Когда речь заходит об искусственном интеллекте, одни боятся потерять работу, другие надеются на избавление от рутины. На самом деле, и то, и другое — крайности. Вайбкодеры есть, но они не заменили и не заменят полностью разработчиков, понимающих код. Нейрослоп, особенно в соцсетях, занял целую нишу короткого развлекательного контента, но так и не вытеснил из интернета контент от людей и для людей.
Вместе с тем, за последние несколько лет вокруг ИИ сформировался слой новых профессий — от инженеров, работающих с LLM, до специалистов, проектирующих взаимодействие человека с алгоритмами. И здесь начинается что-то странное. С одной стороны, компании инвестируют миллиарды в ИИ и активно нанимают специалистов нового типа. С другой — все читают новости о сокращениях целых команд, уменьшении числа стартовых позиций и повышении планки входа. В результате работы меньше не становится, но найти ее сложнее, а ценность отдельных навыков резко возрастает.
Новая инфраструктура
Пожалуй, самое заметное изменение — формирование целого слоя профессий. Причем речь идет не только о технических специалистах, а о гибридных ролях на стыке инженерии, дизайна и гуманитарных дисциплин. В центре этой экосистемы находятся роли, без которых ИИ-продукты просто не работают: LLM/AI Engineer, MLOps-инженер, AI Infrastructure/Inference Engineer и другие. Далее их условно обозначим как AI-инженеров.
Роли и задачи
LLM/AI Engineer — это уже не классический ML-специалист, который обучает модели с нуля. Его задача — собрать рабочую систему из готовых компонентов: API моделей, RAG, инструментов и пайплайнов. Фактически, это инженер по «сборке интеллекта».
Если классический MLOps-инженер раньше занимался деплоем моделей, то в новой версии это человек, который оптимизирует стоимость инференса, управляет latency и строит устойчивые пайплайны под нестабильные модели.
Отдельно выделяется AI Infrastructure Engineer — одна из самых дорогих и дефицитных ролей. Это специалисты, которые работают на уровне GPU, распределенных вычислений и оптимизации моделей (квантование, батчинг, кеширование). Они напрямую влияют на экономику продукта.
AI Product Manager управляет вероятностной системой. Ему приходится балансировать между качеством ответа модели, стоимостью запросов и пользовательским опытом. Другими словами, если вам не нравится качество и скорость ответа бесплатной LLM, но все устраивает в ее платной версии (кроме, может, цены подписки), то «здесь точно был AI Product Manager».
AI Interaction Designer — по сути, UX-дизайнер нового поколения. Он проектирует поведение системы: как формулируются ответы, как система задает вопросы и как она ошибается. Это уже ближе к сценарию диалога, чем к классическому UI.
Prompt Engineer — самая хайповая и одновременно самая быстро эволюционирующая роль. Изначально это был почти «копирайтер для модели», но сейчас роль распадается на две ветки:
- простая — уходит в инструменты и автоматизацию;
- сложная — встраивается в инженерные роли как часть пайплайна.
В чистом виде это не совсем профессия, а скорее набор навыков, которые становятся базовыми для многих других ролей.
Следующий на очереди — AI Trainer / Human-in-the-loop специалист. Это человек, который размечает данные, корректирует ответы модели и формирует «поведение» системы. Это массовая, масштабируемая и часто низкооплачиваемая работа, которая лежит в основе «интеллекта» моделей. Фактически это скрытый человеческий слой под ИИ.
Параллельно появляется более сложная роль — Synthetic Data Engineer. Он уже не размечает данные, а создает их: генерирует обучающие выборки, симулирует редкие сценарии и улучшает качество моделей без реальных данных.
AI Auditor / AI Risk Specialist — проверяет наличие bias (предвзятости), юридические риски и соответствие регуляциям. Особенно активно эти роли растут в Европе, где регулирование ИИ становится жестче. Раньше продукты тестировали на баги, теперь — на этические и социальные последствия. Когда бюджет компании ограничен, от этой роли часто отказываются, поручая обязанности низкооплачиваемым AI-тренерам.
Что происходит с наймом
Главным изменением на рынке труда в эпоху ИИ стало не сокращение количества вакансий как таковых, а изменение их структуры. Компании нанимают. Иногда даже активнее, чем раньше, но делают это иначе, осторожнее, точечнее и с куда более жесткими требованиями. Подход «наймем и обучим по ходу дела» для многих стал непозволительной роскошью.
Самый заметный и болезненный эффект — это исчезновение классической точки входа в профессию. Задачи, которые раньше выполняли джуны, сегодня все чаще автоматизируются. Написание типового кода, базовый анализ данных, подготовка отчетов, первичная обработка информации — все эти функции хорошо ложатся на современные языковые модели и внутренние AI-инструменты компаний.
Гигантские корпорации, о некоторых из которых мы еще поговорим ниже, все реже видят смысл в том, чтобы нанимать людей «на вырост». Проще и дешевле взять специалиста, который уже умеет работать в связке с ИИ и сразу приносит результат.
Согласно ряду исследований, до 66% мировых компаний сокращают наём специалистов, которых потребуется обучать, и около 90% работодателей отмечают трансформацию или исчезновение базовых ролей.
Эффект середины
Еще один важный эффект — поляризация рынка. Верхний сегмент, связанный с разработкой, инфраструктурой и управлением AI-продуктами, продолжает расти: здесь высокий спрос, дефицит специалистов и рост зарплат.
Нижний сегмент, завязанный на рутинные и операционные задачи, напротив, испытывает давление из-за автоматизации. Но наиболее интересная зона — середина. Именно мидл-специалисты оказываются в ситуации неопределенности: их задачи частично автоматизируются, а частично усложняются до уровня, требующего уже более высокой квалификации. Вам тоже это напоминает ситуацию в духе «Ищем сеньора на зарплату мидла»?
Новая логика найма
Итак, попасть на работу в IT в 2026 все еще можно. Просто найм все чаще происходит под конкретные задачи. Исследования показывают, что наличие AI-навыков дает преимущество при отборе и ощутимую прибавку к зарплате (в среднем до 15%). Исчезает пространство, в котором можно было расти постепенно, допуская ошибки и набираясь опыта на простых задачах. Требования повышаются не только к знаниям, но и к скорости адаптации. И именно это создает кризис.
Увольнения
Если смотреть на сухие данные, то сокращения в tech-секторе — это системное явление. В 2025 году глобально было сокращено около 246 000 сотрудников в технологическом секторе. Из них порядка 55 000 увольнений так или иначе связаны с ИИ. При этом с 2023 года ИИ уже упоминался более чем в 70 000–90 000 кейсах увольнений. Очевидно, самые громкие кейсы и самые масштабные сокращения обычно происходят в компаниях из США, занимающих существенную часть IT-сектора.
В 2026 динамика сохраняется: 40 000 сокращений за первые месяцы. Отдельный показатель — интенсивность увольнений. В 2025 году увольняли 674 человека в день, в 2026 — уже 926.
Цифры по сокращениям
- Atlassian — около 1 600 сотрудников (примерно 10%).
- Amazon — до 16 000.
- Block — около 4 000 (до 40%).
- Salesforce — около 4 000 сотрудников в поддержке.
При этом важно, что даже в случаях, где ИИ явно присутствует, компании редко формулируют это как «замену людей». Обычно речь идет о «реструктуризации», «повышении эффективности», «перераспределении ресурсов в AI».
Доля ИИ
С одной стороны, десятки тысяч увольнений уже связаны с ИИ и доля таких кейсов растет. С другой, это все еще меньшинство от общего числа сокращений. Например, лишь около 7% увольнений в США в начале 2026 связаны с ИИ. CFO компаний ожидают снижение штата всего на ~0,4% в 2026.
Массовые увольнения действительно идут. ИИ участвует в них, но редко как единственная причина. Чаще он выступает как катализатор решений. Компании сокращают избыточные команды, автоматизируют отдельные функции и инвестируют в искусственный интеллект. И в итоге получают возможность работать с меньшим числом людей.
Если раньше сокращения были циклическими, то теперь они становятся структурными. Это видно по двум признакам. Во-первых, увольнения происходят даже при росте выручки компаний. Во-вторых, высвобожденные ресурсы направляются не на найм, а на автоматизацию.
Заключение
Если собрать все вышесказанное вместе, возникает, на первый взгляд, противоречивая картина. Рынок труда не падает. Он растет, усложняется, дорожает, но при этом становится менее доступным.
В этом и заключается главный парадокс эпохи ИИ — возможностей становится больше, но воспользоваться ими может меньшее число людей. То есть спрос на кадры становится более избирательным. Ценятся специалисты, знающие ограничения моделей, способные интегрировать их в процессы и брать на себя более сложные задачи. Это смещает баланс в сторону узких компетенций. Возникает ситуация, в которой одни специалисты становятся значительно дороже, а другие теряют позиции, даже оставаясь в той же профессии.
В долгосрочной перспективе кризис занятости будет длиться до окончания периода адаптации. Работа меняется так быстро, что люди и образовательные системы не успевают подстроиться. Старые карьерные треки перестают приносить результаты, а новые еще не до конца сформированы. Именно поэтому рынок выглядит нестабильным. Он уже живет по новым правилам, но большинство участников все еще ориентируется на старые.
