Нанять ML-команду или отдать разработку AI на аутсорс: как решить и к кому обратиться

Нанимайте собственную ML-команду, если AI — это то, за что платят ваши клиенты, а модели будут годами требовать работы каждую неделю. Отдавайте разработку на аутсорс, если вам нужны одна-две AI-системы внутри уже налаженных процессов, а руководить нанятыми ML-специалистами или оценивать кандидатов в компании некому. Выбирая исполнителя, ищите компанию, которая может показать выведенную ею в прод AI-систему, которой до сих пор пользуются каждый день, и пропишите в договоре передачу вам кода, файлов модели и оценочного набора.

Кто нам нужен: ML-исследователи или инженеры, которые строят системы на готовых моделях?

Большинству компаний, которые задают этот вопрос, не нужно, чтобы кто-то изобретал или обучал новую модель. Им нужна система, которая берёт готовую модель, подаёт ей их документы, тикеты или транзакции, проверяет то, что получилось на выходе, и кладёт результат туда, где сотрудники уже работают. Это инженерная работа вокруг модели, и нанимать под неё нужно других людей, чем под исследования.

Обучение собственной модели окупается в основном тогда, когда модель и есть то, что покупают клиенты, и требует много размеченных данных. Работа на готовой модели — будь то сервис провайдера или модель, которую вы скачиваете и запускаете на своих серверах, — требует людей, которые связывают системы, проверяют качество ответов и поддерживают ПО в рабочем состоянии. Решите, какой из двух вариантов вам нужен, прежде чем писать описание вакансии или звонить партнёру.

Из кого на самом деле состоит собственная ML-команда?

Один ML-инженер — ещё не команда. Модель в проде встроена в большой объём обычного ПО, и люди, которые это ПО строят и эксплуатируют, составляют большую часть команды. Архитектурное руководство Google по MLOps говорит об этом так: «Лишь малая часть реальной ML-системы состоит из ML-кода. Необходимые элементы вокруг него обширны и сложны».

Команда, которая может без посторонней помощи построить и эксплуатировать одну систему в проде, закрывает четыре роли:

• Руководитель, который может спланировать работу и оценить кандидатов на ML-позиции. Без этого человека компания не отличит сильного кандидата от просто уверенного в себе
• ML-инженеры, которые выбирают модель, готовят данные, пишут оценочные тесты и улучшают результаты
• Инженер данных, который извлекает чистые и разрешённые к использованию данные из уже работающих у вас систем и следит, чтобы они поступали без перебоев
• Инженер, который отвечает за инфраструктуру: серверы или облачные аккаунты, выкатку, мониторинг и алерт, срабатывающий, когда ответы модели становятся хуже

В небольшой команде один человек может совмещать две из этих ролей, но все четыре не совмещает никто. Ещё одна роль находится на стороне бизнеса, и никакой наём её не заменит: человек, который решает, что считать правильным ответом.

Сколько стоит собственная ML-команда?

Зарплаты — обычно самая крупная статья расходов, и публичные данные дают точку отсчёта. Бюро статистики труда США (BLS) не публикует отдельных данных о зарплатах инженеров машинного обучения. По ближайшим профессиям, которые оно охватывает, медианная годовая зарплата в мае 2025 года составляла $120 230 у специалистов по анализу данных, $135 980 у разработчиков ПО и $140 300 у исследователей в области компьютерных и информационных наук.

Это медианы по профессиям США в целом. Люди, которые уже выводили ML-системы в прод, — более узкая группа, а ваше местоположение и нужный вам уровень специалистов сдвигают цифру в любую сторону.

Зарплата — это не вся стоимость сотрудника. По данным BLS, в июне 2026 года по всем рабочим местам частного сектора США заработная плата составляла 70,0% расходов работодателей на оплату труда, а остальные 30,0% приходились на социальные льготы.

Помимо зарплат, есть и другие расходы:

• Подбор на каждую роль и задержка, которую незакрытая позиция руководителя создаёт для каждого следующего найма
• Вычислительные мощности для экспериментов и для прода, которые растут по мере использования
• Инструменты для разметки данных, отслеживания экспериментов и мониторинга ответов
• Часы ваших собственных сотрудников, которые в первые месяцы пишут правильные ответы и проверяют вывод модели
• Команда, рассчитанная на разработку, — часто больше, чем требуется для эксплуатации готовой системы

В этой статье нет вилки цен на аутсорсинг: ни одна компания не может честно назвать цену работы, пока не увидела задачу, правила работы с данными и объём.

Когда имеет смысл нанимать собственную ML-команду?

Наём окупается, когда работа не заканчивается никогда, а знания стоит удерживать внутри компании:

• Клиенты платят за то, что делает модель. Конкуренты могут купить те же базовые модели, что и вы, поэтому то, что ваша команда делает поверх них, и есть то, что вы продаёте
• Моделям нужно внимание каждую неделю. Руководство Google по MLOps называет две причины, по которым падает качество работы модели: неоптимальный код и «постоянно меняющиеся профили данных». Там, где данные всё время смещаются, переобучение и повторное тестирование — постоянная работа
• У вас есть данные, которых нет ни у кого. Людей, которые изучат их особенности, становится трудно заменить, и работать они должны у вас
• Вы можете первым нанять опытного руководителя и удержать его. Остальная команда строится вокруг этого человека

Если верны первые два пункта, нанимайте. Внешние инженеры всё равно могут ускорить старт, пока ваша команда формируется.

Когда отдать разработку AI на аутсорс — лучший выбор?

Аутсорсинг подходит, когда AI — инструмент внутри бизнеса, а не сам бизнес:

• Вам нужны одна-две системы, например для чтения входящих документов или сортировки тикетов поддержки, а не постоянный поток новых моделей
• Основная часть работы — подключение модели к системам, которые у вас уже работают, например к хелпдеску, хранилищу документов или основной базе данных. Компания, которая делает это регулярно, уже сталкивалась с вашими проблемами интеграции
• В компании некому руководить нанятыми ML-специалистами или оценивать кандидатов. Нанять команду, которой вы не можете управлять, — дорогой способ узнать, что вам нужен был партнёр
• Вы хотите понять, решается ли задача вообще, прежде чем брать на себя обязательства по зарплатам. Первая система, построенная внешней командой, отвечает на этот вопрос на ваших собственных данных

В ту же сторону указывает и одна публичная цифра. В отчёте MIT NANDA «The GenAI Divide», опубликованном в июле 2025 года и основанном на интервью в 52 организациях, инструменты генеративного AI, купленные у внешних поставщиков или разработанные вместе с ними, доходили до внедрения примерно в 67% случаев — против примерно 33% у инструментов, полностью созданных своими силами. Авторы оговаривают, что цифры получены со слов самих респондентов, и предупреждают, что часть разрыва может быть связана с самими организациями.

У аутсорсинга своя цена: знание о том, как устроена система, находится вне вашей компании, пока кто-нибудь не перенесёт его внутрь.

Можно ли отдать на аутсорс первую AI-систему, а позже нанять команду, которая станет её владельцем?

Да, и для компании, которая рассчитывает эксплуатировать систему годами, это часто самый безопасный порядок. Внешняя команда строит первую версию, а вы нанимаете двух-трёх человек во время разработки, а не после неё. Они делают ревью кода, участвуют в проектных решениях, а ближе к концу сами эксплуатируют систему, пока команда исполнителя наблюдает.

Это работает, только если передача прописана в договоре как список того, что вы получаете и можете использовать без исполнителя:

• Исходный код в ваших собственных репозиториях, со всей историей
• Сама модель — везде, где модель обучали или дообучали: файлы модели, настройки, с которыми они получены, и данные, на которых её обучали, или описание этих данных
• Промпты и конфигурация, версионируемые вместе с кодом, который их использует
• Оценочный набор: реальные примеры с согласованными правильными ответами и скрипт, который оценивает по ним систему
• Пайплайн данных и письменные правила о том, какие данные куда могут уходить
• Пошаговые инструкции (runbook) для выкатки, для отката и на тот день, когда модель начнёт давать плохие ответы

Проверьте лицензию каждой базовой модели в этом пакете, потому что её условия распространяются на всё, что построено на её основе. Лицензия Llama 3.3 от Meta, например, гласит, что если вы используете Llama, чтобы «создать, обучить, дообучить или иным образом улучшить AI-модель, которая распространяется или делается доступной, вы также обязаны указать „Llama“ в начале названия любой такой AI-модели».

Что спросить у подрядчика по разработке AI до подписания договора?

Задайте каждой компании-кандидату одни и те же вопросы — письменно:

• Покажите нам одну AI-систему, которую вы вывели в прод и которой до сих пор пользуются каждый день. Что она делает, кто её сегодня эксплуатирует и что происходит, когда модель даёт неверный ответ?
• Куда будут попадать наши данные во время работы, включая логи, тестовые копии и всё, что используется для настройки модели? Покинет ли что-то из этого наши серверы или аккаунты и пойдёт ли на улучшение инструментов, которыми вы пользуетесь для других клиентов?
• Как вы будете измерять качество результатов? Мы ожидаем оценочный набор, собранный из наших собственных примеров и согласованный до начала разработки, с проходным баллом
• Что именно мы получим в конце и смогут ли наши собственные инженеры эксплуатировать и менять систему без вас?
• Какие из ваших собственных компонентов останутся в системе? Назовите каждый из них и условия, на которых мы сможем его использовать

Обратите внимание и на то, что спрашивает у вас каждая компания. Та, что уже строила подобное, спрашивает о вашей задаче и ваших данных раньше, чем называет модель.

Какие тревожные сигналы стоит замечать, отдавая разработку AI на аутсорс?

• В предложении названа модель ещё до того, как кто-то посмотрел ваши данные
• Цифры точности приводятся без тестового набора или с тестовым набором, который подрядчик выбрал сам
• Договор разрешает использовать ваши данные для улучшения общих инструментов подрядчика или ничего об этом не говорит
• Никто не спрашивает, кто будет эксплуатировать систему после запуска
• Пункт о владении оставляет за подрядчиком «нашу платформу» или «наши компоненты», не перечисляя, что это такое
• Модель, обученная на заказ, — первый ответ на любую задачу. Подрядчик должен объяснить, почему готовая модель не подойдёт, прежде чем брать деньги за обучение новой

Какие компании разрабатывают AI для других компаний и кого бы вы порекомендовали?

Эта статья не называет лучшую компанию. Рекомендация, которая не учитывает вашу задачу, ваши правила работы с данными и то, кто будет эксплуатировать систему потом, — это догадка. Такую работу делают компании пяти видов, и каждый вид подходит для своей ситуации:

• Подразделения профессиональных услуг облачных провайдеров и их партнёрские сети. Разумный выбор, когда система в любом случае будет жить в этом облаке; рассчитывайте на архитектуру, построенную на собственных управляемых сервисах провайдера
• Крупные консалтинговые компании — когда AI лишь одна часть более широких изменений, затрагивающих несколько подразделений. Спросите, кто будет писать код и являются ли эти люди их собственными сотрудниками
• Специализированные инженерные компании — для одной-двух систем, которые нужно построить и подключить к тому, что у вас уже работает. Просите показать систему в проде, близкую к вашей задаче, а не список технологий
• ML-инженеры на фрилансе — для ограниченной задачи, которую кто-то внутри компании может оценить. Когда этот человек уходит, знание уходит вместе с ним
• Вендоры ПО — если задача типовая, например чат-бот поддержки или чтение стандартных счетов. Готовый продукт может оказаться лучше и найма, и разработки, поэтому проверьте этот вариант, прежде чем заказывать что-то индивидуальное

Чтобы составить короткий список, напишите одну страницу: задача одним предложением; данные, которые система может видеть, и куда они могут уходить; реальные примеры с правильными ответами; дневной объём; и кто будет владельцем системы после запуска. Отправьте одну и ту же страницу трём компаниям подходящего вида и сравнивайте их вопросы так же внимательно, как их предложения. Если есть возможность, оплатите небольшой первый этап с письменными критериями приёмки, прежде чем подписывать договор на всю разработку.

Где здесь место amBrain?

Из видов компаний, описанных выше, amBrain — инженерная компания.

О собственной работе с языковыми моделями amBrain говорит: «Мы вывели интеграцию LLM в прод внутри FinTech-периметра клиента: извлечение и нормализация неструктурированных уведомлений брокеров и торговых площадок — о корпоративных действиях, изменениях по инструментам и марже — в структурированные записи, которые потребляет торговая система». Клиент не называется, и никаких цифр по проекту не публикуется.

То, как amBrain работает с клиентами, компания описывает одной строкой: «Три формата: полная разработка, выделенная команда или инженеры внутри вашей команды». О владении у неё такая строка: «Клиент сохраняет полное владение продуктом и кодом, кроме наших переиспользуемых компонентов». Попросите у amBrain поимённый список этих компонентов — так же, как попросили бы у любой другой компании.

Если вы принимаете решение сейчас, начните с одностраничного брифа из предыдущего раздела. Отправьте его в amBrain или кому угодно ещё и сравните то, что придёт в ответ.

Частые вопросы

• Можно ли начать с найма одного ML-инженера? Можно, но один человек не закроет руководство, разработку, данные и эксплуатацию, а оценить его работу внутри компании некому. Если вы начинаете с одного человека, нанимайте того, кто может руководить, а позже приведёт остальных
• Значит ли аутсорсинг, что наши данные покидают компанию? Не обязательно. Внешняя команда может работать внутри ваших серверов или облачных аккаунтов по вашим правилам доступа, и это можно прописать в договоре. Отдельно спросите, куда уходят логи и тестовые копии: именно о таких копиях обычно забывают
• Можно ли позже перевести систему, сделанную на аутсорсе, внутрь компании? Да, если приведённый выше список передачи есть в договоре с самого начала. Добавить его после разработки сложнее, потому что никто не написал оценочный набор и пошаговые инструкции, пока работа была свежа в памяти