«AI-инженер», «ML-инженер» и «Data Scientist» в вакансиях часто стоят как синонимы, а на деле это три разные профессии с разным бэкграундом, стеком и зарплатой. Путаница дорого обходится на входе: можно полгода учить не то. Разбираем по пунктам, чем они отличаются и какую роль выбирать.
Если вы только присматриваетесь к AI и хотите план входа — он в отдельном разборе как стать AI-инженером; за деньгами по ролям — в статье про зарплату AI-инженера. Здесь — про различия между самими ролями.
Коротко: кто чем занимается
| Роль | Главная задача | Чем оперирует |
|---|---|---|
| Data Scientist | Извлекать смысл из данных | Анализ, статистика, эксперименты, бизнес-метрики |
| ML-инженер | Обучать и деплоить модели | Свои модели, PyTorch, MLOps, GPU |
| AI-инженер | Строить продукты на готовых LLM | API LLM, RAG, агенты, эвал, prompt engineering |
Грубая аналогия: Data Scientist отвечает на вопрос «что говорят данные», ML-инженер — «как обучить и выкатить модель», AI-инженер — «как собрать рабочий продукт поверх уже существующих моделей».
Чем занимается каждый на практике
Data Scientist живёт в данных. День состоит из SQL-запросов, разведочного анализа, проверки гипотез, A/B-экспериментов и презентаций выводов бизнесу. Иногда строит классические ML-модели (прогноз оттока, скоринг), но фокус — на инсайтах, а не на продакшн-коде. Стек: Python, SQL, Pandas, Jupyter, статистика, визуализация.
ML-инженер превращает модели в работающую инфраструктуру. Обучает модели с нуля или дообучает, строит пайплайны обучения, оптимизирует инференс под GPU, поднимает MLOps (версионирование данных и моделей, мониторинг дрейфа). Стек: Python, PyTorch/TensorFlow, MLflow/Kubeflow, CUDA, классическая ML-математика. Часто работает с собственными моделями компании.
AI-инженер собирает продукты на базе готовых LLM — Claude, GPT, открытых моделей. Пишет RAG-поиск по данным, агентов под задачи, системы оценки качества ответов, подключает инструменты через MCP. Модели почти не обучает — берёт готовые и файнтюнит максимум по краям. Стек: Python/TypeScript, API LLM, агентные фреймворки, RAG, prompt engineering, эвал.
Главные отличия по пунктам
- Кто делает модель. Data Scientist и ML-инженер часто создают модель; AI-инженер берёт чужую готовую и строит вокруг неё продукт.
- Сколько нужно математики. Data Scientist и ML-инженер — много (статистика, линал, оптимизация). AI-инженер — минимум: понимать embeddings и attention, дальше чистая инженерия.
- Близость к продакшену. AI-инженер и ML-инженер пишут продакшн-код; Data Scientist чаще остаётся в исследовательском контуре.
- Откуда приходят. В AI-инжиниринг массово переходят backend/fullstack-разработчики. В ML и DS — выпускники профильных программ, аналитики, исследователи.
- Порог входа. Самый низкий у AI-инженера (для разработчика), выше — у ML-инженера и Data Scientist из-за математического бэкграунда.
Зарплаты: кто сколько
- На входе и middle — вилки близки, AI-инженер часто чуть выше за счёт дефицита и объёма вакансий.
- На senior+ — ML-инженер в research-командах (обучение моделей, публикации) может уходить в потолок выше, но таких позиций мало и вход тяжёлый.
- Объём рынка — у AI-инженера вакансий кратно больше, поэтому до высокого дохода он доходит чаще и предсказуемее.
Развёрнутые вилки по грейдам, типам компаний и удалёнке — в отдельной статье про зарплату AI-инженера.
Какую роль выбрать
- Заходите из backend/fullstack/devops и хотите быстро → AI-инженер. ML-математика почти не нужна, опыт инженерии переносится напрямую, дорога 4–6 месяцев.
- Любите математику, статистику, исследования, готовы к долгому входу → ML-инженер или Data Scientist. Здесь глубина бэкграунда — преимущество, а не препятствие.
- Сильны в продукте и аналитике, но не в коде → Data Scientist ближе всего.
Для большинства разработчиков в 2026 году ответ — AI-инженер: роль зрелая, спрос высокий, а имеющийся инженерный опыт работает в плюс, а не обнуляется.
Можно ли переходить между ролями
Да, роли соседние, и переходы — обычное дело:
- AI → ML. Нужно подтянуть математику, PyTorch и MLOps. Тяжелее, но реально.
- ML → AI. Проще: к сильной базе добавить LLM API, RAG и агентов.
- DS → AI. Подтянуть инженерию и продакшн-практики.
В продуктовых командах границы и вовсе размываются: один человек и эвал гоняет, и RAG пишет, и иногда модель дообучает.
Где разобраться предметно
Теория про роли читается за десять минут — а понять, какая лично вам подходит, проще в разговоре с теми, кто уже в ней работает. В IT-ХОЗЯЕВА проходят AI-беседы и практикумы по вайбкодингу, разборы карьерных треков и нетворкинг с AI- и ML-инженерами из топовых российских команд. Подобрать ментора под конкретный трек поможет база менторов и чек-лист по выбору.