Jak rekrutować AI/ML engineerów, których nie ma na rynku?

Twoja firma otworzyła rolę ML engineera trzy miesiące temu. Ogłoszenie wisi. CV przychodzą, ale albo pochodzą od juniorów z jednym projektem w portfolio, albo od seniorów z oczekiwaniami, które rozmijają się z budżetem. Osoby, których naprawdę szukasz, często nie wchodzą regularnie na job boardy.

Dlaczego standardowe procesy nie działają?

W przypadku AI i machine learningu wyzwanie nie sprowadza się wyłącznie do liczby dostępnych kandydatów. Publiczne statystyki nie pozwalają dziś precyzyjnie określić, ilu AI/ML engineerów pracuje w Polsce, ponieważ obejmują znacznie szerszą kategorię specjalistów ICT – od developerów i analityków po administratorów, inżynierów systemowych czy ekspertów od cyberbezpieczeństwa.

Dostępne dane dobrze pokazują jednak kierunek, w którym idzie rynek. Według Eurostatu w 2025 roku z technologii AI korzystało 8,36% polskich firm zatrudniających co najmniej 10 osób. To mniej niż średnia unijna, wynosząca 19,95%, ale jednocześnie wyraźny sygnał, że AI przechodzi z etapu eksperymentów do realnych wdrożeń biznesowych.

Kluczowe pytanie brzmi więc nie tylko: ilu specjalistów jest na rynku, ale przede wszystkim – jak do nich dotrzeć. Wielu doświadczonych AI/ML engineerów nie prowadzi aktywnych poszukiwań pracy. Są już zatrudnieni, często realizują kontrakty B2B dla firm zagranicznych, które oferują warunki trudne do porównania z możliwościami lokalnych pracodawców. Samo ogłoszenie na job boardzie rzadko wystarczy, żeby do nich dotrzeć.

Gdzie faktycznie są kandydaci pasywni?

Dobry ML engineer często zostawia po sobie ślady, które pozwalają lepiej ocenić jego doświadczenie niż sama lista technologii w CV. GitHub jest jednym z pierwszych miejsc, od których warto zacząć sourcing w tym segmencie. Repozytoria z modelami, narzędziami do pracy z danymi, wkładem w biblioteki takie jak TensorFlow, PyTorch czy Hugging Face, a także aktywność w projektach open-source mogą być konkretnym, weryfikowalnym sygnałem kompetencji.

Zaawansowane filtry GitHuba pozwalają szukać po języku programowania, tematyce i aktualności aktywności – np. `topic:machine-learning`, `language:python` czy `pushed:>2025-01-01`. To wymaga więcej pracy niż przeszukanie bazy profili na LinkedInie, ale pozwala dotrzeć do osób, których nie widać w standardowym procesie rekrutacyjnym.

Kaggle to z kolei środowisko skupiające data scientistów i ML engineerów rozwijających swoje kompetencje poprzez konkursy, notebooki i projekty oparte na danych. Rangi takie jak Master czy Grandmaster nie są pełnym zastępstwem dla doświadczenia produkcyjnego, ale stanowią silny, zewnętrznie zweryfikowany sygnał umiejętności modelowania, eksperymentowania i pracy z danymi. Wielu kandydatów umieszcza też swoje wyniki z Kaggle bezpośrednio na profilach LinkedIn.

Warto szukać również poza platformami online. Konferencje i społeczności – takie jak MLOps Community, PyData, Data Science Warsaw czy Kraków Data Science – gromadzą osoby, które angażują się w temat dlatego, że zawodowo pracują z AI i machine learningiem, a nie dlatego, że aktywnie szukają nowej pracy.

Problem polega na tym, że skuteczne działanie w tych kanałach wymaga zrozumienia technologicznego kontekstu. Nie chodzi o to, by rekruter sam pisał modele, ale powinien umieć odróżnić projekt demo od realnego doświadczenia produkcyjnego i prowadzić rozmowę, która nie zaczyna się ani nie kończy na liście narzędzi.

Co odróżnia dobre podejście w zatrudnianiu AI/ML engineerów?

Kandydaci AI/ML regularnie dostają wiadomości od rekruterów. Problem w tym, że duża część z nich brzmi niemal identycznie: „Dzień dobry, mam interesującą ofertę dla osoby z Pani/Pana profilem”.

Sama personalizacja imienia to dziś za mało. Dobry sourcing w tym segmencie zaczyna się od faktycznego zapoznania się z pracą kandydata – jego repozytoriami, artykułami, wystąpieniami czy wkładem w projekty open-source. Jeżeli piszesz do osoby, która rozwijała narzędzie związane z modelami językowymi albo ma aktywnie używane repozytorium, pierwsza wiadomość powinna pokazywać, że rozumiesz, czym się zajmuje i dlaczego jej doświadczenie ma związek z konkretnym problemem, który Twoja firma chce rozwiązać.

To wymaga więcej czasu na jeden kontakt niż masowy outreach. Daje jednak większą szansę na rozpoczęcie rozmowy z kandydatem, który w innym przypadku zignorowałby kolejną ogólną ofertę.

Drugi problem to niedopasowanie propozycji do sytuacji kandydata. Osoba pracująca przy ciekawym produkcie albo realizująca kontrakt dla zagranicznej firmy nie zmieni pracy wyłącznie dlatego, że nowa rola jest „w obszarze AI”. Musi zobaczyć realną wartość: ambitny problem do rozwiązania, wpływ na produkt i decyzje techniczne, dostęp do danych, interesujący stack albo możliwość budowania czegoś od podstaw.

Dlatego rozmowa rekrutacyjna powinna zaczynać się nie od przedstawienia oferty, lecz od zrozumienia, co dla konkretnej osoby byłoby wartościową zmianą.

Problem oceny kompetencji

To, co odróżnia rynek AI/ML od klasycznej rekrutacji IT, to szczególna trudność weryfikacji umiejętności.

Znajomość PyTorcha, Scikit-learn czy TensorFlowa można zadeklarować. Znacznie trudniej sprawdzić, czy kandydat potrafi zbudować produkcyjny pipeline, ocenić jakość danych, zrozumieć problem driftu modelu i przełożyć wyniki na decyzje biznesowe.

Google w materiałach dotyczących produkcyjnych systemów machine learningowych wskazuje, że samo stworzenie modelu to dopiero początek. W praktyce trzeba monitorować dane, cechy, jakość predykcji, różnice między środowiskiem treningowym a produkcyjnym, stabilność pipeline’ów i realne działanie modelu po wdrożeniu.

Podobnie NIST w AI Risk Management Framework podkreśla znaczenie ciągłego testowania, pomiaru, walidacji i zarządzania ryzykiem przez cały cykl życia systemu AI.

W praktyce oznacza to, że ocena CV jest tu mniej miarodajna niż w wielu innych rolach technologicznych. Firmy, które prowadzą skuteczną rekrutację AI/ML, budują procesy selekcji oparte na konkretnych zadaniach i case’ach, a nie wyłącznie na listach technologii wpisanych w CV.

To wymaga zaangażowania hiring managera od samego początku – i rekrutera, który rozumie, o co pytać.

W rozmowie warto sprawdzić m.in.:

z jakim problemem biznesowym kandydat pracował;
jakie dane były dostępne i jakie miały ograniczenia;
jak mierzył jakość modelu;
co nie działało w pierwszej wersji rozwiązania;
jak wyglądało wdrożenie;
czy i jak monitorowano model po uruchomieniu;
jakie decyzje techniczne kandydat podjął samodzielnie.

To daje znacznie więcej informacji niż pytanie o znajomość kolejnych frameworków.

Czas i koszt – czego się spodziewać

Nie ma publicznej, porównywalnej statystyki, która wiarygodnie pokazywałaby średni time-to-fill dla senior AI/ML engineerów w Polsce. Dane z raportów rekrutacyjnych są zwykle oparte na różnych metodach, grupach firm i definicjach stanowisk, dlatego trudno traktować je jako uniwersalny benchmark.

W praktyce czas trwania procesu zależy od kilku rzeczy: poziomu seniority, specjalizacji, modelu współpracy, atrakcyjności produktu, budżetu, szybkości decyzji po stronie firmy oraz tego, czy organizacja wie, kogo naprawdę szuka.

Dla firmy ważniejsza niż jedna średnia rynkowa powinna być obserwacja własnego procesu. Jeżeli po kilku tygodniach aktywnego sourcingu nie ma wartościowych rozmów, problem nie zawsze leży w braku kandydatów. Często oznacza, że rola jest zbyt szeroko opisana, oferta nie odpowiada realiom rynku albo kryteria selekcji są niejasne.

Nieobsadzone stanowisko ML engineera przez kilka miesięcy to nie tylko koszt rekrutacji. To również opóźnione wdrożenie produktu, brak automatyzacji, późniejsza analiza danych albo ryzyko, że projekt nie trafi do produkcji w zakładanym terminie.

HR Contact obserwuje ten pattern regularnie na rynkach EMEA, USA i LATAM. Firmy, które wychodzą z procesu szybciej, łączą dwie rzeczy: aktywny sourcing w kanałach nieoczywistych i jasno zdefiniowane kryteria oceny kompetencji na wejściu. Bez tego drugiego nawet najlepsza lista kandydatów prowadzi do przedłużonych procesów decyzyjnych.

Kiedy warto wejść we współpracę z partnerem zewnętrznym?

Rekrutacja AI/ML to jeden z tych segmentów, gdzie różnica między rekruterem znającym rynek a nieznającym go, jest największa. Nie dlatego że AI jest trudne w rozumieniu ale dlatego że bardzo łatwo pomylić kogoś, kto zna słownictwo, z kimś, kto faktycznie potrafi ocenić projekt.

Warto rozważyć zewnętrzne wsparcie, gdy rola jest otwarta dłużej niż 8 tygodni bez konkretnych kandydatów w pipeline, gdy wewnętrzny HR nie ma dostępu do kanałów sourcingowych opisanych wyżej, albo gdy firma planuje zbudować cały zespół AI a nie jedną rolę.

Sourcing on demand pozwala w takim przypadku uruchomić aktywny pipeline bez angażowania pełnego procesu rekrutacji. Rekrutacja embedded ma sens, gdy firma rekrutuje regularnie i potrzebuje kogoś, kto naprawdę rozumie kontekst technologiczny a nie tylko przetwarza CV.

FAQ – pytania o rekrutację AI/ML engineerów

Ile czasu zajmuje rekrutacja seniora AI/ML?

Nie ma jednej rzetelnej średniej dla polskiego rynku. Proces może zamknąć się szybko, jeżeli firma ma dobrze opisany problem, realistyczny budżet, sprawny proces decyzyjny i aktywnie dociera do kandydatów.

Może też trwać miesiącami, jeżeli organizacja opiera się wyłącznie na ogłoszeniu, nie ma jasno zdefiniowanej roli albo zmienia oczekiwania po każdej rozmowie.

Najważniejsze jest nie tyle liczenie tygodni, ile szybkie wykrycie problemu. Jeżeli po pierwszych rozmowach firma nie widzi właściwych profili, warto zmienić strategię sourcingu albo doprecyzować rolę, zamiast czekać na przypadkowy napływ CV.

Jak sprawdzić, czy kandydat AI/ML naprawdę umie to, co deklaruje w CV?

CV w AI/ML jest mniej miarodajne niż w klasycznym software developmencie. Warto weryfikować repozytoria GitHub, publiczne projekty, wkład w open source, aktywność na Kaggle, artykuły, prezentacje albo opisy konkretnych wdrożeń.

Najważniejsza jest jednak rozmowa o realnym projekcie. Kandydat powinien umieć wyjaśnić nie tylko, jakiego modelu użył, ale też skąd pochodziły dane, jak mierzył jakość, jakie pojawiły się problemy i co zrobił po wdrożeniu, gdy model zaczął działać na rzeczywistych danych.

Podsumowanie

Rekrutacja AI/ML engineerów nie działa jak rekrutacja klasycznych developerów. Rynek jest wąski, kandydaci są często pasywni, a ocena kompetencji wymaga innego podejścia niż weryfikacja stacku technologicznego.

Firmy, które czekają wyłącznie na napływ CV z job boardów, ograniczają sobie dostęp do dużej części rynku. Skuteczne podejście zaczyna się od sourcingu w miejscach, gdzie kandydaci faktycznie zostawiają ślady swojej pracy: GitHubie, Kaggle, społecznościach technicznych i konferencjach. Wymaga spersonalizowanego kontaktu, zrozumienia motywacji kandydata oraz procesu oceny kompetencji, który jest odporny na dobrze brzmiące CV.

Jeśli masz otwartą rolę AI/ML, która nie może się zamknąć od kilku miesięcy – porozmawiaj z HR Contact.

Wróć do bloga Skopiuj link do artykułu