KI / ML / Data Science: Markt
AI / ML / Data Science ist eine Familie von Rollen: ML Engineer (Modelle und Pipelines in Produktion), Data Scientist (statistische Analyse, A/B-Tests, ML-Modelle), AI Engineer (LLM-, RAG-, GenAI-Anwendungen), MLOps (ML-Infrastruktur), Computer-Vision- und NLP-Engineers. Der Kern-Stack ist Python, PyTorch, TensorFlow, scikit-learn, pandas, NumPy, Jupyter, MLflow, Kubeflow, HuggingFace Transformers, LangChain, OpenAI API, Vektordatenbanken (Pinecone, Weaviate, Qdrant). Die gefragtesten Technologien — python, cloud, sql, llm, pytorch. 27% der Stellen sind Remote. Die Daten werden täglich aktualisiert.
Der Markt für KI / ML / Data Science hat derzeit 10.721 offene Rollen, davon 10.064 frisch beobachtet. Median salary $11.979/mo.
27% der AI/ML-Stellen sind vollständig remote; der Rest ist hybrid oder im Büro. Banken verlangen wegen Compliance häufiger hybrid; in internationalen KI-Teams ist vollständig remote der Standard.
⚠ Gehalt bekannt bei 884 von 10721 Stellen; Remote-Anteil aus 9069 mit angegebenem Arbeitsformat; 10064 als frische Beobachtungen gezählt; Trend und Besetzungsschwierigkeit werden nicht gezeigt
Timeline: postings and sources
How many KI / ML / Data Science postings appeared each week over 180 days, and from how many sources. The second line separates market growth from coverage growth: a jump in the week new sources were connected means we started seeing more, not that the market grew.
New postings and active sources per week
Sources over the period: 357
New sources connected: May 18 +16 · May 25 +12 · Jun 1 +13 · Jun 8 +8 · Jun 15 +8 · Jun 22 +27 · Jun 29 +55 · Jul 6 +29 · Jul 13 +26 · Jul 20 +31 · Jul 27 +13 · Aug 3 +9 · Aug 10 +6 · Aug 17 +8 · Aug 24 +7 · Aug 31 +4 · Sep 7 +6 · Sep 14 +4 · Sep 21 +13 · Sep 28 +9 · Oct 5 +7 · Oct 12 +3 · Oct 19 +17
Week = posting first-seen date, all statuses, 180 days; sources = distinct collection channels that yielded postings for the direction that week; new sources = channels that yielded their first posting for the direction that week.
Salaries over time
Median KI / ML / Data Science salary per week, USD per month.
Median salary, USD per month
Only postings with a USD salary and a known period (month or year), $500–$50,000 per month. Weeks with fewer than 10 such postings are left blank — that means no data, not zero.
Remote work over time
Share of KI / ML / Data Science postings offering fully remote work, per week.
Remote postings, %
The share is among postings that state a format (remote, hybrid, office). Weeks with fewer than 10 such postings are left blank.
Technologies over time
How the share of KI / ML / Data Science postings mentioning each of the top technologies changed.
Postings mentioning the technology, %
Share among postings with a tagged stack; the series starts on Aug 10: earlier stack tags were assigned differently. Weeks with fewer than 20 tagged postings are left blank.
Countries over time
How the share of KI / ML / Data Science postings in each of the top countries changed, per week.
Postings in the country, %
Share among postings with a known country; the chart shows the five countries with the most postings over six months. Weeks with fewer than 20 postings with a known country are left blank. A rising share can mean a newly connected source in that country rather than market growth.
Nachfrage und beobachtetes Angebot
| Offene Nachfrage | 10.721 |
| Beobachtetes Angebot | — nicht veröffentlicht |
In den letzten Wochen ist die Richtung AI/ML nichtlinear gewachsen — der explosive Nachfrageanstieg seit den Releases von ChatGPT, Claude, Gemini in 2023–2025 setzt sich 2026 fort. Schwankungen sind normal; beobachten Sie den Gesamttrend.
⚠ zu einer Stelle passende Kandidaten werden noch nicht gezählt: gezeigt werden Nachfrage und der beobachtete Pool
Gehaltsverteilung
Jeder Zehnte verdient unter $4.750, jeder Zehnte über $20.233. Die Hälfte des Markts liegt zwischen $7.455 und $16.218. Stichprobe: 884.
Geografie der Nachfrage
| Land | Stellen |
|---|---|
| US | 4.228 |
| GB | 971 |
| DE | 447 |
| IN | 446 |
| SG | 408 |
| PL | 365 |
| CA | 317 |
| FR | 236 |
| HK | 168 |
| NL | 121 |
Führend bei der Zahl der AI/ML-Stellen sind die USA (4228 Stellen), gefolgt von den großen IT-Hubs der GUS und Osteuropas. Wichtig: Das ist die Verteilung über unsere Parsing-Quellen, keine Schätzung des globalen Marktes.
⚠ nur Stellenzahlen: Gehalt nach Land wird nicht veröffentlicht
Wird zusammen verwendet mit
Der wichtigste Stack für ML/AI-Engineers in 2026 sind Python, PyTorch, TensorFlow, scikit-learn, pandas. PyTorch dominiert in Forschung und KI-Startups; TensorFlow ist eine solide Wahl im Enterprise. HuggingFace Transformers und LangChain sind für AI Engineers Pflicht.
Die häufigsten Technologiepaare in AI/ML-Stellenanzeigen: Python+PyTorch, Python+TensorFlow, scikit-learn+pandas, HuggingFace+LangChain, MLflow+Airflow. Wenn Sie eine Lern-Roadmap planen, bieten diese Kombinationen die maximale Marktabdeckung.
Nachfrage nach Level
| Level | Stellen |
|---|---|
| senior | 3.004 |
| Principal | 1.136 |
| lead | 896 |
| junior | 648 |
| middle | 240 |
Das stärkste Gehaltswachstum liegt zwischen Middle und Senior (Aneignung von Production-ML und MLOps).
⚠ nur die Nachfrageseite: das Level des beobachteten Pools ist größtenteils unbekannt
Arbeitgeber
Die Nachfrage verteilt sich auf 4.296 Arbeitgeber. Der größte steht für 1.7 %, die Top Ten für 8.7 %; die übrigen 91.3 % sind Long Tail.
| Anteil | Wert |
|---|---|
| Top-1 | 1.7% |
| Top-3 | 4.0% |
| Top-10 | 8.7% |
| Long Tail | 91.3% |
The companies hiring ML/AI engineers most actively right now are large banks, marketplaces, search engines, and international AI startups.
⚠ Namen werden nicht angezeigt: Personalvermittler und Endarbeitgeber werden vom Klassifikator noch nicht unterschieden
Wo Zorky diesen Markt sieht
Beobachtet in 156 Quellen; die größte steht für 24.9 % — dieser Markt hängt nicht an einem einzigen Kanal.
KI/ML-Stellen tauchen in den meisten großen Quellen auf: Web-Parser (HH, Habr Career, Djinni, DOU, NoFluffJobs, JustJoin.it) liefern den Großteil des Volumens.
Neueste Ausschreibungen
- Analyst, Revenue Research (Ad Effectiveness)
- Senior Automation Scientist · GB
- シニアテクニカルプログラムマネージャー ・Active Learning Loop
- Senior New Business Manager · CN
- AIC Apprentice · IN
- ML Engineer · KZ
- PRINCIPAL DATA SCIENCE SPECIALIST · SG
- Data Scientist · US
Die neuesten offenen Stellen in AI/ML/DS — die 10 jüngsten Positionen mit ausreichender Beschreibungsqualität. Die vollständige Liste finden Sie in unserem CRM oder über den Link „Alle ansehen“ unten.
Benachbarte Märkte
KI/ML/DS ist nach Median die am besten bezahlte IT-Spezialisierung 2026. Klicken Sie auf den Balken einer Richtung, um Gehälter, Stack und Dynamik im Detail zu vergleichen.
⚠ angrenzende Märkte zum Vergleich sind noch nicht definiert
So wird gemessen
- Stelle
- eine offene Stelle, die das Qualitäts-Gate passiert hat und mindestens zwei Technologien nennt
- Beobachteter Kandidat
- ein Kandidat, dessen Stack diese Technologie enthält; ein Aggregat — kein einziger Datensatz verlässt den Perimeter
- Matchbarer Kandidat
- noch nicht gezählt
- Fenster
- Stellen, die zum Zeitpunkt der Erstellung des Snapshots offen waren
Über die Daten
- Einige Aufschlüsselungen sind ausgeblendet: Die Datenabdeckung reicht noch nicht aus.
- Statistiken erscheinen nur, wo die Stichprobe eine Qualitätsschwelle passiert.
- Ein fehlender Block bedeutet nicht den Wert null.
Derzeit ausgeblendete Aufschlüsselungen: 8.
Datenstand 2026-10-27
Spezialisierungen
KI/ML/DS gliedert sich in 7 Unterspezialisierungen: ML Engineer (produktive Modelle), AI/LLM Engineer (generative KI), MLOps (ML-Infrastruktur), Computer Vision (Bilder und Video), NLP Engineer (Text und Sprache), Research Engineer (F&E), Data Scientist (Statistik und A/B-Tests). Jede Nische hat ihre eigene Gehaltsspanne — klicken Sie auf eine Karte für Details.
Häufig gestellte Fragen
Die häufigsten Fragen zum AI/ML/DS-Markt: Gehälter nach Level, Stack (PyTorch vs. TensorFlow), ML Engineer vs. Data Scientist vs. AI Engineer, Remote, wo man die Karriere beginnt, Senior-Fähigkeiten. Die Antworten werden automatisch aus aktuellen Daten neu berechnet.
Welcher Stack wird von einem ML-Engineer am häufigsten verlangt?
Top-5-Technologien in AI/ML/DS-Stellenanzeigen: python, cloud, sql, llm, pytorch. Erforderliche Grundfähigkeiten: Python (fortgeschritten), Statistik und lineare Algebra, klassisches ML über scikit-learn. Deep Learning — eines von PyTorch (dominiert in der Forschung) oder TensorFlow (produktionsfreundlicher). Arbeit mit Daten — pandas, NumPy, Jupyter. SQL ist Pflicht. Für MLOps: MLflow, Kubeflow, Airflow, Docker, Kubernetes. Eine Cloud (AWS SageMaker, GCP Vertex AI) ist auf Senior-Niveau erforderlich.
Wer verdient mehr — ML Engineer, Data Scientist oder AI Engineer?
Die Nachfrage wächst explosionsartig seit den Releases von ChatGPT, Claude und Gemini. Research Engineer (F&E, Paper auf NeurIPS/ICML) — eine hohe Obergrenze in internationalen Labs.
Können ML-Engineers remote arbeiten?
Teilweise: 27% der ML/AI-Stellen sind voll remote. Banken und Fintech verlangen wegen Compliance bei der Arbeit mit personenbezogenen und Finanzdaten oft Hybrid. Marktplätze — häufiger hybrid. Internationale KI-Teams — fast immer remote-freundlich oder hybrid mit Büro in SF/NYC/London. KI-Startups — voll remote ist Standard. Die Remote-Bezahlung ist dank des globalen Kandidatenpools und des Premium-Segments GenAI deutlich höher. Junior-Remote-Stellen gibt es wenige — Training in Produktion erfordert Mentoring und Zugang zu Rechenressourcen.
Worin unterscheidet sich ML Engineer von Data Scientist und Data Engineer?
ML Engineer — Fokus auf Produktion: Entwerfen, Trainieren, Deployen und Überwachen von ML-Modellen. Stack: Python, PyTorch/TensorFlow, MLflow, Docker, Kubernetes. Nahe an einem Backend Engineer mit ML-Spezialisierung. Data Scientist — Fokus auf Forschung: Statistik, A/B-Tests, Hypothesen, Dashboards, manchmal ML-Modelle. Stack: Python, scikit-learn, Jupyter, pandas, SQL, manchmal R. Data Engineer — Dateninfrastruktur: ETL-Pipelines, Warehouses, Streams. Stack: Spark, Airflow, Kafka, ClickHouse. Beim Gehalt: ML Engineer und AI Engineer werden meist besser bezahlt als Data Scientists (technischer); Data Engineer liegt nahe an ML. Karriereweg: Backend → ML Engineer, Analyst → Data Scientist, Data Engineer ↔ ML Engineer.
Wie wird man 2026 ML-Engineer — wo anfangen?
Der optimale Weg: Python (fortgeschritten), Statistik und lineare Algebra auf Universitätsniveau, SQL, pandas + NumPy für die Datenarbeit beherrschen. Dann scikit-learn (klassisches ML: Regression, Klassifikation, Clustering) und eines von PyTorch (empfohlen für die Forschung) oder TensorFlow. Pet-Projekte, die gut ankommen: ein durchgängiges ML-Projekt mit Deployment in die Produktion (nicht nur ein Jupyter-Notebook), 1–2 Kaggle-Wettbewerbe mit Silbermedaille oder besser, Beiträge zu Open-Source-ML-Bibliotheken. Auf Middle-Level MLOps (MLflow, Airflow) und eine Cloud (AWS SageMaker oder GCP Vertex AI) ergänzen. Auf Senior-Level — tiefes Verständnis von verteiltem Training, Model Serving und A/B-Tests in der Produktion.
Wie viele offene Stellen gibt es in der GUS und Europa für ML/AI?
As of the latest data refresh, the Zorky sample contains 12915 active open AI/ML/DS positions across CIS and Eastern Europe. These are postings published in the last 90 days — companies actually hiring. Geography is distributed; the leaders are US, GB, DE. Data is collected from 105 job boards and 16 669 company career sites: Telegram channels (an exclusive stream for AI startups and niche LLM positions), specialised job sites (HH, Habr Career, Djinni, DOU, NoFluffJobs, JustJoin.it, Pracuj.pl), and career pages of fintech and AI teams. Seasonality: ML/AI demand grows non-linearly — an explosive rise since 2023 after ChatGPT, continuing in 2026 with releases of Claude, Gemini, Llama.
Wo verdienen ML-Engineers mehr — in Russland oder in Europa?
Der Haupttreiber des Abstands sind Vertragswährung und Unternehmenstyp. Lokale russische Unternehmen mit Rubelverträgen haben den Abstand zum polnischen Markt in 2 Jahren geschlossen. Georgien und Armenien ziehen viele umgesiedelte Remote-Mitarbeiter mit internationaler Bezahlung an.
Welche Fähigkeiten braucht ein Senior-ML-Engineer 2026?
Ein Senior ML/AI Engineer verantwortet den gesamten Stack des produktiven ML. Grundlage: Python (fortgeschritten), Statistik und lineare Algebra, SQL, pandas, NumPy. Deep Learning: PyTorch oder TensorFlow (eines in der Tiefe). Produktion: MLflow oder Weights & Biases (Experimente), Airflow oder Kubeflow (Pipelines), ein Cloud-ML-Dienst (SageMaker, Vertex AI). Architekturmuster: Model Serving (Triton, TorchServe), A/B-Tests in der Produktion, verteiltes Training, Versionierung von Modellen.
Anfrage hinterlassen
Beschreiben Sie die Aufgabe und hinterlassen Sie einen Kontakt — die Anfrage geht in unser CRM, und wir antworten über den angegebenen Kontakt.