AI ломает карьерную лестницу: если не нанимать джуниоров, откуда возьмутся сеньоры

AI не обязан лишать работы всех. Достаточно, чтобы он сделал экономически невыгодными задачи, на которых люди учились её выполнять.

В квартальном отчёте это выглядит прекрасно: сеньор с AI закрывает объём небольшой команды, вакансий для новичков становится меньше, производительность растёт. Через несколько лет та же компания выходит на рынок за опытными специалистами и с удивлением обнаруживает, что другие работодатели тоже решили не выращивать их у себя.

Опыт нельзя сгенерировать промптом. Его можно только накопить — на попытках, ошибках, обратной связи и постепенно растущей ответственности.

Если коротко: массового вытеснения людей с рынка труда пока не видно. Но в профессиях с высокой AI-экспозицией уже появились признаки более слабого найма молодых работников. При этом исследования показывают, что AI способен резко ускорять новичков. Значит, проблема не в самом инструменте, а в конструкции работы: помогает ли он человеку быстрее пройти кривую обучения или просто выполняет её вместо него.

Самый свежий сильный сигнал даёт Stanford Digital Economy Lab. Исследователи использовали административные данные ADP по миллионам работников в США до июня 2026 года.

Они не нашли массового вытеснения занятых из экономики. Но занятость людей 22–25 лет в профессиях, сильнее подверженных воздействию AI, оказалась на 19% ниже уровня, который получился бы, если бы она росла тем же темпом, что и занятость их сверстников в менее затронутых профессиях. Разрыв возник преимущественно из-за более слабого найма, а не увольнений. Для опытных работников сопоставимого провала не наблюдалось.

Это не доказательство, что все недостающие вакансии съел ChatGPT. Авторы прямо называют результат ранним описательным сигналом, а не причинной оценкой. Различия частично существовали до массового распространения генеративного AI, ослабевают при контроле образования и сильнее выражены в выборке ADP, чем в общенациональных опросах.

Независимый анализ Anthropic на данных Current Population Survey тоже не обнаружил систематического роста безработицы в наиболее затронутых профессиях. Однако для людей 22–25 лет вероятность начать работу в таких профессиях после 2022 года снизилась примерно на 14%. Результат находится на границе статистической значимости и допускает другие объяснения: продолжение учёбы, переход в соседние роли или погрешности опроса.

Обзор эмпирических исследований Международной организации труда приходит к близкому выводу: массовое вытеснение пока ограничено, но среди главных рисков уже выделяются ослабление возможностей для молодых работников и рост неравенства.

Получается не трудовой апокалипсис, а более неприятная управленческая ситуация: общий рынок ещё выглядит устойчиво, но вход в отдельные профессии уже может сужаться. Пожарной тревоги нет. Просто первый этаж понемногу разбирают на стройматериалы.

В должностной инструкции джуниора перечислены задачи. В реальной организации у этой роли две функции.

Первая — производственная. Новичок собирает данные, правит небольшие ошибки, готовит черновики, проводит исследования, отвечает на типовые запросы и освобождает время более опытных коллег.

Вторая — образовательная. Выполняя те же задачи, он учится различать хороший результат и правдоподобную ерунду, видеть исключения, понимать контекст и принимать решения при неполной информации.

Младший аналитик не просто обновляет отчёт. Он обнаруживает, почему сумма по каналам не сходится с выручкой. Младший разработчик не просто закрывает маленький баг. Он узнаёт, какую локальную правку система переживёт, а после какой начнётся внеплановый тимбилдинг в три часа ночи. Маркетолог не просто собирает варианты объявления. Он видит, почему один и тот же оффер работает на горячем спросе и бесславно умирает на холодной аудитории.

Генеративный AI особенно хорошо забирает первую функцию — выпуск типового результата. Но вместе с задачей компания может незаметно удалить и тренировочную площадку для второй.

Именно здесь возникает ошибка в расчёте эффективности. Работодатель сравнивает стоимость джуниора со стоимостью AI и видит дублирование выпуска. Он не ставит в модель ценность будущей экспертизы, потому что она появится через несколько лет и, возможно, уже у другого работодателя.

Экономия отражается сейчас. Дефицит компетенций выставляет счёт позже.

Считать, что AI автоматически вредит новичкам, тоже удобно и неправильно.

В исследовании Generative AI at Work, позднее опубликованном в Quarterly Journal of Economics, изучалось внедрение AI-ассистента среди 5179 сотрудников клиентской поддержки. Средняя производительность выросла на 14%, а у менее опытных и менее результативных работников — на 34%. Для сильнейших сотрудников эффект был небольшим.

Авторы предполагают, что система переносила практики лучших операторов к новичкам и помогала им быстрее проходить кривую обучения. В этом режиме AI не выталкивает человека с первой ступени, а уменьшает её высоту.

Но высокая результативность с инструментом и собственная компетентность — разные переменные.

Это хорошо видно в эксперименте Bastani и соавторов почти с тысячей школьников. Во время практики группа со свободным доступом к GPT показывала результат на 48% лучше контрольной. На экзамене без AI она выступила на 17% хуже. Другая версия помощника не выдавала готовый ответ, а вела ученика подсказками: во время практики результат был на 127% выше контрольного, а на экзамене — примерно тем же.

Школа не офис, а математика не маркетинг. Прямо переносить эти проценты на работников нельзя. Но эксперимент показывает важный механизм: инструмент может улучшить текущий выпуск и одновременно ухудшить усвоение, если забирает у человека необходимую попытку.

Опрос Microsoft Research среди 319 специалистов даёт ещё один осторожный сигнал. Более высокая уверенность в AI была связана с меньшими усилиями критического мышления. При этом характер мышления не исчезал, а смещался к проверке информации, интеграции ответа и контролю задачи. Это самоотчёты, а не экспериментальная оценка потери навыка, поэтому превращать корреляцию в диагноз не стоит.

Во всех трёх работах важен один вопрос: что именно делает человек до того, как увидит готовый ответ?

Если новичок формулирует гипотезу, делает первую попытку, сравнивает её с предложением AI и разбирает расхождения, инструмент ускоряет обратную связь. Если он сразу принимает результат и отвечает только за доставку файла в корпоративный чат, производительность растёт быстрее компетентности.

Компания видит выполненные задачи и решает, что сотрудник растёт. Иногда растёт только история диалогов с моделью.

Технический долг возникает, когда быстрое решение удешевляет текущую разработку, но делает будущие изменения дороже. С наймом появляется похожая конструкция — карьерный долг.

Его простейшая модель выглядит так:

Рассмотрим условную команду. Через четыре года ей нужны шесть дополнительно выращенных внутри сеньоров. Допустим, до нужного уровня дорастают 40% новичков, а остаются в компании к этому моменту 60% из них.

Тогда необходимый начальный поток равен:

Если после внедрения AI компания сократит набор с 25 до 10 человек, ожидаемый внутренний выпуск составит:

Нехватка — 3,6 специалиста. Дробный сеньор в штатном расписании выглядит странно, но для вероятностной модели подходит прекрасно.

Числа условные: реальная скорость роста, текучесть и потребность зависят от профессии и компании. Смысл расчёта не в прогнозе до десятой доли человека. Он показывает временной разрыв.

Зарплату 15 джуниоров компания экономит сегодня. Недостающих опытных сотрудников она покупает через четыре года — на рынке, где конкуренты могли провести тот же эксперимент с эффективностью.

Так индивидуально рациональное решение создаёт коллективно дорогой результат. Каждая компания надеется нанять готового специалиста извне. Отрасль в целом забывает, что «извне» — не учебное заведение и не природное месторождение сеньоров.

В отчёте The Expertise Upheaval Burning Glass Institute разделяет профессии на два полезных архетипа.

Роли роста требуют опыта, который накапливается в работе: наблюдения, наставничества, повторения и постепенно растущей ответственности. В отчёте к ним относят, например, младших маркетологов, руководителей проектов и параюристов. Их начальные задачи могут быть рутинными, но переход к старшим позициям требует неявного знания — профессионального чутья, которое сложно полностью записать в инструкцию.

Здесь автоматизация базовых задач способна вытащить ступени из середины маршрута. Нельзя научиться управлять сложной кампанией, только читая идеальные AI-сводки чужих решений.

Роли мастерства имеют более крутую начальную кривую: чтобы войти в профессию, нужно заранее освоить большой объём формализуемых технических знаний. После этого набор задач меняется меньше. Для некоторых аналитиков, CAD-специалистов и системных администраторов AI может, наоборот, снизить барьер входа: объяснить инструмент, сгенерировать запрос, помочь устранить типовую ошибку.

По оценке отчёта, около 17,8 млн работников в США находятся в профессиях, где возможностей начального уровня из-за GenAI потенциально может стать заметно меньше. Ещё 28,6 млн — в профессиях, где технология способна расширить доступ, снизив требования к исходным техническим навыкам.

Это сценарная оценка, а не измеренное изменение занятости. Она построена на вакансиях Lightcast, данных о зарплатах и классификации навыков с помощью LLM. Авторы сами подчёркивают неопределённость возможностей AI и скорости внедрения.

Но разделение полезно. Перед автоматизацией стоит спросить не только «может ли AI выполнить задачу», но и «что человек перестанет учиться делать, если отдаст её AI».

Я бы классифицировал задачи по двум осям: стоимости ошибки для бизнеса и ценности задачи для обучения новичка.

Низкая обучающая ценность, низкая стоимость ошибки — автоматизировать. Форматирование, перенос данных, типовые сводки и техническая рутина не обязаны оставаться человеческой повинностью ради воспитания характера. AI выполняет работу, человек проверяет выборочно.

Низкая обучающая ценность, высокая стоимость ошибки — контролировать. AI готовит черновик, но опытный сотрудник утверждает результат. Здесь джуниор не нужен как ритуальная прокладка между моделью и ответственностью.

Высокая обучающая ценность, низкая стоимость ошибки — практиковать. Сначала новичок делает собственную попытку, затем использует AI и разбирает различия. Это лучшая зона для формирования навыка: ошибка дешёвая, а обратная связь быстрая.

Высокая обучающая ценность, высокая стоимость ошибки — работать в паре. Джуниор выполняет часть анализа и проговаривает логику, сеньор объясняет ограничения и принимает решение. AI помогает искать варианты и проверять детали, но не заменяет ни практику, ни ответственность.

Ключевое правило: на ценной для обучения задаче AI не должен лишать новичка первой попытки. Иногда эта попытка займёт дольше и даст результат хуже. Именно так обычно выглядит обучение до того, как финансовый директор назвал его потерей производительности.

Запретить AI новичкам — слабое решение. Рабочая среда всё равно станет AI-опосредованной, а специалист без навыка управлять моделью окажется подготовлен к профессии, которой уже нет.

Нужна другая конструкция роли.

У команды должны быть две группы показателей.

Первая описывает производство: скорость, качество, количество исправлений, стоимость проверки. Вторая — рост навыка: сложность самостоятельно решаемых задач, качество объяснения, число обнаруженных ошибок AI, способность работать без подсказки на контрольных примерах.

Если измерять только выпуск, AI скроет слабое обучение красивой производительностью.

Для задач с высокой обучающей ценностью новичок сначала фиксирует собственную гипотезу, план или решение. После этого он обращается к AI и сравнивает ответы.

Первая попытка не обязательно должна превращаться в полноценную ручную работу. Иногда достаточно пяти минут: сформулировать диагноз, перечислить риски, предсказать результат. Но без предварительной позиции сравнивать не с чем — остаётся только восхищаться уверенным текстом модели.

Хороший специалист не обязан всегда знать правильный ответ. Он должен понимать, где уверен, какие данные изменят решение и когда нужен человек с большим опытом.

Поэтому полезный разбор AI-задачи содержит четыре пункта:

Так проверка превращается из поиска опечаток в тренировку профессионального суждения.

Не для наказания и не ради реконструкции офиса 2019 года. Небольшая регулярная выборка показывает, переносится ли производительность с инструментом в собственный навык.

Можно раз в месяц дать знакомый класс задачи без готового ответа модели и оценить не только результат, но и ход рассуждения. Если выпуск с AI растёт, а самостоятельная компетентность стоит на месте, команда набирает карьерный долг.

Сеньор, который обучает новичка, временно выпускает меньше собственной работы. Если планирование загрузки этого не признаёт, наставничество становится хобби для самых ответственных — обычно вечерним и быстро проходящим.

Часы на разборы, парную работу и обратную связь нужно учитывать как инвестицию в будущую мощность команды. Иначе организация будет поощрять руководителей за сокращение единственного процесса, который создаёт им следующую смену.

Неделя 1. Выписать повторяющиеся задачи джуниоров и разложить их по матрице: обучающая ценность и стоимость ошибки.

Неделя 2. Выбрать две задачи с высокой обучающей ценностью. Для одной ввести первую попытку до AI, для другой — парную работу с сеньором.

Неделя 3. Добавить короткий шаблон разбора: решение человека, предложение AI, расхождения, принятый вариант, оставшийся риск.

Неделя 4. Сравнить четыре показателя: скорость выпуска, ошибки после проверки, самостоятельное выполнение контрольной задачи и часы наставника.

Если скорость выросла без деградации самостоятельного результата, AI ускоряет обучение. Если выпуск вырос, а контрольная задача ухудшилась, команда автоматизировала не только работу, но и появление следующего поколения специалистов.

Справедливого решения рынка можно ждать долго. Карьеру лучше строить параллельно.

Показывать не только результат, но и решение. В портфолио полезнее описывать исходную проблему, свою гипотезу, использование AI, найденные ошибки и финальный выбор. Готовый красивый документ теперь дешёв. Доказанная способность судить о его качестве — нет.

Практиковаться без подсказки. Если каждое затруднение заканчивается запросом к модели, исчезает продуктивное усилие, на котором формируется навык. Нужны короткие периоды самостоятельной работы с последующей проверкой, а не цифровое монашество без AI.

Углубляться в контекст. Модель хорошо производит типовой ответ. Ценность человека растёт там, где нужно знать историю продукта, ограничения данных, мотивацию клиента и последствия ошибки.

Искать сильную обратную связь. Десять выполненных задач без разбора могут научить меньше, чем две задачи с точным объяснением от опытного специалиста.

В новой конкуренции побеждает не человек, который работает без AI, и не человек, который делегирует ему всё. Побеждает тот, кто с AI быстро производит результат, а без него всё ещё понимает, почему результат должен быть именно таким.

Возраст не равен уровню. Работники 22–25 лет — удобная статистическая группа, но не все они джуниоры, и не все джуниоры входят в этот возрастной диапазон.

Американские данные нельзя автоматически переносить на другие рынки. Структура профессий, стоимость труда, образование и скорость внедрения AI различаются. Для России сопоставимой административной оценки пока нет.

AI может создавать спрос. Если снижение стоимости работы резко увеличит объём рынка, компаниям понадобится больше людей даже при меньшем числе сотрудников на единицу выпуска. Новые задачи тоже могут стать входными ступенями.

Формализуемые навыки действительно можно осваивать быстрее. Если AI объясняет SQL, показывает ошибку и предлагает следующий уровень сложности, он способен расширить вход в профессию, а не закрыть его.

Модели и способы работы меняются слишком быстро. Результаты эксперимента с одним инструментом и процессом не дают вечного коэффициента производительности. Важнее воспроизводить сам метод измерения.

Поэтому вывод не в том, что сокращение любой младшей позиции обязательно создаст дефицит. Вывод в другом: прежде чем убрать роль, нужно показать, где и как теперь будет накапливаться опыт, который эта роль производила.

AI пока не уничтожил карьерную лестницу. Но он дал компаниям очень удобный набор инструментов, чтобы разобрать её самостоятельно — по одной рационально автоматизированной ступени за раз.

Правильная альтернатива не в сохранении всей прежней рутины. Задачи с низкой обучающей ценностью нужно автоматизировать. Задачи, на которых формируется суждение, нужно перестроить: первая попытка человека, быстрый ответ AI, сравнение, объяснение и ответственность опытного специалиста.

Производительность новичка и появление нового эксперта — не одно и то же. Первая измеряется сегодня. Второе становится заметно, когда нанимать уже некого.

Самым дорогим сеньором 2030 года может оказаться джуниор, которого никто не нанял в 2026-м.