3SELLER Journal 3SELLER →

Чем занимаются специалисты по ИИ: 4 задачи, зарплаты до 400 тысяч и проверка на самозванца

21.11.2026

Типичная сцена: компания решает внедрить ИИ, нанимает специалиста, а через полгода руководство спрашивает, чем он вообще занят. Демо показывали красивое, в проде все работает криво, чат-бот отвечает загадками. Проблема редко в человеке. Чаще никто в компании не понимает, чем этот специалист должен заниматься и какой результат от него ждать.

Я много лет работаю с нейросетями и насмотрелся на оба сценария. Разберу профессию изнутри: из чего состоит реальная работа, чем она отличается от ML-инженерии и промптинга, где ищут таких людей и сколько платят. В конце покажу способ потрогать флагманские модели самому, прежде чем писать ТЗ на найм.

Суть профессии в одном абзаце

Специалист по искусственному интеллекту превращает модели в работающие решения. Он подбирает или обучает модель под конкретную задачу, собирает вокруг нее базу знаний, агентов и интеграции, затем проверяет, что система отвечает правильно. В вакансиях это звучит как «разработка AI-функций», по факту ближе к инженерии продукта, чем к науке. Такие люди работают на стыке бизнеса и технологий и переводят запросы директора на язык кода и обратно.

Ключевая фраза, которую стоит запомнить: специалист отвечает за то, чтобы AI-функция работала в продукте, а не только в демо. Демонстрацию на пяти удачных примерах собирают за вечер. Прод с тысячами реальных пользователей, где каждый формулирует вопрос по-своему, требует совсем другого подхода. Разница между этими двумя состояниями и есть работа.

Из чего складывается рабочий день

Задачи каждый день повторяются, меняются только проекты. Четыре опоры держат все остальное.

Первая развилка, которую специалист проходит едва ли не еженедельно: хватит готовой LLM или нужна своя модель. В подавляющем большинстве случаев хватает готовой. Свое обучение оправдано, когда у компании узкая предметная область со специфичными терминами, жесткие требования к приватности или особые ограничения. Остальное закрывается грамотным промптом и базой знаний. Ошибиться здесь дорого в обе стороны. Своя модель без нужды - сожженный бюджет. Дефолт там, где нужна кастомизация, - общие ответы вместо экспертных.

Вторая опора - данные. Модель без правильных данных отвечает красиво и бесполезно. Специалист собирает тестовые наборы, на которых будет мерить качество, размечает документы, вычищает кривые выгрузки из CRM и ERP. Работа неблагодарная, но без нее не работает ничего. На Reddit практикующие инженеры в тредах о внедрении LLM повторяют одно и то же: провальные проекты умирают не на модели, а на данных. Данные есть, только они в пяти форматах, без структуры и с опечатками.

Третья опора - сборка пайплайна. Классическая схема корпоративного ассистента выглядит так. Вопрос пользователя попадает в поиск по базе знаний, этот подход называют RAG (Retrieval-Augmented Generation). Найденные фрагменты вместе с вопросом уходят в языковую модель, та отвечает со ссылками на источники. Если нужен агент, добавляются инструменты: модель сама решает, когда лезть в базу, когда дергать внешний API, когда передавать диалог живому человеку. Получается не один запрос к чату, а конвейер, где у каждого шага своя логика и свои точки отказа.

Четвертая опора - качество. Специалист измеряет ответы и строит защиту от галлюцинаций. На выходе должен получиться сервис с метриками: доля правильных ответов, процент корректных отказов, стоимость одного запроса. Стоимость тоже его головная боль. Каждый токен стоит денег, и на тысячах обращений в день это превращается в строку бюджета, за которую спросят.

Чем специалист по ИИ отличается от ML-инженера и промпт-инженера

Граница размыта, и в вакансиях названия перемешаны так, что HR сам порой не понимает, кого ищет. Классическое разделение такое. ML-инженер обучает модели и держит инфраструктуру вокруг них: датасеты, обучение, вычисления. Специалист по ИИ собирает из готовых моделей решения: ассистентов, RAG-системы, агентов. Промпт-инженер работает только с запросами к модели, без кода вокруг.

На практике и специалист по ИИ, и ML-инженер пишут на Python и знают основы машинного обучения. Разница в фокусе. Первый чаще имеет дело с готовыми LLM и думает о качестве ответов, интеграциях и стоимости запросов. Второй глубже в математике и обучении, у него свои датасеты и видеокарты. Просить у специалиста по ИИ обучить модель с нуля - все равно что просить системного администратора спроектировать процессор.

Рядом стоят еще три роли, которые путают со всеми сразу. Дата-сайентист строит предиктивные модели, тестирует гипотезы и готовит данные для машинного обучения, его результат чаще прогноз или скоринг, чем диалоговый ассистент. ИИ-бизнес-аналитик формулирует бизнес-задачи под ИИ и считает экономическую эффективность решений. ML-аналитик занимается интерпретацией и валидацией моделей. Путаница в этих названиях давно стала отдельным жанром рекрутинга.

Роли вокруг моделей: не все пишут код

Вокруг ИИ сложилась целая обойма профессий, где программирование не главное.

Аннотаторы делают невидимую работу, на которой держится весь рынок. Разметка датасета для распознавания документов - недели ручного труда, и хороший размеченный датасет порой ценнее хорошей идеи. А аудиторы становятся нужнее с каждым годом, потому что регуляторы все настойчивее требуют объяснять, почему модель приняла то или иное решение.

Отрасли: куда именно идут работать

Медицина. Диагностика и анализ медицинских изображений. Модель смотрит снимок и подсвечивает подозрительные участки, финальное слово всегда за врачом. Здесь цена ошибки максимальная, поэтому и требования к качеству самые жесткие.

Ритейл. Персонализация рекомендаций и прогноз спроса. Прогноз напрямую конвертируется в деньги: заказал лишнее - заплатил за хранение, заказал мало - потерял продажи. Ритейлеры одни из самых требовательных заказчиков на всем ИИ-рынке.

Промышленность. Предиктивное обслуживание и компьютерное зрение. Датчики и модели предсказывают поломку станка до того, как он встанет посреди смены, камеры следят за качеством на конвейере. Сюда же контроль безопасности: система видит, что человек зашел в опасную зону, раньше прораба.

Финансы. Фрод-детекция и скоринг. Модель ловит подозрительные транзакции в реальном времени и оценивает риск по кредитной заявке. Ошибка в одну сторону стоит банку денег, в другую стоит клиента, и балансировать между ними по-настоящему интересно.

Госсектор. Автоматизация госуслуг и концепции «умного города». Сюда же транспорт, энергосети, коммунальные системы. Внедряется все медленнее коммерческого рынка, зато масштабы такие, что один успешный проект затмевает десятки частных. Чат-бот госуслуг, отвечающий на тысячи обращений в сутки без очереди и выходных, - характерный пример такого размаха.

Деньги и спрос: цифры без иллюзий

AI-навыки сейчас самый быстрорастущий спрос во всем IT. Senior-специалист по искусственному интеллекту получает 280-400 тысяч рублей. Вход требует Python и основ машинного обучения, порог вполне проходимый для действующего разработчика, который хочет сменить фокус. С джунами сложнее: рынок просит людей, которые уже приносили пользу, а не только закончили курс.

Есть и обратная сторона. Инфляция названий дошла до того, что под заголовком «специалист по ИИ» скрывается что угодно: от человека, который пишет промпты в чате, до инженера полного цикла. Недавно разбирал резюме со строкой «3 года опыта в ИИ»: на поверку оказался человек, который месяц писал промпты в бесплатном чате. Работодателю стоит проверять кандидатов задачами, кандидату стоит уточнять, что от него ждут. Иначе обе стороны узнают правду через три месяца испытательного срока.

Как проверить специалиста перед наймом

Три вопроса отсеивают половину липовых резюме. Первый: как вы меряете качество ответов? Человек, который реально это делал, начнет говорить про тестовые наборы, метрики и ручную разметку. Импровизатор начнет про инновации. Второй: сколько стоит один запрос пользователя в вашей системе? Тот, кто не считал, прод не строил. Третий: что случится, если база знаний пустая? Проверка на честность в проектировании отказов.

Тестовое задание тоже простое. Маленький RAG на вашей базе документов, десять вопросов, таблица с оценкой ответов. За один день работы будет видно все: как человек режет тексты, как строит промпт, как обращается с неудачными ответами. В обсуждениях на Reddit лиды команд разработки советуют ровно такой формат проверки вместо собеседований с теорией. Дешевле заплатить за этот день, чем потерять три месяца.

Как войти в профессию

Формула входа скучная и рабочая. Python до уверенного уровня, основы машинного обучения без глубокой математики на старте, понимание того, как устроены LLM и почему они галлюцинируют. Дальше практика: собрать своего ассистента на готовой модели, прикрутить RAG к собственной базе документов, придумать тестовый набор и померить качество ответов. Портфолио из двух-трех таких кейсов весит больше любого сертификата.

Полезная привычка: читать не только туториалы, но и разборы провалов. Почему ассистент выдавал цены двухлетней давности, почему агент зациклился и сжег бюджет на вызовах API, почему поиск по базе тянул не те фрагменты. В провалах больше инженерной правды, чем в успешных кейсах с глянцевыми обложками.

Попробовать флагманы можно без найма команды

Прежде чем писать ТЗ и открывать вакансию, имеет смысл самому понять, на что способны современные модели. Подчас выясняется, что задача решается готовым инструментом за вечер, и проект нанимать не нужно. Или наоборот: станет ясно, что без специалиста не обойтись, и вы придете к нему с уже сформулированной задачей. Оба исхода полезны.

Для экспериментов я держу под рукой 3GPT от 3SELLER. Это ИИ-роутер, который дает прямой доступ из России к флагманским нейросетям за 149 рублей, без иностранных карт. В одном окне собраны Chat GPT 6 Astra, Claude Fable 5, Claude Fable 5.1, Claude Opus 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для создания изображений, плюс генерация видео. Баланс пополняется российской картой, через СБП или криптой.

Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте 3GPT.

Повседневные задачи в бизнесе и работе он закрывает с запасом. Продающие тексты, структура и прототип сайта, разбор документов, подготовка деловых писем. Изображения создаются и обрабатываются с максимально реалистичным результатом, видеоролики и голос генерируются там же, в одном интерфейсе.

Интерфейс 3GPT: доступ к флагманским нейросетям из России

Отдельная фишка сервиса - готовые ИИ-агенты под конкретные задачи. Выбираете нужного агента и начинаете с ним общение, модель можно менять прямо в чате. Для проверки гипотез это самое то: не нужно ничего собирать и программировать, чтобы понять, справится ли ИИ с вашей задачей. Посмотреть агентов можно на странице готовых ИИ-агентов 3GPT.

Готовые ИИ-агенты в 3GPT

Тем, кто работает с визуалом, пригодится отдельный набор инструментов для генерации. Реалистичные фотографии создаются через лучшие ИИ-инструменты для изображений, без танцев с зарубежными платежками и лишних прослоек.

Генерация реалистичных изображений в 3GPTИнструменты 3GPT для работы с изображениями

Месяц игры с флагманами меняет разговоры о найме: вы будете говорить со специалистом на одном языке, поймете, что такое промпт, контекст, галлюцинация и почему база знаний важнее выбора модели. Аргументы в споре станут другими.

С чего начать прямо сейчас

Специалист по ИИ оказывается инженером продукта, а не жрецом технологий. Его ценность не в знаниях про нейросети, а в том, что он доводит их до состояния, когда они работают у реальных пользователей и не выдумывают факты. Найм оправдан, когда задача системная и данные в порядке. Когда задача разовая, быстрее и дешевле потрогать модели самостоятельно.

Шаг на сегодня: откройте 3GPT, выберите задачу, которую вы делаете руками каждый день, и отдайте ее флагманской модели. Если результат устроит, вы сэкономили месяцы разработки и бюджет. Если нет, вы получили точное ТЗ для специалиста, а это уже половина успеха в найме.

← Вернуться к блогу

Читать дальше