- Роман РожковРедакция Forbes
Рынок корпоративного ИИ в России упирается не только в сами технологии, но в труд и структуру команд, поддерживающих ИИ-разработку. Годовой ФОТ команды, которая внедряет и сопровождает ИИ-решения в крупном бизнесе в России, составляет в среднем около 108 млн рублей, подсчитали в MWS AI. Эксперты, впрочем, указывают на то, что приведенные цифры скорее ориентир, чем универсальный бенчмарк, но рынок уже переходит от точечных экспериментов к системным инвестициям в собственные ИИ-компетенции
Расчет окончен
Годовой ФОТ команды, которая разрабатывает, внедряет, сопровождает ИИ-решения в крупном бизнесе в России, составляет в среднем около 108 млн рублей — такую оценку приводит MWS AI (входит в МТС Web Services, объединяет ключевые IT-активы МТС) в исследовании «К эффекту от ИИ приводит команда», с которым ознакомился Forbes. Расчет основан на зарплатных ориентирах для Москвы и гибридного формата работы на март 2026 года.
Гайдбук MWS AI объединяет анализ 142 закрытых позиций за 2025 год, материалы 147 exit-интервью с сотрудниками, открытые данные за 2024-2026 годы и интервью с руководителями ИИ-направлений крупных компаний. Авторы описали ключевые роли и составили модели команд для проверки гипотез и промышленного внедрения. Бюджеты рассчитаны по числу ставок, месячным окладам, зарплатным ожиданиям и размерам годовых премий — это ориентиры для планирования конкретного состава команды.
Согласно зарплатным ориентирам MWS AI, оклад инженера машинного обучения уровня middle составляет около 400 000 рублей в месяц, уровня senior — 550 000 рублей. Для старшего исследователя в области машинного обучения в гайдбуке указана сумма 450 000 рублей, для технического руководителя команды уровня lead — 800 000 рублей. В бюджетной модели к окладам инженеров и исследователей добавлена годовая премия в размере 25%, к окладу технического руководителя — 30%. Например, годовой ФОТ одного старшего инженера при таких условиях составляет 8,25 млн рублей.
Начать работу над первым ИИ-проектом можно с ядра из четырех специалистов: технический руководитель, ML-инженер, специалист по анализу данных и менеджер проекта. Их совокупный годовой ФОТ — около 30,5 млн рублей. Авторы рекомендуют ориентироваться на бюджет около 35 млн рублей в год. Первая задача группы — проверка конкретной бизнес-гипотезы: на этапе PoC (Proof of Concept, доказательство концепции) создают ограниченный прототип и проверяют его на реальных данных, чтобы решить, стоит ли продолжать разработку.
Другая стадия — другие цифры
Регулярная проверка гипотез потребует уже других годовых расходов и состава команды. MWS AI описывает команду из семи-девяти человек. Годовой ФОТ этого состава с премиями составляет 67,5 млн рублей. Один цикл проверки гипотезы занимает две-четыре недели. После подтверждения результата состав меняется: компания одновременно развивает продукт, подключает его к корпоративным системам, устраняет ошибки и поддерживает действующие сервисы. Переход к промышленному внедрению увеличивает годовой ФОТ на 40,7 млн рублей (примерно на 60%).
В состав из 14 штатных сотрудников, согласно данным исследования, входят руководитель ИИ-направления, архитектор, технический руководитель, продуктовый и проектный менеджеры, четыре ML-инженера, два специалиста по данным, два ИИ-тренера и промпт-инженер. Технические роли различаются по предмету: AI-инженер разрабатывает приложения на основе моделей и встраивает их в процессы, ML-инженер обучает, адаптирует и внедряет модели, AI Researcher проверяет новые методы и алгоритмы (нужен, когда проект требует собственной разработки), специалист по данным изучает данные и оценивает результаты, ИИ-тренер готовит и размечает примеры, промпт-инженер тестирует инструкции для языковой модели. На старте часть функций может выполнять один сотрудник, по мере роста задач роли разделяются.
Потребность в собственной команде зависит от объема разработки и сопровождения, констатирует руководитель отдела подбора персонала MWS AI (входит в МТC Web Services) Наталья Рейслер. По ее словам, она возникает, когда компании необходимо регулярно менять ИИ-продукт, поддерживать его интеграции и отвечать за качество действующих решений: «При использовании готовой платформы внутренние специалисты формулируют задачи, готовят данные, адаптируют приложения и оценивают результат. Если внедрение выполняет подрядчик, внутри компании все равно нужны владельцы бизнес-процесса и данных, а также специалисты, способные поставить задачу и принять работу».
Заметное влияние на ФОТ оказывает уровень нанимаемых специалистов. В расчетной модели замена одной позиции инженера уровня middle на senior увеличивает годовые расходы с премией на 2,25 млн рублей. Для четырех позиций разница составит 9 млн рублей в год при неизменной численности команды. Поэтому бюджет зависит одновременно от количества сотрудников, распределения ролей и требуемой квалификации.
Доступность вычислительных ресурсов также влияет на возможности найма. По оценке экспертов MWS AI, кандидаты уровня senior и выше все чаще учитывают наличие ресурсов для обучения моделей и проведения экспериментов наряду с зарплатой. Собственный GPU-кластер или выделенный бюджет на облачные вычисления могут стать преимуществом работодателя. Компании, которые не обеспечивают такой доступ, рискуют уступить конкурентам при найме исследователей.
Практика, мотивация и тренды
Исходя из описанной в гайдбуке практики найма, основные компании-доноры: «Яндекс», «Сбер», МТС, VK, Т-Банк. Главный вывод — замена ушедшего senior ML-инженера занимает от трех до пяти месяцев плюс онбординг (адаптация нового сотрудника в компании), поэтому удержание дешевле найма.
Что касается мотивации специалистов, то, по данным exit-интервью, причина ухода №1 — финансы (37 человек), №2 — интересные задачи (20 человек). Офер нужно формулировать под конкретный профиль, говорится в исследовании: инженеру важна инфраструктура и свобода, исследователю — GPU и публикации, руководителю — мандат и бюджет. Скорость решений критична: молчание дольше пяти-семи дней воспринимается как сигнал «компания не умеет решать».
Эксперты выделяют также тренды рынка до 2029 года, среди них, в частности, есть следующие:
- охлаждение рынка (junior перенасыщен, senior в дефиците);
- AI как базовый навык (уже в каждой второй вакансии);
- агентные системы (рынок $376 млрд, мультиагенты — стандарт);
- импортозамещение (суверенный стек уже обязателен);
- гибридизация ролей (чистые специальности теряют ценность, AI-усиленный специалист работает за двоих).
«Выглядит адекватно»
«В целом выглядит адекватно», — констатирует источник в крупной IT-компании, изучивший исследование по просьбе Forbes. Нюансы и уточнения, по его словам, следующие: «Сейчас состав команды из 14 человек выглядит как универсальная рекомендуемая конфигурация, хотя на практике набор ролей сильно зависит от задач и зрелости проекта. Например, отдельные промпт-инженер и два AI-тренера нужны далеко не каждой команде. Поэтому лучше обозначить 14 человек именно как пример расчетной модели, а не эталонный состав AI-команды».
108 млн рублей — это фонд оплаты труда, а не стоимость команды, со страховыми взносами, вычислителями и текучестью выходит 140-160 млн в год, обращает внимание директор по развитию технологий ИИ fabricaONE.AI Николай Тржаскал. Важнее другое число, говорит он: переход от «пилотов» к промышленной эксплуатации добавляет 60% к ФОТ. «Пилот» компания считает проектом с началом и концом, а эксплуатация становится обязательством без срока — пока решением пользуются, за него платят каждый год, рассуждает он.
Российский рынок вступает в фазу зрелости, и это подтверждает исследование: от точечных экспериментов бизнес переходит к системным инвестициям в собственные ИИ-компетенции, говорит заместитель гендиректора по технологиям и глава Центра гибридного интеллекта группы «Рунити» Антон Ивахненко. Приведенные цифры, по его мнению, показывают не просто «стоимость команды» — они индикатор того, что компании начинают воспринимать ИИ как полноценный производственный актив, требующий не только дорогих инженеров, но и архитекторов, проджект-менеджеров и AI-тренеров, отвечающих за предсказуемость и качество работы ИИ-систем.
Однако HR-директор компании «Софтлайн решения» (ГК Softline) Наталья Лиходиевская призывает относиться к ним именно как к ориентиру, а не как к универсальному бенчмарку. «Рынок ИИ очень быстро меняется, и данные за 2025 год уже не в полной мере отражают ситуацию 2026-го: за последний год и спрос на специалистов, и сами подходы компаний к формированию ИИ-команд заметно изменились. Кроме того, представленные уровни компенсаций соответствуют верхней части рынка — компаниям, которые конкурируют за senior и lead-специалистов с бигтехом, финтехом и enterprise, — продолжает Лиходиевская. — Для многих организаций реальный ФОТ будет ниже за счет более умеренных зарплатных вилок, переменной части, привязанной к OKR (Objectives and Key Results) или релизам, либо отсутствия переменной части как таковой и совмещения ролей на ранних этапах».
«Ключевой вывод здесь не в сумме расходов, а в цене ошибок в их распределении. Преждевременный наем исследователей под интеграцию готовых моделей или несоответствие грейдов задачам может сильно съедать бюджет, превращая эффективную команду в затратную, — размышляет Ивахненко. — Наш опыт показывает, что эффективная ИИ-команда строится не только на найме дорогих специалистов, но и на переквалификации существующих кадров и развитии внутренней экспертизы». Кроме того, критическим фактором при найме дефицитных специалистов уровня senior, которые все чаще оценивают работодателя по наличию вычислительных ресурсов, становится собственная инфраструктура бизнеса, замечает эксперт: «Инвестиции в команду и в вычислительные мощности нужно планировать вместе, а не по остаточному принципу».
Источник: www.forbes.ru
