הכניסה המואצת של AI למערכות ליבה, מוצרי תוכנה ותהליכים ארגוניים יצרה בשנים האחרונות מגוון רחב של תפקידי AI. למרות שטייטלים כמו AI Engineer, GenAI Engineer או Machine Learning Engineer נשמעים דומים, בפועל מדובר בתפקידים שונים מאוד — בעומק הטכנולוגי, באחריות, ובאופן שבו AI משתלב ביום־יום של העבודה.
הפער הזה הוא גם הסיבה לכך שמפת תפקידי ה-AI בישראל נראית לעיתים מבלבלת: אותם שמות תפקידים חוזרים על עצמם, אבל התוכן בפועל משתנה משמעותית בין ארגון לארגון.
כדי להבין מה באמת עומד מאחורי כל אחד מהטייטלים האלה, צריך לעשות סדר בין התפקידים, להסתכל על העבודה בפועל, להבין במה הם שונים זה מזה ואילו יכולות רלוונטיות נדרשות בכל אחד מהם.
AI Engineer – הטמעה ועבודה בפרודקשן
AI Engineer הוא תפקיד שממוקד ביישום ובהטמעה. מדובר בעבודה על מערכות שפועלות בפרודקשן ומשרתות משתמשים אמיתיים, ולא בפיתוח ניסיוני או מחקרי.
בפועל, AI Engineer אחראי לחבר מודלים קיימים — כולל מודלים גנרטיביים — למערכות קיימות בארגון. העבודה כוללת חיבור ל-APIs, עבודה עם תשתיות ענן ו-pipelines, והתאמה של פתרונות AI לדרישות של ביצועים, יציבות וסקייל. חלק משמעותי מהעשייה הוא טיפול במצבים אמיתיים: עומסים, שגיאות, שינויים בנתונים והתנהגות לא צפויה של מודלים. ברוב המקרים מדובר באנשי Backend או Full Stack מנוסים, שה-AI משתלב בעשייה שלהם כהרחבה טבעית ולא כעולם נפרד. לכן, כשבוחנים משרות AI תחת הטייטל הזה, חשוב להבין מה באמת נדרש ביום-יום.
GenAI Engineer – כשמודלים גנרטיביים הופכים לחלק מהמוצר
GenAI Engineer הוא תפקיד שנולד עם השימוש הרחב ב-LLMs. זה לא תפקיד שמתמקד ב“לדבר עם מודל”, אלא בבניית פתרונות גנרטיביים כחלק אינטגרלי ממוצר או תהליך עסקי.
ביום־יום, העבודה כוללת תכנון זרימות עבודה חכמות, חיבור בין המודל למשתמשים ולנתונים, ועבודה עם רכיבים כמו RAG ו-Agents. מעבר לפיתוח עצמו, יש כאן חשיבה מתמשכת על איכות הפלטים, חוויית המשתמש, והאיזון בין עלויות, ביצועים וסקייל. זה תפקיד שמחייב שיתוף פעולה הדוק עם צוותי Product ו-UX, ולא עוסק רק בקוד.
Machine Learning Engineer – מודלים, דאטה ודיוק
Machine Learning Engineer הוא תפקיד עם פוקוס שונה לחלוטין. כאן הדגש הוא על המודל עצמו: איך מאמנים אותו, איך מודדים אותו ואיך משפרים אותו לאורך זמן. העבודה כוללת פיתוח ואימון מודלים, עבודה עם דאטה מורכב, בניית תהליכי אימון וולידציה, וטיפול בבעיות כמו drift או ירידה בביצועים. זה תפקיד עם עומק אלגוריתמי וסטטיסטי גבוה, ולעיתים פחות חיבור ישיר לפיצ’ר מוצרי.
Data Scientist עם רכיב AI – תפקיד משולב
בהרבה ארגונים, Data Scientist עובד היום גם עם AI כחלק מהתפקיד. לרוב מדובר בניסויים, PoC, אנליזה מתקדמת ופיתוח ראשוני של מודלים. לעיתים זה שלב מקדים לפני הטמעה מלאה בפרודקשן, ולעיתים זה חלק קבוע מהעשייה. זה לא תמיד תפקיד AI “טהור”, אבל כן תפקיד שבו הבינה המלאכותית היא חלק משמעותי מהיום-יום.
למה קל להתבלבל בין תפקידי AI
הבלבול נובע מכך שהטייטלים דומים, אבל התוכן שונה. אותו שם תפקיד יכול לייצג אחריות אחרת לגמרי — בהתאם לבשלות הטכנולוגית של הארגון, לאופי המוצר ולשלב שבו ה-AI משולב בו. כשמסתכלים על משרות AI שמתפרסמות בשוק, ולעיתים גם תחת כותרות כלליות כמו "דרושים AI”, קל לראות כיצד אותו טייטל משמש לתפקידים שונים מאוד בפועל. לכן ההבחנה בין התפקידים חשובה כדי להבין:
- איפה ה-AI משתלב בפועל
- מה רמת העומק הטכנולוגי
- ואיך נראה היום-יום של כל תפקיד
שכר בתפקידי AI – למה אין מספר אחד
שאלה שחוזרת הרבה סביב תפקידי AI היא שאלת השכר. בפועל, אין טווח אחד קבוע. השכר מושפע מסוג התפקיד, מרמת הניסיון בעבודה על מערכות חיות, ומהמורכבות והאחריות שנלוות אליו. שני תפקידים עם שם דומה יכולים להיות מתומחרים אחרת לגמרי. זו אחת הסיבות שבתחומים של גיוס AI ו-השמה AI נדרשת הבנה עמוקה של תוכן התפקיד — ולא רק של הטייטל.
כדי להמחיש איך משרות AI נראות בפועל, הנה דוגמאות לתפקידים שקיימים כיום בשוק:
מפתח/ת אלגוריתמים בתחום עיבוד אות עבור ארגון ביטחוני באזור הדרום
ארגון ביטחוני באזור הדרום מגייס מפתח/ת אלגוריתמים בתחום עיבוד אות.
התפקיד כולל: עבודה עם פיתוח אלגוריתמים בתחום עיבוד אותות, ניתוח ועיבוד נתוני מכ"ם, שימוש בכלים מתקדמים ועוד.
דרישות המשרה:
- שנתיים ניסיון בפיתוח אלגוריתמים לעיבוד אותות
- ניסיון בעבודה עם MATLAB
- ניסיון בעבודה עם מערכות מכ"ם וידע בתחומי AI
- תואר ראשון בהנדסת חשמל / פיזיקה / אלקטרואופטיקה / מתמטיקה
- ידע ב-Python - יתרון
לחצו כאן לפרטים נוספים על המשרה.
AI Engineering Tech Lead עבור חברה פיננסית באיזור השפלה
חברה פיננסית באזור השפלה מגייסת AI Engineering Tech Lead
התפקיד כולל: עבודה עם מערכות AI ו-GenAI מקצה לקצה, תכנון ויישום ארכיטקטורות RAG, פיתוח Backend וחשיפת שירותי AI למערכות פנימיות, הקמת Pipelines לנתונים ולמודלים, פיתוח ממשקי API ומערכות Microservices, תכנון ארכיטקטוני, ועבודה שוטפת עם מערכות LLM ו-Agents בשיתוף פעולה עם צוותי דאטה, רגולציה, סייבר וטכנולוגיה ועוד.
דרישות המשרה:
- 5 שנות ניסיון בפיתוח בשפות Python ו-JavaScript
- ניסיון בפיתוח מערכות AI/ML כולל עבודה עם LLMs
- ניסיון בעבודה עם Agents Frameworks כגון: LangChain / CrewAI
- ניסיון בפיתוח מערכות Backend מורכבות ו-API / Microservices
- היכרות עם RAG, Embeddings ו-Vector DBs
לחצו כאן לפרטים נוספים על המשרה.
תוכניתן AI עבור חברת סטארטאפ באזור המרכז
חברת סטארטאפ באזור המרכז מגייסת תוכניתן/ית AI לעבודה במודל היברידי
התפקיד כולל: פיתוח סוכני AI סקיילביליים בטכנולוגיות OpenAI, בניית מערכות Web Scraping להפקת מאגרי מידע, ביצוע שאילתות על דאטה באמצעות SQL ו-AWS Athena, פיתוח מערכות RAG ליצירת תשובות מבוססות הקשר, אופטימיזציה של Redis לאפליקציות בזמן אמת ועוד.
דרישות המשרה:
- 3 שנות ניסיון בפיתוח מערכות AI/ML ב-Python
- ניסיון Hands-on עם Redis, Web Scraping ו-SQL
- שליטה ב-APIs של LLMs (כגון: OpenAI, Anthropic) ובבניית Conversational Agents
- ניסיון ב-FastAPI, Python אסינכרוני ושירותי AWS
- היכרות עם ארכיטקטורת RAG, Prompt Engineering ו-Vector Embeddings
לחצו כאן לפרטים נוספים על המשרה.
מפתח AI עבור ארגון פיננסי באיזור המרכז
ארגון פיננסי באזור המרכז מגייס מפתח/ת AI+ML
התפקיד כולל: עבודה עם צוותי Data Science לפיתוח והטמעה של פתרונות Machine Learning ו-AI מקצה לקצה בסביבת Production, שילוב מודלים בתשתיות ארגוניות, בניית שירותי API ב-FastAPI, פיתוח חבילות פנימיות, תהליכי Batch ו-Online, עבודה שוטפת עם Docker, Kubernetes, CI/CD, שמירה על איכות קוד ואוטומציה, תוך הסתכלות תשתיתית רחבה ועוד.
דרישות המשרה:
- 6 שנות ניסיון בפיתוח ב-Python כולל בנייה ותחזוקה של ספריות
- ניסיון עם Docker, Kubernetes, Git וכלי CI/CD
- ניסיון עם עולמות Machine Learning והטמעת מודלים ל-Production
- ניסיון עם שירותי Cloud ,AI APIs ועם Kafka / מערכות Messaging – יתרון
לחצו כאן לפרטים נוספים על המשרה.
שאלות נפוצות על תפקידי AI
האם כל תפקיד AI כולל עבודה עם מודלים?
לא. בחלק מהתפקידים עובדים עם מודלים קיימים ומטמיעים אותם במערכות, ובאחרים מפתחים ומאמנים מודלים.
מה ההבדל המרכזי בין AI Engineer ל-GenAI Engineer?
AI Engineer מתמקד בהטמעה ויציבות בפרודקשן, בעוד GenAI Engineer עוסק בפתרונות גנרטיביים כחלק ממוצר.
האם Machine Learning Engineer חייב להיות תפקיד מחקרי?
לא בהכרח. זה תלוי בארגון ובאופן שבו המודל משתלב במוצר.
האם Data Scientist עם רכיב AI נחשב לתפקיד AI מלא?
לא תמיד. זה תפקיד משולב שבו AI הוא חלק מהעבודה, אך לא בהכרח המרכז שלה.
איך להבין אם תפקיד AI מתאים לי?
להסתכל מעבר לטייטל, להבין מה עושים ביום-יום, ואילו טכנולוגיות ואחריות מעורבות בתפקיד.
לסיכום
AI לא בא לידי ביטוי בתפקיד אחד מוגדר, אלא מתפרס על פני מגוון רחב של תפקידים שונים. מי שמבין את ההבדלים ביניהם מבין טוב יותר את התחום, את המשמעות האמיתית של כל טייטל, ואת האופן שבו עולם תפקידי ה-AI בישראל ממשיך להתעצב. בעולם שמשתנה בקצב מהיר, גם התפקידים עצמם — ושוק התעסוקה סביבם — ממשיכים להשתנות ולהגדיר את עצמם מחדש.
