В июне 2026 года исследователи Арвинд Нараянан и Саяш Каппор опубликовали эссе о том, почему массовые увольнения программистов из-за ИИ не происходят — и, по их аргументам, не произойдут. Simon Willison, один из ключевых комментаторов LLM-пространства, выделил главный тезис: даже в отрасли с минимальными регуляторными барьерами автоматизация не ведёт к вытеснению инженеров.
Контекст
С 2023 года в публичном дискурсе периодически звучит нарратив: как только возможности моделей пересекут некий порог, разработчики станут ненужными. Этот тезис активно продвигали отдельные CEO и венчурные инвесторы. Реальные данные рынка труда ему противоречат.
В марте 2025 года Нью-Йорк стал первым штатом США, добавившим в WARN Act (закон об обязательном уведомлении о массовых сокращениях) специальный чекбокс: «причина — ИИ». За полный первый год действия нормы более 160 компаний подали WARN-уведомления. Ни одна не поставила галочку. Это не доказательство отсутствия давления ИИ на занятость, но это данные — а не нарратив.
Нараянан и Каппор специально выбрали software engineering как полигон: именно здесь барьеры для автоматизации минимальны. Код — формализованная задача с измеримым результатом. Если где и ждать замены людей, то здесь первыми. Но даже здесь этого не происходит — значит, в других профессиях ситуация ещё менее драматична.
Аналитика
ИИ действительно ускорил то, что авторы называют «фазой набора кода». Но набор кода — не узкое место. Исследования time-tracking разработчиков показывают: большую часть времени занимают митинги, отладка, обсуждение требований. И вот тут наступает интересное: авторы провели качественный анализ и выявили три реальных узких места, которые сопротивляются автоматизации.
Первое — принятие решений и спецификация: что именно строить, зачем, с какими компромиссами. Второе — верификация и ответственность: кто проверяет, что система делает то, что нужно, и несёт за это профессиональную ответственность. Третье — глубокое человеческое понимание: контекст кодовой базы, бизнес-логика, среда эксплуатации, история решений. Simon Willison комментирует это точно: «Дайте мне всю возможную ИИ-помощь, и ценность, которую я создаю, всё равно будет определяться тем, насколько глубоко я понимаю и проблемы, и решения, которые агенты для них строят».
Это меняет рамку разговора. Вопрос не «заменит ли ИИ программиста», а «какие части работы программиста автоматизируются и как перераспределяется время». Ответ: автоматизируется механический слой, освобождая время для слоя понимания. Что создаёт не безработицу, а новый профиль компетенций.
Кейсы применения в бизнесе
B2B-SaaS стартап: вместо страха «ИИ заменит команду» — переосмыслить распределение ролей. Junior-разработчики с Copilot или Claude Code пишут бойлерплейт, senior-инженеры фокусируются на архитектурных решениях и спецификации. Результат — более высокий выход фич при той же команде, без сокращений. Инвестиция: настройка agentic-воркфлоу + несколько недель адаптации.
Корпорация с legacy-стеком: здесь «глубокое понимание кодовой базы» особенно критично — 20-летний монолит не документирован в векторной базе. ИИ-агенты помогают с поиском и объяснением кода, но human-решение о рефакторинге остаётся за инженером, который понимает бизнес-последствия. Сценарий: внедрить RAG поверх внутренней документации + кодовой базы как инструмент для разработчиков, а не их замену.
SMB/локальный бизнес в КР: нехватка разработчиков — хроническая проблема. Вместо найма второго backend-инженера — дать первому инструменты (Claude Code, GitHub Copilot) и чётко описать задачи. Узкое место сместится с написания кода на постановку задач и приёмку — то есть на работу с продуктовой командой или основателем.
Кейсы в личной жизни
Разработчик: эссе даёт конкретный вектор прокачки. Если код-генерация автоматизируется, инвестируй в понимание бизнес-контекста, в умение задавать правильные вопросы до написания кода, в навык верификации и ответственного приёмки. Это не «мягкие навыки» — это новый профессиональный дефицит.
Студент или джун: не паникуй из-за «ИИ отнимет работу». Паникуй из-за того, что научился только набирать код по туториалам. Три навыка, которые стоит строить с нуля: декомпозиция задачи до спецификации, отладка с пониманием (а не перебором), понимание того, что код делает в продакшн-системе.
Фрилансер/контент-мейкер в tech-тематике: данные из эссе — отличный материал для собственного контента. Нарратив «ИИ уволит всех» хайповый, но доказательств нет. Строить аудиторию на реальных данных, а не на страхе — долгосрочно выгоднее.
Как применить сегодня
- Прочитай эссе Нараянана и Каппора — ищи по авторам и теме «AI job displacement software engineers 2026»: там методология, не только выводы.
- Проведи личный аудит: сколько твоего рабочего времени уходит на «набор кода» против «понимания задачи и верификации результата». Это покажет, где реально поможет ИИ.
- Внедри Claude Code или аналогичный agentic-инструмент в рутину — не чтобы «писать за тебя», а чтобы освободить время для слоя решений.
- Перестань оценивать разработчиков (или себя) по скорости написания кода. Метрика устарела. Новая метрика — качество спецификации и точность приёмки.
- Если ты менеджер или основатель: не сокращай команду «потому что ИИ». Перераспредели задачи — механический слой отдай агентам, когнитивный оставь людям.