هارفارد: AI يقلّص توظيف المبتدئين، وخلال ثلاث سنوات قد يؤثر ذلك على القطاع كله

Генеративный ИИ уже меняет структуру найма в IT: компании режут entry-level позиции, а опытные разработчики всё сильнее опираются на AI-инструменты. Если оба тренда сохранятся, через несколько лет рынок может столкнуться не с избытком, а с дефицитом людей, способных поддерживать и чинить накопленный код.

Что показал

Гарвард Исследование Гарварда охватило почти 62 млн работников и 285 тысяч компаний в США. Главный вывод простой: после внедрения генеративного ИИ компании начинают заметно реже брать джунов. Падение найма оценивается в 9–10% за шесть кварталов, при этом спрос на более старшие роли почти не меняется.

Авторы отдельно отмечают важную деталь: речь идёт не о массовых увольнениях, а о замедлении входа в профессию. Нижняя ступень карьерной лестницы сжимается первой. Эту картину усиливают и другие сигналы, собранные в статье: занятость разработчиков 22–25 лет, по данным Stanford Digital Economy Study, упала на 20% от пика конца 2022 года к июлю 2025-го число entry-level вакансий в США, по данным Revelio Labs, сократилось на 35% с января 2023 по июнь 2025 года в Великобритании падение таких вакансий у Revelio Labs достигает 46% доля джунов в IT-найме, по данным Stack Overflow, снизилась с 15% до 7% за три года По отдельности эти цифры ещё можно списать на охлаждение рынка после перегретого 2021–2022 года.

Но вместе они показывают более неприятный сдвиг: компании уже ведут себя так, будто AI забрал значительную часть задач, которые раньше отдавали новичкам. Особенно важно, что это не разовый всплеск, а серия совпадающих сигналов в разных выборках и странах. Если джуны не заходят в систему сейчас, через несколько лет из неё просто неоткуда будет взяться мидлам.

Зависимость от ассистентов Второй тревожный сигнал пришёл из исследования METR.

Организация тестировала 16 опытных open-source разработчиков на реальных задачах в знакомых им проектах. Ожидание участников было оптимистичным: они предполагали, что AI ускорит работу примерно на 20%. На практике вышло наоборот — при разрешённом использовании ассистентов задачи выполнялись в среднем на 19% медленнее. То есть субъективно инструменты казались полезными, а по факту добавляли время на промпты, ожидание, проверку и исправление кода.

«Это как пересечь город пешком, когда привык ездить на Uber».

На следующем этапе METR столкнулась уже не только с вопросом продуктивности, но и с вопросом привычки. По данным, приведённым в статье, 30–50% разработчиков отказывались отправлять часть задач в эксперимент, если их нужно было делать без AI. Исследователи прямо указали на эффект отбора: из выборки начинают выпадать именно те люди, которые сильнее всего зависят от ассистентов. Это не доказывает, что AI бесполезен. Но показывает, насколько быстро он становится не просто ускорителем, а опорой, без которой многим уже тяжело вернуться к прежнему режиму работы.

Где возникает риск Проблема не сводится к тому, что новичкам стало сложнее найти первую работу.

Исчезает сама логика выращивания инженеров внутри команд. Раньше джун брал на себя рутину, ошибался, получал ревью и постепенно превращался в мидла. Теперь эту рутину часто отдают модели, а сеньор берёт на себя сразу три роли: свою основную работу, надзор за AI и финальную проверку результата.

Так возникает talent doom cycle: сегодня экономят на младших позициях, а через 3–5 лет обнаруживают нехватку людей следующего уровня. Параллельно растёт и цена ошибок. В статье приводятся оценки, что AI-код чаще несёт уязвимости, увеличивает дублирование и снижает долю рефакторинга.

Даже если спорить о конкретных процентах, сама механика понятна: писать черновой код стало легче, а разбирать его последствия — нет. Поэтому часть выигрыша в скорости превращается в отложенный техдолг. Если джунов нанимают меньше, а сеньоры тратят больше времени на ревью машинного вывода, то через несколько лет отрасль может получить не армию сверхпродуктивных разработчиков, а узкое горлышко из перегруженных специалистов и распухших кодовых баз.

Что это значит

Сейчас рынок IT тестирует модель, в которой ИИ закрывает нижний слой инженерной работы. Краткосрочно это выглядит как экономия, но долгосрочно может сломать кадровый конвейер. Если компании не вернут осмысленный найм и обучение джунов, разбирать накопленный AI-техдолг через несколько лет будет просто некому.