مهندس هوش مصنوعی بازاریابی
Marketing AI Engineer
مهندس هوش مصنوعی بازاریابی داخل تیم بازاریابی کار می‌کند و برای آن نرم‌افزار می‌سازد: ایجنت‌هایی که کارهای تکراری مثل مسیریابی سرنخ، گزارش و آماده‌سازی کمپین را انجام می‌دهند، اتصال‌هایی که داده را بین CRM، پلتفرم اتوماسیون بازاریابی مثل Marketo، پلتفرم دادهٔ مشتری (CDP) و ابزار ارسال پیام مثل Braze جابه‌جا می‌کنند، و در برخی شرکت‌ها مدل‌هایی که تصمیم می‌گیرند هر مشتری چه پیامی ببیند. عنوان قبلی این صفحه، «مهندس یکپارچه‌سازی Martech» (Martech Integration Engineer)، عنوان شغلی رایجی نیست و فقط در آگهی Nortal دیده شد؛ کارفرماها این کار را بیشتر با عنوان‌هایی مثل Marketing AI Engineer، AI Engineer – Marketing یا Marketing Engineer آگهی می‌کنند.
مقدمه و تعریف شغل
مهندس هوش مصنوعی بازاریابی (Marketing AI Engineer) مهندسی است که داخل تیم بازاریابی می‌نشیند و برای آن سیستم می‌سازد. SIG این نقش را «مهندس نرم‌افزار forward-deployed داخل عملیات بازاریابی» می‌نامد که به‌جای هماهنگ کردن تحویل کار با دیگران، خودش راه‌حل را می‌سازد؛ Faire می‌نویسد «این یک نقش مهندسی است که داخل بازاریابی قرار دارد» و صاحبش با این سنجیده می‌شود که تیم بازاریابی توانایی تازه‌ای به دست آورده یا نه. کار سه بخش دارد: یکپارچه‌سازی سیستم‌های بازاریابی (CRM، اتوماسیون، CDP، ابزار پیام)، ساخت ایجنت و اتوماسیون با مدل‌های زبانی، و در برخی شرکت‌ها مدل‌های پیش‌بین برای شخصی‌سازی. دامنهٔ عنوان در آگهی‌ها گسترده است: از مهندس نرم‌افزاری با چند سال سابقه (SIG، Faire، Cresta) تا متخصص عملیات بازاریابی که ساختن با AI را یاد گرفته است (Sonar، Verkada).
Scott Brinker، که از ۲۰۰۸ وبلاگ chiefmartec را دربارهٔ فناوری بازاریابی می‌نویسد، می‌گوید تعداد محصولات نقشهٔ martech از ۱۵۰ در ۲۰۱۱ به ۱۵٬۵۰۵ در ۲۰۲۶ رسیده و رشدش امسال تقریباً متوقف شده است؛ اما در همان گزارش، دستهٔ iPaaS و یکپارچه‌سازی داده ۸٪ و دستهٔ حاکمیت، انطباق و حریم خصوصی ۷٫۱٪ رشد کرده‌اند و او می‌نویسد وقتی ایجنت‌ها می‌توانند در چند سیستم عمل کنند، بافت اتصال‌دهنده و قواعد حاکم بر آن خیلی مهم‌تر می‌شود. او در گزارش ۲۰۲۵ هم از رشد سریع اپلیکیشن‌ها و ایجنت‌های سفارشی نوشت که شرکت‌ها خودشان می‌سازند و آن را «hypertail» نامید. بازار کار همین جهت را نشان می‌دهد: ITJobsWatch در ۶ ماه منتهی به ۱۲ نوامبر ۲۰۲۶، ۴۹۷ آگهی استخدام دائم IT در بریتانیا ثبت کرده که به Marketing Technology اشاره کرده‌اند، در برابر ۶۳ آگهی در همین بازهٔ ۲۰۲۵.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس هوش مصنوعی بازاریابی
ایجنت برای کارهای تکراری بازاریابی
Sonar از این نقش ایجنت‌ها و workflowهایی می‌خواهد که از تولید محتوا و عملیات کمپین تا گزارش، مسیریابی سرنخ و شخصی‌سازی را ساده کنند. SIG همین را برای عملیات محتوا، کمک به بریف‌نویسی، بینش بازار و حساب‌ها، توانمندسازی فروش و گزارش می‌خواهد، همراه با تست، ارزیابی و پایش در پروداکشن.
اجرای کمپین از روی بریف ساختاریافته
در پروژهٔ همکاری یک شرکت بزرگ فناوری با Adobe که Nortal برایش مهندس می‌خواهد، یک اپلیکیشن داخلی نیازهای کمپین را به‌صورت ساختاریافته (JSON) می‌گیرد و ایجنت‌ها از روی آن اجرای کمپین را روی پلتفرم‌های بازاریابی خودکار می‌کنند. آگهی تأکید می‌کند منطق قطعی کسب‌وکار، جایی که مناسب است، بیرون از استدلال ایجنت بماند.
لایهٔ داده و یکپارچه‌سازی
SIG جریان‌های دادهٔ مستند بین Salesforce، Pardot، سایت و CMS، کانال‌های کمپین و گزارش می‌خواهد تا دادهٔ کمپین و سرنخ به هم وصل و قابل‌اعتماد باشد. Faire می‌خواهد همگام‌سازی مخاطبان با پلتفرم‌های تبلیغاتی سلف‌سرویس شود و قرارداد داده در کد اجرا شود.
شخصی‌سازی با RAG و مدل‌های پیش‌بین
McAfee از این نقش سیستم‌های RAG برای محتوای شخصی‌سازی‌شده در وب، ایمیل و پیامک، و مدل‌های LTV، احتمال ریزش و «Next Best Action» می‌خواهد. Questrade هم از مهندس بازاریابی می‌خواهد مدل‌های next-best-action را با تیم علم داده عملیاتی کند.
خط تولید محتوای مولد با guardrail
McAfee ساخت و نگهداری pipeline تولید خودکار creative تبلیغاتی (متن، تصویر و ویدیو) با مدل‌های زبانی و چندوجهی را می‌خواهد، به شرطی که guardrail های ایمنی برند رعایت شود. Faire هم «حلقهٔ یادگیری برای asset های مولد در کمپین‌های تبلیغاتی» را در فهرست پروژه‌هایش دارد.
پایش و ارزیابی ایجنت‌ها
TRM Labs از این نقش می‌خواهد مالک لایهٔ عملیاتی «ناوگان ایجنت‌های» بازاریابی باشد: راه‌اندازی، بررسی خروجی، پایش، هشدار و رسیدگی به خطا. Faire هم پیش از رسیدن هر ایجنتی به مشتری، eval harness، پایش و حالت شکست تعریف‌شده می‌خواهد.
تخصص‌های مختلف مهندس هوش مصنوعی بازاریابی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
مهندس ایجنت‌های داخلی بازاریابی
Marketing AI Engineer (internal agents)
ساخت ایجنت و اتوماسیون برای کار روزمرهٔ تیم بازاریابی، مستندسازی و آموزش تیم؛ عنوان آگهی‌های Sonar و Elastic و نزدیک به GenAI Engineer, Marketing در impact.com و AI Engineer Marketing Tools در LABHOUSE.
مهندس شخصی‌سازی و مدل‌های پیش‌بین
MarTech Personalization / ML Engineer
مدل‌های LTV، ریزش و Next Best Action، RAG برای محتوای شخصی و اتصال آن‌ها به CDP و ESP؛ مثل آگهی McAfee. Faire هم «لایهٔ مصرف» مدل‌های توصیه و propensity را در سطوح بازاریابی جزو کار این نقش می‌داند.
مهندس یکپارچه‌سازی Martech
MarTech Integration Engineer
تمرکز روی API، داده و اتصال پلتفرم‌های بزرگ مثل Adobe Experience Cloud، Marketo و Salesforce Marketing Cloud؛ مثل آگهی Nortal که ایجنت را هم روی همین اتصال‌ها می‌سازد و آگهی معمار فنی اتوماسیون بازاریابی Sonar.
مهندس AI مستقر نزد تیم بازاریابی
Forward Deployed AI Engineer, Marketing
کار مستقیم کنار تیم‌های بازاریابی، نمونه‌سازی سریع و تبدیل آن به ابزار ماندگار؛ عنوان آگهی‌های Adobe (Marketing Intelligence & Consumer Insights)، F5 و MaxIT Consulting.
مهندس رشد و بازاریابی
Growth / Marketing Engineer
ترکیب سایت، صفحه‌های فرود، رهگیری داده و ایجنت؛ Cresta از Marketing Engineer (AI Agents) مالکیت سایت و ساخت ایجنت‌های بازاریابی را می‌خواهد و Wonolo ساخت سفر کاربر در Iterable و ایجنت‌های جذب کاربر را.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مدیر عملیات بازاریابی مالک پشته و فرایندهای بازاریابی است: پلتفرم اتوماسیون، CRM، چرخهٔ سرنخ، کمپین‌های ایمیل و گزارش قیف؛ AI هم به وظایفش اضافه شده است. مهندس هوش مصنوعی بازاریابی کد می‌نویسد و سرویس، اتصال و ایجنت می‌سازد. Sonar هر دو نقش را کنار هم دارد و از Marketing AI Engineer می‌خواهد با «Marketing Tooling & AI Operations Manager» همکاری کند تا اتوماسیون‌ها با پشتهٔ موجود یکپارچه شوند؛ Nortal هم نوشته نقشش «اول مهندسی است، نه یک نقش سنتی عملیات اتوماسیون بازاریابی». در سر دیگر طیف مرز کم‌رنگ است: Verkada برای AI Marketing Engineer پنج سال سابقه در عملیات بازاریابی، RevOps یا حوزه‌های مشابه می‌خواهد و نوشته لازم نیست مهندس نرم‌افزار باشید.
مهارت‌های فنی تقریباً یکی است: Python، API مدل‌های زبانی، ایجنت، RAG و ارزیابی. تفاوت در مشتری و دانش حوزه است. مهندس هوش مصنوعی برای هر بخشی از شرکت یا برای محصول می‌سازد؛ مهندس هوش مصنوعی بازاریابی فقط برای بازاریابی می‌سازد و باید CRM، پلتفرم اتوماسیون، CDP و منطق قیف را بشناسد. صفحهٔ مهندس هوش مصنوعی هم تجربهٔ Loyalty و MarTech را در آگهی Kobie امتیاز می‌داند. Dustin از کسی با ۳+ سال سابقهٔ مهندسی نرم‌افزار، AI یا یادگیری ماشین می‌خواهد و تجربهٔ martech را فقط امتیاز می‌شمارد؛ یعنی ورود از مهندسی AI به این نقش ممکن است.
متخصص اتوماسیون workflowهای چند بخش شرکت را بیشتر روی پلتفرم‌هایی مثل n8n، Zapier و Make می‌سازد. نسخهٔ کم‌کدِ همین عنوان در بازاریابی هم وجود دارد: Elastic برای Marketing AI Engineer تجربه با Workfront Fusion، Zapier، Make یا n8n می‌خواهد و Python را امتیاز می‌داند. اما بیشتر آگهی‌های این صفحه کد را شرط می‌گذارند: SIG پنج سال سابقهٔ ساخت نرم‌افزار، Faire کد پروداکشن و on-call، و TRM Labs گذر از «سرهم‌کردن بدون کد» به کنترل نسخه، تست و CI را می‌خواهد. تفاوت دوم دانش حوزه است: این نقش باید منطق سرنخ، رضایت و attribution را بداند.
مدیر شخصی‌سازی تصمیم می‌گیرد هر مشتری کجا و چه چیزی ببیند و اثرش را با آزمایش می‌سنجد؛ مهندس سیستمی را می‌سازد که این تصمیم‌ها روی آن اجرا می‌شود. صفحهٔ مدیر شخصی‌سازی همین تقسیم کار را از آگهی‌های McAfee نشان می‌دهد: Website Personalization Manager با Adobe Target کار می‌کند و Senior MarTech Personalization Engineer با Python، PyTorch و مدل‌های پیش‌بین. آگهی مهندس McAfee هم از او می‌خواهد هدف‌های مبهم بازاریابی را به نیازهای فنی و هدف مدل تبدیل کند.
تأثیر در صنایع مختلف
مهندس هوش مصنوعی بازاریابی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
امنیت سایبری مصرف‌کننده
McAfee لایهٔ AI بازاریابی را برای شخصی‌سازی، بهینه‌سازی خودکار کمپین و تولید creative مولد می‌سازد و از «مدیریت کمپین» به «هماهنگی کمپین» با تیم‌های انسان و ایجنت حرکت می‌کند
ابزارهای توسعهٔ نرم‌افزار
Sonar و Elastic هر دو Marketing AI Engineer استخدام می‌کنند تا اتوماسیون و ایجنت‌های داخلی تیم بازاریابی را بسازند و به API مدل‌ها وصل کنند
تجارت الکترونیک و بازارگاه
Faire سیستم‌های مخاطبان، صفحه‌های فرود، attribution و فیدهای تبلیغاتی را با مهندسی که داخل بازاریابی می‌نشیند می‌سازد و ایجنت را وارد کار تکراری تیم می‌کند
صنعت و بسته‌بندی B2B
SIG، تولیدکنندهٔ سیستم‌های بسته‌بندی، لایهٔ داده و اتصال بین Salesforce، Pardot، سایت و کانال‌های کمپین و ایجنت‌های تولید سرنخ را با یک مهندس داخلی می‌سازد
خدمات مالی
Questrade در کانادا برای شخصی‌سازی تجربهٔ مشتری، pipeline دادهٔ بلادرنگ به ابزارهای بازاریابی و عملیاتی کردن مدل‌های next-best-action مهندس بازاریابی استخدام می‌کند
پلتفرم‌های بازاریابی همکاری
impact.com، پلتفرم بازاریابی همکاری و affiliate، اپلیکیشن داخلی Marketing Hub و ایجنت‌های بخش بازاریابی خود را با یک GenAI Engineer می‌سازد
مشاوره و خدمات IT
Nortal در همکاری یک شرکت بزرگ فناوری با Adobe، اپلیکیشن بریف کمپین و ایجنت‌هایی می‌سازد که اجرای کمپین را خودکار می‌کنند؛ کار اصلی با Node.js، Adobe I/O Runtime و Marketo Engage است
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
این یک شغل بازاریابی است و کدنویسی جدی لازم ندارد
در بیشتر آگهی‌ها برعکس است. SIG دست‌کم پنج سال سابقهٔ ساخت نرم‌افزار می‌خواهد، Faire نوشتن کد پروداکشن، code review و حضور در on-call را جزو کار می‌داند و Nortal صریحاً نوشته نقشش «اول مهندسی است، نه یک نقش سنتی عملیات اتوماسیون بازاریابی».
فقط مهندسان نرم‌افزار باسابقه شانس ورود دارند
عنوان طیف دارد. Sonar نوشته بهترین فرد شاید یک کهنه‌کار عملیات بازاریابی باشد که خودش ساختن با AI را یاد گرفته، و Verkada می‌گوید لازم نیست مهندس نرم‌افزار باشید. اما همین آگهی‌ها هم کار با API و داده را می‌خواهند و TRM Labs شاهد گذر از ابزارهای بدون کد به کد و کنترل نسخه را شرط گذاشته است.
کافی است AI بلد باشید؛ دانش بازاریابی لازم نیست
TRM Labs سابقهٔ بازاریابی یا عملیات بازاریابی را «شرط، نه امتیاز» می‌داند و می‌نویسد در این نقش کسی بعد از شما درستی منطق بازاریابی را بررسی نمی‌کند. LABHOUSE هم شناخت جذب کاربر، کانال‌های رشد، SEO و attribution را می‌خواهد.
کار این نقش نوشتن متن تبلیغ با ChatGPT است
Wonolo صریحاً می‌خواهد از مدل‌های زبانی برای شخصی‌سازی پیام و بالا بردن نرخ تبدیل استفاده شود، «نه فقط برای سریع‌تر نوشتن متن». McAfee مدل‌های پیش‌بین، RAG و پایش داده در پروداکشن را می‌خواهد و Nortal ایجنت‌هایی که اجرای کمپین را واقعاً خودکار می‌کنند.
وقتی دموی ایجنت کار کرد، کار تمام است
TRM Labs می‌نویسد هیچ‌چیز تا وقتی واقعاً اجرا نشده و خروجی‌اش بررسی نشده، تحویل‌شده حساب نمی‌شود و از نامزد می‌خواهد سیستمی را اداره کرده باشد که بی‌صدا خراب شده است. Faire هم پیش از رسیدن هر چیزی به مشتری، ارزیابی، پایش و حالت شکست تعریف‌شده می‌خواهد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
آگهی‌های جونیور با این عنوان کم‌اند؛ کمترین سابقه‌ای که در آگهی‌های بررسی‌شده خواسته شد ۲ تا ۴ سال بود (Wonolo). راه رایج‌تر ورود، کار به‌عنوان توسعه‌دهندهٔ اتوماسیون یا martech است که در آن بیشتر وقت صرف نگهداری اتصال‌ها و workflowهای موجود می‌شود.
- ◆پیدا کردن علت قطع شدن همگام‌سازی یک فیلد بین CRM و پلتفرم اتوماسیون
- ◆نوشتن یک کانکتور ساده با API و مدیریت خطا و retry آن
- ◆افزودن چند نمونه به مجموعهٔ ارزیابی یک ایجنت
- ◆مستندسازی یک workflow برای همکاران غیرفنی
میانی (۲–۵ سال)
مالک یک یا چند سیستم هستید و کنار تیم‌های بازاریابی می‌نشینید. Faire این را چنین توصیف می‌کند: الگوی پشت درخواست‌ها را پیدا کنید و چیزی بسازید که آن درخواست‌ها دیگر نیایند.
- ◆جلسه با تیم lifecycle یا تبلیغات برای فهم کاری که هر هفته دستی تکرار می‌شود
- ◆ساخت ایجنت یا سرویس تازه و سنجیدن آن با مجموعهٔ ارزیابی پیش از انتشار
- ◆بررسی داشبورد پایش و رسیدگی به اتوماسیونی که خروجی اشتباه داده است
- ◆آموزش تیم بازاریابی برای استفاده از ابزاری که ساخته‌اید
ارشد (۵+ سال)
تصمیم‌های معماری، لایهٔ داده و قواعد حاکمیت با شماست. در آگهی‌های ارشد مثل McAfee، مدل‌های پیش‌بین، حریم خصوصی و Responsible AI هم به کار اضافه می‌شود.
- ◆طراحی اینکه دادهٔ مشتری چطور از انبار داده به CDP و ابزارهای پیام برسد
- ◆تصمیم بین خرید یک ابزار martech و ساختن نسخهٔ داخلی
- ◆تعریف guardrail های برند و حریم خصوصی برای ایجنت‌ها و محتوای مولد
- ◆تبدیل هدف مبهمی مثل «افزایش تعامل» به نیاز فنی و هدف مدل
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی و ساخت ایجنت‌ها و workflowهایی که کارهای تکراری بازاریابی را خودکار می‌کنند: آماده‌سازی کمپین، گزارش، مسیریابی سرنخ و تولید محتوا
- ◈ساخت و نگهداری اتصال‌ها و جریان داده بین CRM، پلتفرم اتوماسیون بازاریابی، سایت، CDP و ابزارهای ارسال پیام با API، webhook و middleware
- ◈راه‌اندازی RAG و پایگاه دانش روی محتوای برند و کمپین‌ها با کنترل انسانی و رعایت یکدستی برند
- ◈ساخت مجموعهٔ ارزیابی، پایش و هشدار برای ایجنت‌ها و اتوماسیون‌ها و رسیدگی به خطاهای آن‌ها در پروداکشن
- ◈در نقش‌های ارشدتر: ساخت و استقرار مدل‌های پیش‌بین مثل LTV، احتمال ریزش و Next Best Action و سنجیدن اثر واقعی آن‌ها
- ◈رعایت حریم خصوصی و قواعد رضایت (GDPR، CCPA) و کیفیت داده در همهٔ سیستم‌هایی که ساخته می‌شوند
- ◈نشستن کنار تیم‌های lifecycle، تبلیغات پولی، محتوا و تولید تقاضا و تبدیل درخواست‌های مبهم به مشخصات فنی
- ◈مستندسازی هر چیزی که ساخته می‌شود و آموزش تیم بازاریابی برای استفادهٔ مستقل از آن
- ◈گزارش زمان صرفه‌جویی‌شده، خطاها و اثر کسب‌وکاری اتوماسیون‌ها به مدیران بازاریابی و پیشنهاد اینکه چه چیزی خریده و چه چیزی ساخته شود
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس هوش مصنوعی بازاریابی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
زبان‌های اصلی آگهی‌ها؛ impact.com هر دو را must-have می‌داند و SIG «TypeScript، Python، Java یا مشابه» را
SIG طراحی، ساخت و مصرف REST API، webhook و جریان‌های احراز هویت برای اتصال سیستم‌های SaaS را می‌خواهد
Faire و McAfee هر دو SQL و کار با انبار دادهٔ ابری را شرط گذاشته‌اند
ساخت، تست و اجرای ایجنت روی API مدل‌ها؛ در آگهی‌های SIG، Nortal، Dustin و LABHOUSE
Faire تجربهٔ گذاشتن LLM در پروداکشن «با eval، پایش و حالت شکست تعریف‌شده» را می‌خواهد و impact.com ساخت چارچوب ارزیابی LLM را
SIG ساخت پایگاه دانش و ساختار بازیابی (RAG) و McAfee RAG برای محتوای شخصی‌سازی‌شده را می‌خواهد
Salesforce، Marketo، HubSpot یا Pardot؛ بیشتر آگهی‌ها دست‌کم یکی را می‌خواهند
Faire «عمق در دست‌کم یک پلتفرم بازاریابی» مثل Braze، Iterable، Segment یا Hightouch را شرط گذاشته است
n8n، Zapier، Make یا Workato برای جاهایی که کد لازم نیست؛ در آگهی‌های Sonar، Elastic، Verkada و TRM Labs
LTV، احتمال ریزش و Next Best Action با PyTorch یا TensorFlow؛ برای نقش‌های ارشد شخصی‌سازی مثل McAfee
Docker، Kubernetes و سرویس‌های AI ابری در McAfee؛ ابر GCP، AWS یا Azure در Questrade
مهارت‌های نرم
SIG، Elastic، impact.com و Faire همگی این را صریحاً از نامزد می‌خواهند
impact.com می‌خواهد مستندسازی را «هم‌زمان با ساختن، نه بعد از آن» انجام دهید و توانمندسازی دیگران را جزو کار بدانید
Sonar کسی را می‌خواهد که بتواند توضیح دهد یک اتوماسیون چه می‌کند و چرا مهم است
TRM Labs می‌خواهد با قضاوت بازاریابی تصمیم بگیرید کدام ایجنت ارزش ساختن دارد؛ SIG انتخاب فناوری را «بر اساس شایستگی و هزینهٔ کل، نه عادت به فروشنده» می‌خواهد
دانش حوزه‌ای
منطق قیف و attribution، امتیازدهی سرنخ و تعریف‌هایی مثل MQL و MQA (از شرایط TRM Labs)
GDPR و CCPA در آگهی McAfee؛ GDPR، CCPA و CAN-SPAM در آگهی معمار فنی Sonar؛ قواعد رضایت و پاک‌سازی فهرست در TRM Labs
McAfee درک A/B testing بیزی و causal inference را برای سنجش اثر واقعی AI می‌خواهد
McAfee guardrail های ایمنی برند و SIG کنترل کیفیت انسانی و یکدستی برند را می‌خواهد
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس هوش مصنوعی بازاریابی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌های برنامه‌نویسی: Python، SQL، Git و کار با API
هستهٔ این شغل نوشتن کد است. Python را تا جایی یاد بگیرید که بتوانید یک API را صدا بزنید، JSON را پردازش کنید و نتیجه را در فایل یا پایگاه داده بنویسید. SQL هم از همین ابتدا لازم است؛ Faire از این نقش می‌خواهد آن‌قدر با انبار داده راحت باشد که خودش تصمیم بگیرد چه چیزی ساخته شود. اگر از عملیات بازاریابی می‌آیید، این مرحله مهم‌ترین شکاف شماست.
سیستم‌های بازاریابی: CRM، اتوماسیون بازاریابی، CDP و قیف فروش
باید بفهمید داده و سرنخ در یک تیم بازاریابی چطور حرکت می‌کند: از فرم و رویداد سایت تا CRM، امتیازدهی سرنخ، کمپین ایمیل و گزارش. TRM Labs صریحاً نوشته «نیمهٔ بازاریابی این نقش اختیاری نیست» و آشنایی با منطق قیف، امتیازدهی سرنخ و قواعد رضایت (consent) را شرط گذاشته است. دوره‌های رایگان HubSpot، Salesforce و Braze برای شروع کافی‌اند.
مهندسی یکپارچه‌سازی: API، webhook و اتوماسیون
بخش بزرگی از کار وصل کردن سیستم‌هاست. SIG از این نقش طراحی، ساخت و مصرف REST API، webhook و جریان‌های احراز هویت را می‌خواهد و Sonar در آگهی معمار فنی اتوماسیون بازاریابی از مدیریت rate limit، OAuth و retry نام می‌برد. با API یک پلتفرم واقعی مثل HubSpot یا Marketo کار کنید و یاد بگیرید کجا یک ابزار workflow مثل n8n کافی است و کجا باید کد نوشت.
مدل زبانی، ایجنت، RAG و ارزیابی
حالا مدل زبانی را وارد این جریان‌ها کنید: پرامپتی که از کد ساخته می‌شود، خروجی ساختاریافته، ایجنتی که با ابزار کار می‌کند و RAG روی محتوای برند. مهم‌تر از ساختن، سنجیدن است: Faire پیش از رسیدن هر چیزی به مشتری، «eval harness، پایش و حالت شکست تعریف‌شده» می‌خواهد. Anthropic هم توصیه می‌کند با الگوهای ساده شروع کنید.
شخصی‌سازی، آزمایش، حریم خصوصی و پروداکشن
برای نقش‌های ارشدتر، مدل‌های پیش‌بین و آزمایش هم لازم می‌شود: McAfee مدل‌های LTV، احتمال ریزش و Next Best Action و درک A/B testing بیزی و causal inference را می‌خواهد. هم‌زمان باید قواعد حریم خصوصی مثل GDPR را بشناسید و سیستم را با Docker، زمان‌بندی و پایش در پروداکشن نگه دارید.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
پلتفرم‌های بازاریابی (CRM، اتوماسیون، CDP و ارسال پیام)
CRM و Marketing Cloud؛ SIG از اتصال Salesforce و Pardot، Verkada از Salesforce و Marketo و Sonar در آگهی معمار فنی از Salesforce Marketing Cloud نام برده‌اند
پلتفرم اتوماسیون بازاریابی Adobe؛ Nortal تجربه با API ها و مدل اشیای آن را می‌خواهد و در آگهی‌های Elastic و Verkada هم آمده است
CRM و اتوماسیون بازاریابی؛ TRM Labs مدیریت عملی HubSpot و Salesforce را جزو حداقل‌های فنی آورده است
پلتفرم ارسال پیام و journey؛ در پشتهٔ اجرای بازاریابی McAfee و در فهرست Faire آمده و Questrade آن را امتیاز می‌داند
CDP ترکیبی (Composable) که دادهٔ انبار داده را به ابزارهای بازاریابی می‌فرستد؛ در آگهی‌های McAfee و Faire آمده است
زبان، API و اتوماسیون
زبان مشترک بیشتر آگهی‌ها؛ McAfee تسلط کامل به آن را می‌خواهد و Dustin، LABHOUSE و HFM هم آن را شرط گذاشته‌اند
برای سرویس‌ها و اتصال‌ها؛ impact.com هر دو را must-have می‌داند و کار اصلی Nortal با Node.js و REST API است
ساخت workflow با امکان کدنویسی؛ در آگهی‌های Sonar، Elastic، Verkada و TRM Labs در کنار Zapier و Make آمده است
مدل زبانی و ایجنت
ساخت ایجنت روی مدل‌های Claude؛ Sonar آن را در کنار LangChain و OpenAI Assistants مثال زده است
داده، استقرار و پایش
زمان‌بندی و اجرای pipeline؛ McAfee آن را در کنار Prefect و GitHub Actions برای orchestration نام برده است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
توسعه‌دهندهٔ اتوماسیون یا Martech (ورود)
۰ تا ۲ سال
نگهداری اتصال‌ها و workflowهای موجود، نوشتن کانکتور ساده با API، رفع خطای همگام‌سازی داده و مستندسازی؛ در آگهی‌های بررسی‌شده کمترین سابقهٔ خواسته‌شده ۲ تا ۴ سال بود (Wonolo)
مهندس هوش مصنوعی بازاریابی
۲ تا ۵ سال
مالکیت یک یا چند سیستم از طراحی تا پروداکشن: ایجنت، اتصال یا لایهٔ مخاطبان؛ آگهی Faire با ۴+ سال سابقه و آگهی Dustin با ۳+ سال نمونهٔ این سطح‌اند
مهندس ارشد هوش مصنوعی بازاریابی
۵+ سال
طراحی لایهٔ داده و AI بازاریابی، مدل‌های پیش‌بین و شخصی‌سازی، و استانداردهای حریم خصوصی و حاکمیت؛ مثل آگهی‌های McAfee، SIG (۵+ سال) و Cresta (۷+ سال)
معمار فناوری بازاریابی / مدیر مهندسی بازاریابی
پس از سطح ارشد
تعیین معماری داده و اتصال‌های کل پشتهٔ بازاریابی و تصمیم بین خرید ابزار و ساختن آن؛ Sonar برای این سطح عنوان Senior Technical Architect & Developer – Marketing Automation را آگهی کرده است
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
دو مهارت هم‌زمان
عمومیاین نقش هم مهندسی می‌خواهد و هم بازاریابی. TRM Labs سابقهٔ بازاریابی را شرط می‌داند و Sonar بهترین نامزد را کسی می‌داند که یکی از این دو را از درون بلد است و دیگری را عمیق یاد گرفته. کسی که فقط یکی را دارد باید وقت جدی برای دیگری بگذارد.
کیفیت داده و تعریف‌های ناهمخوان
عمومیایجنت و داشبورد فقط به اندازهٔ داده‌شان درست‌اند. TRM Labs از این نقش می‌خواهد تعریف مفاهیمی مثل territory، مراحل امتیازدهی سرنخ، MQL و MQA را در همهٔ ابزارها و ایجنت‌ها یکی کند تا «بی‌صدا با هم اختلاف پیدا نکنند».
خرابی بی‌صدای اتوماسیون
عمومیسیستمی که بدون نظارت اجرا می‌شود ممکن است بدون هشدار خراب شود. TRM Labs دقیقاً همین تجربه را از نامزد می‌خواهد و Faire حضور در on-call را جزو کار گذاشته است.
حریم خصوصی و قواعد ارسال
شرکت بزرگاین سیستم‌ها با دادهٔ شخصی مشتری کار می‌کنند. McAfee رعایت GDPR و CCPA را برای همهٔ پیاده‌سازی‌های AI می‌خواهد و آگهی معمار فنی Sonar رهبری انطباق با GDPR، CCPA و CAN-SPAM را.
ایمنی برند در محتوای تولیدشده با AI
عمومیمحتوای مولد ممکن است از لحن یا قواعد برند بیرون بزند. McAfee برای pipeline تولید creative، guardrail ایمنی برند می‌خواهد و SIG کنترل کیفیت انسانی، یکدستی برند و حاکمیت را در خود اکوسیستم AI.
خرید یا ساختن
استارتاپبسیاری از نیازها هم با یک ابزار آماده حل می‌شوند و هم با نسخهٔ داخلی. Faire تجربهٔ جایگزین کردن یک ابزار martech با نسخهٔ داخلی و دانستن هزینهٔ آن را امتیاز می‌داند و SIG می‌خواهد راه‌حل‌های پراکنده و قدیمی را با ساخته‌های سبک داخلی جایگزین کنید.
حقوق و بازار کار جهانی
حقوق جهانی مهندس هوش مصنوعی بازاریابی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Faire posting, Growth Platform, Marketing Engineer (San Francisco & New York; 4+ years), first published Sep 18, 2026: pay range; median = midpoint
- Cresta posting, Marketing Engineer (AI Agents) (US remote; 7+ years), first published Nov 6, 2026: base salary range; median = midpoint
- TRM Labs posting, Marketing Technology Engineer (US remote; years not stated), published Aug 25, 2026: US base salary range; median = midpoint
- McAfee posting, Senior MarTech Personalization Engineer (Frisco TX / San Jose CA; years not stated), listed Nov 7, 2026: anticipated pay range; median = midpoint
- Faire posting, Growth Platform, Marketing Engineer (Toronto; 4+ years), first published Sep 18, 2026: Toronto pay range, printed as $; median = midpoint
- Questrade posting, Marketing Engineer (North York ON; 3+ years), listed Nov 2026: base salary range for Canada, printed as $; median = midpoint
- Tracksuit posting, AI Engineer - GTM (Sydney; agents for Sales, CS and Marketing; years not stated), published Nov 12, 2026: Sydney salary range; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: سیستم‌های بازاریابی
CRM، اتوماسیون بازاریابی و قیف سرنخ را بشناسید؛ یک حساب رایگان HubSpot بسازید و با آن کار کنید.
ماه ۲: API پلتفرم‌های بازاریابی
با API های HubSpot و Marketo کار کنید: خواندن و نوشتن رکورد، webhook و محدودیت‌های نرخ.
ماه ۳: CDP و ابزار پیام
یاد بگیرید داده از انبار داده چطور به Segment، Hightouch و Braze می‌رسد و مخاطبان چطور ساخته می‌شوند.
ماه ۴: ایجنت بازاریابی
پروژهٔ ایجنت غنی‌سازی و مسیریابی سرنخ را با تأیید انسانی بسازید.
ماه ۵: RAG و ارزیابی روی محتوای برند
دستیار نوشتن ایمیل روی راهنمای برند را بسازید و برایش مجموعهٔ ارزیابی بنویسید.
ماه ۶: پورتفولیو و درخواست
پروژه‌ها را با README و نتیجهٔ ارزیابی مرتب کنید و رزومه را با زبان آگهی‌ها بنویسید: اتصال سیستم‌های بازاریابی، ایجنت، ارزیابی و پایش.
پروژه‌های پیشنهادی برای رزومه
ایجنت غنی‌سازی و مسیریابی سرنخ با تأیید انسانی
مبتدیدر یک حساب رایگان HubSpot چند سرنخ آزمایشی بسازید. ایجنتی بنویسید که برای هر سرنخ اطلاعات تکمیلی جمع کند، دلیل اولویتش را بنویسد و پیشنهاد مسیریابی بدهد، اما تغییر در CRM فقط پس از تأیید انسان انجام شود.
دستیار نوشتن ایمیل کمپین روی راهنمای برند (RAG)
متوسطراهنمای برند و چند ایمیل قبلی یک برند فرضی را ایندکس کنید و از روی یک بریف، چند نسخهٔ ایمیل بسازید. یک مجموعهٔ ارزیابی هم بنویسید که لحن، ادعاهای نادرست و رعایت قواعد برند را بسنجد.
از بریف کمپین تا پیش‌نویس کمپین
متوسطبا الهام از آگهی Nortal: فرمی بسازید که بریف کمپین را به JSON ساختاریافته تبدیل کند و ایجنتی که از روی آن پیش‌نویس کمپین را در محیط آزمایشی یک پلتفرم اتوماسیون بسازد. منطق قطعی (مثل اعتبارسنجی فیلدها) را بیرون از استدلال ایجنت نگه دارید.
مدل احتمال ریزش و ارسال مخاطبان به ابزار پیام‌رسانی
پیشرفتهروی یک مجموعه‌دادهٔ عمومی مشتریان، مدل ساده‌ای برای احتمال ریزش بسازید، نتیجه را در یک جدول انبار داده بنویسید و گروه پرخطر را با یک ابزار reverse ETL یا API به یک ابزار ارسال پیام بفرستید. در README بنویسید اثر کمپین را چطور با گروه کنترل می‌سنجید.
لایهٔ پایش برای ایجنت‌های بازاریابی
پیشرفتهبرای یکی از پروژه‌های قبلی، ثبت هر اجرا، بررسی خودکار خروجی و هشدار هنگام شکست را اضافه کنید. TRM Labs می‌نویسد هیچ‌چیز تا وقتی واقعاً اجرا نشده و خروجی‌اش بررسی نشده «تحویل‌شده» حساب نمی‌شود؛ این پروژه همین را نشان می‌دهد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
به گفتهٔ صفحهٔ معرفی‌اش، کار را در نوجوانی با برنامه‌نویسی شروع کرد و برای BBS بازی چندنفره نوشت. بعد بخش فناوری یک آژانس توسعهٔ وب را اداره کرد، هم‌بنیان‌گذار و CTO شرکت ion interactive شد که در ۲۰۱۷ فروخته شد، و در HubSpot به‌عنوان VP of platform ecosystem برنامهٔ شرکای فناوری را از صفر به بیش از ۲٬۰۰۰ شرکت نرم‌افزاری رساند.
از ۲۰۰۸ وبلاگ chiefmartec (کوتاه‌شدهٔ «chief marketing technologist») را می‌نویسد و بیش از ۱۵ سال است نقشهٔ ابزارهای فناوری بازاریابی را تهیه می‌کند. کنفرانس MarTech را در ۲۰۱۴ هم‌بنیان گذاشت و کتاب Hacking Marketing را دربارهٔ به کار بردن روش‌های چابک توسعهٔ نرم‌افزار در بازاریابی نوشته است.
مسیر او از برنامه‌نویسی به بازاریابی نشان می‌دهد ترکیب این دو مهارت، که امروز در آگهی‌های این صفحه خواسته می‌شود، پیش از موج AI هم راهی برای متمایز شدن بوده است.
طبق صفحهٔ معرفی‌اش در Hightouch، از مهندسان اولیهٔ Segment بود، پلتفرم دادهٔ مشتری (CDP) که Twilio آن را به ۳٫۲ میلیارد دلار خرید. همان‌جا به این نتیجه رسید که CDPهای سنتی کند، پراکنده و جدا از داده‌ای‌اند که شرکت‌ها برای رشد به آن تکیه دارند.
هم‌بنیان‌گذار و co-CEO شرکت Hightouch است که به شکل‌گیری دستهٔ Composable CDP کمک کرد، و امروز چشم‌انداز آن برای «Agentic Marketing» را هدایت می‌کند. Hightouch در آگهی McAfee به‌عنوان CDP و در آگهی Faire در فهرست پلتفرم‌های مطلوب آمده است.
او از مهندسی داده به ساختن ابزار برای بازاریابی رسید. به نظر می‌رسد مهندسی که مسئلهٔ دادهٔ بازاریابی را از نزدیک دیده، جای خوبی برای ساختن راه‌حل در این حوزه دارد.
هم‌بنیان‌گذار و Chief Data Scientist شرکت Trust Insights است، شرکت مشاورهٔ تحلیل بازاریابی در بوستون که در ۲۰۱۷ تأسیس شد. به گفتهٔ سایت شرکت، در AI، یادگیری ماشین و بازاریابی داده‌محور تخصص دارد و IBM Champion در Data and AI است.
Trust Insights او را «Practitioner & Builder» شرکت معرفی می‌کند: کسی که اجرای فنی، یعنی کد، مدل‌ها و الگوریتم‌ها، را پشت استراتژی مشتری فراهم می‌کند و به تعبیر سایت «فقط دربارهٔ AI حرف نمی‌زند، آن را می‌سازد».
نمونهٔ او نشان می‌دهد می‌شود در خود حوزهٔ بازاریابی ماند و به‌جای فقط مدیریت ابزارها، خودتان کد و مدل نوشت.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Growth Platform, Marketing Engineer
تحلیل نیازمندی‌ها
4+ years shipping and owning production software, in or adjacent to a marketing, growth or GTM organization.
سابقهٔ مهندسی نرم‌افزار پروداکشن شرط اصلی است، اما ترجیحاً در کنار بازاریابی، رشد یا فروش. یعنی هم کد واقعی نوشته‌اید و هم دیده‌اید تیم‌های بازاریابی چطور کار می‌کنند.
ضروریSQL and enough comfort in the warehouse to instrument what matters and decide what to build next from the data.
از شما انتظار دارند خودتان داده را بخوانید و از روی آن تصمیم بگیرید چه چیزی ساخته شود؛ منتظر گزارش تحلیلگر نمی‌مانید.
ضروریDepth in at least one marketing platform: a CDP or ESP (Braze, Iterable, Segment, Hightouch), an attribution or analytics platform, a CMS, or an ad platform API.
دانش عمیق یک پلتفرم کافی است، نه همه. اگر از مهندسی عمومی می‌آیید، یکی از این‌ها را انتخاب کنید و پروژهٔ واقعی با API آن بسازید.
ضروریDaily use of AI coding agents, plus experience putting LLMs into production systems with evals, monitoring and a defined failure mode.
دو چیز می‌خواهند: خودتان روزانه با ابزارهای کدنویسی AI کار کنید، و مدل زبانی را در سیستم واقعی با ارزیابی، پایش و برنامه برای شکست گذاشته باشید. دمو کافی نیست.
ضروریA track record of owning a system end to end, including the on-call, and shipping it to non-technical users who then operated it without you.
معیار موفقیت این است که بازاریاب‌ها بدون شما از ابزار استفاده کنند. این یعنی طراحی ساده، مستندسازی و آموزش، و پاسخ‌گویی وقتی سیستم خراب می‌شود.
مهمProduction experience with Kotlin or Java on the backend and JavaScript or TypeScript with React or Next.js on the frontend.
این مورد ترجیحی است و به پشتهٔ خاص Faire برمی‌گردد. در آگهی‌های دیگر این نقش Python و TypeScript رایج‌ترند.
مفیدHaving replaced a martech vendor with an in-house build, and being able to say what it cost.
یکی از تصمیم‌های رایج این نقش خرید یا ساختن است. اگر چنین تجربه‌ای دارید، هزینه و نتیجه‌اش را با عدد در رزومه بنویسید.
مفیدتحلیل مسئولیت‌ها
Own services end to end. Design, build, review, deploy, monitor.
شما فقط کد تحویل نمی‌دهید؛ سرویس از طراحی تا پایش مال شماست، همان‌طور که در تیم‌های مهندسی محصول رایج است.
Ship in Faire's production codebase, to Faire's engineering standards, with code review by engineers.
کار شما بیرون از سیستم اصلی شرکت و در ابزارهای جانبی نیست؛ با همان استانداردها و code review مهندسان دیگر سنجیده می‌شود.
Sit with lifecycle, paid, brand and product marketing rather than behind a ticket queue. Find the pattern behind the requests, then decide what to build so they stop arriving.
به‌جای انجام تک‌تک درخواست‌ها، باید الگوی تکراری را پیدا کنید و سیستمی بسازید که آن درخواست‌ها دیگر لازم نشوند. این مهارت بیش از کدنویسی به فهم کار بازاریابی نیاز دارد.
Put agents into the patterned majority of the queue, with an eval harness, monitoring and a defined failure mode before anything reaches a customer.
ایجنت برای کارهای تکراری و قابل‌الگو است، نه همه‌چیز. پیش از اینکه خروجی ایجنت به مشتری برسد، باید ارزیابی، پایش و برنامهٔ شکست داشته باشد.
Turn ambiguous asks into a scoped, prioritized plan, and communicate tradeoffs and progress to non-technical stakeholders.
بخش مهمی از کار گفت‌وگو با بازاریاب‌هاست: درخواست مبهم را به برنامهٔ مشخص تبدیل کنید و بده‌بستان‌ها را به زبان ساده توضیح دهید.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از نسخهٔ مهندسی این نقش می‌دهد: یک مهندس نرم‌افزار با دست‌کم ۴ سال سابقه که داخل تیم بازاریابی می‌نشیند، با یک پلتفرم بازاریابی مثل Braze یا Hightouch آشناست و ایجنت را با ارزیابی و پایش وارد کار تیم می‌کند. بازهٔ حقوق اعلام‌شده برای سان‌فرانسیسکو و نیویورک ۱۷۶ تا ۲۴۲ هزار دلار در سال به‌علاوهٔ سهام است و همین آگهی برای تورنتو هم با بازهٔ جداگانه منتشر شده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
طبق ITJobsWatch، در ۶ ماه منتهی به ۱۲ نوامبر ۲۰۲۶، ۴۹۷ آگهی استخدام دائم IT در بریتانیا به Marketing Technology اشاره کرده‌اند؛ این عدد در همین بازهٔ ۲۰۲۵، ۶۳ و در ۲۰۲۴، ۳۳ بود. سهم این آگهی‌ها از کل آگهی‌های دائم بریتانیا هم از ۰٫۱۲٪ به ۰٫۴۰٪ رسیده است. این آمار همهٔ نقش‌های فنی martech را می‌شمارد، نه فقط نسخهٔ AI آن را.
منبع: ITJobsWatch (UK), Marketing Technology, 6 months to 12 Nov 2026
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
Gartner در ژانویهٔ ۲۰۲۶ پیش‌بینی کرد تا ۲۰۲۸، ۶۰٪ برندها از agentic AI برای تعامل‌های یک‌به‌یک با مشتری استفاده می‌کنند. Emily Weiss، پژوهشگر ارشد Gartner، توصیه کرده بازاریاب‌ها برای آن حاکمیت داده بگذارند و سیستم‌های ایجنتیک را در پشتهٔ martech یکپارچه کنند؛ یعنی همان کاری که این نقش انجام می‌دهد.
BLS آمریکا پیش‌بینی می‌کند اشتغال در گروه رسمی «توسعه‌دهندگان نرم‌افزار، تحلیلگران و آزمایشگران تضمین کیفیت» از ۲۰۲۵ تا ۲۰۳۵، ۱۰٪ رشد کند. BLS گروه جداگانه‌ای برای مهندس هوش مصنوعی بازاریابی ندارد و این نزدیک‌ترین گروه رسمی است.
Scott Brinker در گزارش ۲۰۲۵ خود می‌نویسد ابزارهای کم‌کد و AI ساختن نرم‌افزار را برای بازاریاب‌های غیرمهندس هم آسان کرده‌اند؛ یعنی ساختن یک اتوماسیون ساده دیگر مزیت کمیاب نیست و ارزش مهندس در قابل‌اعتماد کردن، پایش و حاکمیت این سیستم‌هاست. ریسک دوم ابهام عنوان است: همین عنوان هم برای نقش‌های کم‌کد نزدیک به عملیات بازاریابی (Verkada، Elastic) به کار می‌رود و هم برای نقش‌های مهندسی کامل (SIG، Faire)، پس پیش از درخواست باید شرح شغل را دقیق خواند. نقشهٔ martech در ۲۰۲۶ تقریباً رشدی نداشته و Brinker از احتمال رسیدن به «اوج martech» نوشته است؛ رشدی که او گزارش می‌کند در دسته‌هایی مثل CMS، تجارت الکترونیک، تحلیل، یکپارچه‌سازی و حاکمیت است، نه در تعداد کل ابزارها.
منابع
اطلاعات این صفحه در تاریخ ۲۱ آبان ۱۴۰۵ از این ۳۱ منبع بررسی شده است.
- Growth Platform, Marketing Engineer — Faire, San Francisco & New York (job posting)
- Growth Platform, Marketing Engineer — Faire, Toronto (job posting)
- Senior MarTech Personalization Engineer — McAfee (job posting, LinkedIn)
- Marketing Technology & AI Engineer — SIG Group (job posting, LinkedIn)
- Marketing AI Engineer — Sonar, Austin (job posting)
- Senior Technical Architect & Developer – Marketing Automation — Sonar (job posting)
- Marketing AI Engineer — Elastic (job posting)
- GenAI Engineer, Marketing — impact.com (job posting)
- Senior MarTech Integration Engineer (Adobe Ecosystem) — Nortal (job posting, LinkedIn)
- AI Engineer - Marketing solutions — Dustin (job posting, LinkedIn)
- Marketing Engineer (AI Agents) — Cresta (job posting)
- Marketing Technology Engineer — TRM Labs (job posting)
- AI Marketing Engineer — Verkada, London (job posting)
- AI Engineer Marketing Tools — LABHOUSE (job posting)
- Marketing Engineer — Questrade Financial Group (job posting, LinkedIn)
- AI Engineer - GTM — Tracksuit (job posting)
- Marketing Engineer — Wonolo (job posting, LinkedIn)
- Senior AI Engineer - Marketing — HFM (job posting, LinkedIn)
- Marketing Forward Deployment Engineer — F5 (job posting, LinkedIn)
- Forward Deployed AI Engineer, Marketing Intelligence & Consumer Insights — Adobe (job posting, LinkedIn)
- Forward Deployed AI Engineer – Multi-Agent Systems & Martech — MaxIT Consulting (job posting, LinkedIn)
- ITJobsWatch — Marketing Technology (UK permanent IT jobs)
- BLS Occupational Outlook Handbook — Software Developers, Quality Assurance Analysts, and Testers
- Gartner — 60% of Brands Will Use Agentic AI for One-to-One Interactions by 2028 (Jan 15, 2026; Wayback copy)
- chiefmartec — 2026 Marketing Technology Landscape Supergraphic
- chiefmartec — 2025 Marketing Technology Landscape Supergraphic (the hypertail)
- chiefmartec — About Scott Brinker
- Hightouch — Tejas Manohar, Co-Founder & Co-CEO
- Trust Insights — About (Christopher S. Penn)
- Anthropic — Building Effective AI Agents
- Hamel Husain — Your AI Product Needs Evals