Бизнес сегодня радуется тому, что AI способен выполнять работу начинающих специалистов быстрее и дешевле. Но если junior больше не нужен компании, возникает гораздо более неприятный вопрос: где через пять или десять лет появятся люди с опытом, который невозможно получить из учебника, курса или prompt?
— Нам нужен специалист с пятью годами опыта.
— А где он должен был получить эти пять лет?
Тишина.
Потому что пять лет назад компании решили, что значительную часть начальной работы теперь дешевле отдавать AI.
Research.
Первичный анализ.
Документы.
Простые обращения клиентов.
Подготовку отчётов.
Базовый код.
Проверку данных.
Drafts.
Junior-позиции начали сокращаться.
Бизнес получил то, чего хотел: меньше затрат, больше скорости, выше productivity.
А потом обнаружил проблему, которую невозможно решить ещё одной подпиской на AI:
опыт нельзя нанять, если никто больше не получает возможности его приобрести.
И, возможно, это станет одним из самых недооценённых последствий AI для рынка труда.
Мы смотрим не на ту часть проблемы
Сегодня практически весь разговор вокруг AI и рабочих мест построен вокруг одного вопроса:
«Какие профессии AI заменит?»
Но, возможно, гораздо интереснее другой:
«Какие карьерные лестницы AI сломает?»
Потому что профессия — это не одна работа.
Это путь.
Junior становится middle.
Middle становится senior.
Senior становится architect, director, partner, chief engineer, CFO, CTO.
И между этими точками существует механизм, который мы редко замечаем.
Начинающий специалист получает простую работу.
Именно через неё он постепенно учится делать сложную.
Мы называем эту работу routine.
Но для человека в начале карьеры она никогда не была просто routine.
Она была тренировкой.
Junior делает не только дешёвую работу
Возьмём молодого финансового аналитика.
Ему дают собрать данные.
Проверить таблицу.
Подготовить первый draft отчёта.
Сравнить показатели.
Найти расхождение.
Senior смотрит результат и говорит:
«Нет. Ты сделал расчёт правильно, но вывод неправильный».
Вот здесь произошло нечто важное.
Junior получил знание, которого не было в Excel.
Он начинает понимать контекст.
Через год он уже замечает некоторые проблемы самостоятельно.
Через три — понимает, почему цифры иногда вводят в заблуждение.
Через пять — сам проверяет работу нового сотрудника.
И однажды становится тем человеком, которому компания доверяет решение.
Теперь представим, что первые три этапа выполняет AI.
Данные собраны автоматически.
Таблица проверена.
Draft готов.
Расхождения найдены.
Отчёт написан.
Отлично.
Но возникает вопрос:
где теперь учится человек?
Мы можем автоматизировать задачу и случайно автоматизировать обучение
Вот здесь находится настоящий парадокс.
Компания смотрит на работу junior и видит:
низкую сложность.
AI смотрит на неё и тоже видит:
задачу, которую можно выполнить.
Но рынок труда использовал эту работу ещё для одной функции:
создания будущих специалистов.
И эта функция никогда не отражалась в P&L.
Никто не писал:
подготовка отчёта — 2 часа работы + 0,3 единицы будущей senior-компетенции.
Поэтому, когда AI забирает простую задачу, экономическая модель показывает очевидную выгоду.
Два часа сэкономлены.
Но она может не показать то, что было потеряно:
два часа профессиональной практики.
Один раз — ничего страшного.
Тысячи раз за несколько лет — уже совершенно другая история.
Самая опасная автоматизация — та, ROI которой сегодня прекрасен
Представим отдел из десяти человек.
Раньше:
два senior;
три middle;
пять junior.
Появляется AI.
Компания понимает, что значительную часть работы пяти junior можно автоматизировать.
Через год структура выглядит эффективнее:
два senior;
три middle;
один junior;
AI.
Расходы ниже.
Output выше.
Management доволен.
Проходит несколько лет.
Один senior уходит.
Второй получает предложение от конкурента.
Компания выходит на рынок труда.
И внезапно обнаруживает, что хороших senior мало.
И стоят они очень дорого.
Почему?
Потому что другие компании пять лет назад сделали примерно то же самое.
Каждая отдельно принимала рациональное решение.
Вместе они создали дефицит.
Это не первый раз, когда эффективность сегодня создаёт дефицит завтра
Бизнес прекрасно умеет оптимизировать то, что можно измерить сейчас.
Headcount.
Cost per employee.
Time per task.
Revenue per employee.
Tickets resolved.
Lines of code.
Hours billed.
Но гораздо хуже измеряется:
сколько экспертизы компания создаёт внутри себя каждый год?
Это странная метрика.
Её редко увидишь на dashboard CEO.
Но в экономике, где технологии быстро меняются, она может оказаться критической.
Потому что опыт нельзя заказать с доставкой.
Особенно хорошо это видно в IT
Представим начинающего системного инженера.
Он получает относительно простые задачи.
Проверяет конфигурацию.
Изучает документацию.
Настраивает оборудование.
Ошибается в лаборатории.
Спрашивает senior.
Участвует во внедрении.
Сидит на troubleshooting call, где почти ничего не говорит.
Через несколько месяцев начинает понимать, почему senior задаёт именно эти вопросы.
Через два года сам решает часть проблем.
Через пять лет заходит в серверную и иногда понимает причину проблемы ещё до того, как открывает ноутбук.
Откуда появилось это знание?
Не только из certification.
Не только из documentation.
И точно не только из университета.
Оно появилось из сотен маленьких ситуаций.
Из ошибок.
Из наблюдений.
Из вопросов.
Из реальных проектов.
Из фразы:
«Смотри, здесь обычно проблема не там, где кажется».
Это и есть опыт.
AI может знать ответ. Но junior должен понять, почему это ответ
Здесь важно не впадать в другую крайность.
AI может быть великолепным образовательным инструментом.
Junior с AI способен учиться быстрее, чем junior без него.
Он может задавать вопросы.
Получать объяснения.
Разбирать код.
Сравнивать архитектуры.
Моделировать ситуации.
Изучать документацию.
Получать feedback практически мгновенно.
Проблема начинается не тогда, когда junior использует AI.
Проблема начинается тогда, когда компания решает:
раз AI выполняет junior-задачи, junior нам больше не нужен.
Это две совершенно разные стратегии.
Первая может ускорить развитие человека.
Вторая может уничтожить точку входа в профессию.
И это касается далеко не только программистов
Возьмём право.
Junior lawyer читает десятки документов, ищет clauses, сравнивает договоры, готовит drafts.
AI способен выполнять значительную часть этой работы.
Но именно через сотни договоров юрист начинает замечать то, чего раньше не замечал.
Медицина.
Молодой врач изучает случаи, наблюдает senior doctors, постепенно формирует clinical judgment.
Finance.
Молодой аналитик проходит через сотни моделей и отчётов, пока не начинает видеть экономику за цифрами.
Cybersecurity.
Начинающий специалист анализирует alerts, false positives, logs, incidents.
Sales.
Junior участвует в десятках разговоров, слышит возражения, проигрывает сделки, наблюдает за сильными переговорщиками.
Engineering.
Молодой инженер сначала выполняет небольшую часть проекта — а через годы понимает систему целиком.
Во всех этих профессиях существует один и тот же механизм:
простая работа финансирует сложный опыт.
Если убрать первую часть, нужно придумать новый способ создавать вторую.
А мы пока его не придумали
Можно сказать:
«Будем просто обучать сотрудников».
Но training и experience — не одно и то же.
Можно пройти курс по переговорам.
И совершенно иначе чувствовать себя, когда напротив сидит клиент, контракт на миллион и десять секунд тишины после вашей цены.
Можно изучить incident response.
И совершенно иначе принимать решение, когда реальная инфраструктура компании лежит.
Можно прочитать всё о project management.
И совершенно иначе объяснять клиенту, почему проект, который должен был закончиться завтра, задерживается на месяц.
Некоторые знания можно передать.
Другие нужно прожить профессионально.
Поэтому компаниям, возможно, придётся переосмыслить саму роль junior
Сегодня junior часто нанимают потому, что кто-то должен делать более простую работу.
Это экономическая модель прошлого.
В новой модели компания может нанимать junior по другой причине:
потому что ей нужны senior через пять лет.
Это превращает junior-позицию из дешёвой рабочей силы в инвестицию в будущую экспертизу.
И тогда меняется сама логика работы.
Не давать человеку то, что AI не успел сделать.
А специально создавать ситуации, через которые он развивается.
Junior будущего, возможно, будет делать меньше — но видеть больше
Это может быть гораздо более интересная модель.
Раньше junior мог потратить четыре часа на сбор данных и десять минут обсуждать выводы с senior.
Теперь AI собирает данные за несколько минут.
Что делать с освободившимися четырьмя часами?
Самый плохой вариант:
убрать junior.
Более интересный:
дать ему четыре часа на понимание того, почему senior принимает именно такое решение.
Пусть участвует во встрече.
Пусть разбирает реальный кейс.
Пусть сравнивает варианты.
Пусть защищает собственное решение.
Пусть ошибается там, где ошибка ещё не стоит компании дорого.
Пусть получает feedback.
Тогда AI не уничтожает apprenticeship.
Он может сделать его значительно сильнее.
Возможно, нам понадобится новая система профессионального обучения
В некоторых профессиях она существовала столетиями.
Apprentice.
Journeyman.
Master.
Человек не просто изучал теорию.
Он работал рядом с тем, кто знает больше.
Наблюдал.
Повторял.
Ошибался.
Получал correction.
Постепенно ему доверяли более сложную работу.
Современные корпорации во многом сохранили тот же механизм — просто перестали называть его apprenticeship.
Junior → Middle → Senior.
AI заставляет нас впервые спросить:
если нижний уровень пирамиды автоматизируется, как человек попадёт на следующий?
И здесь появляется ещё одна проблема: senior тоже нужен junior
Звучит странно.
Но обучение младших специалистов развивает и старших.
Когда senior должен объяснить:
почему мы делаем именно так,
он формализует собственное знание.
Когда junior задаёт:
«А почему нельзя иначе?»
иногда выясняется, что ответ:
«Потому что мы всегда так делали».
И это уже полезный сигнал.
Junior приносит вопросы.
Senior приносит контекст.
AI приносит скорость.
Возможно, самая сильная модель будущего — не:
Senior + AI.
А:
Junior + Senior + AI.
Три разных типа ценности.
Для Армении этот вопрос особенно важен
Для небольшой страны человеческий капитал — не абстрактная HR-тема.
Это экономический ресурс.
Если компании перестанут брать начинающих специалистов, потому что AI дешевле выполняет начальные задачи, результат станет заметен не завтра.
Первые несколько лет всё может выглядеть прекрасно.
Productivity растёт.
Команды становятся компактнее.
Расходы снижаются.
А затем рынок начинает спрашивать:
где опытные инженеры?
где сильные account managers?
где архитекторы?
где cybersecurity experts?
где project managers?
где специалисты, которые уже прошли через реальные ошибки, сложных клиентов и трудные проекты?
И ответ может оказаться неприятным:
мы перестали их выращивать пять лет назад.
Поэтому у CEO и HR появляется новый вопрос
Не только:
«Какие позиции мы можем автоматизировать?»
Но и:
«Какие компетенции перестанут появляться, если мы автоматизируем эти позиции?»
Это гораздо более зрелый вопрос.
Перед автоматизацией процесса можно проверить:
Какие задачи здесь routine?
Какие из них одновременно являются обучением?
Какие знания junior получает, выполняя их?
Можно ли AI забрать механическую часть, но оставить человеку learning loop?
Как сотрудник будет получать реальные кейсы?
Кто будет давать feedback?
Каким образом через три года мы поймём, что он готов принимать более сложные решения?
И наконец:
откуда придёт наш следующий senior?
Возможно, компании придётся считать ещё один вид долга
В IT существует technical debt.
Компания принимает удобные решения сегодня и расплачивается за них позже.
В эпоху AI может появиться нечто похожее:
experience debt.
Компания экономит сегодня, потому что автоматизировала работу начинающих специалистов.
Но одновременно перестаёт производить собственную экспертизу.
Первые годы этот долг почти невидим.
А потом наступает момент выплаты.
Senior уходит.
Нового внутри нет.
На рынке дефицит.
Зарплаты растут.
Найм занимает месяцы.
И компания вынуждена дорого покупать опыт, который могла выращивать сама.
Это не аргумент против AI
Наоборот.
Было бы бессмысленно заставлять человека вручную выполнять работу, которую машина делает быстрее, дешевле и точнее, только ради «опыта».
Но тогда бизнес должен сознательно заменить старый механизм обучения новым.
Если AI забирает routine —
человеку нужно дать больше контекста.
Если AI делает first draft —
junior должен учиться его критиковать.
Если AI анализирует данные —
человек должен учиться задавать правильные вопросы к анализу.
Если AI пишет код —
начинающий инженер должен понимать архитектуру, безопасность и последствия этого кода.
Если AI готовит предложение —
молодой sales specialist должен понимать клиента, economics и переговоры.
Мы не должны сохранять бессмысленную работу.
Мы должны сохранить механизм, который превращает новичка в эксперта.
2031 год
Снова собеседование.
— Нам нужен senior specialist. Минимум пять лет серьёзного практического опыта.
Кандидатов почти нет.
Рекрутер говорит:
— На рынке дефицит.
CEO удивляется:
— Как так получилось?
Ответ может быть очень простым:
пять лет назад все одновременно решили, что junior больше не нужен.
Заключение
AI действительно может убрать множество задач начального уровня.
И в краткосрочной перспективе это может выглядеть как прекрасная оптимизация.
Но бизнесу стоит помнить одну простую вещь:
senior не появляется в день, когда вы публикуете вакансию senior.
Он появляется за годы до этого.
Когда кто-то впервые доверяет начинающему специалисту небольшую задачу.
Когда он ошибается.
Когда senior объясняет ему почему.
Когда он наблюдает.
Когда пробует снова.
Когда получает чуть более сложную ответственность.
И однажды становится человеком, к которому уже приходят за ответом другие.
AI может сделать этот путь быстрее.
Может сделать его умнее.
Может убрать из него огромное количество бессмысленной механической работы.
Но если мы уберём сам путь, технологии не смогут вернуть нам потерянные годы.
Поэтому, прежде чем компания скажет:
«Эту junior-позицию теперь может закрыть AI»,
руководству стоит задать ещё один вопрос:
«Хорошо. А кто тогда станет нашим senior через пять лет?»