Цифры, от которых стынет кровь
Май 2026 года. Вы просыпаетесь, открываете LinkedIn, а там — очередная волна постов "open to work" от сеньоров с 15-летним стажем. Кофе не спасает. Вчерашний тимлид, который учил вас Kubernetes, теперь продаёт курсы на Udemy. Что случилось? Илон Маск купил Microsoft? Нет, всё прозаичнее: ИИ добрался до тех, кто считал себя неуязвимым.
В 2025 году, как мы писали, официально зафиксировали 55 000 увольнений, связанных с ИИ. К маю 2026 года эта цифра, по данным Challenger, Gray & Christmas, выросла до 147 000. И это только те, кто честно признался. Реальные потери — под 300 000. Но паниковать рано. Или уже поздно? Давайте разбираться без соплей и розовых очков.
Ключевой сдвиг: если раньше под удар попадали операторы колл-центров и копирайтеры, то в 2026-м волна докатилась до middle- и senior-разработчиков. Каждый пятый уволенный айтишник в отчётах компаний напрямую указывает причиной автоматизацию.
Кого увольняют прямо сейчас? Таблица рисков
Мы проанализировали данные Reforge, Gartner и LinkedIn за первый квартал 2026 года. Вот кто в зоне поражения:
| Роль | Риск замены (оценка) | Причина |
|---|---|---|
| Junior-разработчик (frontend/backend) | 80-90% | ИИ (Claude 4, GPT-5.2) пишет 70% кода быстрее и без багов. Остаётся code review и настройка CI/CD. |
| Тестировщик (manual QA) | 75-85% | AI-агенты (Playwright + vision) проходят 90% сценариев за минуты. |
| Support Engineer L1/L2 | 90-95% | Чат-боты с RAG решают 95% тикетов без эскалации. |
| DevOps (настройка инфраструктуры) | 40-50% | ИИ-ассистенты генерируют Terraform и Dockerfile, но архитектуру и инциденты пока ведут люди. |
| Data Analyst (SQL + BI) | 60-70% | Text-to-SQL + генерация дашбордов за секунды. Нужен тот, кто ставит задачи и проверяет качество. |
Обратите внимание: DevOps пока держится — тут слишком много контекста, legacy и нестандартных ситуаций. Но сидеть сложа руки не советую. Год назад так думали Java-мидлы — сегодня они учат нейросети затыкать себя.
Предупреждение: Не верьте тем, кто говорит «AI только помощник». Это полуправда. Да, он помощник, но если вас можно заменить помощником, который работает 24/7 и стоит $20 в месяц, — вас заменят. Спросите у Klarna.
Кейс Klarna: как шведский финтех показал всему миру, что нельзя тупо резать
История Klarna — это классический пример «хотели как лучше, а получилось как всегда». В 2024 году CEO компании заявил, что ИИ-ассистент делает работу 700 операторов. Уволили людей, внедрили бота. Через полгода репутация рухнула: сложные кейсы (споры, возвраты, мошенничество) бот решал с ужасным качеством, клиенты начали уходить. Пришлось срочно нанимать 200 «супер-операторов» с зарплатой выше средней, чтобы разгребать эскалации. Итог: сэкономили на FTE, но потеряли в LTV и бренде. Ошибка — попытались заменить людей, а не трансформировать их работу.
Как правильно? Вместо «уволить всех» — перераспределить. Junior-операторы становятся экспертами по сложным запросам и обучают ИИ. Компания сохраняет знания, культуру и контроль. Это дешевле, чем нанимать новых после провала.
Стратегии адаптации: что делают те, кто не паникует
Я собрал опыт десятка IT-компаний из своего пула (от стартапов до enterprise). Вот три работающие модели:
- Модель «Аугментация» (80% компаний): ИИ дают каждому сотруднику как ассистента. Скорость растёт, FTE не сокращается, но продукта становится больше. Пример — GitHub Copilot + внутренний ревьюер. Команда пишет в 2 раза быстрее, нанимают столько же — просто делают больше фич.
- Модель «Трансформация» (15%): Сознательно урезают бюджет на наём, перенаправляя его на обучение и AI-инструменты. Каждый уволенный (если увольняют) получает грант на переквалификацию. Внутри создают роли AI-тренер, Prompt Architect, Ethics Reviewer. Пример — GitLab, которые перевели часть саппорта в QA для AI-агентов.
- Модель «Оборона» (5%): Игнорируют ИИ, надеясь, что всё рассосётся. Результат предсказуем — через квартал запаса прочности не остаётся.
Очевидно, что первая и вторая — единственно разумные. Но как именно строить новую структуру? Действуйте по плану.
Пошаговый план для IT-руководителя (май 2026)
1 Аудит уязвимых ролей
Составьте матрицу: какие задачи в вашей компании уже сегодня может выполнять ИИ на 80%+? Не гипотетически, а прямо сейчас — с помощью Claude 4, Gemini 2.5 Pro или GPT-5.2. Скорее всего, это генерация кода, тесты, стандартные отчёты, первая линия поддержки. Отметьте, какие люди эти задачи делают. Не увольняйте их — но готовьте к переходу.
2 Создайте гибридные роли
Пример: «AI-координатор разработки» — человек, который настраивает промпты, валидирует код, сгенерированный нейросетью, и пишет тесты для этих решений. Или «Data Storyteller» — не просто строит дашборды, а интерпретирует и преподносит результаты бизнесу. Важно: эти роли должны быть оплачены выше, чем старые, иначе люди уйдут сами.
3 Запустите внутреннюю программу переобучения
Не отправляйте людей на сторонние курсы — они не будут мотивированы. Сделайте внутренние AI-спринты: команда садится и 2 недели пилит Proof of Concept с новыми инструментами. Лучшие подходы внедряются, участники получают бонус. Знаете, кто не боится потерять работу? Тот, кто сам учит ИИ делать свою работу.
Кстати, если вы HR-директор или руководитель, и хотите научиться считать эффективность таких изменений, обратите внимание на курс «HR-аналитика с нуля» от Skillbox. Там дают инструменты для анализа данных сотрудников, чтобы вы могли опираться на цифры, а не на интуицию. Ссылка партнёрская, но курс реально полезный — сам проходил.
4 Измените систему KPI
Перестаньте оценивать людей по строкам кода или числу решённых тикетов. Введите метрики «скорость внедрения AI», «качество взаимодействия с инструментом», «сокращение времени цикла». Иначе ваши гении будут саботировать автоматизацию, потому что она лишает их бонусов.
5 Соберите совет по AI-трансформации
Еженедельно встречайтесь с CTO, Head of Product и Chief AI Officer (даже если это вы вчера). Обсуждайте не технологии, а людей: кого переводим, кого увольняем, кого нанимаем. Фиксируйте ошибки — они неизбежны. Главное правило: не сокращайте больше 10% команды за квартал. Резкие движения убивают культуру.
Три ловушки, в которые вы обязательно попадёте (и как их обойти)
- Ловушка 1: ИИ-инструмент купили, профита нет. Потому что люди не знают, как им пользоваться. Решение: выделите 10% рабочего времени на эксперименты. Назначьте «чемпиона» — энтузиаста, который обучает остальных.
- Ловушка 2: Уволили джуниоров — сеньоры перегружены. Решение: не увольнять, а переквалифицировать джуниоров в AI-тренеров. Они будут писать промпты и тесты для генераций, а сеньоры — ревьюить. Все счастливы.
- Ловушка 3: ИИ выдаёт мусор, а вы на него полагаетесь. Решение: внедрите метрики качества генераций (например, на основе человеческой оценки). Не автоматизируйте то, что нельзя верифицировать.
Ещё одна распространённая ошибка — думать, что ИИ заменит архитекторов. Как показывает кейс Block (Square) — они тоже сократили инженеров, но пострадала архитектура legacy-систем. Читайте наш разбор.
Что будет через год? (Мой прогноз на 2027)
Рынок IT-специалистов не схлопнется. Он разделится на два лагеря: «пользователи ИИ» (их 80%) — обычные разработчики админы, которые отлично знают свой инструмент, и «создатели ИИ» (20%) — те, кто тренирует модели, пишет AI-native софт и управляет автоматизацией. Первых будет в избытке, вторых — хронически не хватать. Зарплаты вторых взлетят до небес, первых — стагнируют. Вопрос не в том, заменит ли вас ИИ. Вопрос в том, готовы ли вы делать работу, которую ИИ не может.
Действуйте. Прямо сейчас. Иначе — прочитаете о себе в нашей следующей статье.
