В каждом плане по развитию персонала за последние два года есть раздел про ИИ. В большинстве из них речь идёт о найме инженеров по машинному обучению.
Данные рынка труда не подтверждают, что это главное событие, и именно в разрыве между планом и данными теряются бюджеты.
Два числа, указывающих в разные стороны
По данным World Economic Forum, Future of Jobs Report 2025: 86% работодателей ожидают, что ИИ и технологии обработки информации изменят их бизнес к 2030 году, а ИИ и большие данные возглавляют рейтинг самых быстрорастущих навыков до 2030 года. На втором месте — сети и кибербезопасность.
По данным US Bureau of Labor Statistics: занятость аналитиков по информационной безопасности, по прогнозу, вырастет на 29% в период с 2024 по 2034 год — намного быстрее, чем в среднем по всем профессиям.
Первое число — про ожидания. Второе — прогноз реальной занятости в реальной профессии, и оно привязано к конкретной должности.
Работодатели ждут, что ИИ изменит всё. А профессия, которая, согласно прогнозам занятости, растёт в этой сфере быстрее всего, — та, что её защищает.
Это не противоречие. Это описание того, как внедрение технологий создаёт занятость, — и происходит это редко там, где царит ажиотаж.
Почему спрос на самом деле оседает в безопасности
Механизм прост, если его сформулировать.
Внедрение ИИ означает перемещение большего объёма данных в больше систем, соединение большего числа вещей друг с другом, открытие большего числа интерфейсов и зависимость от большего числа внешних поставщиков. Каждый из этих шагов расширяет поверхность атаки.
Добавьте к этому конкретные проблемы, которые несёт технология. Модели, обученные на данных, которые не должны утечь. Системы, которыми можно манипулировать через входные данные. Результаты, которые выглядят авторитетно и могут быть ошибочными. Цепочки поставок моделей и компонентов, происхождение которых трудно проверить.
И добавьте организационную реальность: внедрение ИИ отдаёт возможности в руки людей по всей компании, которые не обучены безопасности, причём быстро и часто через инструменты, закупленные в обход ИТ.
Поэтому волна внедрения ИИ порождает волну работы по безопасности, и эта работа измеряется в штатных единицах так, как работа над самим ИИ часто не измеряется.
Для плана по развитию персонала вывод неудобный, но полезный: если организация выделяет ресурсы на программу ИИ, но не выделяет пропорционально ресурсы на безопасность, она строит вещь, но не то, что делает эту вещь безопасной.
Три слоя компетенций в ИИ, которые нужны организации
Большинство планов смешивают эти слои, а у них совершенно разная численность персонала, профиль навыков и путь обучения.
| Слой | Чем занимаются | Нужная численность |
|---|---|---|
| Разработка | Разрабатывают и обучают модели, ведут исследования | Очень немного, и только в части организаций |
| Применение и интеграция | Разворачивают, интегрируют, эксплуатируют, мониторят, защищают | Существенная |
| Использование и оценка | Работают с системами, оценивают качество результата, знают границы | Очень много — почти все |
Первая строка — туда, куда уходит всё внимание при найме, и она же самая маленькая. Большинству организаций не нужно обучать модели. Им нужно безопасно и правильно использовать модели, созданные другими.
Вторая строка — это настоящая инженерия, и она не то же самое, что первая. Разворачивание системы, мониторинг деградации, обработка отказов, управление затратами и защита — это навыки инфраструктуры и эксплуатации, а не исследовательские навыки.
Третья строка — самая большая и наименее закрытая.
Слой, который почти никто не укомплектовывает
Оценка заслуживает отдельного раздела, потому что это компетенция, чьё отсутствие причиняет больше всего ущерба, и она почти никогда не встречается в планах по развитию персонала.
Эти системы выдают беглый, уверенный результат, который иногда бывает неверен. Ошибочность никак не обозначена. Она выглядит в точности как правильный результат.
А значит, ценность системы полностью зависит от того, способен ли кто-то отличить одно от другого, а этот кто-то должен понимать предметную область, а не модель.
Модель, которая набрасывает регламент обслуживания, полезна, если её проверяет компетентный инженер, и опасна, если её не проверяет никто. Система, которая суммирует клиническую литературу, полезна тому, кто мог бы прочитать эту литературу сам. Суждение — это механизм безопасности, и оно живёт в предметной экспертизе.
Отсюда следует самый важный вывод этой статьи о комплектовании персонала.
Отраслевой эксперт с хорошей грамотностью в ИИ обычно ценнее специалиста по ИИ без знания отрасли. Отраслевой эксперт способен заметить, что ответ неверен. Специалист — нет, и он его выпустит.
Это переворачивает вопрос обучения. Вместо найма дефицитных и дорогих специалистов по машинному обучению — обучите металлурга, технолога, врача и аналитика, которых вы уже нанимаете, компетентно и скептично работать с этими системами. Эта группа людей велика, уже трудоустроена и обладает тем, чему нельзя быстро научить.
Домен ИИ, данных и вычислений
Первый домен Astra Trainer охватывает восемь направлений: компьютерные науки, программную инженерию, искусственный интеллект и машинное обучение, наука о данных и аналитика, кибербезопасность, облачные вычисления и DevOps, ИТ-системы и компьютерные сети, а также блокчейн и распределённые системы.
Кибербезопасность и облако намеренно стоят рядом с направлением ИИ, потому что вышестоящие слои — это то, что организации на самом деле приходится укомплектовывать вместе. Треки идут от фундамента к прикладной работе, поэтому один и тот же каталог служит и отраслевому специалисту, осваивающему грамотность в ИИ, и инженеру, переходящему в безопасность. Восемь направлений можно посмотреть здесь.
Кого можно обучить этому, а кого нет
В безопасность — где дефицит острее всего. Администраторы сетей и систем — самый короткий и очевидный путь, поскольку они уже понимают инфраструктуру, которую нужно защищать. Инженеры-программисты легко переходят в безопасность приложений. Специалисты по комплаенсу, аудиту и рискам приносят половину, связанную с управлением, и им нужна техническая половина. Сотрудники службы поддержки, которых часто упускают из виду, знают инфраструктуру и пользователей и то, как вещи на самом деле ломаются, — а это настоящее преимущество.
В слой применения и интеграции. Инженеры-программисты и инженеры данных близки к этому. Так же как и специалисты по инфраструктуре и эксплуатации, потому что значительная часть эксплуатации ИИ-системы в продакшене — это операционная задача в новой терминологии.
В слой использования и оценки. Почти любой отраслевой эксперт, и это обучение с самой высокой отдачей в большинстве организаций, потому что эта группа большая, а дистанция короткая. Им нужна не архитектура моделей. Им нужно знать, что делают эти системы, где они дают сбой, как проверять результат, что в них нельзя вводить и когда эскалировать.
В разработку. Реалистично — люди с сильной количественной подготовкой, и это долгий путь. Для большинства организаций заниматься этим — неверный выбор.
О сертификации по безопасности и о специфичных для ИИ рисках. Многие роли в безопасности предполагают признанные сертификации, а некоторые отрасли требуют конкретных допусков. Обучение формирует компетенцию и готовит людей к этим путям, а не заменяет их. Отдельно: программа грамотности в ИИ, которая учит людей пользоваться этими инструментами, но не учит, что нельзя в них вводить и на что нельзя полагаться в результате, ухудшает профиль риска организации, а не улучшает его. Ограничения должны быть в первом уроке, а не в приложении.
Почему обучение по ИИ устаревает быстрее всего остального
Практическая проблема, характерная именно для этой сферы.
Инструменты, интерфейсы и возможности меняются за считанные месяцы. Обучение, выстроенное вокруг конкретного продукта, устаревает быстро, и программа, спроектированная как разовое событие, будет через год преподавать нечто устаревшее.
Два ответа в дизайне программы.
Учите устойчивый слой. Чем эти системы являются по сути, почему они дают сбои именно так, каковы последствия для данных и приватности, как оценивать результат. Это переживает цикл продукта. Расположение кнопок — нет.
Сделайте это непрерывным, а не разовым событием. Это та сфера, где непрерывное короткое обучение по-настоящему превосходит курс, потому что область меняется быстрее, чем циклы пересмотра курсов. Персонал, который занимается по несколько минут в день, остаётся примерно в курсе дела. Персонал, который прошёл двухдневный курс в 2025 году, — нет.
То же самое с ещё большей силой применимо к безопасности, где ландшафт угроз изначально состязателен и меняется непрерывно.
Что важно вынести
Работодатели ждут, что ИИ изменит их бизнес, и профессия, которая, по прогнозам, растёт в этой сфере быстрее всего, — аналитик по информационной безопасности, рост 29%.
Разделите три слоя. Почти никому не нужно разрабатывать модели. Всем нужны люди, способные их применять, интегрировать, защищать и оценивать.
Оценка — наименее укомплектованный и самый значимый слой, и он требует знания предметной области, а не знания модели.
Обучайте отраслевых экспертов, которых вы уже нанимаете. Металлург с грамотностью в ИИ превосходит специалиста по ИИ без знания металлургии, потому что только один из них способен заметить, что ответ неверен.
И стройте программу вокруг устойчивого слоя и ведите её непрерывно, потому что у всего, что привязано к конкретному инструменту, срок годности измеряется месяцами.
В чём самый большой дефицит навыков в ИИ?
По прогнозам рынка труда — в безопасности. Занятость аналитиков по информационной безопасности, по прогнозу, вырастет на 29% с 2024 по 2034 год. Внедрение ИИ расширяет поверхность атаки быстрее, чем организации успевают укомплектовать защиту.
Нужно ли нанимать инженеров по машинному обучению?
Большинству организаций нужно очень мало людей, которые разрабатывают модели, и очень много людей, способных применять, интегрировать, защищать и оценивать системы, построенные другими. Планы, которые обеспечивают ресурсами первое и упускают остальное, — типичная ошибка.
Кому проще всего перейти в кибербезопасность?
Администраторам сетей и систем — это самый короткий путь, затем инженерам-программистам в безопасность приложений, специалистам по комплаенсу или аудиту, которым не хватает технической половины. Сотрудников поддержки часто недооценивают, а они хорошо знают инфраструктуру.
Обучать отраслевых экспертов ИИ или нанимать специалистов по ИИ?
Для слоя оценки — обучайте отраслевых экспертов. Чтобы понять, что результат неверен, нужно знать отрасль, а беглость этих систем означает, что неквалифицированный рецензент пропустит ошибки.
Как поддерживать актуальность обучения по ИИ?
Учите устойчивый слой, а не интерфейс продукта, и ведите обучение непрерывно, а не разовым событием. Домен ИИ, данных и вычислений Astra Trainer охватывает восемь направлений, включая кибербезопасность и облако, и их можно посмотреть здесь.