По февральскому опросу hh.ru, 40% россиян, которые применяют ИИ в работе, обращаются к нему ежедневно. Для многих это уже такая же привычка, как утром проверить почту. Но привычка пока остаётся поверхностной, и учиться приходится самим: по данным «МТС Линк», обучение от работодателя прошли лишь 35% тех, кто использует ИИ на работе. Остальные разбираются самостоятельно и пользуются инструментом стихийно, не задумываясь, как он меняет ценность их собственного труда.

Вместе с командой онлайн-университета «Зерокодер» разберёмся, какие задачи ИИ перехватывает первыми, где ИИ-навыки заметнее всего связаны с зарплатой, чем вайбкодинг отличается от промпт-инжиниринга и как администратор проката за месяц заработал на чат-ботах 137 тысяч рублей. А в конце подскажем, с чего начать и где искать первый проект.

Какие задачи нейросети забирают первыми

Первыми под давлением оказались задачи, которые нейросеть может выполнить почти без участия человека. В исследовании «Генеративный ИИ и рынок фриланса» аналитики онлайн-университета свели научные работы, отчётность крупнейших фриланс-бирж и российскую статистику. Один из источников показывает, что за первые 15 месяцев после появления ChatGPT заказов на написание текстов на одной из крупнейших международных фриланс-бирж стало на 33% меньше. Типовой текст для сайта или карточки товара части заказчиков теперь проще получить от нейросети, чем искать исполнителя.

Там, где ИИ ускоряет человека, картина обратная: в той же выборке заказов на видеомонтаж стало на 39% больше. Нейросети помогают монтажёру подбирать фрагменты, чистить звук и делать субтитры, но замысел, ритм и финальная сборка остаются за ним. Специалист с таким помощником успевает больше.

У этого сдвига есть и обратная сторона. Простую работу теперь может предложить почти каждый, и когда за небольшой заказ борются десятки исполнителей, он чаще уходит тому, кто согласен на меньшую сумму. Зато растёт спрос на тех, кто встраивает ИИ в процессы клиента. Бизнес платит за то, чтобы нейросеть заработала внутри его задач: разбирала обращения, заполняла таблицы, готовила отчёты.

Выходит, всё решает то, какую часть работы нейросеть может сделать без человека. Если почти всю, как с типовым текстом, такую работу заказывают реже и платят за неё меньше. Если ИИ только ускоряет специалиста, как в монтаже, спрос растёт. А встроить модель в процессы компании, проверить её выводы и отвечать за итог нейросеть пока не может, и за это бизнес готов платить отдельно. Похожая логика работает и в найме: умение пользоваться нейросетями само по себе уже мало кого выделяет, и доплачивают там, где ИИ заметно меняет результат работы. Это хорошо видно по вакансиям.

Почему ИИ чаще требуют от дизайнеров, а доплачивают аналитикам

Специалисты «Зерокодера» проанализировали 2544 вакансии и выяснили, сколько работодатели обещают платить там, где требуют работать с нейросетями, и там, где такого требования нет. Почти везде с ИИ-навыками предлагают больше, но насколько больше, сильно зависит от профессии.

Чаще всего ИИ-навыки нужны дизайнерам. Нейросети для генерации изображений напрямую ускоряют их основную работу, поэтому работодатели вписывают это умение в требования одним из первых. По данным hh.ru за первое полугодие 2026 года, на дизайнеров и художников пришлось 16% всех вакансий с упоминанием нейросетей, а на специалистов по данным только 2%. Новосибирская область лидирует среди регионов Сибири: на неё приходится 42% вакансий округа, где нужно уметь работать с ИИ.

Доплачивают же больше всего аналитикам данных. В вакансиях, где от них требуют работать с нейросетями, работодатели в среднем обещают от 133 до 202 тыс. рублей в месяц, без такого требования от 116 до 147 тыс., то есть ИИ добавляет к предложению около 27%. У маркетологов добавка почти такая же, около четверти, у СММ-специалистов около 16%. У дизайнеров она куда скромнее, около 6%: с нейросетями выше только стартовая сумма, а верхняя граница почти не отличается. У молодых специалистов широкого профиля и менеджеров по работе с клиентами разница укладывается в несколько процентов. Зато даже на старте карьеры работодатели всё чаще ждут от кандидата хотя бы базового владения ИИ.

Вероятнее всего, разницу объясняет то, насколько заметна польза от навыка. Аналитик с помощью нейросети быстрее обрабатывает данные и готовит выводы, маркетолог быстрее проверяет гипотезы и оценивает кампании, и компания может посчитать, что это ей даёт. Дизайнеру и СММ-специалисту генеративные сервисы вроде Midjourney и ChatGPT в первую очередь ускоряют производство контента. Для дизайнера такой инструмент стал базовым, как когда-то Photoshop: его ждут почти от каждого кандидата, поэтому он не выделяет человека и не даёт повода платить больше. За навык, который встречается реже и даёт измеримый результат, работодатели готовы доплачивать.

Кирилл Пшинник объясняет, куда смотреть дальше: «Если базовый уровень стал нормой, ориентир для роста логично искать на шаг впереди. Стоит посмотреть, какие инструменты и задачи появляются в вакансиях на ступень выше вашей должности, что опытные специалисты в вашей сфере уже поручают нейросетям и чем они делятся в профессиональных сообществах и на отраслевых конференциях».

Для тех, кто готов пойти дальше ежедневных задач и собирать инструменты сам, на первый план выходят два навыка.

Вайбкодер собирает инструмент, промпт-инженер проектирует систему

Вайбкодинг осваивают уже далеко за пределами ИТ. Кто слышал о нём, почти наверняка слышал и о промпт-инжиниринге. Эти термины часто путают, хотя за ними стоят разные компетенции.

Вайбкодинг позволяет собрать работающий инструмент под конкретную задачу без ручного написания кода. Человек описывает её обычным языком, нейросеть пишет программу, а он проверяет результат и просит доработать. Как правило, это точечные решения: одна задача, один инструмент.

На карточке ниже собраны реальные заказы 2026 года: для каких задач такие инструменты уже покупают и сколько за них готовы платить.

Промпт-инжиниринг начинается с умения писать для нейросети точные инструкции, а на практике вырастает в проектирование целой системы. Специалист берёт процесс, например путь клиентской заявки от первого сообщения до отчёта для руководителя, раскладывает его на шаги и для каждого подбирает решение. Где-то хватит настроенной языковой модели, где-то нужен сценарий в сервисе без программирования или связка нескольких сервисов. Затем шаги соединяются в цепочку, которая работает с минимальным участием человека, а специалист предугадывает ошибки модели и исправляет её выдумки. Если сравнивать с производством, вайбкодер собирает под задачу отдельный станок, а промпт-инженер проектирует цех, где станки связаны между собой.

Разницу легко увидеть на заказе. Просьба «сделайте интерфейс, где менеджеры будут вести заявки» решается вайбкодингом. Просьба «сделайте так, чтобы ИИ сам разбирал обращения клиентов, отвечал на типовые, передавал сложные менеджеру и раз в неделю собирал отчёт» потребует промпт-инжиниринга. На практике оба навыка часто гармонично уживаются в одном специалисте, и многие проходят путь последовательно: от инструмента под свою задачу к системе для целого отдела.

Как навык превращается в результат, видно на историях двух выпускников онлайн-университета. Оба начинали с проблемы, которую знали изнутри, но распорядились навыком по-разному: один продаёт решения чужому бизнесу, другая перестроила процесс в собственной компании.

Один из студентов, Игорь из Тюмени, работал администратором в прокате и каждый день отвечал клиентам на одни и те же вопросы. В какой-то момент он понял, что с этой рутиной живёт почти любой небольшой бизнес. Освоив разработку чат-ботов, он написал 15 знакомым предпринимателям. Первого бота для приёма заявок купил владелец проката за 25 тысяч рублей, второго по рекомендации заказал владелец автомойки. За 30 дней, по его подсчётам, три бота, поддержка и доработки принесли ему 137 тысяч рублей.

Показательнее всего структура прибыли: больше трети принесли поддержка и доработки. После запуска заказчики возвращались с новыми задачами, а за сопровождение платили отдельно. Выходит, бот для исполнителя становится услугой с продолжением, и заметную часть денег приносит работа уже после сдачи проекта. Похожие задачи есть у прокатов, автомоек и салонов в любом районе Новосибирска, так что первым заказчиком вполне может стать знакомый предприниматель.

Вторая история о том, до какого масштаба может дорасти инструмент, код которого почти целиком написал ИИ.

Анастасия 25 лет работает ведущим менеджером по персоналу в ИТ-компании на 230 человек. Требования к каждой позиции хранились в разных Excel-файлах, а повышали сотрудников во многом на глаз. Во время обучения вайбкодингу она за четыре дня, примерно за 12–18 часов чистого времени, собрала собственный сервис оценки сотрудников. Сейчас запуск согласован с владельцем компании, впереди пилот на четырёх командах.

Собственное решение понадобилось потому, что менеджер по персоналу в компании, по словам Анастасии, оказался «сапожником без сапог»: ИТ-ресурсы на кадровые проекты не выделяли, а под готовую систему пришлось бы перестраивать процессы. Теперь сервис сам рассчитывает условия перехода на следующую позицию, а финальное решение о повышении остается за руководителем

Код почти полностью написали ИИ-агенты, а модель оценки, роли участников, правила согласования и ограничения доступа Анастасия задала сама. Самым сложным оказалось проверять нейросеть без технических знаний. «Приходится доверять ИИ, но держать ухо востро: ловила его на неисполнении, на искажении логики, на ошибочных утверждениях», — признаётся она. Нейросеть пишет код, а человек задаёт логику и принимает результат.

Потолок вайбкодинга: когда одного кода от нейросети уже мало

У истории Анастасии есть и граница. Прототип она собрала сама, но подключение к рабочим системам компании, запуск на серверах и рассылку уведомлений сознательно передала администраторам и разработчикам. Пока инструмент работает на одну команду, сбой обходится недорого. Когда он подключается к данным всей компании, встают другие вопросы: как устроена архитектура, кто получает доступ к данным, что будет при отказе одного из сервисов, выдерживает ли решение требования безопасности. Одного умения получать код от нейросети здесь уже недостаточно.

Именно на этом уровне в полную силу раскрывается промпт-инжиниринг в широком смысле: ИИ-ассистенты, которые ищут ответы в документах компании, и цепочки агентов, передающих заявки и данные между отделами. Это требует проектного мышления, и осваивать его удобнее системно, с экспертом, который поможет разобрать ошибки на реальных задачах.

Но начинать с корпоративной системы необязательно. Первый шаг куда проще.

Нейросеть уже стала частью рабочего дня многих специалистов. Чтобы превратить эту привычку в навык, за который платят, нужны прежде всего любопытство и готовность пробовать. Всему остальному можно научиться, а первые шаги команда «Зерокодера» собрала для читателей в краткой памятке.