Больше 200 человек за пять лет, средний переход в продуктовые команды на уровне 95% и текучесть не выше 5,5% через три года. На этом фоне кейс Laboratory 2.0 выглядит не как очередная история про корпоративное обучение, а как довольно жесткий ответ на вопрос, что делать рынку, где джуниоры и AI все чаще оказываются по разные стороны баррикад. Для русскоязычной IT-аудитории сигнал простой: часть компаний не сокращает вход в профессию, а переделывает его под эпоху генеративных ассистентов.
О модели СВОЙ Тех сообщает Habr / Карьера. Речь идет о внутреннем трехмесячном буткампе Laboratory 2.0, который компания развивает как систему подготовки кадров для собственных продуктов. Важная деталь: участникам не предлагают формат «попробуйте поучиться, а там посмотрим». Лаборант получает оффер с первого дня, оформляется в штат и получает зарплату. Обучение идет не на абстрактных pet-проектах, а на тех стеках, архитектурных подходах и процессах, которые используются в боевой разработке финтех-группы СВОЙ, ранее известной как IDF Eurasia.
Сама постановка вопроса для рынка неприятно узнаваемая. Мем про «джуна с тремя годами опыта» давно перестал быть шуткой, а за последние пару лет ситуация стала только жестче. Причины в публикации описаны без особой романтики. Первая: генеративный AI действительно забирает заметную долю простых задач, на которых раньше разгонялись новички, от базовой верстки до шаблонного CRUD и части автотестов. Вторая: от кандидата начального уровня теперь нередко ждут понимания микросервисов, CI/CD, паттернов и бизнес-контекста, хотя еще недавно это считалось территорией уровней повыше. Третья: на фоне экономии бюджеты на адаптацию режутся легче, чем зарплаты сильных сеньоров. В результате рынок по-прежнему нуждается в людях, но мост между выпускником курсов и полезным инженером местами просто разобран на запчасти.
В этой логике Laboratory 2.0 интересна тем, что не спорит с самим фактом прихода AI в повседневную разработку. Наоборот, внутри программы нейросети рассматривают как ускоритель. Новичков учат не «обходиться без AI», а использовать его для рутины и быстрее добираться до важного: логики, транзакций, безопасности данных, архитектурных решений. Но есть и ограничитель, без которого вся конструкция быстро превращается в конкурс по копипасте из ассистента. На код-ревью участник обязан объяснить каждую строчку, даже если она сгенерирована машиной. Не понимаешь, как работает запрос, почему так устроена работа с базой или где риск для данных, пулл-реквест не проходит. Для финтеха, где цена ошибки редко ограничивается красным пайплайном в CI, это, пожалуй, единственная рабочая позиция.
Программа длится три месяца и построена как интенсивный онбординг, а не как внешняя школа при компании. Отбор, по словам авторов, ориентирован не на красивое слово «junior», а на фундаментальную базу: профильные вузы, IT-школы, курсы, сильные pet-проекты, готовность быстро учиться. Обучение проходит очно в офисе, что немного контрастирует с модой на тотальную удаленку, но в контексте старта карьеры выглядит рационально: короткое плечо до ментора, быстрый разбор блокеров, погружение в инженерную культуру без зум-задержки в полсекунды и без бесконечного «созвонимся позже». Подготовка идет по направлениям, которые нужны самой компании: Java-backend, ручное и автоматизированное тестирование, бизнес-анализ, фронтенд. Отдельно упоминаются DevOps и data engineering с Airflow, ClickHouse и dbt как новые треки развития.
Самая сильная часть кейса, как обычно, не в лозунгах, а в цифрах. За пять лет через Laboratory 2.0 прошло более 200 участников по инженерным и аналитическим направлениям. В среднем 95% выпускников после завершения программы присоединяются к действующим командам. Дальше интереснее, потому что многие корпоративные школы бодро отчитываются про набор, а о дальнейшей судьбе людей предпочитают не вспоминать. Здесь приводится динамика удержания по годам. Для набора 2021 года текучесть через три года составила 5,26%. Для набора 2022 года указаны 8,14% через два года и 2,33% через три года. Набор 2023 года оказался самым нервным: 11,54% через год, 19,23% через два года и затем 0% через три года. В 2024 году компания зафиксировала нулевую текучесть на горизонте одного и двух лет. Набор 2025 года пока проходит адаптацию, там указано 10,53% через год. Авторы связывают провал 2023 года с экспериментами по усложнению стека и масштабированием новых направлений, после чего компания пересобрала отбор, усилила менторство и поправила онбординг.
Для разработчиков и тимлидов здесь есть довольно практичный вывод. Джуниоры и AI не обязаны конкурировать за одно и то же место в команде. Если компания продолжает мыслить задачами уровня «пусть новичок сначала делает мелочь», генеративные инструменты действительно вытеснят стартовые позиции первыми. Но если вход строится вокруг ускоренного погружения в продакшн, персонального менторства и обязательного понимания того, что именно сгенерировал ассистент, новичок начинает приносить ценность заметно раньше. Для бизнеса эта модель дороже, чем просто открыть еще одну вакансию senior, но, судя по цифрам удержания, может окупаться стабильным внутренним кадровым контуром. Для менторов есть еще один побочный эффект: наставничество превращается в отдельный трек развития, а не в вечную «общественную нагрузку», которой никто не рад.
В этом кейсе важен не только сам финтех и не только конкретная программа СВОЙ Тех. Он показывает более неприятную для рынка вещь: эпоха, когда джуниор мог долго существовать как «почти самостоятельный человек на простых задачах», похоже, заканчивается. На ее месте появляется другая роль: специалист, который с первого дня должен учиться работать в сложной архитектуре, использовать AI как инструмент и быстро доказывать, что понимает код лучше, чем подсказка в редакторе. Вопрос теперь не в том, нужны ли индустрии новички, а в том, сколько компаний готовы всерьез вкладываться в такой вход, вместо того чтобы еще раз посмеяться над мемом про три года опыта.