Кейс
ML Engineers и Python Developers для нового AI-подразделения: команда из 6 сеньоров за 5 месяцев
Разделили «невозможную» роль ML + Python на два профиля и за 5 месяцев наняли команду из 6 сеньорных инженеров
Международная компания в сфере enterprise automation создавала собственное ML-подразделение и искала инженеров, которые умеют не только построить AI-агента, но и внедрить и поддерживать его в продакшене. Найти команду людей, совмещающих сильный ML и высоконагруженный Python, в сжатые сроки было нереально, поэтому NEWHR разделили роль на два профиля. За 5 месяцев наняли команду из 6 сеньорных инженеров: 4 Python Developers и 2 ML Engineers.
Запрос и ограничения
Летом 2025 года к NEWHR обратился давний клиент — один из лидеров в сфере enterprise automation: компания интегрирует системы и автоматизирует процессы с помощью AI, обслуживает 17 000+ корпоративных клиентов по всему миру. В ней 1000+ сотрудников, локация — США. Поиск шёл с августа по декабрь 2025 года.
Клиент создавал собственное ML-подразделение. Нужны были разработчики, которые понимают, как внедрить AI-агента в продакшен и поддерживать его, не нарушив общую инфраструктуру продукта. Изначально клиент искал сильных ML/AI Engineers с бэкграундом в высоконагруженных backend-сервисах и отличным знанием Python. На первом брифе клиент сформулировал запрос честно: «Мы не знаем, кто это должен быть: backend-разработчики или ML-щики, — нужны люди, которые в состоянии решить нашу задачу».
- Профильное образование: один из этапов отбора у клиента — сложная алгоритмическая секция
- Стаж 7+ лет и умение закрыть весь цикл разработки
- Опыт в больших компаниях и при этом понимание специфики стартапов
- Нахождение в стране, где есть офисы компании, или готовность к релокации: работать можно только из офиса
- Знание других языков, кроме Python
Опыт больших компаний был нужен, потому что клиенты заказчика — крупные enterprise-организации и банки. А понимание стартапов — потому что команду собирали для полностью нового направления: людям нужно быть готовыми к резким изменениям и высокой скорости разработки.
«Python это язык, на котором не всегда пишут высоконагруженные сервисы. Чаще на нём пишут прототипы, а затем переходят на другие, например, Go, C++ или Java. Поэтому мы сразу искали кандидатов, у которых есть опыт кодинга на нескольких языках».
Юлия Доброва, Head of Tech Recruitment NEWHR
Почему было сложно
Сжатые сроки
Новые сотрудники нужны были клиенту быстро.
Редкая комбинация навыков
Сильный ML, высоконагруженный backend и отличный Python в одном человеке встречаются редко.
Нужна целая команда
Найти одного-двух уникальных специалистов легче, чем быстро собрать целую команду таких людей.
Как искали
Поиск вела Юлия Доброва, Head of Tech Recruitment NEWHR.
Прежде чем искать, проверили, хватит ли на рынке нужных кандидатов
Подходов было два: искать редких специалистов с очень специфическим опытом, как изначально планировал клиент, или разделить требования на две роли, которые работают в тесной связке. Найти по отдельности сильных Python Developers и сильных ML Engineers в сжатые сроки реальнее. Юлия решила проверить обе гипотезы.
«Новые сотрудники нужны были клиенту в сжатые сроки, а на то, чтобы нанять команду людей, которые идеально впишутся в профиль „ML+Python“, могло уйти слишком много времени. Поэтому я решила не бросаться сразу искать кандидатов, а для начала убедиться, что их на рынке достаточно».
Юлия Доброва, Head of Tech Recruitment NEWHR
Анализ рынка подтвердил опасения: поиск идеальных кандидатов занял бы слишком много времени, без гарантии успеха.
Разделили одну роль на два профиля
На следующей встрече Юлия предложила клиенту разделить вакансию на два профиля:
ML Engineers с хорошей технической базой
Выросли из Data Scientists и знают, как выстраивать агентную архитектуру.
Python Developers с опытом работы в AI-продуктах
Понимают цикл построения ML-моделей и могут предсказать, какие сложности возможны на этапе продакшена.
Клиент взвесил аргументы и согласился. В этот момент к поиску подключилась Анастасия Еременко, Senior IT Recruiter направления Data Science и Data Analytics: она взяла на себя поиск ML Engineers.
Искали Python-разработчиков по компаниям, а не по ключевым словам в профиле
Основным источником был LinkedIn. Юлия вела поиск по двум стратегиям:
- искала «идеальных» кандидатов, которые уже работали над AI-агентами и внедряли готовые модели в продакшен;
- искала сильных Python или Backend Developers из компаний, чей продукт связан с LLM или ML.
Во втором случае на скрининге Юлия выясняла, насколько кандидат был вовлечён в работу с AI: понимает ли он весь цикл разработки AI-продукта, может ли заранее продумать взаимодействие своего кода с ML-частью, видит ли ограничения и возможные проблемы AI-агентов.
«До сих пор далеко не все программисты указывают в LinkedIn, что работали над продуктами, связанными с AI. Или — что тоже часто бывает — просто нерегулярно обновляют свой профиль. Это значит, что их трудно обнаружить стандартным поиском по ключевым словам, поэтому я ориентировалась на компании.
Один из лучших спецов, кстати, был именно таким: у него вообще ничего не было прописано, даже стэк. Я только по перечню компаний увидела, что он точно работал над хорошим продуктом. При первом касании выяснилось, что на текущем месте кандидат действительно решал сложные задачи, связанные с ML. В профиле о них не было ни слова!»
Юлия Доброва, Head of Tech Recruitment NEWHR
Этот путь дольше, но он себя оправдал: 5 из 9 кандидатов, представленных клиенту, Юлия нашла именно так.
Кого отсеивали и что проверяли на интервью
На самом старте Юлия исключила Python Developers, которые вообще не работали с AI/ML. Роль Python AI Developer выглядит привлекательно, и многие хотят в неё перейти, но клиенту нужны были разработчики с реальным опытом AI/ML-задач, а не с теоретическими знаниями.
На интервью Юлия проверяла, насколько сложные задачи решали оставшиеся кандидаты.
«Мне важно было понять бэкграунд кандидата — насколько сложные проекты он разрабатывал, участвовал ли в принятии архитектурных решений, была ли у него возможность выступать оунером продукта или его части».
Юлия Доброва, Head of Tech Recruitment NEWHR
Воронка
Python Developers
| Этап | Кандидатов | Конверсия от предыдущего этапа | Конверсия от старта |
|---|---|---|---|
| Первый поиск | 211 | — | 100% |
| Интервью агентства | 30 | 14,2% | 14,2% |
| Резюме отправлены клиенту | 9 | 30% | 4,3% |
| Собеседования в компании | 8 | 88,9% | 3,8% |
| Офферы | 4 | 50% | 1,9% |
| Выход на работу | 4 | 100% | 1,9% |
ML Engineers
| Этап | Кандидатов | Конверсия от предыдущего этапа | Конверсия от старта |
|---|---|---|---|
| Первый поиск | 130 | — | 100% |
| Интервью агентства | 18 | 13,8% | 13,8% |
| Резюме отправлены клиенту | 7 | 38,9% | 5,4% |
| Собеседования в компании | 7 | 100% | 5,4% |
| Офферы | 2 | 28,6% | 1,5% |
| Выход на работу | 2 | 100% | 1,5% |
Результат
8 из 9 Python-разработчиков, которых NEWHR представили клиенту, получили приглашение на интервью, 4 вышли на работу и стали костяком новой команды. Анастасия представила клиенту 7 ML Engineers, двое из них получили оффер и вышли на работу.
Итог — сеньорная команда из 6 человек для нового ML-направления меньше чем за полгода.