144 из 226 изученных объявлений hh.ru оказались профильными вакансиями AI и ML, а 104 из них связаны с разработкой ML/DL-моделей. Срез, собранный 6 ноября 2026 года, показывает не размер всего рынка, а его вполне узнаваемую механику: работодатели ищут и людей для обучения моделей, и инженеров, которые превратят готовую LLM в работающий сервис. Для русскоязычных разработчиков и нанимающих команд это напоминание: вывеска «ML Engineer» давно перестала объяснять, чем придётся заниматься.
Исследование 226 вакансий с hh.ru провела команда автора публикации, сообщает Habr / Карьера. После ручной классификации в профильную выборку вошли 144 объявления: 104 позиции в ML/DL, 34 — в прикладном AI и LLM, ещё шесть — в MLOps и ML-инфраструктуре. Остальные 82 вакансии отнесли к смежным ролям либо исключили как не соответствующие теме. Авторы отдельно предупреждают: повторные размещения в разных городах и похожие объявления одной компании не означают такое же число реальных рабочих мест.
Самая крупная группа — классический ML и Data Science: 52 вакансии. В неё попали задачи по скорингу, прогнозированию, рекомендательным системам и uplift-моделированию. Ещё 38 предложений связаны с компьютерным зрением: детекцией и сегментацией объектов, видеоаналитикой, промышленным CV и генеративными визуальными моделями. Разработка и дообучение NLP/LLM-моделей занимает заметно меньшую нишу — 14 вакансий. Этот расклад отрезвляет тех, кто по ленте анонсов уже решил, что весь рынок свёлся к написанию промптов для чат-бота.
Прикладной AI выглядит отдельной профессией, а не облегчённой версией ML-исследований. В 34 объявлениях речь идёт о RAG-системах, AI-агентах, интеграциях готовых моделей с корпоративными сервисами, API и автоматизацией процессов. В качестве примеров авторы приводят работу с документами через RAG, интеграции с 1С и сервисы на базе LLM и агентов. Здесь ценны умение собирать надёжный продукт вокруг модели, проектировать данные и интеграции, следить за качеством ответов и ограничениями системы. Обучение собственной языковой модели, fine-tuning и эксперименты — другой набор задач, хотя в названии вакансии в обоих случаях может красоваться знакомое LLM.
Разрыв особенно хорошо виден в компьютерном зрении. Одни вакансии требуют готовить датасеты, обучать и тестировать нейросети; другие описывают внедрение алгоритмов обработки изображений на производстве, где ключевыми могут быть OpenCV, качество входных данных и устойчивость системы в реальных условиях. В выборке упомянуты «ТРИДИВИ», EKSLi, Navio и «Алабуга». Но сами названия компаний здесь важнее не как рейтинг работодателей, а как иллюстрация широты задач: от распознавания поз и объектов до мультимодальных и диффузионных моделей.
Для входа в профессию выборка выглядит строгой. Только шесть из 144 профильных объявлений отмечены на hh.ru категорией «без опыта», причём они соответствуют четырём сочетаниям работодателя и названия роли. В большинстве остальных вакансий ожидается хотя бы год практики. Среди наиболее часто встречающихся терминов авторы называют Python, LLM, AI-агентов, PyTorch и RAG; подсчёт сделан по доступным заголовкам и кратким описаниям, поэтому воспринимать его как полный технологический стек рынка не стоит. Но направление считывается без статистических фокусов: работодателям нужны не только знания моделей, но и способность довести их до прикладной задачи.
География и формат работы тоже не располагают к слишком широким выводам. Москва указана городом размещения в 79 из 144 профильных объявлений. Удалённый формат есть в 33 случаях, тогда как 108 вакансий предполагают работу на месте; часть объявлений могла допускать гибридный режим или иметь особенности, не попавшие в краткую выгрузку. Для компаний это сигнал не переоценивать «удалённость AI-рынка»: команды, работающие с данными, железом, безопасностью и внутренними системами, по-прежнему часто собирают людей вокруг конкретной площадки.
С зарплатами исследование намеренно не играет в средние по больнице. Вознаграждение опубликовано лишь в 32 из 144 профильных вакансий: 27 сумм указаны в рублях, пять — в других валютах. К тому же в объявлениях смешаны суммы до и после вычета налогов, поэтому честно вычислить среднюю оплату по этой выборке нельзя. Шесть MLOps-вакансий — ещё один важный штрих: инфраструктура для GPU, LLM и безопасных ML-пайплайнов необходима бизнесу, но в публичной выдаче таких ролей значительно меньше, чем задач по моделям и приложениям. Следующий вопрос для рынка — вырастет ли этот слой вслед за внедрением AI-сервисов или компании продолжат перекладывать его на обычные платформенные команды.