Руководитель проектов в области искусственного интеллекта: обязанности

Представьте проект, в котором к дате сдачи всё сделано по плану: данные собраны, модель обучена, интерфейс готов. А точность оказалась 83 % вместо нужных 95 %, и никто не может сказать, сколько недель уйдёт на оставшиеся двенадцать процентных пунктов и достижимы ли они вообще. В классической разработке это провал планирования, в проекте с машинным обучением — обычный промежуточный результат, если руководитель заложил такой исход в план.

В вакансиях роль называют по-разному: AI Project Manager, руководитель проектов по внедрению ИИ, Delivery Manager в ML-команде. Суть одна: человек отвечает за сроки, бюджет и результат проекта, главный компонент которого ведёт себя вероятностно.

Чем ИИ-проект отличается от обычного IT-проекта

В обычной разработке требование можно проверить однозначно: кнопка сохраняет заказ или не сохраняет. У модели результат выражается долей: сколько документов распознано верно, сколько ложных срабатываний на тысячу операций. Поэтому первая задача руководителя — перевести пожелание заказчика «чтобы работало хорошо» в метрику и порог. Какая ошибка дороже — пропустить мошенническую транзакцию или заблокировать честного клиента? От ответа зависит, какую метрику оптимизировать, и этот ответ даёт бизнес, а не дата-сайентист.

Второе отличие — данные. Модель учится на исторических примерах, и если их мало или они размечены неаккуратно, никакая архитектура это не исправит. На сбор, очистку и разметку часто уходит больше времени, чем на обучение, поэтому руководитель заранее выясняет, где лежат данные, кто даст доступ и кто будет размечать.

Третье — жизненный цикл. Работу удобно раскладывать по этапам методологии CRISP-DM: понимание бизнес-задачи, изучение данных, подготовка данных, моделирование, оценка и внедрение. Этапы идут не линейно: после оценки команда нередко возвращается к данным, а иногда и к постановке задачи. Внедрение при этом не финал. Модель в эксплуатации нужно мониторить, потому что входные данные со временем меняются и качество падает без единой ошибки в коде. Практики, которые отвечают за этот этап, называют MLOps: версионирование данных и моделей, автоматическое переобучение, мониторинг.

Четвёртое — деньги на эксплуатацию. У модели каждый запрос стоит денег: это стоимость инференса, то есть вычислений на один ответ. Для языковых моделей её считают в токенах, для своих — в часах работы графических ускорителей. Проект, который окупается на пилоте с тысячей запросов в день, может не окупиться на сотне тысяч.

Кто работает в команде

Состав зависит от задачи, но базовые роли повторяются. Data Scientist исследует данные, выбирает подход и обучает модель. ML-инженер превращает модель в сервис, который выдерживает нагрузку и обновляется без остановки. Дата-инженер строит конвейеры, по которым данные попадают к модели. Разметчики вручную готовят обучающие примеры, и это может быть как внутренняя группа, так и подрядчик. Эксперт предметной области — бухгалтер, врач, юрист, старший оператор — объясняет, что считать правильным ответом, и проверяет спорные случаи. Без него команда рискует обучить модель на собственных догадках.

Руководитель проекта никого из них не заменяет, но понимает их язык: чем точность отличается от полноты и почему на тестовой выборке качество выше, чем в эксплуатации.

С соседями граница такая. Менеджер проектов общего профиля ведёт проекты с предсказуемым результатом. Менеджер продукта решает, что и зачем делать для пользователя, а руководитель ИИ-проекта — как довести модель до работы в срок и в бюджете. Прикладной специалист по ИИ сам собирает решения на готовых моделях, руководитель проектов организует работу нескольких таких специалистов. Руководитель проектного офиса смотрит на весь портфель проектов и задаёт правила их ведения.

Учебный пример: распознавание накладных

Ситуация вымышленная. Логистическая компания получает около 30 000 товарно-транспортных накладных в месяц, операторы вручную переносят из них в учётную систему номер, дату, ИНН грузоотправителя, вес и сумму. Директор по операциям хочет автоматизировать ввод и просит оценить проект.

Руководитель начинает с метрики. Вместе с главным бухгалтером он выясняет, что ошибка в сумме или ИНН обходится дорого, а ошибку в весе операторы всё равно ловят при сверке. Договорённость фиксируют так: для суммы и ИНН нужна точность не ниже 99 %, для остальных полей хватит 95 %; документы, в которых модель не уверена, уходят человеку.

Затем три варианта. Готовый сервис распознавания документов берёт плату за страницу и работает сразу, но обучен на типовых формах. Внешняя мультимодальная модель через API гибче, но цена зависит от тарифов поставщика, а документы уходят на чужие серверы. Своя дообученная модель требует разметки нескольких тысяч накладных, ML-инженера на поддержку и серверов с ускорителями. Руководитель сравнивает полную стоимость владения на год, включая разметку, поддержку и ручную проверку неуверенных документов. Условно: если сервис берёт рубль за страницу, 30 000 накладных обходятся в 30 000 рублей в месяц, и нужно понимать, насколько эта цена может вырасти.

Пилот идёт на размеченной выборке из 500 накладных. На чистых сканах готовый сервис даёт нужную точность, на фотографиях с телефонов водителей — заметно хуже. Решение гибридное: сканы обрабатывает сервис, фотографии пока вводят операторы, а команда копит их для будущего дообучения. Через два месяца после запуска крупный клиент меняет форму накладной, и доля документов на ручной проверке резко растёт. Это замечает мониторинг, заложенный в план ещё до запуска.

Из пилота в эксплуатацию

Частый сбой ИИ-проектов — удачный пилот, который так и не стал рабочей системой. Прототип дата-сайентиста работает на выгрузке за прошлый год, а в эксплуатации нужны свежие данные, журналы запросов, откат на прошлую версию модели и порядок переобучения. Руководитель закладывает эти работы в план с начала, а не после демонстрации. Чтобы говорить с ML-инженерами на одном языке, полезно понимать эти процессы. Например, на онлайн-курсе «MLOps инженер» TeachMeSkills за 3,5 месяца разбирают версионирование данных в DVC, отслеживание экспериментов в MLflow, стратегии развёртывания и мониторинг моделей в Evidently. Но курс технический: для него нужны уверенные Git, Docker и Python, поэтому он подойдёт тем, кто приходит в управление из инженерной стороны.

Отдельная тема — что происходит после запуска с точки зрения ответственности. В России действует ГОСТ Р ИСО/МЭК 42001-2024 «Искусственный интеллект. Система менеджмента», утверждённый приказом Росстандарта от 28.10.2024 № 1549-ст и введённый с 1 января 2025 года. Как любой национальный стандарт, он добровольный, но задаёт понятную рамку для заказчика и подрядчика. Стандарт требует от организации оценивать воздействие системы ИИ на людей и сообщества с учётом предполагаемого использования, предсказуемого неправильного использования, технической и социальной среды и применимых юрисдикций (п. 6.1.4). Главное для руководителя проекта в другом: и риски, и воздействие по пп. 8.2 и 8.4 нужно заново оценивать не только по графику, но и при значительных изменениях.

На практике это меняет представление о том, когда проект закончен. Переход на новую версию модели у поставщика API, дообучение на свежих данных, подключение новой группы пользователей — поводы для повторной оценки. Приложение А добавляет меры управления, которые напрямую ложатся на план проекта: задокументировать план развёртывания и выполнить требования до его начала (A.6.2.5), описать, что нужно для непрерывной работы системы (A.6.2.6), зафиксировать происхождение данных (A.7.5). А мера A.10.3 требует процесса, который проверяет, что услуги и продукты поставщиков соответствуют подходу организации. Выбор «купить» или «подключить API» не снимает ответственности: внешнюю модель придётся оценивать так же, как свою.

Если у команды есть заказчики в Евросоюзе, к стандарту добавляется Регламент ЕС об ИИ. Регламент (ЕС) 2026/1744 от 24 июля 2026 года перенёс применение обязательств для систем высокого риска из приложения III (найм, образование, кредитный скоринг и другие) на 2 декабря 2027 года, а для систем в составе регулируемых продуктов — на 2 августа 2028 года. Проекты, которые стартуют сейчас, будут работать уже при этих правилах.

Что может оказаться трудным

Неопределённость приходится объяснять людям, которые её не любят. Заказчик хочет услышать срок, а честный ответ звучит как «через три недели узнаем, достижима ли нужная точность».

Много времени уходит на данные и доступы: согласовать выгрузку с владельцем системы, организовать разметку, договориться со службой безопасности, какие документы можно отдавать внешнему сервису.

Часть проектов стоит закрыть. Если пилот показал, что задачу нельзя решить с нужным качеством за разумные деньги, остановка проекта — полезный результат. Защитить такое решение перед заказчиком бывает сложнее, чем довести проект до конца.

Сколько платят

Устойчивой статистики по этой роли нет: должность новая, а в зарплатных калькуляторах она растворяется среди менеджеров проектов. Поэтому ориентироваться приходится на вакансии. В сентябре 2026 года поиск на hh.ru по названию «AI project manager» по всей России показывал 22 вакансии, и только в пяти была указана зарплата. В Москве работодатели предлагали 180 000–250 000 ₽ и 200 000–300 000 ₽ на руки при опыте от трёх до шести лет, в Казани — от 240 000 ₽ на руки при таком же опыте. Для опыта от года до трёх лет предложения скромнее: от 80 000 ₽ на руки в Кирове и от 90 000 ₽ до вычета налога в Казани. Это предложения работодателей, а не фактические зарплаты, и выборка слишком мала для обобщений.

Под одним названием скрываются разные работы: координация подрядчика, который внедряет чат-бота, и руководство собственной ML-командой в банке. Поэтому смотрите на обязанности — бюджет, управление дата-сайентистами, общение с заказчиком, — ищите также по русским формулировкам вроде «руководитель проектов по внедрению искусственного интеллекта» и уточняйте, указана сумма до вычета налога или на руки.

Откуда приходят в профессию и как учиться

Чаще всего на эту роль переходят менеджеры IT-проектов и дата-сайентисты или аналитики, которых тянет к управлению. Первым не хватает понимания жизненного цикла модели и метрик, вторым — опыта работы с бюджетом и заказчиком. Без опыта в управлении или в данных начинать с этой роли тяжело.

Для тех, у кого есть база, подходят программы, где управление проектами соединено с основами машинного обучения. На курсе «Руководитель проектов в области искусственного интеллекта» Нетологии и МФТИ объём 142 академических часа, из них 106 ведёт МФТИ (жизненный цикл ИИ, методы управления проектами, модели машинного обучения) и 36 — Нетология (компьютерное зрение, обработка естественного языка, практика управления ИИ-проектами). Обучение длится от трёх с половиной месяцев, слушатели в команде делают MVP с техническим заданием и презентацией и получают два удостоверения о повышении квалификации; поступить можно с дипломом СПО или вуза.

Самостоятельно можно начать с малого проекта: возьмите открытый набор данных с отзывами или заявками, сформулируйте бизнес-задачу, выберите метрику и порог внедрения, подключите готовый API и посчитайте стоимость тысячи запросов. Затем опишите, что будет с моделью через полгода и кто будет её переобучать.

Если вы приходите со стороны бизнеса и ваша задача — внедрять ИИ в процессы компании, а не вести ML-разработку, посмотрите на программы шире. Например, на курсе «Искусственный интеллект в управлении бизнесом» Московской бизнес-академии за 6 месяцев проходят 16 модулей: применение ИИ в маркетинге, продажах, клиентском сервисе, HR, финансах и операциях, отдельно — управление проектами внедрения. Есть 15 практических заданий и итоговый проект на четыре недели, выдаётся диплом о профессиональной переподготовке. Это подготовка заказчика и координатора внедрения, а не руководителя ML-команды.

Что показать работодателю и как выбрать обучение

Работодателю лучше показывать описание проекта: задача, метрика и почему выбрана она, сравнение вариантов «строить, покупать, подключать API» с расчётом стоимости, результаты пилота, решение о запуске или закрытии и план сопровождения. Если в вашей компании уже экспериментируют с моделями, возьмите один эксперимент в роли координатора: план пилота, разметка, расчёт стоимости эксплуатации. Такой опыт ценнее учебного кейса, а перейти в роль внутри своей компании обычно проще, чем со стороны.

При выборе программы проверьте, есть ли проект с постановкой задачи, метриками и расчётом экономики, разбирают ли этапы после пилота — мониторинг, переобучение, работу с поставщиками моделей — и выводили ли преподаватели модели в эксплуатацию сами. Сравнить школы поможет рейтинг онлайн-школ с обучением ИИ для руководителей. Он шире темы статьи — в нём программы о применении ИИ в управлении вообще, — поэтому сверяйте каждую из них с тремя вопросами выше.