Prompt engineer to jedna z najczęściej wymienianych „ról przyszłości” w ofertach pracy i raportach rynkowych. I jednocześnie jedna z najtrudniejszych do zrekrutowania — bo rynek nie wypracował jeszcze wspólnej definicji tego, czym ta rola właściwie jest.
Jedni szukają kogoś technicznego: z Pythonem, znajomością API i doświadczeniem w budowaniu pipeline’ów opartych o LLM. Inni chcą kogoś z wyczuciem języka, myśleniem produktowym i umiejętnością przekształcania wymagań biznesowych w instrukcje dla modelu. Jeszcze inni potrzebują operatora — kogoś, kto weźmie gotowe narzędzia AI i zoptymalizuje je pod konkretny proces w firmie.
Wszyscy trzej mają rację. Problem w tym, że szukają zupełnie innych ludzi pod tą samą nazwą stanowiska.
Ten artykuł odpowiada na jedno pytanie: zanim zaczniesz szukać prompt engineera, musisz wiedzieć, którego z nich potrzebujesz. Bo profil kandydata, kanały sourcingu, wymagania w ogłoszeniu i pytania weryfikacyjne — wszystko to zależy od odpowiedzi na to jedno pytanie.
Czym właściwie jest prompt engineer w 2026 roku
Rola ewoluowała szybciej niż jej definicja. Jeszcze dwa lata temu „prompt engineering” kojarzył się głównie z ręcznym pisaniem zapytań do ChatGPT. Dziś to termin obejmujący co najmniej trzy bardzo różne profile zawodowe.
Profil A — Techniczny
Buduje systemy promptów, integruje modele językowe z aplikacjami produkcyjnymi, projektuje architekturę RAG (Retrieval-Augmented Generation), pisze kod w Pythonie. Myśli o prompcie jak o interfejsie między modelem a systemem — nie jak o poleceniu wydanym chatbotowi. Pracuje ramię w ramię z ML Engineerami i backend developerami. W praktyce jest to rola bliżej inżynierii niż komunikacji.
Profil B — Produktowy
Projektuje to, jak użytkownik wchodzi w interakcję z AI w produkcie. Definiuje system prompty, które decydują o osobowości i zachowaniu modelu, tworzy evaluacje jakości outputów, współpracuje z designerami i product managerami. Rozumie zarówno możliwości modeli, jak i potrzeby użytkownika końcowego. To rola bliżej Product Managera niż programisty — z tą różnicą, że „produkt”, który projektuje, to zachowanie modelu językowego.
Profil C — Operacyjny / Contentowy
Bierze istniejące narzędzia AI i wdraża je w konkretnych procesach biznesowych: generowaniu treści, obsłudze klienta, preselekcji CV, raportowaniu. Optymalizuje prompty pod konkretne zadanie, mierzy efektywność, szkoli zespół z używania narzędzi. Bliżej analityka lub operatora procesów niż inżyniera. W tej roli liczy się znajomość procesu biznesowego i umiejętność myślenia o skali.
Zanim napiszesz ogłoszenie — odpowiedz sobie na to pytanie: który z tych trzech profili rozwiązuje Twój konkretny problem? Odpowiedź zmienia wszystko, co zrobisz dalej.
Wymagania: co rzeczywiście ma znaczenie
Ogłoszenia na prompt engineera są pełne wymagań, które brzmią sensownie, ale w praktyce niczego nie weryfikują. Zanim napiszesz listę oczekiwań, warto wiedzieć, które z nich faktycznie pozwalają odróżnić kandydata wartościowego od przeciętnego.
Co naprawdę ma znaczenie
Udokumentowane przykłady promptów i ich efektów. Każdy praktyk zostawia ślady — w repozytorium, publicznych projektach, opisach case’ów. Kandydat, który nie ma nic do pokazania, pracował z AI zbyt powierzchownie, żeby mieć portfolio. Brak przykładów to sygnał ostrzegawczy, nie neutralna obserwacja.
Znajomość różnic między modelami w praktyce. Nie wystarczy „używałem GPT-4”. Wartościowy kandydat potrafi powiedzieć: „do tego zadania wybrałem Claude’a, bo lepiej radzi sobie z długimi dokumentami i rzadziej halucynuje przy cytowaniu. Do szybkiego generowania wariantów treści używam modelu szybszego i tańszego.” Świadomy wybór modelu to oznaka dojrzałości.
Umiejętność projektowania evaluacji. To punkt, który odróżnia praktyków od użytkowników. Dobry prompt engineer nie tylko pisze prompty — mierzy, czy działają. Wie, jak zdefiniować metrykę sukcesu dla generowanego tekstu, jak zbudować test set, jak porównać dwie wersje promptu ilościowo, nie tylko intuicyjnie.
Myślenie iteracyjne. Prompt engineering to nie pisanie — to testowanie. Kandydat, który opisuje swoją pracę jako jednorazowe tworzenie promptu i wdrożenie, nie rozumie tej roli. Praktyk iteruje dziesiątki razy, dokumentuje co zadziałało i dlaczego, reaguje gdy model dostaje update i zachowanie się zmienia.
Dla profilu technicznego dodatkowo: Python na poziomie umożliwiającym integrację z API, znajomość LangChain lub podobnych frameworków, rozumienie architektury RAG i podstaw fine-tuningu.
Co brzmi ważnie, ale niczego nie weryfikuje
„Znajomość ChatGPT” — w 2026 roku to jak wymaganie znajomości wyszukiwarki Google. Zbyt ogólne, żeby cokolwiek powiedzieć.
„Kreatywność” — niezmierzalna w procesie rekrutacji. Każdy kandydat odpowie „tak”. Zapytaj zamiast tego o konkretny przykład niestandardowego rozwiązania problemu z AI.
Certyfikaty promptowe — rynek jest zbyt młody, żeby certyfikaty miały realną wartość rynkową. Żadna z uznanych instytucji nie wypracowała standardu. Certyfikat to sygnał zainteresowania tematem, nie kompetencji.
Liczba lat doświadczenia — rola prompt engineera w obecnej formie ma 2–3 lata. Wszyscy kandydaci mają podobny staż. Liczy się głębokość, nie długość.
Gdzie szukać prompt engineera
Prompt engineerzy — szczególnie profile techniczny i produktowy — rzadko przeglądają oferty pracy. Są pasywni i bardzo aktywni w niszowych środowiskach online. Jeśli sourcujesz wyłącznie przez LinkedIna, dotrzesz do kandydatów, którzy aktywnie szukają pracy — a ci najlepsi zwykle nie szukają.
Hugging Face — fora, komentarze pod modelami, publiczne Spaces. Ludzie, którzy budują i publikują tam projekty, to aktywni praktycy. Sprawdź, kto komentuje, zadaje pytania techniczne, publikuje własne rozwiązania.
GitHub — repozytoria związane z LangChain, LlamaIndex, PromptFlow, Semantic Kernel. Szukaj nie tylko autorów, ale aktywnych kontrybutorów i recenzentów PR-ów. Contributor to ktoś, kto rozumie kod na tyle, żeby go ulepszać.
Discord — serwery Anthropic, OpenAI Developer Forum, LangChain, PromptLayer, lokalne społeczności AI. To miejsca, gdzie praktycy zadają pytania, rozwiązują problemy innych i dzielą się odkryciami. Aktywny uczestnik dyskusji to sygnał wysokiego zaangażowania.
X / Twitter — wątek o AI opublikowany publicznie to często najlepsze portfolio, jakie kandydat może pokazać. Szukaj ludzi regularnie piszących o prompt engineering, LLM, własnych eksperymentach. Sprawdź, czy ich obserwatorzy to praktycy czy przypadkowi followersи.
LinkedIn — ale nie przez oferty pracy. Przez posty i komentarze. Ktoś, kto regularnie komentuje artykuły o LLM z konkretną, merytoryczną perspektywą, jest wartościowym kandydatem — nawet jeśli jego profil nie wygląda jak „klasyczny prompt engineer”.
Lokalne meetupy AI — Warsaw AI Meetup, Cracow ML Group, Wrocław AI, trójmiejskie społeczności tech. Networkingowa wartość takich wydarzeń dla rekrutera jest nieproporcjonalnie duża względem kosztu uczestnictwa.
Więcej o sourcingu poza standardowymi kanałami — w artykule Gdzie szukać talentów AI-native poza LinkedIn?
Jak napisać dobre ogłoszenie
Większość ogłoszeń na prompt engineera ma te same błędy. Wymienienie ich jest szybsze niż opisywanie tego, co powinno być — bo jeśli unikniesz poniższych pułapek, ogłoszenie już będzie lepsze niż 80% konkurencji.
Błąd 1 — Zbyt ogólne wymagania techniczne
„Znajomość narzędzi AI” to nie wymaganie. „Doświadczenie w projektowaniu system promptów dla modeli GPT-4 lub Claude, znajomość technik chain-of-thought, few-shot prompting i RAG, umiejętność pisania evaluacji jakości outputów” — to jest wymaganie. Konkretność odsiewa kandydatów, którzy dodali „AI” do CV, od tych, którzy wiedzą, czym jest chain-of-thought.
Błąd 2 — Kopiowanie ogłoszeń z 2023 roku
Rola ewoluowała radykalnie. Ogłoszenie pisane dwa lata temu pod „prompt engineer” przyciągnie kandydatów z przestarzałym skillsetem — i zniechęci tych, których szukasz, bo nie będą się utożsamiać z opisem roli sprzed transformacji modeli multimodalnych i agentów AI.
Błąd 3 — Brak kontekstu produktowego
Kandydat nie może ocenić, czy to rola dla niego, jeśli nie wie, z jakim modelem będzie pracował, w jakim produkcie, z jaką skalą użytkowników i w jakim zespole. „Praca z najnowszymi modelami AI” to nie kontekst. „Projektowanie system promptów dla asystenta obsługi klienta obsługującego 50 000 zapytań miesięcznie, integracja z GPT-4o przez API, współpraca z 3-osobowym zespołem produktowym” — to jest kontekst.
Błąd 4 — Brak informacji o tym, co kandydat będzie oceniany
Dobry kandydat chce wiedzieć, jak będzie mierzony jego sukces. Co jest KPI tej roli? Jakość outputów? Czas wdrożenia? Redukcja kosztów tokenów? Napisz o tym wprost — i przyciągniesz ludzi, którzy myślą o efektach, nie tylko o zadaniach.
Czego nie może zabraknąć w ogłoszeniu:
- Jasna informacja o profilu roli (techniczny / produktowy / operacyjny)
- Konkretny kontekst: model, produkt lub proces, skala
- Przykładowe zadania z pierwszych 90 dni
- Informacja, czy rola jest samodzielna czy osadzona w zespole AI
- Oczekiwania dotyczące portfolio lub przykładów wcześniejszej pracy
Jak zweryfikować kandydata
To najważniejsza część całego procesu — i ta, w której większość firm popełnia błędy, bo używa standardowych metod weryfikacji do niestandardowej roli.
Poziom 1 — Rozmowa kwalifikacyjna
Pięć pytań, które faktycznie weryfikują kompetencje:
„Pokaż mi prompt, z którego jesteś dumny — i opowiedz, jak go iterowałeś.” To pytanie robi dwie rzeczy jednocześnie: prosi o konkretny przykład i testuje proces myślenia. Kandydat bez przykładu do pokazania nie był wystarczająco aktywny. Kandydat, który opisuje tylko finalną wersję bez historii iteracji, nie rozumie, że prompt engineering to proces, nie jednorazowy akt twórczy.
„Jak mierzysz, czy prompt działa? Co jest Twoją metryką sukcesu?” To najlepsze pytanie odróżniające praktyków od amatorów. Praktyk ma konkretną odpowiedź: „buduję test set z 50 przykładów i sprawdzam accuracy automatycznie”, „mierzę ocenę ludzką na próbce outputów”, „śledzę wskaźnik eskalacji do agenta ludzkiego”. Brak konkretnej metody to sygnał, że kandydat operuje na intuicji, nie na danych.
„Kiedy zmieniasz model zamiast poprawiać prompt?” To pytanie o głębokość rozumienia ekosystemu. Prompt engineer, który próbuje rozwiązać każdy problem przez zmianę promptu, nie rozumie, że czasem problem leży w modelu, w danych lub w architekturze systemu. Dobra odpowiedź zawiera konkretne przykłady sytuacji, w których zmiana modelu była właściwą decyzją.
„Opisz sytuację, gdy prompt przestał działać po aktualizacji modelu. Co zrobiłeś?” Każdy praktyk ma taką historię — modele są aktualizowane, zachowanie się zmienia, prompty które działały, nagle dają gorsze wyniki. To pytanie testuje odporność na nieprzewidywalność i umiejętność diagnozy problemu. Kandydat bez tej historii albo nie pracował wystarczająco intensywnie, albo nie śledzić jakości outputów na bieżąco.
„Jak tłumaczysz stakeholderom, dlaczego model dał zły output?” Rola prompt engineera to nie tylko praca z modelem — to też komunikacja z osobami, które modelu nie rozumieją i mają wobec niego nierealistyczne oczekiwania. Dobra odpowiedź pokazuje, że kandydat potrafi tłumaczyć ograniczenia modeli prostym językiem i zarządzać oczekiwaniami bez technicznego żargonu.
Poziom 2 — Zadanie live
Zarezerwuj 30–45 minut. Daj kandydatowi konkretny, nietrywialny problem biznesowy i dostęp do modelu. Powiedz: „Masz 30 minut. Możesz używać dowolnych narzędzi.”
Nie oceniaj rozwiązania. Oceniaj proces:
- Czy kandydat zaczyna od zrozumienia problemu, czy od pisania promptu?
- Jak formułuje pierwsze zapytanie — czy daje modelowi kontekst?
- Jak reaguje gdy output jest zły — zmienia prompt, zmienia podejście, pyta model o wyjaśnienie?
- Czy dokumentuje co próbował i dlaczego?
- Na koniec: poproś o wyjaśnienie finalnego rozwiązania. Czy kandydat rozumie, dlaczego działa?
Poziom 3 — Portfolio review
Przed rozmową poproś o przykłady wcześniejszych promptów z kontekstem: jaki był problem, jakie podejście zastosował kandydat, jaki był efekt. Format nie ma znaczenia — może to być link do GitHub, dokument, opis przypadku.
Brak jakiegokolwiek portfolio to sygnał ostrzegawczy. Każdy, kto naprawdę zajmuje się prompt engineeringiem, zostawia ślady — w publicznych repozytoriach, notatkach, opisach projektów. Twierdzenie „robiłem to, ale nie mam czego pokazać” jest możliwe, ale rzadkie.
Więcej o weryfikacji AI-native kompetencji znajdziesz w artykule Jak zweryfikować, czy kandydat naprawdę pracuje z AI?
Wynagrodzenia i realia rynkowe
Zanim zaczniesz rozmowy o ofercie, kilka twardych faktów o rynku.
Widełki wynagrodzeniowe dla prompt engineerów w Polsce (B2B, stan na 2026):
- Profil techniczny (integracje LLM, Python, architektura): 15 000–25 000 PLN miesięcznie
- Profil produktowy (design interakcji AI, evaluacje, współpraca z produktem): 12 000–20 000 PLN miesięcznie
- Profil operacyjny / contentowy (optymalizacja procesów, content workflow): 8 000–15 000 PLN miesięcznie
Trzy zastrzeżenia, które są tu ważniejsze niż same liczby:
Po pierwsze, rynek płac w tej roli zmienia się szybciej niż w jakiejkolwiek innej specjalizacji. Widełki sprzed 6 miesięcy mogą być nieaktualne. Jeśli budujesz ofertę na podstawie danych starszych niż kwartał, możesz się przeliczyć w obu kierunkach.
Po drugie, kandydaci z udokumentowanym portfolio i konkretnymi efektami negocjują znacznie powyżej widełek. Prompt engineer, który może pokazać, że jego praca zredukowała koszty operacyjne o X% lub przyspieszyła konkretny proces 3-krotnie, jest wyceniany indywidualnie — nie według widełek rynkowych.
Po trzecie, czas wakansu w tej roli jest kosztowny inaczej niż w klasycznych stanowiskach. Prompt engineer zwykle odblokowuje pracę całego zespołu lub projektu AI. Każdy tydzień bez właściwej osoby to nie tylko koszt rekrutacji — to koszt opóźnionego wdrożenia.
Podsumowanie
Rekrutacja prompt engineera to w 90% praca wykonana zanim napiszesz ogłoszenie: zdefiniowanie profilu, który faktycznie potrzebujesz, wybór właściwych kanałów sourcingu i przygotowanie protokołu weryfikacji, który odróżni praktyka od kandydata z odpowiednim słownictwem w CV.
Jeśli wiesz, którego z trzech profili szukasz — masz już przewagę nad większością firm rekrutujących na to stanowisko. Jeśli nie wiesz — zacznij od odpowiedzi na pytanie: jaki konkretny problem ma rozwiązać ta osoba w ciągu pierwszych 90 dni?
Do weryfikacji kompetencji podczas rozmowy warto zajrzeć też do artykułu 10 pytań rekrutacyjnych do AI-native developera — część pytań i logika weryfikacji są wspólne dla obu ról.
Jeśli nie wiesz, od którego profilu zacząć, albo chcesz ocenić, czy Twoje wymagania mają pokrycie w rynku — porozmawiajmy. Zaczynamy każdy projekt rekrutacyjny od studium wykonalności, właśnie po to, żeby nie tracić czasu na kandydatów, którzy nie istnieją.
