Зарплата — 500 тыс. руб.: какой IТ-специалист сильно выиграл от бума ИИ

Еще пару лет назад в рейтинге дефицитных кадров в IТ безоговорочно лидировали инженеры DevOps (оптимизируют выпуск IТ-продуктов, автоматизируя развертывание и управление инфраструктурой) и DevSecOps (интегрируют безопасность в разработку, ускоряя выпуск надежного ПО).

Сегодня на первый план вышла новая специальность — MLOps. Это гибридная роль на стыке машинного обучения (ML), инфраструктуры и data‑инженерии. Предложения для опытных MLOps могут превышать 500 тыс. руб.

ИИ подстегнул спрос на MLOps-инженеров вдвое

В России спрос на MLOps растет взрывными темпами: количество вакансий в сфере ML и анализа данных за последние два года увеличилось в два раза. По данным hh.ru, в 2024–2025 годах публиковалось 80–100 вакансий MLOps в месяц. В марте 2026 года только активных — более 250.

В 2026 году публичные площадки часто не обеспечивают нужного качества откликов, поэтому компании переносят поиск на собственные сайты, в IТ-аутсорсинг и закрытые каналы в соцсетях. Спрос правильнее анализировать, ориентируясь на комплекс источников данных: на запросы заказчиков на поиск специалистов в области MLOps, на данные hh.ru, «Хабр Карьеры», LinkedIn и на закрытую внутреннюю статистику компаний, занимающихся поиском кадров.

По нашим данным, за последний год число запросов на подбор MLOps выросло в 2–2,5 раза. Для сравнения: количество популярных вакансий, например Java-разработчиков, за последний год сократилось примерно на треть.

За дефицитных IТ-специалистов конкурируют крупные корпорации, банки, финтех и IТ-компании. Компании перестали измерять успех количеством обученных ИИ-моделей и начали оценивать вклад в выручку. Бизнес также осознал, что до 80% моделей не доходят до продакшена, то есть так и не начинают работать в реальных бизнес-процессах и обрабатывать настоящие запросы пользователей. Это приводит к прямым финансовым потерям. В этих условиях MLOps‑инженер — способ защитить инвестиции в ИИ, поскольку он нужен, чтобы модель машинного обучения не осталась красивым прототипом, а начала реально работать и приносить пользу.

Сколько стоит внедрение ИИ: от пилота до промышленного масштаба

Образование

При этом рынок оказался не готов к появлению роли, требующей одновременно глубокого понимания ML, инженерии данных и инфраструктурной экспертизы. Подготовить такого специалиста за короткое время на курсах невозможно. Нужен реальный опыт работы с продакшен-инфраструктурой. DevOps-инженеры часто не понимают специфику ML-цикла, а Data Scientists не умеют строить отказоустойчивые системы. Бизнес уже нуждается в опытных внешних специалистах, способных привнести лучшие практики и масштабировать процессы.

Кандидаты оперативно реагируют на изменения рынка и готовы перепрофилироваться под новые требования. Однако каждая из специальностей, являющихся донорами для MLOps (DevOps-инженеры с Python/ML, Data Engineers), сама по себе дефицитна.

Зарплаты растут вразрез c рынком

Работодатели готовы переманивать специалистов: на кандидатов MLOps часто претендуют сразу несколько компаний. И хотя деньги не всегда являются главным мотиватором и рост зарплаты при переходе не обязателен, но из-за борьбы «офферов» он встречается часто. Это происходит на фоне противоположного тренда: даже опытные кандидаты все чаще соглашаются на снижение зарплатных ожиданий. Например, медианные «офферы» Senior Java-разработчиков сократились на 14,7%. В 2025 году они составляли 428 тыс. руб., а в 2026 году — уже 365 тыс. руб. в месяц, по данным нашего зарплатного исследования.

Уровень дохода начинающего MLOps соответствует среднерыночному — от 130 тыс. руб. При этом многие приходят в MLOps со значительным опытом, поэтому MLOps может получить предложение в размере 350 тыс. руб. даже на middle-уровне, если имеет достойный опыт в финтехе, ретейле и производстве. Инженеры со стажем более четырех лет на senior- или lead-позициях могут претендовать на 500 тыс. руб. и больше.

Из-за дефицита специалистов минимальный срок закрытия вакансий MLOps составляет один-два месяца. В сложных случаях (высокий уровень seniority, уникальный опыт) поиск может затянуться до трех-шести месяцев.

Задача — получить пользу от ИИ

MLOps‑инженер выстраивает «конвейер»: настраивает автоматическую подачу данных, запуск обучения, тестирование и обновление модели без участия человека.

Он организует процессы таким образом, чтобы:

• модель можно было легко масштабировать при росте нагрузки;
• отслеживать ее «здоровье» в реальном времени;
• при необходимости быстро откатить к предыдущей версии;
• обеспечить отказоустойчивость и высокую доступность ML-сервисов.

Задачи те же, но знания глубже: требования к грейдам

За последние четыре года требования к MLOps-инженерам существенно изменились.

Если 2022 году функционал был сосредоточен на инфраструктуре и преобладали такие требования, как знание Python, облаков (AWS/GCP), мониторинг метрик производительности моделей), то к 2023–2024 годам добавились задачи по автоматическому контролю изменений в данных, A/B-тестированию моделей, выстраиванию этики ИИ.

Ключевым сдвигом стала стандартизация инструментов. Появились зрелые open-source-решения (Kubeflow, MLflow, Feast, DVC), которые позволили строить воспроизводимые конвейеры обучения моделей. Произошел сдвиг в сторону LLMOps, AIOps: промпт-инжиниринга и более глубокой проработки вопросов безопасности (защита от атак).

ИИ не заменит IT-менеджеров, но поможет компаниям сэкономить на миддлах

Образование

В зависимости от грейда требования меняются. Junior начинает с выполнения базовых задач под руководством опытного наставника, поэтому от него ждут быстрой обучаемости, внимания к деталям и навыков базовой коммуникации в команде.

• Hard skills: знание Python и связанных библиотек, базовые инструменты контейнеризации и контроля версий (Docker, Git), интерактивная разработка (Jupyter), простые платформы создания моделей и системы оркестрации рабочих процессов.
• Знания: основы машинного обучения (подготовка данных, построение моделей), операционная система Linux и облачные платформы (хранилище AWS S3 или аналогичные в Google Cloud Platform).

Кандидаты, способные самостоятельно проектировать и внедрять пайплайны, могут претендовать на middle-вакансии.

• Hard skills: оркестрация контейнеризированных приложений (Kubernetes), автоматизация непрерывной интеграции и доставки (CI/CD), облачные платформы машинного обучения, системы контроля версий моделей, а также работа с базами данных и процессами подготовки данных (ETL).
• Знания: системы мониторинга, подход «инфраструктура как код» и сравнительное тестирование моделей (A/B-тесты).

Senior/Lead MLOps выступает архитектором систем и работает на уровне стратегии для всей компании, поэтому, помимо лидерства и наставничества, должен иметь «прокачанное» бизнес-мышление.

• Hard skills: полный набор платформ операций машинного обучения (типа Kserve и Seldon), глубокая экспертиза в продвинутых облачных сервисах, распределенное обучение моделей (с использованием инструментов Ray и т.п.) и меры безопасности.
• Знания: разработка масштабируемой архитектуры систем, оптимизация затрат на инфраструктуру, соблюдение нормативов защиты данных (аналог GDPR) и интеграция с производственными IТ-системами.

Сеньоров работа найдет сама

Наиболее ценные кандидаты чаще всего не откликаются на вакансии. Они уже работают, успешно решают сложные задачи и не испытывают острой нужды в смене места. При этом они регулярно получают предложения от работодателей. Дефицит кадров дает таким специалистам возможность выбирать, а не просто хвататься за первую высокую зарплату.

Однако «рынок кандидата» в полной мере работает только для опытных инженеров — с грейдом middle (от трех лет коммерческого опыта) и выше. Начинающие MLOps-специалисты ищут работу активно и конкурируют за места.

При этом рекрутеры все чаще уходят от массового скрининга резюме в пользу точечного поиска через личные связи и закрытые каналы. Открытые площадки становятся лишь базой, а основная охота идет там, где специалисты делятся кодом, обсуждают архитектуры и помогают друг другу советами. Приведу основные источники, где рекрутеры и «хантеры» собирают информацию о невидимках:

• прямой поиск в LinkedIn, hh.ru (как базовый инструмент) — здесь проверяют актуальность профиля, опыт и рекомендации, но на отклики почти не рассчитывают;
• GitHub и GitLab — для оценки реального кода, архитектурных решений и вклада в open‑source. DevOps, Data- и ML‑специалисты, у которых чистые репозитории, автоматически попадают в шорт-лист;
• Kaggle — для Data Scientists и ML‑инженеров: участие в соревнованиях и качественные ответы на сложные вопросы говорят об экспертизе громче резюме;
• профессиональные сообщества: Slack/Discord‑чаты по DevOps, Kubernetes, ML; телеграм‑группы по DevOps, Data, Security, MLOps. Здесь рекрутеры не пишут вакансии в лоб — они наблюдают за дискуссиями, видят, кто помогает другим, аргументирует решения и демонстрирует глубину понимания. И только потом делают персонализированное предложение.

MLOps становится ключевым звеном перехода ИИ из экспериментов в промышленную эксплуатацию. Крупные компании уже конкурируют за таких специалистов. Ожидаемая волна слияний и поглощений в IТ и спрос на технологический суверенитет усилят конкуренцию. MLOps — стратегический ресурс, а не просто дефицитная роль.