Привет, на связи снова Марина Ломадзе, руководитель направления привлечения и найма талантов в Cloud.ru. И меня беспокоит вопрос: если через 2–3 года рядом со мной будет работать ИИ-агент или даже мультиагентная система, то кем в этой комбинации буду я? Что я умею такого, чего не умеет агент, и какие роли вообще появляются вокруг ИИ, в которые я могу перейти не когда-нибудь потом, а уже сейчас?
В этом тексте разберу эти новые роли, то, как трансформируются привычные профессии и как увидеть для себя реальные карьерные траектории, не отвлекаясь на истерику, что ИИ всех уволит.
Уровень 1. Человек, который делает свою работу, но уже с ИИ
Роль
Это не новая профессия, а апгрейд существующей. Маркетолог, аналитик, продакт, рекрутер, дизайнер, журналист или юрист, конечно же, никуда не исчезнут. Но роль каждого из них уже сейчас начинает выглядеть иначе.
Попасть на этот уровень можно почти из любой офисной или цифровой профессии, где много текстов, данных, коммуникации, ресерча и рутины.
Порог входа
Низкий. Нужен не новый диплом или эффектный карьерный разворот, а лишь желание докрутить свои привычные процессы и начать делегировать ИИ то, что раньше вы делали руками, просто потому что.
Навыки
1. Умение видеть задачи, которые можно отдать ИИ
Чек-лист с вопросами, чтобы это понять:
Какие задачи я выполняю не менее одного раза в неделю и на какие из них трачу минимум 20 минут?
Где результат требует не креатива, а аккуратности и структуры?
Где я и так постоянно копирую и переношу информацию между документами, просто вручную?
Обычно сюда попадают:
черновики писем, презентаций, описаний, резюме, вакансий;
ресерч по рынку, конкурентам, продуктам;
первичная обработка таблиц и отчетов;
подготовка Q&A, сценариев звонков, шаблонов сообщений.
Как качать
Взять 5–7 своих регулярных задач и пройтись по чек-листу. Каждую задачу можно пометить ярлыком:
Можно целиком отдать ИИ.
Отдать ИИ на 50%, оставить себе проверку и доводку.
Вообще нельзя отдавать ИИ (юридические риски, чувствительные данные, политически токсичные темы, плохое качество результата, которое нельзя починить промптом и т. д.).
Из этого собрать себе личный ИИ-бэклог — список задач, которые вы осознанно переносите на ИИ-слой.
2. Постановка задач ИИ
Тут важно научиться разбивать большую задачу на 3–4 шага.
До | После |
❌ «Напиши мне пост про нашу новую фичу» | ✅ Шаг 1: «Собери список вопросов, которые у пользователя возникают по такой-то фиче» ✅ Шаг 2: «Собери черновой ответ на каждый вопрос в формате Q&A» ✅ Шаг 3: «Собери из Q&A пост для такой-то аудитории в Telegram, 3–4 абзаца, тон — спокойный, вот референсы наших постов» ✅ Шаг 4: «Предложи три варианта лид-абзаца и пять вариантов заголовка» |
Даю эту дифференциацию очень общо. Подробнее и с примерами писали про искусство промптов в цикле из двух статей: для новичков и для продвинутых.
То есть вы проектируете микропроцесс: сначала исследования, потом черновик, потом фокусировка под канал и только потом варианты самого контента.
Как качать
Взять одну реальную задачу (например, подготовка рассылки, создание лендинга или отчета руководителю).
Разделить ее на этапы по аналогии.
Прогнать ИИ по каждому шагу отдельно и зафиксировать, на каких шагах результат реально экономит время, а где вручную было бы быстрее и/или лучше.
Фиксировать важно: без этого вы будете жить с ощущением, что польза есть, но ее невозможно пощупать, а значит, нельзя и улучшить.
3. Критическое мышление и проверка результата
Третий навык — понимать, где модель может ошибаться, где начинает фантазировать и где результат нельзя просто брать и нести в работу без проверки.
ИИ всегда отвечает одинаково уверенно: и когда пишет рабочий скрипт, и когда придумывает несуществующую библиотеку.
Этот чек-лист — ваш внутренний «красный флаг». Если в ответе ИИ сработал хотя бы один пункт, копипастить ответ в продакшен или отправлять коллегам нельзя. Нужно сделать конкретное действие. Чек-лист «красных флагов» такой:
В ответе есть точные числа, названия законов, даты, фамилии — проверяем по первоисточнику.
Модель уверенно пишет про события и факты без ссылок.
В тексте упоминаются исследования, опросы, отчеты, но без названий организаций, годов или хотя бы примерных выборок.
В ответе есть выводы («рынок рухнет», «профессия исчезнет», «все компании делают так»), но путь к этим выводам не объяснен и не опирается ни на какие данные.
Как качать
Завести маленький реестр косяков ИИ в любом формате. Например, это могут быть скриншоты или текстовые копии ответов, где модель ошиблась, плюс пометка, что пошло не так и почему.
Раз в неделю просматривать этот реестр и допиливать свои запросы под типовые ошибки. Например, всегда просить указывать источники или прописать в инструкции правило: «Если не уверен, задай вопросы и уточни перед генерацией».
Перспективы и риски
Сложность входа хоть и низкая, но ценность роли сильно зависит от глубины использования ИИ. Ведь есть разница между «я иногда юзаю нейросеть» и «я системно пересобрал рабочий процесс вокруг ИИ».
Перспективы у такой роли, пожалуй, самые массовые: на горизонте трех лет это станет абсолютной нормой и даже минимумом (тенденция уже есть, спрос на ИИ-навыки вырос почти в три раза).
Главный риск здесь в том, что очень легко застрять в иллюзии продуктивности: вроде бы вы постоянно что-то генерите через ИИ, но качество, ответственность и глубина работы у вас не растут. И получится такой процесс: ИИ улучшается благодаря вам (косвенно), а вы стагнируете из-за ИИ. Без постоянного дообучения вы, как и LLM, рискуете стать неактуальными и потерять часть экспертности.
Зарплатные вилки
С вилками здесь сложно, потому что это не новая отдельная профессия, а надстройка над текущей ролью. Поэтому я считаю, что логичнее говорить не о зарплате, а о надбавке к ней.
Аналитика hh.ru и профильные исследования указывают, что скоро такие специалисты будут претендовать на зарплату примерно на 5–15% больше вилки, чем человек такого же уровня без этого навыка. В деньгах это может выглядеть как разница между 80 000–120 000 и 90 000–140 000 рублей у массовых мидлов или между 150 000–200 000 и 170 000–230 000 рублей у более сильных специалистов. Хотя вот тут hh.ru пишет про +34% только за навыки ИИ.
Но в любом случае это сейчас, пока вообще существует зона специалистов без ИИ. Когда ИИ станет нормой, то и надбавлять такому специалисту будет уже не за что.
Уровень 2. AI Babysitter
Роль
Это специалист, который обучает ИИ: подготавливает и размечает данные, проверяет ответы моделей, учит их писать и отвечать ближе к человеческим ожиданиям. По сути, это человек, который становится промежуточным звеном между технической системой и пользовательским ожиданием.
Попасть на этот уровень вполне можно из гуманитарных и «текстовых» профессий: из редактуры, журналистики, SMM, контент-маркетинга, модерации, поддержки. Хорошо заходят и люди из аналитики или техподдержки, потому что они обычно умеют чувствовать пользователя и довольно точно объяснять, почему один ответ полезный, а другой так себе.
Порог входа
Средний
Формально сюда можно зайти без тяжелого технического бэкграунда, и в этом как раз прелесть роли. Но это и не совсем легкий старт в ИИ, потому что работа требует внимательности, усидчивости и довольно быстро отучает от иллюзии, что процесс станет рутиной.
Модели меняются, датасеты обновляются, требования к качеству растут, и ваш набор задач тоже будет постоянно эволюционировать.
Навыки
1. Оценка качества по понятным критериям, а не по ощущениям
Типичная ошибка — смотреть на ответ и опираться на ощущения. Для ИИ‑тренера это непозволительная роскошь. Нужны явные критерии:
Точность. Нет ли прямых фактических ошибок?
Полнота. Ответ закрывает вопрос целиком или важная часть потерялась?
Логика. Нет ли провалов в аргументации, противоречий внутри текста?
Тон. Соответствует ли бренд‑голосу, формату канала, нужной эмоции?
Соблюдение инструкций. Выполнен ли объем, соблюден ли формат, запреты или ограничения?
Как качать
Собрать себе простую табличку в любом сервисе, хотя бы в гуглдоке, с такими полями:
Запрос пользователя | Ответ модели | Точность (0/1) | Полнота (0/1) | Тон (0/1) | Инструкции соблюдены (0/1) | Комментарий: что не так и как поправить |
И прогнать через нее хотя бы 50–100 ответов — не «чувствовать», а помечать ошибки. Это быстро вырабатывает привычку думать критериями и цифрами.
2. Разметка и классификация ответов
ИИ‑тренер много времени тратит на разметку: ставит метки, какие ответы ок, какие нет и почему.
Мини‑рубрикатор для текстовых задач может выглядеть так:
Label A — «фактология» = ошибся в фактах.
Label B — «контекст» = ответ не учитывает ограничения задачи, данные, роль.
Label C — «тон» = не тот стиль, слишком сухо/агрессивно/рекламно.
Label D — «структура» = ответ тяжело читать, информация не собрана.
Label E — «этика/безопасность» = недопустимый контент, токсичность, конфиденциальные данные.
Как качать
Взять набор из 30–50 ответов и попробовать каждому присвоить одну‑две метки, что именно не так. Через пару итераций будет проще видеть паттерны — где модель системно промахивается и какие примеры стоит дать на дообучение в первую очередь.
3. Базовое понимание логики LLM и ошибок модели
Вам не надо (пока что) становиться ML‑инженером, но нужно понимать базовые вещи. Например:
Модель не «думает» на самом деле, а просто продолжает последовательность.
Модель склонна к галлюцинациям, особенно когда ей не хватает контекста.
Модель съедает качество, если мало примеров и ясных критериев.
Как качать
Препарировать свои ошибки: почему модель дала такой ответ, чего ей не хватило (контекста, ограничений, примеров)?
Завести архив: копить характерные ошибки и раз в неделю разбирать их, переписывая запросы так, чтобы избежать этих конкретных провалов. Фиксировать провалы и успехи.
Перспективы и риски
Перспективы у этой роли хорошие, как у входного трека в индустрию. По мере того как ИИ внедряется в продукты, компаниям все равно нужны люди, которые отвечают за адекватность и полезность результата. На российском рынке это особенно заметно в HR-сфере, поддержке, контенте и внутренних автоматизациях, где дефицит навыка пока сильно выше, чем зрелость процессов.
Риск роли в том, что на длинной дистанции без роста в аналитику, качество или продукт вы можете застрять в роли человека, который просто проверяет ответы. Низкоквалифицированная работа руками — отсутствие роста как в зарплате, так и в должности.
Зарплатные вилки
С вилками здесь тоже нет железобетонного стандарта, потому что часть таких задач живет внутри других ролей и команд.
Но по открытым российским источникам и обзорам 2024–2026 годов аккуратно можно ориентироваться так:
Джун — 70 000–120 000 рублей.
Мидл — 120 000–180 000 рублей.
Сеньор или лид с сильным опытом в evals, quality и data labeling — 180 000–250 000 рублей и выше, если роль интегрирована в продуктовую или инженерную команду.
Если позиция оформлена не как ИИ‑тренер, а как часть продуктовой, NLP‑ или ИИ‑quality‑команды, потолок может быть заметно выше за счет ответственности за метрики качества и влияние на продукт.
Уровень 3. Промпт-инженер
Роль
Это человек, который умеет превращать бизнес- или продуктовую задачу в понятный для модели сценарий. Он продумывает набор промптов, цепочки запросов, контекст, шаблоны, ограничения. Его задача — добиться стабильного, воспроизводимого результата от ИИ в конкретном продукте или процессе, а не один раз удачно попасть в формулировку.
Попасть сюда можно из контент-маркетинга, копирайтинга, редактуры, SMM, UX-писательства, продуктового менеджмента, аналитики, консультирования. Проще всего тем, кто уже много работает с текстом и понимает, как устроены задачи клиента или бизнеса.
Порог входа
Средний
Базово зайти сюда можно и без технического бэкграунда. Но если вы хотите не просто нормально общаться с моделью, а строить устойчивые сценарии для команды или продукта, то без него не обойтись. Как и без системного мышления, дисциплины и насмотренности.
Навыки
1. Разложить задачу бизнеса на шаги для ИИ
Условная задача: «Нам нужно понять, почему падает конверсия на лендинге и как это починить».
Плохой запрос к ИИ: «Напиши мне анализ конверсии и предложения по улучшению».
Вариант через промпт-инженерию:
Шаг 1 — попросить ИИ выписать список гипотез, из-за чего в принципе может падать конверсия на лендинге такой-то тематики.
Шаг 2 — дать модели реальные данные/описания (трафик, аудиторию, текущие оферы) и попросить проверить гипотезы на применимость к этой ситуации.
Шаг 3 — собрать список проверяемых гипотез плюс нужные данные/эксперименты для каждой.
Шаг 4 — только после этого попросить сгенерировать варианты изменений: тексты, блоки, оферы.
Как качать
Взять одну реальную задачу из вашей сферы (лендинг, рассылка, аналитический отчет, сценарий звонка).
Прописать, как бы вы сами решали эту задачу пошагово.
Эти шаги превратить в цепочку запросов к ИИ.
Прогнать несколько раз и зафиксировать, на каком шаге модель чаще всего сыпется, ест качество и т. д.
Через пару таких разборов становится понятно, что хороший промпт для ИИ мало отличается от хорошего ТЗ для человека.
2. Настроить контекст, ограничения и критерии качества
Большая часть боли от ИИ — это отсутствие контекста.
Плохой промпт: «Напиши текст для рассылки».
Хороший запрос на языке промпт-инженера:
Кто вы: «Мы облачный провайдер, B2B, сегмент — средний бизнес».
Для кого контент: «Подписчики рассылки, маркетологи и продакты, которые уже пробовали ИИ, но боятся тащить его в прод».
Чего хотите: «Пригласить на вебинар, где покажем три живых кейса внедрения ИИ в маркетинг».
Ограничения: «Без воды, 1 500–1 800 знаков, дружелюбный, разговорный тон, без канцелярита».
Как качать
Взять 3–5 типовых задач и для каждой собрать такой мини-бриф — кто мы, для кого, что хотим, ограничения.
Сделать из этого шаблон промпта.
Протестировать на реальных задачах — насколько упало количество правок после того, как вы начали давать такой контекст.
Перспективы и риски
Перспективы у роли пока хорошие, но рынок уже к ней привык. Ценится не человек, который умеет писать красивые промпты, а человек, который может через промпты, evals и workflow реально довести задачу до рабочего результата.
Главный риск — стать человеком, который знает, как сделать хороший промпт, но не умеет встроить ИИ в реальный рабочий процесс. И тогда упретесь в потолок роли.
Зарплатные вилки
По зарплатам здесь уже есть более внятные ориентиры, хотя рынок все еще формируется.
Если ориентироваться на открытые данные по России за 2025 год, то осторожно скажу так:
Джун — 70 000–120 000 рублей в месяц.
Мидл — 120 000–220 000.
Сеньор — 220 000–300 000 и выше, если это уже не просто промпт-инженер, а человек, который отвечает за качество сценариев, тесно работает с продуктом и инженерной командой.
Важно: название должности здесь часто обманчиво. Роль промпт-инженера может жить под любым другим названием. Вилку в конкретной компании всегда придется сверять с реальными задачами и уровнем ответственности.
Уровень 4. ИИ-фасилитатор
Роль
Это человек, который помогает командам внедрять ИИ в работу: проводит сессии, показывает на конкретных задачах, где ИИ полезен, где опасен, помогает настроить процессы и договоренности. Его задача — снять страх, объяснить, что и как работает, и следить, чтобы внедрение не превратилось в хаос.
Обычно сюда приходят из управления и процессов — из ролей вроде тимлида, проджекта, продакта, agile-коуча. Нормально заходят и люди из HR-сферы, L&D, внутреннего обучения. Иногда эта роль естественно вырастает из сильных сеньоров, к которым и так уже ходят за советом, потому что они могут и в общение с людьми, и в процессы, и в здравый смысл без фанатизма.
Порог входа
Средний
Техническая глубина здесь полезна, но важнее умение говорить с людьми, выдерживать сопротивление и не обещать невыполнимого. Поэтому вход сложен не в классическом техническом смысле, а потому, что от вас ждут зрелости и высокого уровня ответственности.
Навыки
1. Умение находить реальные рабочие сценарии
Типичная ошибка внедрения — показать команде красивый демокейс, который вообще не связан с их задачами. Нормальный подход ИИ‑фасилитатора:
Собрать у команды список реальных болей — что тормозит, где много рутины, где не хватает рук.
Отфильтровать задачи, которые точно нельзя отдавать ИИ (чувствительные данные, жесткие регуляторные ограничения, критический риск ошибок).
На оставшееся подобрать 2–3 понятных сценария с использованием ИИ.
Как качать
Уже в своей текущей роли сделать список болей и стопперов,
Помечать, какие из этих болей можно хотя бы протестировать с ИИ.
Провести один маленький эксперимент и зафиксировать результат в цифрах и метриках.
2. Умение договариваться о правилах использования ИИ
Здесь важна не только технология, но и фрейм работы с ней. Команде нужно понимать:
что можно отдавать ИИ, а что нет;
где обязательна ручная проверка;
какие данные нельзя ни при каких условиях передавать в публичные сервисы;
кто отвечает за итоговый результат.
Как качать
Взять один рабочий сценарий. Например, подготовку писем клиентам с помощью ИИ.
И вместе с командой сформулировать простые правила: какие типы писем можно так делать, какие нельзя, что всегда проверяет человек, а что — ИИ.
Затем оформить это в короткий документ или чек‑лист и реально им пользоваться хотя бы месяц.
3. Переводить технологию на человеческий язык
Задача ИИ‑фасилитатора — не объяснять, как устроены трансформеры, а говорить так, чтобы у людей не кипел мозг.
Приведу пример:
Вместо «LLM‑аппликация» можно сказать: «Вот здесь мы используем модель, чтобы сэкономить X часов в неделю на подготовке черновиков».
Вместо «оркестрация» говорим: «Мы собрали несколько шагов в один сценарий, чтобы не открывать одновременно пять разных сервисов».
Вместо «evals» — «У нас есть список критериев, по которым мы проверяем, не накосячил ли ИИ. Вот они (слева направо)…».
Как качать
Пробовать объяснять одно и то же разным людям: коллеге из HR-отдела, менеджеру и бухгалтеру.
Отслеживать реакцию и обратную связь, переписывать свои объяснения до тех пор, пока человек не сможет своими словами пересказать то, что вы имели в виду.
Перспективы и риски
Перспективы у роли выглядят логично именно для российского рынка, потому что здесь пока очень много организаций, которые интересуются ИИ, но не очень понимают, как встроить его в реальную работу. Мешает и регуляторика, и баны аккаунтов, и еще много всего.
В этом смысле ИИ-фасилитатор — почти неизбежная переходная фигура, необходимая для того, чтобы процесс внедрения вообще запустился.
Главный риск — можно выгореть из-за сопротивления, если в компании нет ни запроса, ни нормальной поддержки сверху.
Зарплатные вилки
Эта роль чаще всего не называется буквально «ИИ-фасилитатор», а живет как надстройка в HR, L&D, продукте или консалтинге. Поэтому, имхо, тут стоит ориентироваться на вилки этих позиций.
Уровень 5. ИИ-инженер
Роль
Это человек, который создает и внедряет сами ИИ-системы — выбирает и обучает модели, соединяет их с данными и продуктами, следит за качеством и производительностью. В разных компаниях эту роль называют тоже по-разному: ML-инженер, ИИ-инженер, LLM-инженер, инженер по агентам. Но суть одна: это техническое ядро ИИ-продукта.
Сюда чаще всего приходят из разработки, особенно из бэкенда, где уже есть опыт создания сервисов и работы с API. Естественный вход есть и у людей из data-направления.
Порог входа
Высокий
Это уже длинный технический маршрут. Если у вас нет базы в разработке, математике и данных, перескочить на этот уровень за пару месяцев не получится. Нужно фундаментальное обучение с нуля или дообучение со смежной позиции.
Навыки
1. База: код, математика, данные
Минимальный фундамент выглядит так:
Python на уровне, который позволяет писать рабочие сервисы: структура кода, тесты, работа с пакетами и зависимостями.
Основы линейной алгебры и теории вероятностей: векторы, матрицы, распределения, понятие о градиенте и функции потерь.
Классический ML: регрессия, деревья, бустинг, кластеризация, базовые метрики (accuracy, ROC‑AUC, F1 и т. д.).
Работа с данными: pandas/numpy, очистка данных, фичи, понимание, что такое «грязный» датасет.
Как качать
Пройти один базовый курс по Python плюс один по ML, где есть проекты с реальными данными.
Сделать 2–3 пет‑проекта, например простую модель классификации текста и модель, которая предсказывает числовой показатель (прогноз/скоринг), с полноценным пайплайном от данных до метрик.
2. Современный стек: LLM, MLOps и продакшен
Здесь у нас:
Работа с LLM и готовыми API (включая локальные/российские модели), понимание, где их стоит применять, а где лучше оставить классический ML.
Базовый MLOps: Docker, CI/CD для ML, мониторинг, логирование, развертывание в облаке.
Навыки построения RAG‑систем, когда модель отвечает по внутренним данным.
Observability: мониторинг качества модели в продакшене, работа с дрейфом данных, rollback стратегий.
Как качать
Взять один реальный кейс из жизни (например, внутренний FAQ по документам компании) и попробовать собрать маленький RAG‑прототип: парсинг документов, индексацию, поиск плюс LLM‑ответ.
Довести его до MVP: обертка API, простой UI или бот, логирование запросов/ответов, минимальный мониторинг (хотя бы счетчик ошибок плюс ручная выборка для проверки качества).
3. Архитектура и ответственность за систему целиком
Важно не только подружить модель с данными, но и видеть картину целиком:
Как ИИ‑компонент вписывается в существующую архитектуру.
Какие ограничения по latency, стоимости запросов, отказоустойчивости есть у продукта.
Как будете обновлять модель, не тригеря пользователей.
Кто отвечает за то, что модель не уедет в токсичность или выдачу опасного контента.
Как качать
Разбирать чужие архитектурные схемы (в статьях, докладах, разборе кейсов) и пытаться нарисовать такую же для своих пет‑проектов.
Прикидывать для каждого своего прототипа схему — где точка отказа, где узкое место по скорости, где риск по качеству.
Хотя бы на уровне документа описывать, как вы будете деплоить, откатывать и мониторить тот ИИ‑кусок, который сделали.
Перспективы и риски
Перспективы здесь большие. По мере того как российские компании наращивают спрос на ИИ-навыки, инженерный слой будет только дороже и дефицитнее. И здесь как раз есть понятная логика роста: чем ближе вы к реальному продакшену, данным, надежности и интеграциям, тем выше ваша ценность.
А риски здесь те же, что и у разработчиков во всех сферах: стагнация, работа из денежной мотивации, выгорание. Нередко можно собрать комбо из этих элементов и случайно уехать на ретрит или начать работать плотником.
Зарплатные вилки
По вилкам разумно ориентироваться так: джун ИИ/ML-инженер — примерно 120 000–200 000 рублей, мидл — 200 000–350 000, сеньор — 350 000–550 000 и выше. Но нужно смотреть по регионам и масштабу компании: it depends.
Но кто знает, что нас ждет уже за ближайшим углом? Новый уровень эффективности ИИ или ограничение доступа к моделям и возврат к доиишной эпохе? Мы можем только фантазировать, а потом сверять итоги со своими прогнозами.
А своими делитесь в комментах.
