Люди для машин: из кого состоят ИИ-команды и как меняется технологический наём
Команда по полной
В 2010-х случился бум спроса на IT-специалистов. По данным hh.ru, за десять лет с 2003 года IT-рынок труда вырос в 18 раз. Число вакансий только для программистов JavaScript в Москве с 2007 по 2014 год увеличилось в 11 раз. Пока автоматизация перестраивала работу дизайнеров, редакторов и менеджеров, программисты создавали инструменты для этих изменений и казались почти неуязвимыми.
С распространением нейросетей трансформация дошла и до IT-рынка. В 2025 году число вакансий в этой сфере сократилось примерно на четверть, до 505 тыс., а в первом полугодии 2026-го упало ещё на 21%, отмечают в SuperJob. Конкуренция достигла рекордных значений: в марте на одну свободную позицию в ИТ приходилось почти 23 резюме против 11–12 годом ранее. При этом безработица в РФ составила лишь 2,2%.
Одновременно статистика hh.ru показывает: в начале 2026 года вакансий, где требуется владение ИИ, стало на 15% больше, чем годом ранее, в ИТ-профобласти — на 13%.
Компании собирают полноценные ИИ-команды, потому что компетенций одного ML-разработчика уже не хватает. Это помогает бизнесу не застревать на стадии пилота, а проходить весь цикл создания ИИ-решения: от постановки задачи и проверки гипотезы до оценки качества, запуска в промышленную эксплуатацию и интеграции в процессы.
Кто в ИИ-команде?
ИИ-команда — это специалисты с разной экспертизой: продуктовой, исследовательской и инженерной. В MWS AI мы выделяем десять ключевых ролей:
Руководитель ИИ-направления (Chief AI Officer) определяет, зачем компании искусственный интеллект и в какие проекты стоит инвестировать. Он формирует ИИ-стратегию, собирает команду, распределяет ресурсы и отвечает перед топ-менеджментом за результаты всего портфеля ИИ-инициатив. Это посредник между бизнесом и техническими специалистами: он должен понимать и устройство моделей, и экономику компании.
Руководитель ИИ-команды (ML/AI Team Lead) отвечает за качество технических решений: выбирает технологии, участвует в проектировании системы, проверяет код, следит, чтобы исследовательские прототипы превращались в надёжные продукты. Это одновременно сильный разработчик, архитектор и управленец для небольшой команды.
ИИ-архитектор (AI Architect) проектирует не саму модель, а всю систему вокруг неё. Он определяет, откуда ИИ будет получать данные, как свяжется с корпоративными сервисами, где будет развёрнут и каким образом выдержит нагрузку, — с учётом безопасности, стоимости вычислений и ограничений локальной инфраструктуры.
ИИ-инженер (AI Engineer) превращает техническую гипотезу в работающий сервис. Он собирает прототип, подключает его к данным, выстраивает процессы их обработки, а также обучения и запуска моделей. В том числе он проводит тестирование и доводит решение до промышленной эксплуатации. Если модель хорошо работает только на компьютере инженера, но ломается при реальной нагрузке, его задачи ещё не выполнены.
Разработчик-исследователь (AI Researcher) занимается задачами, для которых недостаточно готового решения. Он изучает научные публикации, ставит эксперименты, обучает и сравнивает модели, проверяет новые архитектуры и алгоритмы. Он превращает теоретическую идею из статьи или препринта в воспроизводимую технологию, которую можно использовать в продукте.
Специалист по данным (Data Scientist) ищет закономерности в данных и проверяет, можно ли на их основе решить бизнес-задачу. Он очищает и анализирует информацию, строит модели, проводит A/B-тесты, оценивает результат. В отличие от ML-инженера, который сосредоточен на создании и эксплуатации системы, дата-сайентист чаще отвечает за аналитику и качество самой модели.
Менеджер ИИ-продукта (AI Product Manager) отвечает на главный вопрос: действительно ли компании в этом сценарии нужен искусственный интеллект. Он изучает потребности пользователей, определяет метрики, выбирает сценарии применения ИИ, составляет дорожную карту, оценивает стоимость решения и в итоге превращает технологию в продукт с понятной пользой.
Руководитель проектов (Technical Project Manager) следит, чтобы проект не застрял между исследованиями, разработкой и бизнесом. Он управляет сроками, требованиями, рисками, ведёт документацию и контролирует доведение решения до запуска. Для этой роли необязательно самостоятельно обучать модели, но необходимо понимать, как устроен цикл разработки ИИ-продукта. Это, к слову, актуально и для продакт-менеджеров.
Тренер искусственного интеллекта (AI Trainer) готовит данные, на которых модель учится давать более точные и полезные ответы. Он пишет и редактирует эталонные примеры, сравнивает варианты генераций, занимается фактчекингом, следит за логикой, этичностью и безопасностью контента. В эту профессию приходят и редакторы, и переводчики, и лингвисты, а также эксперты в конкретных областях.
Промпт-инженер (Prompt Engineer) составляет, тестирует и улучшает инструкции для языковых моделей. Он ищет формулировки, которые помогают получать более стабильный результат, снижать число ошибок и выстраивать сложные цепочки запросов. Эта роль постепенно теряет самостоятельность: работа с промптами становится частью профессии ML-инженера, продакт-менеджера и аналитика.
На практике состав команды зависит от масштаба задачи и стадии проекта, начинать можно и с трёх-четырёх ролей.
Сколько стоят такие специалисты
Рост конкуренции на ИТ-рынке не отменяет дефицита экспертов: кандидатов много, а нужных компетенций мало. По оценке гендиректора hh.ru Дмитрия Сергиенкова, навыки работы с ИИ указаны лишь в 2,8% резюме, хотя за три года их число и выросло втрое.
Этот разрыв отражается в деньгах: по данным hh.ru, медианная зарплата специалистов с ИИ-навыками на 34% выше, чем у коллег той же квалификации без них. За год она выросла на 24%. На senior-уровне тенденция ещё заметнее: по оценке SuperJob, ML-инженеры в московских IT-компаниях получают от 290 до 650 тысяч рублей в месяц, дата-сайентисты — от 310 до 550 тысяч.
Как будет меняться ИТ-наём
Импортозамещение поддерживает спрос на «классиков». Переход на отечественное ПО сохранит потребность в 1С-разработчиках, администраторах российских баз данных и специалистах по миграции с Oracle, Microsoft и других зарубежных платформ на локальные решения.
Спрос смещается к специалистам на стыке профессий. Например, к аналитикам данных, которые умеют строить и запускать модели, или к менеджерам продукта, способным разбираться в устройстве ИИ и собирать прототипы.
Удерживать senior-специалистов дешевле, чем искать замену. По данным внутренней аналитики MWS AI, поиск нового ведущего ML-инженера может занимать три-пять месяцев без учёта последующей адаптации. Работодателям выгоднее заранее вкладываться в конкурентную зарплату, корпоративное обучение и понятный карьерный трек.
HR-функция в технологическом найме разделяется на два контура: массовый подбор с автоматизированным анализом резюме и экспертный наём через рекомендации, профессиональные сообщества и прямой поиск. Для соискателей это значит, что вес репутации и нетворкинга будет расти.
Рынок IT-найма перестал быть рынком кандидата, но это не значит, что двери для специалистов закрылись. Дефицит сместился от рабочих рук к компетенциям. Компании ищут не программистов в принципе, а людей, которые умеют настраивать нейросети на пользу бизнесу. Так что вход в ИИ-команды открыт не только разработчикам: командам нужны продакт-менеджеры, лингвисты, редакторы и управленцы.
ИИ-грамотность при этом из конкурентного преимущества превращается в базовое требование: больше половины компаний ожидают, что к 2028 году она станет ключевой компетенцией для большинства профессий.