LLM で採用市場を調査：
米国企業は AI エンジニアに何を求めているか

米国の雇用主はいま AI エンジニアに何を求めているのか。どんなスキルを、どのくらいの経験レベルで、いくらの給与で。 同じ実行で、どんな職種についても答えが出せます。リクルーターの市場マップから求職者の学習計画まで使えます。

36 件の求人が 2 回出てきた（同じ会社・同じ職名）ため、ユニークな求人は 164 件になりました。モデルはそのうち 162 件を、AI や ML のシステムを構築する職種と判断しました。Indeed は、雇用主が給与範囲を示している場合はそれを構造化データとして返します。LinkedIn には説明文に書かれていることしかありません。

高速で安価なモデルである gpt-5.6-luna が、各求人の最初の 3,000 文字を 50 件ずつ 4 回に分けて読みました。各求人について、職位、リモートの方針、必要な最低経験年数、求められるスキル（"PyTorch" と "pytorch" が一緒に数えられるよう標準的な名前で）、そして記載があれば給与範囲とその根拠となった文をそのまま返させました。その後、コードで重複を除き、給与の文をすべて求人と照合し、数える作業をすべて行いました。4 回の呼び出しの費用は合計で約 $0.04 です。

いまや LLM の仕事です。 162 件の職種のうち、104 件が LLM の経験を、90 件がエージェントの経験を、84 件が評価（evaluation）の経験を、58 件が検索拡張生成（RAG）の経験を求めています。従来の ML フレームワークは後れを取っており、PyTorch は 36 件、TensorFlow は 27 件でした。これらは控えめな数字です。モデルがタグを付け、かつ求人の本文にその名前が書かれている場合にだけ、スキルとして数えています。

大半はシニアです。 シニアが 52 件、スタッフ以上が 18 件で、ミドルが 37 件、ジュニアが 22 件、インターンが 3 件でした。30 件は記載がありません。最低経験年数を示している 81 件の中央値は 3 年です。

給与：中央は $155k。 Indeed の 50 件のうち 33 件が年収の範囲を示していました。範囲の中間値の中央値は $155,000 で、中央の半分はおよそ $129,000 から $196,000 の間にあります。最も低い範囲は $60,000 から始まり、最も高い範囲は $322,000 に達していました。LinkedIn の 117 件のうち、私たちが送ったテキストの中に給与を書いていたのは 9 件だけで、多くを語るには少なすぎます（その中間値の中央値は $209,000 でした）。

リモートの方針はたいてい書かれていません。 162 件中 106 件では、送ったテキストからはリモート、ハイブリッド、出社のどれなのかがわからなかったので、結論は出していません。説明文の全文か、求人サイト自体の勤務形態の項目を送れば答えが出ます。

安価なモデルは読むのは得意でしたが、控えることは苦手でした。求人が求めていなくても、典型的な AI エンジニアなら「必要だろう」というスキルを付け加えてしまったのです。各求人の本文でスキル名を検索して、これを見つけました。

タグをそのまま信じていれば、Python は求人の 60% に、MLOps は 4 分の 1 に登場することになっていました。本文が裏付けるのは 41% と、およそ 10 件に 1 件です。対策は安く済みます。上のすべての数字でそうしたように、本文が裏付けるタグだけを残すか、より強いモデルに各スキルの根拠となった言葉を引用させてください。

API キーを LOVELY_API_KEY に入れ、市場調査の事例の run_tool と ask ヘルパーを使います。

li = run_tool("linkedin-jobs", {"keywords": "AI engineer", "location": "United States", "datePosted": "r2592000", "limit": 150}, 150)
indeed = run_tool("indeed-jobs", {"title": "AI engineer", "location": "remote", "country": "us", "limit": 50}, 50)

posts = [{"id": i, "title": p["title"], "text": (p.get("description") or "")[:3000]} for i, p in enumerate(li)]
facts = []
for i in range(0, len(posts), 50):
    facts += json.loads(ask("For each posting return {id, seniority, remote, min_years, skills, pay_quote, pay_min, pay_max}. JSON array.",
                            posts[i:i + 50], model="gpt-5.6-luna"))
# Keep a skill only if its name appears in the posting text; keep pay only if pay_quote is in the text.

キーワードを変えればどんな職種にも、勤務地を変えればどんな市場にも使えます。使っているツールについては採用・求人データをご覧ください。