Зарплаты ML/CV/MLOps в РФ 2026: вилки по грейдам, грейд→задача и за что вы переплачиваете «сеньору» 

Сколько вы готовы заплатить человеку, который полгода будет обучать модель, чтобы в итоге выяснить, что она жрет 16 гигабайт видеопамяти и выдает 2 FPS на железе клиента? Задайте этот вопрос своему HR-директору, когда будете верстать бюджет на ИИ-команду. Рынок сошел с ума. Зарплата ML инженера 2026 года выглядит как номер телефона. Джуны просят плюс 45 процентов за два года — это около 145 тысяч рублей в месяц на руки за умение импортировать библиотеку. Сеньоры подорожали на 12–15 процентов на фоне жесточайшего дефицита, а спрос на MLOps улетел в космос на 200 процентов. Вы верстаете бюджет и не понимаете, за что платите. Бизнес легко отдает деньги за «сеньора», который по факту тянет на мидла и ни разу не доводил модель до продакшена под реальной нагрузкой.

Зарплаты ML/CV/MLOps в РФ 2026: вилки по грейдам, грейд→задача и за что вы переплачиваете «сеньору»

Пройдемся по ролям. То, что написано в резюме, и то, что человек реально делает в проде — разные вселенные.

Data Engineer (DE). Строит трубы. Никакого машинного обучения он не делает. Он тащит сырые данные из зоопарка источников в DWH (ClickHouse, Greenplum), настраивает Kafka и Airflow. Вилка на середину 2026 года: Middle 200–280к, Senior 300–450к рублей в месяц. Без него ваши дата-саентисты будут писать парсеры на коленке и ронять базы.

ML Engineer / Data Scientist. Классика. Табличные данные, предсказание оттока, рекомендательные системы, XGBoost, CatBoost. Вилки: Junior 130–160к, Middle 200–300к, Senior 350–450к. Регионы дешевле на 15%, удаленка стирает границы.

CV Engineer (Computer Vision). Специалист по железу и камерам. Это не просто YOLO обучить на котиках. Это заставить детекцию работать на edge-устройствах (Jetson, промышленные ПК) без интернета под дождем. TensorRT, CUDA, DeepStream. Вилки: Middle 250–350к, Senior 400–550к. Сколько стоит CV инженер? Ровно столько, сколько он сэкономит вам на закупке промышленных видеокарт на завод.

NLP Engineer. Инженеры RAG-систем. vLLM, квантизация (GGUF, AWQ), тонкая настройка локальных моделей, чтобы корпоративные данные не утекли в API OpenAI. Вилки: Middle 250–350к, Senior 400–600к.

MLOps. Человек, который спасает ваши серверы от кода дата-саентистов. K8s, Triton Inference Server, CI/CD для моделей, мониторинг дрифта данных. Самая перегретая роль. Вилки грейдов MLOps: Middle 300–400к, Senior 450–650к. Дефицит абсолютный.

ML-Lead. Проектирует архитектуру, бьет по рукам за оверинжиниринг и связывает метрики модели с деньгами бизнеса. 500–800к+.

Теперь о главном: грейд↔задача. Бизнес часто не понимает, почему один просит 200 тысяч, а другой 500. Джун работает в Jupyter Notebook: взял статический датасет, натренировал модель, получил метрику 0.8, закрыл ноутбук. Мидл может обернуть это в FastAPI, засунуть в Docker и выкатить. Проблема начинается, когда приходит 100 запросов в секунду. Модель падает с Out of Memory, железо горит. Сеньор решает проблему инференса в проде под SLA. Он не пишет FastAPI-обертки. Он оптимизирует графы вычислений и делает динамический батчинг. Вот за этот код вы переплачиваете сеньору:

import asyncio
import time

class DynamicBatcher:
    def __init__(self, batch_size=16, timeout_ms=30):
        self.batch_size = batch_size
        self.timeout = timeout_ms / 1000.0
        self.queue = []
        self.lock = asyncio.Lock()

    async def predict(self, tensor):
        future = asyncio.Future()
        async with self.lock:
            self.queue.append((tensor, future))
            if len(self.queue) == 1:
                asyncio.create_task(self._process_batch())
        return await future

    async def _process_batch(self):
        await asyncio.sleep(self.timeout)
        async with self.lock:
            if not self.queue: return
            batch = self.queue[:self.batch_size]
            self.queue = self.queue[self.batch_size:]
        
        # Здесь вызывается аппаратный инференс (TensorRT), а не голый PyTorch
        results = hardware_accelerated_inference([item[0] for item in batch])
        
        for (_, future), res in zip(batch, results):
            future.set_result(res)

Этот кусок логики снижает потребление GPU в три раза и держит p99 latency в рамках 100 миллисекунд. Джун такое не напишет. Мидл сломает на блокировках.

Скрытые косты, гибриды-франкенштейны и экономика найма

Ради экономии ФОТ многие пытаются нанять гибридов «2-в-1»: ML+MLOps или DS+DE. В краткосроке это выглядит как экономия 300 тысяч в месяц. На практике это мина замедленного действия и колоссальный техдолг. Ваш «универсал» поднимет кластер на изоленте и bash-скриптах. В MoranaLabs мы как-то реверс-инжинирили такой пайплайн после ухода единственного фуллстек-инженера со стороны клиента: простой продакшена на время расшифровки его костылей обошелся бизнесу в три годовых зарплаты нормальной команды. Разделяйте роли.

Помимо прямых зарплат, в 2026 году вы платите скрытые налоги на найм:

• Найм: 1–3 оклада уходит кадровому агентству или внутреннему рекрутингу просто за закрытие позиции.
• Онбординг: 2–4 месяца человек вникает в ваши грязные данные, получает доступы от ИБ и не приносит бизнес-велью.
• Простой GPU: Пока ваш новый мидл неделю настраивает драйвера CUDA, арендованные A100 в облаке сжигают по 3 доллара в час.
• Удержание: Контр-офферы стали нормой. Если вы не готовы поднять зарплату на 20% через год, специалиста перекупят финтехи.

Когда роль дешевле и быстрее закрыть подрядчиком, а не держать в штате круглый год? Если ИИ — это ваш core-продукт (вы делаете автопилоты или голосового помощника), стройте инхаус-команду. Если ИИ — это оптимизация внутренних процессов, дефектоскопия на конвейере или разовая разработка рекомендательной системы, аутсорс математически выгоднее. Вы не платите за онбординг, отпуска и простой железа.

Если после сборки экономики вы понимаете, что инхаус-команда выходит за рамки рентабельности, а продукт нужен стабильным — приходите за калькулятором бюджета и пилотом с фиксированной сметой. Мы отдаем инференс, который держит нагрузку с первого дня, а не после трех месяцев дебага в проде.