Interested in this AI/ML Engineer role at inFakt?
Apply Now →Skills & Technologies
About This Role
Opis firmy
Od 2008 dostarczamy aplikację ułatwiającą prowadzenie firmy, kontakt z księgowymi, wystawianie faktur, dodawanie kosztów i dokonywanie płatności. Rozwijany przez nas mechanizm sztucznej inteligencji pozwala automatycznie rozpoznawać i księgować nowe dokumenty, co znacząco upraszcza pracę przedsiębiorcom, tak, aby mogli zająć się tym, co dla nich najważniejsze. Jesteśmy liderem na polskim rynku rozwiązań księgowych i należymy do norweskiej Grupy Visma.
Opis oferty pracy
Do zespołu Marketingu szukamy AI Growth Engineera
- osoby, która łączy technologię, AI i growth mindset, oraz potrafi zamieniać problemy biznesowe w działające rozwiązania.
Nie szukamy osoby, która czeka na gotowe poleceniai realizuje kolejne zadania. Szukamy kogoś, kto potrafi przyjść z hipotezą - albo zakwestionować naszą - szybko zbudować PoC, wypuścić je na produkcję, zmierzyć rezultat i zdecydować: zakończyć, iterować lub skalować inicjatywę..
Kluczowe są dla nas Go-to-Market i Time-to-Market. Wolimy sprawdzić dobrą hipotezę w kilka dni niż przez kilka tygodni projektować perfekcyjne rozwiązanie, którego nikt jeszcze nie zweryfikował.
AI nie będzie w tej roli dodatkiem. Będzie podstawowym środowiskiem pracy.
Kwalifikacje
Jako AI Growth Engineer będzięsz:
- Minimum 3 lata doświadczenia w budowaniu i wdrażaniu rozwiązań technologicznych, które miały mierzalny cel biznesowy.
- Udokumentowane wdrożenia - szukamy osoby, która może pokazać rozwiązania, które samodzielnie zbudowała, uruchomiła i rozwijała.
- Praktyczne doświadczenie z LLM i API modeli AI - OpenAI, Anthropic, Gemini lub podobne.
- Doświadczenie w budowaniu agentów AI, pracy agentowej i automatyzacji wykorzystujących AI.
- Umiejętność integracji systemów przez API i webhooki.
- Doświadczenie z narzędziami automatyzacyjnymi typu n8n, Make, Zapier lub podobnymi.
- Umiejętność programowania i budowania własnych rozwiązań - JavaScript/TypeScript i/lub Python.
- Umiejętność samodzielnego przeprowadzenia projektu przez pełny cykl: problem → hipoteza → PoC → produkcja → pomiar → scale-up.
- Umiejętność oceny modeli, narzędzi i architektur AI pod kątem jakości, kosztu, szybkości i skalowalności.
- Rozumienie podstaw growthu i digital marketingu: funnel, conversion, acquisition, activation, retention, CAC.
- Praktyczna znajomość AI-assisted development i narzędzi takich jak Claude Code, Cursor, Codex, GitHub Copilot lub podobnych.
Aplikuj, jeśli:
- Budować AI-powered rozwiązania dla Marketingu, Growth i Sprzdaży - od prototypu do produkcji.
- Samodzielnie identyfikować miejsca, w których AI i automatyzacja mogą zwiększyć konwersję, przyspieszyć GTM albo wyeliminować manualną pracę.
- Projektować i budować agentów AI oraz przepływy pracy wspierające m.in. lead generation, content, personalizację, CRM, onboarding i komunikację z klientami.
- Łączyć modele AI z naszymymi rozwiązaniami za pomocą API, webhooków i narzędzi automatyzacyjnych.
- Budować szybkie PoC, testować hipotezy i skalować rozwiązania, które dowożą wynik.
- Tworzyć landing page'e, formularze, kalkulatory oraz inne narzędzia wzrostu potrzebne do szybkiego uruchamiania eksperymentów.
- Projektować i wdrażać testy A/B oraz przekładać wyniki na kolejne eksperymenty.
- Automatyzować procesy marketingowe i sprzedażowe.
- Benchmarkować nowe modele, narzędzia i podejścia AI oraz rekomendować, które warto wdrażać.
- Współpracować z Marketingiem, Sprzedażą, Produktem i IT przy szybkim go-to-market nowych kampanii, produktów i eksperymentów.
Świetnie, jeśli także:
- Budowałeś/aś własne narzędzia growthowe albo wewnętrzne produkty dla Marketingu/Sprzedaży.
- Masz doświadczenie z MCP, RAG lub frameworkami agentowymi.
- Budowałeś/aś systemy wykorzystujące kilka modeli lub agentów AI.
- Masz doświadczenie z CRO i prowadzeniem programu eksperymentalnego.
- Pracowałeś/aś z CRM i marketing automation - User.com, HubSpot, Pipedrive lub podobnymi.
- Masz doświadczenie z GA4, Google Tag Manager i analityką webową.
- Masz doświadczenie w środowisku startupowym, SaaS, fintech albo e-commerce.
Praca z nami to:
- Duży ownership: będziesz technologicznym partnerem Marketingu i będziesz mieć realny wpływ na to, co i jak budujemy.
- AI-first: nie tylko pozwalamy korzystać z AI — chcemy, żeby było podstawowym elementem Twojego warsztatu i finansujemy potrzebne narzędzia.
- Krótka droga od pomysłu do produkcji: bez wielotygodniowego oczekiwania na cudzy sprint.
- Eksperymentowanie: nie oczekujemy 100% trafionych pomysłów. Oczekujemy szybkiego testowania i uczenia się.
- Wpływ na biznes: sukces tej roli mierzymy tym, czy dzięki Twoim rozwiązaniom szybciej rośniemy, zwiększamy konwersję i automatyzujemy pracę.
- Autonomia: samodzielnie określasz cele kwartalne i proponujesz problemy, które warto rozwiązać.
Dodatkowe informacje
Oferujemy:
- Pracę w innowacyjnej firmie technologiczno-księgowej, dla której liczą się wartości.
- Komfortowe biuro w centrum Krakowa – 10 minut spacerem od Dworca Głównego.
- Możliwość współpracy w oparciu o umowę o pracę lub B2B.
- Hybrydowy model i elastyczne godziny pracy (start 7:00-10:00).
- Klarowne rozmowy o wynikach i rozwoju.
- Luźne środowisko pracy, spotkania i wyjazdy integracyjne.
- Niezbędne narzędzia: MacBook Pro lub Air.
- Elektryczne regulowane biurko, wygodne ergonomiczne krzesło biurowe.
- Codzienne lunche w biurze na koszt firmy, świeże owoce i dobra kawa.
- Dofinansowanie do prywatnej opieki medycznej dla Ciebie i Twojej rodziny/partnera.
- Dofinansowanie do karty MultiSport Benefit dla Ciebie i bliskiej osoby.
- Dofinansowanie do usług księgowych inFakt (-300 zł/mc netto).
- Możliwość dołączenia do ubezpieczenia na życie.
- Grupowe zajęcia z języka angielskiego.
- Treningi biegowe z profesjonalnym trenerem.
- Możliwość parkowania samochodu, zadaszony parking rowerowy.
- Pakiet relokacyjny, jeśli zdecydujesz się na przeprowadzkę do Krakowa.
Przesyłając swoją aplikację przekazujesz dane osobowe spółce inFakt sp. z o.o. z siedzibą w Krakowie, ul. Szlak 49, 31-135 Kraków, która z chwilą otrzymania Twoich danych stanie się administratorem Twoich danych osobowych. Twoje dane będą przetwarzane na podstawie prawnie uzasadnionego interesu inFakt w celu wyboru odpowiedniego kandydata na stanowisko, na które prowadzona jest rekrutacja oraz dochodzenia i roszczeń inFakt. Więcej informacji znajdziesz w klauzuli informacyjnej dla kandydatów.
W inFakt sp. z o.o. wdrożyliśmy procedurę wewnętrzną zgłaszania informacji o naruszeniach prawa. Więcej informacji o naszych kanałach zgłoszeniowych i procedurze zgłaszania naruszeń znajdziesz tutaj.
Role Details
About This Role
AI/ML Engineers build and deploy machine learning models in production. They work across the full ML lifecycle: data pipelines, model training, evaluation, and serving infrastructure. The role has evolved significantly over the past two years. Where ML Engineers once spent most of their time on model architecture, the job now tilts heavily toward inference optimization, cost management, and integrating LLM capabilities into existing systems. Companies want engineers who can ship production systems, and the experimenter-only role is fading fast.
Day-to-day, you're writing training pipelines, debugging data quality issues, setting up evaluation frameworks, and figuring out why your model performs differently in staging than it did on your dev set. The best ML engineers are obsessive about reproducibility and measurement. They instrument everything. They know that a model is only as good as the data feeding it and the infrastructure serving it.
Across the 9,079 AI roles we're tracking, AI/ML Engineer positions make up 76% of the market. At inFakt, this role fits into their broader AI and engineering organization.
Demand for AI/ML Engineers has been strong and consistent. Unlike some AI roles that spike with hype cycles, ML engineering is a foundational need. Every company deploying AI models needs people who can keep them running, and the gap between research prototypes and production systems keeps growing.
What the Work Looks Like
A typical week might include: debugging a data pipeline that's silently dropping 3% of training examples, running A/B tests on a new model version, writing documentation for a feature flag system that lets you roll back model deployments, and reviewing a junior engineer's PR for a new evaluation metric. Meetings tend to be cross-functional since ML touches product, engineering, and data teams.
Demand for AI/ML Engineers has been strong and consistent. Unlike some AI roles that spike with hype cycles, ML engineering is a foundational need. Every company deploying AI models needs people who can keep them running, and the gap between research prototypes and production systems keeps growing.
Skills Required
Python and PyTorch dominate the requirements. Most roles expect experience with cloud platforms (AWS, GCP, or Azure) and familiarity with ML frameworks like TensorFlow or JAX. RAG (Retrieval-Augmented Generation) has become a top-3 skill requirement as companies integrate LLMs into their products. Docker and Kubernetes show up in about a third of postings, reflecting the production focus of the role.
Beyond the core stack, employers increasingly want experience with experiment tracking tools (MLflow, Weights & Biases), feature stores, and vector databases. Fine-tuning experience is valuable but less common than you'd think from reading Twitter. Most production LLM work is RAG and prompt engineering, not fine-tuning. If you have both, you're in a strong position.
Companies that are serious about AI/ML hiring tend to post specific infrastructure details in the job description: the frameworks they use, their model serving stack, their data pipeline tools. Vague postings that just say 'ML experience required' without specifics are often companies that haven't figured out what they need yet.
Compensation Benchmarks
AI/ML Engineer roles pay a median of $211,950 based on 13,048 positions with disclosed compensation. Mid-level AI roles across all categories have a median of $193,200.
Across all AI roles, the market median is $213,000. Top-quartile compensation starts at $263,911. The 90th percentile reaches $318,400. For comparison, the highest-paying categories include AI Safety ($256,000) and Research Engineer ($252,000). By seniority level: Entry: $111,000; Mid: $193,200; Senior: $229,300; Director: $272,300; VP: $235,830.
inFakt AI Hiring
inFakt has 1 open AI role right now. They're hiring across AI/ML Engineer. Based in Cracow, Małopolskie, Poland.
Location Context
Across all AI roles, 6% (531 positions) offer remote work, while 8,478 require on-site attendance. Top AI hiring metros: New York (3,078 roles, $221,000 median); San Francisco (2,646 roles, $261,000 median); Los Angeles (1,486 roles, $210,000 median).
Career Path
Common paths into AI/ML Engineer roles include Data Scientist, Software Engineer, Research Engineer.
From here, career progression typically leads toward ML Architect, AI Engineering Manager, Principal ML Engineer.
The fastest path into ML engineering is through software engineering with a self-directed ML education. A CS degree helps, but production engineering skills matter more than academic credentials. Build something that works, deploy it, and measure it. That portfolio project is worth more than a Coursera certificate. For career growth, the fork comes around the senior level: go deep on technical complexity (staff/principal track) or move into managing ML teams.
What to Expect in Interviews
Expect system design questions around ML pipelines: how you'd build a training pipeline for a specific use case, handle data drift, or design A/B testing infrastructure for model deployments. Coding rounds typically involve Python, with emphasis on data manipulation (pandas, numpy) and algorithm implementation. Take-home assignments often ask you to build an end-to-end ML pipeline from raw data to deployed model.
When evaluating opportunities: Companies that are serious about AI/ML hiring tend to post specific infrastructure details in the job description: the frameworks they use, their model serving stack, their data pipeline tools. Vague postings that just say 'ML experience required' without specifics are often companies that haven't figured out what they need yet.
AI Hiring Overview
The AI job market has 9,079 open positions tracked in our dataset. By seniority: 106 entry-level, 4,384 mid-level, 3,343 senior, and 1,246 leadership roles (Director, VP, C-Level). Remote roles make up 6% of the market (531 positions). The remaining 8,478 roles require on-site or hybrid attendance.
The market median for AI roles is $213,000. Top-quartile compensation starts at $263,911. The 90th percentile reaches $318,400. Highest-paying categories: AI Safety ($256,000 median, 66 roles); Research Engineer ($252,000 median, 457 roles); AI Engineering Manager ($251,622 median, 55 roles).
Demand for AI/ML Engineers has been strong and consistent. Unlike some AI roles that spike with hype cycles, ML engineering is a foundational need. Every company deploying AI models needs people who can keep them running, and the gap between research prototypes and production systems keeps growing.
The AI Job Market Today
The AI job market spans 9,079 open positions across 16 role categories. The largest categories by volume: AI/ML Engineer (6,862), AI Product Manager (453), AI Software Engineer (451). These three account for the majority of open positions, though smaller categories often have higher per-role compensation because of specialized skill requirements.
The seniority mix tells a story about where AI teams are in their maturity. Entry-level roles (106) are outnumbered by mid-level (4,384) and senior (3,343) positions, reflecting that most companies are past the 'build a team from scratch' phase and need experienced engineers who can ship production systems. Leadership roles (Director, VP, C-Level) total 1,246 positions, representing the bottleneck between technical execution and organizational strategy.
Remote work availability sits at 6% of all AI roles (531 positions), with 8,478 requiring on-site or hybrid attendance. The remote share has stabilized after the post-pandemic correction. Senior and specialized roles (Research Scientist, ML Architect) are more likely to be remote-eligible than entry-level positions, partly because experienced hires have more negotiating power and partly because these roles require less hands-on mentorship.
AI compensation is structured in clear tiers. The market median sits at $213,000. Top-quartile roles start at $263,911, and the 90th percentile reaches $318,400. These figures include base salary with disclosed compensation. Total compensation (including equity, bonuses, and sign-on) runs 20-40% higher at companies that offer those components.
Category matters for compensation. AI Safety roles lead at $256,000 median, while Prompt Engineer roles sit at $141,440. The spread between highest and lowest-paying categories reflects the premium on specialized technical skills versus broader analytical roles.
The most in-demand skills across all AI postings: Python (1,649 postings), Aws (898 postings), Azure (723 postings), Rag (671 postings), Gcp (536 postings), Pytorch (434 postings), Claude (410 postings), Kubernetes (406 postings). Python dominates, appearing in the vast majority of role descriptions regardless of category. Cloud platform experience (AWS, GCP, Azure) is the second most common requirement. The newer entrants to the top skills list (RAG, vector databases, LLM APIs) reflect the shift from traditional ML toward generative AI applications.
Frequently Asked Questions
Get Weekly AI Career Intelligence
Salary data, skills demand, and market signals from 16,000+ AI job postings. Every Monday.