Замена джунов ИИ выглядит для бизнеса почти идеальной сделкой: меньше фонда оплаты труда, больше токенов для мидлов, быстрее выкатываются фичи. Но за этой арифметикой есть неприятная деталь: рынок уже сломал привычную систему входа в профессию, а компании рискуют остаться без следующего поколения инженеров.
О проблеме пишет Habr / Карьера со ссылкой на опыт H3LLO Cloud и наблюдения Даниила Пилипенко, предпринимателя и преподавателя, который с 2014 года занимается подбором и оценкой IT-специалистов в SymbioWay. Главный тезис простой: маленькие команды с ИИ действительно могут делать много, но это не означает, что джунов можно безболезненно вычеркнуть из экономики разработки.
Повод для спора понятен. Компании сокращают косты, режут найм начинающих специалистов и пытаются переложить часть работы на LLM-инструменты. Логика соблазнительная: дать мидлам доступ к AI-агентам, ускорить разработку и перестать тратить деньги на людей, которых еще надо долго учить. На рынке уже есть примеры tiny teams — команд до 30 человек, которые с помощью ИИ собирают сложные продукты, включая облачные платформы.
Но в источнике подчеркивают важное различие: эффективная маленькая команда не равна корпоративному KPI на расход токенов. В H3LLO Cloud, по словам автора, нейросети используют каждый день, но без цели «добить лимит». В крупных компаниях бывает иначе: разработчики отправляют бессмысленные запросы, потому что использование ИИ стало метрикой само по себе. Это уже не инженерия, а отчетность с подсветкой синтаксиса.
Контекст рынка делает ситуацию жестче. Десятилетиями IT жил в режиме дефицита: вакансий было примерно на 40% больше, чем резюме. В пандемию спрос на разработчиков резко вырос из-за доставки, онлайн-сервисов и цифровизации всего, что успели оцифровать. В марте 2021 года, по приведенному в материале примеру, Java-разработчик мог выложить резюме утром, к вечеру получить десятки писем и звонков, а на следующий день уже иметь оффер.
Потом рынок начал остывать. В марте 2022 года финансирование многих проектов стало осторожнее, вакансий стало меньше. По данным из материала, до октября 2024-го российский рынок еще сохранял привычный дефицит, а затем кривая вакансий снова пошла вниз. Прошлым летом резюме впервые за десятилетия стало больше, чем вакансий. В США, по оценке источника, число технических вакансий падало с пиковых примерно 500 тысяч до 150 тысяч в июне 2022 года, а сейчас восстановилось только до 260 тысяч и растет медленно.
Для джунов это означает почти механическую проблему доступа. В Python конкурс может доходить до 20 человек на место, во фронтенде ситуация близкая. В 1С или Go, по наблюдениям источника, давление ниже, но средняя картина все равно неприятная. Начинающему специалисту для одного собеседования приходится отправлять сотни откликов, а вакансий по его направлению может просто не хватить.
Система подбора от этого не стала умнее. HeadHunter, по оценке автора, покрывает около 40% рынка. Кандидаты включают автоотклики, рекрутер получает тысячу резюме на одну вакансию, смотрит первые десятки и закрывает позицию. Остальные отклики исчезают в хвосте, который никто не читает. В такой момент бизнес приходит с идеей: если вход в профессию все равно перегружен, может, джунов вообще не нанимать?
ИИ действительно усиливает сильных инженеров. В материале приводится пример CRM: заказчик хотел заменить amoCRM и Bitrix24 собственной системой на 15 таблиц и около 30 страниц интерфейса. Разработчики без активного использования ИИ оценили работу в два-три месяца. Специалист с AI-инструментами сделал систему за 12 часов плотной работы, а за четыре месяца эксплуатации потребовалось лишь несколько небольших доработок примерно на три часа.
Но секрет там не в магическом промпте, а в нормальной инженерной дисциплине. Сначала проектируется база, затем интерфейс и REST API, потом отдельно пишутся бэкенд и фронтенд, дальше идут стыковка, автотесты и исправление ошибок. ИИ ускоряет руки, но не заменяет голову. Если у команды нет человека, который умеет разложить задачу на архитектуру, интерфейсы, ограничения и проверки, токены быстро превращаются в дорогой шум.
Отсюда главный провал идеи замены джунов ИИ: нейросеть сама по себе ведет себя как очень быстрый джун. Она много знает, не устает и не просит пересмотра зарплаты по средам, но ей нужны рамки. Дашь расплывчатую задачу — получишь расплывчатый результат. Потом можно несколько дней уточнять требования, чинить мелочи и удивляться, почему экономия куда-то испарилась.
Даже самопроверка у ИИ ограничена. Модель может найти часть проблем в собственном коде, затем еще часть, а через несколько итераций уверенно сообщить, что все хорошо. Опытный разработчик продолжит копать: конкурентность, безопасность, архитектурные узкие места, тестируемость, эксплуатационные риски. Это не романтика ручного труда, а разница между генерацией кода и ответственностью за систему.
Для бизнеса вывод неприятный, но полезный. Tiny teams работают, когда внутри есть сильные инженеры, ясные процессы и понимание, где LLM уместна, а где ее лучше не подпускать к рулю. Если же компания просто перестает нанимать джунов и раздает мидлам доступ к ИИ, она экономит на обучении сегодня и создает кадровую яму на завтра. Мидлы и сеньоры не появляются из воздуха: кто-то должен пройти стадию простых задач, ошибок, ревью и скучных, но нужных разборов.
Замена джунов ИИ поэтому выглядит не стратегией, а отсроченным долгом. В ближайший год она может улучшить отчеты по затратам и даже ускорить часть проектов. Дальше рынок упрется в вопрос посерьезнее: кто будет тем самым инженером, который ставит нейросети правильные задачи, если компании перестанут выращивать людей, способных когда-нибудь до этого уровня дорасти?