Банкам Узбекистана срочно нужны люди, которых почти нет — и это шанс сменить профессию

27 июля 2026 года крупный узбекский банк SQB и Huawei договорились вместе строить банковский искусственный интеллект. Самое важное в этой новости — не серверы и не модели, а то, что стоит за ними: банку уже нужны инженеры, которых на рынке почти не найти. Для всех, кто думает о смене профессии, это прямой сигнал — окно открывается прямо сейчас.

Стороны подписали меморандум о сотрудничестве в сфере ИИ, цифровых технологий и банковской инфраструктуры. Пока это именно намерения: по состоянию на 30 июля 2026 года не названы ни бюджет, ни сроки, ни конкретный перечень продуктов. Но направление задано, и оно превращает ИИ из отдельных экспериментов в инфраструктуру, под которую нужны люди.

Дело не в чат-боте — теперь речь о целой платформе

Партнёрство стартует не с чистого листа. Ещё в июле 2024 года SQB внедрял ИИ для автоматизации обращений, а 24 сентября 2024-го запустил чат-бота на базе ChatGPT. Новый меморандум расширяет эту логику: вместо одного сервиса — связка из инфраструктуры, моделей, данных и продуктов. В сообщении SQB названы четыре направления: интеллектуальные финансовые решения, высокопроизводительная вычислительная база, рост эффективности процессов и новые услуги.

Прогресс будет видно по конкретным запускам — скорингу, антифроду, персональным предложениям, обработке документов, ИИ-ассистентам. Huawei показала китайские банковские кейсы, но без названий и измеримых цифр, так что судить придётся по делам, а не по презентациям.

Масштаб, который стоит за словами «меморандум»

7 100 финансовых организаций в 80 странах — столько клиентов у Huawei к концу июня 2026 года, включая 54 банка из мировой топ-100. Это не стартап-эксперимент, а поставщик, который уже перевёл сотни банков на гибридную архитектуру с частным развёртыванием и локальной инфраструктурой. Для финансов это ключевой момент: данные должны оставаться под контролем, а стоимость вычислений — предсказуемой.

Второй масштаб — государственный. Проект ложится в Стратегию развития ИИ Узбекистана до 2030 года (постановление № ПП-358 от 14 октября 2024 года). Её цифры и объясняют спрос на кадры:

• $1,5 млрд — целевой объём ИИ-продуктов и услуг к 2030 году;
• 10% — доля ИИ-сервисов на портале госуслуг;
• $50 млн уже выделено на ИИ-инфраструктуру (данные на 1 июля 2025 года);
• 1 млн специалистов — столько страна планирует подготовить.

На практике выходит так: государство строит инфраструктуру и создаёт спрос, а банки вроде SQB переводят эти цели в реальные вакансии.

Узкое место — не серверы, а люди

Именно здесь новость становится личной. 63% компаний назвали дефицит навыков главным препятствием для трансформации — это данные Future of Jobs Report 2025 (опрос более 1 000 работодателей, представляющих свыше 14 млн работников).

Тилль Леопольд из World Economic Forum: «Технологические изменения — это источник беспрецедентных возможностей и глубоких рисков одновременно.»

Директор по ИИ SQB Сергей Козлов связывает успех соглашения с международной экспертизой и командами, способными доводить модели до реальных продуктов.

Перевод с корпоративного на человеческий простой: техника есть и деньги есть, а специалистов, которые встроят модель в защищённый банковский процесс, — не хватает.

Кого именно ищут: не «навыки будущего», а конкретный профиль

Абстракции тут ни к чему — есть живой список требований. В июле 2026 года SQB публиковал вакансии ML/GenAI Engineer и специалистов по исследованию ИИ-моделей. В требованиях — Python, Machine Learning, Deep Learning, MLOps, LLM, RAG, API, Docker, Kubernetes, работа с базами данных, A/B-тестирование, защита информации и опыт вывода моделей в production. Это не размытое «будь в тренде», а понятная карта того, чему учиться.

WEF относит специалистов по большим данным, финтех-инженеров и экспертов по ИИ и машинному обучению к самым быстрорастущим профессиям до 2030 года. То есть спрос — не только в SQB и не только в Узбекистане.

С чего начать, если решились сменить профессию

Для тех, кто входит в сферу с нуля, важнее всего не хвататься сразу за самое сложное. Позиция ML-инженера требует опыта вывода моделей в production — это цель, а не первый шаг. Реалистичная точка входа — аналитик данных: связка Python и SQL, Data Analytics, основы визуализации. Отсюда открывается дорога дальше — в Data Engineering, MLOps и генеративный ИИ, а параллельно стоит подтягивать кибербезопасность, без которой в финансах не берут.

И один принцип, который эта новость подчёркивает особенно ясно: учиться лучше на проектах. Курс по аналитике данных ценнее, когда на выходе у вас не сертификат, а работающая вещь — модель скоринга, антифрод-логика, RAG-ассистент или аналитический дашборд. Банки Узбекистана начинают конкурировать качеством данных и команд, а не только ставками по вкладам — и на собеседовании готовое портфолио скажет о вас больше, чем строчка о пройденном курсе.