ИИ-инженер — это специалист, который строит приложения поверх готовых больших языковых моделей: чат-ботов, AI-агентов, поиск по документам и автоматизацию рутинных процессов.
Он не обучает модель с нуля, а собирает вокруг неё систему: подключает LLM к данным компании через векторные хранилища, описывает инструменты, которыми модель может пользоваться, продумывает промпты и сценарии диалога, оценивает качество ответов и удерживает стоимость запросов в разумных рамках. Отдельная часть работы — надёжность: как система ведёт себя при ошибке модели, как проверяются ответы, что происходит при росте нагрузки. Профессия появилась недавно, поэтому спрос на неё есть и в продуктовых командах, и в интеграторах, и во внутренних отделах автоматизации крупных компаний.
Ядро профессии — Python, понимание того, как устроены LLM, и обычная бэкенд-инженерия вокруг них.
Отдельной медианы для ИИ-инженеров «Хабр Карьера» пока не публикует: профессия слишком новая. Ориентироваться можно на общие цифры за первое полугодие 2026 года: 191 000 ₽ по рынку и 243 000 ₽ по языку Python (+6% за полугодие). По грейдам в целом по IT медианы такие: 93 000 ₽ у Junior, 167 000 ₽ у Middle и 293 000 ₽ у Senior. По городам: 235 000 ₽ в Москве, 200 000 ₽ в Петербурге и 160 000 ₽ в остальных регионах.
Источники: отчёт «Зарплаты IT-специалистов в первой половине 2026 года» и калькулятор зарплат «Хабр Карьеры». Данные за первое полугодие 2026 года, проверены в августе 2026 года.
Ниже тот же маршрут в подробностях: этапы обучения и курсы к каждому из них.
Этап закладывает фундамент: Python — основной язык ИИ-инженера, и без уверенного владения им двигаться дальше не получится. Вы освоите базовый синтаксис, типы данных, функции и алгоритмические конструкции, затем перейдёте к продвинутым возможностям языка. Отдельно рассматривается асинхронное программирование — без него невозможно строить производительные AI-приложения с параллельными запросами к моделям.
Прежде чем работать с LLM, важно понимать место генеративных моделей в общем ландшафте ML. Этот этап даёт концептуальное понимание: вы разберётесь в разнице между обучением с учителем и без него, задачами классификации, регрессии и кластеризации. Это поможет осознанно выбирать инструменты и не использовать тяжелые нейросети там, где достаточно классических алгоритмов, без погружения в сложный математический аппарат.
На этом этапе вы разберётесь, как устроены нейросети и языковые модели изнутри. Понимание архитектуры трансформеров, механизма внимания и токенизации — это то, что отличает ИИ-инженера, который умеет диагностировать проблемы модели, от того, кто просто вызывает API. Отдельно рассматривается самостоятельная реализация LLM на чистом PyTorch.
ИИ-инженер разворачивает модели и сервисы на серверах, собирает пайплайны и деплоит приложения. Сначала вы осваиваете контроль версий, затем Docker для воспроизводимых окружений и FastAPI для создания асинхронных API-обёрток над моделями со стримингом ответов. SQL и CI/CD пригодятся при работе с базами данных в RAG-системах и автоматизации деплоя.
Перед построением сложных агентов ИИ-инженер должен уметь управлять поведением моделей через текст и понимать, как модели ищут контекст. Вы освоите системные промпты, техники few-shot и chain-of-thought. Также вы научитесь работать с векторными базами данных — обязательным компонентом для хранения эмбеддингов и семантического поиска в RAG-системах.
Это центральный этап роадмапа. Здесь вы освоите ключевые паттерны построения AI-приложений: связывание языковых моделей с внешними данными через RAG и создание агентных систем, способных самостоятельно вызывать инструменты и API. Отдельно рассматривается работа с локальными моделями через Ollama и облачными через LiteLLM.
Этап расширяет инструментарий: интеграция AI в процессы разработки и создание собственных аналогов CI-ассистентов. Эти навыки позволяют быстро прототипировать решения и встраивать AI в рабочие процессы команды.
Завершающий этап — выход на рынок труда. Вы узнаете, как составить резюме и портфолио ИИ-инженера, как проходить технические собеседования и на что обращать внимание при выборе первой компании.
ML-инженер обучает модели на данных компании и отвечает за их работу в production. ИИ-инженер работает с уже обученными языковыми моделями: подключает их к данным и инструментам, собирает агентов и RAG-системы. Математики здесь нужно меньше, инженерии и продуктового мышления — больше.
На базовом уровне: достаточно понимать, что такое векторное представление текста, как считается близость эмбеддингов и почему модель ошибается. Глубокая линейная алгебра и матанализ нужны тем, кто дообучает модели, а не тем, кто строит приложения поверх готовых.
Около 9–12 месяцев при 10–15 часах в неделю. Быстрее всего идут те, у кого уже есть опыт разработки: им остаётся освоить работу с LLM, векторными хранилищами и агентами — это 3–5 месяцев.
Да. Область молодая, формальных требований к диплому почти нет, а на собеседовании смотрят на работающие проекты: собранного ассистента с поиском по документам и понимание, как вы измеряли качество его ответов.
Модели становятся сильнее, но кто-то должен связывать их с данными компании, отвечать за качество ответов, стоимость и безопасность. Именно эта инженерная часть и составляет профессию — она скорее меняется вместе с инструментами, чем исчезает.