AI Engineer и Forward Deployed Engineer: чем отличаются задачи и ответственность

Когда я разбирал рынок AI-профессий, рядом постоянно оказывались два названия: AI Engineer и Forward Deployed Engineer. По описаниям вакансий они могут выглядеть почти одинаково. В обоих случаях нужен код, работа с моделями и запуск в production. Но отвечать за результат приходится в разных условиях.

Я бы различал их по тому, вокруг чего организована работа. AI Engineer обычно строит AI-функцию или систему внутри продукта. Forward Deployed Engineer, FDE, отвечает за внедрение у конкретного клиента: разбирается в его процессе, подключает данные и доводит решение до использования. Один инженер может делать и то и другое. Название должности само по себе ещё не объясняет границы ответственности.

Что строит AI Engineer

Допустим, в продукте нужен поиск по документам. Инженеру предстоит решить, как документы загружать и обновлять, как находить нужный фрагмент и как проверять ответ модели. Нужно учитывать права доступа. Если пользователь не должен видеть документ, его содержание не должно попасть и в ответ ассистента.

После первого рабочего примера задача не заканчивается. На одних вопросах ответ хороший, на других модель уверенно ошибается. Длинные документы обрабатываются дорого. После смены модели часть проверок перестаёт проходить. Возникают вопросы к архитектуре и эксплуатации, и инженер должен уметь с ними работать.

Для такой задачи я хотел бы видеть набор проверочных вопросов с ожидаемым поведением системы. Например, если нужного факта в документах нет, система должна это сообщить. Если источники противоречат друг другу, ответ должен позволять заметить противоречие. Одной оценки «мне понравилось, как отвечает» недостаточно, чтобы выпускать новую версию.

В продукте эти решения должны выдерживать повторное использование. Документы загрузит другой пользователь, поменяется объём данных, появятся новые ограничения. Поэтому AI Engineer приходится думать и о том, как следующая команда или следующий клиент будет пользоваться той же функцией.

За что отвечает Forward Deployed Engineer

Теперь представим, что этот поиск нужно внедрить в конкретную компанию. Выясняется, что актуальные документы лежат в нескольких местах, старые версии никто не пометил, а отделы по-разному понимают, кому можно показывать цены. Сотрудники задают вопросы иначе, чем автор тестового демо.

FDE должен разобраться в этих условиях вместе с людьми на стороне клиента. Где источник актуальной информации? Кто может согласовать доступы? В каком интерфейсе сотруднику удобно задать вопрос? Что он должен сделать, если система не ответила? Без этих решений технически рабочая функция может остаться неиспользуемой.

Это инженерная роль. В описании FDE у OpenAI рядом стоят работа с клиентом и разработка платформы. Самому инженеру всё равно нужно писать и отлаживать код. Просто часть требований он выясняет в процессе внедрения, когда видит данные и реальную работу компании.

Подробно формат работы с небольшими компаниями я разобрал в статье про FDE для малого бизнеса. Здесь меня интересует именно различие задач: кто улучшает общую функцию, а кто отвечает за то, чтобы она заработала в конкретной среде.

Один пример, две зоны ответственности

Возьмём условную компанию, которая получает заявки на мероприятия через Telegram. В сообщении могут быть дата, примерное число гостей и длинное голосовое пояснение. Иногда клиент забывает написать город или меняет дату через час.

AI Engineer может собрать извлечение полей из сообщения, обработку голоса и проверку результата. Если модель не уверена в дате, системе нужен способ это выразить. Если пользователь исправил число гостей, данные должны обновиться, а не появиться второй независимой заявкой. На этих случаях можно проверить качество технического решения.

FDE нужно выяснить, как заявку обрабатывают люди. Какие поля обязательны до расчёта? Кто принимает заявку и где она должна появиться? Можно ли автоматически отправить уточняющий вопрос? Кто разберёт ситуацию, если ответ пришёл ночью или менеджер уже изменил данные вручную?

Если за это отвечают два инженера, им нужно договориться о границе. Допустим, модель правильно распознала исправление, но CRM не приняла обновление. Кто увидит ошибку, кто её исправит и что в это время увидит менеджер? Такие вопросы лучше разобрать до того, как начнут теряться обращения.

Интерфейс здесь может быть Telegram-ботом. Если сотруднику нужен экран с полями и статусами, может подойти Mini App. Выбор интерфейса должен следовать из работы людей, а не из названия инженерной роли.

Какие навыки нужны в обоих случаях

В обеих ролях полезно уметь разбираться в чужом коде, работать с API и проверять поведение системы на неудачных входных данных. Если решение использует LLM, нужно понимать ограничения модели, стоимость запросов и способы оценки ответа. Хорошо, когда инженер может объяснить свой выбор человеку, который не пишет код.

Разница скорее в том, чему посвящён рабочий день. В продуктовой команде AI Engineer может долго улучшать общую систему и договариваться об изменениях с другими разработчиками. У FDE больше вопросов к устройству клиентской компании: кто принимает решения, почему данные такие и что можно поменять в процессе.

При этом AI Engineer тоже может общаться с пользователями, а FDE может создавать компонент, который потом войдёт в общий продукт. Жёсткой границы нет. Если компания ищет человека под одним из этих названий, я бы попросил описать первый проект и ожидаемый результат через несколько месяцев.

Сертификат или перечень библиотек отвечают на другой вопрос. Мне интереснее разобрать сделанную систему: почему выбрана такая архитектура, где она ошибается и что происходит после ошибки. В собственных заметках о разработке Dantiva я показываю продуктовую часть такой работы. Dantiva — мой собственный продукт с веб-интерфейсом, Telegram-ботом и Mini App.

Как понять, кто нужен компании

Если в продукте уже есть пользователи и нужно улучшать AI-функцию для всех, задача ближе к AI Engineering. Например, повысить качество поиска, уменьшить задержку ответа или подготовить проверку новой модели перед заменой старой.

Если технология уже выбрана, а трудность в данных, доступах и ежедневной работе конкретной команды, нужен человек, который возьмёт ответственность за внедрение. Здесь полезен формат FDE. Но прежде стоит понять, достаточно ли обычной автоматизации. Не каждому процессу нужен агент, а часть задач решается без LLM.

Для небольшой компании разделение на две ставки может быть лишним. Один инженер-консультант способен пройти оба участка, если задача ограничена и хватает его компетенций. Тогда в договорённостях особенно важно описать результат и передачу: что работает после запуска, что остаётся ручным и кто поддерживает систему.

Так я и смотрю на свою работу. Сначала нужно понять задачу и ограничения, затем выбрать подходящий способ реализации. В зависимости от проекта это может быть AI-агент, RAG в существующем продукте или обычная интеграция. Тайтл поможет объяснить формат, но содержание работы всё равно придётся определить отдельно.

Где заканчивается внедрение

Для меня полезный критерий завершения — команда может выполнить согласованный процесс без автора демо рядом. Есть понятный способ заметить сбой и разобраться, что произошло. Доступы оформлены на нужных владельцев, расходы видны, ограничения записаны.

После запуска стоит вернуться к тем случаям, на которых проверяли систему. Работают ли они на реальных данных? Пользуются ли сотрудники решением? Не появилась ли дополнительная ручная работа, которую забыли посчитать? Ответы позволяют решить, что улучшать дальше и нужно ли вообще расширять внедрение.

Поэтому при выборе между AI Engineer и FDE я бы начинал с вопроса о том, какой результат нужен и в какой среде он должен работать. Это намного точнее описывает задачу, чем попытка выбрать более модное название.

Частые вопросы об AI Engineer и FDE

Чем AI Engineer отличается от Forward Deployed Engineer?

AI Engineer обычно отвечает за AI-функцию или систему внутри продукта. FDE отвечает за её внедрение в условиях конкретного клиента, включая данные, интеграции и работу пользователей. Задачи могут пересекаться.

FDE пишет код или только консультирует?

Пишет код и занимается технической реализацией. Работа с клиентом нужна, чтобы понять требования и довести систему до использования; она не заменяет инженерные навыки.

Может ли один человек совмещать обе роли?

Да, особенно в небольшой команде и на ограниченном проекте. Нужно отдельно согласовать качество технического решения, внедрение и дальнейшую поддержку, чтобы за каждой частью была ответственность.

Что нужнее малому бизнесу?

Зависит от задачи. Для развития общей AI-функции полезен AI Engineer. Для внедрения в существующую работу команды нужен опыт, близкий к FDE. До выбора роли стоит проверить, нужен ли процессу ИИ и можно ли измерить результат.