Два в одном: как ИИ меняет обучение ИТ-специалистов

Раньше компании искали сотрудников определенной специализации – теперь все чаще нужны профессионалы с компетенциями как минимум из двух смежных областей. Найти их сложно, поэтому работодатели обучают специалистов с базовой профессией под свои потребности. Как организовать такое обучение с помощью ИИ, рассказывает Евгения Сковородько, руководитель направления развития компетений IT_ONE.

Внедрение искусственного интеллекта (ИИ) и усиление автоматизации требует новых компетенций. Например, по данным исследования Bain & Company, 44% руководителей компаний во всем мире считают ключевым препятствием для внедрения генеративного ИИ отсутствие внутренних экспертов по нейросетям. В "Авито Работа" подсчитали, что в 2025 году количество вакансий с упоминанием навыков применения ИИ выросло на 90% по сравнению с 2024 годом.

Все чаще встречаются вакансии на стыке двух-трех классических специальностей. Например, разработчик с пониманием ИБ, аналитик с навыками работы с ИИ-инструментами или инженер инфраструктуры с опытом развертывания ML-сервисов. Почему так происходит?

Еще несколько лет назад ИТ-команды строились по простой модели – у каждого была своя четкая зона ответственности. Разработчик писал код, аналитик собирал требования, DevOps отвечал за инфраструктуру, а безопасность контролировала отдельная команда. Сегодня границы постепенно размываются, все чаще в вакансиях мы видим FullStaсk.

Например, практически в каждом проекте появляются требования по информационной безопасности. Но при этом далеко не всегда речь идет о полноценной роли ИБ-специалиста. Чаще компаниям нужен разработчик или аналитик, который понимает базовые принципы обеспечения безопасности. Например, знает, как правильно работать с данными, доступами и архитектурой системы. Именно это дополнительное знание становится решающим фактором при выборе кандидата на проект.

Все больше проектов связано с машинным обучением (ML) и генеративным ИИ, но далеко не всегда компаниям нужен специалист по работе с данными (Data Scientist). Намного чаще требуется инженер, который сможет встроить модели в существующую инфраструктуру. Отсюда, например, появился спрос на MLOps – специалистов, которые работают на пересечении DevOps и машинного обучения и настраивают инфраструктуру для работы моделей.

Таким образом, растет спрос на специалистов с сильной базой в одной области и дополнительными компетенциями в смежных.

Как работает корпоративное дообучение

На рынке мало ИТ-специалистов, способных выйти за рамки конкретного направления. Поэтому компаниям приходится брать инициативу в свои руки – развивать навыки сотрудников под свои задачи. Это касается не только стажировок для студентов. Все больше программ ориентированы на тех, у кого уже есть опыт, но не хватает дополнительных компетенций. Точечное обучение позволяет быстро закрыть эти пробелы.

Такие образовательные программы строятся по нескольким принципам. Во-первых, обучение проходит в небольших группах, обычно до пяти человек. Это позволяет ментору работать с каждым участником индивидуально.

Во-вторых, курс связан с реальными задачами. Программы могут меняться в зависимости от того, какие специалисты нужны командам прямо сейчас. Обучающиеся часто присоединяются к текущим проектам. В этом случае после окончания обучения их гораздо проще интегрировать в команды.

В-третьих, обучение не заканчивается вместе с курсом. Даже после завершения программы специалисты сохраняют доступ к материалам и могут обращаться к менторам за консультацией.

В-четвертых, обучение построено по модульному принципу. Первая ступень – освоение Python как рабочего инструмента. С ним специалист уже готов к подключению к проектам в роли Python-разработчика. Если появляется потребность в компетенциях дата-инженера, обучение продолжается в рамках модуля "работа с данными и инфраструктурой". Это позволяет быстро "собирать" специалиста под конкретную задачу по принципу конструктора.

Как ИИ меняет обучение

Когда компании начинают сами готовить специалистов, они сталкиваются с другой проблемой – скоростью адаптации образовательного контента к потребностям компании. Например, в IT_ONE программы обучения разрабатывали классическим способом. Собиралась команда экспертов, они формировали структуру курса, затем каждый готовил материалы для своего блока. После нескольких итераций согласования программа запускалась. Это требовало времени. Первый большой трек по системному анализу формировался примерно три месяца.

Со временем стало понятно, что такой подход не обеспечивает нужной скорости. Кроме того, эксперты заняты на проектах, и у них нет возможности глубоко вовлекаться в разработку курсов. А потребность в новых специалистах возникает постоянно. Поэтому мы начали перестраивать процесс – подключили ИИ к анализу текущих и будущих вакансий, а затем формированию усредненного портрета специалиста. Этот портрет отражает, какие навыки должны быть на старте и чему человека нужно доучить.

Затем стали использовать ИИ:

• для формирования "скелета" образовательной программы
• для написания лонгридов для обучения стажеров
• для создания тестов и практических заданий.

Все материалы, созданные ИИ, проверяют, корректируют и дополняют эксперты. Таким образом, они превратились из "писателей" в редакторов и архитекторов. Эксперты не создают с нуля – они проверяют и улучшают созданное ИИ, значительно минимизируя рутинные операции.

Эффект от использования ИИ

Мы видим ряд позитивных эффектов у нового подхода. Скорость разработки курсов выросла в разы. Программа может быть готова за две-три недели. Это, в свою очередь, позволило перейти к более коротким форматам обучения. Вместо больших курсов на несколько месяцев появляются треки на четыре-шесть недель (а иногда и двухнедельные программы для специалистов, у которых уже есть хорошая база). Например, только с начала 2026 года мы выпустили три программы: по DevOps, аналитике и дата-инженерии. Сейчас запущены еще две программы по DevOps. Нам удалось значительно снизить бюджет на разработку обучающих курсов, сохраняя при этом их качество.

ИИ помогает не только создавать образовательные программы, но и может упростить процесс обучения. Но не везде он приветствуется. В DevOps ИИ полезен – здесь важно не запоминать решение, а уметь быстро находить подходящий вариант и применять его на практике. В изучении языков программирования лучше воздержаться – специалист должен глубоко освоить базовые навыки и уметь писать код самостоятельно. В целом, ИИ – это не волшебная таблетка. Это инструмент, который работает только в связке с экспертизой.

Таким образом, меняется логика карьеры в ИТ. Вместо длинных образовательных треков появляются короткие циклы обучения под конкретные задачи бизнеса. ИИ помогает запускать такие программы быстрее и дешевле, а для специалистов главным становится не столько фиксированный набор навыков, сколько способность быстро осваивать новые.