Кожна компанія, що наймає у 2026 році, хоче «AI-інженера». Майже жодна не може узгодити, що це означає.
Ця неоднозначність — і є справжня проблема найму, а не дефіцит кандидатів. Цей гід охоплює, що насправді є ця роль, де знайти людей, здатних її виконувати, та як провести технічну оцінку, що відрізняє реальний production-досвід від відрепетируваної розповіді про RAG.
Спочатку точно визначте роль
«AI Engineer» зараз виконує ту саму функцію, яку раніше виконував «Software Engineer» до появи спеціалізацій — це загальний термін. Перш ніж писати опис вакансії, визначте, кого саме ви наймаєте:
- LLM / AI Engineer — будує функціонал поверх існуючих foundation-моделей: RAG, агенти, tool use, evals, context engineering. Це роль, яка потрібна більшості продуктових компаній.
- ML Engineer — тренує, файнтюнить та деплоїть моделі на основі даних. Потрібен, якщо ви будуєте щось, чого API foundation-моделі справді не може зробити.
- MLOps / AI Infrastructure Engineer — відповідає за пайплайни, моніторинг, контроль витрат та масштабування, коли AI-системи вже в production.
- AI Product Manager — взагалі не інженерна роль, але часто плутається з нею в оголошеннях. Перекладає можливості моделі в продуктові рішення.
Помилившись тут, ви або співбесідуватимете ML-дослідників на роль, що на 90% складається з API-інтеграції та prompt-дизайну, або співбесідуватимете API-інтеграторів на роль, що потребує реального досвіду тренування моделей. В обох випадках ви витрачаєте час усіх.
Де насправді шукати AI-інженерів
Джоб-борди зараз — найслабший канал для цієї ролі: хороші кандидати вже працюють і не переглядають вакансії. Краще працює:
- Прямий outreach до людей, що публічно щось будують. Контриб'ютори GitHub у популярні AI-тулінг репозиторії, автори технічних постів про власні RAG/agent реалізації, мейнтейнери open-source LLM-тулінгу.
- Рекомендації з ML/AI спільнот — Discord-сервери та Slack-групи навколо конкретних інструментів (LangChain, LlamaIndex, векторні бази даних) зазвичай мають реальних практиків, а не тих, хто просто прикрасив резюме.
- Суміжні найми, що перейшли в AI. Багато найсильніших AI-інженерів зараз — це backend або data-інженери, які освоїли LLM-тулінг за останні два роки, а не люди з «AI» в назві посади протягом десятиліття — бо це десятиліття здебільшого ще не існувало.
Як оцінювати реальні навички, а не баззворди
Технічне інтерв'ю — це те місце, де більшість компаній програють, і не через неправильні питання, а тому, що той, хто їх ставить, не може відрізнити хорошу відповідь від впевненої. Кілька речей, які реально відділяють сигнал від шуму:
- Питайте про невдачу, а не успіх. «Розкажіть про RAG-систему, яка не спрацювала, і чому» відфільтровує тих, хто лише читав про RAG. Реальні практики мають думки про стратегію chunking, режими відмов пошуку та коли RAG був неправильним інструментом взагалі.
- Питайте, коли вони сказали б LLM «ні». Хороший AI-інженер може назвати конкретні випадки, коли детермінована система перевершує LLM-рішення. Якщо кожна відповідь — «так, LLM це вміє» — це червоний прапорець, а не перевага.
- Досліджуйте оцінку, а не лише побудову. Будь-хто може підключити API-виклик до моделі. Менше людей можуть пояснити, як вони знають, що система дійсно працює — eval-набори, регресійне тестування при зміні промптів, відстеження вартості за запит.
- Шукайте production-шрами, а не демо-полірування. Робочий демо на вихідних і система, що обслуговує реальних користувачів з прийнятною латентністю та вартістю — дуже різні досягнення. Спитайте, що ламалось у production і як вони про це дізнались.
Кандидати, яких варто наймати — ті, хто стає конкретнішим, а не впевненішим, коли ви заглиблюєтесь у деталі.
П'ять помилок при найм на AI-ролі
| Помилка | Чому це шкодить |
|---|---|
| Вимога «5+ років досвіду з LLM» | Дисципліна у її сучасному вигляді існує приблизно 2-3 роки. Ця вимога відфільтровує майже всіх реально кваліфікованих. |
| Пошук ключових слів «GPT», «LangChain», «RAG» у резюме | Ці слова тепер є в кожному резюме. Вони слабо корелюють з реальними навичками. |
| Використання загального інженерного інтерв'ю | Стандартні інтерв'ю на алгоритми/system-design не перевіряють специфічне судження, потрібне для AI-ролей — коли використовувати LLM, як оцінювати якість виводу, tradeoffs вартості/латентності. |
| Найм найгучнішої назви посади | Назви посад у цій сфері роздуті та неузгоджені між компаніями. «Head of AI» у стартапі з 10 людей може мати менше production-досвіду, ніж senior-інженер у більшій компанії. |
| Пропуск технічної оцінки, бо інтерв'юер «недостатньо в AI» | Призводить до найму на основі відчуттів та впевненості, а не продемонстрованих навичок. Залучіть того, хто реально будував із цією технологією, навіть якщо це означає зовнішню оцінку. |
Чого очікувати щодо компенсації
Оскільки дисципліна нова, бенчмарки компенсації ще формуються і суттєво відрізняються за регіоном, рівнем та тим, чи роль AI-first чи AI-adjacent. Замість того щоб наводити цифри, які застаріють за квартал, корисніша рамка: AI/LLM-інженерія зараз має премію над порівнянними backend-ролями, бо пропозиція людей з реальним production-досвідом ще наздоганяє попит — але ця премія скорочується, оскільки все більше інженерів отримують практичний досвід.
Як допомагає MindHunt
Ми проводимо спеціалізований підбір AI-інженерів з технічною оцінкою від засновника з сертифікатом Claude Certified Architect — людини, яка реально будувала на цій технології, а не генераліст-рекрутера, що читає глосарій. Дивіться наш повний сервіс підбору AI-інженерів або читайте AI Engineer vs ML Engineer: кого потрібно вашому стартапу, щоб визначити роль перед наймом.
Часті запитання
Хто такий AI-інженер?
Той, хто будує продукти поверх foundation-моделей — RAG, агенти, tool use, evals. Відрізняється від ML-інженера, який тренує моделі на даних.
Скільки часу займає найм?
Зазвичай 4-8 тижнів. Вузьке місце зазвичай — якість оцінки, а не наявність кандидатів.
Генераліст чи спеціаліст?
Залежить, чи AI — функція, чи сам продукт. Невелика функція: часто працює допитливий генераліст. AI — сам продукт: наймайте того, хто має реальний production-досвід з LLM.
Автор
Вадим Лобарєв
MindHunt — AI-рекрутингова агенція для засновників, C-level та менеджерів з найму, які втомилися від «публікуй і сподівайся». Ми виконуємо перевірений процес пошуку для ваших найважливіших вакансій і показуємо роботу щотижня — щоб ви наймали з впевненістю, а не з надією.
