Новые профессии из-за ИИ: карта ролей, PDLC и как проходить собеседования

Разговор про «ИИ заменит профессии» обычно бесполезен: он не даёт ничего, кроме тревоги. Полезнее другая рамка — внутри компаний меняется процесс, а вместе с ним меняется список задач и появляются роли, которых три года назад не существовало. Именно эти роли сейчас и нанимают.

Что меняется внутри компании

Классический цикл создания продукта (Product Development Life Cycle, PDLC) состоит из повторяющихся шагов: понять задачу, спроектировать решение, сделать, проверить, выпустить, измерить эффект. ИИ встраивается в каждый шаг, но по-разному.

• Discovery. Синтез интервью, анализ отзывов и тикетов, гипотезы — быстрее, но появляется новая работа: проверять, не выдумал ли ИИ закономерность.
• Design. Макеты и тексты генерируются за минуты, а ценность смещается к постановке задачи и критериям качества.
• Build. Код пишется быстрее, но растёт доля ревью, тестов и разбора чужого (сгенерированного) кода.
• Test. Появляется отдельная дисциплина — оценка качества моделей: наборы проверок, метрики, ручные и автоматические прогоны.
• Launch и Measure. Нужны люди, которые считают стоимость, следят за дрейфом качества и объясняют бизнесу, что именно изменилось.

Из этого сдвига и вырастают новые профессии: работа не исчезает, а перераспределяется — часть рутины уходит в модель, а освободившееся время уходит в постановку задач, проверку и объяснение результата.

Какие роли появились

AI/LLM-инженер

Собирает рабочие сценарии поверх моделей: подбор модели, контекст, инструменты, кэширование, обработка ошибок. Отличается от классического ML-инженера тем, что чаще интегрирует готовые модели, чем обучает свои.

Инженер по оценке качества (evals)

Строит систему проверок: какие кейсы обязаны работать, как измерять регресс, сколько стоит ошибка. По сути это тестировщик, который тестирует не код, а поведение модели.

AI-продакт-менеджер

Отвечает за то, где ИИ вообще уместен: считает эффект, риски и стоимость, договаривается с юристами и безопасностью, отказывается от сценариев, которые выглядят эффектно, но не решают задачу.

Куратор данных

Отвечает за качество входных данных и разметку: что попадает в контекст, что нельзя использовать, как проверять корректность. Роль часто недооценивают, хотя именно она определяет потолок качества.

AI Ops / MLOps

Эксплуатация: версии моделей, мониторинг, стоимость запросов, задержки, откаты. Когда пилот превращается в продукт, без этого он разваливается.

Ответственный за внедрение и обучение

Помогает людям перестроить работу: регламенты, обучение, разбор ошибок, поддержка изменений. Технически простая, но самая конфликтная часть внедрения — её почти всегда недооценивают.

Какие навыки проверяют на самом деле

Вакансии пестрят названиями инструментов, но на собеседовании проверяют другое — способность довести сценарий до результата и объяснить ограничения.

1. Системное мышление. Видите ли вы путь данных: откуда приходит запрос, что попадает в контекст, где хранится ответ, кто отвечает за ошибку.
2. Работа с неопределённостью. Технологии меняются каждые полгода; проверяют умение быстро разбираться, а не знать конкретную библиотеку.
3. Постановка критериев. «Работает хорошо» — не критерий. Ценятся люди, которые предлагают измеримые проверки.
4. Экономика решения. Стоимость запроса, задержка, объём — часть инженерного решения, а не «вопрос к финансам».
5. Безопасность и данные. Что нельзя отправлять в модель, как обрабатывать персональные данные, где границы допустимого.
6. Коммуникация. Умение объяснить руководителю и команде, почему решение работает и где оно сломается.

Как проходить собеседование на AI-роль

1. Готовьте не ответы, а истории

Почти всегда просят рассказать про реальный случай. На одну историю — четыре части: задача и ограничения, что вы сделали, что получилось, что бы сделали иначе. Без последней части ответ звучит как отчёт, а не как опыт.

2. Ожидайте кейс «внедрите ИИ в процесс»

Типичная задача: «есть поддержка, 3000 обращений в день, что предложите». Хороший ответ начинается не с модели, а с вопросов: какой объём, какая стоимость ошибки, кто проверяет результат, какие данные есть. Дальше — пилот на узком сценарии и метрика.

3. Говорите про ограничения раньше, чем спросят

На интервью ценят честность про то, где решение не сработает: галлюцинации, устаревшие данные, стоимость, юридические риски. Кандидат, который сам называет границы, выглядит надёжнее того, кто обещает всё.

4. Не спорьте с терминами

Если формулировка в вопросе неточная, уточните её своими словами и идите дальше. Проверяют мышление, а не словарь: спорить о том, профессия ли «промпт-инженер», — худшая трата времени на собеседовании.

На таких интервью выигрывает не тот, кто знает больше инструментов, а тот, кто ясно объясняет: какая задача, какие ограничения, как проверим результат.

Чек-лист подготовки

1. Соберите три истории в формате «задача — действие — результат — вывод».
2. Опишите один сценарий внедрения ИИ по шагам PDLC и прикиньте метрику.
3. Сформулируйте пять проверок качества для придуманного сценария.
4. Посчитайте примерную стоимость: запросы в день × цена × запас.
5. Назовите три риска и три способа их снизить.
6. Проговорите всё вслух — и на русском, и на английском, если вакансия международная.
7. Отработайте разговор с ИИ-тренером: он задаёт уточняющие вопросы и показывает, где ответ расплывается.

Новые профессии пугают названиями, но требования у них земные: понять процесс, поставить критерии, довести до результата и объяснить это людям. Эти навыки тренируются — в том числе в разговоре: чем больше раз вы проговорите свою историю вслух, тем спокойнее будет на реальном интервью.