Роль data scientist смещается от разработки моделей к управлению AI-системами

Data scientists в компаниях, где AI уже работает в продакшене, все чаще отвечают не за обучение моделей с нуля, а за надзор над ними и управление AI-инфраструктурой. Как пишет KDnuggets, данные по вакансиям и зарплатам за 2025–2026 годы показывают растущий спрос на навыки работы с LLM, prompt engineering, RAG-интеграцией, MLOps и governance-процессами. По данным LinkedIn, AI literacy и владение LLM вошли в число самых быстрорастущих навыков в мире.

Исследование Lightcast показало, что 51% вакансий, связанных с AI, теперь находятся вне традиционных IT-ролей. Специалисты с AI-компетенциями получают зарплатную премию в 56%, а вакансии с такими требованиями в США оплачиваются примерно на 18 тыс. $ в год выше. Одновременно generative AI берет на себя все больше задач начального уровня: создание дашбордов, генерацию SQL-запросов, очистку данных и базовые визуализации.

Отдельный сдвиг связан с распространением multi-agent инфраструктуры. Gartner сообщила, что число запросов по multi-agent системам выросло на 1445% с первого квартала 2024 года по второй квартал 2025 года. Компания также прогнозирует: к концу 2026 года AI-агенты будут встроены в 40% корпоративных приложений против менее 5% в 2025 году. На практике работа data scientist все больше напоминает проектирование распределенных систем. Специалисты управляют логикой взаимодействия агентов, настраивают feedback loop и определяют, где требуется обязательное участие человека.

К концу 2025 года компании столкнулись с ограничениями полностью автономных агентов. Такие системы оказались непредсказуемыми и сложными для аудита. По данным McKinsey за апрель 2026 года, роль сотрудников постепенно смещается от непосредственного выполнения задач к надзору и оркестрации agent-driven workflow. MIT Sloan и Boston Consulting Group отмечают, что слишком жесткий контроль снижает выгоду от автоматизации, а недостаточный надзор повышает compliance- и репутационные риски.