Дмитрий Ботов
Сооснователь и руководитель сообщества и магистратуры по ИИ Университета ИТМО – AI Talent Hub
Привет, меня зовут Дмитрий Ботов. Я руковожу AI Talent Hub, магистерской программой «Искусственный интеллект» в ИТМО. Четыре года назад мы с Павлом Подкорытовым, сооснователем Napoleon IT, создали программу в ИТМО с одной идеей: сделать проектную магистратуру, которая работает как живая среда для роста ИИ-специалистов без жесткого учебного плана и одинаковой траектории для всех.
Немного о нас. По нашей оценке, AI Talent Hub стал крупнейшей онлайн-магистратурой по ИИ в Европе. Более 250 студентов уже прошли обучение, ещё 500+ студентов из 60 городов России учатся сейчас. Конкурс составил 7 человек на место при 215 бюджетных местах. Магистранты решают задачи X5 Tech, МТС, Альфа-Банка, Ozon и других компаний, а также создают собственные стартапы. Они работают в Сбере, Яндексе, X5 Tech, Т-Банке, Альфа-Банке и других ведущих технологических компаниях; 61% студентов занимают позиции Middle и выше. По данным опроса выпускников, у 36% карьерный рост произошёл уже во время обучения: переход с начального на средний уровень, со среднего на старший или выход на руководящую позицию.
Примерно год-полтора назад у меня изменился взгляд на то, как мы должны подходить к обновлению программы. Профессиональные стандарты и образовательные ориентиры всегда фиксируют рынок с задержкой. Если опираться только на них, мы будем готовить кадры для прошлого, а не для будущего. Рынок меняется быстрее любого стандарта. ML-инженер был нашей основной ставкой, главной ролью и выбором большинства магистрантов.
Отсюда появляются вопросы:
-
Куда движется рынок?
-
Какие роли/профессии будут актуальны через 2 года?
-
Как обучать специалистов в 2026, чтобы они были востребованы в 2028?
Далее расскажу, как мы отвечаем на них.
Подход устарел
Мы давали студентам четыре роли: ML Engineer, Data Analyst, Data Engineer, AI Product Engineer. Они хорошо описывали рынок еще год назад. Человек выбирал, в как он хочет развиться в конкретном семестре обучения, и выстраивал траекторию вокруг этого.
Проблема в том, что рынок стремительно меняется, и нам важно уже сейчас задуматься над тем, кого мы выпустим через 2 года. Инструменты уходят и приходят, все к этому привыкли. Мы говорим о структурном сдвиге: меняется сама логика того, за что компании готовы платить. ИИ резко снизил порог между идеей и работающим продуктом.
Сегодня один сильный специалист или небольшая команда могут быстро создать open-source-решение, коммерческий продукт или компанию, которая раньше других увидит новую потребность и опередит устоявшихся игроков. Поэтому фокус подготовки смещается от исполнителей готовых процессов к создателям продуктов и компаний будущего: людям, которые сами формулируют проблему, собирают решение и создают новую ценность.
Три вещи произошли почти одновременно
Первое: foundation-модели стали доступны по API. Раньше ML Engineer обучал модель с нуля под задачу заказчика. Теперь многие компании берут модели у вендоров (OpenAI, Anthropic, Яндекс) или используют open-source-решения и строят систему вокруг готовой модели. Это особенно эффективно во внутренних ассистентах, поиске по документам, обработке обращений, подготовке отчетов и быстрых продуктовых экспериментах. Следующий сдвиг связан с agentic workflows: модели получают инструменты, обращаются к системам компании и выполняют цепочки действий. Поэтому выбор модели становится лишь частью задачи. Команде приходится одновременно проектировать контекст, права доступа, наблюдаемость, безопасность и экономику каждого сценария. В высоконагруженных или чувствительных к данным системах по-прежнему важны собственный контур, дообучение и оптимизация модели. Главная задача смещается от обучения модели к тому, чтобы выбрать подходящую основу, встроить её в продукт и обеспечить надежную работу в конкретном контексте.
Второе: ИИ стохастичен. По своей сути модель работает как машина прогнозирования: она предсказывает следующий токен, действие, рекомендацию или вариант решения. Классический код следует заранее заданной логике и при одинаковом входе обычно дает одинаковый выход; ИИ-система может отвечать по-разному. Когда прогноз начинает участвовать в принятии бизнес-решений, требования к контролю становятся выше: нужно отслеживать ошибки, редкие сценарии, смещения и деградацию качества. Поэтому для любой production-системы нужны evals, мониторинг и постоянная проверка. Это новая инженерная дисциплина и зона ответственности новых ролей.
Третье: вход на рынок усложнился. На глобальном рынке динамика уже заметна: по данным SignalFire, к 2025 году найм новых выпускников в Big Tech снизился более чем на 50% по сравнению с 2019-м. Начальные роли сильнее всего зависят от автоматизации: простой SQL, базовый анализ и шаблонный код всё чаще выполняют ИИ-инструменты. От начинающего специалиста ждут умения поставить задачу, проверить результат, найти ошибку и отвечать за качество решения.
Что происходит с существующими ролями
Прежде чем говорить о новых ролях, разберем, что происходит с существующими.
Посмотрим на данные. По Anthropic Economic Index за март 2026 года, в 49% профессий ИИ уже используется как минимум в четверти задач. Параллельно крупнейшие технологические компании сокращают отдельные команды и пересматривают структуру найма, но продолжают расширять направления, связанные с ИИ. Особенно заметно меняются начальные позиции: часть задач, которые раньше поручали стажерам, теперь берут на себя ИИ-инструменты.
Data Analyst и Data Engineer остаются востребованными, а круг их задач расширяется. Низкое качество данных и незрелая инфраструктура по-прежнему остаются одними из главных препятствий для внедрения ИИ в компаниях. Data readiness становится обязательным условием запуска: данные должны быть доступны, описаны, актуальны, защищены и пригодны для автоматической оценки. Иначе агентные системы будут масштабировать существующие ошибки вместе с автоматизацией. Поэтому к классическому стеку (Spark, Airflow, dbt, Snowflake) добавляется ИИ-слой: vector DB, embeddings и retrieval-пайплайны. Основу работы всё ещё составляют классические пайплайны, но доля задач для ИИ-команд растёт.
Фокус ML Engineer меняется. Позиций, где нужно обучать модель с нуля, становится меньше: большинство компаний берут foundation-модели по API и строят системы вокруг них. Роль разветвляется: часть специалистов движется в ИИ-инженерию (работа с готовыми моделями, агентные системы), другая часть занимается инфраструктурой (MLOps, production-надежность). Оба направления востребованы.
Об AI Product Engineer мы говорим с самого запуска Хаба, задолго до того, как эта роль стала мейнстримом. Тогда это выглядело как нишевый профиль на стыке продукта и инженерии. Сегодня её ценность начинается с глубокого понимания бизнеса: как устроена модель компании, в чём корневая проблема, какой результат действительно важен и как ИИ помогает быстрее его достичь. Сильный AI Product Engineer способен улучшить текущий процесс, пересобрать продукт или изменить саму бизнес-модель, создав новую ценность для клиента. В феврале 2026 года мы проверяли эту модель на AI Talent Camp: участники начинали с бизнес-проблемы, проходили discovery, собирали решение и защищали его через ценность и измеримый эффект. Похожую логику Сбер описывает в концепции AI-Disrupt PDLC: ИИ становится сквозной средой создания продуктов, а человек сохраняет ответственность за замысел, спецификацию и проверку результата. Граница между продуктовым мышлением и инженерией стирается, и роль растёт вместе с этим.
Роли, которые будут нанимать
Десятки узких специализаций, появившихся в 2023–2024 годах (Context Engineer, Prompt Engineer, RAG Engineer, Evals Engineer, Workflow Specialist), к 2026 году объединились в пять устойчивых групп ролей. Эта классификация уже прослеживается в вакансиях бигтехов и ИИ-лабораторий.
01. AI Product Engineer
Из пяти групп ролей на эту мы делаем наибольшую ставку. Посмотрите на тенденцию в AI-native компаниях:от инженеров требуют продуктовых навыков, а от продактов ждут инженерных. ИИ-агенты снижают стоимость реализации, и ценность сотрудников всё больше смещается в сторону понимания бизнеса и потребностей пользователей. Так две роли объединяются в одну, которая сейчас кажется наиболее перспективной. OpenAI уже нанимает Product Engineer как отдельную роль, а компания LinkedIn заменила программу найма для новых сотрудников на «full stack builder»: теперь с первого дня учат одновременно продукту и инженерии. Если вы сейчас инженер или продакт, этот сигнал стоит учитывать при планировании следующего шага в карьере.
02. AI Engineer
Собрать агента несложно, достаточно пяти строк кода с любым SDK. Настоящая работа начинается после: заставить систему надежно работать в production, когда входные данные непредсказуемы, модель иногда галлюцинирует, а бизнес требует измеримого результата. Именно поэтому главным навыком AI Engineer становится не умение писать промпты, а eval literacy, то есть умение спроектировать систему оценки, понять, где она ломается, и итерироваться по результату. Этот цикл не заканчивается никогда.
На практике это: проектирование агентных workflow, RAG-пайплайны, evaluation-системы, мониторинг деградации модели, оптимизация токен-экономики. Context Engineer, Evals Engineer и RAG Engineer раньше считались отдельными узкими специализациями, а теперь стали частями одной роли. В реальных вакансиях бигтехов этих названий почти не осталось: компании ищут AI Engineer, Applied AI Engineer и Senior AI Engineer.
03. Forward-Deployed Engineer
Эту роль стоит объяснить отдельно. Она появилась в компаниях вроде Palantir, Anthropic, OpenAI и Databricks, но сегодня выходит за пределы ИИ-вендоров и формируется внутри крупных компаний. FDE работает на границе бизнеса и инженерии и отвечает за весь путь решения: от поиска проблемы до внедрения и измеримого результата.
В ритейле такая роль особенно органична. Ценность ИИ появляется после встраивания решения в реальные процессы: данные, безопасность, логистику, ассортимент, клиентский опыт и операционные метрики. FDE работает рядом с бизнесом, проводит discovery, переводит нечеткий запрос в архитектурное решение, собирает продукт end-to-end и доводит его до продакшена.
X5 Tech уже адаптирует эту модель для российского фуд-ритейла и нанимает Forward Deployed Engineer уровня Middle+ / Senior. В вакансии роль описана как Solution Builder: инженер напрямую работает с магазинами, логистикой, категорийным менеджментом, HR и финансами, сам выявляет проблемы и реализует решение от архитектуры до деплоя. Направление ИИ-агентов и автоматизации курирует Виталий Лукин; его команда отвечает за путь от пилота до продакшена.
Главный принцип FDE можно сформулировать так: это инженер с мышлением владельца результата. Критерием успеха становится изменение бизнес-метрики. Работоспособность модели сама по себе недостаточна. Поэтому специалист отвечает за готовность данных, evals, надёжность, безопасность, стоимость эксплуатации и принятие решения пользователями.
Такие специалисты особенно нужны в крупных компаниях, где любое ИИ-решение проходит через множество систем, владельцев процессов и ограничений. FDE соединяет технологию с реальной операционной средой и отвечает за бизнес-эффект после запуска.
04. AI Researcher
Исследователь отвечает на главный вопрос — на что способен ИИ. Результатом становится новое знание или новая модель.
К его задачам относятся pretraining, post-training, RLHF, alignment и interpretability. Метрики здесь научные: качество на бенчмарках, архитектурные находки, публикации в NeurIPS и ICML. Живёт эта роль в frontier-лабораториях вроде OpenAI, Anthropic, DeepMind и в R&D-командах крупных компаний.
Роль нишевая: вакансий мало, а требования высокие. Как правило, нужны сильная математическая база, публикации и опыт обучения крупных моделей. В ведущих ИИ-лабораториях компенсации исследователей могут достигать сотен тысяч долларов в год, но такие позиции единичны, а конкуренция за них исключительно высокая.
Если смотреть на российский ландшафт, то AI Researcher чаще всего встречается в AIRI, DeepPavlov, ИСП РАН, МФТИ, НИУ ВШЭ, МГУ, Сколтехе, ИТМО и Иннополисе. Именно эти центры и университеты сегодня формируют исследовательскую повестку в ИИ. В России действуют 12 исследовательских центров ИИ, где работают около 1,5 тыс. ученых.
В науку идут «по любви». Если вас привлекают большие цели и открытия, попробуйте эту роль.
05. ML Engineer / Data Engineer / Data Analyst
Роли из старой карты не исчезают, а расширяются. По данным World Economic Forum, специалисты по большим данным и ИИ входят в число наиболее быстрорастущих профессий. Рынку по-прежнему нужны люди, которые умеют строить надежную инфраструктуру данных, проводить анализ и превращать модели в работающие системы.
Но есть нюанс, который часто упускают: одно название скрывает принципиально разный опыт. Data Analyst в стартапе строит аналитику с нуля, сам принимает продуктовые решения и работает без выстроенной инфраструктуры. Data Engineer в бигтехе работает с петабайтными пайплайнами, строгими SLA и распределёнными командами. Поэтому выбор трека внутри программы здесь особенно важен. В индустриальном, стартаповом и исследовательском треках одна и та же роль даёт совершенно разный проектный опыт.
Все роли становятся гибридными. Чистый «программист» или чистый «аналитик» как массовая позиция уходит. Востребованные роли теперь всегда на стыке:
техника + продуктовое мышление, или техника + работа с заказчиком, или техника + научный метод.
McKinsey в Rewired отмечает еще одну вещь: лучшие компании нанимают по навыкам, а не по должностям. Портфолио реальных проектов важнее названия должности в резюме. Это мы тоже стараемся учитывать.
Мы всегда строили иначе. Поэтому умеем меняться быстро.
Большинство программ работают в жёстких рамках: государственные образовательные требования и учебные планы фиксируются на несколько лет вперёд. Новые роли сначала закрепляются на рынке, затем их замечают методисты, обновляют образовательную программу и запускают новые курсы. К этому моменту рынок уже успевает уйти дальше. AI Talent Hub с самого начала строился на другом фундаменте: ИТМО входит в число немногих российских университетов с собственными образовательными стандартами.
Наш подход напоминает конструктор. Визуально программу можно представить как куб, где в центре находится проект: ВКР или курсовая работа. Далее студент выбирает роль и трек, которые можно менять в течение двух лет. На основе этого подбирается набор курсов. Здесь можно сформировать собственный план.
Логика конструктора такая:
-
Роль задает профессиональный фокус: кем хочу стать, какие задачи решать. В этом году мы выделили 7 ролей, которые мы рассмотрели выше: ML Engineer, Data Engineer, Data Analyst, AI Engineer, Product Engineer, Forward-Deployed Engineer, AI Researcher.
-
Трек задает контекст: Индустриальный (задачи компаний, production, заказчик), Научный (наука, публикации, конференции), Стартап (продукт на рынок, Customer Development, метрики), Образовательный (AI-решения в образовании).
-
Проект служит ядром конструктора. Это реальная задача от партнёров или собственная идея. Раньше на дипломной защите было достаточно показать технически работающее решение. Теперь нет. Теперь нужно доказать эффект: что получил бизнес, что изменилось в продукте, какой вклад в науку. Проект выходит далеко за рамки учебной работы и становится главной точкой трансформации.
-
Курсы отвечают на вопрос «какой навык мне нужен, чтобы сильнее выполнять свою роль в этом проекте». Не «пройди всё», а «закрой нужное”. Из 80+ курсов студент выбирает под свои цели.
Что меняется в 2026 году. Логика подбора курса не просто остается, но становится еще более гибкой. При этом меняется карта ролей, потому что рынок идет дальше.
Первый год: осознанный поиск
Мы не ждём, что человек приходит в магистратуру с четким вектором. Большинство поступающих ещё не работали в ИИ-командах в тех ролях, которые мы описываем. Откуда им знать наверняка? Поэтому первый год становится пространством управляемого поиска: студент пробует несколько ролей и треков, но делает это вокруг реальных проектов и с обратной связью от команды программы.
Опыт предыдущих лет показывает: магистранты, которые в первом семестре пробовали разные форматы работы, к диплому приходили с более сильными проектами и более осознанным профессиональным выбором.
Кросс-ролевой опыт помогает видеть задачу целиком через призму инженерной, продуктовой и исследовательской логики. Мы хотим, чтобы человек приходил с широким профессиональным интересом, а выходил с компанией, способной изменить индустрию, с исследованием, принятым на конференцию уровня A*, с публикацией в журнале первого квартиля либо с новой профессией и подтвержденным карьерным ростом.
Что получает студент на выходе
За два года студент проходит путь от широкого профессионального интереса к сформированному профилю. Проект удерживает траекторию в едином контексте, роль задаёт тип ответственности, трек определяет среду и критерии результата, а курсы закрывают конкретные дефициты знаний. Поэтому на выходе получается целостный специалист, который умеет решать комплексные задачи и доводить их до измеримого результата. Команда AI Talent Hub помогает определить исходную точку, попробовать разные роли, увидеть сильные стороны и пробелы, подобрать курсы под проект и постепенно сузить траекторию до осознанной специализации.
Вместо вывода
Образование действительно консервативно: учебные планы, стандарты, программы дисциплин и согласования. ИИ-технологии работают в другом темпе и меняют масштаб возможностей отдельного человека. За последние месяцы барьеры между идеей и работающим продуктом резко снизились: талант может создавать ценность, для которой ещё недавно требовались большая команда, инфраструктура и годы разработки.
Мы хотим первыми войти в это открывшееся окно возможностей и помочь создателям направить талант туда, где он даст максимальный эффект: в технологию, продукт, исследование или собственную компанию. Мы хотим, чтобы выпускники AI Talent Hub создавали решения и компании, которые меняют индустрии. Обновлённые роли, треки и критерии защиты превращают эту амбицию в конкретную образовательную траекторию.
Если вы сейчас думаете об обучении, рекомендую задать себе вопрос: «в какой роли и в какой среде я бы хотел попробовать себя».
Что думаете о новых ролях? Согласны или нет с тем, что предыдущие уже уходят?
Автор: ai-talent
