Профессия AI-интегратор - задачи, стек, зарплаты и вход

Больше половины корпоративных ИИ-проектов умирают сразу после пилота. Довести внедрение до денег - работа AI-интегратора. Разбираем по шагам: что он делает в первую неделю проекта, на каком стеке собирают решения, как считать окупаемость до старта, сколько платят на трёх уровнях опыта и как собрать первый кейс за 90 дней.

Прошлой весной ко мне пришёл владелец сети из трёх автосервисов с формулировкой «хочу нейросеть». Через сорок минут выяснилось, что боль у него в другом месте. Заявки падают в четыре канала: телефон, мессенджер, форма на сайте и Авито. Администратор переносит их в таблицу руками, теряет примерно каждую седьмую и уходит домой в девять вечера. Обучать модель тут незачем. Нужны - готовая точка подключения к языковой модели (эндпоинт), три интеграции и неделя работы.

Зазор между «хочу ИИ» и «перестаньте терять заявки» закрывает человек, которого рынок назвал AI-интегратором. Профессия молодая, границы размытые, ерунды вокруг неё накопилось прилично. Разложу по полкам, что там внутри.

Почему компаниям нужен отдельный человек

По McKinsey State of AI за 2025 год, 88% организаций регулярно используют ИИ хотя бы в одной функции (годом раньше было 78%). Масштабировали внедрение около трети, полностью развернули по компании 7%, измеримый эффект на прибыль видят 39%. Gartner добавляет неприятного: к концу 2025 года больше половины GenAI-проектов закрылись сразу после пилота. Причины у них скучные и очень земные: качество данных, слабый контроль рисков, растущая стоимость эксплуатации, невнятная бизнес-ценность. Ни одна из них не про модель.

Воронка внедрения ИИ в компаниях: 88% пробуют, 7% разворачивают полностью

IBM в CEO Study 2025 опросила две тысячи руководителей. Половина признаёт, что спешка с инвестициями оставила компанию с лоскутным ИТ-ландшафтом, а 68% называют сквозную архитектуру данных критичной. Отсюда и вырастает роль, которую раньше отдельно не описывали: сшить данные, инструменты, регламенты и людей так, чтобы конструкция выдержала нагрузку.

Первая неделя уходит на секундомер

Нормальный интегратор в первые дни проекта не открывает ни одного API. Он ходит по отделам и замеряет:

сколько раз в день повторяется операция и сколько минут занимает повтор;
где данные лежат сейчас: CRM, гугл-таблица, папка на диске, голова Марины из бухгалтерии;
какая доля результата уходит в переделку;
кто пострадает, если задачу заберёт робот, и чем этот человек займётся вместо неё.

Последний пункт пропускают чаще всего, и зря. Айсылу Галламова, руководитель отдела обучения «Универсус», говорит об этом прямо:

«Успех интеграции зависит от доверия сотрудников компании. Если персонал видит в новых технологиях угрозу для своей карьеры, при внедрении возможен саботаж».

Я это видел: бот отвечал корректно, а операторы тихо продолжали писать клиентам руками, боясь, что метрики бота станут поводом их сократить.

Обратная крайность встречается не реже. По Work Trend Index от Microsoft и LinkedIn за 2024 год, 75% офисных специалистов используют ИИ на работе, и 78% из них тащат собственные инструменты, никого не спрашивая. Пока интегратор не выдал команде разрешённый контур, компания не знает, где лежат её данные.

Стек, на котором собирается большинство внедрений

Ничего экзотического. Оркестратор сценариев (n8n, Make, «Албато» - выбор диктуют требования к хранению данных), одна-две языковые модели через API, векторная база под базу знаний, коннекторы к CRM и мессенджерам. Сверху обязательно слой наблюдаемости, Langfuse или Helicone, чтобы видеть стоимость и качество каждого ответа.

Python нужен, но не тот, о котором думают новички. Хватает уровня «распарсить JSON, дёрнуть эндпоинт (API), привести дату к формату». Скрипты на тридцать строк, фреймворки на этом этапе избыточны.

В отрасли ходит эмпирика распределения усилий: 10% успеха даёт выбор модели, 20% данные и инфраструктура, 70% люди с их привычками. World Economic Forum в Future of Jobs 2025 называет дефицит навыков главным барьером трансформации: так ответили 63% работодателей. Барьер стоит в головах, а бюджеты уходят в лицензии.

Правило 10–20–70: успех внедрения ИИ на 70% зависит от людей

Экономика проекта на салфетке

До начала работ я считаю четыре величины. Грубо, зато вслух и при заказчике.

Стоимость ручного процесса в месяц. Операции × среднее время × стоимость часа сотрудника. У автосервиса вышло 640 заявок по 6 минут при ставке 400 ₽/час, около 25 600 ₽.
Стоимость потерь. Каждая седьмая потерянная заявка при среднем чеке 4 800 ₽ и конверсии в запись 30% давала ещё примерно 130 тысяч упущенной выручки.
Расход на токены и сервисы. Считается по факту пилота на живом трафике за две недели, цифры из прайса врут в обе стороны.
Разовая стоимость внедрения. Мои часы плюс настройка плюс месяц сопровождения.

Если окупаемость не укладывается в три месяца, я честно говорю, что проект не нужен. Отказ от одного плохого внедрения экономит репутацию на пять следующих.

Разработчик, промпт-инженер, интегратор

Разработчик моделей строит и обучает архитектуры, ему нужна серьёзная математика, горизонт проекта измеряется месяцами. Промпт-инженер вылизывает формулировки запросов и работает в горизонте минут. Интегратор собирает готовые кубики под бизнес-задачу за две-четыре недели и отвечает за то, чтобы после его ухода конструкция продолжала работать.

Разницу слышно в первом вопросе на встрече. Разработчик спросит про метрики модели. Промпт-инженер про формат ответа. Интегратор спросит, сколько денег компания теряет на этом участке за месяц.

Сколько платят и кто нанимает

Вилка по данным «Универсус» выглядит так:

опыт до года, настройка простых ботов и базовых промптов: 70–120 тысяч рублей;
от года до трёх, RAG-системы и интеграции с CRM: 120–250 тысяч;
от трёх лет, аудит предприятий и автономные агенты: 250–500 тысяч.

Зарплата AI-интегратора по уровням опыта: от 70 до 500 тысяч рублей

Вакансии называются вразнобой: «ИИ-интегратор», «ИИ-инженер», «специалист по внедрению ИИ». В мае 2026 года на работных сайтах насчитывалось около 150 таких позиций, а по более широкому срезу с требованием навыков работы с ИИ за первый квартал 2026 года вышло 16 500 предложений, в 2,7 раза больше прошлогоднего.

Нанимают агентства автоматизации, консалтинг, онлайн-школы, e-commerce и сервисные компании. Малому бизнесу почти всегда нужен один конкретный сценарий, и это лучший вход для новичка: короткий цикл сделки и живой заказчик, который сам сидит на процессе.

90 дней до первого платного проекта

Диплом никто не спрашивает. Спрашивают кейс с цифрами. Порядок, который у меня работает:

Недели 1–3. База по языковым моделям: контекстное окно, токены, температура, вывод в JSON. Параллельно один оркестратор до уровня уверенного пользователя.
Недели 4–6. Первый бот: телеграм плюс таблица плюс модель. Собирает заявку, задаёт три уточняющих вопроса, кладёт строку в базу и пингует владельца.
Недели 7–9. RAG на живых документах. Берёте чужой регламент страниц на восемьдесят, поднимаете векторную базу, прогоняете 50 контрольных вопросов и считаете долю выдумок.
Недели 10–12. Бесплатный проект местному бизнесу с замером «до» и «после». Кофейня, автомойка, стоматология в соседнем доме.

Учиться по случайным роликам на этом пути дорого: половина авторов показывает интерфейс годичной давности. Из систематизированных источников на русском я регулярно заглядываю в блог компании «Универсус»: там разбирают связки и сценарии, от ботов и RAG до ИИ в поддержке и аналитике, с оглядкой на российские реалии с доступом к моделям.

Кейс потом оформляется на одну страницу: что было, что стало, сколько часов и рублей сэкономлено, скриншот дашборда за месяц. Такая страница продаёт лучше резюме.

Что держать в голове на старте

Инструменты меняются каждые полгода, гнаться за списком модных сервисов бессмысленно. Умение за час разобрать чужой процесс на операции и назвать цену каждой не устареет. Возьмите одну нишу, найдите задачу, которая повторяется ежедневно и съедает больше часа, закройте её целиком и покажите заказчику разницу в деньгах. Дальше сарафан работает сам.

Надеюсь эта статья была Вам полезна. Успехов.

автоматизация