Бизнес разочаровался в специалистах по ИИ. Кто пришел им на смену

В последние годы в инфополе все чаще обсуждается тема «Какие профессии исчезнут из-за искусственного интеллекта?». Однако корректнее вопрос бы звучал так: «Какой тип специалиста становится более ценным, когда компания уже работает с ИИ-инструментами?».

Исходя из нашей практики, сильный специалист 35–45 лет с подтвержденной экспертизой чаще всего на вопрос про навыки работы с ИИ реагирует так: «Использую, конечно. А что, это важно указывать в резюме?». В этом случае задача HR — «распознать» такого кандидата на собеседовании: некоторые молчат из-за скромности или ложного ощущения, что работодателю нужна только доменная экспертиза.

Именно такой подход делает сильных экспертов «невидимыми» для рынка, при том, что именно они представляют наибольшую ценность для современного работодателя. Потому что специалист, который действительно дополнил свои отраслевые компетенции навыками работы с ИИ — это пока еще уникальный, штучный «товар», и важно не упустить его, даже если он сам не догадался рассказать о своих умениях.

Публичный нарратив про ИИ и рынок труда выглядит так: молодые специалисты быстрее осваивают новые технологии, старшее поколение отстает, а компании ведут борьбу за тех, кто «в теме».

На практике все ровно наоборот. Те, кто чаще всего заявляет о навыках работы с ИИ (специалисты до 30 лет) знают терминологию, следят за трендами, умеют пользоваться ChatGPT. Но у них нет критически важных навыков: глубокой предметной экспертизы в той или иной области, в которой они хотели повысить эффективность работы с помощью ИИ. Именно сочетание доменной экспертизы и навыков работы с ИИ дает наибольший прирост производительности.

Специалисты в возрасте от 35 до 45 лет, которые обладают глубокой отраслевой экспертизой и смогли перестроить свои рабочие процессы с помощью ИИ, об этом не говорят и не считают нужным писать в резюме. Для них ИИ — такой же базовый инструмент, как Excel или корпоративная почта. В результате на рынке труда находится много «видимых» кандидатов с недостаточными базовыми компетенциями и «невидимых» высококвалифицированных специалистов.

Компании, активно внедряющие ИИ год назад, руководствовались одной и той же логикой: сокращение команды за счет ИИ-инструментов — это экономия на фонде оплаты труда. Результаты оказались противоположными.

Главная проблема языковых моделей не в том, что они ошибаются, а в том, что их ошибки трудно отличить от корректного результата без должного уровня экспертизы. «Галлюцинация» в юридическом документе, некорректный расчет в финансовой модели, фактическая ошибка в техническом тексте — все эти некорректные ответы подаются со стороны ИИ структурировано и не вызывают сомнения у менее квалифицированного отраслевого специалиста.

Распознать такую ошибку способен не ИИ-специалист в широком смысле, а именно профессионал, знающий, как должен выглядеть правильный ответ. Некоторые компании сократили этих людей, что обернулось финансовыми потерями, репутационными рисками и снижением эффективности. Компании, внедряющие ИИ-решения без должной экспертной верификации результатов, несут дополнительные издержки на исправление ошибок, которые в ряде проектов сопоставимы с первоначальной экономией на персонале. В итоге экономия на экспертизе обходится дороже, чем ее сохранение.

Корпоративные ИИ-решения промышленного уровня — это не подписка на чат-бот за несколько сотен рублей в месяц. Это полноценный инфраструктурный проект со значительными статьями затрат, которые зависят от размера компании, а также от того, какие задачи бизнес хочет решить с помощью ИИ-технологий. Средняя стоимость «умного ИИ» складывается из следующих статей:

• Серверные мощности (закупка собственного оборудования на базе GPU для развертывания решения в локальном контуре предприятия может обойтись от 10–15 млн рублей).
• Закрытый контур обработки данных (настройка безопасности, развертывание базовой языковой модели и защита от утечек корпоративной информации обойдется еще в 2–4 млн рублей).
• Интеграцию с существующими системами: ERP, CRM, СЭД (стоимость создания коннекторов и бесшовного встраивания ИИ в рабочие процессы силами ИТ-консультантов обычно составляет от 3–5 млн рублей).
• Специалистов, которые всем этим управляют: MLOps-инженеры, архитекторы данных, отраслевые аналитики (содержание такой внутренней мини-команды обходится бизнесу около 1,5 млн рублей в месяц с учетом налогов и накладных расходов).

По оценкам российских аналитических структур, совокупный объем российского рынка ИИ-решений и сопутствующей инфраструктуры продолжает демонстрировать двузначные темпы роста: так, по данным Just AI и Outside, рынок генеративного искусственного интеллекта в России по итогам 2025 года оценивался в 58 млрд рублей с прогнозируемым ростом. При этом на рынке возникает парадоксальная ситуация: чем масштабнее инвестиции в ИИ (ПО, инфраструктуру), тем меньше пространства для роста зарплатного фонда. Ожидание кандидатов, что ИИ-навыки автоматически конвертируются в увеличение зарплаты, пока не находит подтверждения на практике. Компания платит надбавку не за то, что сотрудник умеет писать промпты, а за кратный рост производительности и готовность брать ответственность за результат в одиночку.

Сейчас бизнес сосредоточен не на найме новых «звезд», а на удержании тех, кто уже работает в компании и приносит результаты, однако базовые ставки растут в пределах стандартной рыночной логики.

Ключевое изменение на современном рынке труда заключается не в исчезновении конкретных профессий: исчезает команда как обязательная единица производства.

Пока большинство компаний продолжают работать по условной схеме: аналитик формулирует запрос, исполнитель решает рабочую задачу, менеджер координирует и отвечает за результат. Но некоторые работодатели уже ищут одного специалиста, способного закрыть весь этот цикл самостоятельно с помощью ИИ-инструментов. Компании, внедрившие подход к усилению экспертов с помощью ИИ, фиксируют существенное (а в ряде случаев — кратное) сокращение времени выполнения сложных аналитических задач.

Такой специалист умеет:

• Сформулировать задачу с учетом логики бизнеса
• Построить архитектуру ее решения
• Написать грамотный промпт или систему промптов
• Создать ИИ-агентов для конкретных задач
• Перестроить бизнес-процесс под новую реальность
• Оценить риски на старте работы с ИИ и распознать его ошибки
• Нести ответственность за результат

Это не «человек, который умеет пользоваться ChatGPT», а эксперт, освоивший ИИ как операционную среду. Маркетолог, который сам автоматизирует маркетинговые задачи. HR-специалист, который сам проектирует ИИ-агентов для подбора персонала. Юрист, который сам выстраивает систему проверки документов.

Наиболее продвинутый бизнес выбирает одного высококлассного специалиста вместо команды не потому, что это дешевле, а потому, что экспертиза и ИИ-инструмент в одних руках работают быстрее и точнее, чем распределенная команда.

Один из наиболее ярких примеров — заказная разработка в ИТ. В командах заказной разработки остается только «экспертное ядро» — сильные специалисты, которые повышают эффективность своей работы с помощью ИИ-инструментов. Один архитектор с качественным ИИ-инструментарием способен закрывать объем задач, для решения которых прежде требовалось три-четыре разработчика.

Исследование GitHub, проведенное совместно с независимыми исследователями, показало: разработчики, использующие GitHub Copilot, завершают задачи на 55% быстрее, чем их коллеги без ИИ-ассистента. Но это должны быть именно архитекторы — специалисты с навыками системного проектирования, технической декомпозиции задач и умением работать с ИИ-инструментами: грамотно ставить задачи, проверять и дорабатывать результат. С большой долей вероятности в ближайшем будущем этот стандарт будет характерен и для других отраслей.

Для специалистов. Если вы используете ИИ в своей работе — сделайте это «видимым». Укажите, что вы не просто «знакомы с ИИ-инструментами», а расскажите подробно, что вы автоматизировали, какой процесс перестроили и какой измеримый результат получили. «Сократил время подготовки аналитических отчетов с 8 до 2 часов за счет построения системы промптов» — это резюме. «Работаю с нейросетями» — это информационный шум.

Для компаний. Перестаньте искать «специалиста по ИИ» как отдельную позицию. Такие поиски обычно требуют на 30–40% больше времени, чем в среднем по рынку. Ищите сильного отраслевого эксперта, который работает с ИИ как с рабочей средой. Уплотнение ролей — это не повод «сократить всех и нагрузить одного». Это вызов для HR-архитектуры: как удерживать таких «усиленных» экспертов и при этом минимизировать риски зависимости бизнеса от одного человека.

Для рынка. Происходящее — не замена людей машинами. Это уплотнение ролей: один человек с правильными инструментами берет на себя то, что раньше требовало команды из трех-пяти человек. Побеждают не те, кто первым внедрил ИИ. Побеждают те, кто вложил технологию в руки настоящих экспертов.