Профессии уже не будущего: какие кадры нужны российскому бизнесу и где их брать
Готовность рынка к ИИ-решениям
Доступность, растущее качество результата и расширение сфер применения — главные тренды в сфере генеративного ИИ. За последние два года интерес бизнеса к технологии вырос на 625%. В то же самое время к реальному внедрению ИИ готовы только 46% компаний. Причины в нехватке инфраструктурных решений, вычислительных мощностей и недостатке подходящих IT-специалистов.
Разработчиков ИИ-решений достаточно — не хватает специалистов, способных эти решения профессионально внедрять и поддерживать. Учитывая это, компании начинают выращивать нужные ИИ-компетенции у своих сотрудников, а не нанимают готовых профессионалов с рынка.
В 2023-2024 годах количество вакансий с упоминанием ИИ выросло вдвое по сравнению с 2021-2022 годами и составило около 3700 предложений. В топе — тренер искусственного интеллекта. На втором месте по популярности — разметчики данных. В 2023-2024 годах размещено уже более 100 предложений, а за предыдущие годы — ни одного.
Как ИИ создает новые профессии
В крупных компаниях, например, «Сбере», МТС, «Яндексе» уже появились ИИ-департаменты. И они состоят не только из разработчиков: работа с ИИ затрагивает многие этические вопросы, поэтому компаниям необходим специалист, который бы «научил» ИИ представлениям человека о морали. Можно загрузить в нейросеть массив данных о метриках эффективности сотрудников и доверить ей процедуру кадровых сокращений, но насколько этично поведут себя алгоритмы — большой вопрос.
Люди, которые будут развивать корпоративные ИИ-решения в будущем — это целая команда разноплановых специалистов. Вот некоторые из них:
- ИИ-аудитор: оценивает внедрение ИИ-систем в организации. Контролирует, насколько они соответствуют нормативным требованиям производительности, безопасности и этическим аспектам;
- создатель ИИ-контента: использует ИИ-инструменты для создания текстового, визуального и мультимедийного контента;
- Специалист по этике ИИ: консультирует по моральным и философским аспектам — предвзятости, справедливости, прозрачности и т.д.;
- ИИ-инструктор: обучает и повышает квалификацию сотрудников в области применения ИИ;
- ИИ-тренер / куратор данных: совершенствует и адаптирует модели, проверяет качество ИИ-систем, чтобы они понимали различные входные данные и эффективно реагировали на них;
- Markup / prompt-инженер: создает разметку, которую используют ИИ-модели для снижения количества ошибок;
- руководитель ИИ-направления: управляет командой ИИ-разработчиков;
- LLMOps: обеспечивает эффективное управление библиотеками — снижает эксплуатационные расходы и количество персонала для выполнения задач;
- NLP-инженер: расширяет возможности бизнеса при обработке информации — анализирует и извлекает данные из текстов с помощью научных алгоритмов и методов ML;
- архитектор ИИ-решений: создает высокоуровневые концепции и структурные решения для систем искусственного интеллекта.
По аналогии с другими областями сначала все эти задачи будут выполнять сами разработчики, но со временем произойдет логичное разделение обязанностей. Пока же у компаний не так много вариантов.
Где брать специалистов, если на рынке пусто
ИИ замещает функции людей и оптимизирует бизнес-процессы, но его работа — тоже процесс, за которым нужно следить, управлять и нести ответственность за результат. Специалистов с такими функциями мало на рынке, поэтому для эффективного внедрения и развития ИИ-продуктов бизнесу понадобится либо выращивать кадры внутри компании, либо обращаться к сторонним командам.
Самостоятельно готовить кадры и повышать внутреннюю экспертизу выгоднее. Особенно, когда у компании есть релевантный опыт в сфере ИИ. Компетенции и знания сохраняются внутри команды, специалисты более мотивированы и понимают специфику задач и бизнеса. Чаще всего они уже работают в организации и обладают смежными компетенциями. Например, для улучшения работы больших языковых моделей (LLM) в red_mad_robot стали готовить разметчиков данных из бывших QA-тестировщиков. Markup-инженер — так называется эта профессия — задействован на всех этапах работы над ИИ-проектом, от знакомства с исходной документацией до выпуска готового датасета, на основе которого работают все боты, чаты-помощники и другие умные сервисы.
Чаще всего такое обучение проходит в производственном формате — на практических задачах и реальных клиентских проектах. Из-за необходимости быстро реагировать на изменения рынка нет времени на создание полноценной системы обучения. Однако отказываться от системности не стоит. Организации, которые самостоятельно готовят кадры, будут лидерами рынка. Поэтому важно заранее сформировать универсальные методы и выработать стандарты обучения.
Другой вариант — обратиться к внешним экспертным командам, чтобы выстроить процессы. Технологические компании с большим опытом на рынке могут внедрять ИИ-решения для своих клиентов. Ведь разработчики сами заинтересованы в том, чтобы их продукт развивался и в индустрии становилось больше реализованных проектов. Но у клиента должны быть свои компетенции, как минимум кадры, ресурсы, инфраструктура.
Крупные компании идут к тому, чтобы самостоятельно готовить сотрудников — выращивать собственных специалистов для работы с нейросетями. IТ-команды с большим опытом, в свою очередь, формируют на рынке стандарты обучения — карты компетенций, траектории развития навыков и образовательные курсы.
Что дальше?
Бизнесу важно применять ИИ-решения, развивать компетенции внутри и повышать экспертизу сотрудников. По данным исследований, с 2022 года интерес бизнеса к теме ИИ увеличивался практически вдвое каждый год. Очевидно, что сегодня те, кто сопротивляется инновациям, рискует стать аутсайдером — выбора у бизнеса, в общем-то, нет.
Для работы и поддержки ИИ-инструментов требуются специалисты с редкими навыками, которых сложно найти на рынке: из-за общего кадрового голода и в силу того, что сегмент сам по себе новый, специалисты просто не успели вырасти. Поэтому компании закономерно вкладываются в развитие собственных кадров.
Глобальная потребность в специалистах по работе с искусственным интеллектом сформировалась, и IT-гиганты вроде «Яндекса» запускают собственные курсы и стажировки в университетах, чтобы закрывать свою кадровую потребность. Со временем все это приведет к четкому разделению специальностей и появлению стандартов обучения и работы.
Мнение редакции может не совпадать с точкой зрения автора