O czym jest ten film
- Autor, inżynier z siedmioletnim stażem w Amazonie i Microsofcie, dostał ofertę seniora na poziomie L5 w Google — 530 tysięcy dolarów rocznego wynagrodzenia łącznie.
- Chodzi o zawód forward deployed engineer: inżyniera, który pracuje bezpośrednie u klienta i wdraża rozwiązania AI w jego realne procesy, zamiast siedzieć w centrali software’owej.
- Stanowisko wymyślił Palantir, a dziś zaciągają na nie m.in. Palantir, Google, Anthropic i OpenAI; stawki wahają się od 100 tysięcy do miliona dolarów rocznie.
- Powód istnienia roli to zaufanie: firmy chcą kogoś, kto już wielokrotnie wdrażał AI, a nie kogoś, kto dopiero się tego uczy.
- Kandydatów jest mało, bo rola łączy cztery różne kompetencje: programowanie, integrację AI, infrastrukturę i konsulting — prawie nikt nie ma wszystkich naraz.
- Popyt eksplodował: ogłoszeń przybyło o ponad 1000 procent, a według badania MIT z 2025 roku około 95 procent firm nie widzi realnego zwrotu z inwestycji w AI — ktoś musi więc pójść na miejsce i sprawić, że to zadziała.
- Rekrutacja w Google składała się z trzech części: zadania w stylu LeetCode, rundy debugowania istniejącego kodu (z użyciem AI i narzędzi) oraz projektowanie systemów plus rozmowy behawioralne.
- Ścieżka wejścia według autora: realne projekty AI dla prawdziwych firm, doświadczenie w kontakcie z klientem i start w mniejszych firmach, zanim spróbujemy w wielkim technologu.
- Autor odrzucił ofertę z dwóch powodów: wymogu pracy stacjonarnej oraz przekonania, że rola jest głośniejsza, niż na to zasługuje — przypomina los prompt engineeringu, hitu z 2023 roku, który dziś niemal zniknął.
- Mimo wątpliwości rola może być świetną przepustką do branży AI — zwłaszcza dla osób, które lubią pracować z ludźmi i rozwiązywać problemy biznesowe.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zrób audyt czterech filarów kompetencji
Na czym polega: Forward deployed engineer musi łączyć cztery zestawy umiejętności: inżynierię oprogramowania, integrację AI, infrastrukturę oraz konsulting i komunikację. Rynek płaci premię właśnie za to połączenie, bo prawie nikt nie ma wszystkich czterech naraz.
Jak stosować: Oceń siebie w każdym filarze w skali 1–5 i zaplanuj najbliższe miesiące pod najsłabszy z nich. Programiście zwykle brakuje kompetencji klienckich i chmurowych; osobom z doradztwa — kodu i praktyki z integracją AI.
Na co uważać: Nie aplikuj, dopóki dwa filary są wyraźnie słabe. W tej roli rekruterzy zadają pytania zarówno techniczne, jak i biznesowe — słabość w którejkolwiek płaszczyźnie wyjdzie na jaw szybko.
2.Buduj projekty AI dla prawdziwych firm, nie demonstracje do szuflady
Na czym polega: W cv liczą się wdrożone rozwiązania z realnym odbiorcą — choćby chatbot obsługi klienta dla małej firmy — a nie kolejna aplikacja typu lista zadań.
Jak stosować: Zaproponuj lokalnej firmie prosty chatbot lub automatyzację, nawet za darmo lub za symboliczną stawkę. W cv opisz problem, rozwiązanie i efekt, najlepiej liczbowy.
Na co uważać: Projekt bez mierzalnego skutku biznesowego to tylko ćwiczenie warsztatowe. Ustal metryki (np. czas odpowiedzi, odsetek obsługiwanych zapytań) przed wdrożeniem, a nie po nim.
3.Zdobądź doświadczenie w bezpośrednim kontakcie z klientem
Na czym polega: Rekruterzy na te stanowiska wprost pytają o pracę z klientem: prowadzenie prezentacji, onboardingów i spotkań, na których zbiera się wymagania. To odrębna, sprawdzalna kompetencja.
Jak stosować: Łap każdą okazję do prowadzenia pokazów i rozmów wymaganiowych — w obecnej pracy, w wolontariacie albo we freelance. Każde takie zdarzenie zapisuj jako przykład do opowiedzenia.
Na co uważać: Samo „byłem na spotkaniu” nie wystarczy. Przygotuj po jednym przykładzie w schemacie STAR (sytuacja, zadanie, działanie, rezultat) na każdy typ sytuacji klienckiej.
4.Pierwszą szansę łap w mniejszych firmach
Na czym polega: Wielkie korporacje technologiczne stawiają bardzo wysokie progi wejścia. Mniejsza firma da szybciej realne wdrożenia, a te otworzą drzwi do większych graczy.
Jak stosować: Aplikuj do startupów, firm wdrożeniowych i software house’ów, które obsługują klientów zewnętrznych — tam najłatwiej zbierać doświadczenie klienckie i projektowe jednocześnie.
Na co uważać: W małej firmie możesz zostać rzucony na głęboką wodę bez wsparcia. Wybieraj miejsca, w których faktycznie poprowadzisz wdrożenie, a nie tylko zatkasz dziury.
5.Przygotuj się na trzy typy rund rozmów
Na czym polega: Proces w Google składał się z trzech odrębnych części: zadań algorytmicznych w stylu LeetCode, rund debugowania oraz projektowania systemów połączonych z rozmową behawioralną.
Jak stosować: Rozłóż przygotowania na trzy osobne bloki i trenuj je naprzemiennie — algorytmy i struktury danych, naprawianie kodu, a osobno scenariusze projektowe i historie z własnego doświadczenia w schemacie STAR.
Na co uważać: Najczęstszy błąd to ćwiczenie tylko zadań algorytmicznych. W tej roli rundy „miękkie” i projektowe ważą równie dużo jak czysty kod.
6.Debugowanie z użyciem AI trenuj jako osobną umiejętność
Na czym polega: W rundzie debugowania dostajesz istniejący, zepsuty kod, a twoim zadaniem jest znalezienie i naprawa błędu — z pomocą narzędzi i asystentów AI. To inna kompetencja niż pisanie kodu od zera.
Jak stosować: Bierz zepsute projekty open source lub celowo psuj własne, a potem naprawiaj je na czas, korzystając z asystenta. Ćwicz obsługę wyjątków, walidację danych i poprawki w kodzie obiektowym.
Na co uważać: Rekruterzy oceniają tok diagnozy, nie sam wynik. Mów głośno, co sprawdzasz i dlaczego — ciche „sprawdzam po kolei” wygląda gorzej niż świadoma metoda.
7.Rdzeniem roli jest przewidywalność systemów agentowych
Na czym polega: Zleceniodawcy oczekują, że potrafisz zbudować system z bazą wiedzy (RAG), podłączyć model do narzędzi i przepływów pracy (m.in. MCP, CLI) oraz tak prowadzić agentów, by wyniki były powtarzalne — z testami jakości, zabezpieczeniami i kontrolą kosztów.
Jak stosować: Zbuduj jeden kompletny projekt: baza wiedzy plus agent, do tego testy ewaluacyjne, zabezpieczenia przed błędnymi odpowiedziami i raport kosztów. Jeden taki projekt mówi o tobie więcej niż pięć niekompletnych.
Na co uważać: Demonstracja, która działa „zazwyczaj”, nie wystarczy. Przygotuj się pokazać, jak mierzysz nieprzewidywalność i co robisz, gdy agent zboczy z toru.
8.Oceń trwałość zawodu, zanim zainwestujesz w niego lata
Na czym polega: Autor przypomina los prompt engineeringu: w 2023 roku zawód roku, dziś niemal nieobecny na LinkedIn, bo wszyscy włączyli te umiejętności do codziennej pracy. Skoro AI co miesiąc robi się prostsze w użyciu, rola „wpinacza AI u klienta” może okazać się rozwiązaniem na kilka lat, a nie na całą karierę.
Jak stosować: Traktuj to stanowisko jako inwestycję w doświadczenie na dwa–cztery lata i równolegle buduj kompetencje, które przetrwają ewentualne „zestandardyzowanie” wdrożeń: architekturę systemów i rozumienie biznesu.
Na co uważać: Wysokie widełki płacowe nie równoważą ryzyka zniknięcia popytu. Oceniaj rynek po liczbie i treści ogłoszeń, a nie po nagłówkach o milionowych stawkach.
9.Wykorzystaj rolę jako trampolinę i źródło mentorów
Na czym polega: Praca u wdrożeniowców daje dostęp do doświadczonych inżynierów (senior, staff, principal) i zawsze świeżej wiedzy o AI — autor sam najwięcej wyniósł z kontaktu z takimi ludźmi w Amazonie i Microsofcie.
Jak stosować: Przy wyborze oferty patrz na skład zespołu, nie tylko na pensję. Na rozmowach pytaj wprost o mentoring i o to, kto będzie ci przydzielony jako wsparcie.
Na co uważać: Bycie najmądrzejszym w pokojunice nie jest w tej pracy zaletą — jeśli w zespole nie ma nikogo, od kogo możesz się uczyć, traci ona główną wartość dodaną.
10.Ofertę oceniaj całościowo, nie tylko w dolarach
Na czym polega: Autor odrzucił 530 tysięcy dolarów m.in. dlatego, że stanowisko wymagało przeprowadzki i pracy stacjonarnej — a to wiązało się z poważnymi decyzjami życiowymi. Sam水准 wynagrodzenia nie zdecydował.
Jak stosować: Zanim odpowiesz na ofertę, wypunktuj warunki poza pieniędzmi: lokalizację, tryb pracy, tempo rozwoju, zgodność z twoim celem zawodowym. Dopiero potem porównuj z liczbą na kontrakcie.
Na co uważać: Presja czasu („oferta wygaśnie w tydzień”) działa na korzyść pracodawcy. Najlepsze oferty rzadko są ostatnimi — warto to sprawdzić, zamiast decydować pod wpływem.deadline’u.
Redakcyjne tłumaczenie
Wstęp: oferta na 530 tysięcy dolarów
Dostałem właśnie od Google ofertę pracy na 530 tysięcy dolarów rocznie. Nie, to nie jest zwykłe stanowisko programisty — i nie chodzi też o badania nad sztuczną inteligencją na poziomie doktoratu. To zawód, o którym większość programistów nigdy nie słyszała: forward deployed engineer, czyli — dosłownie — inżynier rozmieszczony u klienta. Firmy takie jak Palantir, Google, Anthropic czy OpenAI prześcigają się w werbowaniu takich ludzi, a stawki wahają się od 100 tysięcy do miliona dolarów rocznie.
Krótko o mnie: mam siedem lat doświadczenia jako starszy inżynier oprogramowania, pracowałem m.in. w Amazonie i Microsofcie. Po dziesiątkach rozmów o stanowiska właśnie tego typu trafiła w końcu na mnie oferta seniora L5 w Google, z łącznym wynagrodzeniem 530 tysięcy dolarów. W tym materiale tłumaczę, czym właściwie jest ta rola, dlaczego jest dziś tak poszukiwana, jakie stawia wymagania i jak spróbować ją zdobyć. A na końcu wyjaśniam, dlaczego ostatecznie z tej oferty nie skorzystałem.
(Informacja dodatkowa: L5 to w Google poziom starszego inżyniera; „łącznym wynagrodzeniem” (total compensation) nazywa się suma pensji podstawowej, premii i grantów akcyjnych.)
Skąd się wziął ten zawód
Forward deployed engineer jako stanowisko wymyśliła firma Palantir, budująca platformy danych i AI dla biznesu oraz administracji publicznej. Klienci Palantira potrzebują kogoś, kto podłączy te systemy do ich codziennych operacji — i stąd właśnie nazwa: „forward deployed” oznacza pracę w terenie, nie w centrali dostawcy, tylko na miejscu u klienta, gdzie rozwiązuje się jego rzeczywiste problemy. Najprościej mówiąc, to ekspert techniczny, który łączy sztuczną inteligencję z realnymi procesami firmy. Wpiać AI w działanie biznesu — to jest cała istota tej pracy.
(Informacja dodatkowa: Palantir to amerykańska firma analityczna, znana m.in. ze współpracy z rządami i służbami.)
Dlaczego firmy nie mogą po prostu przeszkolić własnych ludzi
Odpowiedź sprowadza się do jednego słowa: zaufanie. Chcesz nauczyć się jeździć na rowerze — nie pójdziesz po rady do kogoś, kto nigdy nie dosiadł siodełka. Szukasz kogoś, kto robił to wielokrotnie. Dokładnie tak samo firmy patrzą na wdrażanie AI: potrzebują ludzi, którzy robili to już wiele razy.
Problem w tym, że w dużych firmach technologicznych dominują wąskie specjalizacje. Programiści piszą kod. Inżynierowie AI budują lepsze modele. Zespół infrastruktury zajmuje się DevOps-em. Architekci rozwiązań doradzają biznesowi. A forward deployed engineer musi łączyć wszystkie te kompetencje naraz: inżynierię oprogramowania, integrację AI, infrastrukturę i konsulting. Ludzi o takim przekroju umiejętności jest na rynku garstka — stąd ogromny popyt przy znikomej podaży.
Dlaczego popyt eksplodował właśnie teraz
Dzisiejsze modele są po prostu bardzo dobre. Najnowsze generacje modeli granicznych, jak świeżo wydany Opus czy Gemini, dopiero co trafiły na rynek — i to już nie one są problemem. Problemem jest teraz zrobienie z nich użytku w realnych operacjach firmy.
Według badania MIT z 2025 roku około 95 procent firm nie dostrzega realnego zwrotu z inwestycji w AI. Ktoś musi więc pójść na miejsce i sprawić, żeby to działało. Do tego firmy AI zarabiają dopiero wtedy, gdy ich klienci potrafią korzystać z produktu. Dlatego OpenAI, Anthropic czy AWS wysyłają własnych inżynierów do klientów, by pomagali wpiąć modele w konkretne zastosowania biznesowe. Widać to w danych: liczba ogłoszeń na stanowisko forward deployed engineer wzrosła w tym roku o ponad 1000 procent. Popyt jest gigantyczny, kandydatów niewielu — bo tak mało kto łączy wszystkie cztery zestawy umiejętności.
(Informacja dodatkowa: chodzi o raport MIT Media Lab „State of AI in Business 2025”, według którego aż 95 procent pilotaży generatywnego AI nie przyniosło mierzalnego zwrotu.)
Cztery filary umiejętności
Wymagania na to stanowisko da się rozłożyć na cztery grupy: inżynieria oprogramowania, integracja AI, infrastruktura oraz komunikacja i konsulting.
Inżynieria oprogramowania. Dla pracujących programistów to najłatwiejszy dział — wystarczy odświeżyć algorytmy i struktury danych oraz znać podstawy projektowania systemów. Zaczynając od zera, wybierz jeden popularny język (JavaScript, Java albo Python) i od niego ucz się algorytmów oraz struktur danych. Jeśli celujesz w wielkie firmy technologiczne, po opanowaniu podstaw bardzo pomaga praktyka na LeetCode — platformie z zadaniami rekrutacyjnymi. Poza tym licz na pytania o debugowanie: dostaniesz zepsuty kod, a twoim zadaniem będzie znalezienie i naprawa błędu. Rekruterzy patrzą też na obsługę wyjątków, walidację schematów danych i projektowanie obiektowe. Na poziomach seniorskich dochodzi projektowanie systemów — warto je doszlifować na bazie własnego doświadczenia i literatury branżowej.
Integracja AI. To serce tej pracy — właśnie wokół niej wszystko się kręci. W tej części rekruterzy sprawdzają, czy potrafisz zbudować system z bazą wiedzy (typu RAG), korzystać z MCP i narzędzi wiersza poleceń, podłączać modele do wywołań narzędzi, umiejętności i przepływów pracy, a przede wszystkim tak prowadzić agentów, by dawali przewidywalne rezultaty. W grę wchodzi też samoistne działanie agentów w pętli, testy jakości modeli (tzw. evaly), zabezpieczenia przed błędnymi odpowiedziami i optymalizacja kosztów.
(Informacja dodatkowa: MCP (Model Context Protocol) to otwarty standard łączenia modeli językowych z zewnętrznymi narzędziami i danymi; RAG to technika uzupełniania odpowiedzi modelu o dane z zewnętrznej bazy wiedzy.)
Infrastruktura. Wdrażanie systemów w chmurze — przede wszystkim w AWS i Google Cloud — oraz umiejętność skalowania rozwiązań i utrzymywania ich w dobrej kondycji.
Konsulting. Rozumienie problemów klienta, trafne wyznaczanie zakresu projektu i po prostu dobra komunikacja.
Przerwa na partnera: jak faktycznie się tego nauczyć
(Fragment sponsorowany.)
Forward deployed engineering to w gruncie rzeczy dwie prace w jednej i prawie nikt nie ma obu połówek kompetencji. Samo oglądanie filmów tej luki nie zamknie: z materiału tylko obejrzanego zapamiętujemy jakieś 20 procent, a gdy sami piszemy kod — od 75 do 90 procent. Dlatego współpracuję z DataCamp, platformą do nauki programowania i budowania z AI; korzystam z niej od lat. Jej dwie ścieżki odpowiadają dokładnie tym dwóm połówkom.
Połówka inżynierska to „Python for Software Engineering” — 32 godziny w ośmiu kursach: programowanie obiektowe, struktury danych i algorytmy, wydajny kod, testowanie. Rzeczy, które oddzielają pisanie skryptów od rzemiosła inżyniera. Połówka AI to „Associate AI Engineer for Developers” — 29 godzin w dziesięciu kursach, z założeniem, że już umiesz programować: LangChain, Pinecone, MCP, LLMOps i budowanie prawdziwych aplikacji. Na końcu czeka czterogodzinny egzamin praktyczny — certyfikat „AI Engineer for Developers Associate”, podczas którego budujesz działającą aplikację AI. Taki wpis na LinkedIn, przy pracy polegającej na wdrażaniu AI, ma realną wagę. Wszystko działa w przeglądarce, więc nie tracisz trzech godzin na konfigurowanie Pythona: krótka lekcja po kilka minut i od razu piszesz prawdziwy kod. A gdy utkniesz, asystent AI podsunie wskazówkę zamiast gotowego rozwiązania. Pierwszy rozdział każdego kursu jest darmowy; linki w opisie filmu.
Trzy kroki, jak zdobyć tę pracę
Jeśli masz już branżowe doświadczenie, przygotuj się opowiadać na rozmowach o realnych projektach AI, przy których pracowałeś. Jeśli nie masz — buduj projekty AI dla prawdziwych firm, a nie kolejną aplikację do listy zadań. Wystarczy nawet mała firma, która potrzebuje chatbota do obsługi zapytań klientów: to pełnoprawne studium przypadku do cv.
Drugi krok: zdobywaj doświadczenie w kontakcie z klientem. Nadają się nawet zajęcia nieodpłatne — prowadzenie prezentacji, onboardingów albo spotkań, na których zbiera się wymagania. Rekruterzy wprost o to pytają: jak pracowałeś bezpośrednio z klientem i jak sobie w takich sytuacjach radziłeś.
Trzeci krok: zaczynaj od mniejszych firm, a nie od wielkiego technologa. Duże korporacje są znacznie trudniejsze do zdobycia, a ich wymagania — bardzo wysokie. Wejście do mniejszej firmy pozwala zebrać doświadczenie i otworzyć sobie drzwi na później.
Jak wyglądała rekrutacja w Google
Moje rozmowy w Google składały się z trzech części. Pierwsza: klasyczne zadania w stylu LeetCode, sprawdzające algorytmy i struktury danych. Druga: rundy debugowania — zamiast kolejnych zadań algorytmicznych dostajesz istniejący kod, a twoim zadaniem jest naprawić go, korzystając z AI i narzędzi. Trzecia: projektowanie systemów plus rozmowy behawioralne, w których — metodą STAR, czyli schematem sytuacja–zadanie–działanie–rezultat — opisujesz na podstawie własnego doświadczenia, jak rozwiązałeś konkretny problem biznesowy. Jeśli chcecie pełny, szczegółowy opis całego procesu i moich przygotowań — dajcie znać w komentarzach, a nagram drugą część.
Dlaczego odrzuciłem tę ofertę
Część powodów jest czysto osobista. Stanowisko wymagało pracy stacjonarnej, a to oznaczało poważne decyzje życiowe. Druga część: po rozmowach z zespołami i lepszym poznaniu roli mam wrażenie, że jest ona dziś głośniejsza, niż na to zasługuje. Nie zrozumcie mnie źle — problem istnieje naprawdę. Biznes faktycznie potrzebuje ludzi, którzy wdrożą rozwiązania AI w jego procesy. Ale czy ta praca przetrwa lata? To jest wielkie pytanie.
Przypomnijmy sobie rok 2023 i zawód, który wtedy robił karierę: prompt engineering. Guru tłumaczyli, jak zdobyć taką pracę, powstawały kursy, media pisały o najlepiej opłacanym zawodzie świata, a sam Sam Altman tweetował, że pisanie naprawdę świetnych promptów dla chatbotów to zdumiewająco skuteczna dźwignia. Dziś na LinkedIn trzeba się natrudzić, by w ogóle znaleźć ogłoszenie dla prompt engineera — bo wszyscy już włączyli te umiejętności do codziennej pracy. I tu wraca pytanie: czy forward deployed engineer przetrwa trzy lata? Pięć? Dłużej? Jeśli szukasz stabilnej, długoterminowej roli, to poważny temat do przemyślenia.
Jest i druga strona medalu: AI rozwija się tak szybko, że co miesiąc robi się prostsze w użyciu. Coraz nowsze generacje modeli — choćby kolejne odsłony GPT czy ChatGPT Astra — sprawiają, że codzienne sięganie po AI przychodzi nam coraz łatwiej. Ludzie przyswajają te narzędzia szybciej, niż się spodziewaliśmy. Być może kiedyś korzystanie z AI i wplatanie go we własne procesy stanie się po prostu drugą naturą. A jeśli integracja stanie się łatwa, ten zawód okaże się chwilowym rozwiązaniem na dzisiejszą sytuację, a nie trwałą profesją.
Podkreślę: to moja prywatna opinia. To, co nie pasuje mnie, wcale nie musi nie pasować tobie.
Dla kogo ta rola nadal jest świetną okazją
Niezależnie od wad i niewiadomych stanowisko ma sporo atutów. Dla wielu osób będzie znakomitą przepustką do branży: zdobędziesz realne doświadczenie, zobaczysz od środka, jak firmy naprawdę używają AI, i mocno wzbogacisz cv. Jeśli lubisz pracować z ludźmi i rozwiązywać prawdziwe problemy biznesowe, ta rola może być dla ciebie wymarzona. Do tego trafiasz w otoczenie ludzi z ogromną wiedzą — w Amazonie i Microsofcie nauczyłem się mnóstwa od inżynierów na poziomach senior, staff czy principal. Tutaj dostajesz szansę czerpać od bardziej doświadczonych i być cały czas na przedzie tego, co nowe w AI.
Podsumowanie
Omówiliśmy, czym jest forward deployed engineer, jak ta rola działa, skąd bierze się ogromny popyt i jak spróbować ją zdobyć — a na końcu dlaczego nie przyjąłem oferty. Jeśli chcecie drugą część, z pełnym opisem moich rozmów w Google, zostawcie komentarz i polubcie film — przy tysiącu polubień nagrywam ją od razu. Do zobaczenia w kolejnym materiale.