В августе 2026 года Стэнфордская лаборатория цифровой экономики обновила исследование на платёжных данных миллионов американских работников. Авторы не нашли массового вытеснения людей искусственным интеллектом на уровне всей экономики, однако занятость работников 22–25 лет в профессиях, сильнее затронутых ИИ, оказалась на 19% ниже траектории их менее затронутых сверстников. У опытных сотрудников сопоставимого разрыва нет, а изменение происходит прежде всего через сокращение найма молодых, а не через увольнение уже работающих.
Получается неудобное сочетание: профессия сохраняется, но вход в неё сужается. Для отдельной компании это выглядит рационально — агент уже выполняет часть задач, которые раньше отдавали начинающему специалисту. Для отрасли и самой компании через несколько лет возникает вопрос: кто станет следующим человеком, способным направлять этих агентов и отвечать за их ошибки, если учиться этому было негде?
Инженеры нужны, но компании всё реже готовы их выращивать
SignalFire в отчёте от июня 2026 года сравнила найм с уровнем 2019 года. В крупных технологических компаниях количество нанятых выпускников снизилось примерно на 65%, а в стартапах ранних стадий — на 76%. При этом общий найм инженеров в крупных компаниях сократился лишь на 11%, тогда как дизайн потерял 48%, управление продуктом — 39%, маркетинг — 36%. В стартапах инженерный найм даже вырос на 7%.
Доля инженеров среди всех новых сотрудников крупных компаний поднялась с 46 до 55%, но это не означает бурного роста профессии: сама SignalFire подчёркивает, что инженерная часть увеличилась внутри уменьшившегося найма, поскольку остальные функции сокращались быстрее. Две цифры поэтому описывают разные уровни. Инженеры остаются важны для бизнеса, однако компании предпочитают уже опытное ядро и гораздо меньше инвестируют в тех, кому ещё предстоит им стать.
Данные SignalFire основаны на собственной базе компании, которая занимается венчурными инвестициями и наймом, а выборка охватывает определённый список американских технологических компаний и стартапов. Переносить проценты на весь рынок нельзя. Но направление совпадает с более широкой работой Stanford: основной разрыв сосредоточен в начале карьеры.
Стэнфорд видит ранний сигнал, которого пока недостаточно для приговора
Обновлённая работа Stanford от 12 августа 2026 года использует данные ADP по июнь 2026-го и сравнивает группы внутри одних и тех же компаний. Разрыв сильнее там, где применение ИИ заменяет человеческие операции, тогда как в профессиях с дополняющим применением занятость остаётся стабильной или растёт, особенно среди опытных работников. Это поддерживает механизм замещения входных задач, но не превращает наблюдение в эксперимент.
Авторы перечисляют ограничения прямо: эффект слабее после учёта образования, некоторые различия начались ещё до широкого распространения генеративного ИИ, а выборка ADP показывает более сильный разрыв, чем национальные опросы. Результаты названы описательными ранними индикаторами, которые пока не доказывают причинную связь. Такая осторожность важна, поскольку охлаждение найма зависит также от процентных ставок, последствий избыточного набора 2021–2022 годов и общего состояния технологического рынка.
В России сопоставимого административного исследования пока нет. hh.ru сообщает, что начинающим доступны около 13% ИТ-вакансий, или почти 65 тысяч предложений за 2025 год, но эта цифра не отделяет влияние ИИ от экономического цикла и не показывает многолетнюю траекторию именно разработчиков. Поэтому американские проценты не следует выдавать за описание российского рынка; полезен прежде всего обнаруженный ими вопрос о воспроизводстве опыта.
Типовые задачи были не только дешёвой работой, но и учебной средой
Начинающий разработчик традиционно получал ограниченный участок системы, вносил небольшое изменение, слышал замечания на ревью, исправлял его и наблюдал последствия после выпуска. Ценность этого цикла находилась не в количестве написанных строк. Человек постепенно узнавал, какие требования сформулированы неполно, почему очевидное решение конфликтует со старым кодом, что тесты не умеют доказать и в какой момент нужно остановиться и задать вопрос.
Именно такие задачи агенты забирают первыми: подготовить черновик, написать однотипные тесты, обновить несколько файлов, найти место ошибки, собрать простой интерфейс. Если компания лишь вычёркивает соответствующую должность, она экономит на выполнении и одновременно демонтирует прежний учебный механизм. Текущие опытные сотрудники никуда не исчезают, поэтому последствие заметно не сразу.
Проблема проявится позже, когда понадобится человек, способный вести несколько агентов через большую задачу. Оркестрация — это не умение написать длинный запрос. Нужно разложить работу по границам, передать каждому агенту достаточный контекст, определить проверяемый результат, заметить противоречие между частями и принять решение там, где автоматическая проверка ничего не доказывает. Эти навыки возникают из опыта работы с реальными ограничениями, а не из знания интерфейса модели.
Начинающий специалист нужен не для конкуренции с агентом
Старая входная роль строилась вокруг самостоятельного выполнения небольших задач, после которых старший сотрудник проверял результат. Сохранять её без изменений бессмысленно: агент действительно может подготовить первую версию быстрее. Но отсюда не следует, что человеку нужно сразу поручить архитектуру или назвать его «мидлом» после курса по промптам.
Новая учебная роль может использовать агента внутри того же цикла. Начинающий сначала формулирует ожидаемый результат и риски, затем делит задачу, наблюдает за выполнением, проверяет изменения, объясняет найденные ошибки и отвечает за исправление. Старший специалист оценивает качество постановки, полноту проверки и способность понять, почему убедительное решение оказалось неверным; скорость набора кода перестаёт быть главным критерием.
Такой подход не имитирует прежнюю работу и не прячет ИИ от новичка. Наоборот, он с первого дня учит тому способу разработки, который станет обычным: человек управляет параллельным исполнением, но не передаёт агентам право определить, что считается готовым. По мере роста ему доверяют более длинные цепочки, менее явные требования и решения с большей стоимостью ошибки.
Ученичество нужно проектировать так же внимательно, как систему агентов
Для этого недостаточно выдать доступ к модели и назначить наставника. В работе должны остаться участки, где начинающий обязан сначала сделать собственный прогноз, а затем сравнить его с результатом агента; ревью, на котором обсуждается механизм ошибки, а не только исправленная строка; и ответственность за поведение задачи после выпуска. Иначе человек учится быстро принимать готовый ответ, но не накапливает причинных связей, необходимых для самостоятельного решения.
Рост тоже измеряется иначе. Сначала специалист проверяет локальное изменение по готовому списку, затем сам составляет список рисков, ведёт задачу через несколько компонентов, объясняет компромисс заказчику и наконец проектирует работу нескольких агентов. Переход на следующий уровень определяется тем, какой объём неопределённости он способен удержать и проверить, а не количеством закрытых карточек.
Такая система требует времени опытных сотрудников, поэтому мгновенной экономии не даёт. Но альтернатива предполагает, что сильные инженеры будут всегда доступны на рынке и придут уже умеющими работать с внутренними правилами конкретной компании. Чем меньше организаций выращивают их сами, тем менее реалистичным становится это предположение.
ИИ действительно уменьшает потребность в начинающем как в исполнителе типового кода. Одновременно он повышает ценность человека, который умеет определить цель, распределить работу между агентами, проверить их и принять ответственность. Такой специалист появляется лишь после управляемой практики: сегодня он должен учиться руководить работой модели, понимать её пределы и разбирать собственные ошибки, чтобы через несколько лет вести целую систему агентов.
Ещё больше интересного в телеграм-канале @kindaworks.