AI Engineer — новая роль в IT: чем отличается от ML-инженера и почему демо недостаточно
AI Engineer — это не переименованный ML-инженер и не разработчик, который вызывает API LLM. Это отдельная дисциплина со своим циклом разработки, метриками и навыками. Разбираем, что это значит для рынка труда в России.
Если вы считаете, что AI Engineer — это просто переименованный ML-инженер или разработчик, который научился вызывать API LLM, приготовьтесь переосмыслить. Это отдельная дисциплина со своим мышлением, циклом разработки и метриками. В России эта роль только набирает обороты, а на западном рынке вакансии уже требуют конкретных навыков, которые не покрывают ни классическое программирование, ни data science.
AI Engineer работает на прикладном слое: берёт готовые модели и превращает их в продукты, которыми пользуются реальные люди. Не обучает модели с нуля — делает так, чтобы они не врали пользователям в продакшене.
Ключевые выводы
- AI Engineer — не ML-инженер и не fullstack-разработчик. Это прикладная дисциплина между моделью и пользователем.
- Главная задача — превратить демо в надёжную систему: цикл build-eval-improve (сборка, оценка, улучшение) никогда не заканчивается.
- Четыре ключевых навыка: RAG, evals, агенты и продакшен-деплой.
- OpenAI и другие лидеры уже нанимают целые команды под отдельные подсистемы агентов.
- Самое сложное — не код, а выбор правильных метрик для оценки качества.
Демо собрать легко. Надёжность — работа
Собрать демо с LLM проще простого. Пять минут «вайб-кодинга», чистый промпт, happy path (основной сценарий) — и у вас есть ролик, достойный твита. Но стоит бросить в промпт три нестандартных запроса, и всё рассыпается. Потому что LLM — не интеллект, а предиктор. Вся работа AI Engineer сидит в промежутке между «классно демонстрируется» и «не падает в продакшене».
Если система ненадёжна, она бесполезна. Этот разрыв — полноценная рабочая задача, а не побочная обязанность fullstack-разработчика.
AI Engineer и ML-инженер: в чём разница
Разница — в слое. ML-инженеры живут в модельном слое: собирают датасеты, обучают, оптимизируют архитектуру. Их результат — обученная модель. Рядом с ними сидят исследователи, которые пишут белые книги и ставят эксперименты, на которых строится вся область.
AI Engineer живёт на прикладном слое. Берёт готовые модели и превращает их в продукты. Иногда приходится читать математические белые книги и реализовывать новые архитектуры агентов, но результат — работающий продукт, а не обученная модель.
Четыре навыка, которые встречаются в вакансиях
Автор статьи проанализировал вакансии AI Engineer на LinkedIn. Четыре навыка всплывали снова и снова:
- RAG — поиск по векторным базам и контексту
- Evals — оценка качества ответов модели
- Агенты — системы, которые вызывают инструменты и принимают решения
- Продакшен-деплой — запуск в реальную эксплуатацию
Под этими заголовками — ежедневная работа. Контекст-инжиниринг: как отправить модели правильные токены в правильный момент? Токены — валюта, они напрямую влияют на стоимость и энергопотребление. Дизайн инструментов: как дать агенту нужные способности и уберечь от неправильных? Оценка: как измерять улучшения, а не гадать по ощущениям? Надёжность: самовосстановление, обработка ошибок, латентность — всё, что решает, выживет ли система в бою.
Цикл сборки, оценки и улучшения
Построить агента легко. SDK позволяют сделать это в пяти строках. Сложное — всё, что после. Оценить, где он плох. Понять, почему. Применить правильную технику к конкретному сбою. Оценить снова.
Этот цикл никогда не заканчивается. Для недетерминированной системы, которая должна быть надёжной, нет статуса «готово». Есть только итерация. Программист оптимизирует детерминированные пути. ML-инженер оптимизирует модель. AI Engineer оптимизирует цикл обратной связи поверх недетерминированной системы, и большая часть результата — в том, что именно измерять.
Почему это целая команда, а не один человек
Если AI Engineer — всего лишь побочная обязанность fullstack-разработчика, посмотрите на вакансии OpenAI. Они нанимают людей не абстрактно, а под конкретные подсистемы: одна команда отвечает за выбор инструментов, другая за human-in-the-loop, третья — за безопасность, а четвёртая — за снижение расхода токенов без потери точности.
ChatGPT до сих пор плохо справляется с многими задачами — и это при том, что под него работают целые команды. Когда продукт сам по себе является агентом, это не побочный проект. Это отдельная дисциплина. По мере того как компании становятся ИИ-нативными, мы будем видеть масштабные команды AI Engineer, каждая из которых отвечает за свой кусок системы.
Самое сложное — выбрать метрики
По мнению автора, самая сложная часть работы — не код. А выбор данных для оценки и метрик, по которым оценивать. Какие метрики дают наиболее точный сигнал? Как их считать? Как эволюционировать, пока система не станет надёжнее?
Неправильные метрики ведут цикл в никуда. Правильные — запускают накопительный эффект. В этом — суть роли: оптимизировать обратную связь, а не просто писать код.
Часто задаваемые вопросы
Чем AI Engineer отличается от ML-инженера?
ML-инженер обучает и оптимизирует модели. AI Engineer берёт готовые модели и строит вокруг них продукт. Разница — как между конструктором двигателя и автослесарем: оба работают с машиной, но на разных этапах.
Нужно ли знать математику и глубокое обучение?
База полезна, но не обязательна для старта. AI Engineer чаще читает белые книги на уровне архитектуры, чем выводит градиенты вручную. Главное — понимать ограничения модели и уметь работать с недетерминированностью.
Какие навыки нужны junior AI Engineer?
Промпт-инжиниринг, работа с API LLM, базовый RAG, умение писать evals и деплоить в облако. Продакшен-опыт специфичен для компании, поэтому важнее уметь задавать правильные вопросы, чем знать конкретный стек.
Есть ли эта роль в России?
Пока редко встречается как отдельная должность, но задачи уже есть. Команды, которые внедряют LLM в продукты, ищут бэкенд-разработчиков с опытом работы с ИИ. Тренд — к выделению этой роли в отдельную специализацию.
Выводы
AI Engineer — не модное переименование, а признание того, что работа с ИИ-агентами в продакшене требует отдельной дисциплины. Другой слой, другой цикл разработки, другие метрики. Если вы разработчик и думаете, стоит ли углубляться — простейшая формулировка такова: агент собрать легко, цикл поддерживать — это работа.
Агент — это лёгкая часть. Цикл — это работа.
