Перейти к содержимому

AI-разработчик в 2026 году: чем занимается и как им стать

7 ноября 2026 · Александр Ковалев
AI-разработчик в 2026 году: чем занимается и как им стать

AI-разработчик — это программист, который встраивает готовые нейросети в продукты: подключает модели через API, даёт им данные компании, собирает агентов и проверяет, что ответы верные и не съедают бюджет. Модели с нуля AI-разработчик не обучает — это работа ML-инженера.

Допустим, интернет-магазину нужен помощник, который отвечает покупателям про доставку и не выдумывает сроки. Сама модель уже есть. Задача AI-разработчика — подать ей правила магазина, связать с базой заказов, ограничить в действиях и доказать тестами, что она отвечает правильно.

Я делаю такую работу в собственном продукте — бесплатном плагине для WordPress SmartyPress AI Engine, который пишет статьи нейросетью: подключаю к нему модели разных компаний, настраиваю ИИ-агента и проверяю его поведение автотестами. Ниже — чем AI-разработчик отличается от ML-инженера и вайбкодера, что он делает руками, какие нужны навыки, сколько платят по данным hh.ru и Хабр Карьеры и с чего начать портфолио. Данные — на октябрь 2026 года.

Кто такой AI-разработчик

Единого названия у профессии нет: похожую работу называют «AI-инженер», «LLM-инженер», «разработчик AI-агентов» или просто «Python-разработчик» со строчкой про нейросети в требованиях. В статье карьерной платформы hh.ru о девяти направлениях работы в ИИ такой роли тоже нет: ближе всего ML-инженер и NLP-инженер, а LLM-инженер упомянут как вариант развития.

Суть у всех этих названий одна. AI-разработчик берёт модель, которую уже обучили OpenAI, Anthropic, DeepSeek, Сбер или Яндекс, и делает из неё работающую часть продукта: чат-бота, поиск по документам, генератор описаний, агента, который сам выполняет шаги задачи.

Что AI-разработчик делает руками

  • Интеграции с API моделей. Ключи, форматы запросов, потоковые ответы, повторы при ошибках, переключение между провайдерами.
  • Поиск по своим данным (RAG). Нарезка документов, эмбеддинги, поиск нужного фрагмента и подача его модели вместе с вопросом.
  • Агенты. Описание инструментов, которые модель может вызывать, ограничения прав и проверка того, что агент сделал заявленное.
  • Тесты качества. Наборы сценариев, по которым после каждой правки промпта или смены модели видно, стало лучше или хуже.
  • Учёт стоимости. Сколько стоит один запрос, один диалог и месяц работы — до запуска, а не после первого счёта.
  • Данные и безопасность. Какие данные можно отправлять зарубежному провайдеру, как не дать модели выполнить чужую команду из текста документа.

AI-разработчик, ML-инженер и вайбкодер: в чём разница

Три роли часто путают, потому что все три работают с нейросетями. Разница — в том, что каждая из них производит и за что отвечает.

Роль Чем занят Результат работы Без чего не обойтись
ML-инженер Обучает и дообучает модели на данных, подбирает алгоритмы, следит за метриками Модель с измеренной точностью Математика, статистика, фреймворки обучения
AI-разработчик Строит продукт на готовых моделях: интеграции, поиск по данным, агенты, тесты, стоимость Работающий сервис с понятным качеством и ценой Программирование, API, базы данных, оценка ответов
Вайбкодер Описывает задачу агенту для кода и принимает результат, почти не читая код Прототип или небольшая программа Умение ставить задачу и проверять результат
Промпт-инженер Пишет и проверяет инструкции для моделей Набор промптов под задачи бизнеса Понимание моделей и предметной области

Граница плавает. AI-разработчик сам постоянно пишет промпты и сам пользуется агентами для кода: я, например, пишу плагины в Claude Code каждый день. Но вайбкодер отвечает за то, чтобы программа заработала, а AI-разработчик — за то, как она ведёт себя на тысячах реальных запросов: сколько ошибается, сколько стоит и что делает, когда провайдер не отвечает.

AI-разработчик, ML-инженер и вайбкодер: три рабочих места на одном столе
ML-инженер делает модель, AI-разработчик — продукт на её основе, вайбкодер — прототип с помощью агента.

Пять задач AI-разработчика на примерах

Дальше — пять типовых задач. Где есть мой опыт, я пишу о нём; остальное — сценарии и ссылки на официальную документацию.

1. Подключить модель через API

Первое, с чем сталкивается AI-разработчик, — у каждого провайдера свой API. У меня в плагине их шесть, и снаружи это одна кнопка «сгенерировать», а внутри у каждого провайдера свои правила: способ авторизации, формат сообщений, ограничения на файлы. Например, Files API у GigaChat не принимает картинки в WebP, поэтому плагин перед отправкой делает временную копию в JPEG. А модель GigaChat 3 Ultra доступна только на новом общем адресе API api.giga.chat — со старого её не вызвать.

Отсюда первое правило: провайдеры прячут за общим интерфейсом внутри своего кода, а все различия держат в одном месте. Тогда замена модели — правка настройки, а не переписывание продукта. Помогает и то, что многие API похожи: DeepSeek, например, прямо пишет, что его API совместим с форматами OpenAI и Anthropic.

Второе правило — просить у модели строгий формат там, где ответ читает программа, а не человек. В документации OpenAI о Structured Outputs сказано, что в этом режиме модель всегда отвечает по заданной JSON-схеме, а обычный режим JSON гарантирует только корректный JSON, но не соответствие схеме.

2. Дать модели свои данные: RAG

Модель не знает ваших цен, договоров и статей базы знаний, и это вторая задача, которую AI-разработчик решает почти в каждом проекте. RAG решает её так: перед ответом система находит нужные фрагменты документов и кладёт их в запрос вместе с вопросом. Для поиска по смыслу тексты превращают в эмбеддинги — как это работает, я объяснял в статье про эмбеддинги простыми словами.

Модель не знает документов, цен и регламентов конкретной компании — их нужно ей показывать в момент вопроса. Для этого AI-разработчик собирает RAG: режет документы на фрагменты, считает для них эмбеддинги, складывает в векторную базу и перед ответом подкладывает модели самые близкие по смыслу куски. Самое трудное здесь не код, а качество поиска: нарезка, которая не отрывает оговорки от правил, гибридный поиск по смыслу и точным словам и проверка на наборе реальных вопросов — включая те, на которые ответа в базе нет.

Большинство ошибок RAG — ошибки поиска, а не модели: найден не тот фрагмент, и модель уверенно отвечает по нему. Anthropic в посте о Contextual Retrieval показала, что если добавить к каждому фрагменту короткое пояснение и совместить поиск по смыслу с поиском по словам, неудачных поисков становится на 49% меньше, а с переранжированием — на 67%. Почему модель без нужных данных начинает выдумывать, разобрано в статье о том, почему нейросеть выдумывает факты.

RAG для AI-разработчика: документы, поиск нужного фрагмента и ответ модели по нему
Сначала система находит нужный фрагмент, потом модель отвечает по нему.

3. Собрать агента

Агент — это модель, которой AI-разработчик дал инструменты: функции, которые она может вызвать сама, когда решит, что они нужны. В документации Anthropic это называется tool use: модель смотрит на запрос и описание инструмента и сама решает, вызвать ли его. Подробно о том, где агенты полезны бизнесу, — в статье про ИИ-агентов для бизнеса.

В моём плагине есть агент брифа. Он ведёт с пользователем диалог: уточняет тему, аудиторию и ключи, а в конце собирает задание на статью. В таких агентах самое трудное — не код, а поведение: агент должен задавать вопросы по делу, не зацикливаться и честно говорить, чего не знает.

Хороший ориентир — пост Anthropic Building effective agents. Его главная мысль: самые удачные решения строили не на сложных фреймворках, а на простых составных шаблонах, и начинать стоит с прямых вызовов API. Для подключения инструментов есть открытый стандарт MCP — его поддерживают Claude, ChatGPT, VS Code, Cursor и другие приложения.

4. Проверить качество ответов

Это задача, без которой AI-разработчик превращается в человека, который «попробовал — вроде работает». Для этого агента у меня есть автотесты диалогов: набор сценариев, которые прогоняются автоматически и показывают, что агент спросил и что собрал. Эталонная модель в этих тестах — DeepSeek V4 Flash; с 17 октября 2026 года DeepSeek отвечает на это имя новой версией, V4.1 Flash. gpt-4o-mini на тех же сценариях заметно слабее.

Самый показательный прогон был в сентябре 2026 года: я проверял, может ли российская модель стать мозгом агента брифа. Из пяти моделей — YandexGPT Lite, YandexGPT, GigaChat-2, GigaChat-2-Pro и GigaChat-2-Max — порог прошла только GigaChat-2-Max, и то с оговорками: она справилась примерно с половиной сценариев, а запрос к ней стоил примерно в 20 раз дороже, чем к DeepSeek.

  • YandexGPT на трети или половине вызовов отказывалась отвечать фразой «Я не могу обсуждать эту тему…». Причина оказалась в объёме правил в системном промпте, а не в каком-то слове: если убрать любые 8 строк, модель отвечала.
  • GigaChat-2 сообщала о работе, которой не делала.
  • Итог: для генерации планов и статей российские модели в плагине отключены. GigaChat оставлен для «Волшебной палочки», коротких инструментов и описаний картинок для alt.

Такие вещи видны только на полном наборе сценариев: отказ на трети вызовов легко пропустить, если вручную проверить пару диалогов. Anthropic в руководстве по оценке качества советует то же: лучше много вопросов с автоматической проверкой, чем несколько вопросов, проверенных вручную. OpenAI в своих рекомендациях прямо называет ошибкой оценку по ощущению «вроде работает». При этом сам сервис Evals на платформе OpenAI закрывают: с 31 октября 2026 года он только для чтения, а 30 ноября отключается. Держите тесты у себя в репозитории, а не в чужом облаке.

Один тест в таком наборе может выглядеть так:

{
  "id": "delivery-07",
  "question": "Успеете доставить в Тверь к пятнице?",
  "context": "faq/delivery.md",
  "must_contain": ["2–4 рабочих дня"],
  "must_not_contain": ["гарантируем", "точно успеем"],
  "max_cost_usd": 0.002
}

Тесты качества ответов модели: сценарии, прошедшие и проваленные проверки и цена прогона
Набор сценариев показывает и качество, и цену — после каждой правки промпта или смены модели.

5. Посчитать стоимость

Последняя задача — деньги, и здесь AI-разработчик отвечает за цифры, которые увидит бухгалтерия. Провайдеры берут деньги за токены — входные, то есть ваш промпт с документами, и выходные, то есть ответ. Выход обычно в несколько раз дороже входа. Как модель меряет текст токенами, я разбирал в статье про токены в нейросети. Посчитаем запрос на 3 000 токенов входа и 1 000 токенов выхода по ценам на октябрь 2026 года:

Модель Вход / выход, $ за 1 млн токенов Один запрос 10 000 запросов
Claude Haiku 5.5 0,10 / 0,50 $0,0008 $8
DeepSeek Flash, часы пик 0,30 / 1,20 $0,0021 $21
Claude Sonnet 5.5 2 / 10 $0,016 $160
Claude Opus 5.5 4 / 20 $0,032 $320

Цены — по странице цен Anthropic и странице цен DeepSeek. У DeepSeek вне часов пик всё вдвое дешевле. Разница между краями таблицы — в сорок раз, и выбор модели под задачу экономит больше, чем любая оптимизация промпта.

Второй рычаг — кэширование: если начало запроса повторяется, например одинаковый системный промпт и база правил, провайдер берёт за него меньше. У Anthropic чтение из кэша стоит 0,1 от цены входа, а у Opus 5.5 и Sonnet 5.5 — 0,05. Поэтому неизменную часть запроса держат в начале, а меняющуюся — в конце.

Стоимость запросов: лёгкая, средняя и сильная модель и экономия на кэше
Один и тот же запрос на разных моделях стоит в десятки раз по-разному.

Навыки и стек AI-разработчика

Ниже — что нужно знать, чтобы закрывать все пять задач. Это не список «выучить до собеседования», а карта: какие-то пункты вы уже знаете, какие-то освоите на первом проекте.

Область Что знать Зачем
Язык программирования Python или TypeScript и JavaScript; официальные SDK для них есть и у Anthropic, и у OpenAI, у Anthropic — ещё и для PHP Писать сам сервис, а не только промпты
Веб и данные HTTP, JSON, базы данных, очереди, повторы при сбоях Провайдеры отвечают с задержками и иногда падают
API моделей Вызов инструментов, строгий формат ответа, потоковые ответы, кэш Из этого собирается любой продукт на модели
Поиск Эмбеддинги, векторные базы, поиск по словам, переранжирование RAG и работа с документами
Оценка качества Наборы тестов, автоматические проверки, сравнение моделей Понимать, стало лучше или хуже
Безопасность Внедрение команд через текст, права агента, секреты Агент не должен делать то, чего не просили
Закон о данных 152-ФЗ: локализация и трансграничная передача Что можно отправлять зарубежному провайдеру

О безопасности стоит сказать отдельно. Агент с доступом к почте, базе или файловой системе может выполнить команду, спрятанную в тексте письма или документа. Чем больше прав, тем дороже ошибка — подробнее в статье о том, чем опасен ИИ-агент с полным доступом.

С законом то же. Часть 5 статьи 18 закона 152-ФЗ требует, чтобы запись, хранение и обновление персональных данных россиян шли в базах на территории России. А до начала трансграничной передачи оператор обязан отдельно уведомить Роскомнадзор — это часть 3 статьи 12 закона 152-ФЗ. Поэтому имена, телефоны и адреса клиентов в запросах к зарубежным моделям обезличивают или выбирают провайдера, который обрабатывает данные в России.

Что не обязательно на старте

Глубокая математика и обучение моделей с нуля нужны ML-инженеру, а не AI-разработчику. Но понимать, как модель устроена снаружи, нужно обязательно: что такое токены и окно контекста, почему одна и та же просьба даёт разные ответы, почему модель уверенно ошибается. Без этого не получится ни правильно составить запрос, ни объяснить заказчику, почему бот иногда отвечает не то.

Сколько зарабатывает AI-разработчик

Честный ответ: отдельной открытой статистики по профессии AI-разработчик я не нашёл ни у hh.ru, ни у Хабр Карьеры. Есть цифры по соседним профилям, и по ним можно ориентироваться.

Источник Что измерено Цифра Дата
Карьерная платформа hh.ru ML-инженер, зарплаты в вакансиях на hh.ru от 120 000 до 370 000 ₽ в месяц статья от 07.10.2026
Хабр Карьера Python-разработчики, медиана по анкетам 243 000 ₽, рост 6% за полгода первое полугодие 2026
Хабр Карьера Все IT-специалисты, медиана по 45 226 анкетам 191 000 ₽ первое полугодие 2026

Данные hh.ru взяты из статьи о профессиях в сфере ИИ, данные Хабр Карьеры — из отчёта о зарплатах за первое полугодие 2026 года. Учтите разницу: hh.ru считает по зарплатам, которые компании пишут в вакансиях, а Хабр Карьера — по окладам, которые специалисты сами указали в калькуляторе.

О спросе hh.ru пишет так: в январе и феврале 2026 года работодатели разместили 10 777 вакансий с требованием владеть ИИ против 9 378 за те же месяцы 2025 года. Это рост примерно на 15%, а доля таких вакансий выросла с 0,5% до 0,8% от всех. Но это вакансии, где ИИ — один из навыков, а не только вакансии AI-разработчиков.

Как стать AI-разработчиком: 6 шагов

  1. Программирование. Если вы не пишете код, начните с Python или JavaScript и доведите до уровня, когда можете написать небольшой сервис с базой данных. Агенты для кода ускоряют учёбу, но не заменяют понимание.
  2. Первый вызов API. Получите ключ у провайдера, отправьте запрос из кода, разберите ответ. Затем попросите строгий JSON по схеме и научитесь обрабатывать ошибки и таймауты.
  3. Поиск по своим документам. Возьмите 30–50 страниц реального текста — правила, инструкцию, FAQ — и соберите по ним простой RAG. Проверьте, на какие вопросы он отвечает неправильно и почему.
  4. Агент с двумя-тремя инструментами. Например, поиск по базе и создание задачи в трекере. Ограничьте права и записывайте в журнал каждый вызов.
  5. Тесты и стоимость. Сделайте 20–30 тестовых сценариев, прогоните на двух-трёх моделях и сведите в таблицу качество и цену.
  6. Публикация. Выложите проект в репозиторий с README: что делает, как проверено, сколько стоит месяц работы. Это и есть заявка на вакансию.

Портфолио AI-разработчика: 5 проектов для старта

Работодателю или заказчику мало увидеть, что бот AI-разработчика «отвечает». Им важно, что вы умеете измерять качество и цену. Поэтому каждый проект в портфолио стоит сопровождать цифрами из своих тестов.

Проект Что он показывает Чем доказать
Консультант по базе FAQ RAG, ответы со ссылкой на источник Доля верных ответов на тестовых вопросах
Классификатор заявок Строгий формат ответа, обработка ошибок Точность на размеченной выборке
Агент для CRM или календаря Вызов инструментов, ограничения прав Журнал вызовов и сценарии отказа
Сравнение трёх моделей Оценка качества и учёт стоимости Таблица: качество, цена, время ответа
Плагин или интеграция для CMS Продукт, которым пользуются люди Установки, отзывы, обращения в поддержку

Последний пункт — самый сильный, потому что это уже продукт, а не учебная задача. Мой пример — плагин SmartyPress AI Engine, который пишет и правит тексты нейросетью прямо в WordPress. Как он устроен и какие задачи решает — в кейсе в портфолио.

Ошибки начинающих AI-разработчиков

  • Проверка на глаз. Пять удачных диалогов ничего не доказывают: модель, которая отказывает на трети вызовов, как YandexGPT в моих тестах, при ручной проверке может выглядеть исправной.
  • Огромный системный промпт. Правила копятся, и в какой-то момент модель начинает отказываться или путаться. История с YandexGPT показала: дело может быть в объёме, а не в содержании.
  • Вера отчёту модели. Модель может написать «сделано», ничего не сделав, как это было с GigaChat-2. Проверяйте результат по факту: файл, запись в базе, ответ API.
  • Одна модель на всё. Для коротких правок текста и описаний картинок хватает лёгкой модели, сильная нужна там, где модель рассуждает и ведёт диалог.
  • Цена после запуска. Посчитайте стоимость запроса и месяца до того, как отдадите продукт людям.
  • Персональные данные в зарубежный API. Сначала разберитесь с 152-ФЗ, потом отправляйте.

Если хотите разобрать типовые ошибки агентов глубже, загляните в статью о том, почему ИИ-агент ошибается.

Где учиться на AI-разработчика

Самые точные учебники — документация провайдеров, потому что она меняется вместе с моделями. Начните с документации Anthropic по вызову инструментов, кэшированию и оценке качества, гайдов OpenAI по строгому формату ответов и вызову функций, документации DeepSeek и сайта стандарта MCP. Там же есть примеры кода, которые можно запускать сразу.

Если удобнее учиться с наставником на своём проекте, у меня есть личное обучение созданию сайтов, ботов и сервисов с ИИ.

Частые вопросы

Можно ли стать AI-разработчиком без опыта программирования? Можно, но путь пройдёт через программирование. Собрать прототип с помощью агента получится и без него. А вот поддерживать сервис, искать причину ошибки и считать стоимость без умения читать код не выйдет.

Чем разработчик AI-агентов отличается от AI-разработчика? Это одна и та же профессия с упором на агентов: инструменты, многошаговые задачи, права и журналы вызовов. На практике AI-разработчик делает и агентов, и всё остальное.

Какие вакансии искать AI-разработчику? Ищите сразу по нескольким названиям: «AI-разработчик», «AI-инженер», «LLM-инженер», «разработчик AI-агентов», а также вакансии Python- и бэкенд-разработчиков, где в требованиях есть работа с API моделей, RAG или агентами. Читайте не название, а обязанности: если там обучение моделей и метрики точности, это работа ML-инженера.

Нужен ли AI-разработчику английский? Читать техническую документацию — да. Документация провайдеров и стандарта MCP — в первую очередь на английском, и новое появляется там раньше, чем в переводах и курсах. Говорить свободно для старта не обязательно.

Можно ли работать только с российскими моделями? Для части задач — да. У GigaChat и YandexGPT есть API, и на коротких задачах вроде правки абзаца или подписи к картинке их хватает. Но для ведения диалога и длинной генерации ни одна из пяти протестированных мной российских моделей в сентябре 2026 года не прошла порог уверенно.

Заменит ли ИИ самих AI-разработчиков? Агенты для кода берут на себя много рутины — я сам пишу плагины в Claude Code, — но решать, что строить, как проверять качество и за что платить, по-прежнему людям. О том, какие профессии ИИ меняет первыми, — в статье о том, кого ИИ заменит первым.

Коротко

  • AI-разработчик строит продукты на готовых моделях: интеграции с API, RAG, агенты, тесты качества и учёт стоимости. Модели с нуля он не обучает.
  • От ML-инженера он отличается тем, что делает сервис, а не модель, а от вайбкодера — тем, что отвечает за качество и цену на тысячах реальных запросов.
  • Главный навык AI-разработчика — проверка: без набора тестов не видно, что смена модели или промпта сломала поведение.
  • Отдельной открытой статистики зарплат по профессии нет; ориентиры — ML-инженер на hh.ru от 120 000 до 370 000 ₽ и медиана Python-разработчиков 243 000 ₽ у Хабр Карьеры.
  • Портфолио сильнее всего, когда в нём есть цифры: доля верных ответов, цена запроса и месяца, сравнение моделей.