AI-агенты: что это за профессия, сколько платят и как туда попасть

Анализ от нашего преподавателя курса ИИ агенты ПРО (АIOps инженер WB).

1. Почему все вдруг захотели агентов
Всё началось с чатботов, и довольно быстро компании упёрлись в их потолок: бот умеет отвечать на вопросы, и на этом всё. Спросить статус заказа можно, а попросить найти заказ в базе, проверить оплату и оформить возврат уже нет. Агент как раз про второе. Он сам решает, куда посмотреть, какой инструмент дёрнуть, что перепроверить и когда пора остановиться. Если чатбот это справочная, то агент скорее стажёр, которому можно отдать задачу целиком и уйти на обед.

Как только это заработало не только в демках, за агентами пришли все, у кого много рутины. Поддержка хочет, чтобы агент сам лазил в базу заказов. Юристам нужно, чтобы он сверял договор с судебной практикой. В разработке он уже чинит issue и открывает pull request, а в аналитике превращает вопрос на человеческом языке в SQL и график. И нанимают под это давно не только Сбер с Яндексом. Из свежего: строительный стартап, медиахолдинг, исследовательский институт AIRI, Rambler.

2. Сколько платят
Цифры ниже из живых вакансий, а не из опросов. На входе 100–120 тысяч: столько предлагает ELEMENT джуну AI/ML-инженеру, причём опыт с LLM там принимают «хотя бы на уровне пет-проектов». С опытом год-три уже 150–300, это вилка того самого строительного стартапа. Старший разработчик агентов для Алисы стоит 253–508.

Чтобы было с чем сравнить: джун-аналитик данных, по данным hh, начинает с 81–109 тысяч в Москве и с 50–70 в регионах (источник). А зарплаты аналитиков в целом за полгода прибавили 5%, то есть не догнали даже инфляцию (ист). Агентные позиции стартуют примерно с тех же денег, что и московская аналитика, но дальше растут в разы быстрее. И толпы на входе пока нет.

3. Кто может этим заниматься
Порог входа здесь ниже, чем в классический ML. Градиентный бустинг наизусть и полгода матстата не понадобятся. Понадобится уверенный Python, понимание того, как устроены API, и терпение много экспериментировать, потому что с первого раза агент не работает почти никогда.

Поэтому в профессию приходят с разных сторон. Бэкендеры, для которых агент это просто ещё один сервис, только с необычной начинкой. Дата-сайентисты, уставшие двигать метрику в третьем знаке после запятой. Джуны после курсов: на классическом рынке им тесно, а тут пока свободно, дикий запад. Бывает, приходят аналитики, которые начали с промптов, потом втянулись и написали первый tool call. Из математики пригодится ровно одно: посчитать метрики качества так, чтобы не обмануть самого себя.

4. Что учить
Тут важен порядок, и большинство его нарушает. Первые недели стоит провести на чистом Python с LLM API напрямую, без единого фреймворка: собрать цикл ReAct руками, разобраться с tool calling и structured output. Кто сразу начинает с LangChain, потом не может понять, что именно у него сломалось, потому что никогда не видел, как оно устроено без обёрток. Дальше память и RAG: эмбеддинги, векторные базы, chunking. Потом уже фреймворки вроде LangGraph и smolagents, мульти-агентные схемы, MCP. И обязательно evaluation: датасет, LLM-судья, метрики. Это самая недооценённая тема во всей области. Под неё уже открывают отдельные позиции, а умеют её единицы.

Чего учить точно не надо, так это зоопарк из сорока фреймворков. Внутри они устроены одинаково, и кто один раз написал агента руками, разберётся в любом из них за вечер.

5. Что спрашивают на собесах
Вопросы уже устоялись, набор примерно такой. Как агент выбирает инструмент и что будет, если он зациклится на одном вызове. Чем ваш RAG лучше наивного и как вы это померили. Что такое prompt injection и что случится, если инструкцию спрятать в документ, который агент читает. Как сравнить две версии промпта не на глазок. И сколько стоит один прогон вашего агента в рублях.

Обратите внимание: ни одного вопроса в духе «напишите промпт».
Спрашивают про инженерию вокруг модели, и только про неё. Ответ «я собрал чатбота по туториалу» здесь не работает. А вот «вот репозиторий, вот метрики до и после» закрывает половину собеседования.

6. Что делать на работе
Промпты занимают процентов десять времени, а если писать агента с нуля, то и того меньше, один-два процента. Всё остальное выглядит куда прозаичнее. Читаешь трейсы и пытаешься понять, почему на конкретном запросе агент свернул не туда. Собираешь датасеты из реальных провалов. Гоняешь eval-пайплайн после каждого изменения, потому что поправил одно и незаметно сломал три. Режешь стоимость: кэширование, роутинг на дешёвые модели, батчи. Ставишь guardrails и проверяешь, что клиентский агент не сольёт системный промпт первому же шутнику. В общем, обычная инженерия. Просто в центре у неё недетерминированная штука, и от этого она заметно интереснее.

7. Что будет через год-два
Кое-что выглядит почти неизбежным. Обёртки вокруг API перестанут быть отдельной работой: простого агента соберёт кто угодно, а платить будут за надёжность и качество, то есть за evals и observability. Стандарты вроде MCP сделают инструменты взаимозаменяемыми, и выиграют те, кто понимает архитектуру, а не конкретный фреймворк. Ну и требования к джунам продолжат расти: то, что сегодня плюс в резюме, через год станет гигиеническим минимумом.

Сейчас спрос обгоняет предложение, и джуна с одним хорошим агентным проектом забирают быстро. Такие окна на рынке живут года два, потом закрываются.
Если хотите пройти этот путь не в одиночку: советую наш курс по AI-агентам. Шесть недель, от ReAct-агента на чистом Python до eval-пайплайна и деплоя.
➡️ Записаться.

Подписаться: @zadachi_ds