Skip to content

Что происходит с рынком AI/ML в 2026

Анализ рынка AI/ML в России в 2026 году: рост вакансий с ИИ, описание ролей AI и ML инженеров, реальные требования и примеры вакансий.

Ask about this video. Answers come from its transcript only — with the timestamp, so you can check them.

Generated from the transcript and can be wrong — check the timestamp.

Key Takeaways

  • Рынок ИИ растёт, несмотря на общий спад вакансий в России.
  • AI инженер — это чаще backend-разработчик, работающий с готовыми нейросетями через API.
  • ML инженер — специалист, занимающийся обучением и оптимизацией моделей.
  • Вакансии часто содержат неточные описания, важно анализировать требования, а не только название.
  • В крупных компаниях задачи по MLOps и большим данным обычно выполняют отдельные специалисты.

What the video covers

  • Число вакансий на российском рынке падает, но количество позиций с использованием ИИ растёт.
  • В 2025 году было 1,7 млн вакансий, из них 9 000 с упоминанием ИИ; в 2026 году вакансий стало 1,2 млн, но ИИ-вакансий стало больше на 15%.
  • Рынок ИИ растёт в рамках общего снижающегося рынка труда.
  • AI инженер и ML инженер — это практически одна и та же роль с похожими знаниями и задачами.
  • AI инженер — это чаще всего backend-разработчик, который интегрирует и настраивает взаимодействие с нейросетями через API, без глубокого обучения моделей.
  • Примеры вакансий из S7, дневник.ru, Apple и Сбера показывают различия в требованиях: от базового программирования до глубокого машинного обучения и работы с большими данными.
  • Вакансии часто содержат неточные или сгенерированные описания, поэтому важно смотреть на реальные требования, а не только на название должности.
  • ML инженер занимается обучением моделей, сбором и валидацией данных, а также оптимизацией нейросетей.
  • В крупных компаниях задачи MLOps и развёртывания моделей часто выделены в отдельные роли.
  • Видео разбирает конкретный кейс системы распознавания документов и роли команды в её реализации.

Answers

Questions about this video

Почему количество вакансий с ИИ растёт, несмотря на общий спад на рынке труда?

Рынок ИИ развивается и внедряется в разные сферы, поэтому спрос на специалистов с навыками ИИ растёт, даже если общий рынок труда сокращается.

Чем отличается AI инженер от ML инженера в российских компаниях?

AI инженер чаще занимается интеграцией готовых моделей и backend-разработкой, а ML инженер — обучением, оптимизацией моделей и работой с данными.

Как правильно оценивать вакансии с ИИ, если названия должностей часто не совпадают с требованиями?

Важно анализировать конкретные требования и задачи в описании вакансии, а не только её название, так как часто они могут быть сгенерированы или неточно отражать суть.

Full Transcript — Download SRT & Markdown

00:00
Speaker A
Несмотря на то, что число вакансий на российском рынке падает, число позиций с использованием ИИ ток растёт. За период январь-февраль двадцать пятого года на х было 1,7 млн вакансий, из них 9 000 с упоминанием ИИ. За тот же период январь-февраль двадцать шестого года
00:17
Speaker A
число вакансий упало на 26% и стало уже 1,2 млн. Но при этом число вакансий с требованием знания ИИ выросло на 15%. Это говорит о том, что рынок ИИ и всего их применения растёт на убывающем, в общем рынке. Но если неподготовленный
00:34
Speaker A
человек сейчас полезет искать эти вакансии, он наткнётся на настоящую выгребную яму. Вы там увидите сразу такие вакансии, как AI инженер, ML-инженер, prompt инженер, MLE, AI research инженер и вот я ещё нашёл AI Security инженер. И очень часто эти все вакансии
00:50
Speaker A
вообще описывают одного и того же человека. Нам, в принципе, не надо смотреть вот на название, как они называются. Нужно смотреть на требования, которые они там прописывают.
00:58
Speaker A
Из-за того, что большую часть вакансий сегодня составляет не Россетка и даже её составители, а это, ну, вот просторки, даже не технические специалисты, не понимают, чем между собой это всё отличается.
01:14
Speaker A
Мы сегодня рассмотрим примеры вот этих вакансий, где в названии написано одно, а в описании вообще другое. Разбирать всё будем без воды, отталкиваться от настоящих вакансий, как на российском рынке, так и на зарубежном. Посмотрим на Яндексы, Сберы, так и Apple с
01:28
Speaker A
Anthropic. Давайте приступать. И так как мой основной тезис в том, что AI инженер, ML-инженер — это всё практически один и тот же человек. Он обладает очень схожими знаниями и выполняет ограниченный вот скоп задач на работе.
01:39
Speaker A
Мы будем рассматривать эти вакансии в зависимости от того, что люди реально делают на проектах. Мы сейчас возьмём выдуманный, даже не выдуманный проект и рассмотрим, что там делают отдельные члены команды, и потом подведём их под определённое описание вакансии. И
01:53
Speaker A
значит, проект наш будет такой. Мы делаем систему по автоматическому распознаванию документов. Супербаза очень популярна. Значит, у нас есть сайт, где просто кнопочка загрузить документик, фоточку или PDF. Мы должны её скачать, проанализировать с помощью нейросетки, достать ключевую информацию, например, паспортные данные, ФИО, дата,
02:10
Speaker A
когда это заполнено, всё это правильно распарсить и положить в нужные таблички в базе данных. Вот у нас есть такая задача. Как же она на практике выполняется? Конечно же, самое простое тут первое решение — это просто использовать готовые нейросетки, которые
02:24
Speaker A
можно обращаться по API. И основная задача — это сделать вот эту энд-разработку, настройку взаимодействия с базой данных, корректно получать файлик, когда его загружают.
02:34
Speaker A
Это чисто бэкендерская задача. Это наша первая позиция называется AI инженер. AI инженеры — это чаще всего обычные энд-разработчики, которые просто работают на проектах, связанных с ЛМками. ЛМка не нейросетка, просто выступает у нас как чёрный ящик, в которую мы можем кидать какой-то запрос,
02:52
Speaker A
например, картинку и в ответ получать от неё ответы. Например, текстовое описание, что на этой картинке изображено. Собственно, тут, по сути, никакого машинного обучения и нет. Тут нужно очень хорошо шарить в прикладных знаниях, как написать свой вот fast API, как там настроить очереди,
03:10
Speaker A
как настроить логирование, всё обезопасить и так далее. Вот этим занимается AI инженер. Как выглядит чаще всего его стек? Там будут такие слова, как RabbitMQ, агенты, тулзы, MCP, seng, VLM и всё с вот этим связано. Давайте посмотрим примеры таких вакансий. Так,
03:27
Speaker A
ну и первая наша вакансия в S7 AI Engineer. Смотрим, что тут у нас написано. Вот это мы сразу скипаем, чем предстоит заниматься. Смотрим на требования. Итак, высшее образование.
03:37
Speaker A
Скип, скип, скип. Опыт работы с, пожалуйста. VLM, seng, llama, CPP — это просто такие технологии, которые позволяют взять ЛМку и её сразу запустить как сервер, чтобы туда можно было вот бесконечно слать запросы, получать ответы. Векторные базы данных.
03:53
Speaker A
Это специальные базы данных, нужны для построения раксистем, платформы автоматизации, опять деплой, настройка, tools, MCP, Agent Skills. Всё, супер, максимально базовый стек для работы AI инженера. Тут мы максимально попали в точку. Нужны навыки программирования на Питоне. Вот, пожалуйста, очереди,
04:10
Speaker A
файрч, знать OpenAI API. Всё, максимально изи. Смотрим следующую. Это у нас вакансия AI инженера в дневник.ru.
04:19
Speaker A
Значит, что же они тут требуют? Значит, вам нужно будет строить агентов на базе ЛМок, интегрировать их с какой-то инфраструктурой, которая есть в компании. Требования Pytorch, Typescript и C# — это чересчур. На практике вам этого не надо. Вам нужен только Питон.
04:36
Speaker A
Не обращаем внимания, если пишут какой-то тут бред. Это чаще всего сгенерировано нейронкой описание. Тут может быть вообще что угодно. Потом уверенное знание баз данных. Исколь запросов. Да, понятно. Изи. Вам часто нужно будет делать так, чтобы ЛМка отдавала и сама умела делать SQL
04:50
Speaker A
запросы. Для этого вам надо уметь их валидировать. Опыт построения агентов, использование тулов, memory, VLM, Transformers, Lchain, всё по базе.
05:00
Speaker A
Заметьте, тут, по сути, максимально разработческий стек. Тут нет обучения, не нейросеток. Тут мы только делаем надстройку над тем, как ЛМка будет взаимодействовать с нашими системами.
05:11
Speaker A
Давайте посмотрим на вакансию от Apple, которая тоже называется AI инженер. Вот здесь уже начинается чуть посложнее. Тут они потихоньку заходят в область, где человек должен сам ещё уметь и модельки обучать больше, заниматься вот именно машинным обучением. Если мы отлистаем
05:26
Speaker A
вот сюда на задачи, которые должен делать человек, о, мы тут уже видим, появляется ещё требования знания компьютерного зрения, эмля, какие-то глубокие знания построения нейросеток, их улучшение. Затем начинается вот огромная вот эта часть с тем, что нужно делать валидацию агентных систем, которые будут
05:42
Speaker A
анализировать видео. Тут нужно уже знать больше какого-то деталей, прикладных знаний, работы с конкретным доменом. В данном случае здесь это компьютерное зрение. Также мы можем тут увидеть строчку, что они ещё требуют у вас опыт того, что вы занимались сбором данных. А
05:56
Speaker A
сбор данных мы делаем для чего? Для того, чтобы модельку обучать, ну или хотя бы валидировать нашу готовую ЛМку на наших кейсах. То есть тут уже он начинает затекать на позицию ML инженера.
06:06
Speaker A
Я не расскажу дальше. Последняя наша вакансия, конечно, куда же без неё — это AI инженер в Сбер. Смотрим, что они требуют от нас. Здесь не менее 3 лет опыта в машинном обучении, построение агентов, кастомизация под бизнес-задачи, уверенное знание torch,
06:23
Speaker A
Lord на пай. Вот это уже больше похоже на стек для инженера, кто будет конкретно там заниматься с обучением модельки. Дальше идёт у нас уже что-то необычное. Опыт работы с бигдатастеком, спарком, ходупом. Это не базовое требование к AI инженеру или ML-щику. Вам
06:39
Speaker A
в базе вы можете этого не знать. Если вы занимались, например, классическим ML, больше работа с табличными данными, то да, скорее всего, у вас там будет опыт.
06:47
Speaker A
Если вы человек, который в основном делает раги или там компьютерное зрение, то у вас, скорее всего, такого опыта даже могло и не быть. Такая технология на проекте у вас просто отсутствовала.
06:55
Speaker A
Это нормально. Вот эту строчку можем скипать. Базовые знания в области MLOps, развёртывание и управление моделями. Вот это уже пересекает нашу следующую вакансию, которая называется ML Observer.
07:05
Speaker A
На этом мы пока тоже можем закрывать глаза, потому что на реальных проектах этим чаще всего занимается отдельный человек. Если речь о бигтехах, то почти всегда там этим занимается отдельный человек. Поэтому эту строчку тоже скипаем. Окей, с AI инженером
07:19
Speaker A
разобрались. Это просто обычный бэкендер, который делает надстройки над системами с ЛМками. Вернёмся к нашему кейсу. Что мы делаем? Систему обработки фотографии, достаём оттуда какую-то инфу. Что делать, если нас не устраивает качество работы? Допустим, к нам прилетают вот такие документы, где
07:35
Speaker A
какие-нибудь очень сложные PDF-ки и таблички, которые, ну, моделька OpenAI GPT просто не может распарсить, у неё не получается. Что делать в т...
07:52
Speaker A
инженер, только теперь он будет ещё модельку обучать. Это занятие достаточно трудоёмкое. Тут нужно иметь набитую руку, опыт. конкретно в вашем домене.
08:01
Speaker A
Например, тут у нас работа с картинками, у нас также есть там работа с аудио. Вот работа с табличками. Тут нужно знать какие-то свои нюансы, ставить эксперименты и обучать, дообучать модельку. Поэтому у нас и получается две различные роли. ML-разработчик, тот, кто
08:14
Speaker A
вот модельку дообучает, ускоряет, проводит с ней эксперименты, и AI инженер, тот, кто занимается её встраиванием. И часто это один и тот же персонаж, один и тот же человек. То есть мы одновременно занимаемся и бэкэнд задачами, так и обучением моделек. И
08:29
Speaker A
рынок идёт именно в этом направлении. То есть объединяется в одного такого суперкрутого, сильного человека, который сразу может делать всё, что угодно.
08:36
Speaker A
Причём с появлением вайб-кодинга очень легко делать часть именно бэкэндерскую. А вот обучать модельку уже посложнее, потому что там нужно отслежить очень много типа различных логов и параметров.
08:47
Speaker A
Пока что обучение модельки сложно автоматизировать. Ну и давайте посмотрим, как выглядят вакансии на ML- инженера, что там от них требуется.
08:54
Speaker A
Смотрим вакансии на ML-инженера. Начнём с Яндекса. Там они наиболее интересные. Значит, первая наша вакансия такая. Это ML инженер в команду аудиоязыковых моделей. Сразу пофиг, не смотрим описание, смотрим требования. Значит, от нас ждут, что мы сами обучали лэмки и
09:10
Speaker A
мультимодальные модели. Понимаем полный цикл мль разработки, тыры-пыры. Понятно? Смотрим, что будет плюсе. Тут появляются совсем другие слова, не то, что было до этого. Если до этого у нас были просто слова там агенты, лгчейны, лмка, всё, тут появляется очень много каких-то
09:26
Speaker A
аббревиатур. Нам нужны конкретные доменные знания работы с аудио, с речевыми технологиями. Вот эти всякие аббревиатуры SFT, RХФ, ДПО, GPO - это техники для обучения моделей с помощью реля. То есть там есть умок специальный последний этап обучения, когда мы учим
09:42
Speaker A
его очень хитрыми вот такими методами. И вот о них нужно знать. Тут очень много теорий. Смотрим следующую вакансию. Это ML- инженер в команду разработки роботадоставки вот этих маленьких роверов, которые катаются по улице. Тут уже можно заметить, что вакансии на ML-
09:56
Speaker A
инженера часто, ну, веселее и интереснее, чем на обычного я инженер. Если там вы работали просто бэкэндером, ну, занимались, что посылали запросы в лмку, доставали их, то тут уже, ну, получается какой-то прикол. Вам там нужно учить, например, Алису разговаривать на другом языке или
10:12
Speaker A
понимать другой язык. Вам нужно учить робота кататься. Тут уже как-то всё повеселее становится. но и требования для входа на эту вакансию выше. Давайте смотреть, что надо. Итак, мы тут сразу видим, что, значит, разработка робота требует вот развития внутренних всех его
10:27
Speaker A
моделей навигации и восприятия. Значит, от нас ждут, что мы сами разрабатывали мы алгоритмы и собирали данные до вывода их в прот. Чтобы учить каждую нейронку, ей нужно собирать именно очень качественные данные, валидировать их на качественных данных, чтобы вот в
10:40
Speaker A
реальном мире в проде она начинала работать лучше. Вот от нас требует опять доменное знание. Если на прошлой вакансии у нас нужны были доменные знания по работе с аудиореч, то тут уже доменные знания в роботах и в очень узких задачах по типу локализации и
10:54
Speaker A
планирования того, как он там будет двигаться по улице. Ну а также нам нужны требования того, что мы умеем нейронки очень сильно оптимизировать. Для того, чтобы работать на маленьком роботе, мы там не можем поставить огромную лэмку, вот несколько видюк, чтобы она на них
11:08
Speaker A
работала. Нам нужна очень маленькая неросеточка, которая буквально может работать на ЦПУ за доли миллисекунд. И вот [фыркает] этими нужно будет заниматься на работе. Нужно будет как-то сумечь в очень маленькую модельку внести очень много знаний и получить в неё
11:21
Speaker A
высокую точность. Смотрим дальше. А теперь это вакансия в Сбер, которая как раз-таки и представляет из себя помощь и AI инженера, и ML-инженера. Значит, ну тут в названии, кстати, написано NLP и backend. Это вот, скорее всего, сразу, да, описание такого смежного чувака. Мы
11:36
Speaker A
его называем Aинженером. Итак, что у нас тут в требованиях? Уверена разработка на Python, фасттапе, знания вот эластик срча асинхронности. О'кей, всё понятно.
11:45
Speaker A
Потом идёт опыт по эмэльке. О, появляются вот наши старые требования по типу опыта с ленгчейном, с ленграфом, с рагами. MIL Квадрант - это векторные базы данных. Мы их видели тоже в прошлых наших вакансиях. Появляются запросы к инфраструктуре. Вот Кавка Pпус это уже
12:02
Speaker A
тоже больше переносится на LПра. Ну, дальше идёт стандартный вообще набор любого эмльчика. Hacking Face, Transformers, Pandas, Nй, то есть это персонаж, который сразу будет делать всё. Он умеет отвечать и за бкн, он шарит и за обучение модели, кто как они
12:16
Speaker A
устроены под капотом, как их оптимизировать ускорить повысить точность и так далее. Смотрим дальше. Вакансия в компанию Data World. Не знаю, что это такое, MLНer, но на деле мы видим, что там по сути вакансия кэндэнт разработчика, то есть нашего AI
12:30
Speaker A
инженера. Итак, смотрим, что же они тут пишут. Сразу на задачах уже оченьоченьочень много вот таких слов по типу проектирование спецификаций, а, сбор вот данных построения агентных систем. Потом у нас идут такие более специфичные слова под агентов про React
12:47
Speaker A
to схемы. Это всё максимально, максимально, максимально описание базового бэкэндера, который работает с лмками. Мы не видим тут требования, что нужно что-то дообучать, иметь какое-то специфическое доменное знание вот в данной системе, там, например, с речью, как мы до этого видели. Тут базовый
13:04
Speaker A
ээндер. Причём тут добавляется ещё очень много типа всякой шляпы, которую, ну вот типа базовый мельщик, который учит модельки, не использует. Вот всё, что вот здесь я выделяю, всё, что тут написано про про Swager, Specttral Prзм, это вот в работе почти не используется.
13:18
Speaker A
Ну а дальше идут более такие частотные штуки по типу MCP, Agent to agent. Вот это сейчас вот больше больше такого появляется на рынке, но тоже пока что это всё выглядит как супер сгенерированное лмкой описание. Слишком уж тут много всего написано и слишком
13:31
Speaker A
много э английских заимствований. То есть всё пишут практически на английском. Скорее всего, это сделала неронка. Так что таких вакансий мы не пугаемся. На деле требования намного проще. Всё не так страшно, как они тут пишут. Можете сразу отсюда вычёркивать
13:46
Speaker A
большую часть требований. От вас в основном требуется хорошее знания в Питоне, Фастапе. Вы понимаете базово, как работает эта лмка, как её там можно сптимизировать, ускорить, как работает МCпишка, тулы, всё, этого хватит. Итак, завершающая наша часть. Теперь посмотрим на такую вакансию, как AI тренер. Что
14:05
Speaker A
это такое? Это человек, который в основном занимается просто разметкой данных. Для того, чтобы варировать лмки, их обучать, нам нужно собирать очень чистые, сложные датасеты. Если у нас появляются какие-то узкопрофильные задачи по типу работа с, например, ТКРФ или с какими-то медицинскими
14:21
Speaker A
показаниями, то там это невозможно валидировать самой моделькой. Тут нужен какой-то человек извне со специфическим знанием. Вот под это есть вакансия AI тренеров. Это просто люди, которые занимаются разметкой данных. Тут нет никакой магии, всё достаточно просто.
14:37
Speaker A
Скорее всего, они самые низкооплачиваемые. Это не разработчики, это просто люди, фиксящие промты. и то, что выдаёт неронка. Промт инженер - самая бесчащая и непонятная для меня позиция. Она появилась давным-давно, и я никогда не понимал, что это значит, что
14:52
Speaker A
делает промнженер, просто подбирать промт слова. Ну, тут не нужен под это как бы отдельный человек. Это я могу и сам там сделать за пару дней или сронкой посидеть, подбить эти промты. Ну, если мы кликнем на эти описания, на эти
15:05
Speaker A
вакансии, то мы там увидим следующее. Вот это сейчас они сбоку будут идти. Это в натураху вакансий на обычного разработчика Илья инженера. На какой хуй они их называют промнженером, я не понимаю. Мы просто буквально смотрим.
15:17
Speaker A
Тут у него требования и знания фастапе, и работы с лмками, и рагов, и агентов.
15:21
Speaker A
Это всё вот прямо напрямую описание крутого AI такого ML-разработчика. Почему его промт инженером называют, вообще непонятно. Поэтому, если видите такую вакансию, обязательно открывайте и смотрите, что там в описании написано. А также это важный приём для откликов.
15:38
Speaker A
Если вы просто ищете вакансии типа как ML инженер, ну, вы делаете неправильно. Вам нужно, в общем, все вот эти все названия вбивать в поиск, если вы делаете автоотклики, автооткликаться именно вот по таким названиям на такие вакансии, потому что там везде
15:50
Speaker A
практически одно и то же. Они их называют как угодно. И самая имбовая, самая крутая позиция - это AI ML Resarcher. Тут самый высокий порог входа. В России практически таких позиций нет. Если и есть, это, ну, не совсем то. Это скорее просто обычный
16:06
Speaker A
эмельчик, который модельки учит. Эти вакансии на Западе минимум, вот минимум, если вы идёте в какую-то бигко карпу, от вас требуют аспирантуру, то есть PhD.
16:14
Speaker A
Туда просто так не зайти. При этом ещё нужны публикации. Туда очень высокий порог входа, но сама работа достаточно, как бы будет пчеловая. Вы буквально типа как вот настоящие учёный, просто будете заниматься всякими исследованиями, построениями экспериментов. Это всё можно делать на чиля, и вы будете
16:29
Speaker A
получать достаточно высокую зарплату. Именно вот на эти направления и о ресерчеров мы и слышим новости о том, что вот там в Open есть вакансии там по миллиону долларов в год. Это правда.
16:40
Speaker A
Действительно, да, такие есть. В России, например, вот можно поискать что-то подобное по типу в Сбере или в Яндексе, где они тоже вот обучают свои эллэмки.
16:48
Speaker A
Там тоже много своих проблем с тем, как адаптировать самые последние технологии, которые есть под обучение модель. И всё.
16:54
Speaker A
Конец. Опсер или девопсер для эмльщиков. Это просто вот отдельный выделенный человек, который занимается всем, чем только можно, с тем, как разворачивать наши ML-сервисы. Да, отчасти это тот же самый функционал, который делает и AI инженер, и ML- инженер. Как я говорил,
17:09
Speaker A
это часто всё может быть один и тот же человек, но в условиях бигтеха, когда у нас там миллиард миллионы вот этих микросервисов каких-то прослоек под выделение железа, гпушек, под это нужен отдельный человек, чтобы это всё контролировать. Его мы и называем
17:23
Speaker A
эмопсером. Сейчас все биктехи у себя внедряют автоматическую систему для вот обучения неросеток, что выделять эмэльчиком. То есть мы можем просто в браузере открывать систему, жать там кнопочку "Опа, выделите мне вот такую видеокарту". Выделите мне вот столько оперативки, у нас выделяется своё
17:38
Speaker A
железо, мы можем вот с ним работать. Туда подключаются свои отдельно диски. И вот это всё работает очень криво. Покажу везде, вот везде, где я это видел, это Сберы, Яндексы и все остальные. Там много проблем. Под это всё нужны
17:50
Speaker A
отдельно разработчики, чтобы это всё чинить и фиксить. Это есть эмопсеры. Но эмальопсеры есть и в контексте более мелких компаний, не только бигтехов. Там они занимаются и пайплайнами сборов данных. То, что у нас летит из логов, из табличек, настраивают системы, чтобы это
18:04
Speaker A
всё автоматически клалось на БДшки и передавалось эмльчикам. Это тоже может делать ЛПСer. Ну вот и всё. На самом деле у всех этих ребят зарплаты практически одинаковые. Их вилки совсем немножко отличаются. Но подробнее по разницу в зарплатах, куда легче войти,
18:20
Speaker A
где легче расти, в следующем подробном видео. Ставьте лайки, комменты, тем быстрее оно выйдет.
Topics:ИИмашинное обучениеAI инженерML инженервакансиирынок труданейросетиbackendMLOpsроссийский рынок

Get More with the SozAI App

Transcribe recordings, audio files, and YouTube videos — with AI summaries, speaker detection, and unlimited transcriptions.

Or transcribe another YouTube video here →