Адаптируйся или будешь не нужен: что ждёт разработчиков в эпоху AI

Разберёмся, к чему нас приведут нейросети и что будет дальше. Это хайп, пузырь или новая реальность? Взгляд разработчика и дорожная карта для входа в AI.

Хочу провести небольшой анализ и понять, какие сценарии развития нейросетей могут быть и к чему мы можем подготовиться. Я разработчик, и последние пару лет моя лента — это бесконечный хайп вокруг AI. Но если отключить эмоции и включить холодный анализ, возникает ощущение дежавю. Давайте ненадолго погрузимся в историю.

Прошлое. Что мы уже пережили
Мы, поколение миллениалов и зумеров, стали свидетелями уникального явления: технологии начали сменять друг друга с огромной скоростью. Каждые два-три года появлялось что-то. Вспомним главные тренды:
• Социальные сети (2007–2012) — пугали, что мы перестанем общаться вживую, а приватность умрёт навсегда. Стали рекламным рынком, появились SMM-щики и таргетологи. Кто не пошёл в digital — остался на обочине.
• Big Data (2010–2015) — кричали «Большой брат следит за тобой», аналитиков заменят алгоритмы. Сегодня это стандартный слой систем, дата-инженеры — обычная роль.
• Облака (2010–2018) — боялись, что данные украдут, а сисадмины вымрут как класс. Облака стали коммунальной услугой. DevOps и SRE — must-have, сисадмины просто переквалифицировались.
• IoT (2014–2018) — пугали тем, что хакеры взломают ваш чайник, а вещи станут умнее людей. Технология ушла в промышленность, быт не перевернула.
• 3D-печать (2012–2015) — паника «заводы закроются, каждый напечатает пистолет». Прижилась в прототипировании и стоматологии, пистолеты печатают только в новостях.
• VR (2016) — боялись, что люди уйдут в виртуал и перестанут различать реальность. Стало игрушкой для геймеров и тренажёром для пилотов.
• Метавселенные (2021–2023) — говорили, что жизнь окончательно переедет в цифру, а без аватара на работу не выйдешь. Хайп прошел.
• Блокчейн (2015–2018) — страх, что банки исчезнут, а юристы и нотариусы станут не нужны. Web3-революция не случилась, но разработчики были на вес золота.
• Крипта (2017, 2021) — одни кричали «фиат умрёт, покупай биткоин», другие — «это мыльный пузырь». Стало скучным биржевым активом.
• Нейросети (2023–2025) — обещают заменить умственный труд. Паника: дизайнеры, копирайтеры, программисты останутся без работы. Как видим по истории — профессии меняются, а не исчезают.
• AI-агенты (2025 – ?) — системы, которые не просто генерируют текст, а действуют. Сейчас тревожность: агенты сами всё сделают, люди не нужны.

Как видно, многое революцию не совершило. Хайп и паника была всегда при появлении новой технологии. Но сейчас мы уже это забыли. Сама технология не виновата, что её перехайпили. Виноваты наши ожидания. Но каждая волна меняла ландшафт профессий. Те, кто в 2010 году отказывался изучать социальные сети для бизнеса, проиграли конкурентам. Те, кто в 2015 игнорировал Big Data и облачные технологии, остались на низкоквалифицированных позициях. Крипта создала индустрию блокчейн-разработчиков с зарплатами выше рынка. Даже NFT дала заработок тем, кто вовремя понял правила игры и вышел.
Сейчас точно такой же момент с AI. Мы не знаем, лопнет ли пузырь через два года, произойдёт ли коррекция или AGI действительно заменит половину профессий. Но мы точно знаем: прямо сейчас формируется новый пласт инженеров, которые умеют работать с LLM, строить агентов, проектировать RAG-системы. Когда хайп спадёт, останутся не маги, а специалисты, которые интегрировали AI в свою повседневную работу. Именно поэтому важно не паниковать, а системно разбираться в теме.

Как технология становится обыденностью: три этапа принятия
Чтобы понять, выстрелят ли нейросети и агенты, полезно посмотреть не на хайп, а на закономерности, по которым любая технология входит в нашу жизнь. Таких этапов обычно три.

Этап 1. Сомнения и тестирование гипотез
Вначале новую технологию никто не воспринимает всерьёз. Энтузиасты экспериментируют, бизнес скептически приглядывается. Главный вопрос этого этапа: «Какие реальные боли бизнеса это закрывает и насколько дёшево?» И здесь есть железный критерий, который работает всегда: бизнес стремится сократить расходы и увеличить доходы. Если использовать технологию окажется дешевле, чем человека, — её начнут использовать. Не из любви к инновациям, а потому что так выгоднее. С нейросетями мы прямо сейчас проходим эту развилку. Пока нельзя однозначно сказать, что AI-решение дешевле живого разработчика, бухгалтера или дизайнера. Но предпосылки есть: стоимость инференса падает, модели дешевеют, open source догоняет проприетарные аналоги. Когда ценник пересечёт психологическую отметку «дешевле человека», сомнения исчезнут сами собой.

Этап 2. Повсеместное внедрение

Мы находимся именно здесь. Компании массово встраивают AI в процессы, отлаживают методики, выявляют, где нейросети действительно сокращают издержки, а где остаются дорогой игрушкой. На этом этапе формируются инженерные практики, появляются фреймворки (тот же Spring AI), паттерны (RAG, ReAct) и профессии. Рынок нащупывает эффективное применение. Бизнес перестаёт задавать вопрос «а стоит ли пробовать?» и переходит к вопросу «как внедрить правильно, чтобы не потерять деньги?». Смотрят, каких сотрудников можно заменить, а какие научились выполнять в два раза больше задач благодаря новым технологиям. Нужны будут специалисты, которые будут совмещать в себе несколько ролей. На данном этапе уже видно, где и для каких задач можно использовать нейросети и агентов, а в каких пользы мало. Например, для разработки польза и ускорение в описании документации, написании кода, сборе и ресёрче необходимой информации. Но полностью заменить специалиста пока нельзя. Мы не можем отдать проект агенту, который будет делать фичи за разработчика, основываясь на прямом запросе от бизнеса. Всё равно нужны корректировки. И даже если модели полностью перестанут галлюцинировать, останется проблема: кто формирует требования от бизнеса?

Этап 3. Обыденность
После отладки процессов технология становится просто слоем инфраструктуры. Она больше не вызывает восторга и не попадает в заголовки — ей просто пользуются. И вот здесь наступает ключевой момент: без владения этим инструментом вы становитесь невостребованным. Аналогия простая: 10 лет назад бэкенд-разработчику достаточно было знать только Java, чтобы устроиться на работу. Сейчас такой специалист рынку не нужен — от него ожидают владения облаками, CI/CD, контейнеризацией, понимания баз данных и брокеров сообщений. То же самое произойдёт с AI. Умение работать с LLM, проектировать агентов и внедрять RAG перестанет быть преимуществом и станет гигиеническим минимумом.

Настоящее. Какой путь развития выбрать сейчас
Для того чтобы понять к чему мы хотим готовиться, важно определить, а куда мы можем прийти в будущем?

Какие есть гипотезы и точки зрения дальнейшего развития технологии AI
Мы видим, как нейросети пишут код, рисуют и сочиняют музыку. Хайп настолько силён, что венчурные деньги льются рекой. Но цифры и факты говорят о том, что ситуация неоднозначна.

Точка зрения 1: Мир не будет прежним
Рынок труда меняется прямо сейчас. Согласно свежим исследованиям (IBM Institute for Business Value, McKinsey, 2024–2025), примерно 40% специалистов в сфере бэкенд-разработки и классического программирования должны будут пройти серьёзную переквалификацию в области ML и AI в ближайшие 2–3 года. Это не фейк, это реальность найма. Многие компании уже сейчас приступили к реорганизации команд, в пользу тех, кто может совмещать несколько ролей. Я вижу это по вакансиям и собеседованиям. Если раньше Java-разработчика спрашивали про многопоточность, Collections API и паттерны проектирования, то теперь список вопросов выглядит так:
Базовые концепты ML и LLM
• Чем отличается RAG от простого файнтюнинга и в каких случаях что выбирать?
• Какие алгоритмы ML вы знаете и где применяли на практике?
• Что такое эмбеддинги и как они используются в поиске по документам?
• Что такое температура модели (temperature) и как её значение влияет на креативность ответа?
RAG и работа с данными
• Какие векторные базы данных вы знаете и в чём разница между Pinecone, Chroma и pgvector?
• Какие стратегии разбивки документов (chunking) вы применяли и как подбирали размер чанка?
• Как оценивать релевантность ответа в RAG-системе и бороться с галлюцинациями?
Продакшен и архитектура
• Как встроить LLM в микросервисную архитектуру и не сжечь бюджет на токенах?
• Какие паттерны проектирования агентов вы знаете? (ReAct, Plan-and-Execute)
• Что такое function calling (tool use) и как вы его применяли для интеграции с API?
• Как организовать мониторинг качества ответов LLM и повторные попытки при ошибках?
Бизнес больше не хочет «просто программистов». Бизнесу нужны инженеры, которые могут интегрировать интеллект в продукт. Мой личный совет коллегам-джавистам: смотреть в сторону Spring AI. Это органичное продолжение экосистемы Spring, которое позволяет писать не кучу промптов, а строить надёжные AI-сервисы на знакомом стеке со Spring Boot.

Точка зрения 2: Экономика не сойдётся
Многие кричат, что AI заменит всех. Но есть один нюанс: себестоимость запроса. Раньше SaaS-бизнес жил по модели подписки: заплатил $20 в месяц и пользуешься безлимитно. Экономика сходилась за счёт того, что 90% пользователей не нагружали сервер. С Generative AI эта модель сломалась. Каждый запрос к LLM стоит денег. Мы наблюдаем тектонический сдвиг: крупный бизнес и API-провайдеры массово переходят с подписок на оплату за каждый запрос (pay-as-you-go) или гибридные модели с кредитами. Что это значит? Деньги на токены могут просто закончиться. Если продукт не генерирует сверхприбыль, сопоставимую со стоимостью инференса, юнит-экономика идёт в минус. Многие AI-стартапы сейчас живут за счёт венчурных дотаций. Это классический признак пузыря. Как только дешёвые инвестиции закончатся, индустрию ждёт мощная встряска.

Точка зрения 3: Это станет нашим повседневным инструментом
Любая технологическая революция требовала новых специалистов. И больше всех зарабатывали те, кто раньше замечал веяния эпохи и успевал подготовиться. Те же, кто входил в уже сформированный рынок, всегда получали меньше, потому что умели то же самое, что умеет большинство.
Почему мы можем сделать вывод, что нейросети и агенты выстрелят? Бизнес всегда хочет сократить расходы и увеличить доходы. И если использовать нейросеть станет дешевле, чем человека, само собой, будут использовать то, что дешевле. Сейчас явно нельзя сказать, что дешевле. Но есть предпосылки, что в будущем использование нейросетей станет экономически выгоднее. А еще бизнес вкладывает деньги с работу с нейросетями с 2014 года, а может и раньше. Так что с нами точно останутся какие то инструменты. И чем раньше мы начнем его изучать, тем ценнее будем.

Будущее. К чему нас могут привести нейросети
Давайте как инженеры порассуждаем на основе фактов.

Сценарий 1: Станут повседневным инструментом
Нейросети перестанут быть магией и станут инфраструктурой, как базы данных. Мы не говорим «я пользуюсь базой данных», мы говорим «я пользуюсь банковским приложением». AI встроится в IDE, в Excel, в CRM. Он будет исправлять ошибки в коде, писать типовые CRUD-методы, генерировать отчёты. Разработчики без AI станут архаикой, как таксисты без навигатора. Но профессия не умрёт — изменится её суть. Мы превратимся из «писателей кода» в архитекторов и валидаторов решений.

Сценарий 2: Хайп пройдёт

Хайп утихнет, когда выяснится, что GPT-5 или его аналоги всё ещё «галлюцинируют» в сложных логических цепочках, а бизнес устал терять деньги из-за ошибок ИИ. Лопнет пузырь. 90% AI-стартапов закроются, потому что они были лишь «обёртками» над API OpenAI. Останутся крупные игроки и узкие специалисты. Наступит «AI-зима», но не полная смерть, а спад хайпа до уровня практичности. Даже если так, сейчас мы видим, что этот инструмент во многих вещах упрощает нашу работу, и специалисты, которые владеют инструментом, будут ценнее. Это как иметь трактор, когда у всех только лопаты.

Сценарий 3: Нас всех заменят
Мы и правда стоим на пороге создания сильного интеллекта, способного к рефлексии и самостоятельной разработке. Если это так, то профессия «разработчик», как и большинство умственных профессий, исчезнет через 5–10 лет. Останутся только те, кто ставит задачи и контролирует стратегию. В этом сценарии нужно бросать всё и прямо сейчас уходить в глубокое изучение ML, математики и дата-сайенс.

Тут нет точного ответа, что будет, и я предлагаю вам самим поставить ставку на развитие событий и начать работу в этом направлении уже сейчас. И делать что то, позволит вам быть незаменимым специалистом, в тот момент, когда ваше предполагаемое будущее наступит. Дальше мы разберем, что можно делать и любой работа, сделанная сегодня в любом случае, будет полезна, даже если ваше предполагаемое будущее не наступит.

Стратегия выживания: адаптация
Что делать чтобы не стать мамонтом
Какой бы сценарий ни реализовался, сидеть сложа руки нельзя. Моё предположение: мы пойдём по пути Сценария 1, но с высокой волатильностью Сценария 2. AI не заменит вас, но вас заменит разработчик, который использует AI. При супероптимистичном развитии технологий мы придём к Сценарию 3. Но для этого нужно провести ещё огромную работу корпорациям и инвесторам, на что может повлиять куча факторов. В общем, это возможно, но путь тернист, и это не ближайшая перспектива.

Как получить максимальную выгоду
Можно фантазировать, что когда-то агенты будут формировать бизнес-требования для других агентов, а те — создавать продукт и продавать его. Но для таких проектов никто, кроме одного-единственного выгодоприобретателя — основателя и реализатора этой идеи, — не нужен будет. И это будет уже не человек от бизнеса, а тот, кто умеет и в разработку, и в бизнес, и знает, как работать с агентами. Возможно, мы к этому когда-то придём. Первые, кто это сделает, снимут все сливки, но потом это станет обыденностью. А может, мы вообще придём к тому, что агенты будут делать продукты и предоставлять услуги для других агентов. Но это всё фантазии, на основе которых сейчас у многих развивается тревожность.

Что же можно сказать точно? Агенты — это просто инструменты, с которыми необходимо научиться работать. Нужно следить за направлением развития технологии, проверять самому, где она может быть полезна, учиться разрабатывать её самому и улучшать методики, чтобы быть первым в следующем витке. Иначе это станет инструментом, с которым просто непонятно что делать. Будет похоже на ситуацию, где прилетели инопланетяне, дали какой-то прибор, а ты даже не знаешь, как им пользоваться, и начинаешь суперкомпьютером копать грядки. Такое в истории бывало часто. Например, процессор изобрели давно, и те, кто освоил эти технологии, организовали огромные компании, сняли все сливки и дали эти технологии всем. Теперь даже многие разработчики не понимают, как у них работает процессор. Но больше всех заработали те, кто первым заметил потенциал технологии и смог из этого организовать бизнес. Временно очень много заработали те, кто разработал эту технологию и был первым, кто умеет с ней работать.

Главное правило технологических волн
Из всей истории, которую мы проследили — от соцсетей и Big Data до блокчейна и AI, — можно вывести одно железное правило. Не важно, кто первым изобрёл технологию. Важно, кто первым увидел веяния времени и смог построить на этом бизнес. Больше всех зарабатывает тот, кто раньше других замечает потенциал технологии и делает её основой своего дела или своей уникальной экспертизы. Временно больше всех зарабатывают те, кто раньше всех научился делать уникальную работу и разобрался в технологии. А те, кто приходит, когда она уже стала обыденностью, зарабатывают меньше всех — потому что их навыки уже не уникальны.
Поэтому нейросети и агентов нужно изучать уже сейчас. Не завтра, когда они станут обязательным требованием в каждой вакансии, а сегодня, когда навык ещё редкий и ценный.

Что делать прямо сейчас?

• Перестать отрицать и начать изучать. Если вы Java-разработчик — Spring AI обязателен. Если вы фронтендер — учитесь интегрировать AI-компоненты. HR — применять инструменты для сёрча и ускорять свою работу. Аналитик должен учиться формировать спецификацию и писать промты, на основе которых будет формироваться код, а разработчик — валидировать его. Тестировщики должны становиться автоматизаторами благодаря нейросетям. В любой работе нужно учиться применять AI — агенты могут выстрелить в любой сфере.
• Менять специализацию вглубь. AI плохо справляется с проектированием масштабируемых, надёжных, отказоустойчивых систем, а также систем с высокой нагрузкой. Это зона человека.
• Учить базу. Вопросы на собеседованиях уже включают ML и RAG. Понимать, как работает векторное представление данных, выборка (k-NN) и контекстное окно, вы обязаны.
• Следить за деньгами и новостями. Смотреть, куда движется развитие технологий. Как только бизнес массово перейдёт на локальные LLM (типа Llama) — это сигнал, что рынок остывает, и пора делать упор на on-premise решения.

Что делать прямо сейчас (по профессиям):
• Java-разработчик:
o Освойте Spring AI (официальный модуль) — он даёт готовые шаблоны для интеграции с LLM (ChatGPT, Ollama, Mistral).
o Напишите простой REST-контроллер, который принимает промт и возвращает ответ модели. Интегрируйте это в свой pet-проект.
o Изучите LangChain4j — альтернативу для Java, более гибкую.
o Задача на неделю: соберите демо-бота для внутреннего использования (например, для генерации тестовых данных или документации). Покажите его тимлиду.
• Фронтендер (React/Angular/Vue):
o Научитесь работать с Server-Sent Events (SSE) для стриминга ответов от AI (чтобы делать чаты с эффектом печатания).
o Подключите готовые AI-виджеты (например, помощник по заполнению форм, автодополнение кода в редакторе).
o Освойте Transformers.js для запуска лёгких моделей прямо в браузере.
o Задача: добавьте на свой текущий проект панель, где пользователь может задать вопрос по документации, а фронт отправляет запрос к AI-бэкенду.
• HR / рекрутер:
o Используйте AI-парсеры резюме (например, HireVue, Pymetrics) или хотя бы ChatGPT для быстрого анализа сотен CV за минуты.
o Научитесь составлять промты для оценки софт-скиллов — задавайте кандидатам вопросы, сгенерированные AI, и оценивайте ответы.
o Задача: автоматизируйте написание персонализированных оффер-писем с помощью AI (вставьте шаблон + данные кандидата). Сэкономьте 2 часа в неделю.
• Аналитик данных / бизнес-аналитик:
o Освойте написание промтов для SQL-генерации — вместо ручного написания запросов описывайте задачу на естественном языке, а AI генерирует код, вы только валидируете.
o Научитесь формировать спецификации требований через диалог с AI: задавайте уточняющие вопросы, чтобы модель помогала структурировать логику.
o Изучите PandasAI или LangChain для данных — можно анализировать датасеты голосом.
o Задача: возьмите отчёт за прошлый месяц, скормите AI и попросите выделить аномалии — сравните со своим ручным анализом.
• Тестировщик (QA):
o Перестаньте бояться автоматизации. С помощью AI (Copilot, Codium) вы можете писать автотесты в 2 раза быстрее.
o Научитесь генерировать тестовые сценарии на основе требований: подаёте описание функциональности в модель, она выдаёт сотню кейсов, вы отбираете нужные.
o Используйте AI для самостоятельного написания Page Object-моделей.
o Задача: в ближайшем спринте напишите 10 автотестов с помощью AI-ассистента и сравните время с ручным написанием — результат вас удивит.

Что еще качать
Но технические навыки — лишь половина дела. Мы входим в эпоху, где разработать сервис становится всё проще. Генерация кода, облачные платформы, no-code и low-code инструменты снижают порог входа до нуля. Раньше ценность специалиста определялась тем, как быстро он пишет код и насколько хорошо знает фреймворк. Теперь, когда код пишет машина, на первый план выходят совершенно другие навыки:

1. Творчество и насмотренность. AI способен скомбинировать известное, но не способен придумать по-настоящему новое. Умение видеть неочевидные связи, чувствовать продукт и понимать боли пользователей становится критическим преимуществом. Уже сейчас можно сказать точно, что нужны будут не люди которые много знают, а люди, которые интереснее думают.
2. Умение правильно задавать вопросы. Промпт-инженерия — временный навык. Но декомпозиция задачи, формулирование требований и умение задать правильный вопрос — это метанавык навсегда. Тот, кто умеет спрашивать, контролирует результат.
3. Скорость поиска и фильтрации информации. Побеждает не тот, кто больше знает, а тот, кто быстрее находит нужное, отсекает мусор и верифицирует факты. Это навык информационной гигиены и быстрого обучения.
4. Нетворк — главный актив. Когда технические барьеры падают, на первый план выходят связи и репутация. Кто вас знает, кто готов с вами работать, кто порекомендует — вот что определяет востребованность. Нетворк — это страховка от неопределённости.
5. Упаковка и продажа своей работы. Разработчик больше не может сидеть в песочнице кода и ждать, пока менеджер продаст результат. Нужно учиться упаковывать экспертизу в продукт, доносить ценность до клиента. Способность презентовать и продавать свои навыки становится таким же фундаментальным требованием, как умение коммитить в Git.

Любой продукт или идею можно собрать на коленке, и для разработки потребуется меньше специалистов. Но только ли работники должны меняться? Нет. Бизнес, стартаперы тоже должны уметь пользоваться этими инструментами. Впереди эпоха, где будут выстреливать проекты, которые собрали пара человек из фреймворков, сокративших расходы на сотрудников и умеющих сами использовать инструменты.

Советы тем, кто выбирает свой путь
Тем, кто хочет делать стартапы или заниматься бизнесом
Ваше главное преимущество — скорость. Ищите, где AI может сократить издержки или создать новый продукт, который раньше был невозможен. Собирайте прототипы на коленке с помощью тех же LLM и агентов. Не ждите, пока рынок устаканится — снимайте сливки сейчас, пока инструмент новый и неуклюжий для больших корпораций. Помните: больше всех заработает не тот, кто придумал технологию, а тот, кто построил на ней бизнес.

Тем, кто просто хочет работать и всегда быть полезным работодателю
Станьте незаменимым там, где AI пока слаб: архитектура, надёжность, высокие нагрузки, сложная предметная область. И одновременно осваивайте AI-инструменты, которые ускоряют вашу работу. Покажите работодателю, что вы не просто разработчик, а разработчик с AI-ускорением, который делает вдвое больше. Не ждите, пока вас начнут спрашивать на собеседованиях про RAG — учите это сейчас, чтобы завтра быть тем самым «трактористом», когда у всех лопаты.

Тем, кто хочет двигать технологии дальше
Углубляйтесь в математику, алгоритмы и дата-сайенс. Именно эти люди создают модели, фреймворки и инструменты, которыми потом будут пользоваться все остальные. Вспомните: те, кто разрабатывал процессоры и компиляторы, временно заработали очень много и навсегда изменили мир. Если ваша страсть — исследовать и создавать новое, AI открывает перед вами безграничное поле.

AI это новая инженерная дисциплина, которая рождается на наших глазах. Скорее всего, Java-разработчик 2028 года будет писать не бизнес-логику, а описывать контракты для AI-агентов, проверяя сгенерированный код, как сейчас мы проверяем пулл-реквесты от джунов. Готовьтесь быть тимлидом для ИИ. Поставьте Spring AI, просто попробуйте. Это снимет страх и покажет, что мы нужны.

Спасибо что дочитал до конца, видимо наши мысли схожи, можем пообщаться в канале: https://t.me/mentorly_it
Дмитрий Симачёв — техлид в Сбере, основатель Менторли.

Менторли объединяет менторство и HR-агентство. С одной стороны — помогаем приобрести новые знания и навыки, с другой — находим работу, которая подходит именно тебе. Так мы решаем главную задачу: помогаем специалистам адаптироваться к реальности, где AI, смена технологий и рост требований происходят непрерывно.