Niedobór inżynierów AI: skoro nie przebijesz stawek, wygraj tempem

Niedoboru inżynierów AI/ML nie przebijesz pieniędzmi. Widełki Google’a dla machine learning engineera sięgają blisko 743 000 dolarów rocznie, według danych, które sami pracownicy zgłaszają na Levels.fyi. Możesz go za to przebić sposobem działania: sprawdź stawki rynkowe, zanim napiszesz ogłoszenie, docieraj do osób, które nie szukają pracy, zamiast czekać na zgłoszenia, i skróć czas do złożenia oferty. Niedobór specjalistów karze wolne procesy dużo mocniej niż skromne budżety.

Statystyka o luce w specjalistach AI, którą cytują wszyscy, nie wytrzymuje weryfikacji

Jeśli w ostatnim roku szukałeś porad o rekrutacji do AI, na pewno to widziałeś: 1,6 mln otwartych stanowisk w AI wobec 518 000 wykwalifikowanych kandydatów, czyli luka 3,2:1. Wystarczy sprawdzić źródła, żeby ta liczba się rozsypała.

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 wszędzie „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.

Niedobór jest prawdziwy. Te liczby nie. Poniżej dane, które faktycznie się bronią.

Co naprawdę mówią dane o rekrutacji w AI/ML

Popyt na kompetencje AI rośnie kilka razy szybciej niż liczba osób, które je mają. To akurat udokumentowały źródła z opublikowaną metodologią.

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. Z AI nie ma to nic wspólnego.

Dane o ogłoszeniach mówią to samo. Stanford AI Index 2026, zbudowany na zbiorze Lightcast obejmującym miliardy amerykańskich ogłoszeń od 2010 roku, pokazuje:

Dla twojego wakatu najistotniejsze jest to, że rynek AI oderwał się od reszty inżynierii. 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

Skoro liczba „518 000 wykwalifikowanych kandydatów” jest zmyślona, lepiej sięgnąć po najlepszy dostępny sygnał pierwotny: 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%.

Dwa zegary, dwa zupełnie różne tempa. Popyt na kompetencje AI w ogłoszeniach urósł o 55% w rok. Najbliższy przybliżony miernik podaży specjalistów urósł o 22% przez dwa lata, a coraz mniejsza jego część trafia do firm.

Świadomie nie sklejamy z tego żadnej proporcji. Obie liczby mierzą co innego i w innych przedziałach czasu, a wyprodukowanie z nich jednej ładnej liczby po przecinku to dokładnie ten mechanizm, który w ogóle powołał do życia 3,2:1. Sam kształt zjawiska wystarczy: rekrutujesz na rynku, gdzie popyt rośnie z grubsza pięć razy szybciej niż dostępna pula ludzi.

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

Ogłoszenie dociera do tych, którzy szukają. Specjaliści, na których ci zależy, nie szukają, a ich obecny pracodawca wydaje konkretne pieniądze, żeby tak zostało.

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. Spójrz na to z perspektywy drugiej strony: ta premia to budżet na zatrzymanie twojego wymarzonego kandydata, już zaklepany i już wypłacony. To strukturalny powód, dla którego ta osoba nigdy nie zobaczy twojego ogłoszenia.

Stąd bierze się rzecz, która dezorientuje większość założycieli. Wakat na backendzie obsadza się normalnie. Wakat na ML daje albo ciszę, albo zalew zgłoszeń niedopasowanych do wymagań. Ten sam portal z ofertami, ta sama strona firmy, ten sam rekruter. Różnicy nie robi treść ogłoszenia. Robi ją to, że na rynku backendowym jest zdrowa pula osób między pracami, a na rynku specjalistów AI praktycznie jej nie ma.

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. Sam argument strukturalny broni się na danych o popycie i premii płacowej.

Big Techu nie przelicytujesz. Zobacz, co możesz wygrać

Złe wiadomości warto powiedzieć wprost, bo udawanie kosztuje czas. 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.

Startup na etapie seed albo po rundzie A tego porównania nie wygra. Przyjmij to i przestań tam wkładać energię.

Trzy rzeczy da się wygrać naprawdę i wszystkie trzy są kwestią procesu, nie budżetu:

1. Bycie pierwszym. Kandydat, który ignoruje 40 wiadomości od rekruterów miesięcznie, przeczyta tę jedną, z której widać, że autor rozumie, co ta osoba zbudowała. Pierwszy wiarygodny kontakt liczy się bardziej niż czterdziesty ogólnikowy.
2. Gotowa liczba. Oferty grzęzną, kiedy nikt po twojej stronie nie wie, ile ta rola jest warta. Zanim ją ustalisz, kandydat, o którego wszyscy walczą, przyjmie ofertę konkurencji.
3. Decyzja w kilka dni. Pięcioosobowy startup przechodzi od ostatniej rozmowy do podpisanej oferty w 72 godziny. Firma z komisją rekrutacyjną i kwartalnym cyklem kalibracji wynagrodzeń strukturalnie nie potrafi. Big Tech płaci ten podatek proceduralny świadomie. Większość startupów kopiuje go przez przypadek, zamiast wykorzystać przewagę.

Reszta artykułu to ta sama myśl rozpisana na cztery kroki.

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

Nie każdy wakat inżynierski wymaga takiego traktowania. Odpalenie tego scenariusza przy wszystkich naraz wykończy mały zespół w trzy tygodnie.

Wakat jest naprawdę trudny, gdy spełnione są co najmniej dwa z poniższych warunków:

• 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.

Jeśli nic z tego nie występuje, lejek działa, a problem leży gdzie indziej — najpewniej w treści ogłoszenia albo w cyklu rozmów. Napraw najpierw to. Ten scenariusz kosztuje realne godziny i powinien objąć tylko ten jeden czy dwa wakaty, które faktycznie go potrzebują.

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.

Najmocniejszy dowód przyczynowy to working paper NBER 34480 (Arnold, Quach i Taska, listopad 2025): badanie różnicy 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.

Teraz fragment, który większość artykułów pomija, bo jest niewygodny: to samo badanie nie wykazało żadnego wpływu na liczbę ogłoszeń, poziom zatrudnienia, rozrzut płac ani na wymagania co do umiejętności i wykształcenia. Podanie widełek nie przynosi więcej zgłoszeń. Kto twierdzi, że widełki podnoszą liczbę zgłoszeń o 44%, cytuje ankietę dostawcy, a nie badanie.

Argument za sprawdzeniem stawek na starcie nie brzmi więc „widełki przyciągają kandydatów”. Jest węższy i bardziej użyteczny:

• 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.
• Konkretna, uzasadniona liczba kończy przeciąganie negocjacji. „Tu jest mediana rynkowa, a tu twoje miejsce w niej” zamyka rozmowy, które „muszę to jeszcze dogadać ze współzałożycielem” otwiera na nowo.
• 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. Raporty płacowe mają co najmniej pół roku opóźnienia, a przy tym tempie to już inny rynek.

Tu wchodzi analiza wynagrodzeń w Kit. Zbiera dane na bieżąco z portali z ofertami, zamiast opierać się na ankietach, i utrzymuje osobny klaster ról Machine Learning Engineer obok Data Scientist, Data Engineer i 20 innych. Dostajesz minimum, maksimum, medianę, p25 i p75, z filtrami po regionie, poziomie doświadczenia, formie zatrudnienia i głównej technologii, więc możesz wyciągnąć widełki dla doświadczonych inżynierów z Pythonem zamiast średniej ze wszystkiego.

Gwoli uczciwości jedna uwaga, bo waży więcej niż sama zachęta: śledzone portale to obecnie JustJoin, NoFluffJobs, BulldogJob, TheProtocol, SolidJobs, Skillshot.pl i BuiltInLA. To pokrycie europejskie z przewagą Polski plus jeden portal amerykański. Dane są aktualne dla 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

Aktywne docieranie to jedyny kanał, który sięga do osób nieszukających pracy. Sprawdzone dane o jego mechanice premiują precyzję, a nie masowość.

Liczby, na których warto pracować:

• 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 dziesięć osób i więcej w tej samej firmie — 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.
• Jeden follow-up, nie trzy. Pierwszy follow-up podnosił odsetek odpowiedzi u najlepszych nawet o 49%. Trzeci mail zbierał ok. 20% mniej odpowiedzi niż pierwszy.

Odpowiedź daje personalizacja i to ona pierwsza wypada z procesu przy dwudziestej wiadomości, kiedy założyciel pisze je między rozmowami z klientami. Kampanie w module Outreach w Kit uruchamiają krok researchu dla każdego potencjalnego klienta (lead), zanim powstanie szkic, więc wersja spersonalizowana jest ścieżką domyślną, a nie tą wymagającą samodyscypliny. Sekwencje obsługują pojedynczy follow-up. Nic nie wychodzi bez akceptacji człowieka. A kiedy odsetek odpowiedzi spada poniżej 1%, diagnostyka kampanii oznacza to jako problem z doborem odbiorców albo z treścią, zamiast zostawiać cię ze zgadywaniem na kolejne dwa tygodnie.

Zacznij od kandydatów, których już odrzuciłeś

Zanim kupisz choć jedną nową listę potencjalnych klientów, zajrzyj do najcieplejszej puli, jaką już masz: do ludzi, którzy zgłosili się do ciebie, przeskoczyli twoją poprzeczkę i dostali odmowę z powodów niemających nic wspólnego z kompetencjami. Zły moment. Zamrożone etaty. Nieco mocniejszy finalista wziął to stanowisko.

Znają już twoją firmę, więc całą górę lejka masz z głowy. 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.

Kit robi to jednym zapytaniem łączącym dwa obszary produktu. outreach_find_silver_medalist_matches zestawia listę potencjalnych klientów z kampanii z wcześniej odrzuconymi kandydaturami na twoim koncie i pokazuje część wspólną. Działa, bo potencjalni klienci i kandydaci mają adresy e-mail szyfrowane i normalizowane identycznie, więc dopasowanie zachodzi bez ujawniania czegokolwiek między kontami. To jedyny sposób pozyskiwania kandydatów w tym artykule, który nie kosztuje nic i zajmuje kilka minut, a żadne konkurencyjne narzędzie nie łączy w tym celu obu zbiorów danych.

Warto powiedzieć wprost: to wyciąga dane osobowe z twoich rekordów rekrutacyjnych i pokazuje je osobie prowadzącej kampanię. 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. To jedyna liczba w tym artykule, nad którą naprawdę masz kontrolę.

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. Wiarygodnej liczby dotyczącej konkretnie AI nie ma, a każdy artykuł, który taką podaje, cytuje dostawcę. 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

Odcinek trzeci to niemal zawsze miejsce wycieku i niemal nigdy problem z podjęciem decyzji. To dwóch recenzentów, którzy nie oddali informacji zwrotnej. Pipeline w Kit z bramkami na etapach pokazuje dokładnie to: oczekujące decyzje i zaległe oceny da się odpytać, więc „czekamy na Sama” widać pierwszego dnia, a nie dziewiątego. Szablony procesu pozwalają raz zbudować pipeline dla trudnej roli i używać go ponownie, więc przy drugim wakacie nie zaczynasz od zera.

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

Trzy uczciwe zastrzeżenia, bo strategia działająca wyłącznie przy sprzyjającym wietrze nie jest strategią.

Aktywne docieranie to praca ciągła. Dobre pozyskiwanie kandydatów jest nawykiem, nie zrywem. Zespoły, które robią to na pół gwizdka, dostają poniżej 1% odpowiedzi, uznają, że „outbound nie działa”, i wracają do wystawiania ogłoszeń. 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. Przesunąłeś tylko koszt na czwarty miesiąc.

Zbuduj w Kit pipeline odporny na niedobór specjalistów

Niedobór inżynierów AI/ML jest realny, a większość liczb powtarzanych na jego temat nie. Te dane się bronią: kompetencje AI są dziś najtrudniejsze do znalezienia na świecie; ogłoszeń z kompetencjami AI przybyło o 55% w rok, podczas gdy pula specjalistów urosła o 22% przez dwa lata; ofert dla inżynierów AI w czołowych firmach przybyło rok do roku o ok. 60%, wobec 7% w ogólnej inżynierii oprogramowania. Bezpośrednie porównanie wynagrodzeń z firmami płacącymi mediany rzędu 300 000 dolarów przegrasz w większości przypadków.

Wygrać wciąż możesz tam, gdzie proces liczy się bardziej niż budżet: znaj swoją liczbę, zanim wakat trafi do sieci, docieraj do ludzi, którzy nie szukają, zacznij od tych, którzy już przeskoczyli twoją poprzeczkę, i decyduj w kilka dni.

Kit obsługuje wszystkie cztery elementy w jednym miejscu. Aktualne dane o wynagrodzeniach dla klastra Machine Learning Engineer, z medianami i percentylami w podziale na regiony i poziom doświadczenia. Kampanie z krokiem researchu, akceptacją człowieka i diagnostyką, która mówi, kiedy dobór odbiorców jest chybiony. Dopasowywanie potencjalnych klientów z kampanii do twoich własnych odrzuconych kandydatur. Pipeline z bramkami na etapach, dzięki któremu opóźnienia w ocenach widać, zanim kosztują cię kandydata.

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 wyciągnij pierwsze widełki płacowe, zanim napiszesz kolejne ogłoszenie.