ML job market

В выборке — открытые вакансии, отобранные по DS/ML-, аналитическим и инженерным запросам, и обезличенные агрегаты по резюме. Все выводы о вакансиях считаются на одном окне, июль–октябрь 2026: 3 772 вакансии, из них 1 966 — DS/ML. Политика корпуса заранее убирает однозначный junior и вакансии без опыта, вилки ниже порога и объявления старше трёх месяцев, так что это срез уровня «от года опыта и выше», а не весь рынок.

Есть и более ранняя выборка февраля–марта, но она отобрана другим способом, по другим запросам и с другой разметкой. Смешивать его с осенним окном значит сравнивать разные инструменты, поэтому в выводы он не входит и упоминается только здесь: 525 вакансий.

Самая важная поправка — концентрация. Зелёный гигант вместе с брендами своей экосистемы разместил 28% DS/ML-вакансий окна. Это не дубли одного объявления: у 550 его вакансий 430 разных названий. Остальной рынок, наоборот, раздроблен: большинство работодателей разместили всего по одной DS/ML-вакансии. Доля зелёного гиганта среди DS/ML по месяцам — от 33,9% в июле до 23,3% в октябре.

Почему это меняет картину: зелёный гигант устроен иначе остального рынка. Удалёнку он почти не допускает, вилку почти не показывает, а LLM требует чаще. Простая доля по вакансиям — во многом портрет одной компании. Поэтому в каждой главе рядом с ней стоит доля, где каждая компания весит одинаково, или доля без зелёного гиганта.

Пример — удалёнка. По вакансиям её допускает 37,8% DS/ML-вакансий, а если каждый работодатель весит одинаково — 48%. Читая любую долю, стоит смотреть, какое из двух чисел перед вами.

Вторая ловушка — время. Доля DS/ML-вакансий с LLM-требованием растёт от июля к октябрю, но рост совпал со сменой разметчика: по ходу работы навыки начала размечать новая модель по полному тексту вакансии. Внутри старой разметки ряд почти не меняется. А новая разметка у тех же работодателей в том же месяце даёт в среднем на 14,8 п.п. больше (−15 / +17) — оценка неточная, её погрешность захватывает ноль.

Доля LLM в названиях вакансий от разметки не зависит — и тоже не растёт. Значит, роста LLM-спроса внутри квартала не видно. Сказать «спрос вышел на плато» тоже нельзя: погрешность по месяцам слишком большая. Временные ряды по навыкам корректны только внутри одного разметчика и у тех же работодателей.

Третья поправка — про конкуренцию. Отношение резюме к вакансиям в выборке задают поисковые запросы, по которым её отбирали, а не рынок.

Codex проверил каждое резюме и вакансию этого среза: нерелевантных (маркетинг, продажи, бэкенд без ML) — около 7% резюме и 8% вакансий, и их удаление почти ничего не меняет. Поэтому в таблице — диапазон трёх способов счёта: по ролям из исходной разметки, без нерелевантных и только по строгому совпадению роли. При любом способе у ML/AI-инженера меньше всего резюме на вакансию: для соискателя это самая «просторная» роль по числу резюме. Порядок остальных ролей от способа зависит, поэтому мы их не ранжируем.

Первое решение для соискателя и для автора курса — какая из двух профессий нужна. В вакансиях чистого ML-инженера LLM-навыки требует 81,1% работодателей, в чистом DS-моделировании — 16,2%. С классическим ML всё наоборот: его конкретику — модели, признаки, валидацию — у ML-инженеров просят немногие работодатели, а в DS — около половины работодателей.

Поэтому усреднённая картина вводит в заблуждение: смесь «LLM примерно у половины, классика у меньшинства» не совпадает ни с одной из веток, и план «Python, бустинг и чуть-чуть LLM» не попадает ни в одну из них. Гибридные вакансии, где нужны обе роли, есть, это примерно 23,3% DS/ML. Близко в обеих ветках только глубокое обучение и дата-инженерия.

LLM при этом — сквозной навык, а не отдельная должность. Прикладную LLM-работу — RAG, агентов, дообучение, оценку, промптинг — прямо требует около половины DS/ML-вакансий; точный уровень зависит от разметчика. А LLM, GenAI, NLP или «агент» в названии стоит у меньшинства.

Отсюда практический вывод: искать LLM-работу по названию — значит пропустить большую её часть. У 63,7% вакансий с LLM-требованием в названии об LLM ничего нет. Особенно часто LLM просят в вакансиях, названных просто «инженер» или «разработчик»; у «ML-инженера» и «Data Scientist» без LLM в названии — заметно реже.

Какой LLM ждут работодатели. Если сравнить LLM-вакансии с остальными ML-вакансиями при той же подроли, широте требований, опыте, разметке и длине текста, профиль смещается к программной инженерии: чаще архитектура ПО и асинхронность Python, реже классический ML, CI/CD, оркестрация, трекинг экспериментов и даже деплой. Для классического ML разница −10,7 п.п., для архитектуры ПО — +6,7 п.п.: LLM-вакансии просят не «больше», а другое.

Устройство трансформера вакансии прямо называют редко — у 6,9% LLM-вакансий, а на собесах его спрашивают заметно чаще; об этом — в пейпере о ML-собесах.

Наконец, минимальный набор. «Только Python и SQL» в DS/ML-вакансиях почти не встречается — 1,4%. Медианная вакансия просит сверх этой базы ещё 5 жёстких тем, чаще всего деплой, LLM, агентов, RAG и ML system design.

В аналитике всё иначе: там базы из Python, SQL и инструментов хватает в 35,8% вакансий. Если «Python + SQL» — это всё, что есть, честнее идти в аналитику и добирать ML оттуда, чем ждать ML-вакансию под такой набор.

Прошлая версия пейпера говорила, что рынок хочет senior. На квартальном корпусе картина другая: в 57,1% DS/ML-вакансий грейд не назван вовсе. Но когда он назван, это, как правило, старший уровень: среди таких вакансий senior и выше — 81%.

Что это значит для человека с полутора–тремя годами опыта. По полю опыта в вакансии «1–3 года» ставит 35,4% работодателей, если каждая компания весит одинаково; по вакансиям меньше, потому что крупные работодатели ставят её реже. Небольшие компании открыты заметно чаще крупных, у зелёного гиганта — реже, чем у остальных. Искать стоит среди вакансий без грейда и с явным middle: в вакансиях со словом «senior» в названии «1–3 года» почти не бывает.

Грейд и требуемый опыт связаны слабее, чем кажется. В вакансиях, где назван senior, чаще всего стоит «3–6 лет» — 72,1%, а «6+» заметно реже. У middle «1–3 года» встречается часто, но таких вакансий мало и оценка неточная. Ярлык грейда не говорит, сколько лет нужно: смотреть стоит на поле опыта.

Чем выше грейд, тем больше в вакансии проектирования и управления, а список технологий почти не растёт: в среднем от 7,9 до 8,1 тем на вакансию на всех уровнях. ML system design просят 63,2% lead-вакансий против 26,7% у middle, и этот скачок держится внутри одной компании; soft skills и управление у lead тоже заметно чаще.

Между middle и senior внутри одной компании разницы не найдено ни по одной из тем — правда, middle-вакансий мало и погрешность большая. И «есть прод» сеньора не отличает: деплой описан уже примерно у половины видимых ML-резюме со стажем меньше трёх лет.

Требуемый опыт меняет набор тем ещё меньше, чем грейд: вакансии «6+ лет» против «1–3 года» внутри одной компании различаются только по темам «ML system design» (чаще), «Архитектура ПО» (чаще), «Soft skills и управление» (чаще), «Деплой и сервинг моделей» (чаще).

Последний барьер — порог «3+ года». Его ставят 63,1% работодателей. Среди видимых ML-резюме с ML-названием должности у 53% профильный стаж меньше трёх лет.

Но около половины из них добирают три года общего стажа — в разработке или аналитике — и по полю опыта в вакансии попадают в «3–6 лет». Засчитают ли этот опыт при отборе, данные не говорят. Практический вывод скромнее: не отсеивать себя самому и подробно описывать смежный опыт, который относится к ML.

Миф «удалёнка в ML кончилась» держится на одной компании. Вне зелёного гиганта удалёнку среди допустимых форматов указывает 50,9% DS/ML-вакансий, у самого зелёного гиганта — 3,7%. Полностью удалённых вакансий, без офиса и гибрида как вариантов, заметно меньше — это меньше половины.

Где искать: чаще всего удалёнку допускают продуктовые IT-компании и заказная разработка, реже — компании, где IT не основной бизнес. Кандидату не из Москвы и Петербурга формально доступно 46,1% DS/ML-вакансий, и большую часть этой доступности дают удалённые форматы.

Сначала — селекция. Зарплату в вакансии указывает меньшинство работодателей, и почти только небольшие. У компаний с одной вакансией в корпусе вилку показывает 37,5%, у работодателей с 21 и больше вакансиями — 1,7%.

Поэтому медиана открытых вилок смещена к младшим позициям, кадровым посредникам и небольшим компаниям. О зарплатах бигтеха и банков по открытым вакансиям нельзя сказать ничего — ни в большую, ни в меньшую сторону. Ориентир для переговоров с крупной компанией придётся искать не в калькуляторах по открытым вилкам.

География. Среди раскрывших при том же опыте, грейде и роли вакансии вне Москвы платят примерно на 24,2% меньше, а удалёнка меняет оплату слабо: в московских вакансиях удалённые вилки лишь немного ниже офисных. Для регионального кандидата удалённая вакансия с московской привязкой — заметно лучше оплачиваемый сегмент, чем местный офис.

Кандидаты из регионов и сами просят меньше московских при том же стаже — на 12%. Это меньше регионального дисконта вакансий, но часть разницы может давать отсечка ожиданий ниже порога корпуса.

ML против аналитики. При равных опыте, грейде, городе и удалёнке DS/ML-вакансии с открытой вилкой предлагают примерно на 30,3% больше аналитических, но дата-инженерам — столько же: +29,2%.

И это разница между работодателями: внутри одной компании разницы ML к аналитике не видно, хотя таких сравнений мало и оценка неточная. Деньги приносит смена типа работодателя, и ML здесь не единственный путь — дата-инженерия ведёт туда же.

Опыт против ярлыка. Требуемый опыт из поля вакансии объясняет разброс вилок заметно лучше грейда (таблица ниже). «6+ лет» к «1–3 года» — +106%, то есть примерно вдвое. При том же опыте lead получает реальную надбавку — +30,5%, а senior от middle статистически не отличим.

Ожидания кандидатов растут со стажем и после восьми–десяти лет почти выходят на плато. Старого «после десяти лет просят меньше» не видно.

За что платят. Надбавки за LLM в вилках не видно: при равных опыте, роли, городе, удалёнке и широте требований оценка — −7,4%, и её погрешность захватывает ноль. Премию больше +6,5% данные исключают, но и ноль не доказан. Кандидаты с LLM-опытом просят столько же, сколько остальные.

С более высокой нижней границей вилки связан деплой — +17,3%, но после поправки на множественность сравнений это лишь намёк. И держится он на вакансиях «только от», а на верхнюю границу не переносится. В резюме кандидаты, описавшие деплой, MLOps и ML system design, просят больше.

Как читать сравнение резюме с вакансиями. Резюме описывает всю карьеру, а вакансия — одну позицию, поэтому почти любая тема в резюме встречается чаще, чем в требованиях: медианное отношение «резюме к вакансиям» по темам — 1,57. Важен не абсолютный индекс, а ранг темы среди остальных.

На чём не выделиться. Метрики, бустинг, рекомендательные системы, временные ряды и компьютерное зрение резюме описывают в разы чаще, чем их требуют вакансии; отчасти потому, что базовое в вакансиях не перечисляют, — для CV и RecSys вывод надёжнее. Деплой и LLM в целом — паритет (×1,07 и ×1,05): «есть прод» и «есть LLM» уже норма, а не отличие.

Что стоит дописать, если это правда: мониторинг моделей и промпт-инжиниринг. Их резюме описывают реже, чем просят вакансии (×0,71 и ×0,67), и это держится во всех четырёх независимых расчётах. Агенты — неустойчиво: в одних расчётах их недописывают, в других нет.

Строка в списке — не опыт. У инструментов «Spark и bigdata-экосистема» и «PyTorch» около половины упоминающих резюме ничего не говорят об использовании в опыте — навык стоит только в списке. Задачи — деплой, мониторинг, RAG, агенты — почти всегда описаны в опыте, отчасти потому, что их редко пишут списком. Совет простой: описывать, что сделано на инструменте, а не перечислять его.

Пути в ML. Около половины ML-специалистов с ML-должностью указывают её первой записью в опыте — вероятно, это завышено: ранние непрофильные работы часто опускают. Из пришедших с другой работы больше всего бывших разработчиков.

Среди тех, чья первая ML-должность с 2025 года — AI- или LLM-инженер, бывших разработчиков 65,3% против 30,3% у остальных, кто пришёл в ML в те же годы. Аналитиками начинали немногие нынешние ML-специалисты; вероятность перехода из аналитики в ML по этим данным оценить нельзя — неудачные переходы не видны.

LLM — не «молодая» ниша. Опыт применения LLM описан примерно в 55,3% ML/DS-резюме — одинаково у кандидатов со стажем до трёх лет и от шести (разница +0,1 п.п. ±4). Разницу задаёт роль: у ML-инженеров такой опыт описывают большинство кандидатов, у DS — меньшинство кандидатов. Лёгкого входа в LLM для новичков нет: там те же опытные конкуренты.

Прошлая версия пейпера опиралась на данные на 10.03.2026: 654 вакансии и 873 резюме. Часть её цифр разошлась с новыми не потому, что рынок изменился, а из-за метода. Грейд тогда ставился каждой вакансии, даже если в тексте его не было; доли не учитывали, что одна компания даёт заметную часть вакансий; часть оценок стояла на выборках в несколько вакансий; спрос и предложение сравнивались другой мерой.

Что подтвердилось: компьютерное зрение в резюме описывают чаще, чем его требуют. Остальное в таблице ниже — с вердиктом и ссылкой на главу, где лежит новая оценка с базой и погрешностью.

Выборка — результат отбора по поисковым запросам и фильтрации языковой моделью, а не перепись рынка. В ней вакансии уровня «от года опыта» без однозначного junior, не старше 3 месяцев, и резюме — по одному на человека, только в виде агрегатов. Выводы переносятся на публичный DS/ML-рынок открытых вакансий этого уровня, а не на весь найм.

Рынок сконцентрирован: зелёный гигант даёт заметную долю DS/ML-вакансий, поэтому почти каждая доля приведена дважды — по вакансиям и с равным весом работодателя. Погрешности (±) — кластерный бутстреп по группам работодателей (1 000 повторов) или по аккаунтам для резюме; у моделей — кластерные ошибки, при множестве сравнений — поправка Бенджамини–Хохберга.

Порог зарплаты отрезает нижний хвост вилок и ожиданий, поэтому денежные сравнения консервативны. Разметчик навыков сменился по ходу работы — 1 828 вакансий размечены новой моделью, — и уровни навыков подаются диапазонами. Исходов найма — кого пригласили и наняли — в данных нет. Резюме и вакансии размечены разными проходами.

Все «надбавки» и «скидки» — ассоциации с явными контролями, а не причинные эффекты. Что дальше: повторная выборка с одним разметчиком, исходы найма и ручная проверка разметки — тогда можно будет говорить о трендах и о том, что реально повышает шанс на оффер.