Як найняти AI-інженера у 2026: чому фільтр за роками досвіду не працює і що робити замість нього

ChatGPT запустився в листопаді 2022 року. Минуло три з половиною роки. А вакансії на AI-інженерів у Великобританії стабільно вимагають "5+ років досвіду з LLM". Проста арифметика: такого досвіду фізично не існує ні в кого, крім горстки дослідників із Google Brain та OpenAI. Компанії, які ставлять цей фільтр, не відсіюють слабких кандидатів - вони відсіюють усіх. За нашими спостереженнями, senior AI-позиції залишаються відкритими вдвічі довше за звичайні tech-ролі, і щотижня простою коштує затримки продуктів та втраченого доходу. IT рекрутингове агентство EvoTalents розбирає, чому фільтр за роками досвіду руйнує найм AI-інженерів у 2026 році і що працює замість нього.

1. МАТЕМАТИКА, ЯКА НЕ ПРАЦЮЄ: СКІЛЬКИ НАСПРАВДІ ІСНУЮТЬ AI-ТЕХНОЛОГІЇ

Щоб зрозуміти масштаб проблеми, достатньо подивитись на хронологію. Ось коли з'явились ключові технології, які сьогодні вимагають у вакансіях:

• Transformer-архітектура ("Attention Is All You Need") - червень 2017, близько 9 років тому
• BERT - жовтень 2018, близько 7,5 років тому
• GPT-3 (модель, доступна лише через API для розробників) - червень 2020, близько 6 років тому
• RAG (Retrieval-Augmented Generation) - травень 2020, близько 6 років тому
• LoRA (метод fine-tuning) - червень 2021, рівно 5 років тому
• LangChain (фреймворк для LLM-застосунків) - жовтень 2022, менше 4 років тому
• ChatGPT (перший масовий LLM-продукт, побудований на GPT-3.5) - листопад 2022, 3,5 роки тому. Саме з цього моменту бізнес масово почав наймати "GenAI-інженерів"
• GPT-4 / AutoGPT / агентні фреймворки - березень 2023, 3,3 роки тому

Важливий нюанс: GPT-3 існує з 2020 року, але як закритий API для розробників. Масовий попит на GenAI-інженерів почався після запуску ChatGPT наприкінці 2022. Тобто коли компанія пише у вакансії "5+ років досвіду з LLM у продакшені", вона вимагає досвід, який могли набрати лише дослідники з frontier-лабораторій, а не прикладні інженери, яких шукає бізнес.

LoRA - єдина технологія зі списку, для якої "5 років досвіду" математично можливі. І лише якщо ви були одним із авторів оригінальної статті в Microsoft Research. Для LLM у продакшені, для RAG-систем, для агентних архітектур п'яти років досвіду не існує в природі.

Це не нова проблема для IT-найму. Свого часу вірусними ставали вакансії, де вимагали 5 років досвіду зі Swift через рік після його запуску Apple, аналогічні абсурди з Kubernetes та React. Але різниця в масштабі: раніше нерелевантний фільтр відсікав частину хороших кандидатів. Зараз він відсікає практично всіх, бо вся категорія GenAI молодша за стандартну планку "senior".

2. ЩО КАЖЕ НАУКА: ЧОМУ РОКИ ДОСВІДУ - СЛАБКИЙ ПРЕДИКТОР РЕЗУЛЬТАТИВНОСТІ

Питання "чи передбачає стаж якість роботи" давно вирішене в науці про найм. Найбільш цитоване дослідження в цій галузі, мета-аналіз Schmidt та Hunter (1998, Psychological Bulletin), порівняло ефективність різних методів оцінки кандидатів:

• Робочі зразки (work-sample tests) - кореляція з результативністю ~0.54
• Структуровані інтерв'ю - кореляція ~0.51
• Когнітивні здібності - кореляція ~0.51
• Роки професійного досвіду - кореляція ~0.18

Переклад цифр на практику: реалістичне тестове завдання передбачає продуктивність працівника втричі точніше, ніж підрахунок років у резюме. Оновлений аналіз Sackett та ін. (2016) скоригував деякі коефіцієнти, але ієрархія залишилась: робочі зразки та структуровані інтерв'ю вгорі, роки стажу - внизу.

Для AI-інженерів ця закономірність ще гостріша. Коли поле оновлюється кожні 12-18 місяців, людина з двома роками інтенсивного досвіду у продакшені RAG-систем та fine-tuning може бути значно продуктивнішою за людину з п'ятьма роками загального ML-досвіду, яка ніколи не працювала з LLM.

3. РИНОК AI-ІНЖЕНЕРІВ У 2026: ЦИФРИ, ЯКІ ПОТРІБНО ЗНАТИ

Попит випереджає пропозицію в рази

Кількість вакансій для GenAI-спеціалістів за останні два роки зросла в рази. Вакансії з вимогою досвіду LLM збільшились кратно, позиції, пов'язані з агентними AI-системами, показують найшвидше зростання серед усіх AI-категорій. При цьому інженерів із реальним продакшн-досвідом у LLM у більшості країн рахують на сотні, а AI/ML-спеціалісти складають незначну частку від загальної кількості розробників.

Зарплати (Великобританія, 2025-2026)

За нашими спостереженнями, середня зарплата AI/ML-інженера у Великобританії складає близько £80 000 (діапазон £60 000 - £120 000). Для порівняння: середній software engineer отримує помітно менше, а різниця між AI-спеціалістом та загальним backend-розробником на одному рівні сеньйорності може сягати 40-60%. Лондон додає 15-20% до базових цифр, а frontier-лабораторії платять значно більше.

Важливий тренд: премія за AI-спеціалізацію концентрується на рівні senior та staff і зростає рік до року, тоді як на entry-level вона звужується. Ринок платить за підтверджену компетентність, а не за стаж.

Вартість незакритої вакансії

За нашим досвідом, senior AI-позиції закриваються вдвічі-втричі довше за загальні tech-ролі. Кожен тиждень простою затримує запуск продуктів та генерацію доходу. Для AI-продукту, що розвивається, opportunity cost кількох місяців вакансії зазвичай перевищує саму зарплату в рази.

Конкуренція між секторами

Defence tech, кібербезпека, фінтех та healthcare конкурують за тих самих AI/ML-спеціалістів, що й big tech та frontier-лабораторії. Оборонні та кібер-компанії часто програють кандидатів технологічним гігантам, які пропонують вищу компенсацію. Їм доводиться конкурувати на місії та імпакті, а не тільки на грошах, з додатковим обмеженням у вигляді security clearance, що ще більше звужує пул.

4. ЩО ШУКАТИ ЗАМІСТЬ РОКІВ ДОСВІДУ: СИГНАЛИ КОМПЕТЕНТНОСТІ AI-ІНЖЕНЕРА

Якщо роки досвіду не працюють як фільтр, що тоді? У EvoTalents ми виділяємо чотири категорії сигналів, які реально передбачають результативність AI-інженера:

Shipped projects та портфоліо

Робочі RAG-системи у продакшені, fine-tuned моделі, побудовані evaluation-пайплайни, агентні workflow, оптимізація latency та cost у реальних системах. Питання не "скільки років", а "що саме ви побудували і що це дало бізнесу".

Open-source контрибуції та глибина фреймворків

Коміти в PyTorch, Hugging Face, LangChain/LlamaIndex. Глибоке розуміння vector databases (Pinecone, Weaviate, Qdrant). Здатність орієнтуватись у екосистемі, яка змінюється щомісяця, і обирати правильні інструменти для конкретної задачі.

Research та competition signals

Опубліковані статті, цитування, Kaggle rankings, перемоги на хакатонах. Це докази прикладного вирішення проблем, а не просто теоретичних знань.

Learning velocity

Мабуть, найважливіша характеристика у полі, яке оновлюється щороку. Як швидко людина освоює нові фреймворки та підходи? Чи слідкує за дослідженнями? Чи може самостійно розібратись у новій архітектурі за тижні, а не місяці? У EvoTalents ми вважаємо learning velocity ключовим предиктором для AI-ролей. Кандидат, який за два роки пройшов шлях від класичного ML до продакшн RAG-систем з eval-пайплайнами, цінніший за кандидата з п'ятьма роками в одному вузькому стеку.

5. ЯК ПРАВИЛЬНО ОЦІНЮВАТИ AI-ІНЖЕНЕРІВ: ASSESSMENT-ФРЕЙМВОРК

Крок 1: Перепишіть вакансію навколо capability, а не calendar years

Замініть "5+ років досвіду з LLM" на конкретні outcomes:

• "Ви побудували та запустили retrieval-augmented систему у продакшн"
• "Ви робили fine-tuning open-source моделей і можете пояснити, коли це робити не варто"
• "Ви проектували evaluation-пайплайни для LLM-застосунків"
• "Ви оптимізували latency та cost LLM-викликів у системі з реальним трафіком"

Розділіть must-haves та nice-to-haves безжально. "Unicorn JD", де вимагають одночасно 7+ років Rust, 5+ років Kubernetes, вільне володіння трьома мовами, PhD та готовність до релокації, гарантовано не працює. Такого кандидата або не існує, або їх 11 у світі і всі вони працевлаштовані.

Крок 2: Скринінг на основі доказів

Просіть портфоліо, GitHub, опублікований paper, Kaggle-профіль або короткий write-up системи, яку кандидат побудував. Оцінюйте продемонстровану роботу, а не назви компаній та кількість років.

Крок 3: Work-sample assessment

Найефективніша комбінація для AI-ролей:

• Time-boxed, realistic take-home (оплачуваний, де можливо): невелика RAG-задача, fine-tuning завдання або debugging реального коду. 4-6 годин максимум.
• System-design розмова (45-60 хвилин): як би ви спроектували LLM-застосунок для конкретного use case? Фокус на retrieval-стратегії, evaluations, guardrails, cost optimization.
• Pair-programming/debugging сесія: працюйте разом над реальною проблемою. Це показує мислення, а не заучені відповіді.

Критично: тримайте процес коротким. 2-3 раунди максимум. Шість раундів інтерв'ю протягом 8 тижнів, і ви втратите кандидата конкуренту, який рухається швидше.

Крок 4: Competency rubric

Визначте чіткі критерії оцінки до початку процесу:

• Framework depth - наскільки глибоко розуміє інструменти та коли їх застосовувати
• Evaluation rigor - чи вміє будувати метрики та eval-пайплайни для LLM
• Production judgment - розуміння trade-offs: latency vs quality, cost vs coverage, accuracy vs speed
• Learning velocity - як швидко освоює нові підходи та адаптується

6. КЕЙС EVOTALENTS: МАСШТАБУВАННЯ ІНЖЕНЕРНОЇ КОМАНДИ З AI/LLM-НАПРЯМКОМ ДЛЯ SECURITY TECH КОМПАНІЇ

Клієнт: продуктова компанія у сфері IoT Security та smart camera технологій, 50-100 співробітників.

Ситуація

Клієнт будує AI-powered системи відеоспостереження та IoT-безпеки. Перед компанією стояла задача одночасного масштабування за п'ятьма вузькоспеціалізованими технічними напрямками: Python/Go backend, embedded C/C++ engineering, відеострімінг-інфраструктура, LLM/AI research та hardware engineering. Кожен напрямок вимагав senior-рівня інженерів, здатних працювати автономно у cutting-edge доменах з екстремально тонкими кандидатськими пулами.

Додаткові обмеження ускладнювали пошук: hardware-ролі вимагали фізичної присутності в лабораторії, а компанія розширювала географію пошуку на Польщу для доступу до ширшого пулу кандидатів.

Підхід EvoTalents

• Виділили dedicated рекрутерську команду, яка одночасно покривала всі п'ять технічних напрямків
• Використали глибокі community-зв'язки у Python, Go, embedded-системах та AI/ML-спільнотах в Україні та Польщі
• Створили tailored сорсинг-стратегію для кожного напрямку: passive outreach для senior backend, academic network targeting для AI/LLM research, спеціалізовані engineering meetups та платформи для embedded та hardware ролей
• Надали клієнту market intelligence щодо польського ринку найму для підтримки географічної експансії

Результат

• 5 паралельних пошуків за вузькоспеціалізованими напрямками, включаючи LLM/AI Research
• 7+ позицій закрито (партнерство продовжується)
• Пайплайн: 100-200+ кандидатів на роль
• Партнерство: 2,5+ роки (з 2023), що підтверджує якість найму та retention
• Географія: Україна + Польща

Ключовий урок цього кейсу для AI-найму: напрямок LLM/AI Research був одним із найскладніших. Стандартний фільтр "5+ років досвіду" зробив би пошук неможливим, адже production LLM-досвід існує менше чотирьох років. Замість цього EvoTalents оцінювали кандидатів за дослідницьким досвідом, published work та здатністю швидко адаптуватись до нових архітектур.

7. ПЕРШІ 90 ДНІВ: ЯК НЕ ВТРАТИТИ AI-ІНЖЕНЕРА ПІСЛЯ НАЙМУ

Найняти AI-інженера - половина справи. Утримати його протягом перших трьох місяців - друга.

Тиждень 1-2: Контекст та інфраструктура

AI-інженер повинен з першого дня мати доступ до GPU-кластера або cloud compute, до наявних даних та моделей, до internal documentation. Затримка з інфраструктурою - найпоширеніша причина розчарування в перші тижні.

Тиждень 3-4: Quick win

Дайте чітку, обмежену за scope задачу, яку можна завершити та продемонструвати за два тижні. Це будує впевненість та довіру з обох боків.

Місяць 2-3: Ownership та автономія

Найкращі AI-інженери хочуть ownership над проблемою, а не тільки над задачею. Дайте їм автономію в прийнятті архітектурних рішень та виборі інструментів. Мікроменеджмент - прямий шлях до втрати спеціаліста, якого ви наймали чотири місяці.

Ongoing: Learning budget та community

AI-поле рухається швидко. Бюджет на конференції, курси, участь у open-source - це не перк, а необхідність. Інженер, який перестає вчитись, за 6 місяців відстає від ринку.

8. НАЙПОШИРЕНІШІ ПОМИЛКИ ПРИ НАЙМІ AI-ІНЖЕНЕРІВ

Помилка 1: Фільтрація за роками замість компетенцій

Ви вже знаєте чому. П'ять років досвіду з LLM фізично неможливі. Навіть для загальних ML-ролей стаж слабо корелює з результативністю. Фільтруйте за shipped projects та demonstrated skills.

Помилка 2: Занижена компенсація

Середня зарплата AI/ML-інженера у UK складає £80 000, з діапазоном до £120 000. Якщо ви виходите на ринок з пропозицією £55 000 - £65 000, ви отримаєте кандидатів. Але не тих, яких шукаєте. Бенчмаркінг зарплати до відкриття вакансії - обов'язковий крок.

Помилка 3: Затягнутий hiring process

Шість раундів інтерв'ю протягом двох місяців означає, що ваш кандидат отримає два-три інших офери ще до вашого фінального рішення. AI-інженери - найбільш затребуваний сегмент ринку. Два-три раунди, максимум три тижні від першого контакту до офера.

Помилка 4: Пошук тільки серед активних кандидатів

Більшість роботодавців не можуть закрити AI-вакансії стандартними методами. Найкращі AI-інженери - passive candidates. Вони працевлаштовані, не шукають роботу на job boards, не відповідають на generic InMail. До них можна дістатись лише через community access, targeted outreach та specialist sourcing.

Помилка 5: Ігнорування non-traditional backgrounds

Сильний AI-інженер може прийти з фізики, нейронауки, quantitative finance або навіть з web-розробки, якщо він пройшов інтенсивний шлях самоосвіти та має shipped projects. Жорсткий фільтр за освітою (тільки CS PhD) ще більше звужує і без того крихітний пул.

9. UK-КОНТЕКСТ: ДЕРЖАВНА ПІДТРИМКА ТА РЕАЛЬНІСТЬ РИНКУ

Великобританія створила сприятливе policy-середовище для AI. UK AI Opportunities Action Plan (підготовлений Matt Clifford, прийнятий урядом у січні 2025) безпосередньо спрямований на розширення AI talent pipeline. UK National AI Strategy (2021) та AI Safety Institute (2023, перейменований на AI Security Institute у 2025) формують регуляторний фон.

Але в короткостроковій перспективі talent bottleneck гострий. Defence tech та cybersecurity-компанії конкурують з frontier-лабораторіями за тих самих людей, з додатковими обмеженнями security clearance. Лондон стає одним з головних AI-хабів Європи (Anthropic розширює лондонський офіс), що одночасно збільшує пул та підвищує конкуренцію за нього.

Для компаній у defence, cyber та fintech секторах це означає: стандартний підхід до найму гарантовано програє. Потрібна спеціалізована стратегія сорсингу, конкурентна компенсація та assessment-процес, побудований на компетенціях, а не на стажі.

FAQ

Як найняти AI-інженера у Великобританії у 2026 році?

Перепишіть вакансію з фокусом на shipped projects та конкретні компетенції замість років досвіду. Бенчмаркте зарплату (£80 000 - £120 000 для UK). Використовуйте targeted сорсинг у open-source спільнотах та через спеціалізовані рекрутингові агентства. Оцінюйте через work-sample тести та system-design інтерв'ю, а не через підрахунок років у резюме. Тримайте процес коротким: 2-3 раунди протягом 2-3 тижнів.

Скільки коштує AI/ML інженер у Великобританії?

За нашими оцінками, середня зарплата AI/ML-інженера у UK складає близько £80 000 на рік. Діапазон від £60 000 для mid-level до £120 000+ для senior-спеціалістів. У Лондоні ставки на 15-20% вищі. Frontier-лабораторії (Anthropic, DeepMind) пропонують значно більше. Премія за AI-спеціалізацію над загальною розробкою суттєва і продовжує зростати.

Чому так складно знайти AI-інженера з досвідом LLM?

Тому що LLM у продакшені - технологія, якій менше чотирьох років. Інженерів із реальним продакшн-досвідом у кожній країні рахують на сотні, а не тисячі. AI/ML-спеціалісти складають незначну частку від загальної кількості розробників. При цьому попит зростає кратно щороку. Математика проста: кандидатів значно менше, ніж вакансій.

Які навички шукати у AI-інженера замість років досвіду?

Shipped production-системи (RAG, fine-tuning, agentic workflows). Open-source контрибуції та глибоке знання фреймворків (PyTorch, Hugging Face, LangChain). Досвід побудови evaluation pipelines для LLM. Research-сигнали: papers, Kaggle, хакатони. І найважливіше - learning velocity: як швидко людина освоює нові інструменти у полі, що змінюється кожні 12-18 місяців.

Скільки часу займає закриття AI/ML вакансії?

За нашим досвідом, senior AI-позиції закриваються вдвічі-втричі довше за загальні tech-ролі. Кожен тиждень простою коштує компанії затримку продуктів та втрачений дохід. Скорочення hiring process до 2-3 раундів, competency-based оцінка замість фільтрації за стажем та спеціалізований сорсинг passive candidates можуть суттєво скоротити цей термін.