Хайп говорит «нанимайте AI». В реальных JD покупают другое: специалистов, которые отвечают за production agents, evals, Applied AI и partner delivery. Дальше — метод чтения кластеров вакансий как org chart под давлением и пять ролевых кластеров из разобранного корпуса.
Рыночные обзоры любят агрегаты: «спрос на AI вырос на N%». Для CTO и Head of Engineering процент почти бесполезен: он не говорит, кого покупают и какую боль закрывает найм.
Я беру кластер ролей одной компании или одного типа сигнала и смотрю, какая оргструктура проступает сквозь текст. Обязанности в JD часто честнее keynote: там уже написано, что не масштабируется, что сыпется на клиентах, чего не хватает до следующего раунда или листинга.
Корпус — открытые вакансии frontier lab, enterprise pharma, industrial Series C, agent-startup перед Series A. Это не «весь LinkedIn», а методика на конкретных JD: где паттерн повторяется у разных работодателей, там спрос; одна красивая формулировка рекрутера сама по себе ничего не доказывает.
Метод: JD как org chart под давлением
Одна вакансия — шум. Три роли рядом с пересекающимися обязанностями — уже чертёж.
Вопросы, которые я задаю тексту вакансии:
- Что сломалось или не масштабируется? Часто прямо в responsibilities: «customer outcomes», «regression across product surfaces», «partner-led pre-sales».
- Кого ищут рядом? Одновременный найм 3× Engineering Manager или EM + Prompt/Evals + Partner SA — это не «открыли ещё одну позицию», а смена модели поставки.
- Где лежит критерий успеха роли? «Довести automation с 40% до 85–95%», «evaluation harness», «production AI assets» — это уже не «исследовать LLM».
- Что в nice-to-have, а что в must-have? Если evaluation harness и failure taxonomy стоят в non-negotiable у technical cofounder — рынок назвал цену надёжности.
Рабочая гипотеза при чтении: нанимают под функцию, без которой уже текут деньги или репутация — а не под абстрактный «навык модели».
Пять кластеров, которые повторяются
| Кластер | Под что нанимают на самом деле | Типичный сигнал в JD |
|---|---|---|
| Production agent ownership | Hands-on EM / tech lead, который сам деплоит агентов к клиенту | evals, guardrails, HITL, orchestration, «not just used AI tools» |
| Applied AI leadership | Director / Sr. Director, который сводит AI-инициативы в поставку | multi-team AI roadmap, architecture, GTM alignment |
| Evals as infrastructure | Отдельная функция промптов и eval, не «побочная задача IC» | eval suites, regression on model releases, mentorship product teams |
| Partner / field architecture | Архитектура внедрения через GSI и cloud-партнёров | reference architectures, partner-led pre-sales, enterprise readiness |
| Industrial / domain autonomy | C-level или Director с мандатом на autonomous / agentic переход | «drive transition toward agentic AI», OT–IT, production environments |
Разберу каждый кластер на живых формулировках — без имён клиентов там, где в базе компания анонимизирована.
1. Production agent ownership
VC-backed AI-стартап (~$5M ARR) перед Series A одновременно ищет трёх Software Engineering Manager под AI agents (EU/UK, через Techmunity). В тексте роли — личный трек: agents in production; объяснение, как агенты ломались; как закрывали reliability, evals, guardrails, edge cases. Squad отвечает за orchestration, tool integrations, monitoring, human-in-the-loop (HITL); плюс стратегические деплои — automation у клиента с ~40% до 85–95%.
Сигнал из разбора: delivery раньше сидел в Customer Success и не масштабировался. Компания уходит в engineering-led deployment перед раундом — eng должен владеть customer outcomes, и это надо показать инвесторам структурой найма.
Тот же акцент на production reliability у technical cofounder agentic-стартапа (NL/EU): в must-have стоят evaluation harness, regression prevention, error/failure taxonomy, monitoring — рядом с CI/CD и safe releases. Без eval-контура кандидата просто не берут.
2. Applied AI leadership
Параллельно рынку стартапов идут роли уровня Sr. Director, Engineering — Applied AI (NAMER/EMEA): стратегия AI engineering across product lines, архитектура, эксперименты → scalable outcomes, выравнивание с product/design/GTM. Это уже не «команда ML в углу», а оргслой, который собирает разрозненные AI-фичи в управляемую поставку.
В enterprise pharma тот же сдвиг читается в Director, Enterprise AI Engineering (AstraZeneca, Gothenburg): пять зон от Systems Intelligence до Product Incubation, golden path для AI-разработки, operational excellence production ML, лидерство над PhD-heavy командой. Карточка в базе фиксирует смысл: переход от исследовательской команды к production-платформе; роль «переводчика» наука → delivery раньше не была выделена.
Если вы CTO enterprise и всё ещё планируете AI как «двух сильных ML-инженеров» — JD этого класса уже описывают другую оргсхему.
3. Evals as infrastructure
У frontier lab (Anthropic) роль Prompt Engineer, Agent Prompts & Evals (SF, вилка порядка $320–405K в карточке вакансии) закрывает системные и feature-промпты, eval-фреймворки и automated suites, regression testing при запусках моделей по product surfaces, менторинг product-команд. В разборе вакансии: prompting раньше был фрагментарным по командам; параллельно открыт EM на ту же линию — линия планируется как инфраструктурная функция, а не одиночный IC.
Это рыночный перевод тезиса, который я разбирал отдельно про eval как критерий релиза AI-фичи: когда поведение модели становится частью продукта, demo-grade «на глазок» перестаёт быть приемлемым — и появляется headcount под дисциплину.
4. Partner / field architecture
Тот же lab нанимает Head of International Applied AI Architecture, Partnerships (London): команда Partner Solutions Architects, крупные системные интеграторы (GSI) и cloud-партнёры, partner-led pre-sales, reference architectures, feedback в продукт. В требованиях — RAG, агентные системы, enterprise production readiness.
Сильнее читать это как platform-pivot: marketplace, partner network и field enablement обгоняют внутреннюю capacity lab закрыть enterprise-внедрения своими руками. Спрос на applied architecture уезжает наружу — к партнёрам и к независимым практикам, которые умеют внедрять в чужих контурах. Соседний слой — зачем AI-скиллам нужен онбординг вместо копирования в каталог: и люди, и агентные пакеты без gate на масштабе расползаются.
5. Industrial / domain autonomy
Отдельный, более тихий кластер — industrial AI на Series C. Вакансия CTO (UK remote, £150–190k + equity 1.5–2%): среди обязанностей явно drive technical transition toward more agentic AI and autonomous optimization. Это мандат роли, а не пункт из investor deck. OT–IT опыт при этом часто ещё nice-to-have: autonomy уже в тексте, а редкость OT–IT экспертизы ещё не дожала требования до must-have.
Для тех, кто смотрит только на consumer ChatGPT-хайп: деньги Series C уже вписывают agentic transition в job description C-level.
Как не обмануться методом
Кластер ≠ прогноз биржи. Несколько ограничений, без которых разбор превращается в storytelling:
- Выборка смещена. Корпус — роли, которые попали в разведку (LinkedIn, рекрутеры, retained search). Это не случайная выборка всех AI-вакансий планеты.
- Одна роль без соседей — слабый сигнал. Красивый JD «AI Engineer» без кластера может быть и реальным наймом, и декорацией roadmap.
- Рекрутерский язык врёт. «Transform the industry» можно вычеркнуть. Смотреть на измеримые outcomes, стек ответственности и соседние позиции.
- Зарплатная вилка легитимизирует дисциплину, но не доказывает массовость. $320K+ на Agent Prompts & Evals говорит, что lab считает функцию дорогой инфраструктурой — не что таких ролей тысячи.
- Анонимные retained-вакансии полезны как паттерн (3× SEM), опасны как «история конкретной компании» — в базе часть работодателей намеренно без имени.
Если после вычёркивания маркетинговых прилагательных в JD не осталось failure mode, критерия успеха и границы ответственности — это ещё не сигнал спроса. Это пресс-релиз в форме вакансии.
Что с этим делать CTO и кандидату
Если вы нанимаете. Сверьте свой plan headcount с кластерами выше. Если в roadmap — «агенты в прод», а в найме — только research ML и prompt-энтузиасты без eval/ops ownership, вы покупаете демо, которое уже умеет рынок. Имеет смысл явно завести владельца: production agent path, eval gate, partner/field architecture — даже если это fractional роль, а не FTE.
Если вы кандидат или независимый архитектор. Смотрите, куда уехала цена: reliability (evals, guardrails, failure taxonomy), applied delivery across teams, partner-facing architecture. Это ближе к позиции AI Architect / production systems, чем к «я хорошо пишу промпты». Позиционирование «системы, которые доезжают до прода, а не умирают в пилоте» совпадает с тем, что уже написано в JD — не с тем, что пишут в манифестах про «будущее AI».
Если вы читаете новости labs. Marketplace, partner network, enablement-роли и SOX/compliance в одном кластере — это не разрозненный найм. Это org chart компании, которая переходит от model-as-a-service к platform + enterprise delivery. Внешний спрос на архитекторов внедрения растёт именно в такие окна.
Итог
В разобранных JD 2026 года спрос читается как найм под функции, без которых агент и модель не становятся бизнесом: владение продом, eval-инфраструктура, Applied AI leadership, partner architecture, иногда — industrial autonomy на C-level. «Больше людей, которые умеют ChatGPT» этим корпусом не объясняется.
Хайп продаёт навык. Вакансии закрывают контур.
Соберите кластер, вычеркните прилагательные, оставьте outcomes и соседние роли. Останется карта реального спроса.