Эндрю Нг, основатель Coursera и преподаватель Stanford, проанализировал более 10 тысяч вакансий и сформулировал четыре ключевых навыка AI-разработки. Список звучит логично, но дискуссия вокруг него получилась даже интереснее самого списка: в 2026 году мало уметь собрать AI-приложение, нужно еще довести его до продакшена, объяснить бизнесу, зачем оно нужно, и не разориться на его эксплуатации.
Об этом сообщает ZDNet, разбирая свежую позицию Нга о том, какие компетенции теперь нужны инженерам. Его набор выглядит как попытка собрать базовый профиль современного разработчика, который работает с генеративным и агентным ИИ. В список вошли: умение строить и разворачивать AI-приложения; понимание фундаментальной software engineering-базы; умение работать с coding agents; а также способность влиять на саму постановку продукта, а не просто получать макет и писать код по ТЗ.
Если разложить этот список по слоям, то первая группа навыков AI-разработки относится к самим строительным блокам: LLM, context engineering, RAG, агентные workflow, машинное обучение и deep learning. Нг отдельно подчеркивает и менее хайповую, но куда более практичную часть: статистические методы, которые помогают измерять, направлять и контролировать поведение AI-систем. Это важная поправка к культуре безоглядного vibe coding, где модель пишет «что-то работающее», а команда потом неделями выясняет, почему это «что-то» ломается на реальных данных.
Второй навык из списка звучит почти скучно, но именно он, похоже, и отделяет демо от работающего продукта. Нг говорит о классических инженерных основах: архитектуре, тестировании, безопасности. Мы уже видим, как на рынке оформляется новый водораздел. С одной стороны, есть разработчики, которые умеют быстро нагенерировать интерфейс, интеграцию и пару агентов. С другой — те, кто понимает, какие компромиссы делает кодовый агент, где появятся проблемы с отказоустойчивостью, как тестировать вероятностную систему и что делать с безопасностью, когда у тебя половина логики завязана на внешний модельный слой. Для бизнеса разница между этими двумя категориями быстро становится денежной, а не академической.
Третий пункт Нга — работа с coding agents — тоже не про магию, а про дисциплину. По его логике, ценность инженера теперь не в том, чтобы вручную печатать каждый метод, а в том, чтобы иметь корректную ментальную модель работы агента: понимать его ограничения, знать, когда его надо останавливать, где следует вмешаться, а где лучше дать дойти до результата. Это уже новая производственная грамотность. Не потому, что агент «заменил программиста», а потому что без навыка управления агентом даже сильный инженер будет тратить время и токены на бесконечные итерации, которые не приближают систему к надежному состоянию.
Четвертый пункт — product sense и понимание контекста бизнеса — выглядит самым зрелым в списке. Нг прямо говорит: инженеру больше не стоит ждать идеальный дизайн и исчерпывающую постановку. В AI-разработке нужно понимать цели заказчика и сценарии пользователя еще до того, как начнется реализация. На бумаге это звучит очевидно, но именно здесь чаще всего начинается реальная боль компаний, которые массово внедряют генеративные и агентные системы. Когда команда не может внятно ответить, какую бизнес-задачу решает AI-компонент, скорость генерации кода превращается не в преимущество, а в ускоритель хаоса.
И вот здесь в разговор вмешались практики, которым приходится жить не в мире постов о будущем, а в мире корпоративного продакшена. Основатель и AI-консультант The Field CTO Энди Турай назвал подход Нга слишком сосредоточенным на этапе «день первый», то есть на сборке решения и запуске модели. По его оценке, в enterprise-среде самая сложная часть AI уже не в том, чтобы создать интеллект, а в том, чтобы оркестрировать систему, наблюдать за ней и оплачивать ее работу. И это жесткое, но точное замечание. Большая часть проблем зрелых AI-проектов лежит не в prompt engineering, а в эксплуатационной реальности: кто утверждает действия агента, как срабатывают fallback-сценарии, чем измеряется качество, где растут издержки и кто отвечает за сбой.
Похожую мысль озвучила Дипика Сидана из American Express и Society of Women Engineers. По ее словам, умения собрать AI-приложение недостаточно, если инженер не понимает бизнес-проблему, клиентский workflow, риски, требования compliance и цену ошибки. Для корпоративного сегмента это почти чек-лист на вход. Агент может красиво маршрутизировать задачу между моделями и инструментами, но если команда не учитывает ограничения отрасли, внутренние правила и последствия ошибочного действия, то продукт либо не выйдет в прод, либо быстро окажется под внутренним запретом.
На этом фоне особенно заметно, как меняется само определение сильного инженера. Турай перечисляет навыки, которые еще недавно звучали как экзотика, а теперь становятся вполне прикладными: deterministic governance, multi-agent orchestration, agent arbitration, AI FinOps, agentic observability, agentic security и интеграция AI в социотехнические системы. Формулировки местами звучат как корпоративный словарь повышенной плотности, но за ними стоит простая мысль: инновация доводит тебя до стартовой линии, а в продакшен выводят наблюдаемость, безопасность, устойчивость и управляемость затрат. Наман Ахуджа из Meta добавляет к этому еще один неприятный для романтиков тезис: самые ценные навыки AI-эпохи все чаще лежат вне традиционного кодинга. Код AI сгенерирует быстро, а вот правильно сформулировать задачу, разложить систему на части, учесть ограничения и понять, полезен ли результат в реальном контуре, по-прежнему должен человек.
Для русскоязычной IT-аудитории из этого следует довольно приземленный вывод. Навыки AI-разработки больше нельзя сводить к знанию одного фреймворка, умению прикрутить RAG и уверенной работе с модной моделью. Рынок явно двигается к спросу на инженеров, которые одновременно понимают архитектуру, стоимость эксплуатации, риски, продуктовый контекст и механику агентных систем. И чем дешевле становится генерация прототипов, тем дороже становится способность выбросить неудачный прототип вовремя, а не тащить его в прод только потому, что «оно уже почти работает».
Главный вопрос теперь не в том, какие четыре пункта попадут в очередной список must-have, а в том, кто в компании возьмет на себя ответственность за связку между AI, бизнесом и эксплуатацией. Похоже, следующий дефицитный специалист в индустрии — не просто AI-разработчик, а инженер, который умеет доводить агентные системы до предсказуемого результата, а не только до эффектного демо.