В одном из недавних интервью Марк Цукерберг заявил, что к 2025 году искусственный интеллект (ИИ) сможет выполнять большинство задач Middle-разработчиков в Meta (запрещенная в РФ организация). По словам Цукерберга, ИИ уже помогает писать код и постепенно забирает на себя простые инженерные задачи, но хорошие Middle-инженеры все еще будут нужны. Правда при условии, что они будут осваивать новые востребованные технологии.
С учетом влияния компании на технологическую повестку во всем мире заявление звучит серьезно: крупные игроки индустрии уже сейчас диктуют направление, в котором будет развиваться рынок труда в связи с масштабированием ИИ — это автоматизация большей части функций и появление новых. В таких условиях многим специалистам придется адаптироваться и прокачивать навыки, чтобы оставаться востребованными на рынке.
Основные тренды рынка труда в 2025
Бурный рост ИИ серьезно меняет ландшафт рынка труда. Еще недавно программисты были чуть ли не самыми востребованными специалистами, но уже сегодня есть LLM-модели, которые могут выполнять большинство типичных задач Junior-специалистов и частично закрывать потребности на уровне Middle. В такой ситуации важно заранее понять, что меняется на рынке, какие навыки и роли будут нужны компаниям через год-два и какие тренды выходят на первый план.
1. Междисциплинарность
Особенно ценными кадрами становятся дженералисты (E-shaped специалисты), у которых есть глубокие знания сразу в нескольких сферах, а также широкий кругозор. Например, такие специалисты могут не только уверенно писать код на нескольких языках, но и развертывать и поддерживать ML-модели в продакшене, используя инструменты DevOps. Понимая при этом нюансы бизнес-процессов и имея представление о маркетинге, аналитике и проектном менеджменте, они комплексно подходят к решению задач и быстро переключаются между разными направлениями. Благодаря сочетанию технических навыков и стратегического мышления дженералисты видят всю картину целиком и предлагают нестандартные решения, которые особенно ценны в disrupt-проектах, где еще нет протоптанной дорожки и нужно идти по наитию. Именно таким проектом сейчас и является внедрение ИИ.
2. Повышенный спрос на ML-инженеров
В первые годы популярности ИИ главными героями были Data Scientists, но теперь фокус смещается на ML-инженеров. Именно они занимаются практической реализацией и развертыванием моделей, берут на себя DevOps-настройки, CI/CD и все вопросы, связанные с инфраструктурой. Если Data Scientist отвечает за разработку и обучение новой модели, то ML-инженер делает так, чтобы она стабильно работала в продакшене.
Компании все чаще ищут людей, способных не только разработать модель, но и «довести ее до ума» в реальном бизнесе. Это требует знаний в программировании, DevOps, облачных решениях (AWS, GCP, Azure) и умений работать с большими объемами данных. Уже сейчас зарплаты у ML-инженеров в среднем выше на 20%, чем у Data Scientists, при этом спрос на Junior-специалистов снижается. Поэтому новичкам стоит активно набираться практических навыков и не бояться участвовать в реальных проектах.
Если вы планируете стать ML-инженером, обратите внимание на учебные программы и стажировки, в которых есть упор на MLOps — развертывание и поддержание моделей на удаленных серверах, например курс «Практическая ML-инженерия: MLOps и разработка проектов» от крупнейшей в Европе магистратуры по искусственному интеллекту AI Talent Hub. Будет также полезно участвовать в проектах, включая акселераторы и хакатоны, где можно получить реальный опыт, — это даст конкурентное преимущество при поиске первой работы.
3. Появление новых ролей и компетенций
ИИ не только вытесняет некоторые профессии, но и создает новые — например, часть задач бухгалтеров, кассиров и операторов колл-центров уже постепенно уходит «под замену». Зато появляется спрос на специалистов по prompt-инженерии, AI-архитекторов и LLMOps-инженеров.
AI-архитекторы: специалисты, которые продумывают всю «начинку» сложных ИИ-систем. Они решают, как связать между собой разные компоненты, отвечают за безопасность данных и интеграцию с остальной инфраструктурой компании. Их работа — найти баланс между бизнес-стратегией и техническими тонкостями, чтобы системы были одновременно надежными и гибкими.
Специалисты по LLMOps (Large Language Model Operations): они отвечают за развертывание и поддержку больших языковых моделей (например, похожих на ChatGPT). Их задача — обеспечить высокую доступность, быструю реакцию и удобную систему автоматических обновлений (CI/CD). Специалисты следят, чтобы модель не «упала» под нагрузкой, занимаясь настройкой инфраструктуры, оптимизацией ресурсов и мониторингом производительности.
AI ethics stewards: специалисты, которые отвечают за этику и безопасность ИИ. Они снижают риски галлюцинаций, дискриминации и прочих проблем, связанных с автоматизированными системами. А еще помогают выстраивать ответственную политику разработки ИИ в соответствии с законодательством и нормами морали.
Эксперты по работе с неструктурированными данными: собирают, чистят и готовят огромные объемы разноплановой информации (текст, аудио, видео, картинки), превращая ее в понятные и полезные инсайты. Без таких специалистов компаниям тяжело использовать весь потенциал машинного обучения и аналитики.
Какие навыки важны в сфере ИИ?
Сегодня одного умения писать код на Python уже мало. Современный ML-специалист должен владеть широким спектром компетенций.
Технический фундамент. Python остается основным языком для ИИ-разработки благодаря библиотекам TensorFlow, PyTorch и scikit-learn. Но также нужно понимать системы хранения и обработки данных, уметь настраивать облачные платформы (AWS, GCP, Azure) и CI/CD процессы.
Совет: изучайте не только «голый» язык, но и дополнительные фреймворки, а также уделяйте внимание курсам по DevOps и базам данных.Бизнес-анализ и стратегическое мышление. Как отмечает Кристина Желтова, директор по разработке моделей в Газпромбанке, преподаватель магистратуры по искусственному интеллекту ИТМО и Napoleon IT — AI Talent Hub, «ML-специалист — это не просто человек, который пишет код, а человек, который «решает проблемы» в компании». Важно уметь переводить бизнес-требования в задачи машинного обучения и понимать, как разработанная модель принесет компании прямую выгоду.
Совет: выбирайте проекты и практики, где нужно взаимодействовать с заказчиками, учитесь анализировать их задачи и предлагать решение, основанное на данных.Коммуникация и презентация результатов. Способность внятно объяснить, как и зачем работает ИИ-модель, важна для взаимодействия с заказчиками, руководителями и коллегами из других департаментов.
Совет: не избегайте выступлений на конференциях и хакатонах, участвуйте в презентациях курсовых и дипломных проектов, учитесь четко доносить свои мысли.Системный дизайн в ML. Это про умение строить масштабируемые и безопасные архитектуры, оптимизировать вычислительные ресурсы и продумывать риски на всех этапах разработки. Ирина Николаева, Head of Data Science в Raft, подчеркивает, что это «междисциплинарный навык, который очень важен для эффективного планирования и реализации ML-проектов, по сути, проектное видение любой AI-идеи». Ведь в реальной жизни ML-специалистам нужно проектировать не просто модель, а целостную экосистему.
Совет: обращайте внимание на предметы по распределенным вычислениям, сетевым технологиям, а также на курсы по кибербезопасности — это все часть будущей ML-инфраструктуры.Знание генеративного ИИ и NLP. С ростом популярности ChatGPT и других LLM всё чаще требуется умение работать с естественным языком, создавать и адаптировать языковые модели под конкретные задачи.
Совет: пробуйте свои силы в NLP-проектах (анализ текстов, чат-боты, генерация контента). Сейчас проходит много NLP-хакатонов, где можно попробовать свои силы и погрузиться в решение реальных задач, что ценится работодателями.
Заключение: как построить успешную карьеру в ИИ
Если вы хотите профессионально развиваться в сфере искусственного интеллекта, стоит развивать не только хард-скиллы, но и софты — умение думать стратегически, навыки коммуникации и адаптивность. Рынок ищет тех, кто умеет взаимодействовать с разными командами, четко объяснять сложные вещи и быстро осваивать новые инструменты.
Выбирая профильное обучение, обратите внимание на программы, в которых есть практические занятия и возможность участвовать в разнообразных проектах.
Для успешной карьеры в ИИ также важно:
Участвовать в реальных проектах. Вузовские курсовые, дипломы, стажировки в компаниях, участие в хакатонах и Kaggle-соревнованиях — всё это помогает получить опыт, который ценят работодатели.
Учиться постоянно. Технологии меняются стремительно, так что даже в рамках одного курса придется следить за обновлениями инструментов и библиотек. Не бойтесь докручивать свои навыки и осваивать сопутствующие сферы.
Взаимодействовать с профессиональным сообществом. Митапы, Telegram-каналы, профессиональные чаты — это не только способ оставаться в курсе трендов, но и отличная возможность завести полезные знакомства.
Обилие образовательных ресурсов и профессиональных сообществ делает переквалификацию всё более доступной, а трансформация рынка труда ускоряет процесс освоения актуальных навыков и наработки реального опыта в ML-проектах. При правильном использовании этих факторов можно сформировать прочную базу необходимых навыков, научиться применять ИИ в реальном бизнесе и построить карьеру, которая останется востребованной в постоянно меняющемся технологическом ландшафте.