Чем занимается специалист по ИИ: 7 ролей и их задачи в 2026

Что делает специалист по ИИ: короткий ответ

Специалист по ИИ берёт конкретную задачу компании, например автоматически разбирать обращения в поддержку или искать брак на фото с конвейера, и доводит её до работающего решения на основе модели машинного обучения. Он выбирает подход, готовит данные, обучает или настраивает модель, проверяет качество и следит, чтобы решение не деградировало после запуска.

При этом «специалист по искусственному интеллекту» редко встречается в вакансиях как название должности. Работодатели ищут ML-инженера, AI-инженера, LLM-разработчика или AI-тренера, и задачи у этих людей различаются принципиально: от написания кода до проверки ответов нейросети.

Поэтому ответ на вопрос, чем занимается специалист по искусственному интеллекту, начинается с уточнения, какой именно специалист. Ниже роли разобраны по отдельности, потом показано, как они делят между собой один проект, и в конце, как по программе курса понять, к какой роли он готовит.

Семь ролей под одним названием

В январе 2026 года «Коммерсант» разобрал вакансии hh.ru и выделил семь востребованных профессий в сфере ИИ. Их удобно разложить по одной оси: насколько глубоко человек работает с самой моделью. На одном краю находятся те, кто обучает модели, на другом те, кто пользуется готовыми нейросетями в своей работе.

1. ML-инженер. Разрабатывает, обучает и оптимизирует модели. Пишет код на Python, ставит эксперименты, сравнивает метрики и выводит модель в продакшен. Зарплатные предложения от 184 000 до 345 000 ₽.
2. AI-инженер. Проектирует и внедряет решения на базе ИИ, чаще всего поверх готовых больших языковых моделей: подключает модель к базе знаний компании, строит цепочки запросов, следит за стоимостью и скоростью ответов. Около 220 000 ₽.
3. AI-фасилитатор. Внедряет нейросети в рабочие процессы и обучает команды ими пользоваться. Это роль на стыке ИИ и управления изменениями, программировать здесь обычно не требуется. От 100 000 до 170 000 ₽.
4. AI-архитектор решений. Строит и развивает платформы ИИ внутри компании, решает, какие модели и сервисы использовать и как они связаны с остальными системами. От 100 000 до 150 000 ₽.
5. AI-тренер. Учит нейросеть корректным ответам и пишет эталонные тексты, на которых модель дообучают. Около 104 000 ₽.
6. Промпт-инженер. Разрабатывает и оптимизирует текстовые запросы к моделям. От 60 000 до 90 000 ₽.
7. Нейрокреатор. Создаёт визуальный контент с помощью нейросетей. От 30 000 до 100 000 ₽.

Зарплаты в списке взяты из той же подборки по данным hh.ru и относятся к началу 2026 года. Разброс огромный: верхняя граница ML-инженера в три с лишним раза выше верхней границы промпт-инженера. Самые высокие вилки у двух инженерных ролей, ML- и AI-инженера. Слово «ИИ» в названии вакансии само по себе доход не поднимает: AI-фасилитатору, которому код обычно не нужен, предлагают даже чуть больше, чем AI-архитектору.

Подробнее о границе между двумя самыми похожими ролями мы писали в материале о специалисте по нейросетям и промпт-инженере, а о том, чем ML-инженер отличается от аналитика, в разборе ML-инженер и Data Scientist.

Как задачи распределяются на одном проекте

Проще всего понять работу специалиста по ИИ на примере одного проекта от идеи до запуска. Возьмём типичный заказ: интернет-магазин хочет, чтобы письма и чаты в поддержку автоматически раскладывались по темам и самые срочные попадали к оператору первыми. Такой проект проходит шесть этапов, и на каждом главную работу делает своя роль.

1. Перевести просьбу бизнеса в измеримую задачу

Фраза «хотим разгрузить поддержку» не годится как техническое задание. Специалист договаривается о формулировке: столько-то категорий обращений, такая-то доля правильных ответов, время ответа модели не дольше секунды. Если на этом этапе не зафиксировать метрику, через три месяца никто не сможет сказать, получилось или нет.

2. Собрать и разметить данные

Модели нужны примеры: тысячи старых обращений с проставленной темой. Их выгружают, чистят от дублей и персональных данных, а недостающую разметку заказывают у разметчиков. Этот этап занимает больше времени, чем ожидают новички. В международном опросе Anaconda State of Data Science 2022 (3 493 специалиста по данным) на подготовку, очистку и визуализацию данных приходилось 51% рабочего времени, а на выбор и обучение моделей только 18%.

3. Выбрать подход

Здесь решается, обучать ли свою модель-классификатор или взять готовую большую языковую модель и дать ей инструкцию с примерами. Второй путь быстрее запускается, но дороже на каждый запрос и хуже предсказуем. Выбор между ними и есть главная экспертиза специалиста, а не знание конкретной библиотеки.

4. Обучить и проверить

ML-инженер ставит десятки экспериментов, сравнивает метрики на отложенной выборке и ищет ошибки в данных. Если проект идёт через языковую модель, на этом этапе подключаются AI-тренер и промпт-инженер: они пишут эталонные ответы и подбирают формулировки инструкций, а затем проверяют, где модель ошибается.

5. Встроить в продукт

Модель упаковывают в сервис с API, подключают к системе поддержки и проверяют под нагрузкой. В небольших командах это делает тот же ML-инженер, а в крупных этим занимается отдельный MLOps-инженер или бэкенд-разработчик.

6. Следить после запуска

Через полгода покупатели начинают писать о новой акции, которой не было в обучающих данных, и точность падает. Специалист отслеживает качество, собирает новые примеры и переобучает модель. Эта часть работы редко попадает в описания профессии, хотя в зрелых командах занимает заметную долю времени.

Если проект внедряется в компании, где сотрудники до этого не работали с нейросетями, к нему подключается ещё и AI-фасилитатор: объясняет операторам поддержки, как проверять ответы модели и что делать, если она ошиблась.

Что изменили большие языковые модели

С появлением больших языковых моделей работодатели всё чаще ищут не того, кто обучит свою нейросеть, а того, кто грамотно встроит готовую модель в процессы. В требованиях к кандидатам лидируют прикладные навыки.

В исследовании Chad AI и hh.ru (сентябрь 2025) работодатели чаще всего ждали от кандидатов трёх вещей:

• Умения применять ИИ для бизнес-задач, этот навык упоминался в 67% случаев.
• Навыков промпт-инжиниринга (58%).
• Умения оценивать качество решений, которые выдаёт модель: почти 50%.

Появились и роли, которых раньше не было. По данным МТС Линк и hh.ru, с 2023 года работодатели опубликовали почти 1 000 вакансий AI-тренеров и более 100 вакансий промпт-инженеров, а специалисты по разметке данных заняли 7% всех вакансий, связанных с ИИ.

Если вы выбираете направление сейчас, умение собрать работающий продукт на готовой модели и честно измерить его качество ценится не меньше, чем знание архитектур нейросетей. Но потолок дохода по-прежнему выше у тех, кто понимает модель изнутри, и это видно по разнице вилок в разделе выше.

Инструменты: что открыто на экране в течение дня

Набор инструментов сильнее всего выдаёт, какая роль перед вами. ML-инженер проводит день в редакторе кода и ноутбуках с экспериментами. AI-инженер работает с документацией API моделей и кодом сервиса, AI-тренер сидит в интерфейсе разметки, а промпт-инженер переключается между чатом с моделью и таблицей тестовых запросов. Ниже стек по ролям в том виде, в каком его обычно перечисляют вакансии.

Откройте любую вакансию и посмотрите, что стоит в требованиях первой строкой. «Python, PyTorch, опыт обучения моделей» означает инженерную роль. «Опыт работы с ChatGPT, умение формулировать задачи» означает прикладную, даже если в заголовке написано «AI-специалист».

Где работают и сколько вакансий

Число вакансий с упоминанием ИИ росло быстро, но в абсолютных числах речь шла о тысячах. По подсчётам МТС Линк и hh.ru, в 2021 году на сайте было 1,7 тыс. вакансий с упоминанием искусственного интеллекта, а за первые восемь месяцев 2024 года уже больше 3,7 тыс.

География сильно смещена к столицам. В том же исследовании Chad AI и hh.ru на Москву приходилось 38% всех предложений, на Санкт-Петербург 16%. Ни один другой регион, включая Свердловскую область, Подмосковье и Татарстан, не превышал 3%. Для жителя другого города это значит, что реалистичный вариант работы почти всегда удалённый.

Работодатели в этой сфере очень разные: банки с собственными ИИ-лабораториями, маркетплейсы и ритейл с рекомендациями и поиском, промышленность с компьютерным зрением на производстве, медицина с анализом снимков. Данные и типичные задачи у них разные: тексты обращений в банке и видео с камер на заводе требуют разных навыков, поэтому отрасль стоит выбирать так же осознанно, как специализацию.

Сколько зарабатывают

Доход специалиста по ИИ зависит прежде всего от роли и уровня, а не от самого факта работы с нейросетями. Инженерные позиции оплачиваются заметно выше прикладных. По данным Chad AI и hh.ru за 2025 год, инженеру нейросетей начального уровня предлагали от 90 тыс. ₽, а опытному до 500 тыс. ₽ в месяц.

Эта оценка не совпадает с вилкой ML-инженера из январской подборки «Коммерсанта»: исследования разные, и роли в них определены по-разному. Сравнивать цифры стоит внутри одного источника. Так, в исследовании Chad AI медианная зарплата AI-тренера составляла от 75 до 80 тыс. ₽, тогда как в подборке «Коммерсанта» (январь 2026) AI-тренеру предлагали около 104 тыс. ₽. Прикладная роль в ИИ не всегда гарантирует высокий доход: самые большие деньги приходят вместе с инженерной частью работы.

Вилку, которую мы ведём по профессии в каталоге SkillEdge, от 120 000 ₽ до 450 000 ₽, и список ключевых навыков можно посмотреть на странице профессии AI-специалист.

Как меняются задачи с опытом

С ростом грейда специалист по ИИ меньше пишет код сам и больше отвечает за решения, которые нельзя откатить одной командой. Джуниор выполняет понятные куски чужого проекта, мидл ведёт задачу целиком, сеньор выбирает подход для всей команды и защищает его перед бизнесом. Разница видна по тому, за что человека ругают при ошибке.

Начинающий специалист чистит и размечает данные, повторяет эксперименты по готовому плану, пишет тесты к сервису с моделью. Ошибка на этом уровне стоит команде пары дней.

Специалист среднего уровня сам формулирует метрику с заказчиком, выбирает между своей моделью и готовой LLM и доводит решение до продакшена. Ему уже доверяют общение с бизнесом без старшего коллеги.

Опытный специалист отвечает за архитектуру всех ИИ-сервисов продукта, считает стоимость инференса и решает, когда модель пора выключить, потому что она приносит меньше, чем стоит. Он же нанимает и учит младших.

Для новичка это значит, что на старте ценится не знание новейших архитектур, а аккуратность с данными и умение довести небольшую задачу до конца. Обычно именно это и проверяют тестовые задания на позиции начального уровня.

Что видно по каталогу курсов

В каталоге SkillEdge к профессии AI-специалиста сейчас относится 114 курсов от 8 школ, цены начинаются от 4 999 ₽ и доходят до 250 000 ₽, медиана составляет 83 086 ₽. Но за этими цифрами стоят курсы, которые готовят к совсем разным ролям из списка выше.

Когда мы сверяем программы в каталоге, многие курсы с «нейросетями» в названии оказываются курсами для пользователей: как применять ChatGPT в маркетинге, дизайне или управлении. Например, «Нейросети для рабочих задач» Skillbox стоит 31 290 ₽. Такой курс полезен в любой профессии, но к работе ML-инженера он не приближает.

Инженерных программ меньше, и они, как правило, длиннее. Программа «Инженер машинного обучения» от Karpov.Courses стоит 124 950 ₽, срок обучения по каталогу составляет 7 мес. Курс «Специалист по искусственному интеллекту» Нетологии обойдётся в 105 716 ₽ при сроке обучения 11 мес.

Отдельная группа появилась под роль AI-инженера: курсы про ИИ-агентов и LLM-разработку, например «LLM-разработчик» Нетологии за 105 716 ₽. Они обычно предполагают, что Python у вас уже есть.

Практический совет редакции: прежде чем платить, найдите в программе модуль с итоговым проектом и посмотрите, что в нём сдают. Если это обученная модель с метриками или сервис на API, курс инженерный. Если подборка промптов и сгенерированных картинок, курс прикладной, и это нормально, если вы шли именно за этим. Сравнить программы по цене и сроку удобно в каталоге курсов по ИИ или в разделе сравнения курсов.

Чего специалист по ИИ обычно не делает

Вокруг профессии много ожиданий, которые расходятся с реальной работой. Человек, который приходит в ИИ после новостей о новых моделях, часто представляет себе исследования и создание «умных» систем с нуля. На практике большая часть задач гораздо приземлённее, и об этом стоит знать до того, как платить за обучение.

Первое заблуждение касается масштаба. Обучение собственной большой языковой модели доступно единицам компаний, потому что требует огромных вычислительных ресурсов и данных. Почти все остальные берут готовую модель и адаптируют её под себя: дообучают на своих примерах, подключают к своей базе знаний или пишут для неё инструкции.

Второе касается доли «интересной» работы. В опросе Anaconda специалисты по данным тратили на обучение моделей заметно меньше времени, чем на подготовку данных. Если вам нравится только момент, когда модель начинает угадывать, а разбор грязных таблиц раздражает, инженерная роль может разочаровать.

Третье связано с автономностью. Специалист по ИИ почти никогда не работает один: ему нужны данные от аналитиков, доступы от инфраструктурной команды, решения от продакт-менеджера. Умение объяснить бизнесу, почему модель ошибается в каждом десятом случае и сколько стоит снизить эту долю, на собеседованиях часто проверяют наравне со знанием алгоритмов.

Как понять, какая роль подходит вам

Выбор роли проще всего начать с двух вещей, текущей профессии и отношения к программированию. Специалист по ИИ не обязательно пишет код, но от этого зависит, в какой роли вы окажетесь и сколько займёт вход. Три типичных сценария выглядят так.

• Вы уже разработчик или аналитик и знаете Python. Ваш короткий путь лежит в AI-инженеры: изучить API моделей, работу с векторными базами и оценку качества.
• Вы готовы год и больше учить математику и программирование с нуля. Тогда цельтесь в ML-инженера, это самая длинная дорога, но и самая высокая вилка.
• Вы эксперт в своей области, юрист, врач, маркетолог или педагог, и не хотите становиться программистом. Посмотрите на роли AI-тренера и AI-фасилитатора: там ценится именно знание предметной области, а нейросети становятся инструментом. В каталоге SkillEdge под этот сценарий больше всего вариантов: курсы «нейросети для маркетинга», «для бизнеса», «для дизайнеров» стоят дешевле инженерных программ и короче их.

Пошаговые маршруты для каждого из этих вариантов, со сроками и стоимостью обучения, собраны в статье как стать специалистом по нейросетям с нуля. А если вы сомневаетесь между ИИ и анализом данных, пригодится разбор кто сейчас востребованнее, AI-специалист или Data Scientist.