Введение
Data scientists, работающие с ИИ в промышленной эксплуатации, сегодня тратят больше времени на надзор за ИИ и управление системами, чем на создание моделей. Данные о вакансиях и зарплатах за 2025–2026 годы это подтверждают.
По данным LinkedIn за 2025 год, грамотность в области ИИ и владение большими языковыми моделями (LLM) стали двумя самыми быстрорастущими навыками в мире. Исследование Lightcast показало, что 51% вакансий, связанных с ИИ, теперь находятся за пределами традиционных IT-должностей.
Специалисты с навыками ИИ получают надбавку к зарплате в 56%, а должности, требующие таких навыков, в США оплачиваются примерно на $18 000 в год выше. Навыки, обеспечивающие эту премию, — промпт-инжиниринг, интеграция retrieval-augmented generation (RAG), MLOps и процессы управления. Генеративный ИИ автоматизировал задачи уровнем ниже: создание дашбордов, генерацию SQL, очистку данных, базовую визуализацию.
Во всех отчётах прослеживается одна закономерность: премия полагается не тем, кто умеет обучать модель с нуля, а тем, кто может встроить модели в рабочий процесс, обеспечить их надёжность и отвечать за результат. Это меняет суть повседневной работы data scientist'а, и далее мы разберём, на что уходят часы.
Оркестрация и управление мультиагентными системами
Самый явный сигнал — рост мультиагентной инфраструктуры на предприятиях. Фреймворки вроде LangGraph, CrewAI и AutoGen теперь берут на себя приём данных, проектирование признаков, оценку моделей и отчётность практически без участия человека.
Gartner зафиксировал всплеск запросов по мультиагентным системам на 1 445% с первого квартала 2024 по второй квартал 2025 года. Прогнозируется, что к концу 2026 года 40% корпоративных приложений будут содержать ИИ-агентов (в 2025 году — менее 5%).
Специалисты, управляющие такой инфраструктурой, разбивают сложные задачи на подзадачи, выполняемые агентами, проектируют надёжные циклы обратной связи и выстраивают защитные механизмы, предотвращающие каскадные сбои. Это набор навыков системного менеджмента, применённых к программному обеспечению.
Работа всё меньше напоминает разработку моделей и всё больше — проектирование распределённых систем. Агенты обмениваются состоянием, повторные попытки должны быть ограничены, а одна галлюцинация на входе может отравить все последующие шаги. Задача data scientist'а в такой конфигурации — определить, где допустимы ошибки, где их необходимо отловить, а какие шаги требуют подтверждения человека, прежде чем результат попадёт к пользователю.
Контроль агентов и преодоление разрыва между пилотом и производством
К концу 2025 года энтузиазм по поводу автономных агентов столкнулся с производственными реалиями. Первые полностью автономные агенты оказались непредсказуемыми, неэффективными и трудно поддающимися аудиту. Область сместилась в сторону структурированных агентских рабочих процессов: скоординированных систем из специализированных агентов с чёткими границами, условной логикой и контрольными точками с участием человека.
Исследование McKinsey за апрель 2026 года показало, что роль человека смещается от исполнения к надзору и оркестровке агентских процессов.
О масштабе проблемы говорят цифры: почти две трети предприятий проводили эксперименты с агентами, но лишь немногие смогли масштабировать их до ощутимой ценности. Восемь из десяти называют ограничения данных главным препятствием. Сейчас data scientists тратят большую часть времени на преодоление этого разрыва между пилотным проектом и промышленной эксплуатацией.
Отчёт MIT Sloan и Boston Consulting Group (BCG) «Emerging Agentic Enterprise» за 2025 год обозначил ключевой компромисс: чрезмерный контроль сводит на нет выигрыш в эффективности от автономии, а недостаточный — создаёт риски для соответствия требованиям и репутации. Калибровка этого порога требует экспертизы в предметной области и знания институционального контекста. Это не поддаётся автоматизации.
На практике выход за рамки пилота выглядит так: решить, какие решения агентов логируются, какие проверяются пакетами, а какие требуют синхронного одобрения человека перед исполнением. Компании, которым удаётся масштабироваться, — это те, где data scientists воспринимают надзор за агентами как продуктовую задачу, а не как отладку. Это иная ментальная модель по сравнению с «модель работает в ноутбуке», и именно она оплачивается.
Оценка моделей и промпт-инжиниринг
Создание модели больше не является полным объёмом работы. Компаниям нужны специалисты, которые непрерывно отслеживают производительность моделей, выявляют сбои, управляют циклами переобучения и следят, чтобы ИИ-системы оставались точными по мере изменения данных и поведения пользователей. Тем временем MLOps превратился в отдельную специализацию на полный рабочий день.
Промпт-инжиниринг развивался параллельно. Он охватывает управление контекстным окном, техники заземления, снижение галлюцинаций и систематическое тестирование входных данных на соответствие выходным. Количество вакансий в области промпт-инжиниринга выросло на 135,8% в 2025 году. Специалист, тестирующий систему запросов компании, выполняет работу, структурно схожую с инженерией качества.
Объединяет оценку и промпт-инжиниринг то, что и то и другое рассматривает модель как компонент, а не как готовый продукт. Инструменты оценки, регрессионные наборы для промптов и мониторинг дрейфа служат одной цели: поймать момент, когда система, которая раньше работала, перестаёт работать, раньше, чем это заметит клиент. Data scientists, способные создавать такие инструменты, делают работу, которая позволяет сохранить AI-функциональность работоспособной после запуска.
Управление и регулирование ИИ-систем
Управление теперь является конкретным техническим требованием. Закон ЕС об ИИ, NIST AI RMF и OWASP Top 10 для приложений LLM 2025 года создали поверхность соответствия, которая требует тестирования запросов на уязвимости к инъекциям, валидации выходных данных, проверки зависимостей и применения контроля доступа к ИИ-системам.
Появляется специальная должность «руководитель по управлению ИИ» (AI governance lead) — категория, которой практически не существовало в 2023 году. Компании, нанимающие специалистов по управлению, ищут аудиторов и рецензентов, которые понимают как бизнес-контекст, так и режимы отказов системы.
Эта роль закрепляется за data scientists, а не за юристами или службой безопасности, потому что средства контроля носят технический характер. Тесты на инъекции в запросы, валидаторы выходных данных, проверки зависимостей — всё это требует умения читать систему, а не только нормативные документы.
Работа по управлению становится частью должностных обязанностей, где давление регулирования, требования безопасности и поведение модели встречаются на одном совещании, и ведущий этого совещания должен владеть лексикой всех трёх областей.
Интерпретация влияния на бизнес
Исследование Monte Carlo за 2025 год показало, что точность агентского ИИ составляет 75–90% на каждом шаге, что в цепочке из трёх шагов даёт лишь около 50% итоговой точности.
При таком уровне точности человек, понимающий предметную область и режимы отказов системы, становится звеном надёжности продукта. Он преобразует совокупную частоту ошибок в оценку бизнес-риска, решает, что можно безопасно выпускать, и объясняет, что пошло не так, когда рекомендация приводит к проблеме, видимой клиенту.
Никакой агент не способен выполнить эту работу. Она требует институциональных знаний и ответственности, присущих только человеку.
Именно здесь роль перестаёт быть инженерной и становится продуктовым суждением. Сквозная точность в 50% неприемлема для автоматического возврата денег, допустима для черновика письма и находится где-то посередине для внутренней рекомендации. Понимание этих различий и есть работа, причём та, которая не становится дешевле по мере улучшения моделей.
Заключение
В компаниях, где ИИ работает на практике, повседневная деятельность уже отличается от того, что описано в большинстве должностных инструкций для data scientists. Она включает проектирование систем, дисциплину оценки, надзор за агентами, инженерию качества запросов и управление.
Специалисты по управлению ИИ, MLOps-инженеры и промпт-инженеры — это самые быстрорастущие роли на рынке, смежном с ИИ, прямо сейчас.
Для data scientists, планирующих следующий шаг, эту трансформацию стоит осмыслить заранее. Карьерный путь в data science теперь проходит через навыки владения системами и управления, которые большинство традиционных учебных программ не охватывают. Эти навыки можно освоить, а спрос на них растёт быстрее, чем успевают адаптироваться образовательные программы.
Практический вывод таков: следующим портфолио-проектом, вероятно, будет не очередной ноутбук Kaggle, а комплекс оценки, мультиагентный рабочий процесс с зарегистрированными сбоями или обзор управления существующей системой. Эти артефакты напрямую соответствуют тому, что HR-менеджеры сегодня вписывают в требования к кандидатам, и именно они отличают data scientist'а, который строит модели, от того, кому можно доверить их эксплуатацию.