Как нанять AI-инженера в 2026: почему фильтр по годам опыта не работает и что делать вместо него

ChatGPT запустился в ноябре 2022 года. Прошло три с половиной года. А вакансии на AI-инженеров в Великобритании стабильно требуют "5+ лет опыта с LLM". Простая арифметика: такого опыта физически не существует ни у кого, кроме горстки исследователей из Google Brain и OpenAI. Компании, которые ставят этот фильтр, не отсеивают слабых кандидатов - они отсеивают всех. По нашим наблюдениям, senior AI-позиции остаются открытыми вдвое-втрое дольше обычных tech-ролей, и каждая неделя простоя стоит задержки продуктов и потерянного дохода. IT рекрутинговое агентство EvoTalents разбирает, почему фильтр по годам опыта разрушает наём AI-инженеров в 2026 году и что работает вместо него.

1. МАТЕМАТИКА, КОТОРАЯ НЕ РАБОТАЕТ: СКОЛЬКО НА САМОМ ДЕЛЕ СУЩЕСТВУЮТ AI-ТЕХНОЛОГИИ

Чтобы понять масштаб проблемы, достаточно посмотреть на хронологию. Вот когда появились ключевые технологии, которые сегодня требуют в вакансиях:

• Transformer-архитектура ("Attention Is All You Need") - июнь 2017, около 9 лет назад
• BERT - октябрь 2018, около 7,5 лет назад
• GPT-3 (модель, доступна только через API для разработчиков) - июнь 2020, около 6 лет назад
• RAG (Retrieval-Augmented Generation) - май 2020, около 6 лет назад
• LoRA (метод fine-tuning) - июнь 2021, ровно 5 лет назад
• LangChain (фреймворк для LLM-приложений) - октябрь 2022, менее 4 лет назад
• ChatGPT (первый массовый LLM-продукт, построенный на GPT-3.5) - ноябрь 2022, 3,5 года назад. Именно с этого момента бизнес массово начал нанимать "GenAI-инженеров"
• GPT-4 / AutoGPT / агентные фреймворки - март 2023, 3,3 года назад

Важный нюанс: GPT-3 существует с 2020 года, но как закрытый API для разработчиков. Массовый спрос на GenAI-инженеров начался после запуска ChatGPT в конце 2022. То есть когда компания пишет в вакансии "5+ лет опыта с LLM в продакшене", она требует опыт, который могли набрать только исследователи из frontier-лабораторий, а не прикладные инженеры, которых ищет бизнес.

LoRA - единственная технология из списка, для которой "5 лет опыта" математически возможны. И только если вы были одним из авторов оригинальной статьи в Microsoft Research. Для LLM в продакшене, для RAG-систем, для агентных архитектур пяти лет опыта не существует в природе.

Это не новая проблема для IT-найма. В своё время вирусными становились вакансии, где требовали 5 лет опыта со Swift через год после его запуска Apple, аналогичные абсурды с Kubernetes и React. Но разница в масштабе: раньше нерелевантный фильтр отсекал часть хороших кандидатов. Сейчас он отсекает практически всех, потому что вся категория GenAI моложе стандартной планки "senior".

2. ЧТО ГОВОРИТ НАУКА: ПОЧЕМУ ГОДЫ ОПЫТА - СЛАБЫЙ ПРЕДИКТОР РЕЗУЛЬТАТИВНОСТИ

Вопрос "предсказывает ли стаж качество работы" давно решён в науке о найме. Наиболее цитируемое исследование в этой области, мета-анализ Schmidt и Hunter (1998, Psychological Bulletin), сравнило эффективность различных методов оценки кандидатов:

• Рабочие образцы (work-sample tests) - корреляция с результативностью ~0.54
• Структурированные интервью - корреляция ~0.51
• Когнитивные способности - корреляция ~0.51
• Годы профессионального опыта - корреляция ~0.18

Перевод цифр на практику: реалистичное тестовое задание предсказывает продуктивность работника втрое точнее, чем подсчёт лет в резюме. Обновлённый анализ Sackett и др. (2016) скорректировал некоторые коэффициенты, но иерархия осталась: рабочие образцы и структурированные интервью наверху, годы стажа - внизу.

Для AI-инженеров эта закономерность ещё острее. Когда поле обновляется каждые 12-18 месяцев, человек с двумя годами интенсивного опыта в продакшене RAG-систем и fine-tuning может быть значительно продуктивнее человека с пятью годами общего ML-опыта, который никогда не работал с LLM.

3. РЫНОК AI-ИНЖЕНЕРОВ В 2026: ЦИФРЫ, КОТОРЫЕ НУЖНО ЗНАТЬ

Спрос опережает предложение в разы

Количество вакансий для GenAI-специалистов за последние два года выросло в разы. Вакансии с требованием опыта LLM увеличились кратно, позиции, связанные с агентными AI-системами, показывают самый быстрый рост среди всех AI-категорий. При этом инженеров с реальным продакшн-опытом в LLM в большинстве стран считают на сотни, а AI/ML-специалисты составляют незначительную долю от общего числа разработчиков.

Зарплаты (Великобритания, 2025-2026)

По нашим наблюдениям, средняя зарплата AI/ML-инженера в Великобритании составляет около £80 000 (диапазон £60 000 - £120 000). Для сравнения: средний software engineer получает заметно меньше, а разница между AI-специалистом и обычным backend-разработчиком на одном уровне сеньорности может достигать 40-60%. Лондон добавляет 15-20% к базовым цифрам, а frontier-лаборатории платят значительно больше.

Важный тренд: премия за AI-специализацию концентрируется на уровне senior и staff и растёт год от года, тогда как на entry-level она сужается. Рынок платит за подтверждённую компетентность, а не за стаж.

Стоимость незакрытой вакансии

По нашему опыту, senior AI-позиции закрываются вдвое-втрое дольше общих tech-ролей. Каждая неделя простоя задерживает запуск продуктов и генерацию дохода. Для AI-продукта, который развивается, opportunity cost нескольких месяцев вакансии обычно превышает саму зарплату в разы.

Конкуренция между секторами

Defence tech, кибербезопасность, финтех и healthcare конкурируют за тех же AI/ML-специалистов, что и big tech и frontier-лаборатории. Оборонные и кибер-компании часто проигрывают кандидатов технологическим гигантам, предлагающим более высокую компенсацию. Им приходится конкурировать на миссии и импакте, а не только на деньгах, с дополнительным ограничением в виде security clearance, которое ещё больше сужает пул.

4. ЧТО ИСКАТЬ ВМЕСТО ЛЕТ ОПЫТА: СИГНАЛЫ КОМПЕТЕНТНОСТИ AI-ИНЖЕНЕРА

Если годы опыта не работают как фильтр, что тогда? В EvoTalents мы выделяем четыре категории сигналов, которые реально предсказывают результативность AI-инженера:

Shipped projects и портфолио

Работающие RAG-системы в продакшене, fine-tuned модели, построенные evaluation-пайплайны, агентные workflow, оптимизация latency и cost в реальных системах. Вопрос не "сколько лет", а "что именно вы построили и что это дало бизнесу".

Open-source контрибуции и глубина фреймворков

Коммиты в PyTorch, Hugging Face, LangChain/LlamaIndex. Глубокое понимание vector databases (Pinecone, Weaviate, Qdrant). Способность ориентироваться в экосистеме, которая меняется ежемесячно, и выбирать правильные инструменты для конкретной задачи.

Research и competition signals

Опубликованные статьи, цитирования, Kaggle rankings, победы на хакатонах. Это доказательства прикладного решения проблем, а не просто теоретических знаний.

Learning velocity

Пожалуй, важнейшая характеристика в поле, которое обновляется ежегодно. Как быстро человек осваивает новые фреймворки и подходы? Следит ли за исследованиями? Может ли самостоятельно разобраться в новой архитектуре за недели, а не месяцы? В EvoTalents мы считаем learning velocity ключевым предиктором для AI-ролей. Кандидат, который за два года прошёл путь от классического ML до продакшн RAG-систем с eval-пайплайнами, ценнее кандидата с пятью годами в одном узком стеке.

5. КАК ПРАВИЛЬНО ОЦЕНИВАТЬ AI-ИНЖЕНЕРОВ: ASSESSMENT-ФРЕЙМВОРК

Шаг 1: Перепишите вакансию вокруг capability, а не calendar years

Замените "5+ лет опыта с LLM" на конкретные outcomes:

• "Вы построили и запустили retrieval-augmented систему в продакшн"
• "Вы делали fine-tuning open-source моделей и можете объяснить, когда этого делать не стоит"
• "Вы проектировали evaluation-пайплайны для LLM-приложений"
• "Вы оптимизировали latency и cost LLM-вызовов в системе с реальным трафиком"

Разделите must-haves и nice-to-haves безжалостно. "Unicorn JD", где одновременно требуют 7+ лет Rust, 5+ лет Kubernetes, свободное владение тремя языками, PhD и готовность к релокации, гарантированно не работает. Такого кандидата либо не существует, либо их 11 в мире и все они трудоустроены.

Шаг 2: Скрининг на основе доказательств

Просите портфолио, GitHub, опубликованный paper, Kaggle-профиль или короткий write-up системы, которую кандидат построил. Оценивайте продемонстрированную работу, а не названия компаний и количество лет.

Шаг 3: Work-sample assessment

Наиболее эффективная комбинация для AI-ролей:

• Time-boxed, realistic take-home (оплачиваемый, где возможно): небольшая RAG-задача, fine-tuning задание или debugging реального кода. 4-6 часов максимум.
• System-design разговор (45-60 минут): как бы вы спроектировали LLM-приложение для конкретного use case? Фокус на retrieval-стратегии, evaluations, guardrails, cost optimization.
• Pair-programming/debugging сессия: работайте вместе над реальной проблемой. Это показывает мышление, а не заученные ответы.

Критично: держите процесс коротким. 2-3 раунда максимум. Шесть раундов интервью в течение 8 недель, и вы потеряете кандидата конкуренту, который двигается быстрее.

Шаг 4: Competency rubric

Определите чёткие критерии оценки до начала процесса:

• Framework depth - насколько глубоко понимает инструменты и когда их применять
• Evaluation rigor - умеет ли строить метрики и eval-пайплайны для LLM
• Production judgment - понимание trade-offs: latency vs quality, cost vs coverage, accuracy vs speed
• Learning velocity - как быстро осваивает новые подходы и адаптируется

6. КЕЙС EVOTALENTS: МАСШТАБИРОВАНИЕ ИНЖЕНЕРНОЙ КОМАНДЫ С AI/LLM-НАПРАВЛЕНИЕМ ДЛЯ SECURITY TECH КОМПАНИИ

Клиент: продуктовая компания в сфере IoT Security и smart camera технологий, 50-100 сотрудников.

Ситуация

Клиент строит AI-powered системы видеонаблюдения и IoT-безопасности. Перед компанией стояла задача одновременного масштабирования по пяти узкоспециализированным техническим направлениям: Python/Go backend, embedded C/C++ engineering, видеостриминг-инфраструктура, LLM/AI research и hardware engineering. Каждое направление требовало senior-уровня инженеров, способных работать автономно в cutting-edge доменах с экстремально тонкими кандидатскими пулами.

Дополнительные ограничения усложняли поиск: hardware-роли требовали физического присутствия в лаборатории, а компания расширяла географию поиска на Польшу для доступа к более широкому пулу кандидатов.

Подход EvoTalents

• Выделили dedicated рекрутерскую команду, одновременно покрывавшую все пять технических направлений
• Использовали глубокие community-связи в Python, Go, embedded-системах и AI/ML-сообществах в Украине и Польше
• Создали tailored сорсинг-стратегию для каждого направления: passive outreach для senior backend, academic network targeting для AI/LLM research, специализированные engineering meetups и платформы для embedded и hardware ролей
• Предоставили клиенту market intelligence по польскому рынку найма для поддержки географической экспансии

Результат

• 5 параллельных поисков по узкоспециализированным направлениям, включая LLM/AI Research
• 7+ позиций закрыто (партнёрство продолжается)
• Пайплайн: 100-200+ кандидатов на роль
• Партнёрство: 2,5+ года (с 2023), что подтверждает качество найма и retention
• География: Украина + Польша

Ключевой урок этого кейса для AI-найма: направление LLM/AI Research было одним из самых сложных. Стандартный фильтр "5+ лет опыта" сделал бы поиск невозможным, ведь production LLM-опыт существует менее четырёх лет. Вместо этого EvoTalents оценивали кандидатов по исследовательскому опыту, published work и способности быстро адаптироваться к новым архитектурам.

7. ПЕРВЫЕ 90 ДНЕЙ: КАК НЕ ПОТЕРЯТЬ AI-ИНЖЕНЕРА ПОСЛЕ НАЙМА

Нанять AI-инженера - половина дела. Удержать его в течение первых трёх месяцев - вторая.

Неделя 1-2: Контекст и инфраструктура

AI-инженер должен с первого дня иметь доступ к GPU-кластеру или cloud compute, к имеющимся данным и моделям, к internal documentation. Задержка с инфраструктурой - самая распространённая причина разочарования в первые недели.

Неделя 3-4: Quick win

Дайте чёткую, ограниченную по scope задачу, которую можно завершить и продемонстрировать за две недели. Это строит уверенность и доверие с обеих сторон.

Месяц 2-3: Ownership и автономия

Лучшие AI-инженеры хотят ownership над проблемой, а не только над задачей. Дайте им автономию в принятии архитектурных решений и выборе инструментов. Микроменеджмент - прямой путь к потере специалиста, которого вы нанимали четыре месяца.

Ongoing: Learning budget и community

AI-поле движется быстро. Бюджет на конференции, курсы, участие в open-source - это не перк, а необходимость. Инженер, который перестаёт учиться, за 6 месяцев отстаёт от рынка.

8. САМЫЕ РАСПРОСТРАНЁННЫЕ ОШИБКИ ПРИ НАЙМЕ AI-ИНЖЕНЕРОВ

Ошибка 1: Фильтрация по годам вместо компетенций

Вы уже знаете почему. Пять лет опыта с LLM физически невозможны. Даже для общих ML-ролей стаж слабо коррелирует с результативностью. Фильтруйте по shipped projects и demonstrated skills.

Ошибка 2: Заниженная компенсация

Средняя зарплата AI/ML-инженера в UK составляет £80 000, с диапазоном до £120 000. Если вы выходите на рынок с предложением £55 000 - £65 000, вы получите кандидатов. Но не тех, которых ищете. Бенчмаркинг зарплаты до открытия вакансии - обязательный шаг.

Ошибка 3: Затянутый hiring process

Шесть раундов интервью в течение двух месяцев означает, что ваш кандидат получит два-три других оффера ещё до вашего финального решения. AI-инженеры - самый востребованный сегмент рынка. Два-три раунда, максимум три недели от первого контакта до оффера.

Ошибка 4: Поиск только среди активных кандидатов

Большинство работодателей не могут закрыть AI-вакансии стандартными методами. Лучшие AI-инженеры - passive candidates. Они трудоустроены, не ищут работу на job boards, не отвечают на generic InMail. До них можно добраться только через community access, targeted outreach и specialist sourcing.

Ошибка 5: Игнорирование non-traditional backgrounds

Сильный AI-инженер может прийти из физики, нейронауки, quantitative finance или даже из web-разработки, если он прошёл интенсивный путь самообразования и имеет shipped projects. Жёсткий фильтр по образованию (только CS PhD) ещё больше сужает и без того крохотный пул.

9. UK-КОНТЕКСТ: ГОСУДАРСТВЕННАЯ ПОДДЕРЖКА И РЕАЛЬНОСТЬ РЫНКА

Великобритания создала благоприятную policy-среду для AI. UK AI Opportunities Action Plan (подготовленный Matt Clifford, принятый правительством в январе 2025) напрямую нацелен на расширение AI talent pipeline. UK National AI Strategy (2021) и AI Safety Institute (2023, переименованный в AI Security Institute в 2025) формируют регуляторный фон.

Но в краткосрочной перспективе talent bottleneck острый. Defence tech и cybersecurity-компании конкурируют с frontier-лабораториями за тех же людей, с дополнительными ограничениями security clearance. Лондон становится одним из главных AI-хабов Европы (Anthropic расширяет лондонский офис), что одновременно увеличивает пул и усиливает конкуренцию за него.

Для компаний в defence, cyber и fintech секторах это означает: стандартный подход к найму гарантированно проигрывает. Нужна специализированная стратегия сорсинга, конкурентная компенсация и assessment-процесс, построенный на компетенциях, а не на стаже.

FAQ

Как нанять AI-инженера в Великобритании в 2026 году?

Перепишите вакансию с фокусом на shipped projects и конкретные компетенции вместо лет опыта. Бенчмаркте зарплату (£80 000 - £120 000 для UK). Используйте targeted сорсинг в open-source сообществах и через специализированные рекрутинговые агентства. Оценивайте через work-sample тесты и system-design интервью, а не через подсчёт лет в резюме. Держите процесс коротким: 2-3 раунда в течение 2-3 недель.

Сколько стоит AI/ML инженер в Великобритании?

По нашим оценкам, средняя зарплата AI/ML-инженера в UK составляет около £80 000 в год. Диапазон от £60 000 для mid-level до £120 000+ для senior-специалистов. В Лондоне ставки на 15-20% выше. Frontier-лаборатории (Anthropic, DeepMind) предлагают значительно больше. Премия за AI-специализацию над общей разработкой существенна и продолжает расти.

Почему так сложно найти AI-инженера с опытом LLM?

Потому что LLM в продакшене - технология, которой менее четырёх лет. Инженеров с реальным продакшн-опытом в каждой стране считают на сотни, а не тысячи. AI/ML-специалисты составляют незначительную долю от общего числа разработчиков. При этом спрос растёт кратно каждый год. Математика простая: кандидатов значительно меньше, чем вакансий.

Какие навыки искать у AI-инженера вместо лет опыта?

Shipped production-системы (RAG, fine-tuning, agentic workflows). Open-source контрибуции и глубокое знание фреймворков (PyTorch, Hugging Face, LangChain). Опыт построения evaluation pipelines для LLM. Research-сигналы: papers, Kaggle, хакатоны. И самое важное - learning velocity: как быстро человек осваивает новые инструменты в поле, которое меняется каждые 12-18 месяцев.

Сколько времени занимает закрытие AI/ML вакансии?

По нашему опыту, senior AI-позиции закрываются вдвое-втрое дольше общих tech-ролей. Каждая неделя простоя стоит компании задержку продуктов и потерянный доход. Сокращение hiring process до 2-3 раундов, competency-based оценка вместо фильтрации по стажу и специализированный сорсинг passive candidates могут существенно сократить этот срок.