Стать разработчиком стало сложнее: как ИИ меняет старт карьеры в ИТ
ИИ постепенно забирает на себя рутинные задачи, на которых раньше росли начинающие разработчики. На фоне этого требования к джунам растут, а вход в профессию стал сложнее. Сenticore Group о том, где и как теперь кандидатам получать начальный опыт и расти в профессии.
После бума спроса число вакансий на ИТ-специалистов начало сокращаться: в 2025 на портале HeadHunter было опубликовано 505 тысяч ИТ-вакансий против 680 тысяч в 2024 году — разница в 26%. Сильнее всего этот дисбаланс ощущается на входе: в январе 2026 года кандидатам без опыта были доступны только 10-11% от всех ИТ-вакансий, тогда как средний показатель по рынку труда — 37-38%. И даже внутри этой небольшой доли основная часть предложений не связана напрямую с разработкой: около половины вакансий для новичков приходилась на техническую поддержку и смежные функции.
Одна из причин сокращения потребности в начинающих специалистах — передача рутинных операций искусственному интеллекту. Нанять джуна никогда не означало просто получить дешевого программиста: в первые месяцы компания вкладывает в него время наставника, знакомит с продуктом и проверяет значительную часть работы. Раньше эти затраты компенсировались тем, что новичок постепенно забирал поток простых задач.
Теперь львиную долю этой работы может закрыть опытный разработчик с помощью ИИ. Компания встает перед выбором: нанять джуна и вкладываться в его развитие либо дать сеньору инструмент, который не нужно вводить в контекст команды, знакомить с корпоративными правилами и регулярно консультировать. На фоне сокращения бюджетов выбор становится очевиден. Особенно это актуально для небольших компаний, которые не могут позволить себе выращивание кадров, поскольку им нужен быстрый результат.
Рост требований к джунам
Конечно, искусственный интеллект не может заменить джуна полностью, но он берет на себя те задачи, на которых раньше учились новички. Создание шаблонного кода, простых тестов, исправление очевидных багов, обновление документации — все это позволяло джуниору научиться работать с промышленным кодом, находить причины ошибок, разбираться в чужих решениях и постепенно брать на себя более сложные задачи.
Теперь, когда эти функции начал забирать ИИ, на джунов легла более сложная часть работы, с которой алгоритм не справится — умение разбираться в архитектуре, проверять чужой код с учетом рисков безопасности и понимать бизнес-контекст. Получается разрыв: простая работа уже частично автоматизирована, а к сложной специалист еще не готов.
Раньше джуниор-разработчик мог выделиться на фоне других кандидатов знанием языка, фреймворка и алгоритмов. Теперь нейросеть тоже способна сгенерировать функцию, SQL-запрос или типовой API, поэтому ценность специалиста смещается от непосредственного написания кода к работе над задачей в целом.
От начинающего разработчика все чаще ждут способности уточнять противоречивые требования, разбираться в легаси-коде, находить проблемы с безопасностью, оценивать влияние изменений на систему в целом и выбирать не просто работающее, а подходящее решение. И если раньше эти навыки формировались уже на работе, то теперь работодатели хотят видеть их на входе.
Иллюзия опыта
Казалось бы, искусственный интеллект должен помогать начинающим специалистам быстрее освоить новую для себя область. И действительно, ИИ может сыграть для новичка роль наставника: объяснить ошибку, разобрать незнакомый код, предложить план решения, сравнить несколько подходов. Специалисту больше не нужно часами искать базовую информацию по форумам и документации.
Но здесь возникает парадокс: ИИ помогает быстрее писать код, но тормозит развитие инженерного мышления. Сгенерированный алгоритмом код может прекрасно работать, но автор при этом не понимает, почему выбран именно такой подход, какие есть ограничения и что изменится при другой нагрузке. Так возникает заемная компетентность: кандидат способен собрать проект, пока задача укладывается в знакомый сценарий, а нейросеть выдает удачный ответ. Но при нестандартной ошибке, конфликте требований или сбое в промышленной среде выясняется, что нужных знаний нет.
Поэтому даже при использовании нейросетей важнее не столько уметь быстро навайбкодить продукт, сколько способность оценить ответ модели: соответствует ли код требованиям, насколько он безопасен и производителен, не конфликтует ли с существующей архитектурой. Но для такой проверки нужны фундаментальные знания — чтобы заметить ошибку ИИ, специалист должен разбираться в предмете хотя бы не хуже, чем если бы он писал решение самостоятельно.
Что делать новичкам
Раньше одним из главных способов подтвердить свои навыки для кандидатов без опыта был пет-проект. Но теперь, когда практически любой новичок может с помощью ИИ за несколько дней собрать интернет-магазин, Телеграм-бота или трекер задач, сам факт наличия проекта мало о чем говорит. Важнее становится не сам продукт, а то, как он создавался.
Часто работодатели изучают GitHub кандидата, обращая внимание на качество кода, документацию, историю коммитов и соответствие технологий задаче. Им важно понять ход мыслей соискателя: почему он выбрал конкретную архитектуру, от каких решений отказался, где использовал ИИ и как проверял результат. Небольшой, но осмысленный проект будет убедительнее эффектного сервиса, работу которого человек не может объяснить.
Но учебный проект, даже очень качественный, всегда остается учебным. Он не воспроизводит реальную разработку со старым кодом, неполной документацией, конфликтующими требованиями, ограничениями инфраструктуры и последствиями ошибок. Поэтому работодатели отдают предпочтение кандидатам пусть с небольшим, но практическим опытом. Новички могут получить его, участвуя в open source-проектах, хакатонах (особенно таких, которые предполагают дальнейшую работу над решением), стажировках или создавая собственные небольшие проекты для микробизнеса. Компании важно видеть, что специалист уже работал с чужим кодом, обратной связью, ограничениями, ошибками и способен взять ответственность за результат — так что полезны будут любые форматы, которые могут дать такой опыт.
Еще один способ стартовать в разработке и получить опыт работы с реальными проектами — зайти через смежную профессию: тестировщика, аналитика, специалиста техподдержки или сопровождения систем. Эти направления помогают понять продукт, пользователей, инфраструктуру, причины типичных сбоев — иначе говоря, познакомиться с реальной промышленной практикой. Здесь важно не «застрять» надолго в роли, которая задумывалась как переходная: нужно развивать навыки, которые требуются в разработке, постепенно брать на себя смежные задачи и обсуждать с работодателем возможную смену роли.
ИИ не уничтожает роль джуниоров, но меняет ее наполнение: теперь вместо рутинных задач им приходится глубже разбираться в бизнес-контексте и принимать самостоятельные решения. Поэтому для начала карьеры так важно как можно скорее погружаться в реальную практику, развивать инженерное мышление и учиться критически оценивать результаты работы нейросетей.
