Исследование рынка труда с помощью LLM:
чего компании США ждут от AI-инженера

Что работодатели в США сейчас требуют от AI-инженера: какие навыки, какой уровень и за какую зарплату? Тот же запуск отвечает на этот вопрос для любой роли — от карты рынка для рекрутера до плана обучения для соискателя.

36 вакансий встретились дважды (та же компания и та же должность), так что уникальных осталось 164; из них 162, по оценке модели, — это роли, где создают AI- или ML-системы. Indeed возвращает вилку зарплаты в виде структурированных данных, если работодатель её указал; у LinkedIn есть только то, что написано в описании.

gpt-5.6-luna, быстрая и недорогая модель, прочитала вакансии четырьмя пакетами по 50, по первым 3 000 символов каждой. Для каждой вакансии она вернула уровень, политику удалённой работы, минимальный опыт в годах, требуемые навыки (под стандартными названиями, чтобы «PyTorch» и «pytorch» считались вместе) и, если указана, вилку зарплаты вместе с точным предложением, откуда она взята. Затем код удалил дубликаты, сверил каждое предложение о зарплате с текстом вакансии и выполнил все подсчёты. Четыре вызова обошлись в сумме примерно в $0.04.

Теперь это работа про LLM. Из 162 ролей 104 требуют опыта с LLM, 90 — с агентами, 84 — с оценкой качества (evaluation) и 58 — с генерацией с дополнением из поиска (RAG). Классические ML-фреймворки отстают: PyTorch упоминается в 36 вакансиях, TensorFlow — в 27. Это консервативные цифры: навык засчитывается, только если модель его отметила и он назван в тексте вакансии.

В основном старшие позиции. 52 роли — уровня senior и 18 — staff или выше, против 37 middle, 22 junior и 3 стажировок; 30 вакансий уровень не указывают. Среди 81 вакансии с указанным минимумом медиана — 3 года опыта.

Зарплата: $155k в середине. 33 из 50 вакансий на Indeed указали годовую вилку. Медиана середин вилок — $155 000, а средняя половина лежит примерно между $129 000 и $196 000; самая низкая вилка начиналась с $60 000, самая высокая доходила до $322 000. Лишь 9 из 117 вакансий LinkedIn упоминали зарплату в том тексте, который мы отправили, — слишком мало для выводов (медиана середин их вилок — $209 000).

Политика удалённой работы чаще всего не указана. Для 106 из 162 ролей в отправленном тексте не сказано, работа удалённая, гибридная или в офисе, поэтому выводов мы не делали. Ответ дало бы полное описание вакансии или собственное поле площадки о формате работы.

Недорогая модель хорошо читала, но плохо себя сдерживала: она добавляла навыки, которые типичному AI-инженеру «наверняка» нужны, даже когда вакансия их не требовала. Мы поймали это, поискав название каждого навыка в тексте вакансии:

Если верить меткам на слово, Python оказался бы в 60% вакансий, а MLOps — в каждой четвёртой; текст подтверждает 41% и примерно одну из десяти. Исправить это дёшево: оставлять метку, только если её подтверждает текст, как мы сделали для каждой цифры выше, или попросить более сильную модель цитировать слова, на которых основан каждый навык.

С API-ключом в LOVELY_API_KEY и вспомогательными функциями run_tool и ask из кейса о рыночном исследовании:

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.

Подставьте ключевые слова для любой роли или любой рынок вместо локации. Инструменты, которые за этим стоят, описаны в разделе данные для рекрутинга и вакансий.