IA / ML / Data Science: mercado
IA / ML / Data Science é uma família de cargos: ML Engineer (modelos e pipelines em produção), Data Scientist (análise estatística, testes A/B, modelos de ML), AI Engineer (aplicações de LLM, RAG, GenAI), MLOps (infraestrutura de ML), engenheiros de Visão Computacional e NLP. O stack central é Python, PyTorch, TensorFlow, scikit-learn, pandas, NumPy, Jupyter, MLflow, Kubeflow, HuggingFace Transformers, LangChain, OpenAI API, bancos de dados vetoriais (Pinecone, Weaviate, Qdrant). As tecnologias mais procuradas — python, cloud, sql, llm, pytorch. 27% das vagas são remotas. Os dados são atualizados diariamente.
O mercado de IA / ML / Data Science tem agora 10.721 vagas abertas, 10.064 delas observadas recentemente. Median salary $11.979/mo.
27% das vagas de IA/ML são totalmente remotas; o restante é híbrido ou presencial. Bancos exigem híbrido com mais frequência por compliance; em times internacionais de IA, o totalmente remoto é o padrão.
⚠ salário conhecido para 884 de 10721 vagas; participação de remoto a partir de 9069 com formato informado; 10064 contadas como observações recentes; tendência e dificuldade de contratação não são mostradas
Timeline: postings and sources
How many IA / 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 IA / 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 IA / 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 IA / 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 IA / 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.
Demanda e oferta observada
| Demanda aberta | 10.721 |
| Oferta observada | — não publicado |
Nas últimas semanas, a direção de IA/ML cresceu de forma não linear — a alta explosiva da demanda desde os lançamentos de ChatGPT, Claude, Gemini em 2023–2025 continua em 2026. Flutuações são normais; observe a tendência geral.
⚠ candidatos compatíveis com uma vaga ainda não são contados: são mostrados a demanda e o pool observado
Distribuição de salários
Um em cada dez ganha menos de $4.750, um em cada dez mais de $20.233. Metade do mercado fica entre $7.455 e $16.218. Amostra: 884.
Geografia da demanda
| país | vagas |
|---|---|
| US | 4.228 |
| GB | 971 |
| DE | 447 |
| IN | 446 |
| SG | 408 |
| PL | 365 |
| CA | 317 |
| FR | 236 |
| HK | 168 |
| NL | 121 |
O líder pelo número de vagas de AI/ML são os EUA (4228 posições), seguidos pelos principais hubs de TI da CEI e do Leste Europeu. Importante: esta é a distribuição pelas nossas fontes de parsing, não uma estimativa do mercado global.
⚠ apenas número de vagas: o salário por país não é publicado
Usada junto com
O principal stack de ML/AI engineer em 2026 é Python, PyTorch, TensorFlow, scikit-learn, pandas. PyTorch domina em pesquisa e em startups de IA; TensorFlow é uma escolha enterprise sólida. HuggingFace Transformers e LangChain são must-have para o AI Engineer.
Os pares de tecnologia mais comuns nas vagas de AI/ML: Python+PyTorch, Python+TensorFlow, scikit-learn+pandas, HuggingFace+LangChain, MLflow+Airflow. Se você está planejando um roteiro de aprendizado, essas combinações maximizam a cobertura do mercado.
Demanda por nível
| nível | vagas |
|---|---|
| senior | 3.004 |
| principal | 1.136 |
| lead | 896 |
| junior | 648 |
| middle | 240 |
O maior crescimento de pagamento é entre Middle e Senior (adquirindo ML em produção e MLOps).
⚠ apenas o lado da demanda: a senioridade do pool observado é desconhecida na maior parte
Empregadores
A demanda está distribuída entre 4.296 empregadores. O maior responde por 1.7%, os dez primeiros por 8.7%; os 91.3% restantes são cauda longa.
| proporção | valor |
|---|---|
| top 1 | 1.7% |
| top 3 | 4.0% |
| top 10 | 8.7% |
| cauda longa | 91.3% |
The companies hiring ML/AI engineers most actively right now are large banks, marketplaces, search engines, and international AI startups.
⚠ os nomes não são mostrados: o classificador ainda não distingue agências de recrutamento de empregadores finais
Onde o Zorky vê este mercado
Observado em 156 fontes; a maior responde por 24.9%: este mercado não depende de um único canal.
Vagas de IA/ML aparecem na maioria das grandes fontes: parsers web (HH, Habr Career, Djinni, DOU, NoFluffJobs, JustJoin.it) fornecem o grosso do volume.
Vagas recentes
- 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
Vagas de AI/ML/DS abertas mais recentes — as 10 posições mais recentes com qualidade de descrição adequada. A lista completa está disponível no nosso CRM ou pelo link "ver todas" abaixo.
Mercados adjacentes
IA/ML/DS é a especialização de TI mais bem paga por mediana em 2026. Clique na barra de qualquer direção para comparar salários, stack e dinâmica em detalhe.
⚠ mercados adjacentes para comparação ainda não foram definidos
Como é medido
- Vaga
- uma vaga aberta que passou pelo filtro de qualidade e lista pelo menos duas tecnologias
- Candidato observado
- um candidato cujo stack contém esta tecnologia; um agregado — nenhum registro individual sai do perímetro
- Candidato compatível
- ainda não contado
- Janela
- vagas abertas no momento em que o snapshot foi gerado
Sobre os dados
- Alguns detalhamentos estão ocultos: a cobertura de dados deles ainda não é suficiente.
- As estatísticas só aparecem onde a amostra passa por um controle de qualidade.
- A ausência de um bloco não significa valor zero.
Detalhamentos ocultos no momento: 8.
Dados de 2026-10-27
Especializações
IA/ML/DS se divide em 7 subespecializações: ML Engineer (modelos em produção), AI/LLM Engineer (IA generativa), MLOps (infraestrutura de ML), Computer Vision (imagens e vídeo), NLP Engineer (texto e linguagem), Research Engineer (P&D), Data Scientist (estatística e testes A/B). Cada nicho tem sua própria faixa salarial — clique em um card para ver os detalhes.
Perguntas frequentes
As perguntas mais comuns sobre o mercado de AI/ML/DS: salários por nível, stack (PyTorch vs TensorFlow), ML Engineer vs Data Scientist vs AI Engineer, remoto, onde começar uma carreira, skills de Senior. As respostas se recalculam automaticamente a partir dos dados atuais.
Qual stack é mais exigido de um engenheiro de ML?
Top-5 tecnologias em vagas de AI/ML/DS: python, cloud, sql, llm, pytorch. Skills de base exigidas: Python (avançado), estatística e álgebra linear, ML clássico via scikit-learn. Deep Learning — um de PyTorch (dominante em pesquisa) ou TensorFlow (mais production-friendly). Trabalho com dados — pandas, NumPy, Jupyter. SQL é obrigatório. Para MLOps: MLflow, Kubeflow, Airflow, Docker, Kubernetes. Uma cloud (AWS SageMaker, GCP Vertex AI) é exigida no nível Senior.
Quem ganha mais — ML Engineer, Data Scientist ou AI Engineer?
A demanda cresce de forma explosiva desde os lançamentos do ChatGPT, Claude e Gemini. Research Engineer (P&D, papers em NeurIPS/ICML) — um teto alto em laboratórios internacionais.
Engenheiros de ML podem trabalhar remotamente?
Parcialmente: 27% das vagas de ML/IA são totalmente remotas. Bancos e fintech muitas vezes exigem híbrido por causa de compliance no trabalho com PII e dados financeiros. Marketplaces — mais frequentemente híbrido. Times de IA internacionais — quase sempre remote-friendly ou híbridos com escritório em SF/NY/Londres. Startups de IA — totalmente remoto é o padrão. O pagamento remoto é sensivelmente maior graças ao pool global de candidatos e ao segmento premium de GenAI. Existem poucas vagas remotas Júnior — o treinamento em produção exige mentoria e acesso a recursos de computação.
Em que o ML Engineer difere de Data Scientist e Data Engineer?
ML Engineer — foco em produção: projetar, treinar, implantar e monitorar modelos de ML. Stack: Python, PyTorch/TensorFlow, MLflow, Docker, Kubernetes. Próximo de um engenheiro Backend com especialização em ML. Data Scientist — foco em pesquisa: estatística, testes A/B, hipóteses, dashboards, às vezes modelos de ML. Stack: Python, scikit-learn, Jupyter, pandas, SQL, às vezes R. Data Engineer — infraestrutura de dados: pipelines de ETL, data warehouses, streams. Stack: Spark, Airflow, Kafka, ClickHouse. Em remuneração: ML Engineer e AI Engineer geralmente pagam acima de Data Scientist (mais técnicos); Data Engineer fica próximo de ML. Trajetória de carreira: Backend → ML Engineer, Analista → Data Scientist, Data Engineer ↔ ML Engineer.
Por onde começar para se tornar um engenheiro de ML em 2026?
O caminho ótimo: dominar Python (avançado), estatística e álgebra linear em nível universitário, SQL, pandas + NumPy para trabalho com dados. Depois scikit-learn (ML clássico: regressão, classificação, clusterização) e um entre PyTorch (recomendado para pesquisa) ou TensorFlow. Pet projects que ficam bem: um projeto de ML de ponta a ponta com deploy em produção (não apenas um notebook Jupyter), 1–2 competições do Kaggle com medalha de prata ou superior, contribuições para bibliotecas de ML open-source. No Middle acrescente MLOps (MLflow, Airflow), uma nuvem (AWS SageMaker ou GCP Vertex AI). No Senior — um profundo entendimento de treinamento distribuído, model serving, testes A/B em produção.
Quantas vagas de ML/AI estão abertas na CEI e na Europa?
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.
Onde os engenheiros de ML ganham mais — na Rússia ou na Europa?
O principal fator da diferença é a moeda do contrato e o tipo de empresa. As empresas locais russas em contratos de rublo fecharam a diferença para o mercado polonês ao longo de 2 anos. Geórgia e Armênia atraem muitos relocados remotos em pagamento internacional.
De quais skills um engenheiro Senior de ML precisa em 2026?
Um engenheiro de ML/IA Sênior é dono do stack completo de ML em produção. Base: Python (avançado), estatística e álgebra linear, SQL, pandas, NumPy. Deep Learning: PyTorch ou TensorFlow (um a fundo). Produção: MLflow ou Weights & Biases (experimentos), Airflow ou Kubeflow (pipelines), uma plataforma de ML em nuvem (SageMaker, Vertex AI). Padrões de arquitetura: serving de modelos (Triton, TorchServe), testes A/B em produção, treinamento distribuído, versionamento de modelos.
Deixar uma solicitação
Descreva a tarefa e deixe um contato: a solicitação chega ao nosso CRM e respondemos no contato informado.