Привет, Хабр, я Анастасия Сапрыкина, работаю на стыке двух миров: академического и индустриального. Сейчас в России активно развивается программа найма стажёров (1, 2, 3, 4, 5, 6) — студентов старших курсов — в ИТ‑компании. Знаю не понаслышке, что и стажёрам, и бизнесу очень сложно друг с другом: стажёр не понимает отраслевой привязки и специфики решений, а бизнесу некогда его учить. В этот момент человек понимает: я проучился пять‑шесть лет, причём не в последнем по качеству вузе, но в ИТ и ИИ всё настолько поменялось, что я к ним всё ещё не готов… Поэтому крайне мало студентов бесшовно проходят все эти испытания и вскоре становятся успешными сотрудниками.

Каждый раз, приходя в вуз с предложением о сотрудничестве, слышу одно и то же: «Наши выпускники умеют программировать, они знают математику, разбираются в алгоритмах. Но когда они приходят в компанию, им нужно ещё полгода, чтобы войти в рабочий ритм, вникнуть в отраслевую специфику». Дефицит отраслевых ИИ‑специалистов в России — это текущая реальность. Компании готовы нанимать, но не готовы ждать полгода адаптации, а вузы хотят соответствовать рынку, но не всегда знают, как.

Я убеждена: этот разрыв можно и нужно нивелировать, все участники заинтересованы в этом в той или иной степени. Расскажу, как это делают самые решительные и продвинутые.

Откуда берётся разрыв

Мы находимся в той точке, когда технологии уже достаточно зрелые, чтобы принести их в образование без потери качества. Государство создало нормативную базу для партнёрства, а студенты сами требуют практики — они смотрят на рынок и понимают, что Jupyter Notebook на ноутбуке это не то же самое, что работа в промышленной системе.

Классическая программа по ИИ или машинному обучению строится примерно так: математика → алгоритмы → Python → несколько учебных задач на Kaggle или в Jupyter Notebook → диплом. Всё это полезно, но недостаточно.

Вот в чём разница между обучением в вузе и реальной работой после найма:

Иными словами, выпускники получают навыки и представления, не соответствующие будущим реальным условиям работы.

Что меняет ИИ‑фабрика в вузе

Раньше я работала в Минобрнауки России и отвечала за реализацию стратегии по ИИ, в том числе по созданию условий для подготовки топ‑специалистов по ИИ. Совместно с Аналитическим центром Правительства РФ, бизнес‑сообществом, ведущими исследовательскими центрами по ИИ мы создавали те смыслы, которые сейчас реализуются на практике, в том числе в виде программ Минцифры России. Зная стратегический тренд госполитики в сфере образования, Т1 предоставляет доступ к нашей платформе «Сайбокс» в облаке (SAAS) для студентов и преподавателей в рамках образовательного процесса. Например, в Рязанском университете уже 160 студентов прошли обучение по программе ТОП ИИ работе на платформе, а Т1 провел на ней кейс‑чемпионат по созданию ИИ‑агентов.

Ключевая идея проста: студент должен проходить весь путь создания ИИ‑приложения, как в реальной компании.

Платформу «Сайбокс» изначально создавали как промышленное решение: её используют нефтяные компании, банки из топ-20, газодобывающие компании, да много кто. Это не учебная версия «для галочки», а тот самый инструмент, с которым студент столкнётся на своём первом рабочем месте.

Именно это и называется «промышленным стандартом». И именно ему почти не учат в вузах. Не потому, что преподаватели не хотят, а потому что раньше не было доступного инструмента, который можно было бы принести прямо в аудиторию. Мы даём вузам доступ к «Сайбокс» через облако, так как готовой инфраструктуры у них, как правило, нет.

Платформа покрывает полный цикл:

• подготовка проекта и разметка данных;

• обучения модели;

• управление экспериментами;

• развёртывание;

• инференс;

• мониторинг готового приложения.

Всего 11 этапов — именно столько шагов в реальном MLOps‑процессе. Эти процессы студент изучает на практике, в одной среде, с настоящими инструментами.

Как это выглядит на практике: 100 минут до рабочего прототипа

Для примера расскажу, как мы провели в Рязанском государственном радиотехническом университете чемпионат «ТехноВайб РГРТУ × Т1» по созданию ИИ‑агентов с помощью «Сайбокса».

Участникам поставили цель: за 100 минут спроектировать ИИ‑агент, решающий реальную проблему университетской экосистемы. На выбор были актуальные треки: детектор ИИ‑текста, анализ научных статей, фактчекер новостей, цифровой помощник старосты и универсальный вузовский ассистент.

Во решая задачи, студенты последовательно «примеряли» на себя разные роли, с которыми они потом столкнутся на местах работы.

Шаг 1. Проектирование логики

Роль. ИИ‑архитектор или промпт‑инженер.

Задача. Команды из 3–4 человек формулируют контекст, целевую аудиторию и системный промпт. Мы сместили фокус с написания кода на продуктовое мышление: студентам приходилось ставить задачу LLM так, чтобы агент не галлюцинировал, а давал структурированные, безопасные ответы.

Результат. Проверенная архитектура диалога и готовый системный промпт, готовый к развёртыванию.

Шаг 2. Тестирование и итерация

Роль. Разработчик решений и UX‑диалогов.

Задача. Агенты проверяются на реальных студенческих запросах: «А можно сдать работу позже?», «Проверь эту новость на манипуляцию», «Выдели методологию из статьи по NLP». Команды докручивали промпты, добавляли инструкции по тону ответа и формату вывода, исключая «панические» или обвинительные формулировки.

Результат. Пакет примеров диалогов, скринкаст работы, метрики точности и полезности ответов.

Шаг 3. Защита перед индустрией

Роль. Продакт‑менеджер.

Задача. Презентация экспертам Т1 и преподавателям РГРТУ. Жюри оценивало архитектуру и логику агента, источники, к которым он обращался, и инициативность агента («Ты подал заявление — теперь принеси справку до пятницы»). Также командам было важно уметь провести тот самый elevator speech, “попасть в потребности” и показать рабочую модель.

Результат. Работающий прототип с документацией и отзыв от действующих ML‑архитекторов.

100 минут, 36 команд — и у студентов на руках не отчёт для галочки, а готовый прототип ИИ‑агента, который можно сразу показать на собеседовании в ИТ‑компании. То есть студент ушли из вуза не с «корочкой», а с портфолио.

Что это даёт вузу, а не только студентам

В беседах с ректорами разговор быстро смещается от «это интересно» к «а зачем это конкретно нам?». Отвечу честно.

Соответствие государственной политике. Программа ТОП ИИ (ПП РФ 1949 от 28.11.2025) прямо предполагает участие индустриальных партнёров в подготовке кадров. Платформа «Сайбокс» — это не просто технология, а готовая модель взаимодействия: Т1 финансирует образовательные мероприятия, проводит мастер‑классы и хакатоны, предоставляет материально‑техническую поддержку. Для вуза это и репутация, и реальная возможность получить дополнительное государственное финансирование, возможность сэкономить на вычислительных мощностях за счёт их эффективного распределения, и заработать на программах ДПО по ИИ для отраслевых специалистов.

Сохранение интеллектуальной собственности. Все результаты студенческих и кафедральных работ (модели, датасеты, эксперименты) хранятся в репозиториях платформы и остаются в периметре университета. Никуда не утекают, не теряются при смене состава команды.

Экономия на инфраструктуре. Вузу не нужно собирать собственный MLOps‑стек — а это месяцы работы и значительные операционные затраты. «Сайбокс» развёртывается быстро, обновляется регулярно, поддерживается командой Т1 ИИ.

Коммерциализация разработок. Лучшие студенческие модели и приложения можно вывести на маркетплейс. Системная работа с РИД в вузе — это то, что иногда критически важно, но до чего не доходят руки у руководства.

Масштабирование программ ДПО. Корпоративное обучение, переподготовка специалистов, хакатоны для отраслевых партнёров — всё это становится проще, когда есть стабильная платформа с библиотекой готовых программ.

К слову, на том чемпионате студенты РГРТУ сделали как минимум три решения, готовых к эксплуатации при минимальной доработке. Поэтому с уверенностью говорю: «Сайбокс», конечно, не волшебная таблетка, а инструмент, но это правильный инструмент в правильный момент.

Вместо заключения

Я часто говорю коллегам из академического мира: вуз не должен собирать «велосипед». Не нужно пытаться с нуля создать собственную MLOps‑систему — на это уйдут месяцы, а результат всё равно будет уступать промышленному стандарту. Лучше сразу учить на том, с чем студент встретится в реальном проекте.

Бесшовный переход в индустрию — не утопия, это вопрос среды. Поместите студента в правильную среду, и он сам найдёт путь. Мы не даём рыбу, но даём удочку.

Автор: Анастасия Сапрыкина, руководитель проектов службы стратегических инициатив Т1 ИИ, ментор программы «Стартап как диплом» МФТИ + Сколково, к.э.н.