Rekrutacja inżynierów AI: stawki, pozyskiwanie kandydatów i czas decyzji

Wynagrodzenia inżynierów AI/ML w dużych firmach mogą znacznie przekraczać budżet startupu. W przywoływanych danych Levels.fyi pakiety Google’a sięgają blisko 743 000 dolarów rocznie. Obejmują różne poziomy doświadczenia i składniki wynagrodzenia, więc nie są gotowymi widełkami dla twojej roli. Przed rozpoczęciem rekrutacji ustal budżet, sposób dotarcia do kandydatów i terminy decyzji.

Skąd pochodzi statystyka o niedoborze specjalistów AI?

W poradach o rekrutacji do AI powraca liczba: 1,6 mln otwartych stanowisk w AI wobec 518 000 wykwalifikowanych kandydatów, czyli luka 3,2:1. W przywoływanym łańcuchu cytowań brakuje źródła z metodologią.

Prześledź łańcuch cytowań. Blog rekrutacyjny powołuje się na inny blog rekrutacyjny, ten na dostawcę usług agencyjnych i employer of record, a ten przypisuje liczby raportowi „LinkedIn Global Talent Insights Report”, bez adresu URL, bez daty publikacji i bez śladu, że taki dokument w ogóle istnieje. Towarzyszące dane wypadają nie lepiej. Powtarzane twierdzenie „ogłoszenia o pracę w AI wzrosły o 163%” ma pochodzić z analizy Gloat, w której tej liczby nie ma. „Najlepsi kandydaci znikają z rynku w 10 dni” prowadzi do wpisu blogowego bez opisanej metodologii i bez próby. Czas obsadzenia wakatu w AI to, zależnie od dostawcy, od 25 do 114 dni, a żadne dwa źródła się nie zgadzają.

Te liczby nie wystarczają do oszacowania niedoboru. Poniżej zestawiamy źródła, które opisują zakres swoich danych.

Co mówią dane o rekrutacji w AI/ML

Badania pracodawców i ogłoszeń wskazują na duże zainteresowanie kompetencjami AI. Mierzą jednak różne zjawiska.

Badanie ManpowerGroup Global Talent Shortage 2026 objęło 39 000 pracodawców w 41 krajach. Główny wniosek: po raz pierwszy kompetencje AI stały się najtrudniejszą do znalezienia grupą umiejętności na świecie i wyprzedziły klasyczną inżynierię oraz IT. Najtrudniej obsadzić role związane z budową modeli i aplikacji AI (20%), tuż za nimi jest ogólna biegłość w AI (19%). Często przekręcane „72%” z tego samego badania to odsetek pracodawców mających kłopot z obsadzeniem jakichkolwiek stanowisk, w dodatku niższy niż 74% rok wcześniej. Nie jest to wskaźnik niedoboru wyłącznie specjalistów AI.

Wzrost zainteresowania widać także w ogłoszeniach. Stanford AI Index 2026, zbudowany na zbiorze Lightcast obejmującym miliardy amerykańskich ogłoszeń od 2010 roku, pokazuje:

Dane o ofertach dla specjalistów AI różnią się od szerszych danych o programistach. The Pragmatic Engineer, pracując na danych TrueUp, podaje, że liczba ofert dla inżynierów AI w czołowych firmach urosła rok do roku o ok. 60%, podczas gdy w ogólnej inżynierii oprogramowania o ok. 7%. W zestawieniu LinkedIn Jobs on the Rise 2026 AI Engineer jest najszybciej rosnącym tytułem stanowiska w USA.

Jak naprawdę wygląda strona podaży

Jednym z dostępnych wskaźników są doktoraty: doktoratów z AI obronionych w USA i Kanadzie przybyło o 22% w latach 2022–2024 (Stanford AI Index). W tym samym czasie odsetek tych absolwentów idących do firm zamiast na uczelnię spadł, ze szczytowych blisko 77% do ok. 63%.

Te zmiany dotyczą różnych okresów. Popyt na kompetencje AI w ogłoszeniach urósł o 55% w rok. Liczba doktoratów, obejmująca tylko część nowych specjalistów, wzrosła o 22% przez dwa lata, a odsetek absolwentów podejmujących pracę w firmach spadł.

Z tych danych nie da się wyliczyć proporcji popytu do podaży. Ogłoszenia nie oznaczają unikalnych wakatów, a absolwenci doktoratów nie obejmują wszystkich osób pracujących w AI. Różne okresy pomiaru dodatkowo ograniczają porównanie. Nie ma tu podstaw do wniosku, że popyt rośnie pięć razy szybciej niż dostępna pula ludzi.

Dlaczego „wystaw ogłoszenie i czekaj” nie działa przy rzadkich rolach

Ogłoszenie dociera przede wszystkim do osób przeglądających oferty. Warto uzupełnić je kontaktem z wybranymi specjalistami, także tymi, którzy obecnie nie szukają pracy.

Lightcast przeanalizował ponad 1,3 mld ogłoszeń i ustalił, że oferty wymagające kompetencji AI mają 28-procentową premię płacową, czyli ok. 18 000 dolarów rocznie więcej. To różnica w ogłoszeniach, a nie pomiar wypłat konkretnych osób czy skuteczności ich zatrzymywania.

Jeśli ogłoszenie na ML daje mało pasujących zgłoszeń, sprawdź wymagania, wynagrodzenie i kanały publikacji. Nie zakładaj z góry, że problemem jest wyłącznie niedobór specjalistów. Sama nazwa roli może obejmować bardzo różne zadania.

Znajdziesz mnóstwo artykułów z precyzyjnymi odsetkami kandydatów pasywnych: 70%, 75%, 87%, 95%. Cytują siebie nawzajem, przeczą sobie i po drodze zmieniają definicje. Odpuść tę liczbę. Dane o popycie i płacach uzasadniają szersze poszukiwania, ale nie wyznaczają odsetka osób, do których dotrzesz tylko bezpośrednio.

Co możesz zmienić przy ograniczonym budżecie

Z danych zgłaszanych przez samych pracowników na Levels.fyi wynika, że inżynierowie ML w Google mieszczą się między 199 000 (L3) a 743 000 dolarów (L7), z medianą blisko 302 000. W Apple widełki dla inżyniera ML to 171 000–528 000 dolarów, mediana ok. 386 000. Czołowe laboratoria AI płacą jeszcze więcej.

Jeśli te poziomy przekraczają twój budżet, podaj własne warunki wcześnie. Nie zakładaj, że szybszy proces zastąpi zbyt niskie wynagrodzenie.

Masz natomiast wpływ na trzy elementy procesu:

1. Konkretny kontakt. Odnieś wiadomość do pracy kandydata i wyjaśnij, dlaczego pasuje do zadania.
2. Ustalony budżet. Uzgodnij widełki i osobę zatwierdzającą ofertę przed pierwszymi rozmowami.
3. Termin decyzji. Zarezerwuj czas recenzentów i usuń oczekiwanie na wewnętrzne akceptacje, które można uzyskać wcześniej.

Krok 1: ustal, które wakaty naprawdę są trudne do obsadzenia

Nie każdy wakat inżynierski wymaga bezpośredniego kontaktu z kandydatami. Bezpośrednie poszukiwania wymagają czasu, więc zacznij od ról, przy których dotychczasowe kanały nie wystarczają.

Przejrzyj poniższe sygnały. Dwa lub więcej mogą być praktyczną wskazówką, żeby zmienić sposób poszukiwań:

• Wartościowe zgłoszenia praktycznie nie przychodzą przez cztery–sześć tygodni, podczas gdy pozostałe rekrutacje idą normalnie.
• Każdy mocny kandydat trzyma w ręku konkurencyjne oferty, zamiast wybierać między tobą a zostaniem tam, gdzie jest.
• Wynagrodzenie pada w pierwszej rozmowie, bez pytania z twojej strony, a oczekiwania kandydata przekraczają widełki z ogłoszenia.
• Najlepsi kandydaci sami wycofują się w trakcie procesu, zamiast odpadać po twojej decyzji.

Brak tych sygnałów nie wyklucza problemu. Sprawdź także treść ogłoszenia i przebieg rozmów. Wybierz jeden lub dwa wakaty, przy których dodatkowy nakład pracy ma największe uzasadnienie.

Krok 2: sprawdź stawki rynkowe, zanim napiszesz ogłoszenie

Jeśli nie znasz liczby przed publikacją wakatu, poznasz ją w trakcie negocjacji, czyli w najdroższym możliwym momencie.

Jednym ze źródeł jest working paper NBER 34480 (Arnold, Quach i Taska, listopad 2025): badanie metodą różnic w różnicach nad amerykańskimi przepisami o jawności płac, na trzech zbiorach danych. Pracodawcy zwiększyli odsetek ogłoszeń z informacją o wynagrodzeniu o 30 punktów procentowych, a płace wzrosły o 1,3–3,6%, przy czym mechanizmem okazała się większa konkurencja na rynku pracy.

Warto odnotować również, że to samo badanie nie wykazało żadnego wpływu na liczbę ogłoszeń, poziom zatrudnienia, rozrzut płac ani na wymagania co do umiejętności i wykształcenia. Brak efektu w tych miarach nie oznacza, że podanie widełek nie zmienia liczby aplikacji. To inny wynik. Z kolei deklarowanego przez dostawcę wzrostu zgłoszeń o 44% nie należy traktować jako uniwersalnego efektu.

Stawki warto sprawdzić przed publikacją z trzech powodów:

• Podane widełki to dziś standard, nie wyróżnik. Indeed Hiring Lab podał, że we wrześniu 2024 informację o płacy miało 57,8% ogłoszeń w USA, wobec 52,2% rok wcześniej.
• Uzgodnione widełki ograniczają oczekiwanie na wewnętrzną decyzję. Mediana jest punktem odniesienia, a nie rozstrzygnięciem negocjacji.
• Źle ustawione widełki marnują twój najrzadszy zasób. Sześć tygodni budowania lejka na widełkach 20% poniżej rynku to sześć tygodni, których nie odzyskasz.

Publiczne dane o wynagrodzeniach w AI rozciągają się od 150 000 do ponad miliona dolarów i żadne z nich nie powie ci, które widełki dotyczą spółki po rundzie A na twoim rynku. Sprawdź datę i metodę zbierania danych w każdym raporcie.

Analiza wynagrodzeń w Kit korzysta z danych śledzonych portali z ofertami. Pozwala grupować role, w tym Machine Learning Engineer, i filtrować oferty według regionu, doświadczenia, formy zatrudnienia czy technologii. Mediana, p25 i p75 są liczone z dolnych granic ogłoszonych widełek po normalizacji, a nie z faktycznych wypłat. Sprawdź liczbę obserwacji z wynagrodzeniem i skład próby przed użyciem wyniku.

Zakres danych ma znaczenie: śledzone portale to obecnie JustJoin, NoFluffJobs, BulldogJob, TheProtocol, SolidJobs, Skillshot.pl i BuiltInLA. To pokrycie europejskie z przewagą Polski plus jeden portal amerykański. Dane dotyczą śledzonych ról i regionów, ale nie stanowią benchmarku ogólnoamerykańskiego ani globalnego. Jeśli potrzebujesz portali, których jeszcze nie śledzimy, subskrybenci mogą je zgłosić. Liczby dotyczące USA w tym artykule pochodzą z Levels.fyi i Lightcast, to ich dane, nie nasze.

Krok 3: docieraj do kandydatów sam, zamiast czekać na zgłoszenia

Bezpośredni kontakt może dotrzeć także do osób, które nie przeglądają ogłoszeń. Sprawdzone dane o jego mechanice premiują precyzję, a nie masowość.

Poniższe badania dotyczą różnych rodzajów wiadomości. Wyniki sprzedażowego cold mailingu nie są benchmarkiem rekrutacji:

• Precyzyjny dobór odbiorców liczy się bardziej niż liczba wysyłek. Belkins przeanalizował 16,5 mln maili w 93 domenach: jeden kontakt na firmę dawał 7,8% odpowiedzi, a kontakt z dziesięcioma lub więcej osobami w tej samej firmie dawał 3,8%. Średnia dla cold mailingu w 2024 roku to 5,8% odpowiedzi, wobec 6,8% rok wcześniej.
• Krótkie wygrywa z długim. Z analizy dziesiątek milionów wiadomości InMail od rekruterów, którą zrobił sam LinkedIn, wynika, że wiadomości wysyłane pojedynczo dostawały o 15% więcej odpowiedzi niż wysyłki masowe, wiadomości poniżej 400 znaków wypadały 22% powyżej średniej, a te powyżej 1200 znaków 11% poniżej.
• Sprawdź skuteczność kolejnych wiadomości. Pierwszy follow-up podnosił odsetek odpowiedzi u najlepszych nawet o 49%. Trzeci mail zbierał ok. 20% mniej odpowiedzi niż pierwszy.

Kampanie w module Outreach w Kit mogą zebrać informacje o odbiorcy przed przygotowaniem szkicu. Wiadomości i follow-upy wymagają zatwierdzenia przed wysyłką. Diagnostyka kampanii wskazuje niski odsetek odpowiedzi, ale nie ustala automatycznie jego przyczyny. Dobór odbiorców, treść i dostarczalność trzeba sprawdzić osobno.

Zacznij od kandydatów, których już odrzuciłeś

Zanim rozpoczniesz nowe poszukiwania, sprawdź osoby z wcześniejszych rekrutacji: ludzi, którzy zgłosili się do ciebie, spełnili wymagania i dostali odmowę z powodów niemających nic wspólnego z kompetencjami. Przyczyną mógł być nieodpowiedni moment, zamrożenie etatu albo wybór innego finalisty.

Znają już firmę, ale ich zainteresowanie i sytuacja mogły się zmienić. Większość zespołów nigdy tam nie zagląda, bo dane leżą w systemie ATS, do którego nikt nie wraca po zamknięciu rekrutacji. Pisaliśmy o tym w tekście o ponownym odkrywaniu kandydatów.

Narzędzie outreach_find_silver_medalist_matches porównuje adresy e-mail odbiorców kampanii z adresami osób odrzuconych wcześniej bez oferty. Nie ocenia, czy były finalistami ani dlaczego warto ponownie się z nimi skontaktować. Wynik obejmuje rekrutacje dostępne danemu użytkownikowi; wymagany jest dostęp do modułów Outreach i Hiring. Przed kontaktem sprawdź historię i powód wcześniejszej decyzji.

Narzędzie pokazuje osobie prowadzącej kampanię dane osobowe z dostępnych jej rekordów rekrutacyjnych. Traktuj te dane z taką samą starannością, jakiej oczekiwałbyś wobec własnych.

Krok 4: skróć czas do złożenia oferty

Nie wiesz, ile czasu daje ci rynek. Możesz za to zmierzyć własne opóźnienia między etapami. Sprawdź zwłaszcza oczekiwanie na wewnętrzne ustalenia.

Dla ogólnego punktu odniesienia: benchmarki SHRM z 2025 roku dają średni czas obsadzenia wakatu na poziomie 42–47 dni, przy czym screening i rozmowy zajmują średnio po 8–9 dni. Nie traktuj tego jako benchmarku konkretnej roli AI. Ale sześciotygodniowy proces wobec kandydata prowadzącego trzy równoległe rozmowy nie jest konkurencyjny niezależnie od tego, ile wynosi średnia rynkowa.

Zmierz u siebie cztery odcinki:

1. Od zgłoszenia albo odpowiedzi kandydata do twojej pierwszej reakcji
2. Od pierwszej reakcji do pierwszej rozmowy
3. Od ostatniej rozmowy do decyzji
4. Od decyzji do przekazania oferty

Sprawdź, czy po ostatniej rozmowie czekacie na ocenę recenzenta, zatwierdzenie budżetu czy inne ustalenie. W Kit możesz sprawdzić oczekujące oceny i decyzje oraz wskazać osobę odpowiedzialną za kolejny krok. Szablon procesu pozwala wykorzystać te same etapy przy następnej rekrutacji.

Skracanie oznacza usuwanie nadmiarowych etapów i martwego czasu w kalendarzu. Nie oznacza rezygnacji z oceny. Jeśli twój cykl rozmów ma dwie osobne rozmowy o projektowaniu systemów pokrywające ten sam materiał, wytnij jedną. Jeśli ma zadanie do wykonania w domu, którego połowa osób prowadzących rozmowy nigdy nie czyta, wytnij je albo zacznij czytać. Pisaliśmy obszernie o ustrukturyzowanych kartach oceny. Tempo i rzetelność nie stoją w sprzeczności, a najszybsze procesy to zwykle te, które z góry ustaliły, co właściwie mierzą.

Kiedy nie warto stosować tego scenariusza

Przed rozpoczęciem dodatkowych poszukiwań uwzględnij trzy ograniczenia.

Aktywne docieranie to praca ciągła. Dobre pozyskiwanie kandydatów jest nawykiem, nie zrywem. Niski odsetek odpowiedzi wymaga sprawdzenia przyczyn, a nie automatycznie większej liczby wysyłek. Zaplanuj te godziny uczciwie albo w ogóle nie zaczynaj.

Nie każdy wakat warto obsadzać po cenie rynkowej. Jeśli realna stawka rynkowa dla trudnej roli rozsadza twoje widełki, dopasowanie się do niej może zaburzyć strukturę wynagrodzeń całego zespołu z powodu jednej osoby. Częściej lepszą odpowiedzią jest przebudowanie roli: kontraktor do pierwszej wersji, specjalista na część etatu albo mocny generalista wyposażony w dobre narzędzia. Ta decyzja przychodzi dużo łatwiej, gdy w kroku drugim sprawdziłeś stawki, kolejny argument, żeby zacząć właśnie od tego.

Tempo to nie bylejakość. Jeśli skrócenie cyklu rozmów oznacza, że przestajesz notować, przestajesz porównywać kandydatów według tych samych kryteriów albo przestajesz angażować ludzi, którzy będą z tą osobą pracować, to wcale nie przyspieszyłeś. Ograniczyłeś materiał potrzebny do decyzji.

Połącz poszukiwania z przygotowanym procesem

W Kit możesz porównać dane płacowe z ofert, przygotować kampanię, sprawdzić wcześniejsze aplikacje dostępne na twoim koncie i śledzić oczekujące oceny. Każdy z tych elementów wymaga własnej decyzji: czy dane pasują do roli, czy kontakt jest uzasadniony i czy zebrane oceny wystarczają do złożenia oferty.

Nie ma jednego wskaźnika niedoboru, który rozstrzygnie te pytania. Zacznij od budżetu i wymagań stanowiska, a następnie mierz przebieg własnej rekrutacji.

Jeśli właśnie rekrutujesz na jedną z tych ról, warto sięgnąć po dwa teksty poświęcone konkretnym stanowiskom: jak zatrudnić machine learning engineera i jak zatrudnić inżyniera AI. Szerszy argument za małymi zespołami znajdziesz w tekście o zatrudnianiu specjalistów zamiast generalistów, a temat udziałów w rozmowie o wynagrodzeniu opisuje wynagrodzenie i udziały founding engineera w 2026 roku.

Wypróbuj za darmo i porównaj widełki z ofert, zanim napiszesz kolejne ogłoszenie.