Regrutacija primijenjenih znanstvenika

Ubrzani uspon generativne umjetne inteligencije iz temelja je promijenio strukturne zahtjeve tehnološke radne snage. Za tvrtku specijaliziranu za pronalazak izvršnih kadrova poput KiTalenta, snalaženje na tržištu rada za primijenjene znanstvenike (engl. applied scientists) zahtijeva razumijevanje koje nadilazi tradicionalne paradigme ljudskih resursa. Suvremeni primijenjeni znanstvenik nije samo specijalist, već hibridni profesionalac koji se nalazi na ključnom sjecištu teorijskog istraživanja strojnog učenja i skalabilne softverske produkcije. U hrvatskom gospodarstvu, gdje čak 70 posto poduzeća prepoznaje umjetnu inteligenciju kao izvor konkurentske prednosti, ali samo 13,1 posto ima definiranu strategiju, ova uloga postaje okosnica za prelazak s eksperimentalnih prototipa na sustave spremne za primjenu u poduzećima.

Identitet primijenjenog znanstvenika najbolje se razumije kroz njegovu razliku u odnosu na srodne uloge. Povijesno gledano, područje je bilo podijeljeno između istraživača, fokusiranih na dugoročne metodologije i objavljivanje znanstvenih radova, te inženjera strojnog učenja, usmjerenih na operativnost sustava i održavanje infrastrukture. Primijenjeni znanstvenik premošćuje taj jaz. Od njih se očekuje duboka stručnost u znanosti o podacima uz programersku vještinu potrebnu za uvođenje vlastitih algoritama u produkciju. Za razliku od tradicionalnih podatkovnih znanstvenika čiji je glavni rezultat vizualizacija za poslovne odluke ili prediktivna analitika, glavni rezultat primijenjenog znanstvenika je sam sustav strojnog učenja koji izravno komunicira s krajnjim korisnicima.

Glavna zadaća primijenjenog znanstvenika vrti se oko pretvaranja složenih poslovnih problema u algoritamska rješenja koja su znanstveno utemeljena i računalno učinkovita. U kontekstu velikih jezičnih modela (LLM), oni su vodeći arhitekti usklađivanja u vremenu inferencije, optimizacije parametara i smanjenja latencije. S obzirom na to da Republika Hrvatska usklađuje svoje zakonodavstvo s Aktom o umjetnoj inteligenciji Europske unije, čija puna primjena počinje u kolovozu 2026. godine, primijenjeni znanstvenici imaju ključnu ulogu u osiguravanju da generativni sustavi ostanu usklađeni sa sigurnosnim, etičkim i pravnim standardima bez žrtvovanja performansi ili korisničkog iskustva.

Strukturno, primijenjeni znanstvenici djeluju u visoko međufunkcionalnim okruženjima. Na razini poduzeća, poput vodećih hrvatskih telekomunikacijskih, maloprodajnih i financijskih institucija, obično odgovaraju direktorima za umjetnu inteligenciju (Chief AI Officer) ili potpredsjednicima inženjeringa. Njihov je tijek rada duboko isprepleten s inženjerima platformi, podatkovnim inženjerima i produktnim menadžerima. Nadalje, zbog sve strožih regulatornih zahtjeva, primijenjeni znanstvenici u Hrvatskoj sve češće surađuju s novim profilima stručnjaka, poput službenika za upravljanje umjetnom inteligencijom (AI Governance Officer), kako bi osigurali da su teorijska dostignuća rigorozno testirana u skladu s komercijalnim i pravnim okvirima prije puštanja u produkciju.

Kako bi se omogućilo precizno pronalaženje kandidata, ključno je razlikovati rezultate rada ovih tehničkih uloga. Dok se istraživač fokusira na znanstvene radove, a inženjer strojnog učenja na pouzdanost platformi, primijenjeni znanstvenik fokusira se na to kako temeljna znanost izravno poboljšava rezultate za korisnike i generira povrat investicije (ROI). Iako na hrvatskom tržištu raste potražnja za stručnjacima za integraciju AI-ja i prompt inženjerima, primijenjeni znanstvenik ostaje odgovoran za internu arhitekturu, fino podešavanje samih modela (fine-tuning) i implementaciju RAG (Retrieval-Augmented Generation) sustava. Razumijevanje ovih nijansi sprječava pogreške pri zapošljavanju u okruženju gdje tvrtke često precjenjuju troškove implementacije AI rješenja zbog angažiranja pogrešnog profila stručnjaka.

Obrazovni zahtjevi za ovu ulogu iznimno su visoki, obično zahtijevaju doktorat (PhD) ili visoko specijalizirani magisterij iz računarstva, strojnog učenja, statistike ili primijenjene matematike. Hrvatske visokoobrazovne institucije, predvođene Fakultetom elektrotehnike i računarstva (FER) u Zagrebu te Fakultetom elektrotehnike, strojarstva i brodogradnje (FESB) u Splitu, proizvode ograničen, ali iznimno kvalitetan broj ovakvih stručnjaka. S obzirom na to da 73 posto poslodavaca u Hrvatskoj prijavljuje poteškoće pri zapošljavanju, a demografski trendovi dodatno sužavaju bazu talenata, KiTalent se oslanja na prepoznavanje kandidata koji su ove vještine razvili kroz interdisciplinarni rad, sudjelovanje u open-source zajednicama i međunarodno iskustvo.

U tehnološkoj domeni koja se razvija brže od akademskih ciklusa, profesionalne certifikacije i dokazani portfelj postali su ključna sekundarna validacija. Istraživanja pokazuju da 73 posto hrvatskih stručnjaka za ljudske resurse nema adekvatno znanje o umjetnoj inteligenciji, stoga certifikati velikih pružatelja infrastrukture u oblaku služe kao opipljiv dokaz praktičnih sposobnosti kandidata. Ove validacije pokrivaju kritične domene poput optimizacije modela za stvarnu implementaciju, ublažavanja halucinacija, upravljanja distribuiranim računalnim resursima i ubrzane znanosti o podacima, što su vještine koje često nedostaju u čisto akademskim okruženjima.

Pokretači zapošljavanja primijenjenih znanstvenika variraju ovisno o zrelosti organizacije. Za startupe u generativnom sektoru, primarni okidač je hitna potreba za izgradnjom obranjive tehnološke prednosti (engl. moat) temeljene na vlasničkim algoritmima. Kako tvrtke sazrijevaju, potreba za optimizacijom vlasničkih modela, smanjenjem troškova inferencije i specifičnim usklađivanjem s domenom postaje najvažnija. S druge strane, u velikim hrvatskim poduzećima, okidači su vezani uz masovnu skalabilnost i ublažavanje rizika. Velika poduzeća zapošljavaju primijenjene znanstvenike za rad na visokorizičnim procesima, poput personaliziranih preporuka, detekcije prijevara ili analitike rizika, čime se ubrzava izlazak na tržište i osigurava dugoročna konkurentnost.

Put napredovanja u karijeri primijenjenog znanstvenika definiran je prijelazom s nadzirane implementacije na strateško vodstvo. U okruženju gdje 42 posto zaposlenika ne zna koristi li njihova organizacija uopće umjetnu inteligenciju, viši primijenjeni znanstvenici moraju djelovati kao ključni most između laboratorijskih istraživanja i komercijalne isplativosti. Oni moraju posjedovati iznimnu sposobnost snalaženja u neizvjesnosti, prevodeći složena znanstvena otkrića u jasne uvide za netehničke dionike, upravne odbore i investitore, istovremeno oblikujući globalne metodološke standarde unutar svojih organizacija.

Geografska distribucija talenata u Hrvatskoj izrazito je koncentrirana, ali pokazuje znakove decentralizacije. Zagreb predstavlja dominantno središte zapošljavanja, okupljajući sjedišta najvećih ICT tvrtki, banaka i obrazovnih ustanova. Međutim, tržište se diverzificira; Split bilježi rastući značaj kroz integraciju AI rješenja u turističkoj industriji i proizvodnji, dok Rijeka i Osijek razvijaju snažne regionalne ICT hubove s fokusom na specifične industrijske primjene. Na globalnoj razini, KiTalent aktivno prati kretanja u super-klasterima poput Londona, Berlina, Züricha i Silicijske doline kako bi identificirao optimalne izvore talenata za specifične organizacijske potrebe, uključujući mogućnosti rada na daljinu, hibridne modele i strategije privlačenja stranih stručnjaka ili povratnika.

Proces procjene i selekcije primijenjenih znanstvenika zahtijeva visoko prilagođen pristup. Standardni tehnički intervjui često ne uspijevaju obuhvatiti širinu potrebnih vještina. KiTalent koristi višeslojne metode evaluacije koje uključuju dubinske preglede arhitekture sustava, analizu sposobnosti rješavanja nestrukturiranih problema i procjenu razumijevanja poslovnog konteksta. Kandidati se testiraju ne samo na sposobnost pisanja optimiziranog koda, već i na njihovu sposobnost kritičkog promišljanja o ograničenjima modela, pristranostima u podacima i dugoročnoj održivosti predloženih rješenja u produkcijskom okruženju.

Kulturološko uklapanje predstavlja još jedan kritičan faktor uspjeha. Primijenjeni znanstvenici često dolaze iz akademskih okruženja gdje su ciklusi istraživanja dugi, a fokus je na savršenstvu i inovaciji. Prelazak u korporativno okruženje zahtijeva prilagodbu brzim agilnim ciklusima, gdje je brzina isporuke često jednako važna kao i algoritamska preciznost. Uspješni kandidati su oni koji mogu uravnotežiti znanstvenu strogost s pragmatičnim poslovnim zahtjevima, pokazujući otpornost na pritisak i spremnost na iterativni razvoj temeljen na povratnim informacijama s tržišta.

Prilikom procjene okvira nagrađivanja, organizacije se moraju pripremiti na visoko dinamične strukture. Iako se prosječne bruto plaće iskusnih softverskih inženjera i podatkovnih znanstvenika u Zagrebu kreću između 2.000 i 4.000 eura mjesečno, primijenjeni znanstvenici sposobni za vođenje cjelokupnog ciklusa od istraživanja do produkcije zahtijevaju znatnu premiju, često premašujući standardne raspone. KiTalent procjenjuje spremnost na referentne vrijednosti plaća analizirajući varijable u stvarnom vremenu. Kako bi osigurale vrhunske talente u uvjetima kroničnog manjka radne snage, organizacije moraju ponuditi agilne pakete koji uključuju izdašne osnovne plaće, varijabilne bonuse vezane uz uspješnost projekata, vlasničke udjele, fleksibilne radne uvjete i snažne poticaje za kontinuirano učenje, čime se izravno utječe na korporativnu valuaciju u generativnoj eri.