Инженер ML или инженер ИИ? Два карьерных пути, две структуры ценностей

18 мая 2026 • 6 мин чтения

Многие инженеры, обсуждающие свой следующий шаг, рассматривают его как бинарный выбор: работать ли над поиском, рекламой или системами рекомендаций (традиционный путь инженера ML) или перейти к разработке приложений на основе LLM (новый путь инженера ИИ)? Это не выбор между традиционным и модным. Это две принципиально разные структуры ценностей внутри одной компании.

Два разных двигателя

Самый простой способ понять это разделение: инженеры ML (поиск / реклама / рекомендации) строят **движок дохода**. Инженеры ИИ (приложения LLM) строят **движок возможностей**. Оба необходимы. Они оптимизируют разные вещи, зависят от разных входов и ищут разные сигналы успеха. Следующие четыре раздела сравнивают их по бизнес-ценности, техническому фокусу, организационной зависимости и личной совместимости, чтобы вы могли определить свое место.

Сравнение двух путей

1. Бизнес-ценность — Двигатель дохода против Двигателя возможностей

**ML (Поиск / Реклама / Рекомендации)** — это двигатель роста компании. Ежедневные метрики: CTR, CVR, удержание и рост дохода. Влияние измеримо и замкнуто: проведите A/B тест, посмотрите на дельту, внедрите или откатите. В большинстве интернет-компаний эта команда находится внутри основного центра прибыли. **AI (Приложения LLM)** касается организационной способности и эффективности: автоматизация обслуживания клиентов, генерация контента, сопилоты и агенты, переработка внутренних рабочих процессов. Ценность заключается в снижении затрат, увеличении производительности и новых паттернах взаимодействия с продуктом. ROI реальный, но его сложнее измерить, чем расходы на рекламу или рост рекомендаций — он проявляется по всей организации, а не в одной строке дохода. Короче: **ML строит двигатели дохода. AI строит двигатели возможностей.**

2. Технический фокус — Оптимизация модели против Оркестрации системы

**Поиск / Реклама / RecSys** — это оптимизация, основанная на алгоритмах. Основные области: извлечение, ранжирование, инженерия признаков, многокритериальная оптимизация и обслуживание с низкой задержкой. Работа заключается в непрерывной настройке сложной системы для получения предельных улучшений — +0.3%, +0.5% по метрике, которая оплачивает зарплату всем. SOTA из научных статей — это эталон, а не стремление. **AI Engineering** основан на интеграции систем. Основные области: проектирование подсказок, RAG-пайплайны, маршрутизация моделей, фреймворки агентов и автоматизация рабочих процессов. Обычно проблема не в самой модели — а в том, готовы ли окружающие системы к API, достаточно ли чисты данные для извлечения, можно ли надежно оркестрировать услуги и остается ли стоимость вывода под контролем.

3. Организационная зависимость

Системы рекомендаций могут процветать, когда инфраструктура данных и платформы экспериментов зрелы. ML-инженер, присоединившийся к компании с работающей A/B платформой, может оказать влияние за квартал. Приложения LLM отличаются. Их успех сильно зависит от **общей цифровой зрелости организации**: качество данных (для извлечения), архитектура системы (для доступа к API) и интеграция между командами (для автоматизации рабочих процессов между отделами). AI-инженер, попавший в компанию без этих основ, будет проводить большую часть своего времени на «водопроводе», а не на AI. Вот почему один и тот же сотрудник может добиться успеха в одной компании и застрять в другой.

4. Личное соответствие

**Вам может понравиться ML, если вы:** любите моделирование и метрики, глубоко заботитесь о дельтах производительности, предпочитаете долгосрочную оптимизацию системы и находите удовлетворение в движении стрелки, которая печатает деньги. **Вам может понравиться AI engineering, если вы:** любите строить новые системы с нуля, интересуетесь автоматизацией и проектированием рабочих процессов, мыслите в терминах архитектуры и оркестрации и находите удовлетворение в устранении ручных шагов, а не в улучшении метрики на 0.3%. Ни один из путей не является более «будущим-proof», чем другой. Навыки накапливаются: ML-инженер, который изучает AI-оркестрацию, становится высокоэффективным создателем продуктов; AI-инженер, который изучает ранжирование и инженерию признаков, становится редким человеком, который может выпустить систему рекомендаций следующего поколения, использующую LLM в качестве политики.

Tools & Resources

Learn about the best tools available...

Как Curify соответствует обоим направлениям

Производственный стек Curify охватывает оба направления. С точки зрения ML, /nano-banana-pro-prompts выполняет ранжирование и извлечение по корпусу из более чем 4000 подсказок, помеченных по 151 теме — классический паттерн рекомендаций. С точки зрения AI engineering, /tools/video-dubbing и пайплайн ежедневного контента — это оркестрированные рабочие процессы: клон голоса → перевод → синхронизация губ → загрузка в CDN, с авто-тегированием через gpt-4o-mini в конце. Инженеры, работающие над Curify, регулярно пересекаются между двумя направлениями — граница операционная, а не теоретическая.

Выберите двигатель, а не тренд

Если единственным критерием была бы мобильность карьеры, AI engineering сейчас выглядит очевидным ответом. Но более полезная формулировка: **какой двигатель вы хотите построить?** Двигатели дохода — это сердце того, как компании зарабатывают деньги — роль устойчива, влияние измеримо, работа глубоко техническая, а поле далеко не завершено. Двигатели возможностей — это то, как компании снижают затраты и открывают новые поверхности продуктов — роль сейчас более востребована, выигрыши накапливаются по всей организации, а работа по интеграции масштабируется с увеличением сложности компании. Ни один из выборов не является неправильным. Неправильный шаг — выбирать на основе того, что модно, а не на основе того, какой двигатель вы на самом деле хотите строить в своей карьере.