Когда hh-индекс вырос в 7,5 раз за год, стало ясно: AI уже здесь
В начале 2025 года IT-рынок труда в России выглядел привычно: дефицит разработчиков, очереди из рекрутеров в LinkedIn, зарплатные гонки. Через двенадцать месяцев ландшафт изменился до неузнаваемости. hh-индекс в IT вырос с 1,9 до 14,2 — то есть на каждую вакансию приходится более четырнадцати резюме. Количество IT-вакансий на hh.ru сократилось на 40%.
Это не временная коррекция. Это структурный сдвиг, и его главный катализатор — искусственный интеллект. Вопрос не в том, влияет ли AI на рынок труда, а в том, каким именно образом влияет — и как подготовиться к последствиям.
Для ответа на этот вопрос мы взяли фреймворк Gartner «4 сценария AI и работы» (Helen Poitevin, октябрь 2025) и наложили на него российские данные. Результат оказался неожиданным: в России одновременно реализуются все четыре сценария — но с разной интенсивностью.
Фреймворк Gartner: 4 сценария AI и работы
Gartner предлагает матрицу из двух осей: уровень автономности AI (низкий → высокий) и степень трансформации работы (работа не меняется → работа трансформируется). На пересечении осей — четыре сценария.
| Работа не меняется | Работа трансформируется | |
|---|---|---|
| AI выполняет работу | Сценарий 1: Меньше работников. AI заменяет людей, оставшиеся закрывают то, что AI не может | Сценарий 4: AI-first предприятие. Автономные процессы, минимум людей |
| Люди выполняют работу | Сценарий 2: AI-усиленные специалисты. Та же работа, но быстрее и качественнее с AI-инструментами | Сценарий 3: Инновационные роли. Новые специализации на стыке дисциплин, коллаборация с AI |
Ключевая идея Gartner — ripple effects, эффект ряби. Даже если организация планирует только сценарий 1 (сократить штат), волновые последствия запускают потребность во всех четырёх сценариях. Ниже — как это выглядит на российских данных.
Сценарий 1 — Меньше работников: российские данные
Этот сценарий в России уже не гипотеза — он реальность. Цифры не оставляют пространства для интерпретаций.
hh-индекс в IT: 14,2. Годом ранее показатель был 1,9. Рост в 7,5 раз за двенадцать месяцев означает, что рынок перешёл из состояния «работодатели конкурируют за кандидатов» в состояние «кандидаты конкурируют за вакансии». По данным нашего обзора hh-индекса, IT-сектор впервые за десять лет стал рынком работодателя.
IT-вакансии: −40%. Сокращение затронуло прежде всего позиции, где AI-инструменты заметно повысили производительность существующих сотрудников: контент-менеджеры, тестировщики начального уровня, junior-разработчики, аналитики данных. Компании не нанимают замену — они перераспределяют задачи.
Избыток junior-специалистов. Курсы по программированию за последние три года выпустили десятки тысяч «войти в IT» специалистов. Одновременно AI-ассистенты взяли на себя значительную часть задач начального уровня — написание бойлерплейт-кода, составление SQL-запросов, первичный анализ данных. Спрос на junior позиции упал, а предложение продолжает расти.
Показательна динамика по специализациям. Контент-менеджеры, бухгалтеры, базовые IT-специалисты (настройка инфраструктуры, первая линия поддержки) — в этих сегментах предложение уже устойчиво превышает спрос. Компании, внедрившие AI-чатботы и RPA-решения, сокращают целые отделы, а не отдельные позиции.
Сценарий 1 по Gartner — это именно то, что мы наблюдаем: AI выполняет часть работы, общее количество работников сокращается, оставшиеся закрывают задачи, которые AI пока не может выполнить самостоятельно. Важно понимать: это не «AI отнимает работу» — это перераспределение задач, при котором часть ролей просто перестаёт существовать.
Сценарий 2 — AI-усиленные специалисты: GigaCode, T-Platform и «проблема последней мили»
Параллельно с сокращением позиций происходит другой процесс: оставшиеся специалисты становятся значительно продуктивнее благодаря AI-инструментам. Российские компании инвестируют в это направление масштабно.
GigaCode 2.0 (Сбер) — AI-ассистент для разработчиков, которым пользуются более 30 000 инженеров внутри экосистемы Сбера. Автодополнение кода, генерация тестов, объяснение legacy-кода. Яндекс встроил собственную LLM в систему код-ревью Arcanum — модель проверяет pull-запросы до человека-ревьюера. Т-Банк развернул AI-ассистент в T-Platform для внутренних команд разработки.
Глобальная картина подтверждает тренд: по данным JetBrains, 67% разработчиков пробовали AI-инструменты в работе. Но здесь возникает неочевидная проблема.
Гарвардский исследователь Карим Лахани и Джаред Спатаро из Microsoft описали её в статье HBR «The Last Mile» (2026): прирост производительности от AI-инструментов часто «реабсорбируется» в низкоценную работу. Разработчик, который с помощью AI пишет код вдвое быстрее, не создаёт вдвое больше ценности — он тратит сэкономленное время на дополнительные совещания, ответы в чатах и рутинную документацию. Организация получает больше кода, но не обязательно больше результатов.
Это «проблема последней мили» сценария 2: AI усиливает индивидуальную производительность, но организационные процессы не успевают перестроиться, чтобы капитализировать эту производительность. Компании, которые внедряют GigaCode или Copilot без изменения процессов, получают более быстрый бег на месте.
По данным Gartner, именно ripple effects сценария 2 создают давление на переход к сценарию 3 — потому что организации начинают осознавать: им нужны не просто «те же люди с AI», а другие люди с другими задачами.
Сценарий 3 — Новые роли: Platform Engineering, DevSecOps, AI Governance
Пока одни специализации теряют вакансии, другие — набирают. Причём это не просто рост спроса на существующие роли, а появление принципиально новых дисциплин, которых три года назад не существовало.
Platform Engineering. Авито построило внутреннюю платформу разработчика (IDP), Т-Банк развивает T-Platform. Роль Platform Engineer объединяет DevOps, архитектуру и продуктовое мышление — специалист создаёт инфраструктуру, на которой работают сотни команд. В 2023 году эта позиция на российском рынке практически не существовала.
DevSecOps. Вакансии выросли на 45% год к году. Причина — регуляторное давление (закон о КИИ, требования ФСТЭК) и рост числа инцидентов. DevSecOps-инженер не заменяет безопасника и не заменяет девопса — это гибридная роль, которая возникла на стыке двух дисциплин.
Security Champions. Новая гибридная роль: разработчик, который берёт на себя функции амбассадора безопасности внутри продуктовой команды. Не отдельная позиция, а дополнительная ответственность — но требующая специфических компетенций.
ML Engineer — одна из немногих специализаций, где сохраняется дефицит. Спрос на инженеров машинного обучения растёт быстрее, чем рынок успевает их готовить. Причина — взрывной рост внедрений LLM в корпоративных продуктах.
AI Governance. Формирующаяся потребность, которую HBR называет одним из ключевых барьеров для «агентного AI» — управление автономными AI-системами требует новых процессов, метрик и ролей. В России эта дисциплина пока находится на стадии осознания, но первые позиции уже появляются в крупных технологических компаниях.
Сценарий 3 по Gartner — это не просто «новые вакансии». Это трансформация самой природы работы: задачи, которые выполняют эти специалисты, не существовали до появления AI и облачных платформ. И именно здесь находится дефицит — не в количестве рук, а в количестве голов с нужной комбинацией компетенций.
Сценарий 4 — Автономный бизнес: пока исключение
Четвёртый сценарий Gartner — AI-first предприятие, где автономные системы выполняют основную работу, а людей минимум — в России реализуется точечно.
Автономные новостные пайплайны. Полностью автоматизированная генерация новостного контента — от мониторинга RSS-источников до публикации в WordPress и Telegram — уже работает в продакшене. GPT-4o-mini генерирует, система проверяет на дубликаты и SEO-качество, публикует без участия человека.
AI-кодинг агенты. Claude Code и Cursor Agent способны автономно создавать pull-запросы: от анализа задачи до написания кода и тестов. Это не автодополнение — это автономное выполнение инженерной работы.
RPA + AI в банковском секторе. Ранние примеры автономной обработки: классификация обращений, маршрутизация заявок, генерация ответов — без участия оператора от начала до конца.
Но масштаб пока невелик. По нашим оценкам, менее 10% AI-проектов в российских компаниях доходят до продакшена. Остальные застревают на стадии пилотов, proof-of-concept и внутренних демо. Барьеры — не технологические, а организационные: отсутствие данных нужного качества, неготовность бизнес-процессов, страх ответственности за решения AI.
Gartner прямо указывает: сценарий 4 требует не просто мощного AI, а фундаментальной перестройки управления — от целеполагания до метрик и контрольных механизмов. Именно поэтому автономный бизнес остаётся горизонтом, а не повседневностью. Пока.
Ripple Effects — почему один сценарий запускает все четыре
Главный вклад Gartner — не сама матрица, а концепция ripple effects, волновых последствий. Разберём на российском примере.
Компания решает внедрить AI-ассистент в техподдержку — классический сценарий 1. Цель: сократить штат операторов на 30%. Через три месяца после внедрения обнаруживается:
- Сценарий 1 сработал: 30% операторов действительно не нужны, AI обрабатывает типовые обращения самостоятельно.
- Но запустился сценарий 2: оставшиеся операторы теперь работают с AI-ассистентом, который подсказывает ответы на сложные вопросы. Их производительность выросла на 40%, но им нужны новые навыки — промпт-инжиниринг, работа с базой знаний.
- Одновременно возник сценарий 3: кто-то должен обучать AI-модель, курировать базу знаний, отслеживать качество ответов — появляется роль AI Operations Specialist, которой раньше не было.
- И намёк на сценарий 4: руководство видит, что AI справляется с 70% обращений автономно, и начинает думать о полностью автоматизированной первой линии — без людей вообще.
Один сценарий — четыре последствия. По данным Gartner, организации, которые планируют только один сценарий, систематически недооценивают вторичные эффекты и оказываются не готовы к ним.
Для российского IT-рынка это означает: сокращение вакансий (сценарий 1) — это не конец истории, а начало. За ним последуют массовое переобучение (сценарий 2), рост спроса на гибридные роли (сценарий 3) и первые полностью автономные процессы (сценарий 4).
Ещё один ripple effect, который Gartner подчёркивает особо: этические и управленческие вопросы. Когда AI принимает решения — кто несёт ответственность за ошибки? Кто контролирует качество данных, на которых обучена модель? Эти вопросы порождают потребность в AI Governance (сценарий 3), даже если изначально компания планировала только автоматизацию рутины (сценарий 1). В российском контексте добавляется регуляторное измерение: закон о персональных данных, требования к локализации, отраслевые стандарты — всё это создаёт дополнительные ripple effects, уникальные для нашего рынка.
Рекомендации: как подготовиться
На основе фреймворка Gartner и российских данных — пять действий для CTO, HR-директоров и руководителей разработки.
1. Проведите аудит ролей по четырём сценариям. Для каждой позиции в команде определите: какой сценарий Gartner затрагивает эту роль в первую очередь? Если ответ — сценарий 1 (замена), начните планировать переквалификацию сейчас, а не когда hh-индекс дойдёт до 20.
2. Не останавливайтесь на внедрении инструментов — меняйте процессы. «Проблема последней мили» из HBR показывает: Copilot или GigaCode без перестройки рабочих процессов не дают ожидаемого эффекта. Измеряйте не скорость написания кода, а скорость доставки ценности до пользователя.
3. Инвестируйте в гибридные роли. Platform Engineering, DevSecOps, AI Governance — это не модные слова, а ответ на реальный дефицит. Растить таких специалистов изнутри дешевле, чем нанимать на рынке, где их почти нет.
4. Планируйте ripple effects. Если вы внедряете AI в одном процессе — просчитайте последствия для смежных. Техподдержка с AI потребует AI-тренеров. Автоматизация тестирования потребует QA-инженеров нового типа. Каждое внедрение — это цепная реакция.
5. Создайте внутреннюю программу переквалификации. При hh-индексе 14,2 у вас есть доступ к большому пулу специалистов, готовых учиться. Программы reskilling для перехода из сценария 1 (замещаемые роли) в сценарий 3 (новые роли) — это стратегическое преимущество на ближайшие два-три года. Конкретно: переучить тестировщиков в DevSecOps-инженеров, аналитиков данных — в ML-инженеров, сисадминов — в Platform Engineers. Инвестиции в переквалификацию одного сотрудника обходятся в три-пять раз дешевле, чем поиск и адаптация нового специалиста с рынка.
Фреймворк «4 сценария AI и работы» разработан Gartner (Helen Poitevin, «AI's Ripple Effect: How Artificial Intelligence Is Transforming Jobs and Organizations», октябрь 2025). Российские данные: hh.ru, JetBrains, HBR «The Last Mile» (Lakhani, Spataro, 2026), собственные исследования IT Institute.
FAQ о влиянии AI на рынок труда 2026
Какой из четырёх сценариев Gartner наиболее вероятен для России?
Все четыре реализуются одновременно, но с разной интенсивностью. Сценарий 1 (сокращение позиций) и сценарий 2 (AI-усиление) уже доминируют — hh-индекс 14,2 и массовое внедрение GigaCode, Copilot подтверждают это. Сценарий 3 (новые роли) набирает обороты в крупных технологических компаниях. Сценарий 4 (автономный бизнес) пока точечный — менее 10% AI-проектов в продакшене.
Какие IT-специальности наиболее защищены от замещения AI?
Гибридные роли на стыке дисциплин: Platform Engineering, DevSecOps, ML Engineering, AI Governance. Общий принцип — чем больше роль требует контекстного понимания бизнеса, кросс-функционального взаимодействия и принятия решений в условиях неопределённости, тем труднее её автоматизировать. Junior-позиции с повторяющимися задачами — в зоне наибольшего риска.
Что такое ripple effects и почему это важно при внедрении AI?
Ripple effects — концепция Gartner, описывающая вторичные, часто непредвиденные последствия внедрения AI. Например, автоматизация техподдержки (сценарий 1) создаёт потребность в AI-тренерах (сценарий 3) и переобучении оставшихся операторов (сценарий 2). Организации, которые планируют только прямые эффекты, систематически недооценивают реальные затраты и сроки трансформации.
hh-индекс 14,2 — это надолго или временная коррекция?
Структурные факторы указывают на долгосрочный тренд: AI-инструменты продолжают развиваться, выпуск junior-специалистов не снижается, а экономическая конъюнктура (ключевая ставка ЦБ) ограничивает IT-бюджеты. Возврат к уровню 2–3 (острый дефицит) маловероятен в ближайшие два-три года. Более реалистичный прогноз — стабилизация в диапазоне 8–12 к концу 2026 года при условии снижения ставки ЦБ.