ИИ не заменяет разработчиков — он заменяет вход в профессию
Профессия держится в агрегате, а первая ступень карьеры — нет: по данным Stanford и ADP ИИ сильнее всего бьёт по раннему этапу карьеры, и для инженера риск не в исчезновении должности, а в сжатии входа в профессию. Если сеньоры уже отдают шаблонный код агентам, форму джунских задач под агентный цикл нужно менять сейчас — иначе завтра некому будет проверять вывод агента; разбор эссе komo на Dev.to.
Что показывают данные Stanford и ADP про раннюю карьеру и ИИ
Canaries Dashboard, ADP и Stanford Digital Economy Lab фиксируют разрыв между «в среднем всё стабильно» и тем, что происходит у тех, кто только входит в рынок. В агрегате по всем работникам на апрель 2026 годовой темп занятости в наиболее AI-exposed сегментах — −0,2% г/г, в наименее exposed — +0,1%. Массовой безработицы в сумме нет, но при разрезе по стадии карьеры картина другая.
С момента выхода ChatGPT годовой рост занятости в AI-exposed сегментах — +1,1% в год против +2% в наименее exposed (ADP). Для возраста 22–25 в highly AI-exposed занятости — −3,8% в год; в least-exposed для той же когорты — +2% (Canaries Dashboard).
В публикации Stanford «Canaries in the Coal Mine?» — 16% относительное снижение занятости early-career в наиболее AI-exposed occupations после контроля firm-level shocks.
Массовой катастрофы в среднем нет. Меняется нижняя ступень — первая работа, а не категория «software developer» целиком.
Вторичная сверка с June 2026 Update Stanford DEL подтверждает те же порядки: aggregate most exposed 1,1% vs least 2,0% годовых; для 22–25 в exposed — контракция 3,8% vs рост 2,0% в least-exposed. Canaries здесь — ранний сигнал, не финальный приговор профессии.
«On-ramp» в инженерии: первая работа, а не категория developer
«On-ramp» — не абстрактная метафора карьеры, а конкретный инженерный контур. ИИ может не заменять должность целиком, но заменять первую работу — нижнюю ступень, через которую когда-то проходили все.
Junior-задачи — training loop, а не «выход продукта»: flaky tests, логирование, миграции, интеграции, CSV-import, support tickets, мелкий UI, переименования «везде, включая забытое место». Это путь к production taste — пониманию, что ломается в проде и почему.
Automation и augmentation разведены по логике Stanford: падение занятости у молодых сильнее там, где ИИ автоматизирует задачи, а не аугментирует людей. Для разработки это значит: агенты забирают bounded text-heavy work — first-pass code, мелкие рефакторинги, summaries, docs, support drafts, QA checklists. Слабы они на judgment: приоритет багов, расхождение терминов между командами, «clever patch» vs ownability, уверенная подмена missing context.
Если автоматизация убирает «скучную половину» junior-work, исчезает не только время сеньора — исчезает лестница к следующему сеньору. Рынок начинает конкурировать за сужающийся пул людей «уже умеющих в прод», а не за тех, кого ещё можно вырастить.
Где агенты сильны — и почему проверка важнее промпта
Конкретные IDE и агентные стеки в эссе не названы — речь об обобщённых агентах и рабочих процессах с ними. Сеньоры «рады отдать агенту» шаблонный код; джуны должны работать с агентами, но отвечать за проверку, а не только за промпт.
Агент хорош на задачах с чёткими границами и большим объёмом текста. Он слаб там, где нужен контекст организации, trade-offs и ответственность за прод. Code review в такой модели — не про скорость набора, а про judgment: какие assumptions у модели, какой context пропущен, что упадёт в проде, что логировать, как откатить.
«Ten senior developers, twenty agents, and zero juniors» — не AI-стратегия, а succession planning с вырезанным succession.
Часть работы стоит держать human-first намеренно: кто ни разу не дебажил failing deploy вручную, переоценит план выката через агента. Это не лудизм — это сохранение пути обучения для judgment, который агент не генерирует из промпта.
Что менять в AI-heavy команде: шесть практик из эссе
Раздел «What I would change in an AI-heavy engineering team» — не запрет агентов, а смена формы junior-work.
- Не запрещать агентов на junior-work — «fake discipline» только прячет проблему.
- Менять форму задачи: в 2026 junior-work — не «написать функцию с нуля», а «агент черновик → объяснить каждую оставленную/изменённую строку и добавленные тесты».
- Парить juniors с агентами на inspectable output: мелкие миграции, починка тестов, docs tied to code, reproduction scripts, data cleanup, internal tools.
- Code review на judgment, не на скорость: assumptions модели, пропущенный context, прод-риски, логирование, откат.
- Часть работы human-first — ручной debug deploy, чтобы не потерять чувство границ системы.
- Следить за ratio seniors / agents / juniors — не только экономией senior time.
Практический императив: мерить не только сэкономленные часы сеньора, но и что происходит с training path. Если агенты убирают «скучную половину», нужен новый способ учить judgment — иначе некому будет проверять вывод агента.
Инженерная цена модели «меньше джунов + больше агентов у сеньоров»
Это не только labor policy, но и плохая инженерия. Три следствия:
- Сеньоры становятся единственными holders of context — все workflow идут через перегруженных людей.
- Организация теряет «дешёвые ошибки» (junior ломает dev env) в пользу «senior-approved agent ломает прод».
- Hiring market: «candidates have no experience» при отсутствии тренировки джунов.
Историческая аналогия — недоинвестиции в maintenance, onboarding, docs, test suites, internal tools. Junior work load-bearing так же, как «скучная» инфраструктура: её не видно в demo, пока не исчезнет.
Середина между паникой и complacency: категория software developers не исчезнет; агрегат может выглядеть стабильным, пока нижняя ступень слабеет. Для команды с агентным циклом это означает: продуктивность сеньоров с агентами — не полный KPI, если параллельно сжимается вход в профессию.
Источники
- komo — «AI Is Not Replacing Developers. It Is Replacing the On-Ramp.» (Dev.to): Dev.to
- Stanford Digital Economy Lab — Canaries Dashboard: https://digitaleconomy.stanford.edu/project/indicators/canaries-dashboard/
- Stanford DEL — «Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence»: https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/
- Stanford DEL — «AI Economic Indicators: June 2026 Update» (PDF): https://digitaleconomy.stanford.edu/app/uploads/2026/06/AIEI_RN01_Jun26.pdf