Данные из 72вакансии · 12 августа 2026

Как стать ИИ-инженером: путь от нуля до первого оффера

Не «стань разработчиком за 3 месяца» — реальный путь входа на основе данных по 72 вакансии.

Мурадов ЮрийАвтор·Мурадов Юрий·Аналитик SkillStat
ИАПроверено·Игорь Антонов·Технический редактор·AI Engineer / LLM application engineer
Junior-вакансий сейчас
1
1% от всех 72 вакансии
Сложность входа
Высокая
1% junior-вакансий
Senior / Junior+Intern
29x
На каждого junior+intern — 29 senior
Навыков / вакансия
13
медиана по вакансиям
Всего вакансий
72
активных в Москве
Можно ли с нуля Короткий план Roadmap Junior-рынок Портфолио Резюме Собеседование Ошибки Обучение Курсы FAQ

Можно ли стать ИИ-инженером с нуля

Да. По данным SkillStat, 1% вакансий ИИ-инженера — уровня junior или стажёр. Это 1 вакансия прямо сейчас.

«С нуля» для ИИ-инженера — это без коммерческого опыта, но не без инженерной базы. Роль начинается там, где готовую модель нужно превратить в функцию продукта: Python — в 68.1% вакансий ИИ-инженера, LLM — в 65.3%, RAG — в 55.6%. Медиана требований — 13 навыков, и большая часть списка про сервис вокруг модели, а не про саму модель.

Вход трудный по одной причине: умение писать промпты никого не нанимает. Нанимают за сервис, который держит нагрузку и не врёт пользователю: таймауты, повторы, логи, счёт за токены, поведение при пустом ответе. На одного junior приходится 29 senior-вакансии — AI-функцию отдают тому, кто уже разбирал инцидент с выдуманным ответом в проде.

Как стать ИИ-инженером: короткий план

Пять шагов от первого вызова модели по HTTP до AI-функции, которую не страшно выпустить на живых пользователей.

01
Сервис на Python
Python — 68.1% вакансий ИИ-инженера, FastAPI — 34.7%, PostgreSQL — 23.6%. Учишься не языку, а сервису: строгая схема ответа, логи, таймауты, обработка ошибок.
02
Поведение LLM
LLM — в 65.3% вакансий ИИ-инженера. Токены, окно контекста, системный промпт, structured output, tool calling, лимиты запросов — и то, как модель отвечает уверенно и неверно.
03
RAG на своих данных
RAG — в 55.6% вакансий, LangChain — в 54.2%. Нарезка документов, эмбеддинги, векторный поиск, переранжирование, ссылки на источник и права доступа: кому какой документ можно показать.
04
Evals
Golden dataset, регрессионный набор, ловушки на выдуманные ответы. Без них замена промпта или модели — ставка вслепую, а не релиз.
05
Production и цена
Docker — 51.4% вакансий, Kubernetes — 25%, CI/CD — 25%. Плюс трассировка, откат, audit log и счёт за токены, который кто-то читает в конце месяца.

Что учить ИИ-инженеру первым

Не всё сразу. Вот очерёдность по частотности в вакансиях — от самого нужного к менее срочному.

Навык Все вакансии
Python 68.1%
LLM 65.3%
RAG 55.6%
LangChain 54.2%
Docker 51.4%
FastAPI 34.7%
SQL 27.8%
Git 26.4%
REST 26.4%
Kubernetes 25%

«Все вакансии» — доля из 72 вакансии. Обновлено 12 августа 2026.

Полный список навыков с частотностью, связками и зарплатной премией — навыки ИИ-инженера →

Roadmap ИИ-инженера: от нуля до junior

Порядок опирается на частотность навыков по данным вакансий. Первые 4–5 этапов — минимум для первого оффера.

  1. 01
    Python и базовые библиотеки 68.1% вакансий

    NumPy, Pandas — обработка данных; Jupyter/VS Code, виртуальные окружения.

    Подробнее →
  2. 02
    Классический ML

    Scikit-learn: линейные модели, деревья, градиентный бустинг, оценка качества моделей.

    Подробнее →
  3. 03
    Нейросетевые фреймворки 18.1% вакансий

    PyTorch или TensorFlow/Keras — архитектуры, обучение, инференс.

    Подробнее →
  4. 04
    LLM и языковые модели 65.3% вакансий

    Трансформеры, API OpenAI/YandexGPT/GigaChat, prompt engineering, few-shot learning.

    Подробнее →
  5. 05
    RAG и векторные базы данных 55.6% вакансий

    Retrieval-Augmented Generation: эмбеддинги, Qdrant/Chroma/Weaviate, similarity search.

    Подробнее →
  6. 06
    Агентные фреймворки и оркестрация 54.2% вакансий middle+

    LangChain, LlamaIndex — AI-пайплайны, tool calling, многоагентные системы.

    Подробнее →
  7. 07
    Деплой и сервинг моделей 34.7% вакансий middle+

    FastAPI/gRPC для инференса, Docker, ONNX — оптимизация latency в production.

    Подробнее →
  8. 08
    MLOps и мониторинг middle+

    MLflow, DVC, Airflow — версионирование экспериментов, воспроизводимость, мониторинг дрейфа.

    Подробнее →

Junior-вакансии ИИ-инженера: что реально требуют работодатели

Срез построен на 72 активных вакансии.

Junior-вакансий
1
inc. стажировки
Доля junior
1%
от всего рынка
Senior / Junior+Intern
29x
соотношение
Навыков / вакансия
13
медиана
Распределение вакансий по грейдам
Junior — 1.8% (1)
Middle — 34.5% (19)
Senior — 52.7% (29)
Lead — 10.9% (6)
Что значат эти цифры. 1 вакансия уровня junior из 72 — вход конкурентный. Причина структурная: AI-функция трогает внутренние документы компании и отвечает клиенту от её имени, поэтому её редко доверяют человеку без опыта. Обходной путь короче прямого — прийти backend-разработчиком в команду, где AI-сценарий уже есть, и забрать себе RAG-кусок или evals.

Какие проекты сделать для портфолио

Портфолио ИИ-инженера — не папка блокнотов с промптами. Один сервис, но по нему видно: на каких данных работает, где модель ошибается, как ошибку ловят до пользователя и сколько стоит один ответ.

RAG-сервис по своей базе документов
Средняя · 2–3 недели
Стек: Python, FastAPI, RAG, PostgreSQL, Docker
GitHub: README: откуда документы, как нарезаны, почему в ответе есть ссылка на источник. Плюс .env.example, docker-compose и скрипт индексации
Ценность: Ядро роли: RAG — в 55.6% вакансий ИИ-инженера
Evals к своему же RAG
Средняя · 1 неделя
Стек: Python, golden dataset, регрессионный набор
GitHub: Вопросы с эталонными ответами, отчёт по версиям промпта и поиска, список пойманных выдуманных ответов
Ценность: Отделяет инженера от автора демо: видно, как ты сравниваешь версии, а не хвалишь удачный пример
Извлечение структуры из документов
Средняя · 1–2 недели
Стек: Python, LLM, structured output, PostgreSQL
GitHub: Схема ответа, обработка неполного документа, поведение сервиса, когда поля просто нет
Ценность: Самый частый прикладной сценарий после поиска по знаниям: счета, договоры, заявки
AI-функция под нагрузкой
Высокая · 2–3 недели
Стек: Docker, Kubernetes, CI/CD, Redis
GitHub: Кэш повторов, лимиты, таймауты, метрики задержки и стоимости ответа, откат на прошлую версию промпта
Ценность: Docker — в 51.4% вакансий, Kubernetes — в 25%: production-слой спрашивают почти всегда

Как оформить GitHub и резюме

Профиль GitHub
  • Один сервис в закреплённых репозиториях сильнее пяти блокнотов с промптами
  • В README — схема потока: откуда пришли данные, что уходит в модель, что возвращается пользователю
  • Отдельная папка evals: вопросы, эталоны, отчёт сравнения версий
  • Раздел «Ограничения»: где сервис отказывается отвечать и почему это правильное поведение
  • docker-compose и .env.example: проект должен подниматься по инструкции, а не по переписке с автором
Резюме без коммерческого опыта
  • Не «работал с LLM», а какой сценарий закрыл, на каких документах и чем измерил результат
  • Задержка ответа и цена тысячи ответов — те цифры, за которые в AI-функции отвечают. Пиши их
  • Стек дели на два блока: сервис (Python, FastAPI, PostgreSQL, Docker) и модельный слой (LLM, RAG, LangChain)
  • Отдельной строкой — что сделал с безопасностью: права доступа к документам, проверка на prompt injection, отказ вместо догадки
  • Backend-опыт без AI ставь первым: работодатель ищет инженера, который умеет ещё и в модели
Слабое резюме

«Работал с LLM, писал промпты, собирал RAG на LangChain»

Сильное резюме

«Собрал RAG-сервис по внутренней базе документов: FastAPI, PostgreSQL, права доступа на уровне документа, ссылка на источник в каждом ответе. Golden dataset из 120 вопросов, регрессионный прогон на каждый релиз промпта — доля выдуманных ответов упала после переранжирования. Запуск одной командой через docker-compose. GitHub: [ссылка]»

Самостоятельно, курсы или вуз — какой путь выбрать

Самостоятельно
Стек открыт: модель по API, документы свои, сервис поднимается локально в Docker
Легко застрять на демо: без чужого ревью не видно, что твой RAG отвечает уверенно и неверно
Если уже пишешь на Python и не путаешь сервис с блокнотом
Курсы с ментором
Дают порядок: сначала сервис и данные, потом модель, а не наоборот
Много программ про промпты и ноль про evals, стоимость ответа и права доступа
Если проверил программу: спроси, есть ли в ней golden dataset и разбор ошибок модели
Вуз / колледж
Даёт базу, из-за которой поведение модели перестаёт быть магией: вероятности, векторы, метрики
Долго; AI-слой в программе почти всегда отстаёт от того, что спрашивают в вакансиях
Если идёшь в исследования или в компанию, где диплом — формальный фильтр
Ловушка AI-инженерии: демо вместо системы. Чат по своим документам собирается за вечер — и на этом обучение обычно кончается. Работа начинается дальше: что сервис отвечает на вопрос, которого в документах нет; кто заметит, что качество упало после смены модели; сколько стоит тысяча ответов. Без этих трёх ответов проект — скриншот, а не портфолио.
Курсы · подобрано по данным рынка

Курсы для ИИ-инженера

Сопоставили программы с реальным стеком из 72 вакансии — оценка соответствия рассчитана автоматически, это не реклама.

Все курсы →
Соответствие = доля ключевых навыков вакансий, которые закрывает программа курса. На основе 72 вакансии, обновлено автоматически.

Что спрашивают на собеседовании

LLM в проде
Типовые вопросы
  • ·Что такое окно контекста и что делаешь, когда документ в него не влезает
  • ·Как заставить модель вернуть строгую схему ответа
  • ·Модель ответила уверенно и неверно — как поймать это до пользователя
  • ·Откуда берётся счёт за токены и чем его снижают
Как показать проектом

Свой сервис: покажи схему ответа и обработку случая, когда модель её нарушила

RAG и поиск по знаниям
Типовые вопросы
  • ·Как выбирал размер куска при нарезке документов
  • ·Зачем переранжирование, если поиск уже вернул топ
  • ·Пользователь спросил про документ, к которому у него нет доступа — что делает сервис
  • ·Ответ есть, источника нет: баг или норма
Как показать проектом

RAG-проект: объясни, почему нарезал документы именно так

Качество и evals
Типовые вопросы
  • ·Что лежит в golden dataset и кто решает, что эталон верный
  • ·Как сравнить две версии промпта без ощущений
  • ·Что такое регрессия качества и как ловить её на релизе
  • ·Когда сервис обязан отказаться отвечать
Как показать проектом

Отчёт сравнения версий: покажи правку, которая ухудшила качество

Сервис и эксплуатация
Типовые вопросы
  • ·Python: асинхронный вызов внешнего API, таймауты и повторы
  • ·PostgreSQL: где хранишь историю запросов и зачем она нужна
  • ·Docker и CI/CD: как выкатываешь новую версию промпта
  • ·Провайдер модели лёг — что видит пользователь
Как показать проектом

Репозиторий: docker-compose, логи, откат на прошлую версию

Безопасность AI-функции
Типовые вопросы
  • ·Что такое prompt injection и чем от него защищаются
  • ·Как не показать одному пользователю документы другого
  • ·Персональные данные в запросе к внешней модели — твои действия
  • ·Где нужен человек в контуре, а где хватит автоматики
Как показать проектом

Раздел README про ограничения и права доступа

Сколько времени нужно, чтобы стать ИИ-инженером

Минимум
6–9 мес
Если уже пишешь backend на Python: остаются модельный слой, RAG и evals
Медиана
12–18 мес
С программирования, самостоятельно, по 2–4 часа в день: сначала сервис, потом модель
Реалистично
18–24 мес
С нуля и при совмещении с работой: инженерная база тут больше половины пути

Почему «AI-инженер за два месяца» — маркетинг. За два месяца собирают чат по документам. Всё, за что платят, лежит дальше: права доступа, evals, стоимость ответа, поведение при сбое провайдера. Это не тема урока, а месяцы практики.

Скорость решают не новые модели, а инженерная база. У человека с backend-опытом путь короче вдвое: ему остаётся понять поведение LLM, а не учиться писать сервис.

Ошибки новичков

Учат промпты вместо сервиса

Почему мешает: Работодатель ищет инженера: Python — в 68.1% вакансий ИИ-инженера, FastAPI — в 34.7%

Как исправить: Сначала рабочий API с логами и таймаутами, потом модель внутри него

Собирают демо и останавливаются

Почему мешает: Чат по документам за вечер собирает кто угодно — этим кандидат не отличается

Как исправить: Доведи один проект до evals, прав доступа и запуска через docker-compose

Живут без evals

Почему мешает: Без набора эталонов «стало лучше» — это ощущение, и на собеседовании оно слышно с первого вопроса

Как исправить: Golden dataset и регрессионный прогон на каждое изменение промпта или модели

Игнорируют цену и задержку ответа

Почему мешает: AI-функция, где ответ стоит дороже пользы, закрывается после первого счёта

Как исправить: Считай токены и задержку с первого дня, кэшируй повторы в Redis

Путают роль с дата-сайентистом

Почему мешает: Уходят в обучение моделей, а спрашивают про RAG (55.6% вакансий) и выпуск в прод

Как исправить: PyTorch (18.1%) полезен, но это не главный слой: сначала сервис вокруг готовой модели

Пропускают production-слой

Почему мешает: Docker — 51.4% вакансий, Kubernetes — 25%, CI/CD — 25%. Без них функция остаётся прототипом

Как исправить: Заверни свой сервис в контейнер, добавь сборку и откат на прошлую версию

Отдают модели то, что решается кодом

Почему мешает: LLM там, где хватит поиска или правила, — это лишняя цена, лишняя задержка и новый источник ошибок

Как исправить: На старте каждого сценария отвечай: почему тут не хватит SQL-запроса или обычного условия

Оставляют безопасность на потом

Почему мешает: Сервис показывает пользователю чужой документ или уносит персональные данные во внешнюю модель

Как исправить: Права доступа на уровне документа и проверка на prompt injection — часть первой версии, а не второй

Как SkillStat считает данные

Источник: 72 вакансии в московском сегменте. Навыки и грейды извлекаются автоматически из текста каждой вакансии.

Грейды: определяются по требованиям вакансии — уровню опыта, упоминанию «junior», «intern», «стажёр». Это рыночная оценка объявления.

Сложность входа: рассчитывается по доле junior-вакансий и медиане навыков на junior-уровне. Это индикатор, а не гарантия.

Обновление: данные пересчитываются регулярно. Текущий срез — 12 августа 2026.

Частые вопросы

Можно ли стать ИИ-инженером с нуля?
Можно, если под «нуля» понимать отсутствие коммерческого опыта, а не программирования. Junior-уровня сейчас 1 вакансия из 72: AI-функция работает с внутренними документами и отвечает клиенту от имени компании, поэтому её редко отдают новичку. Рабочий порядок — сначала Python и сервис, потом LLM и RAG.
Чем AI-инженер отличается от ML-инженера и дата-сайентиста?
Дата-сайентист ищет закономерность в данных, ML-инженер отвечает за пайплайн обучения и вывод модели в прод. AI-инженер чаще берёт готовую модель и строит вокруг неё продуктовую функцию: источники, права доступа, схему ответа, проверку качества и поведение при сбое. Поэтому рядом с LLM (65.3%) в вакансиях стоят FastAPI (34.7%) и PostgreSQL (23.6%) — сервисный стек, а не только модельный.
Чем AI-инженер отличается от NLP-инженера?
NLP-инженер владеет языковой задачей: разметка, классы, метрики по классам, качество ответа как языкового результата. AI-инженер владеет контуром: как эта функция попадает в продукт, кому видны документы, что происходит при таймауте, сколько это стоит. RAG встречается у обоих, но спрашивают о нём разное — у NLP про качество найденного контекста, тут про права доступа, откат и цену.
Нужно ли уметь обучать нейросети?
Для большинства вакансий — нет. PyTorch есть в 18.1% вакансий ИИ-инженера (13 из 72) и обычно означает соседство с ML-командой или дообучение небольших моделей, а не обучение с нуля. Минимум другой: понимать, откуда у модели берётся ответ, почему он меняется от запуска к запуску и как это измерить.
Нужен ли LangChain?
Полезен, но не обязателен: LangChain — в 54.2% вакансий ИИ-инженера (39 из 72). На собеседовании спрашивают не про библиотеку, а про схему: как нарезаны документы, как отбирается контекст, откуда взялась ссылка на источник. Собери первый RAG руками — библиотека после этого читается за вечер.
Что такое RAG и обязательно ли его знать?
RAG — это ответ модели по найденным документам, а не по памяти. В вакансиях ИИ-инженера он встречается в 55.6% (40 из 72) — самый частый прикладной сценарий после обычного вызова модели. Знать нужно всю цепочку: нарезка, эмбеддинги, поиск, переранжирование, ссылки на источник, права доступа и что делать, когда не нашлось ничего.
Нужен ли Docker и Kubernetes?
Docker — да: 51.4% вакансий ИИ-инженера (37 из 72). Kubernetes — 25%, и чаще на middle и выше. Для первого оффера хватит собрать образ, поднять сервис через docker-compose и объяснить, что происходит при рестарте контейнера.
Нужен ли SQL и PostgreSQL?
Да. SQL — в 27.8% вакансий, PostgreSQL — в 23.6% (17 из 72). AI-функция хранит историю запросов, результаты и метаданные документов, а нужный для ответа факт часто лежит в обычной таблице, а не в векторном индексе.
Нужна ли математика?
Высшая — редко. Полезнее понимать вероятность и векторное расстояние: почему модель выдаёт разные ответы на один и тот же запрос и почему близкие по смыслу тексты оказываются рядом при поиске. Если роль сдвинута в сторону PyTorch (18.1%), математики понадобится заметно больше.
Что такое evals и зачем нужен golden dataset?
Evals — проверка ответов на заранее собранном наборе вопросов с эталонами. Без них любая правка промпта, поиска или модели оценивается на глаз, и качество падает незаметно. Golden dataset собирают руками из реальных вопросов, включая те, где правильный ответ — «не знаю».
Достаточно ли уметь писать промпты?
Нет. Промпт — самая дешёвая часть работы и первая, которую меняют. Платят за остальное: откуда пришли данные, кому их можно показывать, что происходит при таймауте провайдера, сколько стоит тысяча ответов и как команда узнаёт о деградации.
Нужен ли React?
Не как основной навык, но встречается: React — в 16.7% вакансий ИИ-инженера, TypeScript — в части. AI-функцию почти всегда встраивают в существующий интерфейс, и умение самому собрать простую страницу под демонстрацию сценария ускоряет работу. На входе этого не требуют.
Сколько времени нужно, чтобы стать ИИ-инженером?
С backend-опытом на Python — 6–9 месяцев: остаются модельный слой, RAG и evals. С программирования и самостоятельно — 12–18 месяцев. С полного нуля при работе — ближе к двум годам: инженерная база тут занимает больше половины пути.
Какие проекты сделать для портфолио?
Один сервис вместо пяти демо. Опорный набор: Python, LLM, RAG. В репозитории должно быть видно источник данных, схему ответа, набор эталонов для проверки, права доступа и запуск по инструкции.
Что писать в резюме без коммерческого опыта?
Опиши свой сервис как работу: какой сценарий закрыл, на каких документах, чем измерил качество, сколько стоит ответ. Инструменты — конкретно: Python, LLM. Backend-опыт без AI ставь первым, он тут читается как плюс, а не как «не по профилю».
Где искать первые вакансии ИИ-инженера?
hh.ru по запросам «AI-инженер» и «LLM-инженер», плюс вакансии backend-разработчика, где в описании есть RAG или ассистент. Отдельно смотри компании с большой внутренней базой документов. Самый короткий путь — внутренний переход в своей же команде.
Сколько зарабатывает начинающий AI-инженер?
Ориентир для junior — 103 500–149 500 ₽ при медиане 230 000 ₽. Разбивка по грейдам и динамика — на странице зарплат ИИ-инженера.
Где посмотреть все навыки ИИ-инженера?
На странице навыков — частотность по 72 вакансии, разбивка по грейдам и связки инструментов: видно, что сервисный стек идёт вплотную к модельному. Стартовый набор на срез 12 августа 2026: Python (68.1%), LLM (65.3%), RAG (55.6%), LangChain (54.2%), Docker (51.4%).