Research), mentoria de AI Engineers Pleno, disciplina de leitura de artigos (NeurIPS / ICLR / EMNLP — é preciso acompanhar). Inglês para Sênior+ OBRIGATÓRIO — comunidade / documentação / artigos / conferências de IA são inteiramente em inglês. Bônus opcional: contribuições open-source para LangChain / LlamaIndex / vLLM / Hugging Face — aumentam muito o valor de mercado para contratação em laboratórios de IA de fronteira. Presença no Twitter de IA (posts regulares sobre experimentos com LLM) — importante para contratação por conexões na comunidade.

Deixar uma solicitação

Descreva a tarefa e deixe um contato: a solicitação chega ao nosso CRM e respondemos no contato informado.

Ao enviar, você concorda com a política de privacidade.