Генеративный ИИ против начинающего специалиста: кого выбрать
ИИ берет на себя все больше рутинных задач. Стоит ли в этих условиях пересматривать подход к найму начинающих специалистов и какие риски возникают при попытке заменить их алгоритмами. Разбирается Наталия Долженкова, исполнительный директор ELMA
Фото: Igor Omilaev / Unsplash
Этот материал входит в раздел «РБК Образование», где мы рассказываем, как развивать навыки, принимать взвешенные решения и двигаться по карьере осознанно.
Школа управления РБК — новый образовательный проект медиахолдинга, ориентированный на развитие руководителей. Встречаемся каждый четверг в 19:00 на онлайн-событиях, где вместе решаем сложные управленческие задачи.
Расписание и темы можно посмотреть здесь.
В 2025 году тема ИИ стала обязательной для всех продуктовых конференций — эксперты спорили: хайп или операционная эффективность. Споры не утихли и в 2026-м году, но искусственный интеллект стал повседневным инструментом. Сначала на уровне отдельных сотрудников, а затем — компаний. Сегодня ИИ используется не только для генерации текстов или кода, но и в более сложных конфигурациях: его встраивают в бизнес-процессы, связывают в автоматизированные цепочки, подключают к корпоративным системам через copilot-подход. ИИ перестает быть «помощником» и воспринимается как исполнитель рутинных операций.
Встает вопрос: если типовые задачи — подготовка отчетов, первичный анализ, обработка запросов, стандартные операции в IT и бэк-офисе — все чаще выполняет ИИ, то зачем компании держать начинающие роли, которые исторически были связаны именно с этой работой? Этот вопрос так или иначе обсуждается у нас на планерках руководителей функций, где присутствует финансовый директор.
Дополнительное давление создает экономика найма. В 2026-м году начинающий специалист — не «дешевый ресурс», а инвестиция с отложенной отдачей. По данным исследования «Хабра», еще в 2024 году медианный уровень дохода junior-специалистов в технических ролях находился в диапазоне 120–150 тыс. руб. в месяц, а в крупных городах и корпоративном сегменте мог быть выше. С учетом налогов и обязательных отчислений нагрузка на фонд оплаты труда увеличивается еще на 30–35%. К этим затратам добавляются косвенные издержки: онбординг, время наставников, временное снижение производительности команды. Выход junior-специалиста на устойчивую продуктивность занимает от трех до шести месяцев, в течение которых он потребляет больше ресурсов, чем приносит пользы.
Таким образом, c одной стороны есть генеративный ИИ, который обещает масштабируемость, скорость и снижение нагрузки на команды. С другой — начинающие специалисты, без которых невозможно формирование экспертизы и кадрового резерва в среднесрочной перспективе.
Именно на этом пересечении и возникает ключевой вопрос не о выборе между «человеком и машиной», а о том, как меняется роль junior-уровня в корпоративной системе и какие ошибки компании рискуют допустить, пытаясь решать эту дилемму линейно.
ИИ и джуниор: где бизнес сталкивается с неожиданными рисками
На практике выбор между развитием начинающих специалистов и внедрением генеративного ИИ непрост. И в том, и в другом случае компании сталкиваются с «сюрпризами».
Внедрение ИИ — это не разовая покупка технологии, а управленческий и организационный проект. Компании используют либо внешние модели от глобальных облачных провайдеров, либо развивают собственные модели на базе корпоративных данных. В первом случае вперед выходят риски безопасности: утечки информации, неконтролируемое использование данных, зависимость от внешних поставщиков. Во втором — сложность и длительность самого процесса. Основная проблема — не ИИ, а подготовка и управление данными: очистка, структурирование, настройка прав доступа и проверка результатов.
По опыту наших клиентов, путь от первого пилота до устойчивого промышленного использования ИИ занимает от четырех до шести месяцев, а в сложных предметных областях может растягиваться до девяти месяцев. Все это время ИИ-проект остается инвестицией без немедленной отдачи — ровно так же, как и наем начинающего специалиста.
Экономика внедрения ИИ сложнее, чем может показаться на первый взгляд. Помимо лицензий и подписок на API, компании инвестируют в вычислительную инфраструктуру: даже минимальная конфигурация для локального развертывания модели обходится в несколько миллионов рублей, а более сложные проекты стабильно выходят на уровень 10–20 млн руб. К этим расходам добавляются затраты на интеграцию с существующими ИТ-системами, кастомизацию под бизнес-процессы и обучение сотрудников новым способам работы. В итоге бюджет даже небольшого ИИ-проекта сопоставим с годовыми затратами на целую команду junior-специалистов.
Однако рассматривать ИИ исключительно через призму расходов — методологическая ошибка. Компании не начинают такие проекты потому, что ИИ «дешевле джуниора». Их мотив — масштабируемость. Один и тот же ИИ-модуль, встроенный в повторяемый бизнес-процесс, может влиять на десятки или сотни операций одновременно, тогда как вклад отдельного сотрудника всегда ограничен его зоной ответственности.
Здесь проявляется ключевое различие между ИИ и джуниором — масштаб последствий ошибок. Ошибка джуниора, как правило, локальна: она затрагивает отдельную задачу или документ и исправляется в рамках команды. Ошибка ИИ, интегрированного в бизнес-процесс, может воспроизводиться автоматически и затрагивать десятки пользователей, клиентов или операций подряд. Поэтому компании, внедряющие генеративный ИИ, вынуждены выстраивать системы human-in-the-loop, где человек отвечает за верификацию и финальное решение, и в этой роли почти никогда не оказывается джуниор. Контроль, корректировка и ответственность за результат берут на себя более опытные сотрудники. В итоге возникает парадокс: ИИ снижает нагрузку на команды, но одновременно повышает требования к квалификации тех, кто с ним работает.
Вступайте в сообщество Школы управления РБК в Telegram или MAX, чтобы общаться с руководителями из разных сфер, выстраивать нетворкинг и получать советы экспертов.
Начинающие специалисты, в свою очередь, сталкиваются с зеркальной ситуацией. Как и ИИ, они требуют времени на адаптацию, совершают ошибки и нуждаются в наставничестве. Но, в отличие от ИИ, эти инвестиции зависят от человеческого фактора: текучесть кадров, смена приоритетов, ожидания роста. Если сотрудник уходит до того, как достигает устойчивой продуктивности, вложения могут не окупиться.
В результате бизнес оказывается в сложной точке баланса. ИИ и джуниор на первый взгляд конкурируют за одни и те же задачи — рутинные, повторяемые, стандартизированные. Но при более внимательном рассмотрении становится очевидно: они несут принципиально разные типы рисков и эффектов. ИИ масштабирует процессы, но требует жесткого контроля. Джуниор усиливает отдельную функцию, но формирует кадровый резерв и воспроизводимую экспертизу. Именно это различие и становится ключевым для дальнейшего выбора. Вопрос перестает звучать как «кого выгоднее нанять» и смещается в плоскость управляемости: какие задачи бизнес готов доверить системе, а где ему по-прежнему нужен человек, даже если его вклад на старте кажется менее эффективным.
Как отказ от развития джуниор-уровня угрожает бизнесу
Когда компании начинают рассматривать генеративный ИИ как потенциальную замену начинающим специалистам, они часто ориентируются на короткий горизонт эффективности: эффективность рутинных задач, снижение прямых затрат, упрощение операций.
Однако исследования показывают, что это может иметь обратный эффект для устойчивости бизнеса и рынка труда в целом. Так, данные Международного экономического форума указывают, что примерно 40% работодателей планируют сокращение рабочих мест там, где ИИ может автоматизировать задачи, а при автоматизации работы за пределами базовых сценариев обычные entry-level-роли имеют особенно высокую вероятность преобразования или исчезновения. Аналогичные тренды наблюдаются и в отдельных странах: по данным исследовательской платформы Adzuna, после запуска ChatGPT количество вакансий начального уровня в Великобритании сократилось почти на треть.
Многие вузы, с которыми мы сотрудничаем, также отмечают, что выпускники в возрасте 20–24 лет труднее находят работу в профессиях с высокой долей задач, подверженных автоматизации. Это означает, что традиционный путь входа в профессию ослабевает там, где роль стандартных административных и технических задач, которые ранее закрывали джуниоры, теперь может выполнять ИИ-ассистент или автоматизированная система.
Этот тренд имеет далеко идущие последствия для бизнеса. Позиции начального уровня выполняют ключевую функцию кадрового конвейера: они обеспечивают передачу знаний, обучение на рабочем месте и формируют базу для среднего и старшего звена. Если этот уровень ослабляется или исчезает, компании сталкиваются с узким горлышком роста компетенций, что со временем приводит к дефициту квалифицированных специалистов среднего и старшего уровней, росту стоимости найма и увеличению зависимости от внешнего рынка труда.
Именно поэтому некоторые аналитики и HR-эксперты говорят не о «конце работы», а о перестройке карьерной лестницы, где ИИ выступает в роли инструмента, способного перераспределять задачи, но не заменяющего человеческий вклад в формирование опыта, принятие стратегических решений и развитие корпоративной культуры.
Понимание этих механизмов важно для бизнеса. Если стратегическое управление талантами сводится к упрощенному выбору «ИИ вместо человека», организации рискуют потерять способность самостоятельно воспроизводить компетенции, необходимые для устойчивого роста. Искусственный интеллект может ускорить процессы, но он не создает кадровый резерв, не формирует экспертность и в отсутствие правильной стратегии адаптации только усиливает структурные дисбалансы рынка труда.
Генеративный ИИ против молодого сотрудника: резюме
Генеративный искусственный интеллект способен писать код, анализировать данные, составлять отчеты и даже вести первичную коммуникацию с клиентами. Кажется, «кремниевый джун», работающий 24/7, способен заменить начинающих специалистов. Однако ирония ситуации заключается в том, что, пока ИИ осваивает эти операции, «джун» не исчезает, а перерождается.
Вопрос «Кто лучше — ИИ или начинающий сотрудник?» некорректен. Это как сравнивать лопату с экскаватором. Они не соперники, а партнеры. Крупный российский бизнес приходит к осознанию: будущее не в выборе между человеком и машиной, а в стратегически выверенном симбиозе. Успех будет принадлежать тем, кто способен не просто внедрять новейшие GenAI-инструменты, но и распределять задачи, поручая каждому «интеллекту» то, что ему удается лучше всего.
