Как войти в профессию, связанную с ИИ: план на 90 дней без технического образования

Разговор о профессиях в ИИ обычно ломается на двух крайностях. Первая: «нужна математика и магистратура, без этого не пустят». Вторая: «достаточно пройти курс и получать двести тысяч». Ни то, ни другое не описывает реальность, в которой люди переходят в эти роли из поддержки, редактуры, аналитики, продаж и преподавания.

Реальность проще и жёстче одновременно. Компаниям нужны не те, кто обучает нейросети с нуля, а те, кто превращает смутную задачу «хотим ИИ вот здесь» в проверяемый набор требований, примеров и критериев качества. Таких специалистов не хватает, потому что работа требует не диплома по ML, а дисциплины мышления и умения говорить с разными командами.

Кому доступны профессии ИИ, а кому они не подойдут

Полезно сразу разделить вход на три уровня: они отличаются не престижем, а тем, сколько технической подготовки нужно на старте.

Уровень входа	Что нужно на старте	Типичные роли
Без кода	Грамотная речь, внимание к деталям, умение работать по инструкции и объяснять решения	AI-тренер, оценщик ответов, куратор данных, AI-редактор, специалист по внедрению
Низкий код	Таблицы, регулярные выражения, JSON, понимание API, основы SQL, no-code-автоматизация	Аналитик качества моделей, специалист по evals, оператор данных, RAG-контент-менеджер
С кодом	Python, API и векторные базы, понимание устройства моделей и метрик	ML-инженер, инженер данных, разработчик ИИ-приложений, MLOps

Первый уровень — не «младшая версия» второго. Человек, который формулирует критерии качества и находит противоречия в инструкции, влияет на то, будет ли продукт вообще пригоден к использованию.

А теперь честно о том, кому эти роли не подойдут. Тем, кто ищет работу без решений и общения: почти все входные роли в ИИ — про согласование. Тем, кому нужен быстрый и гарантированный результат: рынок молодой, названия должностей плавают, часть вакансий — эксперимент компании. И тем, кто плохо переносит рутину: оценка ответов — это сотни однотипных задач с одинаковой планкой качества на трёхсотом примере.

Пять ролей, куда реально берут без технического образования

Названия в вакансиях отличаются: одни и те же задачи могут называться «AI trainer», «data annotator», «AI quality analyst» или «специалист по обучению ИИ». Ориентируйтесь на описание задач, а не на заголовок.

1. AI-тренер

Читает пары «запрос — ответ», сравнивает варианты, находит дефекты: выдуманный факт, нарушение инструкции, неуместный тон, пропущенное условие. Дальше пишет эталонный ответ или правит инструкцию, чтобы ошибка не повторялась. Второй пласт — придумывать сложные сценарии: где пользователь путается, злится, просит невозможного. На входе проверяют, умеете ли вы объяснить выбор по критериям, а не «мне так кажется», и найдёте ли противоречие в инструкции на страницу.

Типичная ошибка новичка — переписывать ответ под свой вкус. Оценка требует минимального вмешательства, которое снимает конкретный дефект. Второй провал — несогласованность: на первом примере вы посчитали ошибкой одно, на сороковом другое. Поэтому в таких командах есть калибровки, где оценщики разбирают одни и те же примеры и договариваются о границах.

2. Оценщик качества ответов (evals)

Отвечает не за примеры, а за систему: критерии, шкалы, представительную выборку и отчёт о том, что деградировало после изменения промпта или модели. Роль ближе к аналитике: нужны уверенные таблицы, простые метрики и умение писать выводы. Ценится способность отличить метрику, которая измеряет пользу, от метрики, которая измеряет удобство отчётности.

3. Куратор данных и базы знаний

Когда модель подключают к внутренним документам, качество ответа зависит не от модели, а от того, что ей дали на вход. Куратор убирает дубли и противоречия, размечает версии, следит, чтобы у каждого ответа был источник. Классический провал: в базе лежат две редакции регламента, модель берёт старую, поддержка отвечает клиенту по устаревшим правилам. Сюда хорошо переходят редакторы, методисты и специалисты поддержки.

4. Специалист по внедрению ИИ в процессы

Роль для компаний, где ИИ уже купили, но им никто не пользуется. Задача — найти участки, где модель экономит время, собрать пилот на десять человек, измерить эффект и превратить опыт в инструкцию. Ключевой навык разговорный: объяснить бухгалтеру, менеджеру и юристу одну и ту же вещь тремя языками и не вызвать ощущения, что их заменяют. Поэтому чаще берут людей изнутри компании.

5. AI-редактор и контент-оператор

Отвечает за то, чтобы текст на выходе соответствовал бренду, фактам и задаче: убрать лексику, которую компания не использует, проверить цифры, переписать абзац, звучащий как пресс-релиз робота. Половина работы — построение процесса: какие шаги генерации повторяются, где нужна проверка человеком. Хорошая точка входа для журналистов, филологов, переводчиков и маркетологов.

Что случилось с «промпт-инженером»

Отдельная вакансия встречается реже, чем в первые волны хайпа: написание промптов растворилось в других ролях. Как профессия оно сохранилось там, где промпты — это продукт: в командах, которые строят агентов и сложные сценарии. Вывод для входа: стройте план не вокруг названия, а вокруг навыка — формулировать задачу для модели так, чтобы результат был проверяемым.

Технический минимум, без которого не возьмут даже на «роль без кода»

«Без кода» не значит «без техники». На входных ролях спрашивают не формулы, а понимание, как устроен инструмент и где он ломается.

Как модель генерирует ответ

Достаточно рабочей модели понимания: языковая модель предсказывает продолжение текста на основе вероятностей, выученных на большом корпусе. Она не ищет факты в базе и не «знает» их в человеческом смысле. Отсюда два следствия, которые нужно объяснить своими словами: почему модель уверенно выдумывает и почему формулировка запроса меняет результат. Плюс три термина, которые спрашивают почти всегда: токен, контекстное окно и температура.

Почему модель ошибается

Ошибки делятся на группы: выдуманный факт, устаревшая информация, неверная ссылка, нарушение формата, игнорирование части инструкции, слишком общий ответ, опасная рекомендация. Работа начинается с того, что вы перестаёте говорить «модель тупит» и начинаете классифицировать: что именно произошло и на каком шаге. Классификация превращает жалобу в задачу.

RAG, метрики и выборка

RAG — когда модель сначала ищет фрагменты в ваших документах, а потом отвечает с опорой на них. Схема объясняет половину вакансий: компаниям нужны люди, которые наведут порядок в документах. Отдельно стоит разобраться, чем ручная оценка отличается от автоматической: первая дорога и субъективна, вторая быстра и легко обманывается. На практике их комбинируют, и ключевое слово здесь — «выборка»: оценка на десяти удобных примерах не значит ничего.

Данные и персональные данные

Тема, на которой валят чаще всего, причём заслуженно. Всё, что вы вставляете в сторонний чат, уходит на чужой сервер. Персональные данные клиентов, медицинские сведения, документы с ограниченным доступом и коммерческая тайна не должны попадать во внешние сервисы без правовых оснований. В российской практике это регулируется 152-ФЗ «О персональных данных»: обработка требует законного основания и согласия, а хранение и обработка данных граждан РФ имеют требования к локализации. На собеседовании такой вопрос задают, чтобы понять, поставите ли вы компанию под риск в первый же месяц.

Инструменты

Таблицы на уровне сводных, JSON как формат, идея API (запрос — ответ, ключ, лимиты), основы SQL в объёме «выбрать строки и сгруппировать», один инструмент автоматизации без кода. Этого достаточно, чтобы пройти тестовое и не выглядеть беспомощно на первой неделе.

План на 90 дней: от «читаю про ИИ» до двух приглашений на собеседование

План рассчитан на 6–8 часов в неделю, то есть на человека, который работает и учится по вечерам. За три месяца это примерно 80–100 часов. Цель скромная и проверяемая: не «освоить ИИ», а получить два-три интервью на входную роль.

Период	Что делаете	Артефакт на выходе
Недели 1–2	Разбираетесь, как работает модель и где она ошибается; выбираете отрасль и роль	Конспект на две страницы; список из 15 вакансий с разбором требований
Недели 3–4	Каждый день разбираете 5–10 ответов модели: дефект, классификация, правка	30 тест-кейсов с оценкой и комментариями
Недели 5–6	Строите критерии и шкалы, прогоняете по ним выборку, считаете результат	Мини-система оценки с выводом на страницу
Недели 7–8	Собираете базу знаний по своей отрасли и проверяете ответы с опорой на неё	Разбор: что в базе, как резали на фрагменты, где стало лучше
Недели 9–10	Делаете учебный кейс внедрения: процесс, гипотеза, пилот, метрика	Кейс на две страницы с числами «до/после»
Недели 11–12	Упаковываете портфолио, переписываете резюме, откликаетесь и репетируете интервью	Публичная страница с портфолио и резюме, три репетиции

Первые две недели — про язык, а не про карьеру: научиться отличать промпт от инструкции, RAG от дообучения, галлюцинацию от ошибки в данных. Параллельно выбираете отрасль: «ИИ в целом» на входе не продаётся, а человек, который понимает устройство поддержки в e-commerce, выглядит сильнее. Ваш прошлый опыт здесь не балласт, а преимущество.

Дальше идут артефакты. Тридцать разобранных ответов модели — уже портфолио, потому что показывают образ мышления. Система оценки превращает разрозненные мнения в измеримую величину. База знаний даёт второй артефакт под роль куратора данных. Учебный кейс с числами «до/после» показывает, что вы умеете доводить идею до измеримого результата, а раздел о данных, которые вы не стали отправлять в модель, добавляет доверия.

Последние две недели нужны не для учёбы, а для продажи: публичная страница с четырьмя артефактами, резюме под конкретную роль, пять откликов в неделю и репетиция разговора. Отклики без подготовки превращаются в тренировку на живых людях, которых у вас не так много.

Портфолио вместо опыта

На входные роли почти не берут по диплому и сертификату — берут по доказательствам мышления. Четыре артефакта из плана и есть портфолио.

1. Набор тест-кейсов. Тридцать строк: запрос, что должна была сделать модель, что сделала, тип дефекта, серьёзность, исправление. Плохо: «ответ плохой». Хорошо: «нарушен формат: требовался JSON с тремя ключами, модель вернула текст».
2. Разбор ошибки и правка инструкции. Как нашли, почему возникает, что изменили, что улучшилось и что осталось сломанным. Последний пункт обязателен: он показывает, что вы не продаёте волшебство.
3. Мини-система оценки. Критерии, шкалы, выборка, таблица результатов и вывод на полстраницы. Из критериев должны вытекать выводы, а из выводов — действия. «Нужно улучшить качество» — не вывод.
4. Кейс внедрения с метрикой. Процесс до, гипотеза, ограничения, результат «до/после» и раздел о данных, которые сознательно не отправляли в модель. Даже учебный кейс работает: проверяют не масштаб, а способ рассуждать.

Одной публичной страницы достаточно: кто вы, в какой области разбираетесь, четыре блока со ссылками, контакт. Не стоит собирать сто промптов, выкладывать скриншоты чатов без разбора или показывать только удачные примеры — это не отвечает на главный вопрос нанимающего: сможет ли человек принимать решения о качестве, когда рядом некому подсказать.

Резюме, вакансии и разговор о переходе

Самая частая ошибка — писать резюме «широко, чтобы подошло везде». В ИИ это не работает: роли разные, и менеджер ищет совпадение по задачам, а не по энтузиазму.

Ищите не одно название, а группу: AI trainer, AI quality analyst, quality rater, AI content editor, AI adoption specialist, knowledge manager, куратор базы знаний, специалист по обучению ИИ. Добавьте к запросу свою отрасль — «ИИ поддержка», «ИИ медицина», «ИИ банк»: так находятся вакансии, где прошлый опыт становится преимуществом. В требованиях отделяйте обязательное (понимание критериев, аккуратность, готовность к рутине) от желательного (конкретные инструменты, которые осваиваются за неделю).

Строка опыта пишется по формуле «задача — действие — результат»: не «отвечал на обращения клиентов», а «разбирал 40 обращений в день, собрал базу типовых ответов на 60 сценариев, время ответа на частый вопрос сократилось вдвое». Отдельный блок «Проекты в ИИ» — четыре артефакта со ссылками и строкой результата у каждого. Сопроводительное письмо — четыре коротких абзаца: роль и одна конкретная деталь о компании, что у вас уже есть со ссылкой на портфолио, как переносится прошлый опыт, что готовы сделать на входе.

Собеседование на входную роль в ИИ

Теорию спрашивают редко. Обычно дают материал и смотрят, как вы рассуждаете. Чаще всего это три задания.

Оценить два ответа модели. Дают запрос и два варианта с просьбой выбрать лучший. Проверяют не вкус, а умение выстроить критерии: назвать, что требовалось (факты, формат, тон, полнота), сравнить по каждому пункту и объяснить, в чём проигрывает отвергнутый вариант. Ответ «первый понятнее» проигрывает ответу «первый точнее по фактам и держит формат, второй лучше по тону, но ошибается в сумме — для возврата это критично».

Найти дефект в инструкции. Дают страницу правил. Типичные дефекты: противоречие между пунктами, критерий, который невозможно проверить, отсутствие обработки исключения, слишком широкое правило. Инструкция, которую два человека применяют по-разному, ломает всю оценку — поэтому этот навык ценят выше умения писать красивые промпты.

Мини-кейс внедрения. «Поддержка получает пятьсот обращений в день, хотим отвечать быстрее. Что предложите?» Хороший ответ начинается не с «подключим модель», а с вопроса «какие обращения самые частые и какова цена ошибки в каждом типе». Дальше — гипотеза, метрика, ограничения, план пилота.

Структура ответа на любой вопрос: тезис — аргумент — пример — вывод. Сначала короткий прямой ответ, потом причина, потом случай из вашего портфолио, потом вывод одной фразой. И переспрашивайте: «уточню, под качеством вы имеете в виду точность фактов или соблюдение формата» — это признак того, что вы будете задавать такие вопросы в работе, а не угадывать.

Спросите у нанимающего три вещи: как выглядит успех в первые три месяца, кто принимает решение в спорных случаях и что сейчас болит сильнее всего. И держите в голове красные флаги: разметка без критериев и калибровок, «делать всё, что связано с ИИ» без команды и метрик, обещание роста в ML-инженера без единого инженера в компании, плата за обучение перед трудоустройством.

Репетируйте разговор заранее. Импровизация на первом живом интервью — плохая стратегия. Проговорите ответы вслух, а затем пройдите полный диалог с ИИ-тренером: он задаёт вопросы, вы отвечаете, после разговора смотрите разбор — где ответ провис и где не хватило примера.

Сколько это занимает и сколько стоит

Реалистичный срок перехода без технического бэкграунда — от трёх до шести месяцев при 6–8 часах в неделю: три месяца на навыки и портфолио, ещё один-два на отклики и тестовые. Разговоры про «смену профессии за три недели» относятся к другому жанру.

Деньги на старте почти не нужны: документация моделей, открытые гайды компаний, бесплатные версии инструментов и открытые материалы по оценке качества закрывают большую часть программы. Платить имеет смысл за подписку на модель, если не хватает бесплатного лимита, и за разовую консультацию человека, который уже работает в роли. Не нужно покупать курс «профессия будущего» с обещанием трудоустройства и «сертификат промпт-инженера»: на входные роли смотрят на артефакты и на то, как вы говорите.

И терпение. Первые двадцать откликов могут не дать ни одного ответа — рынок молодой, а часть вакансий закрывается внутренними кандидатами. Ориентир не отказы, а количество разговоров: если после десяти интервью вы не понимаете, чего не хватает, значит, пора собирать обратную связь и переделывать портфолио.

Риски, о которых не рассказывают на курсах

• Часть ролей временная. Массовая разметка и простая оценка автоматизируются и дешевеют. Устойчивее выглядят роли, где нужны суждение, предметная экспертиза и ответственность за решение.
• Автоматическая оценка меняет работу. Модель всё чаще работает «первым фильтром», а человек смотрит спорные случаи. Рутины меньше, но нужно уметь проверять саму проверку.
• Потолок на входе существует. Однотипная разметка по чужому чек-листу упирается в потолок за два года. Хорошая входная роль отличается наличием критериев, калибровок и понятного пути роста.
• Давление «делай больше». ИИ ускоряет работу, и это быстро превращается в ожидание, что человек будет делать вдвое больше за те же деньги. Спрашивайте на собеседовании, как в команде измеряют нагрузку.
• Инфопродукты вокруг темы. Гарантированное трудоустройство, зарплаты в рекламе без источника, отзывы только скриншотами, «осталось два места» — признаки того, что вам продают воздух. Попросите показать три портфолио выпускников, которые сейчас работают в роли.

Чек-лист первой недели

1. Выберите отрасль, в которой уже разбираетесь, и одну входную роль.
2. Выпишите пятнадцать реальных вакансий и подчеркните повторяющиеся требования.
3. Объясните вслух своими словами, что такое токен, контекстное окно и температура.
4. Составьте список из десяти типов ошибок модели, с которыми уже сталкивались.
5. Разберите пять ответов по схеме «запрос — ожидание — факт — дефект — исправление».
6. Заведите таблицу для тест-кейсов и добавьте первые пять строк.
7. Запишите правило, какие данные в вашей работе нельзя отправлять во внешние сервисы.
8. Посмотрите, как устроена открытая база знаний по вашей отрасли.
9. Сформулируйте фразу о себе: «я разбираюсь в X и хочу отвечать за качество ИИ-ответов в X».
10. Прогоните разговор о переходе вслух и запишите вопросы, которые поставили в тупик.

Вопросы, которые задают чаще всего

Можно ли войти в профессию ИИ без технического образования?

Да, на входных ролях — AI-тренер, оценщик качества ответов, куратор базы знаний, специалист по внедрению, AI-редактор. Диплом по машинному обучению не требуется, но нужна техническая грамотность: понимание, как модель генерирует ответ, где ошибается, что такое контекст, RAG и метрики качества.

Нужно ли учить Python?

Для ролей без кода достаточно таблиц, JSON и понимания идеи API. Python нужен, если вы двигаетесь в сторону автоматизированной оценки, инженерии данных или разработки ИИ-приложений.

Сколько времени занимает переход?

От трёх до шести месяцев при 6–8 часах в неделю: три месяца на навыки и портфолио, ещё один-два на отклики, тестовые и поиск.

Что важнее: сертификат или портфолио?

Портфолио. На входные роли смотрят на разбор ответов, систему критериев и кейс внедрения, потому что по ним видно, как вы принимаете решения. Сертификат помогает пройти первичный фильтр, но разговор всё равно будет про практику.

Какую роль выбрать первой?

Ту, где прошлый опыт становится преимуществом: поддержка и продажи переходят в AI-тренера и внедрение, редакторы и переводчики — в AI-редактора и куратора базы знаний, аналитики — в оценку качества.

Как отличить хорошую вакансию от тупиковой?

Есть описанные критерии качества, есть калибровки и человек, принимающий решения по спорным случаям, и понятно, куда расти через год. Разметка по инструкции без описания процессов и без команды ведёт к потолку.

Что дальше

Начните с одного действия сегодня: выпишите пять ответов модели, которые вас раздражали, и рядом — что именно было не так. Через неделю у вас будет список дефектов, через месяц — таблица на тридцать строк, через три — портфолио, с которым можно идти на интервью.

Если хочется сначала увидеть картину целиком, прочитайте карту новых профессий вокруг ИИ: там разобрано, как меняется цикл создания продукта и какие роли появились на каждом шаге. Для разговорной части пригодятся подготовка к собеседованию и материал про софт-скиллы, а для тренировки живого диалога — режим «Тренер» в HintMeTalk AI.