AI/ML в вакансиях 2026: где настоящая работа, а где просто модное слово

Открываешь агрегатор вакансий, вбиваешь «AI» или «ML» и видишь сотни результатов. Кажется, будто весь рынок только этим и занят. Потом читаешь описания — и половина из них про что угодно, только не про AI: продажник с формулировкой «работаем с ИИ-инструментами», аналитик, у которого в требованиях «интерес к нейросетям», бэкендер, которому зачем-то вписали ChatGPT в обязанности. Дальше разберёмся, как за 30 секунд отличить реальную AI-вакансию от вакансии, где это слово просто добавили для красоты.

📊 6 918 вакансий, 1 731 упоминание AI и только 550 настоящих

На 31.07.2026 в базе 6 918 открытых вакансий. Из них 1 731 хоть где-то в тексте упоминает AI или ИИ — это 25% всего рынка. Звучит внушительно: каждая четвёртая вакансия так или иначе касается искусственного интеллекта.

Но если посмотреть, у скольких AI/ML вынесено прямо в заголовок, цифра падает до 638 — это 9,2%. А если пойти ещё дальше и посмотреть, сколько вакансий реально требуют AI-навыков (не просто упоминают слово, а спрашивают конкретный стек), получается порядка 550 — это примерно 8% рынка. Цифра ориентировочная, точный подсчёт здесь дать нельзя, но направление разрыва однозначное.

Вот и весь сюжет статьи в одном абзаце: 1 731 вакансия говорит про AI, но по-настоящему работать с AI зовут в разы меньше. Между «упоминает» и «требует» лежит пропасть, в которой тонет большинство соискателей, начитавшихся заголовков. Дальше разберём, как эту пропасть увидеть самому, не тратя часы на чтение каждой вакансии целиком.

🔍 Заголовок как фильтр: почему он не врёт

Логично было бы подумать, что заголовок — это просто маркетинг рекрутёра: воткнули модное слово, чтобы привлечь внимание. Данные говорят обратное. У вакансий, где AI/ML стоит в заголовке, 69,2% содержат два и более технических маркера — pytorch, langchain, RAG, embeddings, MLOps и подобное. У вакансий с обычным заголовком таких — только 2,9%.

Разница почти в 24 раза. Это не погрешность и не совпадение — это значит, что рекрутёр или HR, который выносит AI в заголовок, обычно действительно описывает AI-роль с конкретным стеком. А если заголовок нейтральный («Python-разработчик», «Backend-инженер»), то шанс встретить реальный AI-стек в описании резко падает.

Практический вывод простой: не нужно читать всю портянку текста в каждой вакансии. Сначала смотришь заголовок. Если там AI или ML — вероятность, что внутри реальный стек, высокая. Если заголовок нейтральный, а AI упомянут где-то в середине текста одним словом — скорее всего, это украшение, а не суть роли.

🧩 Признаки настоящей AI-вакансии в описании

Заголовок — это первый фильтр, но не единственный. Даже внутри AI-вакансий с заголовком нужно быстро проверить описание на конкретику. Смотри на технологии: pytorch, langchain, RAG, векторные базы данных, MLOps-инструменты — если что-то из этого списка есть, вакансия реальная. Если вместо этого только «искусственный интеллект», «нейросети будущего» и «инновационные технологии» — это бузворд.

Второй признак — упоминание конкретных моделей или API. Если в тексте есть OpenAI, Anthropic, или названия конкретных LLM — значит, человек, который писал вакансию, реально понимает, с чем предстоит работать. Общие фразы про «искусственный интеллект» без единого технического термина — почти гарантированный сигнал, что за вакансией нет реального AI-стека.

Третий момент — формулировка задач. «Будем внедрять AI» или «изучаем возможности ИИ» — это красный флаг, потому что задача не сформулирована. А вот «интеграция LLM в существующий продукт», «настройка RAG-пайплайна», «дообучение модели под доменные данные» — это уже конкретная инженерная задача, а не благое намерение компании быть в тренде. Если из описания за минуту нельзя понять, какой стек используется — с высокой вероятностью перед тобой вакансия, где AI просто дописали для привлекательности.

🛠️ Что на самом деле нанимают: сборщиков систем, а не тренеров моделей

Здесь начинается самое интересное. Если посмотреть на совстречаемость навыков внутри 638 AI-вакансий с заголовком, картина неожиданная для тех, кто представляет AI-инженера как человека, тренирующего нейросети с нуля. LangChain и llamaindex упоминаются 105 раз — это больше, чем PyTorch с его 91 упоминанием. Векторные базы данных (pinecone, qdrant, weaviate, pgvector, faiss) встречаются 100 раз — больше, чем TensorFlow с его 54.

Это значимая деталь: рынок нанимает не тех, кто обучает модели с нуля, а тех, кто собирает системы вокруг уже готового API. LangChain — это инструмент для построения цепочек вызовов к чужим LLM, а не для тренировки собственных моделей. Векторные базы — это инфраструктура для RAG-систем, то есть опять же надстройка над готовой моделью, а не замена ей.

Если посмотреть на полный список навыков внутри 638 вакансий, картина подтверждается: python лидирует с 433 упоминаниями, следом kubernetes и docker — 214, дальше API OpenAI и Anthropic — 133, langchain и llamaindex — 105, векторные базы — 100, и только потом pytorch — 91. Это не рынок исследователей. Это рынок инженеров, которые умеют написать backend, обернуть чужую модель в API, подключить векторную базу для поиска по документам и упаковать всё в контейнер. Кто хочет строить карьеру в AI в 2026, скорее найдёт себя в этой инженерии, а не в классическом machine learning с нуля.

🌍 Откуда эти вакансии и сколько из них казахстанских

Теперь про географию, потому что это отрезвляет. Из 638 AI-вакансий с заголовком казахстанских — 46, то есть 7,2%. Остальное — это рынок СНГ и Польши, где источники вакансий совсем другие.

Основные площадки, откуда собраны данные: DOU — 182 вакансии, careered — 135, hh — 131, nofluffjobs — 108, дальше habr — 38, telegram — 15, geekjob — 12, djinni — 9. Польский фид (nofluffjobs) даёт 17% всех AI-вакансий, а hh вместе с DOU — почти половину, 49%. То есть основная масса реальных AI-ролей физически находится не в Казахстане, а в украинском, российском и польском IT-рынке.

Из тех немногих казахстанских вакансий большинство пришло не с крупных агрегаторов, а с hh (32 вакансии) и из Telegram-каналов (13 вакансий). Практический вывод: если цель — реальная AI-работа, искать её только по казахстанским источникам бессмысленно. Рынок вакансий шире, чем один регион, и разумно смотреть на DOU, careered, nofluffjobs и профильные Telegram-каналы одновременно, а не ограничиваться локальными досками.

💰 Деньги: осторожно, данных мало

С зарплатами тут придётся сразу оговориться: цифр мало, и сравнивать их напрямую сложно. Начнём с того, что есть. В тенге медиана в 700 000 стоит всего на 16 вакансиях — это ориентир, а не рыночный бенчмарк. Скорее «у тех немногих, кто вообще указал зарплату в KZT», чем срез по рынку.

В злотых картина немного плотнее: 107 вакансий, медиана 23 520–28 560. Но здесь стоит держать в уме, что польские ставки почти наверняка считаются как оплата по B2B-контракту в месяц, а не как обычный оклад — то есть напрямую сравнивать эту цифру с окладом в тенге или рублях некорректно.

Дальше — рублёвые вакансии: 109 штук, но зарплату называют только 65 из них, медиана 200 000–265 000. Долларовые — 57 вакансий, из которых называют зарплату 44, медиана 4 000–5 500. Евро — совсем немного, 10 вакансий, из них 9 с указанной суммой, медиана 4 583. И главная оговорка: валюта вообще не указана у 333 вакансий, это 52% всей выборки AI-ролей. Больше половины работодателей просто не пишут, сколько платят.

Что с этим делать на практике. Если вакансия не называет сумму, не тратьте время на гадания по формулировкам «конкурентная зарплата» или «по результатам собеседования» — узнавайте цифру сразу на первом созвоне, до того как вложитесь в тестовое или несколько раундов интервью. Приведённые медианы можно использовать как грубый ориентир для переговоров, но не как аргумент в духе «на рынке платят столько-то» — рынка тут пока не видно, видно только то, что решились написать в объявлении.

🚪 Вход в профессию: почему AI — худшая точка старта

Вот самый тяжёлый блок для тех, кто хочет зайти в IT именно через AI. Среди 638 AI-вакансий грейды распределены так: junior — 35 вакансий, то есть 5,5%, middle — 189, senior — 328 (51% всех ролей), lead — 56. Половина рынка AI-вакансий — это senior-позиции. Джуну там почти нет места.

Ещё жёстче ситуация выглядит по источникам: в польском фиде junior AI-вакансий ровно ноль из 108. В habr, geekjob и djinni — тоже ноль. Все 35 джуновых AI-вакансий по всей базе пришли всего с трёх источников: careered (21), DOU (8) и hh (6). То есть если ты ищешь junior AI-роль на большинстве популярных площадок, шансы найти её там нулевые.

Дальше проверка на бузворд именно среди junior-вакансий, и она показательна. Из 590 открытых junior-вакансий AI в любой форме упоминают 131, это 22%. Кажется много. Но AI/ML в заголовке стоит только у 35 из них, а хоть одна реальная AI-технология в описании находится лишь у 11 вакансий — это 1,9% от всех джунов. Ещё 48 junior-вакансий упоминают AI просто как инструмент работы (Copilot, Cursor, ChatGPT, «нейросети»), при полном отсутствии какого-либо ML-стека — то есть требование там не «умей строить модели», а банально «умей пользоваться готовым инструментом в повседневной работе». Из 35 джунов с AI в заголовке технический стек подтверждается всего у 9, среди них — «Стажёр по машинному обучению (LLM агент)», «Strong Junior Python инженер (AI/LLM)», «Стажер по Data Science» в Астане и «ML-моделировщик» в Алматы. Итого реальная junior-дверь в AI по всей базе — это около десятка вакансий, а в Казахстане — буквально три.

📚 Что учить, если цель — настоящая AI-работа

Если после всего этого цель не исчезла, вот практический ориентир, что учить в первую очередь. Базовый и обязательный слой — python, потому что он встречается в 433 из 638 AI-вакансий, это абсолютный лидер и без него разговора нет вообще. Следующий пласт — docker и kubernetes (214 упоминаний), потому что любая система вокруг AI-модели в итоге разворачивается и обслуживается через контейнеры. Дальше идёт умение работать с API моделей — OpenAI, Anthropic и подобные (133 упоминания), это уже прикладной навык именно для AI-инженерии.

После базового слоя стоит переходить к langchain и llamaindex (105 упоминаний) и к работе с векторными базами данных (100 упоминаний) — это тот самый инструментарий для построения RAG-систем, который сейчас реально нужен рынку. Понимание базовых принципов retrieval-augmented generation тоже стоит освоить отдельно, поскольку это концептуальная основа большинства прикладных AI-продуктов сегодня.

PyTorch, TensorFlow и MLOps-инструменты (mlflow, kubeflow, airflow) остаются нужными, но это уже более узкая ниша — для тех, кто хочет заниматься не сборкой систем вокруг чужой модели, а собственно обучением и дообучением моделей, исследовательской работой или инфраструктурой ML-пайплайнов. Это тоже рабочие направления, просто вакансий там заметно меньше, чем в инженерии поверх готовых API. И главный совет по обучению: делать реальные пет-проекты с этим стеком — собрать чат-бота на LangChain с векторной базой, обернуть чужую модель в API, задеплоить в контейнере — это даст гораздо больше, чем прохождение общих курсов «AI для всех», которые не привязаны к конкретному инженерному стеку.

🚫 Чего не делать

Первое — не идти в AI как в первую профессию, если за плечами нет базового бэкграунда в разработке. Рынок ждёт middle и senior, у джунов дверь узкая и почти закрыта, а без опыта в обычной разработке зацепиться в AI ещё сложнее.

Второе — не доверять вакансиям, где AI упомянут только в общих фразах без единого технического термина. Если в описании нет ни одной конкретной технологии, скорее всего, это вакансия, где AI дописали для привлекательности, а не потому что он реально нужен в работе.

Третье — не пересчитывать зарплаты из польских вакансий в тенге и не думать, что там платят кратно больше. Суммы в польском фиде почти наверняка это месячная ставка по B2B-контракту, из которой специалист сам платит налоги, сам себе оплачивает отпуск и больничные, если вообще их себе позволяет. Сравнивать такую ставку с обычным окладом напрямую некорректно: на бумаге цифра выглядит внушительно, а по факту специалист несёт расходы и риски, которых нет у штатного сотрудника.

Четвёртое — не пересказывать модные термины на собеседовании, не понимая разницы между ними. Если говоришь про LangChain, но не понимаешь, чем он отличается от PyTorch, и зачем нужна векторная база в связке с LLM, это быстро всплывёт на техническом интервью и будет выглядеть хуже, чем честное «пока учу».

🧭 Итоги: как читать AI-вакансию за 30 секунд ✨

Смотри сначала на заголовок — он оказался статистически надёжным фильтром: у вакансий с AI в заголовке шанс встретить реальный технический стек почти в 24 раза выше, чем у вакансий с нейтральным заголовком.

Дальше беглым взглядом ищи в описании конкретные технические маркеры: python, langchain, RAG, векторные базы, конкретные API моделей. Если их нет — вероятно, перед тобой бузворд, а не реальная роль.

Держи в голове, что рынок сейчас нанимает инженеров, которые собирают продукты вокруг чужих моделей через API, а не исследователей, обучающих собственные нейросети с нуля — LangChain обгоняет PyTorch, векторные базы обгоняют TensorFlow, и это направление стоит учитывать при выборе, что именно учить.

И последнее, самое важное для тех, кто в начале пути: трезво оценивай шансы войти в AI как в первую профессию. Реальных junior-дверей по всей базе — около десятка, в Казахстане — только три. AI не должен быть единственной стратегией входа в IT, особенно если за плечами нет базового опыта в разработке.