По прогнозу WEF, к 2030 году 41% работодателей планируют сокращать людей там, где ИИ эффективнее. Goldman Sachs оценивает, что 300 млн фултайм-позиций исчезнут или изменятся не в лучшую сторону для занимающих их людей. Билл Гейтс призывает зумеров осваивать ИИ как можно скорее и при этом признает, что карьеры молодых в опасности, независимо от того, насколько хорошо они научатся им пользоваться. И все это на фоне постов и тиктоков, где одни плачут, потому что устали рассылать сотни резюме, а другие хвастаются, как заменили команду на десяток ИИ-агентов.
Да, это глобальный кризис старта карьеры, и ИИ тут — один из главных катализаторов. Так что делать, чтобы не проиграть машине?
Навык 1. Быть дженералистом
Сегодня особенно полезно быть не узким специалистом, а дженералистом — развиваться не только глубоко в одной области, но и в смежных направлениях, хотя бы поверхностно. Как отмечает CEO Figma Дилан Филд, по мере того как ИИ упрощает отдельные технические задачи, конкурентным преимуществом становится способность работать на стыке ролей и пользоваться повышением потолка возможностей даже за пределами своей профессии.
Условно, если раньше разработчик в основном отвечал за кодинг, сейчас он вполне может сам подготовить макеты интерфейса (а раньше это требовало навыков дизайнера), проанализировать результаты проекта (вместо аналитика), а иногда и сформулировать продуктовые требования (вместо продуктового менеджера). Это не значит, что дизайнеры, аналитики и менеджеры не нужны или что разработчикам придется выполнять чужую работу, — скорее базовый скиллсет в смежных областях становится новым «гигиеническим минимумом».
Как этому учиться?
- Следить, как меняется ваша роль: выбрать топ-10 интересных вам компаний, в том числе зарубежных, и раз в полгода проводить «аудит» вакансий в них. Какие навыки и инструменты теперь требуются от вашей должности?
- Погружаться в смежные роли: например, если вы работаете в связке с дизайнером, поспрашивайте его, как выглядит его рабочий процесс, какими инструментами он пользуется (в первую очередь нейросетями), как меняется индустрия, где и чему стоит поучиться на базовом уровне.
- Изучать, как развивается технология ИИ: если вы понимаете, куда она движется, можете переложить это на свою профессию и подумать, как изменится и она. Тут советую читать не только новости, но и книги (например, научно-популярную «Сингулярность уже близко: когда мы сливаемся с ИИ» Рэя Курцвейла) или слушать дискуссии ученых на эту тему (вроде «Как мы можем контролировать чужеродный разум»).
Навык 2. Уметь управлять ИИ
Еще в 2024-м более 70% менеджеров сказали, что скорее наймут человека с меньшим опытом, но умеющего использовать ИИ-инструменты, чем более опытного, но не владеющего ими. При этом работодатели видят в этом не только практический навык, но и сигнал: человек интересуется индустрией и инновациями, у него есть интеллектуальное любопытство и желание учиться. А для джунов это настоящий грин флаг.
Другими словами, от вас не требуется быть «лучше» искусственного интеллекта и обходить его во всем. Это невозможно. Следить за всеми обновлениями тоже бессмысленно: на это уйдут все силы, а ИИ все равно будет быстрее. Гораздо важнее уметь работать в связке хотя бы с более-менее популярными технологиями, где это действительно помогает становиться быстрее и эффективнее, и дирижировать ими, проверять и управлять, не доверять бездумно.
То есть уметь корректировать, что ИИ написал и накодил, проверять его на уязвимости и валидировать ответы, соединять в одну логичную картину разрозненные ответы. (По сути, это то самое критическое мышление и научный подход, о которых мы говорили еще в 2023-м. — Прим. ред.)
Как этому учиться?
- Разобраться, какие инструменты на рынке есть, каким можно доверять и какие работают лучше для конкретных типов задач. Например, Claude лучше в креативном письме и глубоком анализе, Perplexity — в поиске и фактчекинге, СhatGPT — в общих запросах. (Наш подробный гайд по нейросетям — здесь. — Прим. ред.)
- Задавать один и тот же вопрос/задачу по-разному или разным ИИ-инструментам и учиться собирать итоговое решение самостоятельно.
- Упражняться в намеренном поиске ошибок, слабых мест и неточностей в ответах нейросети. Стоит спрашивать и себя, и ее: «Какие допущения ты сделал в этом ответе?», «В каких ситуациях это решение НЕ будет работать?», «Какие есть альтернативные объяснения этой ситуации?», «Какие утверждения здесь требуют проверки по источникам?», «Какие аргументы можно использовать против этого решения?».
Навык 3. Мыслить продуктом
Понимание контекста — критически важно. Сейчас от джунов ожидают не просто конкретных хард-навыков, но и умения увидеть «боль», понять, для кого создается продукт и как предлагаемое решение закрывает проблему пользователя. Этот тренд продвигают практически все продуктовые лидеры. Например, один из самых влиятельных экспертов в продакт-менеджменте Марти Каган подчеркивает, что успешные сотрудники и команды отвечают не за фичи или отдельные задачки, а за решение реальных пользовательских проблем.
Именно поэтому формат собеседований и портфолио меняется. Например, кандидатов-дизайнеров все чаще просят провести интервьюера через свои проекты: описать всю логику, от постановки проблемы до финального решения. Это отлично видно по портфолио, которые получают наибольшее внимание на таких платформах, как Behance — один из самых популярных стоков дизайнерских кейсов. Сейчас там хороший тон — показывать не только финальные макеты, но и анализ пользовательских болей и конкурентной среды, критерии для принятия решений.
Как этому учиться?
- Анализировать знакомые сервисы, которыми сами пользуетесь каждый день: какую проблему они решают, для кого, за счет каких решений и где у них слабые места.
- При описании проектов для учебы/портфолио/резюме демонстрировать не только конечный результат. Формулировать, какую проблему вы решали, для кого именно это делали, почему это было важно, с какими сложностями вы столкнулись, какие альтернативы рассматривали и к каким результатам это привело.
- При подготовке к собеседованиям тренироваться объяснять проект не через инструменты, а через потребительскую логику: проблема → пользователь → гипотезы → решение → результат.
- Просить ИИ сыграть роль критика и погонять вас по вопросам: так легче понять, какие ваши тезисы звучат слабо, что могли упустить при выполнении проекта и какие результаты важно проверить для выводов.
Навык 4. Быть социально видимым
Искусственный интеллект усиливает конкуренцию не только из-за навыков. В отчете Harvard Business School отмечается, что автоматизация найма ускорила работу рекрутеров, но одновременно усложнила путь кандидатов к живому HR: машинные фильтры стали жестче и прямолинейнее — и большинство резюме джунов даже не открываются, особенно крупными компаниями.
Параллельно рынок экономит: в условиях трансформаций компании сокращают риски и предпочитают нанимать по рекомендациям. Рекрутеры тоже перегружены и в первую очередь замечают тех, кого уже где-то видели или о ком слышали. Короче, сегодня один полезный контакт зачастую ценнее прекрасного резюме, а социальный капитал стал важным даже для нелюдимых талантов.
Как этому учиться?
- Вступить минимум в три-пять профессиональных сообществ. Вам необязательно сидеть там часами, но стоит представиться, рассказать, чем вы можете быть полезны, с какими людьми хотели бы пообщаться, и периодически напоминать о себе.
- Зарегистрироваться минимум на две конференции или митапа из вашей индустрии, появляться на мероприятиях примерно раз в полгода.
- Поспрашивать знакомых, есть ли у них в окружении специалисты со схожим с вашим профилем, позвать их на кофе или онлайн-встречу, познакомиться, побеседовать о ситуации на рынке. Если им понадобятся люди в команду, о вас вспомнят.
- Развивать профессиональные соцсети — телеграм-каналы, LinkedIn, ну или хотя бы сделать свой сайт-визитку. Отправлять людям ссылку на них при знакомстве.
P. S. Важно помнить, что социальная видимость — это инструмент, а не цель сама по себе. Она действительно требует немало сил, и, если вы совсем к ней не готовы, это не закрывает для вас рынок труда — просто в таком случае имеет смысл опираться на другие коммуникационные инструменты: рекомендации, грамотное портфолио и точечные отклики.
Навык 5. Подходить к работе структурно
Сейчас главная сложность при работе с ИИ связана уже не с качеством ответов моделей (оно еще оставляет желать лучшего, но стремительно прогрессирует), а с тем, как правильно сформулировать задачу и задавать контекст, чтобы не уйти в бесконечный цикл правок.
Для этого нужно тренировать структурное мышление. Если продуктовое мышление, о котором мы говорили выше, отвечает на вопрос «Зачем?», то структурное — на вопрос «Как именно?». Да, даже новичку теперь нужно уметь продумывать решение комплексно и раскладывать его на понятные шаги, по крайней мере стремиться к этому.
Так, если раньше джуну могли дать конкретное поручение — скажем, оформить пуши для приложения, — сегодня от него ждут, что он учтет, в какой момент какое уведомление будет уместно, что увидит пользователь при плохом интернете и где возникнут репутационные риски. При работе с ИИ это означает, что мало просто попросить модель о помощи, нужно выстроить для нее жесткий каркас: объяснить, какие правила важны для компании, какие ошибки недопустимы и по каким критериям будет оцениваться результат.
Как этому учиться?
- Декомпозировать задачу в самом начале, разложить ее на части перед поиском решения: что дано, какие есть ограничения, где возможны риски.
- Намеренно придумать как минимум два способа решения одной задачи и сравнить их по критериям: сложность, масштабируемость, риски, влияние на другие части продукта.
- Делать постразборы решений: где структура оказалась удачной, где всплыли сложности, что пришлось бы изменить при росте нагрузки или изменении аудитории.
Главный совет
Несмотря на страшные цифры и прогнозы, которые сейчас валятся на нас со всех сторон, не стоит тратить время на то, чтобы пытаться угадать точные сценарии развития индустрии. Пока кто-то умный предвещает «ИИ-пузырь», который не сегодня завтра лопнет, кто-то не менее умный высмеивает паникеров и предвидит счастливый симбиоз человека и ИИ, а кто-то еще, казалось бы, довольно успешный, вообще игнорирует эту технологию. На деле никто не знает, что будет даже через год: все слишком нестабильно, и не только из-за ИИ.
Что действительно можно сделать сейчас, чтобы остаться востребованным при любом исходе, — это фокусироваться на навыках, в которых в силу природы человек сильнее машины. В конечном счете самая сложная и умная нейросеть по-прежнему у нас в голове.