4% вакансий упоминают AI. Но внутри — уже не machine learning, а агенты

Из 528 697 проанализированных вакансий лишь 21 640 — около 4% — содержат хотя бы одно упоминание AI или машинного обучения. На фоне бесконечного «AI меняет всё» это звучит как холодный душ. Но цифра обманчива: она не означает, что AI неважен. Она означает, что спрос концентрируется точечно — и язык этого спроса за последний год сильно изменился.

Самое показательное: термин «agentic AI» упомянут в 7908 объявлениях, обогнав «machine learning» (7712) и «generative AI» (6032). Ещё год-два назад ML было бы безоговорочным лидером. Теперь работодатели пишут не про абстрактную «машинное обучение», а про агентов, пайплайны и конкретные инструменты.

Где концентрация, а где — тишина

В группе Software & data AI упоминают в 34% вакансий. Для сравнения: Retail & hospitality — 0,51%, Healthcare — 0,37%, Construction — 0,25%. То есть AI в вакансиях — это почти полностью история про технические роли и смежные функции. Для большинства профессий AI как не существовало в описаниях, так и не существует.

Внутри Software & data разброс тоже показателен. Чистые AI/ML-роли — 76% упоминаний, ожидаемо. Но Full-stack — 37,5%, Cloud & DevOps — 35,7%, Backend — 29,4%. Работодатели не ищут отдельного «AI-инженера» на каждую задачу. Они вписывают AI-навыки в обычные инженерные роли — как когда-то вписывали Docker или Kubernetes.

Что реально просят делать

Самое ценное в исследовании — не проценты, а цитаты из реальных вакансий. Задачи на удивление конкретные:

• Строить AI-агентов, промпты и retrieval-пайплайны, подключать модели к корпоративным данным и инструментам.
• Архитектурить MCP-серверы, которые открывают enterprise API как контекст для агентов.
• Оценивать риски LLM: prompt injection, утечка данных через инструменты, избыточный доступ.
• Автоматизировать SOC-процессы через LLM-ассистированное расследование инцидентов.
• Проектировать handoff-точки между агентами и людьми — где AI отдаёт решение, а где человек подтверждает.

Это не «использовать AI для повышения продуктивности». Это инженерные задачи с конкретной архитектурой, ответственностью и критериями надёжности. Одна вакансия прямо формулирует: «AI ускоряет реализацию, но инженеры остаются ответственными за дизайн системы, отладку и ревью кода».

Что это значит на практике

Первое: хайп-волна «AI skills mandatory for everyone» не подтверждается данными. За пределами технических ролей AI в вакансиях — экзотика. Если вы не в software, product, IT или security, ваш работодатель пока не спешит требовать AI-компетенции.

Второе: там, где AI всё же упомянут, язык сместился от общего к конкретному. Работодатели уже знают, что хотят: не «ML-модель», а агента с RAG, MCP и guardrails. Если вы позиционируетесь как AI-инженер, абстрактное «работаю с LLM» больше не продаёт — нужно показывать конкретику: какие агенты, какие пайплайны, какие метрики надёжности.

Третье: появление security-задач вокруг LLM (prompt injection, tool data-exfiltration, over-broad tool access) в вакансиях — сигнал, что рынок созрел для отдельной ниши AI security. Пока это вписано в общие cybersecurity-роли, но язык уже устоялся.

Ограничение данных: упоминание термина не равно требованию навыка. Авторы честно об этом говорят. Но даже как индикатор направления — картина ясная: AI не заполнил рынок, а точечно встроился в инженерные роли, и язык вакансий уже догнал практику.

Источник: Hacker News - Newest: ""AI" "LLM""