Пул инженеров, которые реально строят и внедряют AI-системы, значительно меньше, чем ожидают нанимающие менеджеры с общим взглядом на рынок. Беглый просмотр LinkedIn показывает тысячи профилей с пометкой «AI», но у подавляющего большинства — лишь поверхностные знания в разработке, инфраструктуре и архитектуре AI.

Большинство кандидатов просто используют AI, а не расширяют границы его возможностей.

Раздутые резюме усугубляют проблему. Быстрая популяризация AI-инструментов породила большую когорту специалистов, которые прошли онлайн-курсы и сделали пару демо-проектов. Часто этого достаточно, чтобы добавить в профиль «инженер машинного обучения».

Deepfake-кандидаты — ещё одно новое явление. Эффектно выглядящие резюме, скудные профили в LinkedIn с горсткой связей, а если дело доходит до интервью — подозрительное видео и ещё более подозрительная манера речи.

Отличить эти группы от AI-инженеров с реальным практическим опытом разработки и внедрения можно только при наличии специализированной экспертизы рынка, которую компаниям без AI как основного направления трудно поддерживать внутри штата.

Знания AI-специалиста нужно оценивать по конкретности и глубине экспертизы. Многие сегодняшние AI-специалисты вчера были backend-, платформенными или системными инженерами, поэтому оценка их экспертизы требует точных вопросов и технического понимания.

Базовый фреймворк из трёх уровней вопросов, каждый из которых закрывает лазейки, оставленные предыдущим, помогает составить полную картину. При этом любой фреймворк должен использоваться как структура и ориентир, а не для сужения разговора. Наиболее подходящие кандидаты чувствуют себя комфортно, обсуждая архитектуру приложений, продакшен-инциденты, компромиссы и бизнес-результаты.

Они охотно вдаются в детали.
Вот пример фреймворка оценки для AI-инженера.

Общая черта на всех трёх уровнях — всегда конкретика: даты, названия компаний, детали инцидентов, названия инструментов. Общие фразы говорят о заученной подготовке. Конкретика — о реальном опыте.

Первый уровень проверяет, что кандидат реально выкатил в продакшен. Эксперименты — важная часть обучения, но они не могут быть единственным реальным опытом.

Вопросы образуют единую цепочку допроса, каждый закрывает лазейку, оставленную предыдущим ответом:

Успешный кандидат должен ответить на все вопросы конкретно и подробно, демонстрируя вовлечённость и ответственность. Провал по любому из вопросов явно указывает на отсутствие опыта работы в продакшене в больших масштабах.

Оценка должна учитывать, как AI-специалист работает сегодня, а не только то, что он строил в прошлом. Вопросы об использовании агентных инструментов в повседневной работе весьма показательны.

Является ли агентное кодирование их режимом по умолчанию, а не редкой новинкой, к которой они иногда обращаются? Как они встраивают это в ежедневный рабочий процесс?

Кандидаты, которые создавали собственные инструменты, MCP-серверы, слои оркестрации, системы оценки или среды исполнения, показывают, что понимают AI-агентов как составные системы, а не просто чат-интерфейсы.

Третья линия вопросов выходит за рамки «делали ли вы это» к тому, как кандидат понимает и решает сложности.

Такие знания появляются только через реальную поставку и пайплайнов, и автономных систем, а также через усвоение компромиссов на реальных, приземлённых кейсах.

У тех, кто строил только базовый RAG или обёртки для промптов, обычно нет реального ответа на эти вопросы — именно в этом и заключается пробел в оценке, с которым мы работаем на ICLR.

Процесс подбора AI-специалистов в Lucky Hunter построен на проактивном сорсинге. Мы не просто исследуем кандидатов до того, как они поменяют статус в LinkedIn на «Открыт для предложений» — мы находим их ещё до того, как они создадут профиль в LinkedIn.

Наш пул кандидатов строится через живое общение, знание индустрии, мониторинг исследований и академической среды, и присутствие там, где находятся они.

Международная конференция по обучаемым представлениям (ICLR) — одна из самых конкурентных рецензируемых площадок в машинном обучении. Процент принятия полноценных статей — ниже 28%. В апреле 2026 года Lucky Hunter участвовал в ICLR в Рио-де-Жанейро в качестве официального рекрутингового партнёра 42.com.

У нас была возможность встретить AI-специалистов на пересечении исследовательского превосходства и продвинутых прикладных знаний.

Lucky Hunter пришёл на конференцию примерно с 1000 кандидатами, а ушёл с более чем 2000 AI-специалистами, преимущественно уровня middle и senior. Разрыв между «работал с AI-инструментами» и «может строить передовые AI-системы» был на ICLR особенно заметен.

Самые сильные профили были сосредоточены вокруг исследовательских лабораторий, инфраструктурных команд и академических экосистем, что ещё раз подчёркивает более высокое качество связей, которые даёт нетворкинг на конференциях.

Сорсинг с конференций даёт качественно другой профиль кандидата:

Помимо ICLR, Lucky Hunter поддерживает активную сеть проверенных AI-специалистов в Европе, Северной Америке и Азии, выстроенную за годы специализированного технического рекрутинга.

Не все AI-рекрутинговые агентства работают на одинаковом уровне глубины. Наши партнёры из 42 ценят наш гибкий, тщательный отбор нишевых ML-специалистов, но обращение в новое рекрутинговое агентство всегда сопряжено с неопределённостью.

Вот пять ключевых факторов, которые CTO или руководителю инженерного отдела стоит учитывать при выборе рекрутингового партнёра.

Если рекрутер не может без подсказки объяснить разницу между RAG и файнтюнингом, он не сможет отличить настоящего специалиста от поверхностного «вайб-кодера».

Сеть рекрутера с 1000 проверенных, активно поддерживаемых тёплых контактов с AI-специалистами на порядки ценнее, чем 10 000 связей в LinkedIn. Задавайте конкретные вопросы: сколько позиций, требующих продакшен-деплоя LLM, вы закрыли за последние 12 месяцев?

Как ясно показал ICLR 2026, топовые AI-таланты не концентрируются на общих job-бордах. NeurIPS, CVPR и локальные ML-митапы обязательны для лучших AI-рекрутинговых агентств.

Лучшие рекрутеры в области машинного обучения обладают глубоким пониманием рынка, которое помогает им находить релевантных кандидатов. Они умеют оценивать не только экспертизу, но и мотивацию, что помогает обеим сторонам согласовать ожидания ещё до оффера.

Попросите рекрутера подробно описать процесс технического скрининга. Если ответ расплывчатый или сводится к «культурному соответствию» — проверка не специализирована. Серьёзный партнёр по подбору AI-талантов может чётко сформулировать, что именно он проверяет и зачем.

Подбор AI-специалистов — это не упражнение на объём. Правильные кандидаты не листают job-борды. Вместо этого они представляют доклады на ICLR, участвуют в open-source проектах и строят системы, которые снижают затраты и повышают надёжность.
Доступ к AI-экосистеме и глубокое понимание этого передового рынка — вот путь к успеху. Наш процесс проверки включает скрининг резюме и проверку рекомендаций, но передовой край — в другом.

Мы знаем внутреннюю кухню AI-индустрии, знаем, кого искать, и говорим на нужном языке, что помогает нам находить общий язык и с работодателями, и с AI-специалистами.

Наше глубокое знание индустрии помогает находить сильных AI-инженеров за пределами LinkedIn и традиционных job-бордов.

Мы находим кандидатов на исследовательских конференциях и проверяем технические заявления на реальных доказательствах. Мы поддерживаем сеть проверенных практиков, а не базу типовых резюме.