AI first: почему компании вместо «чистых кодеров» ищут инженеров с ИИ-навыками

Активное проникновение искусственного интеллекта в разработку отражается на рынке труда: компании все чаще ищут не просто разработчиков, а инженеров, умеющих управлять ИИ-инструментами и использовать их для ускорения работы компании. Почему работодатели все чаще делают ставку на таких специалистов, как ИИ меняет разработку уже сейчас и какие навыки будут особенно востребованы в ближайшие годы, рассказывает Centicore Group.

Перемены на рынке труда

За последний год в американском LinkedIn [социальная сеть, деятельность которой прекращена на территории РФ] на 70% выросло число вакансий, где требуется умение работать с ИИ. Спрос на ИИ-инженеров за два года увеличился в 13 раз, а зарплаты специалистов с такими компетенциями оказались на 20-25% выше, чем у коллег.

Те же тенденции прослеживаются и в России: на платформе HeadHunter количество вакансий для специалистов с ИИ-навыками за год выросло на 15%. Причем работодатели ищут не только ML-инженеров, но и обычных разработчиков, которые умеют использовать ИИ-инструменты в ежедневной работе. По оценкам hh.ru, навыки работы с искусственным интеллектом сегодня фигурируют уже в десятках тысяч ИТ-вакансий — от финтеха до промышленности и e-commerce.

Меняется и структура спроса: если раньше рынок был сосредоточен вокруг «ручной» разработки, то теперь компании ищут специалистов, которые умеют автоматизировать часть инженерной работы с помощью ИИ. Особенно быстро это происходит в крупных корпорациях, где скорость вывода цифровых продуктов напрямую влияет на конкурентоспособность бизнеса.

Алгоритм вместо программиста

Сегодня ИИ в инженерной работе — это уже не только автодополнение кода. Инструменты вроде GitHub Copilot, Cursor, Claude Code умеют проводить юнит-тестирование, рефакторинг, искать баги, делать код ревью и генерировать документацию. Copilot Workspace, получив задачу, помогает системе пройти весь цикл разработки, вплоть до плана реализации и написания кода. После этого ИИ может помочь собрать проект, запустить тесты и подготовить изменения к отправке в pull request — публикации готового обновления в основной код проекта.

Иначе говоря, ИИ уже работает не только на уровне написания отдельных функций, а начинает сопровождать весь процесс — от постановки задачи до выпуска готового изменения в продукт.

Следующий этап — агентные инженерные сценарии: режим агента, который появился в GitHub Copilot прошлой весной, способен анализировать кодовую базу, планировать и выполнять многошаговые решения, запускать команды и тесты, проводить код ревью и даже предлагать архитектурные улучшения. Это уже очень близко к тому, что называют AI‑first: инженер задает цель и ограничения, а ИИ берет на себя часть исполнения и проверки. Параллельно развивается и направление low-code/no-code — инструментов, где цифровые продукты можно создавать практически без ручного написания кода.

Эффект для бизнеса

Активное проникновение ИИ в разработку приводит к тому, что внутри компаний инженеры все реже пишут каждую функцию вручную — вместо этого они выстраивают логику взаимодействия между ИИ-моделями, данными и разными сервисами. Такой подход дает ощутимый эффект, который наглядно продемонстрировало исследование GitHub: 95 профессиональных разработчиков решали одинаковую задачу, часть — с помощью Copilot, часть — без него. Участники, которые использовали ИИ, справились на 55% быстрее, а уровень успешного завершения задач у них оказался на 8% больше. Исследование McKinsey оценивает возможность увеличения продуктивности инженерных команд за счет ИИ еще выше — до 20-45% в зависимости от типа задач.

Как следствие — ИИ активно используется в разработке многими компаниями, в том числе такими крупными игроками, как Klarna, Shopify, JPMorgan. В некоторых внутренних проектах Microsoft искусственный интеллект помогает генерировать до 30% кода, а в Google с помощью ИИ-инструментов создается более четверти нового кода — затем инженеры проверяют его и дорабатывают вручную.

Риски и препятствия

ИИ особенно хорошо показывает себя там, где задачи хорошо повторяются и состоят из большого количества шаблонной инженерной работы. Например, при создании типовых API, генерации CRUD-логики, тестов, интерфейсных компонентов или документации результаты действительно могут быть впечатляющими.

Но вместе с тем ИИ-разработка создает новые риски: сгенерированный алгоритмами код может содержать скрытые ошибки, проблемы с безопасностью или архитектурные ограничения, которые проявятся позже. А исследования DORA (международной программы DevOps Research and Assessment) показали, что использование ИИ может ухудшать стабильность систем и замедлять разработку из-за роста технического долга и количества дефектов.

Таким образом, чем выше автономность ИИ-систем, тем важнее становятся вопросы безопасности и контроля. Поэтому рынок постепенно смещает фокус на специалистов, которые умеют не только генерировать код, но и проверять, тестировать, верифицировать и встраивать ИИ в рабочие процессы команды. Фактически инженер начинает управлять экосистемой ИИ-инструментов, отвечать за их надежность, безопасность, этичность и итоговое качество продукта.

Востребованные навыки

На фоне этих трансформаций меняются и навыки, которые компании хотят видеть у инженеров и разработчиков. Уже сейчас специалисты, которые ими обладают, пользуются высоким спросом, а в будущем можно ожидать, что эти компетенции постепенно войдут в массовые требования работодателей.

• Во-первых, резко возрастает ценность системного мышления. Чем больше рутинной работы берет на себя ИИ, тем важнее становится способность проектировать архитектуру и понимать, как отдельные компоненты влияют на всю систему.
• Во-вторых, критически важным становится умение проверять и валидировать результаты работы ИИ. Инженеру недостаточно просто получить код от нейросети — нужно понимать, насколько он безопасен, масштабируем и соответствует бизнес-логике.
• В-третьих, растет спрос на навыки работы с данными и аналитикой. Многие ИИ-инструменты напрямую завязаны на качество данных, а значит, инженеру необходимо понимать принципы дата-инжиниринга и анализа показателей.
• Наконец, отдельным направлением становится управление рисками, безопасностью и правилами использования искусственного интеллекта внутри компании.

Что дальше

Судя по всему, в ближайшие годы профессия инженера и разработчика в ИТ сильно изменится. Сейчас рынок движется к модели, где инженер становится одновременно разработчиком, аналитиком, архитектором и оператором ИИ-систем. Крупные компании уже экспериментируют с автономными ИИ-агентами — системами, которые способны самостоятельно писать код, тестировать его, исправлять ошибки и взаимодействовать с другими сервисами почти без участия человека. Следующий этап — появление гибридных команд, где часть сотрудников будут составлять ИИ-агенты, а инженеры сосредоточатся на управлении архитектурой, бизнес-логикой и сложными нестандартными задачами.

При этом полностью заменить разработчиков ИИ вряд ли сможет. Чем сложнее система, тем важнее становится «человеческое» понимание контекста, рисков и последствий решений.

Поэтому будущее, скорее всего, будет не за «чистыми кодерами», а за инженерами нового типа — специалистами, которые умеют сочетать программирование, аналитику, системное мышление и работу с искусственным интеллектом. И наличие таких специалистов имеет все шансы стать главным запросом рынка.