На рынке труда сложилась странная на первый взгляд картина: компании продолжают сокращать целые команды, но при этом говорят о дефиците кадров и месяцами ищут специалистов. На самом деле никакого противоречия здесь нет.
PwC в «Global AI Jobs Barometer 2026» пишет, что джуниор-роли, на которые сильнее всего повлиял ИИ, в семь раз чаще требуют навыков, прежде считавшихся сеньорскими — лидерства, стратегического мышления, способности принимать решения.
Бизнес больше не хочет нанимать людей, чью работу можно поручить модели, а вот специалистов, которые умеют управлять процессом получения результата этой работы, ценит высоко. Рассмотрим, что делать компаниям и какие они — сотрудники, которым сейчас будут рады почти везде.
Дефицит кадров стал точнее
Раньше кадровый дефицит в ИТ описывали довольно широко: не хватает разработчиков, аналитиков, тестировщиков, DevOps’ов. Компании нанимали джунов, устраивали стажировки, чтобы вырастить людей внутри — и закрывали потребность в нужных специалистах.
Сейчас эта схема работает хуже. Искусственный интеллект забирает часть задач, которые прежде считались входом в профессию: написать простой модуль, собрать черновой тест, подготовить документацию, найти типовую ошибку, предложить вариант реализации.
Из-за этого изменилась сама ценность специалиста. На рынке может быть много свободных разработчиков и одновременно мало тех, кто действительно нужен компаниям. Дефицит все меньше проходит по грейдам и больше — по способности принимать инженерные решения.
Кто оказывается в зоне риска
Сильнее всего ИИ давит на роли, где много повторяемой работы и мало самостоятельных решений. Такие задачи обычно помогают человеку расти. Например, джун пишет код, получает замечания на ревью, видит последствия ошибок — и постепенно учится думать как инженер.
Часть этого пути сокращается, когда агент пишет типовые фрагменты или находит баги вместо сотрудника. Но специалист должен понимать, что именно происходит внутри машины.
Из-за этого в зоне риска оказываются те члены команды, которые не переходят от исполнения к управлению сложностью — не джуны как класс и не мидлы как уровень. Условный мидл, который просто хорошо пишет код, теперь конкурирует не только со специалистами, но и с ИИ-инструментами.
Нужный майндсет — какой он?
Пользоваться ИИ сейчас умеют многие, поэтому просто знать, как с ним работать, мало — нужно понимать, как продукт работает и где он может ошибиться. Для этого необходим подходящий майндсет, то есть тип мышления и восприятия.
Он складывается из нескольких вещей:
● понимание архитектуры и взаимодействия компонентов;
● умение отличать рабочий результат от качественного;
● привычка проверять ограничения, а не только функциональность;
● способность задавать правила для ИИ-инструментов;
● ответственность за сопровождение результата;
● готовность разбираться, а не механически выполнять инструкцию.
Разница проявляется еще до начала работы. Инженер сперва определяет стек, архитектуру, ограничения и правила проверки — и только потом подключает нейросети. Человек без такой базы сначала выполняет задачу, а затем уже разбирает, что у него вышло.
Представьте сотрудника, который потратил недельный лимит токенов за один день — это как раз пример из второй категории. Он получил нужный результат, но использовал слишком дорогие модели. Где-то хватило бы более простых, а часть задач вообще стоило передать другим инструментам.
Это похоже на попытку забить гвоздь микроскопом. Да, лучше, чем лбом — но инструмент все равно используется неправильно.
Почему вайбкодеры не заменят инженеров
Люди, которые еще вчера не умели писать код, а сегодня с помощью нейросетей запускают приложения, создают много шума. Это они чаще всего кричат, что разработчики больше не нужны — ведь у них-то получилось сделать рабочий сервис. И для бизнеса такая скорость тоже полезна: можно быстро проверять гипотезы и закрывать часть задач, не перегружая команду.
На самом деле достаточно задать простой вопрос: «Если собрать таким же образом автопилот для самолета, вы полетите на нем?» В этот момент становится четко видно различие между прототипом и рабочим продуктом.
Вайбкодинг может дать рабочий результат. Однако он быстро превращается в риск, если его нужно защищать, масштабировать, развивать и встраивать в рабочий контур без инженерной культуры.
Новых сеньоров сложнее растить
Самая большая кадровая проблема компаний — не в сокращениях джунов. Просто через несколько лет можно обнаружить, что не из кого растить сеньоров. Долгие годы путь был понятным: человек приходит на младшую позицию, много пишет сам, работает в ограничениях, получает замечания на ревью, видит последствия плохих решений — и только потом усиливается с помощью ИИ-инструментов.
Теперь представьте, что человек с минимальным опытом сразу приходит в компанию и получает в распоряжение нейросеть. Получится ли у него увидеть, что технология предлагает рабочее, но в перспективе опасное решение? Едва ли.
Пока рынок спасает кадровый запас инженеров, которые успели нарастить опыт до массового внедрения ИИ. Но этот резерв конечен. Если перестать пополнять его, поиск подходящего сотрудника станет сложнее.
World Economic Forum в «Future of Jobs Report 2025» отмечает, что 63% работодателей уже считают дефицит навыков главным барьером для трансформации бизнеса, а 59% работников к 2030 году будут нуждаться в переобучении или повышении квалификации.
Сеньоры становятся бутылочным горлышком
В новой модели сеньор или тимлид управляет инженерной рамкой, в которой работают специалисты и ИИ-агенты. Он задает архитектурные правила, контролирует качество, понимает, какие задачи можно автоматизировать, а какие требуют человека.
Раньше тимлид видел плохое решение на код-ревью и объяснял разработчику, как его исправить. Сейчас часть этой работы происходит раньше: руководитель группы задает правила агентам, чтобы они сразу работали по нужным стандартам и в нужной архитектуре.
Следующий слой специалистов тоже выращивают именно сеньоры и тимлиды. Но здесь возникают сложности:
● некоторые сотрудники в какой-то момент понимают, что, занимаясь обучением, они снижают собственную уникальность на рынке и повышают конкуренцию. На этом их энтузиазм обычно и заканчивается;
● хороший инженер не значит хороший наставник. Уметь делать самому и учить этому других — разные навыки, и не у всех есть способности педагога. К тому же обучать чему-то взрослых людей куда сложнее, чем школьников.
Если бизнес хочет растить людей новой формации, это должно стать частью системы — с выделенным временем и нормальной управленческой поддержкой.
Кадровый резерв не пополняется автоматически
Сократить входные позиции проще всего, ведь часть типовой работы уже и правда автоматизирована. Но с этой работой исчезают задачи, на которых прежде росли будущие сильные инженеры.
Возникает отсроченная проблема. Сегодня бизнес экономит на исполнении — завтра столкнется с еще более явным дефицитом людей, способных принимать решения и управлять работой ИИ.
Новая технология изменила саму экономику труда. Типовые задачи дешевеют, а все, что связано с контролем, архитектурой и сопровождением, дорожает. Поэтому рынок жестче разделяет специалистов по умению работать со сложностью — и те, кто не способен учиться и перестраиваться, по итогу начнут выпадать из сильных команд.
Что делать компаниям: памятка
Главная ошибка — одним махом сократить джунов и думать, что это решило проблему. В моменте такое решение может дать экономию, но в долгую разрушит кадровую воронку.
Как можно действовать:
● менять формат развития джунов вместо того, чтобы отказываться от них полностью;
● давать младшим специалистам задачи на понимание кода и не ограничиваться только генерацией;
● учить работать с ИИ через ограничения и правила;
● закреплять за сеньорами и тимлидами наставничество как полноценную часть их ролей;
● оценивать способность сопровождать результат, а не только скорость выполнения задач;
● создавать внутренние правила использования ИИ-инструментов;
● развивать у сотрудников инженерное мышление и не учить их просто писать промпты.
Развитие кадров в эпоху искусственного интеллекта не ограничивается разовой программой обучения. Это управляемая система, где у человека есть причина расти и понятные требования — и где он постоянно получает поддержку.
Подведем итоги
Сокращения и дефицит кадров могут происходить одновременно, ведь бизнес избавляется не от профессий — от старых ожиданий к ним. Работа, которую можно автоматизировать, становится нужна меньше, зато растет потребность в людях, способных управлять результатом этой автоматизации.
Людей, которые умеют пользоваться нейросетями, уже много — и будет еще больше. В дефиците окажутся специалисты, которые понимают архитектуру, качество, риски и сопровождение, умеют задавать правила для ИИ и отвечать за итоговый продукт.
Поэтому сегодня не так важно, сколько джунов можно заменить агентами. Важнее понять, из кого за несколько лет вырастет сеньор, способный этими агентами управлять.
