Специалист по искусственному интеллекту: чем занимается, какие навыки нужны и как учиться

Название профессии звучит так, будто речь о человеке, который создаёт искусственный интеллект. В вакансиях 2026 года за ним чаще стоит другая работа. Компания уже купила доступ к GigaChat, YandexGPT или зарубежной модели, сотрудники пробуют задавать ей вопросы, а руководитель хочет понять, можно ли поручить нейросети ответы клиентам, разбор заявок или подготовку договоров — и что будет, если она ошибётся. Специалист по ИИ превращает эти попытки в работающий процесс с понятной ценой и понятным качеством.

Поэтому главный навык здесь — умение связать модель, данные компании и живой процесс, а не глубокая математика. Тот, кто понимает, где лежат регламенты и кто отвечает за ошибку, часто полезнее знатока архитектуры трансформера.

Чем прикладной специалист по ИИ отличается от ML-инженера и Data Scientist

Ближайшие соседи — инженер машинного обучения и Data Scientist, и обе эти роли работают с моделями изнутри. Data Scientist выбирает признаки, обучает модель и проверяет, не завышена ли её метрика. ML-инженер делает из обученной модели сервис: пайплайны, версии, мониторинг, нагрузку.

Прикладной специалист по ИИ, как правило, берёт уже обученную большую языковую модель (LLM) как внешний компонент. Его вопросы другие: какую модель выбрать под задачу и бюджет, как сформулировать инструкцию, какие документы подать модели в контекст, как проверить, что ответы верны, и какие данные вообще нельзя отправлять наружу. В небольшой компании эту роль совмещают аналитик, разработчик или руководитель проекта. В крупной она может называться «инженер по внедрению ИИ», «LLM-инженер», «промпт-инженер» или «AI-продакт» — названия плавают, поэтому смотрите на обязанности в вакансии, а не на заголовок.

Пересечения с соседями есть. Если нужна своя модель, дообученная на данных компании, подключают ML-специалистов. Если ассистент должен выдерживать тысячи запросов в минуту, понадобится бэкенд-разработчик.

Учебный пример: ассистент для операторов поддержки

Ситуация вымышленная, но типичная. В страховой компании операторы колл-центра тратят много времени на поиск ответов в базе из примерно 400 документов: правила страхования, памятки, внутренние письма. Руководитель поддержки просит сделать ассистента, который подсказывает оператору ответ со ссылкой на документ.

Специалист начинает не с модели, а с выборки. Он просит у старших операторов 150 реальных вопросов клиентов с правильными ответами — это будет тестовый набор. Затем собирает RAG: документы режутся на фрагменты, для каждого фрагмента считается векторное представление, и на каждый вопрос система находит несколько самых близких фрагментов и передаёт их модели вместе с инструкцией «отвечай только по приведённым документам, при нехватке данных так и скажи».

Первый прогон по тестовому набору даёт неприятную картину: примерно в каждом пятом ответе модель уверенно ссылается на пункт правил, которого нет. Разбор показывает, что проблема не в модели: старые и новые редакции правил лежат рядом, и поиск подаёт в контекст устаревший фрагмент. Специалист добавляет к фрагментам метаданные с датой редакции, отсекает архивные версии и меняет инструкцию так, чтобы модель цитировала номер пункта. Доля ответов с выдуманными ссылками на тестовом наборе заметно падает, а те вопросы, на которые ответа в базе нет, ассистент теперь честно передаёт человеку.

Попутно выясняется ещё одно: операторы вставляют в поле вопроса текст обращения целиком, с фамилией, телефоном и номером полиса клиента. Если модель работает на серверах за рубежом, это уже юридический вопрос, о котором ниже. Итог работы — ассистент, тестовый набор, отчёт о качестве и правила, какие данные можно вводить.

Из чего состоит работа

Промпты и выбор модели

Промпт-инжиниринг — это не поиск волшебной фразы, а составление инструкции, которую можно проверить: роль, формат ответа, ограничения, примеры. Хороший промпт хранится как код, у него есть версии, и после каждой правки его прогоняют по тому же тестовому набору. Выбор модели — это компромисс между качеством, ценой за токен, скоростью ответа и тем, где физически находятся серверы.

RAG и работа с документами

RAG (retrieval-augmented generation, генерация с опорой на найденные документы) нужна, когда модель должна отвечать по знаниям компании, которых нет в её обучающих данных. Большая часть проблем здесь связана не с моделью, а с документами: дубли, сканы без текстового слоя, таблицы, устаревшие редакции. Специалист решает, как резать тексты на фрагменты, какую векторную базу использовать и сколько фрагментов подавать в контекст.

Интеграция через API и агенты

Модель подключают к CRM, почте, трекеру задач или мессенджеру через API. Агент — это сценарий, в котором модель сама выбирает шаг: найти данные, вызвать сервис, записать результат. Часть таких сценариев собирают без программирования в n8n и похожих конструкторах. Например, на онлайн-курсе «ИИ-агенты и автоматизация» Яндекс Практикума за 6–8 недель собирают рабочие процессы в n8n с системными промптами, внешними сервисами, векторным поиском и RAG, а в описании прямо оговорено: писать код не нужно, но разбираться в API, данных и правах доступа всё равно придётся.

Оценка качества и сопровождение

Самая недооценённая часть работы — проверка. Ответы модели меняются от запуска к запуску, поставщик выпускает новую версию, и вчерашний промпт начинает работать иначе. Поэтому у специалиста есть тестовый набор, критерии оценки (верность фактам, наличие ссылки на источник, соблюдение формата) и привычка перепроверять систему после любых изменений. Отдельно считают стоимость одного ответа и экономию времени сотрудников.

Персональные данные в запросах к внешней модели

Когда сотрудник вставляет в запрос фамилию клиента, телефон или диагноз, а модель работает на серверах другой страны, компания осуществляет трансграничную передачу персональных данных. Её регулирует статья 12 закона № 152-ФЗ «О персональных данных». Оператор обязан уведомить Роскомнадзор до начала такой передачи (ч. 3), а перед уведомлением — получить от иностранного получателя сведения о том, как он защищает данные (ч. 5). Роскомнадзор рассматривает уведомление десять рабочих дней (ч. 9).

Правила зависят от того, куда уходят данные. В страны из перечня государств с адекватной защитой передавать можно сразу после уведомления. В остальные — только после того, как истекут сроки рассмотрения (ч. 10 и 11). Летом 2026 года здесь произошло важное изменение. Федеральный закон от 26.07.2026 № 265-ФЗ убрал из статьи 12 отдельный статус стран — участниц Конвенции Совета Европы о защите персональных данных. Раньше само участие в Конвенции давало право передавать данные в такую страну без ожидания. Теперь значение имеет только перечень, который утверждает Роскомнадзор: действует приказ № 128 от 05.08.2022, и после поправок его могут пересмотреть. США в этом перечне нет, а у многих популярных моделей серверы находятся именно там.

Для специалиста по ИИ из этого следуют вполне практические решения. Сначала выяснить, где физически обрабатываются запросы у выбранного поставщика. Если за рубежом — либо убирать и маскировать персональные данные до отправки, либо переходить на модель с серверами в России или развёрнутую на собственной инфраструктуре, либо добиваться, чтобы юристы компании оформили передачу по правилам. «Сотрудник просто спросил у чат-бота» с точки зрения закона ничем не отличается от выгрузки базы клиентов за рубеж. Юридическое решение принимает не специалист по ИИ, но именно он первым видит, какие данные идут в модель, и должен поднять этот вопрос до запуска, а не после.

Что может оказаться трудным

Результат вероятностный. Система, которая отвечает правильно в 95 случаях из ста, в пяти остальных ошибается уверенно и гладко, и нужно заранее решить, что будет с этими пятью: кто проверит ответ, где остановится автоматизация. Людям, которые хотят однозначного «работает или не работает», это бывает тяжело.

Инструменты меняются быстрее учебных программ. Модели, цены за токен и возможности конструкторов обновляются несколько раз в год, и часть выученного устаревает. Держится знание принципов: как устроен поиск по документам, как строить тестовый набор, как считать стоимость.

Много работы с людьми и чужими процессами. Придётся выяснять у руководителя отдела, что считается хорошим ответом, у юриста — какие данные можно отправлять, у службы безопасности — какие сервисы разрешены.

Сколько платят

Отдельной устоявшейся статистики по «специалистам по ИИ» нет: под этим названием работают и промпт-инженеры, и разработчики LLM-сервисов, и менеджеры внедрения. Ближайший открытый ориентир — калькулятор зарплат Хабр Карьеры по специализации «Промпт-инженер»: на сентябрь 2026 года он показывает 110 416 ₽ в месяц по 97 анкетам. Это фактические зарплаты, которые специалисты сами указали, без разбивки на регионы и уровни в открытом доступе, и выборка небольшая. Для сравнения, медиана по всему IT в первом полугодии 2026 года, по данным того же сервиса, составила 191 000 ₽ по 45 226 анкетам; это фон, а не ориентир для новичка.

Предложения в вакансиях — отдельная величина, и путать её с фактической зарплатой не стоит. Чтобы понять вилку для себя, откройте вакансии на hh.ru и Хабр Карьере, отфильтруйте по региону и опыту и читайте обязанности: вакансия с Python, RAG и развёртыванием моделей и вакансия «настроить нейросети для отдела маркетинга» оплачиваются по-разному, хотя обе могут называться «специалист по ИИ». Смотрите на медиану, а не на максимальные значения, и уточняйте, указана сумма до вычета налога или на руки.

Как учиться и с какой базы начинать

Путь зависит от того, откуда вы приходите. Разработчику или аналитику с Python достаточно освоить работу с API моделей, RAG, фреймворки вроде LangChain и методы оценки качества. Человеку без программирования разумно начать с no-code-инструментов и промпт-инжиниринга, но быть готовым к тому, что без основ Python, SQL и понимания HTTP-запросов потолок наступит быстро.

Для тех, кто уже работает в IT, у Нетологии есть программа «Специалист по искусственному интеллекту PRO»: 7 месяцев, большие языковые модели, RAG, LangChain и ИИ-агенты, четыре проекта и консультации экспертов. Подробного плана модулей на странице обзора нет, поэтому требования к входному уровню и состав проектов стоит уточнить у школы до оплаты. Если вы начинаете с нуля, ищите программы, где явно указано обучение Python и основам работы с данными, и проверяйте это по программе, а не по названию.

Попробовать можно и без курса. Возьмите открытый набор документов, например правила пользования каким-нибудь сервисом, составьте 30–50 вопросов с правильными ответами, соберите простую RAG-систему и посчитайте, сколько ответов верны. Затем поменяйте один параметр — размер фрагментов, промпт, модель — и сравните.

При выборе любого онлайн-курса задайте несколько вопросов. Будут ли проекты на реальных документах, а не только на демонстрационных? Учат ли строить тестовый набор и измерять качество? Разбирают ли работу с персональными данными и выбор модели по месту обработки? Сколько стоят внешние сервисы, которыми придётся пользоваться, и кто за них платит? Сравнить программы разных школ поможет рейтинг онлайн-школ по направлению «ИИ и нейросети» — это широкий рейтинг по всему направлению, а не только по профессии специалиста по ИИ, поэтому отбирайте из него программы по внедрению моделей, а не по генерации картинок или использованию нейросетей в маркетинге.

Что показать работодателю и с чего начать карьеру

Лучшее портфолио здесь — не набор красивых скриншотов с ответами чат-бота, а два-три законченных кейса. В каждом должны быть исходная задача, данные, архитектура решения, тестовый набор, метрики до и после доработок, стоимость одного ответа и список известных ограничений. Работодатель по такому кейсу видит, что вы умеете не только собрать систему, но и честно оценить её.

Первые шаги бывают разными. Разработчик может перейти на задачи с LLM внутри своей команды. Аналитик — взять пилот по автоматизации отчётов или разбора обращений. Руководитель отдела или специалист по процессам может стать внутренним заказчиком и координатором внедрения. Для этой траектории подходят программы, где учат не только инструментам, но и расчёту эффекта: например, на курсе Eduson Academy «Нейросети для бизнес-процессов» за 2 месяца делают агента в n8n, моделируют процесс «как есть» и «как будет» в Visio, считают окупаемость и готовят презентацию. Отдельного итогового проекта с подробным регламентом на странице обзора не заявлено, так что это скорее подготовка к пилоту, чем к полноценной разработке.

Если после учебного проекта вам интереснее разбираться, почему модель ответила неверно, чем показывать результат руководству, стоит посмотреть в сторону более технических ролей. Если наоборот — ближе окажется внедрение и управление ИИ-проектами. Обе дороги начинаются с одного и того же навыка: взять реальную задачу, измерить качество решения и признать его ограничения до того, как это сделает заказчик.