Все последние годы нам обещали, что нейросети выжгут разработчиков с рынка, а кодить скоро будет некому. Ребята из SignalFire выкатили масштабный отчет о найме в IT за 2026 год, основанный на анализе 80 млн компаний. И данные показывают: ИИ-апокалипсис действительно случился, но ударил совершенно не туда, куда все ждали.

Спойлер: инженеры в порядке. А вот всем остальным стоит напрячься.

📉 Общий найм в бигтехе сейчас на 25% ниже доковидного 2019 года. Но внутри этого сжимающегося пирога доля инженеров выросла до 55%. Инженеры увольняются реже всех и нанимаются быстрее всех.

Так кого же выкинули на улицу? Компании безжалостно сносят «координационные слои» и саппорт, распухшие в эпоху нулевых процентных ставок:

🔵 Дизайн: падение найма на 48% в бигтехе.

🔵 Продакты (PM): минус 39%.

🔵 Маркетинг: минус 36%.

Агенты уже умеют закрывать тикеты и править локальные баги в коде, но это — задачи с коротким горизонтом. Сделал действие -> сразу получил фидбек. В реальном бизнесе так не работает. Решения имеют отложенные последствия, информация зашумлена, а правила игры меняются на лету.

Исследователи из Принстона выкатили интересный бенчмарк для ИИ-агентов — CEO-Bench. Агенту дают 1 млн долларов стартового капитала, фиктивный AI-стартап и 500 дней на то, чтобы не сдохнуть.

Как работает мясорубка CEO-Bench 💼

Инструментарий: 34 метода через Python API, 19 SQL-таблиц (база юзеров, биллинг, саппорт), симуляция соцсетей, конкурентов и макроэкономики.

Среда симулирует то, от чего седеют реальные фаундеры и техлиды. У агента есть Python-интерфейс (novamind_api) с 34 метода через Python API, 19 SQL-таблиц (база юзеров, биллинг, саппорт), симуляция соцсетей, конкурентов и макроэкономики.

Что нужно делать:

🟢 Управлять ценами, квотами и R&D.

Сразу два отчета (от Gartner и a16z) синхронно констатируют: мы доигрались. Бесконтрольное использование ИИ-агентов сжигает бюджеты быстрее, чем галера из некомпетентных мидлов.

По прогнозам Gartner, уже к 2028 году затраты на ИИ для написания кода превысят среднюю зарплату разработчика. И проблема не в том, что модели дорогие. Проблема в том, что большинство вообще не понимает, как с ними работать.

Вы наняли миллион тупых джунов 🙃

В a16z очень точно подметили: раздав всем доступ к ИИ-агентам, бизнес, по сути, нанял миллион отвратительных сотрудников с безлимитной корпоративной картой.

Что делает типичный разработчик, когда ему лень думать? Он скармливает нейронке всю кодовую базу и просит «пофиксить баг». Скорость важнее эффективности.

Что делает агент, не получив четкого контекста? Он начинает «лупить» — вызывает сам себя, галлюцинирует, пытается исправить собственные ошибки и ходит по кругу.

Помните пост о том, как ИИ-рекрутеры (ATS) отбраковывают идеальные резюме просто из-за галлюцинаций LLM и генератора случайных чисел?

Так вот, симметричный ответ не заставил себя долго ждать.

На GitHub лежит занятный опенсорсный проект: hh-ai-agent. Это автономный ИИ-агент, который берет на себя рутину поиска работы на HH.ru.

Под капотом там такой стек:

🔵 Playwright для обхода антифрод-систем и парсинга страниц.

🔵 Локальная Llama 3 по умолчанию (через Ollama), чтобы не платить за токены API и не сливать свои данные.

Вчера в комментариях под постом о рынке труда был небольшой, но показательный для меня диалог. Я бы хотел сделать акцент на такой позиции:

«Я категорически презираю использование нейронок в работе врачей… думать ИИ точно не помогают. Такие „специалисты“ долго в медицине не задерживаются. В нашей работе самое важное — это уметь правильно и вовремя ДУМАТЬ головой».

Меня такое мнение немного пугает, поэтому я хочу раскрыть свою точку зрения, обосновать ее статистикой и источниками и поделиться с вами. Т.к. романтизация «человеческого клинического мышления» — это прекрасно, пока речь не заходит о вашем здоровье.

Баг в человеческой системе 😵‍💫

Врачи — люди. А люди устают, выгорают и подвержены когнитивным искажениям.

Ошибки диагностики — это не статистическая погрешность, это системная катастрофа. Например, только в США ежегодно около 795 000 человек получают инвалидность или умирают из-за неправильного диагноза.

Типичная стори из 2026 года. Бывшая фронтендерша жалуется, что после увольнения год не могла найти работу. Причина? На собесах требуют работать с ИИ, а её от ИИ «не штырит» (и вообще она за экологию переживает). Плюс, везде говорят, что не хватает синьорности. Итог: 700 отказов, полнейшая депрессия и перекат в медсестры.

Пока одни воротят нос от нейронок в ожидании, что рынок откатится назад, другие тупо забирают их хлеб.

OpenAI выкатили отчет о том, как у них (и их клиентов) используются ИИ-агенты. Самый взрывной рост использования агентов сейчас показывают не инженеры. Юристы, эйчары и финансисты осваивают ИИ сильно быстрее. Внутри OpenAI средний юрист или рекрутер генерирует более 85% своих токенов через Codex.

Раньше общение с чат-ботом было похоже на пинг-понг: разовый вопрос — разовый ответ. Сейчас агент может автономно фигачить задачу больше 8 часов. Он сам вызывает нужные тулзы, пишет код, дебажит, ходит во внешние среды и возвращает результат.

Почему программисты уходят в медсестры, а юристы пишут код ☠️

Типичная стори из 2026 года. Бывшая фронтендерша жалуется, что после увольнения год не могла найти работу. Причина? На собесах требуют работать с ИИ, а её от ИИ «не штырит» (и вообще она за экологию переживает). Плюс, везде говорят, что не хватает синьорности. Итог: 700 отказов, полнейшая депрессия и перекат в медсестры.

Пока одни воротят нос от нейронок в ожидании, что рынок откатится назад, другие тупо забирают их хлеб.

OpenAI выкатили отчет о том, как у них (и их клиентов) используются ИИ-агенты. Самый взрывной рост использования агентов сейчас показывают не инженеры. Юристы, эйчары и финансисты осваивают ИИ сильно быстрее. Внутри OpenAI средний юрист или рекрутер генерирует более 85% своих токенов через Codex.

Раньше общение с чат-ботом было похоже на пинг-понг: разовый вопрос — разовый ответ. Сейчас агент может автономно фигачить задачу больше 8 часов. Он сам вызывает нужные тулзы, пишет код, дебажит, ходит во внешние среды и возвращает результат.

Каждый релиз новой LLM сопровождается цветастыми графиками, где столбик с надписью SWE-bench упирается в небеса. Маркетологи визжат: «Модель автономно решает 80% задач разработки, программистам приготовиться!».

А теперь следите за руками.

Уже давненько OpenAI выпустили разбор, где фактически хоронят бенчмарк SWE-bench Verified. Основные причины две:

1️⃣ Контаминация (утечка данных).

Задачи для бенчмарка парсили из закрытых issue и pull requests открытых репозиториев на GitHub. Очевидно, что эти же репозитории разработчики пылесосили при обучении своих моделей. Это как дать студенту правильные ответы до экзамена, а потом восхищаться его гениальностью. Во время проверок модели дословно генерировали gold patch — куски кода с точными названиями переменных и специфичными комментариями из оригинальных пулл-реквестов. Они не «решали» задачу, они её вспоминали.

2️⃣ Узкие тесты.

Почти 60% сложных задач тупо браковали функционально правильный код. Нейронка решила проблему, но назвала новую функцию не так, как этого хотел оригинальный автор 5 лет назад? Тест упал, решение отклонено.

Слышали эту мантру от ИИ-визионеров? Зачем париться с архитектурой, неймингом и рефакторингом, если вкинул в Claude или ChatGPT весь репозиторий, и агент сам найдет, где поправить баг?

Вышло исследование от SonarSource, в котором заморочились с методологией и пришли к интересным выводам. Они собрали пары репозиториев. Одна версия — вылизанная, с факторизованными хелперами и без нарушений статанализатора. Вторая — семантически и поведенчески абсолютно идентичная (тесты проходят), но структурно засранная (God-объекты, глубокая вложенность, лапша). Натравили на обе версии автономного агента Claude Code (модель Sonnet 4.6) на 660 итерациях.

И вот что выяснилось 📊

1️⃣ Плохая новость для пуристов.

Нейронке действительно плевать на качество кода с точки зрения конечного результата. Pass rate (процент успешно решенных задач) на чистом и грязном коде одинаковый. Разница меньше 1 процентного пункта. Агент справляется и там, и там.

2️⃣ Хорошая новость для бизнеса.

Новость, которую можно было легко предсказать: компании, которые радостно увольняли людей, чтобы заменить их нейросетями ради оптимизации костов, начали массово сдавать назад и нанимать кожаных мешков обратно. По данным Robert Half, 32% американских нанимающих менеджеров сначала сократили должности из-за внедрения ИИ, а потом… наняли людей на те же самые позиции.

Три конкретных примера:

1️⃣Ford пытался разрулить проблемы контроля качества автоматизированными системами. В итоге они сейчас возвращают сотни опытных инженеров, потому что ИИ выдает ровно то, на чем его обучили, и не способен выходить за рамки шаблона в реальном физическом мире.

2️⃣IBM заменила эйчаров на ИИ. Алгоритм отлично закрывал 94% рутины, но на оставшихся 6% (этические дилеммы, сложные нетипичные кейсы) предсказуемо забуксовал. А вишенка на торте: в IBM внезапно осознали, что если не нанимать джунов сейчас, то через 3-5 лет у них физически высохнет пайплайн кадров. Капитализм заново открыл для себя причинно-следственные связи 🤡

3️⃣ Австралийский банк CBA уволил 40 саппортеров, заменив их голосовым ботом. Бот не вывез запросы клиентов, те оборвали телефоны, и банк под давлением профсоюзов откатил увольнения.

«Коммерсантъ» выкатил статью с итогами первого полугодия на рынке IT-кадров. В целом всё ровно так, как я разбирал недавно на данных от hh:

🔻 Вакансии рухнули на 20–50% (у «Хабр Карьеры» пробито дно в -56%).

🔺 Резюме выросли в диапазоне от 21% до 69%.

📉 Рост средних IT-зарплат (3,9%) теперь официально ниже официальной же инфляции (5,31%). Реальные доходы падают. И поднимают только мидлам и синьорам.

Что же случилось? 😱

1️⃣ Заградительная ключевая ставка. Времена, когда корпорации нанимали людей впрок и спонсировали бесконечные убыточные R&D-стартапы, закончились. Нет дешевых денег — нет проектов.

В октябре 2025 года Center for AI Safety запустил Remote Labor Index — бенчмарк, где AI-моделям дают реальные фриланс-заказы. 3D-моделирование, видеомонтаж, поэтажные планы, анализ данных, веб-приложения. И люди-оценщики сравнивают результат с работой профи и отвечают на вопрос: «принял бы клиент такую работу?»

На старте лучшая модель закрывала 2.5% задач на уровне живого специалиста.

Июль 2026:

🟢 Fable 5 — 16.1% (рекорд)

🟢 Opus 4.8 — 8,3%

Три инженера из GitHub запустили сервис Slopfix. Суть: вы навайбкодили проект, он работает, но добавить фичу — квест на две недели с поломкой двух других фич. Агент перестал видеть картину целиком и вместо переиспользования кода дублирует его. Знакомая ситуация, да-да.

Slopfix предлагает за $10 000 и одну неделю привести репозиторий в чувство:

🟢 Перед началом фиксируют цель, например: «100 000 строк → 35 000, функциональность та же».

🟢 Платёж — пропорционально результату. Пообещали 50% сокращения, сделали 20% — платите $4 000. Перевыполнили — полная цена.

Что вы получаете: похудевшую кодовую базу, QA-чеклист (перед работой они описывают вообще всё, что приложение делает — экран за экраном, эндпоинт за эндпоинтом) и набор дополнительных полезностей: CLAUDE.md, линтеры, CI-проверки. Плюс две недели гарантии: сломали то, что работало — чинят бесплатно.

И самое интересное: чистят они AI-код… через Claude Code. Да, именно так. Но разница, как они сами пишут — «Claude Code на очень коротком поводке, тридцать лет суммарного опыта о том, как выглядит поддерживаемый код».

Anthropic выкатили ретроспективный лонгрид о том, как они создавали Claude Code. Вот самая мякотка из их откровений:

1️⃣ Искусственный дефицит ресурсов

Самое важное управленческое решение при создании Claude Code — они намеренно тормозили найм в команду. Руководитель Адам Вольф буквально отбивался от расширения штата.

Зачем? Чтобы заставить инженеров использовать свой же продукт. Если у тебя нет лишних рук для написания рутины, ты вынужден заставлять агента делать это за тебя. В итоге крошечная команда лепила фичи и фиксила баги со скоростью огромного enterprise-отдела.

2️⃣ Скорость мутации

Борис Черный (тот самый, чью классификацию Prototyper/Builder мы обсуждали) приводит свою статистику:

В предыдущих сериях нашего ИИ-блокбастера: я уже рассказывал, как Alibaba выкачивала мозги из Claude через дистилляцию, и как Anthropic в ответ встраивала стеганографию в промпты и трекеры в письма, чтобы отлавливать хитрых парсеров из Ханчжоу.

Теперь сюжет совершил закономерный кульбит.

Когда ты довел свои модели до топового уровня, внезапно выясняется неприятная вещь: теперь могут украсть уже у тебя.

По инсайдам Reuters, Пекин собрал верхушку своих бигтехов (Alibaba, ByteDance, Zhipu AI) и всерьез обсуждает запрет на доступ к передовым китайским ИИ-моделям из-за рубежа.

Как чужие веса парсить через фейковые аккаунты — так это «свободный рынок». А как свои алгоритмы защищать — так сразу «угроза национальной безопасности» 😁

Агенты для написания кода жрут контекст, как не в себя. Каждое действие тянет за собой простыню из системного промпта, документации к тулзам и километров истории. Вы платите за каждый токен.

Но есть очевидная дыра в тарификации, на которой построен проект pxpipe.

Ребята сделали локальный прокси, который эксплуатирует простой факт: стоимость картинки в API зависит исключительно от ее разрешения в пикселях, а не от количества текста на ней. pxpipe перехватывает ваши /v1/messages, берет самый жирный и статичный текст (системный промпт, громоздкие логи, старую историю чата), верстает это в плотные PNG-страницы (1928×1928) и скармливает модели.

Около 48 000 символов системного промпта в виде текста обойдутся вам примерно в 25 000 токенов. Эта же простыня, ужатая в один PNG-файл, будет стоить ~2 700 «визуальных» токенов.

То есть счет режется на 59–70%.

Но у подхода есть явные недостатки.

СЕО Palantir Алекс Карп выдал на CNBC базу: создатели frontier-моделей (OpenAI, Anthropic и прочие) занимаются элегантным разводом бизнеса на деньги.

Суть претензии проста: бигтех продает корпорациям и госсектору доступ к API за сумасшедшие деньги, называя это «внедрением ИИ». Но по факту бизнес платит своеобразный «налог на богатство», не получая взамен никакой реальной ценности.

Почему крупный энтерпрайз (и тем более военные ведомства) сейчас в бешенстве от текущего рынка LLM:

1️⃣ Потеря контроля. Бизнес не понимает, кто контролирует веса моделей и как именно кэшируются промпты. Вы отдаете свои данные в черный ящик.

2️⃣ Слив бизнес-преимущества. Отдавать свои проприетарные, топовые данные (например, клинические данные, секретные разработки, финансовые стратегии) сторонней LLM, чтобы она на них дообучилась и стала умнее для ваших же конкурентов — это клинический идиотизм.

HackerRank выкатили в опенсорс свой ИИ-инструмент для скрининга резюме (тот самый ATS, который решает, пойдёте вы на собес или в мусорку).

Один энтузиаст взял своё резюме, вообще ничего в нём не менял и прогнал через этот пайплайн 100 раз подряд.

Знаете, какие баллы он получил?

Первый прогон: 90/100.

Второй: 74.

Третий: 88.

Четвертый: 83.

Наткнулся на отличную мысль от Бориса Черного (создатель Claude Code). Он посмотрел на свою команду и понял, что привычные нам роли (DS, Frontend, Backend, PM, Design) полностью размываются. Когда нейронка берет на себя рутину по написанию бойлерплейта или наброскам UI, граница между специализациями исчезает. Зато появляется новое разделение — по этапам жизненного цикла продукта.

Борис выделяет 5 архетипов будущего:

1️⃣ Prototyper (Прототипировщик): Генерирует идеи пачками и быстро собирает «на коленке» франкенштейнов. 90% идет в мусорку, но оставшиеся 10% нащупывают бизнес-смысл.

2️⃣ Builder (Строитель): Берет удачный прототип и быстро превращает его в production-grade решение. Без соплей, но с приемлемой архитектурой, чтобы это всё не развалилось под нагрузкой.

3️⃣ Sweeper (Уборщик): Приходит после строителя. Упрощает систему, рефакторит код, причесывает UI, безжалостно выпиливает мертвый функционал и вылизывает перформанс.

4️⃣ Grower (Драйвер роста): Итерирует готовый продукт, чтобы добить Product-Market Fit. Улучшает метрики, гоняет A/B-тесты.