Кар’єрні стрибки в технологіях часто виглядають як безперервна гонка за вищою зарплатою й гучнішим тайтлом. Однак досвід, яким ділиться канал Marina Wyss – AI & Machine Learning, показує іншу траєкторію: навмисні даунгрейди, роки невидимої підготовки, зміна сфер і паралельний бізнес — усе це може скластися в дохід понад $600 000 на рік.
Старт із нуля: низькооплачувана робота як «прихований акселератор»
Кар’єрна історія починається далеко не з Big Tech. Після шкільного дроп-ауту під час рецесії 2008 року — конкуренція навіть за найпростіші посади, відмова в наймі в роздрібних мережах та роки випадкових підробітків, включно з продажем ножів з дверей у двері.
Перший реальний прорив дає університет: одночасно виконуються кілька низькооплачуваних або взагалі неоплачуваних робіт — стажування без зарплати, робота в кар’єрному центрі за $12/год та ритейл із $10/год. Паралельно — повний навчальний день у UC Berkeley.
Ключовий момент тут — готовність робити те, від чого інші відмовляються. Саме непопулярні безоплатні стажування і комбінування кількох робіт дають конкурентну перевагу: ще до випуску з університету вже є оффер на $45 000 на рік на позицію executive assistant. Тоді як частина однокурсників роками залишається без роботи, вважаючи подібні ролі «заниженими».
Усвідомлені пониження: коли менша зарплата дає більший ріст
Замість класичної траєкторії «кожен наступний крок — плюс до доходу» тут двічі обирається протилежне.
-
Втеча від токсичного середовища
Перша офісна робота за $45 000 рік виявляється руйнівною для ментального здоров’я. Рішення — перехід до іншої некомерційної організації з усвідомленим зниженням зарплати до $40 000. Фокус — не на сумі, а на безпечних умовах, де можна взагалі щось будувати. -
Різкий дауншифт до $35 000
Наступний крок виглядає зовні ще гірше: повний вихід із некомерційного сектору й політики та перехід у маленький ювелірний бізнес у Сан‑Франциско з посадою менеджерки за $35 000. Для Bay Area це майже «виживання»: ретельний облік кожного долара в блокноті, постійний страх не дотягнути до кінця місяця.
Саме цей період з мінімальними грошима виявляється фундаментальним: керування двоосібною компанією змушує швидко освоювати продажі, операційку, роботу з людьми та бази самоменеджменту. За кілька років дохід виростає до приблизно $65 000, але головне — з’являються навички і впевненість, на яких потім будуються і подальша технічна кар’єра, і власний бізнес.
Стрибок у data science: довга підготовка, сотні відмов і 10x за один перехід
Після стагнації в ювелірному бізнесі траєкторія знову різко змінюється: повернення до академічних коренів, магістратура з public policy та переїзд до Берліна. Фінансово це знову скромно — близько $1000 на місяць завдяки роботі асистентки з статистики та досліджень.
Важливий момент: навчання в університеті не розглядається як достатня умова успіху. Паралельно доводиться робити власні проєкти, бо формальна освіта дає занадто мало для реальної конкуренції на ринку.
Перший крок у data science
Під час магістратури з’являється перша data science‑стажування, яка перетворюється на повноцінну роботу — близько $45 000 у 2020 році. Цікава деталь: це практично той самий рівень доходу, що й одразу після бакалаврату в США. Вісім років навчання, роботи, переїздів і зміни сфер на цьому етапі фінансово ще не виглядають виправданими.
100+ заявок і одна відповідь
Справжній фінансовий перелом настає після повернення в США. Пошук роботи виявляється жорстким: понад сто поданих заявок без жодної відповіді. Перший і єдиний зворотний зв’язок — позиція machine learning data scientist у Coursera.
До інтерв’ю готуються майже як до марафону: щонайменше 100 годин підготовки. Результат — оффер на $120 000. Порівняно з попередніми $45 000 це вже майже трикратне зростання, але на цьому крива тільки починає рости.
Машинне навчання, перехід у Big Tech і «невидима» друга робота
Початок роботи в Coursera супроводжується класичною для джуніорів у промисловому ML проблемою: теорія й академічні проєкти — це одне, продакшн‑системи на реальних даних — зовсім інше.
Перші шість місяців — фактично друга неоплачувана зміна: вечори й вихідні витрачаються на те, щоб підтягнути математику й продакшн‑практики. Жоден менеджер прямо цього не вимагає, але власне відчуття відставання змушує діяти агресивно.
Окремий акцент — на фундаментальній математиці. Через дроп-аут із школи не вистачало бази, тож довелося цілеспрямовано закривати прогалини, у тому числі через платформи на зразок Brilliant, які дозволяють втиснути навчання у 20‑хвилинні щоденні «слоти».
Перше значне підвищення
Через трохи більше ніж рік у Coursera — промоушн із data scientist I до data scientist II. Зарплата зростає з $120 000 до близько $160 000. Уже на цьому рівні багато спеціалістів схильні «заспокоїтися», але тут вибір інакший — тестувати ринок.
Перехід у Twitch/Amazon: та сама роль, удвічі більший пакет
Після серії нових подач і співбесід з’являється оффер від Twitch (у структурі Amazon) на роль із тим самим тайтлом і рівнем, але з компенсацією близько $300 000 — практично вдвічі більше, ніж у Coursera.
Виявляється, що однакові назви посад у різних компаніях можуть означати кардинально відмінний рівень складності. На новій позиції — повна відсутність інфраструктури для ML: немає жодної підтримки з інженерного боку, всі продакшн‑моделі доводиться піднімати самостійно.
Цей «кидок у холодну воду» зрештою стає каталізатором ще одного стрибка: перехід з дорожчою «гілкою» кар’єрної решітки — із лінії data science у applied science з акцентом на продакшн ML та інженерії. Рівень за грейдом формально той самий, але job family — значно дорожчий.
Рівень Senior Applied Scientist
Мета далі — senior applied scientist. Вимоги до ролі описані як «high bar»: очікується або PhD, або еквівалентний досвід, сильні дослідницькі навички та вміння не просто впроваджувати готові методи, а й ставити в продакшн новаторські підходи.
Після тривалої роботи й доведення імпакту відбувається підвищення, а сукупна компенсація зростає до приблизно $450 000 на рік.
Другий дохідний потік: YouTube, коучинг і бізнес, що сам себе «з’їдає»
Паралельно з роботою в Coursera, а згодом в Amazon, починається одна‑на‑одна кар’єрна підтримка для людей, які хочуть увійти в data/ML. З часом кількість однакових запитань стає критичною — і логічним продовженням стає запуск YouTube‑каналу приблизно два роки тому.
Перші 5–6 місяців цей напрям суто збитковий: на монтаж відео йде більше коштів, ніж приходить від платформи. Лише згодом канал розганяється до помітних масштабів і відкриває відразу кілька потоків монетизації:
- реклама (ads)
- спонсорські інтеграції
- партнерські (affiliate) програми
- платний коучинг
У підсумку канал і коучинг‑бізнес приносять близько $15 000–20 000 на місяць виторгу. Але це не «чистий» дохід: є команда з шести частково зайнятих співробітників, без яких поєднувати full‑time роботу в Twitch і регулярний контент‑потік було б нереально.
Увесь заробіток із цього напряму або йде на оплату команди, або реінвестується в розвиток: навчання, воркшопи, конференції та інші інструменти росту. Формально власниця бізнесу ніколи не брала собі зарплату з контенту.
За приблизними розрахунками, якби припинити реінвестування і скоротити витрати, можна було б стабільно «забирати» близько $12 000 на місяць. У сумі з компенсацією senior applied scientist це дає орієнтовно ті самі $600 000 річного доходу, про які йдеться у відео.
Чи «важка» така кар’єра і що тут насправді головне
Формальна картинка — переконлива: від $60 000 вісім років тому до понад $600 000 сьогодні, кілька кар’єрних переходів, Big Tech, власний медіа‑та освітній бізнес. Але за цифрами стоїть повністю заповнений календар:
- 50–60 робочих годин на тиждень як норма
- відсутність повноцінних вихідних
- постійне навчання, у тому числі платне
- роки, коли з другого джерела доходу фактично немає особистого прибутку
Цей шлях неможливо назвати «легким», але в самому відео є важливе переосмислення поняття «важка робота». Порівняння з попередніми поколіннями — наприклад, бабусею, яка працювала на консервному заводі та буквально знімала змій із конвеєрної лінії, — показує інший масштаб складності. Сучасний knowledge‑work у ML/AI зі зручністю роботи з дому, високою оплатою та доступом до освіти виглядає радше як привілей, ніж як каторга.
Ключовий висновок, який підкреслюється наприкінці: вирішальною виявляється не стільки «глибина технічних скілів», скільки майндсет:
- готовність працювати там, куди інші не хочуть іти (неоплачувані стажування, «менш престижні» посади)
- здатність свідомо йти на тимчасове зниження доходу заради середньо‑ та довгострокової вигоди
- ставка на постійне навчання далеко за межами формальних ступенів
- прийняття того, що іноді доводиться роками вкладати в новий напрям без миттєвої фінансової віддачі
Для тих, хто лише входить в AI чи data‑сферу, ця історія — не стільки гайдинг по зарплатах, скільки демонстрація того, як нетривіальні, а часом і нелогічні на перший погляд кроки можуть накопичуватися в дуже потужну кар’єрну траєкторію.
Джерело
YouTube: The Career Moves That Made Me $600K