Почему вопрос «куда идти» в 2026 году звучит иначе
Универсального IT-направления с гарантией занятости на 10-15 лет вперёд нет. Зато есть асимметрия, которая помогает выбирать: спрос, опирающийся на физические ограничения (электричество, охлаждение, сети, инженерное оборудование), устойчивее спроса, который держится только на софте. Код автоматизируется быстрее, чем подстанция.
Материал вырос из вопроса на Хабре. Его автор - бывший программист, сейчас занимается IT-менеджментом, проектами и развитием бизнеса. Он ищет направление с устойчивым спросом на 10-15 лет, хочет остаться рядом с IT и признаёт: несколько лет назад он почти без сомнений советовал бы идти в разработку, сейчас такой уверенности нет. Сварка и медицина им не рассматриваются, на зарплату условного сварщика с семьёй не выжить.
Отправная точка дискуссии - «воронка» пользователей LLM, которую описал Андрей Карпаты: около 75% людей практически не сталкивались с языковыми моделями, порядка 20% используют ChatGPT и аналоги как улучшенный поисковик, около 0,2% применяют передовые модели в сложных задачах, а доступ к внутренним системам исследовательских лабораторий есть примерно у 5 тысяч человек. Исходное обсуждение на Хабре сразу оговаривает: это приблизительные расчёты самого Карпаты, а не результаты исследования, и речь о глубине использования технологии, а не о числе зарегистрированных пользователей.
Ниже нет цифр по зарплатам, срокам переобучения и котировкам сертификатов. В исходной дискуссии ответы на эти вопросы не нашлись, а придумывать их бессмысленно: любая такая цифра без источника превращает разбор в гадание.
Что на самом деле показывает «воронка» пользователей LLM
Четыре уровня воронки измеряют глубину проникновения технологии, а не размер рынка труда. Полезно пройти по каждому и посмотреть, что он означает для конкретной карьеры.
- 75%, около 6 млрд человек почти не сталкивались с языковыми моделями. Спрос на запуск моделей в рабочих процессах и обучение сотрудников ещё впереди, но распределён он крайне неравномерно по отраслям и регионам.
- 20%, 1-2 млрд периодически пользуются ChatGPT и аналогами, чаще всего как улучшенным поисковиком. Это личная продуктивность, а не перестройка процессов: компания, где сотрудники так ищут документацию, не меняет архитектуру и не сокращает команду.
- 0,2%, около 20 млн применяют передовые модели в программировании, математике и других сложных задачах, где агенты уже выполняют работу, занимавшую раньше недели. Здесь концентрируется давление на часть задач разработки.
- 0,00006%, примерно 5 тысяч человек имеют доступ к наиболее продвинутым внутренним системам исследовательских лабораторий. Рынок труда в OpenAI, Anthropic, Google DeepMind узкий, конкуренция огромная, а разработка моделей автоматизируется всё сильнее.
Для карьерного планирования важнее всего разрыв между вторым и третьим уровнями. Массовое использование моделей как поисковика не создаёт спроса на сложную инженерию, зато создаёт спрос на людей, которые умеют встроить модель в процесс: настроить, ограничить права, проверить результат, объяснить коллегам, где она врёт.
Разрыв между третьим и четвёртым уровнем закрывает другую иллюзию. Люди, работающие с самыми продвинутыми внутренними системами, задают представление о том, «как сейчас всё устроено», но их единицы. Ориентироваться на этот срез как на образец карьеры рискованно: там узкий отбор и высокая автоматизация самой работы.
«Повсеместный ИИ» пока описывает потенциал технологии, а не текущее состояние рынка. Планировать переход стоит под реальную глубину проникновения: где-то модели уже в ежедневных задачах, где-то о них знают по новостям.
Почему по своему окружению нельзя судить о рынке
Автор обсуждения прямо оговаривает: в его окружении Codex и Claude Code уже привычны, но по своему кругу общения обо всём мире судить трудно. Профессиональные чаты и русскоязычные AI-каналы усиливают эффект: там обсуждают агентов, локальные модели, пайплайны, и кажется, что так работает вся индустрия.
Воронка Карпаты показывает обратную картину: 0,2% на сложных задачах и три четверти людей, которые моделей почти не касались. Обе картины верны, просто описывают разные срезы. Первый срез даёт представление о переднем крае, второй - о реальном объёме работы, которую ещё никто не автоматизировал.
Проверять спрос дешевле на вакансиях и задачах, чем на ленте. Два вопроса к любой вакансии: какая задача там повторяется каждый день и можно ли её закрыть нажатием кнопки в чате. Если да, роль сжимается. Если задача упирается в оборудование, доступы, ответственность за продовый инцидент или переговоры с людьми, сжимается медленнее.
Стоит ли учиться на программиста в 2026 году
Разработка не исчезает. Меняется характер спроса. Codex, Claude Code и другие инструменты берут на себя всё более сложные задачи, программисты завтра не исчезнут, но сколько их потребуется для прежнего объёма работ - вопрос открытый. Автор обсуждения формулирует это именно так, без прогнозов по числу вакансий.
Практический сдвиг проще описать через структуру задач. Меньше «написать с нуля», больше «понять, проверить, интегрировать». Требования к специалисту смещаются от скорости набора к способности сформулировать задачу, оценить чужое решение и удержать ответственность за результат. Кому-то это подходит лучше, чем прежняя работа, кому-то хуже, и это нормальный критерий выбора, а не повод для общих выводов о профессии.
Категоричной рекомендации здесь не будет. Разработка остаётся разумным выбором для тех, кто готов работать с агентами как с инструментом, углубляться в предметную область и читать много чужого кода. Она плохо подходит тем, кто рассчитывал на длинную карьеру за счёт механического перевода требований в строки.
Что именно забирают Codex и Claude Code, а что нет
Из обсуждения следует только то, что инструменты берут на себя всё более сложные задачи, а агенты выполняют работу, которая раньше занимала неделю. Измеренных границ там нет, поэтому дальше - рабочая гипотеза, а не факт.
Быстрее уходит то, что проверяется автоматически: сгенерированный код, тесты, шаблонные участки, миграции однотипных фрагментов. Дольше остаётся работа с физическим оборудованием, интеграция с реальными системами и ответственность за продовые инциденты. Второе сложнее передать агенту, потому что проверка требует доступа к живому контуру и понимания, что произойдёт при сбое.
Главным навыком становится чтение и проверка чужого кода. Разбор того, как ИИ переформатировал IT-иерархию, показывает этот сдвиг: роль исполнителя, который переводит требования в строки, сжимается, а инженер, отвечающий за архитектуру, контекст и контроль над агентами, остаётся востребованным.
Отдельный риск касается входа в профессию: найм джунов сокращается, а стартовая позиция была основным способом набрать опыт на реальных задачах. Тот, кто выбирает разработку сейчас, стоит перед необходимостью собирать практику иначе: pet-проекты с полноценным циклом, участие в открытом коде, работа с агентами на собственных задачах.
Открытые GLM и Qwen и что это значит для рынка
Открытые модели сокращают отставание от закрытых. Китайские GLM, Qwen и другие решения позволяют выполнять многие прикладные задачи без обращения к дорогим API, их можно запускать на собственной инфраструктуре, а часть - даже на локальном оборудовании. Обсуждение на Хабре фиксирует это как фактор, меняющий расклад для компаний.
Следствие для карьеры: растёт ценность людей, которые умеют развернуть модель на своём железе, посчитать требования к памяти, выбрать квантование, собрать RAG поверх внутренних документов и объяснить, где локальный запуск дешевле API, а где нет. Это пересекается с темами локальных LLM, GPU и VRAM, агентов и MCP.
Гарантии по зарплате из этого не следуют, данных нет. Зато понятна логика спроса: компания, которая не может отправлять данные в чужое облако, ищет не «человека с сертификатом», а специалиста, способного поднять и сопровождать контур у себя.
Какие профессии в IT не заменит ИИ: инфраструктурный полюс
Второй полюс обсуждения выглядит контринтуитивно на фоне разговоров про агентов: рост дата-центров требует электричества, охлаждения, сетей и инженерного оборудования. Модель эти задачи не решает, она их создаёт.
По базовому прогнозу МЭА потребление электроэнергии дата-центрами может вырасти с 485 ТВт·ч в 2025 году до 950 ТВт·ч к 2030 году. Это сценарий, а не факт: результат зависит от темпов строительства ЦОДов, энергоэффективности ускорителей и того, насколько быстро вводятся новые генерирующие мощности. Сценарии МЭА отличаются друг от друга, и базовый - лишь один из них.
Логика спроса от этого не меняется. Каждая новая площадка - это распределение питания, бесперебойники, системы охлаждения, сети, датчики и диспетчеризация, которая всё это собирает. Такое хозяйство нужно проектировать, вводить, обслуживать и мониторить, причём в режиме 24/7.
Из IT сюда переносятся логирование и метрики, алертинг, скрипты, интеграции между системами, понимание отказоустойчивости. Появляется работа с физическим оборудованием: тем, что нельзя перезапустить контейнером.
Мониторинг инфраструктуры дата-центров
Специалист собирает метрики с инженерного оборудования: питание, температуры, влажность, состояние сетей, работа охлаждения. Дальше настраивает алерты, разбирает инциденты, автоматизирует рутину - отчёты, регламентные проверки, реакции на события.
По механике это близко к observability в софте: та же цепочка «метрика, порог, алерт, разбор». Опыт с системами мониторинга, Python и интеграциями переносится почти напрямую, меняется только объект наблюдения.
Ограничения честные: без опыта работы с физическим оборудованием вход сложнее, а дефицит специалистов сам по себе не гарантирует высоких зарплат. Отсутствие людей в статистике вакансий не означает, что работодатель готов платить любую сумму.
Рост потребления электроэнергии дата-центрами как драйвер спроса
Энергия - самый жёсткий ограничитель в этой истории. Мощности генерации и сети вводятся годами, а спрос на вычисления растёт быстрее. Отсюда спрос на инженерные компетенции: электрика, охлаждение, сети, оборудование, а рядом - люди, способные это мониторить и автоматизировать.
Для IT-специалиста практический интерес здесь в стыке: нужны и навыки работы с данными и алертами, и понимание физики процесса. Чистый софтверный инженер без интереса к железу застрянет на первом же инциденте с охлаждением.
Переход из IT в смежные области: SCADA, BMS, автоматизация, робототехника
Если хочется остаться рядом с IT, но уйти от чистой разработки, есть несколько направлений, где IT-навыки переносятся, а спрос опирается на физический контур. Часть таких ролей уже разложена по полочкам в публичных прогнозах: карта новых профессий 2026 года показывает, какие позиции появились вместе с ИИ и что для них требуется.
SCADA и автоматизация инженерных систем
SCADA - это сбор данных с оборудования и управление процессом через диспетчерский интерфейс: датчики, контроллеры, операторские экраны, журналы событий. Специалист описывает, какие данные снимаются, как обрабатываются, какие действия доступны оператору и что происходит при потере связи.
Переносимые навыки: интеграции, работа с протоколами, автоматизация, отладка, понимание того, как система ведёт себя при отказах. Барьеры: нужно техническое образование и понимание физических процессов, часто требуется разбираться в контроллерах и промышленных сетях. Без опыта с оборудованием вход не мгновенный, сроки никто обоснованно не назовёт.
BMS и управление инженерными системами зданий
BMS управляет климатом, энергопотреблением и безопасностью здания. Спрос связан с ростом и усложнением инфраструктуры, включая ЦОДы: чем больше инженерных систем, тем больше нужно сводить их показания в один контур и реагировать на отклонения.
Пересечение с IT заметное: сбор телеметрии, дашборды, сценарии автоматизации, интеграция с внешними системами, разграничение прав. Ограничение то же: предметную область придётся изучать, а дефицит кадров не равен автоматически высокой зарплате.
Робототехника и physical AI
Здесь ИИ встречается с железом: модели восприятия и планирования, симуляторы, обработка сенсорных данных, отладка поведения в реальном мире. Из софта напрямую переносятся Python, пайплайны данных, работа с моделями и инструментами их оценки.
Барьеры выше, чем в мониторинге: физический контур, требования безопасности, необходимость понимать железо и ограничения сенсоров. Такие роли часто требуют профильного образования и опыта работы с оборудованием, поэтому лёгким входом это направление называть нельзя.
Ограничения, о которых стоит знать до перехода
Список того, что чаще всего недооценивают:
- Техническое образование. SCADA, BMS и промышленная автоматизация предполагают базу в электротехнике, автоматике или смежных дисциплинах. Самообразование возможно, но его придётся доказывать практикой.
- Опыт работы с физическим оборудованием. В софте откат - это минута и деплой. В инженерном контуре ошибка видна в железе и может стоить дороже.
- Дефицит специалистов не равен высоким зарплатам. Отсутствие людей в статистике вакансий и готовность платить много - разные вещи, а данных по деньгам в исходной дискуссии нет.
- Разрыв между «интересно» и «получится». Переход требует добирать знания параллельно с текущей работой, и это растянутая во времени задача.
Позиция автора обсуждения здесь полезна своей прямотой: на зарплату условного сварщика ему не выжить с семьёй, но сварка и медицина - не его направление. Он хочет остаться рядом с IT и применить то, что уже умеет. Консалтинговые лозунги про «суждение», «вкус» и «доменную область» он переписывать не стал, и это честнее: общие слова не заменяют ответа на вопрос, где именно ваш опыт стоит денег.
Как выбрать направление на 10-15 лет: практический каркас
Вместо списка «профессий будущего» полезнее рамка из четырёх проверок.
- Проверьте, на что опирается спрос. Физическое ограничение (энергия, охлаждение, оборудование, сети) или софт, который легко автоматизировать. Первое меняется медленнее.
- Посчитайте, сколько ваших навыков переносится. Метрики, алертинг, интеграции, скрипты, отладка переносятся в инфраструктурные роли почти без потерь. Предметную область придётся добирать.
- Оцените готовность работать с оборудованием и добирать образование. Если перспектива разбираться в электрике и контроллерах вызывает отторжение, инфраструктурный полюс не ваш, каким бы устойчивым он ни казался.
- Проверьте гипотезу на вакансиях и задачах. Смотрите, что реально требуется в вашем регионе и отрасли: набор требований в вакансиях полезнее ленты с прогнозами.
Что делать, если вы уже в IT-менеджменте
Автор обсуждения - бывший программист, который сейчас занимается IT-менеджментом, проектами и развитием бизнеса, и хочет найти направление, где пригодится уже накопленное. Это существенный актив: умение считать экономику задачи, договариваться с подрядчиками и доводить проект до результата редко встречается у чистых инженеров.
Такое сочетание востребовано там, где нужно связать инженерную инфраструктуру, AI-инструменты и бизнес-задачи: запуск локальных моделей для задач с чувствительными данными, автоматизация отчётности, мониторинг распределённых систем, оценка того, окупится ли переход на свои мощности вместо API. Менеджер, который понимает и железо, и модели, реже оказывается лишним звеном.
Обещаний по зарплатам и срокам здесь нет. Есть критерий проверки: если ваша работа сводится к передаче задач между людьми, её автоматизируют быстрее, чем работу, где вы отвечаете за решение с измеримым эффектом.
Что остаётся открытым и как читать такие прогнозы
В статье нет зарплат, сроков переобучения и котировок сертификатов. В исходной дискуссии ответы на эти вопросы не нашлись, а подставлять вместо них догадки - значит повторять ошибку, из-за которой прогнозы о профессиях быстро устаревают.
Две опоры материала стоит держать в голове с оговорками. Воронка Карпаты - приблизительные оценки глубины использования технологии, а не исследование с методологией. Прогноз МЭА по потреблению электроэнергии дата-центрами - сценарий, который зависит от темпов строительства и энергоэффективности железа.
Автор обсуждения сам пишет, что пока не нашёл для себя ответов и предлагает разбираться вместе. Такой формат честнее готовых рекомендаций: направление проверяется не хайпом, а тем, на что опирается спрос. Спрос на физику (электричество, охлаждение, оборудование, сети) переживает смену поколений моделей спокойнее, чем спрос на софт, который завтра автоматизируют. Полный отказ от ИИ при этом не вариант, цена отказа измеряется конкурентоспособностью, поэтому речь о выборе точки приложения опыта, а не о выходе из технологии.
Практический шаг на эту неделю: выпишите три задачи, которые вы выполняли в последний месяц, и отметьте, какие из них можно выполнить нажатием кнопки в чате. Оставшиеся и есть ваш реальный запас прочности. Дальше проверьте по вакансиям, где такие задачи встречаются чаще и стоят дороже в вашем регионе.