AI Engineer, ML Engineer, Applied AI, LLM: какие должности отслеживать
В найме на AI-роли названия должностей пересекаются как нигде. Одну и ту же работу в одной компании называют AI Engineer, в другой — Applied AI Engineer, в третьей — «Software Engineer, Machine Learning». А две вакансии с одинаковым ML Engineer в заголовке могут не иметь ничего общего. Разбираем, какие названия за какой работой обычно стоят и как отличить одно от другого по тексту вакансии.
Откуда путаница
Названия AI-ролей менялись быстрее, чем грейдовые сетки компаний. Многие команды начали делать фичи на больших языковых моделях раньше, чем придумали, как называть людей, которые этим занимаются, — поэтому брали старые названия или придумывали новые. Название говорит об области, а о самой работе — только описание.
Четыре семейства AI-ролей
1. Продукты на основе моделей
Типичные названия: AI Engineer, Applied AI Engineer, LLM Engineer, AI Product Engineer, «Software Engineer, AI».
По сути это разработка: подключить модели (часто через API) к продукту, собрать RAG-пайплайн, агентов и tool use, написать evals, следить за задержками и стоимостью. Обучать модели с нуля обычно не нужно. Сильный backend- или full-stack-разработчик, который уже выпускал фичи на LLM, — часто именно тот, кого ищут в таких вакансиях.
2. Обучение и улучшение моделей
Типичные названия: Machine Learning Engineer, ML Engineer, Applied Scientist, Research Engineer, Research Scientist.
Здесь вы ближе к самой модели: обучение, fine-tuning, feature engineering, ранжирование и рекомендательные системы, эксперименты. В вакансиях упоминают PyTorch или похожие фреймворки, датасеты и метрики. Роли с «Research» обычно тяготеют к новым методам и статьям, с «Applied» — к выводу моделей в продукт. ML Engineer в компании с рекомендательной системой может вообще не касаться LLM.
3. ML-инфраструктура
Типичные названия: MLOps Engineer, ML Platform Engineer, ML Infrastructure Engineer, Inference Engineer.
Платформенная работа для моделей: пайплайны обучения, сервинг, распределение GPU, мониторинг. Если вы из DevOps, Platform или SRE, это самый естественный вход в AI.
4. Data Science с AI-уклоном
Типичные названия: Data Scientist, Applied Scientist, Data Scientist (Machine Learning).
Больше анализа и моделирования, чем продакшен-разработки: статистика, эксперименты, прогнозирование, а всё чаще — оценка качества ответов моделей. Граница между этим семейством и вторым в каждой компании своя.
Смежные роли
- Solutions Engineer или Forward Deployed Engineer в AI-продукте: помогают клиентам строить решения на моделях или инструментах компании. Технично и с клиентами.
- AI Product Manager: продуктовые роли для AI-фич, обычно проходят как Product Manager.
- Developer Relations для AI-продуктов: документация, демо, сообщество.
Шпаргалка
| Семейство | Основная работа | Что искать в описании |
|---|---|---|
| AI / Applied AI / LLM Engineer | Фичи продукта на моделях | RAG, агенты, evals, API, TypeScript, Python |
| ML Engineer / Applied Scientist | Обучение и тюнинг моделей | PyTorch, fine-tuning, ранжирование, эксперименты |
| MLOps / ML Platform | Инфраструктура для моделей | сервинг, пайплайны, GPU, Kubernetes |
| Data Scientist | Анализ и моделирование | статистика, A/B-тесты, прогнозы |
Как читать AI-вакансию
Раз названиям верить нельзя, читайте описание с такими вопросами:
- Команда обучает модели или использует готовые? Ищите «fine-tune», «pre-train», «training data» против «integrate», «API», «product features».
- Какой основной язык? Только Python — скорее работа с моделями; TypeScript или Go рядом с Python — часто продуктовая разработка.
- Что измеряют? Точность модели и офлайн-метрики — это ML; задержки, стоимость и качество для пользователя — AI engineering.
- С кем вы будете работать? С исследователями или с продактами и дизайнерами?
- Что для них значит «опыт в AI»? Иногда это PhD, иногда одна выпущенная фича на LLM. Обычно это понятно из списка требований.
Какие должности отслеживать
Чтобы не пропускать вакансии из-за названий, следите за:
- AI Engineer, Applied AI Engineer, LLM Engineer;
- Machine Learning Engineer, ML Engineer, Applied Scientist;
- MLOps, ML Platform, ML Infrastructure;
- обычными Backend- и Software Engineer-вакансиями. Продуктовые команды нередко нанимают на AI-задачи под обычным инженерным названием, а про LLM написано только в описании.
Смотрите и на строку с локацией: AI-роли часто привязаны к конкретным офисам или регионам. В нашем срезе за сентябрь 2026 по источникам, которые мы проверяем, было 9 вакансий AI Engineer и 14 — Machine Learning, открытых для удалённой работы из Европы. Это один момент времени и ограниченный набор площадок, но он подсказывает: лучше ловить широкой сетью, чем ждать одно точное название.
Если вы переходите в AI
Если вы backend-разработчик, ближе всего первое семейство. Одна-две выпущенные фичи на LLM API — с evals и нормальной обработкой ошибок — напрямую отвечают на то, что просят в таких вакансиях. Если вы из DevOps, вам ближе третье. Во второе обычно приходится идти через более серьёзное изучение самого машинного обучения.
Под какое бы семейство вы ни целились, пишите резюме языком вакансии. Если в описании «evals» и «retrieval», описывайте свой проект этими словами, а не расплывчатым «работал с AI».
В Hot Jobs можно выбрать роли AI Engineer и Machine Learning — вместе с Backend или Data Scientist — и получать новые вакансии с карьерных страниц компаний в Telegram. €3 один раз, без подписки. Подключить бота