IT-сфера переживает настоящий «эволюционный бум»: благодаря AI каждый день появляются новые роли, а старые меняются, адаптируются к новым инструментам или потихоньку отмирают. И пока одни специалисты волнуются, что их экспертиза может оказаться невостребованной, другие находят новые роли и перспективные направления.
Тоже переживаешь? Понимаем. И делимся подборкой профессий, которые появились во многом благодаря AI. Для них совсем не обязательно переучиваться с нуля! Вполне возможно, что тебе просто нужно добавить в арсенал несколько ключевых скилов — и можно претендовать на крутые вакансии и рост (в том числе в деньгах).
В первой части пишем о новых ролях в инженерии и инфраструктуре. В следующих — расскажем, где искать работу в контенте, менеджменте и продукте, а также в сфере оптимизации.
Тоже переживаешь? Понимаем. И делимся подборкой профессий, которые появились во многом благодаря AI. Для них совсем не обязательно переучиваться с нуля! Вполне возможно, что тебе просто нужно добавить в арсенал несколько ключевых скилов — и можно претендовать на крутые вакансии и рост (в том числе в деньгах).
В первой части пишем о новых ролях в инженерии и инфраструктуре. В следующих — расскажем, где искать работу в контенте, менеджменте и продукте, а также в сфере оптимизации.
Важный дисклеймер: профессии, связанные с AI, развиваются с космической скоростью, а общие стандарты только формируются. Этот материал — срез рынка в ноябре 2025 года (мы уже не можем ограничиться даже годом — ситуация может измениться буквально за несколько месяцев).
AI Engineer
Инженер, работающий с AI-моделями. Тесно сотрудничает с дата-сайентистами, разработчиками и бизнес-командами.
Роль сфокусирована на применении готовых AI-моделей — такие специалисты пишут код, интегрируют AI-инструменты и создают приложения на основе готовых и предобученных моделей (LLM, computer vision models). К основным задачам AI-инженера относятся разработка RAG-систем, prompt engineering, fine-tuning и другие методы адаптации моделей под специфические задачи.
Понимание функций AI Engineer сильно варьируется между компаниями.
В стартапах и компаниях без отдельной ML-команды AI Engineer может участвовать на всех этапах внедрения AI: от выбора модели и подготовки инфраструктуры до мониторинга качества и верификации результатов в production.
В крупных компаниях AI-инженер часто работает в продуктовой или data-команде, внедряя AI-функции в масштабе, такие как рекомендательные или антифрод системы.
Каким специалистам проще перейти?
- Backend-разработчикам (особенно с опытом интеграции API и микросервисов).
- Data-сайентистам (благодаря опыту работы с ML-алгоритмами и анализом данных).
Где искать вакансии?
AI-Engineer — профессия года! Из-за массового внедрения AI спрос на таких спецов сейчас превышает предложение и выходит за рамки традиционного IT. AI-Engineers востребованы во многих сферах, от ритейла до производства (складские процессы, индустриальный сектор и т. д.) — везде, где бизнес изобретает новые подходы к автоматизации, оптимизации и применению искусственного интеллекта.
Что подчеркнуть в резюме?
- Опыт работы с с LLM API (OpenAI, Anthropic, Hugging Face и др.).
- Знание Python, фреймворков (LangChain, LlamaIndex, Haystack), промпт-инжиниринга и адаптации моделей под специфические задачи.
- Опыт взаимодействия с DS/ML/DE при внедрении решений.
- В идеале: портфолио с проектами, демонстрирующими умение собрать работающее решение на базе AI-модели.
MLOps Engineer
Создаёт и поддерживает инфраструктуру для жизненного цикла моделей: от подготовки данных до мониторинга в продакшене.
Обеспечивает интеграцию ML-моделей в операционные процессы. Управляет версионированием кода и данных, настраивает автоматизированные пайплайны обучения и переобучения, следит за производительностью моделей и дрейфом данных, отвечает за CI/CD и масштабируемость системы, а также соответствие стандартам безопасности и конфиденциальности данных во всех MLOps-активностях.
Кому легче перейти?
- Data-инженерам, DevOps — они уже знают инфраструктуру, автоматизацию и мониторинг, нужно только изучить специфику ML.
- Data-сайентистам, ML-инженерам — они понимают моделирование и метрики, нужна практика в DevOps и инфраструктуре.
Где искать вакансии?
За последние годы роль MLOps Engineer из узкой ниши превратилась в одну из самых быстрорастущих специальностей. Это ключевая роль для компаний, масштабирующих AI-продукты, — бигтеха и поставщиков облачных услуг.
Однако вакансий много и в традиционных индустриях благодаря активному внедрению AI. Такие специалисты востребованы в финтехе, консалтинге, e-commerce и enterprise-компаниях любой индустрии, выводящих ML-модели в production.
Что подчеркнуть в резюме?
- Опыт с инструментами управления ML пайплайнами (Airflow, Kubeflow, MLflow, DVC).
- Опыт построения и поддержки систем автоматизации обучения и переобучения моделей. Знание инструментов версионирования моделей и данных.
- Опыт мониторинга моделей в production (отслеживание дрейфа данных, деградации качества, performance метрик).
- Работу с контейнеризацией и оркестрацией (Docker, Kubernetes). Опыт с облачными ML-платформами или построения своих.
- Опыт в CI/CD для ML (автоматизированная валидация, deployment, переобучение).
- Плюсом будет понимание микросервисной архитектуры и работы с высоконагруженными системами.
RAG Engineer
Разрабатывает и оптимизирует системы Retrieval-Augmented Generation — гибридные решения, которые комбинируют поиск информации по базам знаний и внешним источникам с генеративными возможностями AI (например, корпоративный AI-ассистент с доступом к внутренним документам компании, поисковая система по большому архиву или система customer support с обновлением базы знаний в реальном времени).
Для этого RAG Engineer выбирает и настраивает embedding-модели и векторные базы данных, оптимизирует стратегии поиска (sparse методы вроде BM25, dense semantic search через векторные эмбеддинги, hybrid retrieval), разрабатывает стратегии разбиения для документов, оценивает и улучшает качество retrieval.
Кому легче перейти?
- AI/ML-инженерам с опытом работы с LLM — они уже понимают генеративные модели, нужно только освоить retrieval и chunking-стратегии.
- Backend-разработчикам с опытом в поисковых системах (Elasticsearch, Solr). Переход потребует изучения векторных БД, embedding-моделей и интеграции с LLM API.
- Search-инженерам — естественный переход для тех, кто хочет добавить генеративную компоненту к поисковым системам.
Где искать вакансии?
RAG — критически важная технология для современных LLM-приложений. Многие компании сейчас активно внедряют RAG-системы и готовы бороться за сильных специалистов. Это могут быть SaaS-компании, добавляющие AI-поиск в свои продукты, стартапы, строящие AI-search продукты, E-commerce, использующие поиск по каталогам или консалтинговые компании, внедряющие enterprise AI-системы для клиентов.
Что подчеркнуть в резюме?
- Опыт построения end-to-end RAG-пайплайнов, работу с векторными базами данных (Pinecone, Chroma, FAISS, Weaviate, Milvus), знание embedding-моделей и опыт их оптимизации.
- Опыт с chunking-стратегиями и их A/B-тестированием, оценку качества retrieval.
- Плюсом будет опыт работы с мультимодальными данными (текст, изображения, аудио) и знание фреймворков: LangChain, LlamaIndex, Haystack.
Synthetic Data Specialist
Создает и валидирует синтетические данные для обучения ML-моделей, когда реальные данные — ограничены, конфиденциальны или некачественны (например, искусственные записи пациентов для обучения диагностических моделей или финансовые транзакции для тестирования систем обнаружения мошенничества).
Выбирает подходящие методы синтеза: генеративные модели (GANs, VAEs, diffusion models), статистический синтез или комбинированные подходы. Строит end-to-end пайплайны генерации данных, обучает и настраивает генеративные модели, валидирует качество и реалистичность данных, обеспечивает соответствие требованиям по защите персональных данных и нормативным актам.
Кому легче перейти?
- ML/Data-инженерам с опытом генеративных моделей — они понимают архитектуры нейросетей и могут адаптировать их под генерацию синтетических данных.
- Data-аналитикам и Data-сайентистам со статистическим бэкграундом (потребуется освоить инженерную часть).
Где искать вакансии?
Это нишевая, но критически важная роль в определённых сферах. Мы видим растущий спрос на таких специалистов в жёстко регулируемых индустриях (здравоохранение, финансы, телеком), в компаниях, работающих с персональными данными, в компаниях без достаточного количества исторических данных.
Другие интересные направления: индустрия автономных автомобилей и робототехники (синтетические данные могут быть нужны для тренировки систем восприятия), а также сфера компьютерного зрения, где необходима генерация синтетических изображений для обучения моделей.
Что подчеркнуть в резюме?
- Опыт построения пайплайнов генерации синтетических данных.
- Работу с генеративными моделями.
- Знание специализированных фреймворков для генерации синтетических данных (SDV, Gretel, DataSynthesizer и др.). Понимание статистики и распределений данных, навыки валидации и оценки их качества.
- Знание регламентов по защите данных, опыт работы с чувствительной информацией, понимание дифференциальной приватности и техник анонимизации.
AI Evaluation Engineer
Разрабатывает и поддерживает системы оценки качества AI-моделей, включая автоматизированные инструменты для тестирования, валидации и мониторинга.
Отвечает за создание оценочных фреймворков (метрики качества, эталонные датасеты и пайплайны оценки на основе LLM), поиск слабых мест, выявление ошибок и возможностей для улучшения. Создает инструменты для понимания и предсказания сценариев отказа. Работает на всех этапах ML-разработки — от управления данными и запуска обучения до построения эффективных пайплайнов оценки.
Кому легче перейти?
- ML-инженерам и Data-сайентистам — они уже понимают архитектуру моделей и их ограничения, потребуется освоить методологии оценки и статистический анализ.
- QA-инженерам и инженерам по тестированию с техническим бэкграундом (если добавить понимание ML, промпт-инжиниринга и работы с системами оценки на основе LLM).
- Data-аналитикам с сильными статистическими навыками и опытом A/B-тестирования — им потребуется углубиться в ML-специфику и освоить инструменты оценки моделей.
Где искать вакансии?
Оценка моделей стала одним из главных бутылочных горлышек при внедрении AI в enterprise-компаниях, так что специалисты в этой области весьма востребованы. Кроме того, это критически важная роль в компаниях, создающих AI-продукты для массового пользователя, где качество модели напрямую влияет на миллионы людей. Это может быть бигтех, AI-first компании или предприятия по производству автономных систем.
Параллельно растёт число вакансий в правительственных и исследовательских организациях, где навыки AI Evaluation Engineer применяют для оценки безопасности AI, обнаружения предвзятости и подтверждения прозрачности алгоритмов.
Похожие вакансии могут быть указаны как ML Evaluation Scientist, AI Quality Engineer, Model Evaluation Engineer, LLM Evaluation Specialist и т. д.
Что подчеркнуть в резюме?
- Навык оценки производительности AI, тестировании и валидации новых моделей и алгоритмов.
- Опыт мониторинга моделей в продакшене.
- Опыт построения автоматизированных пайплайнов тестирования, хорошие навыки дата-аналитики и статистических методов, знание техник генерации синтетических данных.
- Дополнительным преимуществом станет доменная экспертиза в специализированных областях вроде здравоохранения, автономных систем или диалогового AI.
Low-code/No-code AI Разработчик
Автоматизирует бизнес-процессы без традиционного кодинга с помощью no-code/low-code платформ и GenAI инструментов. Например, интегрирует AI API через Zapier/Make/n8n, строит чат-боты через конструкторы (Voiceflow, Botpress), настраивает RPA-сценарии, быстро валидирует MVP и проводит A/B-тесты AI-решений.
Роль демократизирует внедрение AI-автоматизаций, позволяя сотрудникам с базовыми техническими навыками создавать решения быстрее и дешевле традиционной разработки.
Кому легче перейти?
Специальность с относительно низким порогом входа, не требующая образования в сфере Computer Science (базовые технические навыки, тем не менее, понадобятся). Принципиально важно разбираться в бизнес-процессах, понимать потребности стейкхолдеров и запросы пользователей.
- Бизнес-аналитикам — они умеют переводить требования бизнеса в технические решения, понимают процессы и работают с данными.
- Operations Specialists — они понимают рабочие процессы и умеют выявлять потенциальные узкие места.
Кроме того, навык Low-code/No-code разработки пригодится продактам и аналитикам, которые не планируют смену роли: поможет ускорить прототипирование и тестирование гипотез, валидацию product-market fit, автоматизировать рутинные процессы и снизить зависимость от IT-отдела.
Где искать вакансии?
Роль востребована в стартапах и компаниях, где требуется быстрое прототипирование и автоматизация без больших инвестиций в разработку. Маркетинговые агентства нанимают таких специалистов для AI-автоматизации кампаний и лидогенерации, консалтинг — для внедрения no-code решений у клиентов, customer success команды — для создания AI-чатботов и автоматизации поддержки. В крупных компаниях растёт спрос на построение внутренних инструментов для бизнес-подразделений.
Отдельно стоит отметить фриланс-рынок, где мы видим большой спрос на Zapier/Make экспертов.
Помните, что эта роль может подразумеваться под другими названиями, например, AI Automation Specialist, Chatbot Builder и др.
Что подчеркнуть в резюме?
- Владение no-code платформами автоматизации (Zapier, Make, n8n, Airtable) и AI-конструкторами (Voiceflow, Flowise).
- Опыт интеграции LLM API, навыки промпт-инжиниринга для автоматизаций.
- Важно продемонстрировать понимание бизнес-процессов и умение переводить потребности бизнеса в технические решения.
- Плюсом будет портфолио с конкретными кейсами: количество настроенных автоматизаций, ROI, сэкономленное время.
Prompt Engineer
Специалист по созданию промптов для взаимодействия с AI-моделями. Пишет инструкции для получения нужных результатов от LLM, тестирует различные подходы и формулировки, строит цепочки промптов для сложных задач, оценивает качество генерации. Разрабатывает шаблоны промптов и репозитории для автоматизации бизнес-процессов, документирует best practices. В крупных компаниях может специализироваться на конкретных доменах (например, customer support, контент и маркетинг, аналитика).
Кому легче перейти?
- Лингвистам, копирайтерам, техническим и UX-писателям с пониманием принципов работы LLM (как модели интерпретируют инструкции, какие параметры влияют на результат: температура, Top-P и т. д.).
Барьер входа в промпт-инженерию часто ниже, чем в другие AI-специальности (многие работодатели не требуют от кандидатов глубокого знания Data Science или ML).
Где искать вакансии?
В компаниях, активно автоматизирующих внутренние процессы через AI-агентов. Также высок спрос в контент-платформах, EdTech, маркетинговых агентствах.
Что подчеркнуть в резюме?
- Опыт работы с различными LLM и понимание их сильных/слабых сторон, знание техник промптинга: zero-shot, few-shot, prompt chaining, ReAct и т. д.
- Опыт построения шаблонов для повторяющихся задач.
- Умение тестировать и валидировать качество ответов и работать с фреймворками для оценки.
- Плюсом будет знакомство с API-интеграциями, фреймворками (LangChain, LlamaIndex) и знание Python.
- Технический бэкграунд полезен, но не обязателен — важнее портфолио с примерами промптов и кейсами их применения (с конкретными метриками улучшения результатов).
Всё ещё не уверен (а) в том, что сможешь адаптироваться к рынку и правильно подать свой опыт? На курсе Hello New Job! Кира Кузьменко учит ориентироваться на сегодняшнем динамичном рынке труда, понимать логику нанимателей и получать перспективные должности. По ссылке ты можешь почитать программу и записаться на ближайший поток.
