Продолжаем материал о специальностях, которые появились (или трансформировались) благодаря искусственному интеллекту 🤖
Первую часть мы посвятили инженерии и инфраструктуре. Во второй рассказываем, где искать новые возможности менеджменту и специалистам по продукту. В следующих читайте о контенте и 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).
Chief AI-Officer (CAIO)
Отвечает за внедрение технологий искусственного интеллекта на уровне всего бизнеса. Определяет, как компания будет использовать AI для достижения стратегических целей, управляет рисками и этическими аспектами его применения, обеспечивает соответствие регуляторным требованиям. В самом широком смысле задача CAIO — задавать тон AI-first мышления на всех уровнях компании.
Кому легче перейти?
- CDO, CTO и CIO с опытом внедрения AI решений — естественный переход благодаря техническому бэкграунду, управленческому опыту и высокоуровневому видению бизнеса.
- Руководителям AI/ML-подразделений с сильными лидерскими навыками и пониманием бизнес-контекста.
- Консультантам по цифровой трансформации (особенно с фокусом на AI).
Где искать вакансии?
В компаниях, ориентированных на данные и оптимизацию процессов за счет внедрения AI-инструментов. Это могут быть крупные корпорации из сферы IT, финансов, ритейла, медицины, фармацевтики, автопрома и логистики. Кроме того, CIAO набирают популярность в консалтинге и IT-аутсорсинговых компаниях.
Что подчеркнуть в резюме?
- 10+ лет опыта в AI/ML, data science или техническом менеджменте, 5+ лет на руководящих позициях.
- Понимание архитектуры машинного обучения и нейронных сетей.
- Опыт запуска и масштабирования проектов по внедрению AI с измеримыми бизнес-результатами
- Навыки стратегического планирования и управления изменениями.
- Глубокое понимание бизнеса и навыки коммуникации с кросс-функциональными командами и топ-менеджментом.
AI Product Manager
Управляет разработкой и внедрением AI-продуктов и фичей: определяет их ценность, планирует дорожную карту, оценивает качество ML-моделей, отвечает за метрики производительности моделей и пользовательский опыт.
В отличие от традиционного продакта, AI PM работает с системами, которые дают вероятностные результаты (AI-модель может ошибаться). Обязанность такого сотрудника — определять, какой процент ошибок приемлем для бизнеса, понимать причины сбоев моделей, предусматривать запасные сценарии и закладывать необходимость постоянного переобучения AI-моделей и их адаптации.
Кому легче перейти?
- Традиционным продактам с техническим бэкграундом. Легче всего делать такой переход внутри компании, например, с автоматизации внутренних продуктов.
- Data-сайентистам, которые хотят сменить фокус на управление продуктами.
- Разработчикам (часто через роль технического PM) — техническая экспертиза упростит коммуникацию с ML-командами.
Где искать вакансии?
Роль AI PM появилась в ответ на взрывной рост AI-продуктов и востребована повсеместно: от стартапов до крупных корпораций, внедряющих AI во внутренние процессы. Ищите возможности в финтехе, e-commerce, EdTech, HRTech, HealthTech, Saas, стримингах, ритейле и многих других сферах.
Что подчеркнуть в резюме?
- Опыт продуктового менеджмента с пониманием технической стороны процесса, работу с кросс-функциональными командами (особенно с data science и разработкой).
- Кейсы внутренней автоматизации, успешного запуска AI-фич или продуктов. Понимание основ AI, ML и связанных с ними технологий. Знание специфичных для AI метрик.
- Умение работать с неопределенностью и вероятностными системами. Примеры проектов, где приходилось принимать решения о компромиссах между точностью модели, скоростью работы и интерпретируемостью результатов.
Data Annotation Manager
Управляет разметкой данных для обучения и тестирования AI-моделей. Координирует команды разметчиков данных (in-house либо на аутсорсе), разрабатывает инструкции по аннотированию и обучающие материалы, контролирует качество разметки, управляет бюджетами и сроками, обеспечивает соответствие SLA и требованиям заказчика.
Работает на стыке ML-инженерии, операционного управления и контроля качества: понимает, какие данные нужны для конкретных моделей, выбирает инструменты и платформы для разметки, внедряет системы активного обучения и подходы human-in-the-loop для оптимизации затрат.
Кому легче перейти?
- Data Operations специалистам с опытом работы с данными и пайплайнами — естественный переход в annotation management с добавлением ML-контекста.
- Проджектам с техническим бэкграундом в ML/AI.
- ML-инженерам и data-сайентистам, которые хотят перейти в управление.
Где искать вакансии?
Роль становится всё более важной с ростом масштабируемых LLM-систем. Ищите вакансии в data-лабораториях, на аутсорсинговых платформах разметки и в компаниях, создающих supervised learning модели, особенно в сфере компьютерного зрения, NLP и специализированных областей применения.
Что подчеркнуть в резюме?
- Понимание принципов машинного обучения и требований к данным для ML-моделей
- Знание инструментов разметки и статистических методов оценки качества.
- Опыт внедрения систем активного обучения и human-in-the-loop подходов, а также работы с краудсорсинговыми платформами.
- Опыт управления командами.
- Плюсом будет доменная экспертиза в специализированных областях.
Не можешь сориентироваться на сегодняшнем рынке труда? Приходи на курс Hello New Job, где Кира Кузьменко учит понимать логику нанимателей, адаптировать свой опыт под запросы бизнеса и получать перспективные должности.
