Zapošljavanje inženjera za velike jezične modele

Tržište zapošljavanja inženjera za velike jezične modele (LLM) odražava trajnu promjenu u globalnom tehnološkom sektoru, prelazeći s eksperimentalne generativne umjetne inteligencije na industrijaliziranu, agentsku primjenu. U Hrvatskoj, gdje se nacionalno zakonodavstvo aktivno usklađuje s Aktom o umjetnoj inteligenciji Europske unije čija puna primjena počinje u kolovozu 2026. godine, potražnja za visoko specijaliziranim inženjerima dosegnula je kritičnu točku. Za stručnjake u potrazi za izvršnim kadrovima, ovo zahtijeva duboko razumijevanje sjecišta lingvističkog zaključivanja, distribuiranih sustava i strogih regulatornih okvira. Organizacije više ne traže izolirane demonstracije; zahtijevaju produkcijsku, strogo kontroliranu infrastrukturu koja donosi mjerljiv povrat investicije, što iz temelja mijenja strategije akvizicije talenata.

Prema trenutnim tržišnim standardima, inženjer za velike jezične modele postao je iznimno tražen arhitektonski profil unutar šire tehnološke hijerarhije. U praksi, to je specijalizirani softverski inženjer zadužen za dizajniranje, optimizaciju i održavanje sofisticiranih aplikacija koje koriste masovne temeljne modele za složeno lingvističko zaključivanje i autonomno planiranje zadataka. Dok je prethodno desetljeće obilježio tradicionalni inženjer strojnog učenja fokusiran na prediktivne modele za detekciju prijevara ili algoritamske preporuke, današnji pejzaž zahtijeva stručnjake za preciznu orkestraciju lingvističke inteligencije. Njihov je primarni zadatak transformirati sirove, nedeterminističke temeljne modele u determinističke, pouzdane poslovne alate koji funkcioniraju unutar strogih korporativnih parametara.

Unutar moderne korporacije, ovaj stručnjak preuzima apsolutnu odgovornost za sloj zaključivanja u internom tehnološkom stogu. To uključuje razvoj i sigurno skaliranje cjevovoda za generiranje prošireno pretraživanjem (RAG), koji povezuju vanjske velike jezične modele izravno s vlasničkim, sigurno izoliranim korporativnim podacima. Nadalje, odgovorni su za složenu disciplinu inženjeringa konteksta. Kako moderni modeli imaju sve veće prozore konteksta, inženjerski izazov prešao je s pukog umetanja podataka u prompt na pomno filtriranje najrelevantnijih internih informacija kako bi se minimizirala latencija i eliminirale halucinacije. Često predvode orkestraciju agentske umjetne inteligencije, gradeći višeagentske okvire u kojima specijalizirani modeli surađuju kako bi automatizirali složene zadatke, poput pregleda pravne dokumentacije ili optimizacije opskrbnog lanca, bez izravne ljudske intervencije.

Ne-tehnički menadžeri i odjeli ljudskih resursa – od kojih u Hrvatskoj, prema recentnim istraživanjima, čak 73 posto nema adekvatno znanje o umjetnoj inteligenciji – često miješaju ovu ulogu s tradicionalnim inženjerima strojnog učenja ili općim inženjerima generativne AI. Međutim, tehnički teret se znatno razlikuje. Tradicionalni stručnjak za strojno učenje radi sa strukturiranim, numeričkim podacima. Nasuprot tome, stručnjak za LLM navigira nepredvidivim svijetom nestrukturiranih lingvističkih podataka. Za razliku od općih inženjera generativne AI koji pokrivaju multimodalne izlaze poput slika i zvuka, ovaj je arhitekt hiper-fokusiran na mehaniku temeljnog jezika, naprednu tokenizaciju i hiper-dimenzionalno semantičko pretraživanje.

Organizacijska struktura oko ovih stručnjaka brzo je evoluirala. Izašli su iz općih timova za znanost o podacima u posvećene jedinice za AI inženjering. U startup okruženju, ova uloga obično odgovara izravno tehničkom direktoru (CTO). U zrelim korporativnim okruženjima, poput vodećih hrvatskih telekomunikacijskih i financijskih institucija, ovi inženjeri funkcionalno odgovaraju voditelju za umjetnu inteligenciju ili glavnom direktoru za AI (Chief AI Officer). Njihov opseg rada zahtijeva kontinuiranu suradnju s prompt inženjerima, podatkovnim inženjerima koji grade integracijske cjevovode te stručnjacima za ML operacije (MLOps) koji upravljaju automatiziranim nadzorom produkcije.

Globalni i lokalni porast zapošljavanja potaknut je jazom odgovornosti. Iako 70 posto hrvatskih poduzeća prepoznaje AI kao konkurentsku prednost, samo 13 posto ima definiranu strategiju. Većina organizacija ima višak eksperimentalnih pilota, ali ozbiljan deficit pouzdanih, automatiziranih sustava. Organizacije angažiraju specijalizirane tvrtke za potragu za izvršnim kadrovima kako bi osigurale elitne inženjere sposobne transformirati prototipove u skalabilnu, revidiranu infrastrukturu koja dramatično smanjuje operativne troškove kroz pouzdano sustavno zaključivanje.

Nekoliko komercijalnih okidača diktira hitnost ovih zapošljavanja. Upravljanje halucinacijama u visoko reguliranim sektorima, poput zdravstva i financijskih usluga, primarni je pokretač. Tvrtke moraju izgraditi robusne zaštitne slojeve koji osiguravaju činjeničnu utemeljenost i apsolutnu usklađenost s regulativama. Istodobno, prelazak na autonomne agentske radne tokove zahtijeva vještine orkestracije koje tradicionalni backend inženjeri nemaju. Nadalje, prijetnja umjetne inteligencije u sjeni (shadow AI) – s obzirom na to da preko 60 posto građana koristi alate poput ChatGPT-a, često izvan korporativne kontrole – prisiljava organizacije na izgradnju internih, suverenih okruženja koja štite vlasničke podatke od curenja.

Tehnološki stog kojim ovi inženjeri moraju ovladati iznimno je složen i podložan brzim promjenama. Temeljno poznavanje okvira kao što su LangChain i LlamaIndex postalo je industrijski standard za izgradnju aplikacija temeljenih na velikim jezičnim modelima. Ovi alati omogućuju apstrakciju složenih integracija, ali zahtijevaju inženjera koji razumije njihovu unutarnju mehaniku kako bi izbjegao uska grla u performansama. Pored toga, stručnost u radu s vektorskim bazama podataka – poput Pinecone, Weaviate ili Milvus – ključna je za učinkovito pohranjivanje i pretraživanje visokodimenzionalnih semantičkih ugrađivanja (embeddings), što čini okosnicu svakog ozbiljnog RAG sustava.

Iako mnoge organizacije započinju s gotovim modelima putem API-ja, zrele korporacije brzo prelaze na prilagođavanje modela otvorenog koda (poput Llama 3 ili Mistral) vlastitim specifičnim domenama. Ovdje do izražaja dolazi stručnost u tehnikama parametarski učinkovitog finog podešavanja (PEFT), posebice LoRA (Low-Rank Adaptation) i QLoRA. LLM inženjer mora znati kako ekonomično prilagoditi model s milijardama parametara koristeći ograničene računalne resurse, a pritom zadržati ili čak poboljšati njegove performanse na specifičnim korporativnim zadacima. Ovo zahtijeva duboko razumijevanje upravljanja GPU memorijom i optimizacije distribuiranog treniranja.

Evaluacija sustava temeljenih na velikim jezičnim modelima predstavlja jedan od najvećih izazova u industriji, a upravo tu vrhunski inženjeri dokazuju svoju vrijednost. Za razliku od tradicionalnog softvera gdje su testovi deterministički (prolaz/pad), izlazi LLM-a su probabilistički. Stoga inženjeri moraju implementirati napredne okvire za evaluaciju, poput RAGAS-a ili TruLens-a, koji koriste druge jezične modele kao suce (LLM-as-a-judge) za ocjenjivanje relevantnosti, vjernosti i točnosti generiranih odgovora. Kontinuirano praćenje ovih metrika u produkciji (LLMOps) neophodno je za detekciju degradacije modela i osiguravanje dugoročne pouzdanosti.

Optimalna obrazovna pozadina predstavlja spoj akademske strogosti i brzog tehničkog usavršavanja. Magisterij ili doktorat iz računarstva na institucijama poput Fakulteta elektrotehnike i računarstva (FER) u Zagrebu ili FESB-a u Splitu ostaje konvencionalni ulazni put. Akademski programi fokusirani na obradu prirodnog jezika pružaju nezamjenjivo razumijevanje transformatorskih arhitektura i matematike tokenizacije, što je ključno za rješavanje problema u produkcijskim okruženjima.

Ipak, najučinkovitiji inženjeri često su iskusni backend softverski inženjeri koji su sustavno ovladali modernim AI stogom. Ovi elitni kandidati dokazuju svoje sposobnosti kroz implementaciju RAG aplikacija otvorenog koda ili uspješno isporučene komercijalne proizvode. Intenzivni tehnički certifikati velikih globalnih pružatelja infrastrukture, s fokusom na agentsku orkestraciju, dodatno potvrđuju njihov uspješan prijelaz iz tradicionalnog softverskog inženjeringa u specijaliziranu orkestraciju modela.

Geografska koncentracija ovog talenta izrazito je specifična. Dok globalno dominiraju San Francisco i London, u Hrvatskoj Zagreb predstavlja apsolutno dominantno središte zapošljavanja, okupljajući sjedišta najvećih ICT tvrtki, banaka i državnih institucija. Split bilježi rastući značaj, posebice u integraciji AI rješenja u optimizaciju procesa, dok se Rijeka i Osijek razvijaju kao regionalni ICT hubovi. Na europskoj razini, usklađenost sa strogim zakonima o lokalizaciji podataka i privatnosti građana postaje apsolutni operativni imperativ, što dodatno naglašava važnost lokalnih stručnjaka.

Osim formalnog obrazovanja, specijalizirani certifikati postali su ključni tržišni signali za razlikovanje teoretičara od inženjera spremnih za produkciju. Elitne vjerodajnice koje potvrđuju sposobnost izgradnje višeagentskih sustava smatraju se zlatnim standardom. Nadalje, viši korporativni arhitekti moraju posjedovati duboko razumijevanje međunarodnih standarda upravljanja i regionalnih zakona kako bi osigurali da njihovi sustavi ostanu pravno certificirani i usklađeni s nadolazećim digitalnim zakonodavstvom.

Razvoj karijere nudi dvije lukrativne putanje. Put individualnog doprinositelja vodi do uloge glavnog arhitekta koji donosi kritične odluke o hardverskoj učinkovitosti i orkestraciji sustava. S druge strane, put izvršnog vodstva fokusira se na organizacijsku strategiju i kulminira pozicijom Chief AI Officer-a, odgovornog za izračun povrata investicije, strateško regulatorno izvještavanje i upravljanje tehnološkim rizicima.

Ono što odvaja elitne talente je dokazana sposobnost prelaska iz prototipiranja u zajamčenu produkcijsku pouzdanost. Vrhunski profesionalac ne koristi samo standardni API; on dizajnira složene povratne petlje za samoispravljanje gdje sekundarni modeli revidiraju izlaze primarnih modela. Oni prakticiraju razvoj vođen evaluacijom i posjeduju rijetku poslovnu fluentnost potrebnu za prevođenje složenih tehnoloških ograničenja ne-tehničkim dionicima.

Pejzaž poslodavaca obuhvaća različite segmente. Agilni AI startupi traže svestrane full-stack stručnjake za brzi razvoj novih proizvoda. S druge strane, masovne tradicionalne korporacije, uključujući vodeće hrvatske banke i farmaceutske tvrtke, fokusiraju se na sigurnu industrijalizaciju automatizirane umjetne inteligencije. Ovi poslodavci prioritet daju kandidatima s rigoroznim načinom razmišljanja o digitalnoj sigurnosti i sposobnošću redizajniranja naslijeđenih poslovnih procesa.

Uloga se često presijeca s kibernetičkom sigurnošću. Stručnjaci za AI sigurnost fokusiraju se na obranu od naprednih vektora napada i osiguravanje lanca opskrbe kodom. U specifičnim sektorima, inženjeri za pravnu tehnologiju fino podešavaju modele oslanjajući se na korporativne ugovore, dok klinički AI inženjeri orkestriraju medicinske zapise pod strogim zdravstvenim regulativama. Ova ekspanzija naglašava da LLM inženjering više nije izolirana disciplina, već temelj buduće korporativne tehnologije.

Iz perspektive potrage za izvršnim kadrovima (executive search), procjena ovih kandidata zahtijeva potpuno novi metodološki pristup. Tradicionalni intervjui temeljeni na algoritamskim zadacima često ne uspijevaju otkriti stvarnu sposobnost kandidata da dizajnira robusne AI sustave. Umjesto toga, vodeće agencije za zapošljavanje fokusiraju se na dubinsku analizu kandidatovog portfelja, doprinosa projektima otvorenog koda i sposobnosti rješavanja arhitektonskih problema u stvarnom vremenu. Procjenjuje se njihova sposobnost donošenja kompromisnih odluka između latencije, troškova inferencije i točnosti modela – trijade koja definira komercijalni uspjeh svakog AI projekta.

Konačno, kulturološko uklapanje (cultural fit) igra presudnu ulogu, posebno kada se ovi stručnjaci integriraju u tradicionalne industrije koje prolaze kroz digitalnu transformaciju. LLM inženjer često mora djelovati kao interni evangelist, educirajući dionike o stvarnim mogućnostima i ograničenjima umjetne inteligencije, čime se suzbija nerealna očekivanja stvorena medijskim hypeom. Njihova sposobnost da premoste jaz između najsuvremenijih istraživanja u području umjetne inteligencije i pragmatičnih poslovnih potreba čini ih ne samo tehničkim stručnjacima, već i ključnim strateškim partnerima u oblikovanju budućnosti organizacije.

Prilikom angažiranja tvrtke za potragu za izvršnim kadrovima, organizacije moraju prepoznati ekstremni nedostatak talenata – 73 posto hrvatskih poslodavaca već prijavljuje poteškoće pri zapošljavanju. Iako prosječne bruto plaće iskusnih inženjera u Zagrebu iznose između 2.000 i 4.000 eura mjesečno, vodeći arhitektonski stručnjaci u međunarodnim sustavima ostvaruju znatno više. Izvršni paketi uključuju visoku osnovicu, bonuse za učinak te dioničke opcije koje su ključne za privlačenje talenata. Uspješno navigiranje ovim tržištem zahtijeva partnera s dubokim tehničkim razumijevanjem i preciznim uvidom u komercijalne mandate koji pokreću automatiziranu budućnost.