Компании всё разборчивее, горизонт планирования всё меньше, софт скилы уже не те. Директор по развитию On The Spot Лиза Макаревич провела исследование: опросила нанимающих менеджеров компаний-клиентов (стартапов и зрелых бизнесов) о том, как искусственный интеллект меняет подходы к найму инженеров.
Компании всё разборчивее, горизонт планирования всё меньше, софт скилы уже не те. Директор по развитию On The Spot Лиза Макаревич провела исследование: опросила нанимающих менеджеров компаний-клиентов (стартапов и зрелых бизнесов) о том, как искусственный интеллект меняет подходы к найму инженеров.
За последние несколько месяцев я поговорила с десятком руководителей технологических компаний — от стартапов до крупных глобальных игроков — о том, как AI меняет инженерные команды, подход к найму и требования к специалистам. Кроме того, мы организовали TechSpot в Варшаве, где вместе с инжиниринг-директорами и CTO из 50 разных компаний обсуждали среди прочего эту же тему.
Все компании, с которыми я общалась, находятся на разных этапах внедрения AI: кто-то пока встраивает новые инструменты в существующие процессы, другие уже перестраивают инженерную инфраструктуру и организацию работы вокруг AI. Но общий вектор схож. Компании иначе оценивают производительность и численность команд, пересматривают бюджеты и меняют требования к инженерам.
Вот основные тенденции, которые я выделила по итогам этих бесед.
Дисклеймер. Выводы основаны на опыте и наблюдениях участников интервью и не являются исчерпывающим обзором индустрии. Кроме того, этот материал пролежал у меня в столе почти два месяца. По нынешним меркам это уже эпоха, поэтому, скорее всего, многое из написанного вы уже знаете.
Прежде чем открыть новую позицию, компании внимательнее оценивают, действительно ли им нужен ещё один человек.
Раньше рост объёма работы часто приводил к расширению команды. Сегодня же компании сначала оценивают, можно ли решить задачу силами существующей команды с помощью ИИ-инструментов, автоматизации и более эффективных процессов.
Поэтому решение об открытии новых позиций принимают гораздо более тщательно и только после оценки альтернатив. Одни вакансии откладывают, а другие пересматривают ещё на этапе планирования. Более того, часть бюджета, который раньше направляли на расширение команды, теперь инвестируют в ИИ-инструменты, развитие инфраструктуры и улучшение внутренних процессов.
Компании продолжают нанимать. Но теперь каждая новая позиция требует более чёткого обоснования: она должна приносить понятную ценность для бизнеса и команды.
Некоторые команды, с которыми я общалась, теперь планируют рост команды максимум на один-два квартала вперёд. Причина в том, что ИИ-инструменты быстро (и порой внезапно) меняют подходы к работе и влияют на производительность команд. То, что ещё недавно выглядело как устойчивый план роста, через несколько месяцев может потребовать серьёзной корректировки.
Поэтому компании стараются сохранять гибкость и не загадывать слишком далеко.
Особенно ценны инженеры, которые понимают бизнес-контекст, умеют разбить неоднозначную проблему на части, эффективно использовать ИИ, проверить результат, принять решение и нести за него ответственность.
Ещё выше спрос на специалистов, которые не только сами умеют работать с ИИ, но и помогают команде использовать его эффективнее. Они внедряют новые практики в процессы, настраивают автоматизацию и превращают индивидуальные эксперименты в повторяемое повышение производительности всей команды.
Особенно хорошо это видно в областях, где цена ошибки высока, а доменная экспертиза критически важна — кибербезопасности, инфраструктуре данных, высоконагруженных системах и развитии внутренней AI-инфраструктуры.
Одни из самых заметных изменений касаются Junior-инженеров (про них говорили также мои коллеги на ежегодном Techspot Industry Review).
Раньше многие джуны начинали карьеру с относительно простых задач: исправления багов, тестирования, работы с документацией и небольших доработок продукта. Именно через такую практику постепенно приходило понимание системы и нарабатывался опыт.
Сейчас значительная часть этой работы автоматизируется или выполняется с помощью ИИ. В результате у начинающих специалистов становится меньше возможностей пройти тот путь, который еще недавно считался стандартным для входа в профессию.
Компании, конечно, по-прежнему нанимают Junior-разработчиков, но ожидания заметно выросли. Работодатели ищут специалистов, которые способны быстро включаться в работу, уверенно пользоваться ИИ-инструментами, понимать контекст продукта и самостоятельно решать задачи без постоянной поддержки со стороны более опытных коллег.
ИИ стал привычным инструментом в большинстве технологических компаний и заметно ускорил процесс разработки, но вместе с этим стали проявляться и его ограничения:
Есть и более практичная проблема — токен-экономика. Постоянная передача контекста между агентами становится заметной частью расходов на AI-инфраструктуру. Большие кодовые базы, продуктовые требования, логи, результаты тестов, история PR, внутренняя документация и несколько итераций работы агентов — всё это требует токенов.
Поэтому дизайн новых AI-процессов становится не только инженерным, но и экономическим вопросом. Командам приходится решать, где действительно нужны самые мощные модели, где достаточно более лёгких, сколько контекста передавать по умолчанию и какие этапы стоит кэшировать, суммаризировать или направлять по другому маршруту.
При этом узкое место смещается от скорости разработки к качеству решений, приоритизации и ясности со стороны продукта. Команды могут производить больше и быстрее, но кому-то по-прежнему нужно определить, что именно стоит создавать.
Ещё совсем недавно опыт работы с ИИ-инструментами мог выделить кандидата среди других, но сегодня для многих инженерных ролей это уже воспринимается как базовый навык, примерно на том же уровне, что владение привычными инструментами разработки.
Меняются и подходы к проведению собеседований. В некоторых компаниях кандидатам разрешают использовать ИИ при выполнении тестовых заданий. При этом оценивается не скорость выполнения, а сам процесс работы. Работодателям важно понять, как кандидат декомпозирует задачу, что именно доверяет ИИ и как объясняет принятые решения.
Высокую оценку, разумеется, получают кандидаты, которые воспринимают AI как часть инженерного процесса, но при этом сохраняют ответственность за архитектуру, безопасность, качество и продуктовую логику.
От инженеров всё чаще ждут ответственности не только за отдельные задачи, но и за то, как устроена сама работа команды: как формулируются задачи, какой контекст получает AI, что можно автоматизировать и где решение должен принимать человек.
В некоторых командах инженеры уже выстраивают процессы работы агентов, правила проверки, циклы тестирования и системы передачи контекста.
Сегодня подразумевается, что Senior-инженер улучшает систему вокруг себя: качество входных данных, автоматизацию, проверку результатов, обратную связь и технические решения команды. Впрочем, в какой-то степени так и раньше было.
Инженерная роль постепенно становится ближе к продуктовым и операционным решениям.
По мере роста числа ИИ-инструментов и сценариев их использования возникает потребность в людях, которые помогают грамотно выстраивать единые подходы к работе с технологией. Они отвечают за выбор инструментов, помогают командам внедрять новые практики, определяют правила использования ИИ и следят за тем, чтобы эти решения действительно приносили пользу бизнесу.
В разных компаниях такие позиции могут называться по-разному. К нам приходили с запросами помочь найти:
— AI Enablement Engineer;
— AI Platform Engineer;
— AI Workflow Owner;
— AI Infrastructure Engineer;
— Agentic Systems Engineer.
На мой взгляд, название здесь пока вторично. Потребность уже вполне понятна: компаниям нужны люди, которые умеют превращать использование AI в надёжную внутреннюю систему.
Мне кажется, термин «софт скилы» уже не совсем точно описывает требования к кандидатам.
AI значительно увеличивает объём результата, который нужно проверить, оспорить, приоритизировать и интегрировать, и здесь коммуникация становится частью инженерной системы.
В довесок к коммуникации способность инженеров выдерживать значительное увеличение объёма обрабатываемой информации, понимание домена и продукта напрямую влияют на работу.
Поэтому при собеседованиях всё чаще оценивают не только технический опыт, но и то, как человек мыслит, общается, задаёт вопросы, работает с неопределённостью, оспаривает предположения и связывает технические решения с продуктовой и бизнес-логикой.
Очевидно, AI уже меняет логику построения инженерных команд.
Компании осторожнее относятся к найму и сначала пытаются повысить производительность в текущих командах. Набор сотрудников планируется на более короткий срок и требует обоснования каждой новой позиции.
Одновременно меняется и профиль кандидата. Все больше ценятся инженеры, которые умеют работать с AI, понимают бизнес-контекст, принимают решения и способны улучшать процессы на уровне всей команды.
При этом ускорение разработки создаёт новые инженерные ограничения: контекст, проверка результатов, тестирование, стоимость моделей и AI-инфраструктуры. В ответ компании выделяют новые роли и зоны ответственности вокруг AI-систем.
В целом, главный сдвиг, который я вижу, — компаниям сегодня нужны специалисты, способные повышать эффективность инженерной и продуктовой систем.
Рэлацыраваліся? Цяпер вы можаце каментаваць без верыфікацыі акаўнта.
Думаю никто не будет спорить (ну кроме самых боязливых), что AI не заменяет инженеров как таковых, а лишь резко повышает цену самостоятельности в принятии решений и будущей ответственности за результат/деливери продукта.
Плюс пока все около-бесплатно, то хайп на максимуме. Уверен денежки считать начнут активно (даже уже резко начали, смотрю по своему опыту) и встраивать агентов на каждом шагу в SDLC будут с большей аккуратностью.
Стоимость растет и как мне кажется OpenAI/Anthropic после IPO тоже выкатят бОльшую цену (как это сделал Copilot недавно).
Так что я бы не переживал по поводу найма, имхо. Джуникам разве что довольно тяжело сейчас.
Вообще забавно, что компании экономят на найме, покупают ИИ, а потом выясняется, что нужен отдельный человек, чтобы настроить этот самый ИИ, проверить ИИ и объяснить команде, как не сломать всё с помощью ИИ. Прогресс :)
Ну а голову включать всегда надо и не надеяться, что агент сам все сделает за тебя. Какой-то функционал быстрее очевидно доставит, но и дыр доставит много также, спалив по дороге пачку денег. Если и инженеры, и менеджеры это отчетливо понимают, то и ладушки.
del
Карыстальнік адрэдагаваў каментарый 16 ліпеня 2026, 15:22
Почитала с интересом, хоть и не инженер. На моменте про “пролежало в столе 2 месяца, уже могло устареть” улыбнулась. Не завидую потомкам, когда лет через 30 кто-то присядет изучать хронологию ИИ шифта)))
Кстати, на самом деле заметила, что уровень токса в айтишке как будто снижается на глазах. Чувствую, что связано с пунктом про софт скиллы, но не могу этого доказать, как говорится. Или могу… 🧐
Почему бы гениальным Founder не может сделать AI agent loop, и тренировать мозг агентам?
Когда читаешь рассуждения людей, далеких от того, о чем они рассуждают (например, о чужой профессии), которые еще и принимают решения - становится очень грустно.
Если убрать из этого абзаца часть, связанную с ИИ, то это обычная характеристика хорошего инженера. Про ИИ здесь написано что-то, мягко говоря, придуманное.
Может, ожидания просто перестали быть реальными? Джуниор - это, по определению, начинающий несамостоятельный сотрудник. Всегда были те, кто быстро учится, те, кто медленно, и те, у кого не получается. А "понимание контекста продукта" (особенно, чужого или нового) - длительный процесс даже для опытных специалистов.
Выглядит, что из плюсов - только скорость на некоторых этапах процесса. А из минусов - замедление на главных и усложнение работы (иногда непосильное) в целом.
Для описанных задач всегда были определены специальные позиции: архитекторы, техлиды, безопасники и др, которые координируют процессы в целом. Вопросы качества - особая тема, так как с ИИ она становится трудно контролируемой. Делать ревью кода, сгенерированного ИИ для задачи коллеги - это новый вызов.
Как-то переставлено с ног на голову: использование AI - это цель, а все остальное, включая специалистов - средство?
Разве целью не является "надёжная внутренняя система", а AI может или помочь, или сломать эту систему, или никак не повлиять на нее.
Для такого оценивания интервьюерам нужно самим обладать этими качествами. А если квалификация у них - из других сфер, то с большой вероятностью именно таких кандидатов отсеют еще на первом этапе после "оспаривания предположений".
Вообще, реальные плюсы-минусы, очевидные проблемы использования ИИ в командах уже становятся более проявленными. И если здесь появятся статьи на эту тему от инженеров, было бы очень полезно обсудить.