73% технологических вакансий в США теперь включают навыки ИИ как обязательное требование. Еще в январе 2024 года таких объявлений было 15%, а теперь речь уже не про модный бонус в резюме, а про новый минимум для рынка. Для русскоязычных разработчиков, продактов и IT-менеджеров вывод неприятно прямой: если вы не умеете показать, как работаете с ИИ в своей профессии, вас все чаще будут считать кандидатом из прошлой версии отрасли.
Об этом сообщает ZDNet со ссылкой на отчет платформы Dice, которая проанализировала 7 млн IT-вакансий в США за май 2026 года. Главная цифра там одна, и она достаточно красноречива: почти три четверти объявлений требуют хотя бы один AI-навык. CEO Dice Арт Зайле формулирует это без лишней дипломатии: многие такие компетенции скоро станут table stakes, то есть входным минимумом, без которого к столу просто не зовут.
Это важная деталь, потому что еще недавно рынок жил в более комфортной иллюзии. Можно было честно написать в профиле Python, SQL, немного облаков, немного аналитики, а знакомство с генеративными моделями вынести в раздел «интересуюсь». Теперь такой трюк работает хуже. Работодатель хочет не абстрактную «насмотренность» по теме, а доказательство, что кандидат способен использовать AI-инструменты в реальной задаче: ускорить разработку, автоматизировать рутину, сократить затраты, повысить качество решений или хотя бы не сломать прод в попытке делегировать половину работы агенту.
Сертификаты снова в игре, но этого уже мало
Один из самых прагматичных выводов из материала ZDNet: рынок начал заново ценить сертификации, только теперь в AI-направлении. По словам Зайле, еще два года назад у кандидатов почти не было формальных способов подтвердить такие компетенции, а сейчас выбор заметно шире. Он упоминает программы от AWS и Google, включая сертификации по generative AI и machine learning engineering. Логика работодателя здесь предельно земная: если человек прошел обучение, сдал экзамен и получил подтверждение навыка, это уже лучше, чем строчка «работал с ИИ» без единого проверяемого следа.
Но на одном бейджике далеко не уедешь. Для рынка труда это вообще старая история: сертификат открывает дверь, а не заменяет опыт. ZDNet отдельно подчеркивает другой сигнал, который работодатели хотят видеть: умение рассказать о проекте через результат. Не «использовал Python и LLM», а «собрал внутреннего агента для triage заявок, сократил ручную обработку, сэкономил часы команды». Не «владею промптингом», а «настроил пайплайн, где модель помогает саппорту или аналитике, при этом команда проверяет ответы и держит риск под контролем». На интервью, по словам Зайле, сильным ходом может стать даже демонстрация собственного агента. Звучит слегка как домашнее задание на собеседовании 2026 года, но рынок, похоже, именно туда и приехал.
Для кандидатов это меняет саму упаковку опыта. Резюме, где AI фигурирует как декоративная вставка между Kubernetes и коммуникабельностью, проигрывает резюме, где видно причинно-следственную связь: какую задачу решали, почему выбрали такой инструмент, как проверяли качество, что получили на выходе. Работодателю нужны не поклонники кнопки Generate, а люди, которые умеют встроить модель в бизнес-процесс и потом отвечать за последствия.
Побеждает не тот, кто сильнее верит в ИИ, а тот, кто умеет его контролировать
Еще один важный акцент в статье касается техсобеседований. Дэн Хиллман, interview engineer в Karat, компании, которая проводит технические оценки для клиентов вроде Google, Goldman Sachs и Mastercard, говорит о довольно зрелом критерии отбора. Кандидата проверяют не только на способность работать с AI, но и на то, насколько хорошо он применяет собственную экспертизу, чтобы аудировать и направлять AI-инструменты при решении задачи. Иными словами, слепое доверие модели не считается компетенцией. Наоборот, ценится умение сначала наметить собственный подход, затем подключить инструмент, а после перепроверить результат.
Это, вероятно, главный разворот всей истории про навыки ИИ. Еще в первой волне массового интереса к генеративным моделям многие обсуждали скорость: кто быстрее пишет код, текст, тесты, SQL-запросы, документацию. Теперь фокус сдвигается на управляемость. Хороший кандидат должен показать, как он формулирует запрос, как собирает входные данные, где ставит ограничения, как проверяет галлюцинации, как оценивает корректность вывода и где предпочитает не доверять машине вовсе. Для разработчика это вопрос архитектуры и качества. Для продакта — вопрос принятия решений и рисков. Для IT-руководителя — вопрос процессов и ответственности.
Поэтому совет Хиллмана звучит практичнее, чем очередной список «20 промптов для карьеры»: брать тренировочные задачи, сначала решать их своим способом, потом подключать AI, а затем разбирать разницу. Такой режим действительно качает мышцу, а не иллюзию продуктивности. И здесь есть небольшой, но важный укол реальности: если специалист уже не может решить типовую задачу без помощи модели, то у него, скорее всего, не AI-компетенция выросла, а зависимость от костыля.
Отдельно рынок начинает смотреть на способность кандидата учиться дальше. Майкл Моррис, global head of platform and talent в Randstad Digital, в статье формулирует жестко: если соискатель не приходит с личным планом обучения и апскиллинга, он бы такого кандидата не рассматривал. Причина понятна. Модели, инструменты и интерфейсы меняются слишком быстро, чтобы диплом или один курс закрывали вопрос надолго. Работодатель хочет понять, есть ли у человека стратегия: какие курсы он проходит, как следит за новыми инструментами, как выбирает, что стоит внедрять в работу, и понимает ли вообще, как ИИ может изменить именно его роль.
Для бизнеса это тоже полезный сигнал. Если 73% вакансий уже требуют навыки ИИ, проблема перестает быть сугубо HR-задачей про фильтр в ATS. Компаниям придется точнее описывать, что именно они ищут: опыт работы с ML-моделями, прикладной промптинг, интеграции с API, автоматизацию процессов, аудит вывода, построение агентов, настройку безопасных сценариев использования. Иначе рынок быстро утонет в вакансиях, где AI указан как обязательное слово сезона, но никто внутри не может объяснить, что с ним делать после найма.
Для специалистов вывод еще прозаичнее. Базовая ставка теперь не на то, что вы «знакомы с ИИ», а на то, что вы умеете показать результат, процесс и план развития. Условный middle-разработчик без публичного проекта, без кейса автоматизации и без внятного рассказа о том, как он проверяет вывод модели, рискует смотреться слабее коллеги с более скромным стеком, но с понятной практикой применения AI в своей предметной области. Похоже, рынок окончательно решил: ценится не магия вокруг моделей, а дисциплина работы с ними. Подробности и исходные цитаты можно посмотреть в материале — хотя главный вопрос уже не в том, нужен ли AI в карьере, а в том, как скоро отсутствие таких навыков начнет выглядеть так же странно, как когда-то отсутствие английского в резюме разработчика.