Коротко. Два года назад самые громкие голоса в индустрии обещали, что к этому моменту инженеры-программисты станут исторической диковинкой. Промпт на входе — продукт на выходе. На дворе август 2026 года, и занятость разработчиков не рухнула. Но та же волна, которая не смогла убрать разработчиков, убрала кое-что другое, и вот об этой половине почти никто толком не рассказывает: она удалила рутинную работу, на которой новички превращались в сеньоров. Занятость разработчиков 22–25 лет упала примерно на 20% с конца 2022 года, а у более старших инженеров в тех же профессиях осталась на месте или выросла. Квантовые вычисления сейчас проходят ровно тот же цикл с отставанием на круг: есть по-настоящему историческая веха, которую за пределами отрасли не обсуждает никто, и есть фальшивая, которая повсюду.

Два утверждения, и оба верны

Если вы получили диплом по компьютерным наукам в этом году, вы конкурируете с сотнями других кандидатов за вакансию, в названии которой написано junior, а в требованиях тихо просят три года опыта.

И при этом с профессией в целом всё в порядке.

Оба утверждения верны одновременно. Большинство высказываний на эту тему выбирает одно и делает вид, что второго не существует, — поэтому дискуссия и оказалась такой бесполезной. Интересный вопрос не в том, забрал ли AI работу (очевидно, не забрал), а в том, почему удар пришёлся так точно по тем, кто только пытается войти в профессию.

Почему AI не забрал работу у разработчиков

Начнём с того, в чём хайп прав, — потому что вокруг AI он возник не на пустом месте. Помощь модели больше не экзотика, а режим по умолчанию, и заметная доля нового кода пишется с моделью в контуре. Так почему рабочие места не исчезли?

Написание кода никогда не было узким местом

Подумайте, чем вы на самом деле заняты за рабочую неделю. Сколько времени вы набираете новый код? Процентов двадцать, в удачную неделю. Всё остальное — понять, что вообще нужно построить, разобраться в системе, которую кто-то написал пять лет назад, спорить о компромиссах и быть тем, кто отвечает, когда всё падает в три часа ночи.

В BCG это хорошо сформулировали в анализе 2026 года: AI может радикально ускорить генерацию кода и тестов, но не может отвечать за результат от начала до конца. И работу нельзя аккуратно разрезать на «модель пишет код» и «инженер принимает решения», потому что в реальной разработке это одно и то же действие. Решение выражается в виде кода.

Налог на проверку

Вот это контринтуитивная часть, и именно на неё мы бы указали в первую очередь.

METR — Model Evaluation and Threat Research, некоммерческая организация, которая исследует, на что эти модели действительно способны, — провела контролируемый эксперимент: опытные разработчики open-source-проектов работали в своих собственных кодовых базах, половину задач с AI-инструментами, половину без. С AI они работали на 19% медленнее.

Тревожит здесь не само число. Тревожит то, что они были уверены, что стали быстрее. Они оценили ускорение, которого не было.

Так устроена вся проблема целиком. Время, сэкономленное на генерации, возвращается в виде ревью, отладки и поддержки. Оно не исчезает — оно просто перемещается туда, где его труднее заметить. Мы проводим много времени в кодовых базах, где этот счёт уже предъявили к оплате; из этого и состоит большая часть находок аудита AI-кода.

Скорость, которую вы чувствуете, — не та, которую можно измерить

Результат METR неудобен именно потому, что разработчики были опытными, работали в знакомом коде и искренне утверждали обратное тому, что показал секундомер. Ощущаемая и реальная скорость разошлись. Любая команда, которая строит свою AI-стратегию на том, насколько быстро работа ощущается, снимает показания с прибора, который заведомо сломан.

Дешевле разрабатывать — значит, разрабатывать больше

Бэклог любой компании — это кладбище того, на что ни у кого не хватило времени. Сделайте разработку дешевле, и вы не уволите разработчиков — вы наконец начнёте расчищать это кладбище. Так было при каждой революции в инструментах со времён компилятора, и нет особых причин считать, что на этот раз будет иначе.

Многие «увольнения из-за AI» не были увольнениями из-за AI

Компании сокращают штат по финансовым причинам и ссылаются на AI, потому что «мы возглавляем AI-трансформацию» звучит для акционеров лучше, чем «мы перенабрали людей в 2021-м, а потом выросли процентные ставки». Для этого уже есть термин — AI washing. Выдают их развороты: организации громко сокращали штат под AI-нарратив, а потом тихо возобновляли найм новичков, когда баланс приходил в норму.

Итак: AI не убрал разработчиков. Он убрал слой задач.

Запомните эту фразу — потому что именно этот слой был тренировочной площадкой.

Что происходит с джуниорами

Вот число, которое имеет значение. Стэнфордская Digital Economy Lab, работая с зарплатными данными ADP — Automatic Data Processing, одного из крупнейших операторов расчёта зарплат в США, — обнаружила на данных по миллионам работников, что занятость разработчиков в возрасте 22–25 лет упала примерно на 20% с конца 2022 года.

Теперь посмотрите строкой ниже в том же наборе данных. По всем профессиям, затронутым AI, занятость снизилась на 0,2% год к году. У более старших работников в тех же профессиях — без изменений или рост.

Ущерб не размазан по профессии. Он сконцентрирован почти целиком на тех, кто пытается в неё войти.

Причина не в том, что AI умный

Традиционный вход в индустрию был замаскированным ученичеством. Вас нанимали, и год вы делали работу, которую не хотел делать никто из старших: чинили мелкие баги, писали тесты, обновляли документацию, собирали скучный -экран. Вы не окупались. Все знали, что вы не окупаетесь. И это было нормально, потому что через двенадцать месяцев вы уже знали кодовую базу и становились полезны.

AI съел ровно эту работу. Не интересную. Тренировочную.

И теперь перед компаниями стоит вопрос, на который они не ответили: как вводить джуниора в работу, если рутины, которую можно ему передать, не осталось?

И ситуацию усугубляют три обстоятельства

Вакансии врут. Число объявлений с пометкой «начальный уровень» выросло, а реальный найм на начальные позиции упал: компания публикует джуниорскую вакансию и закрывает её человеком с пятью годами опыта.

Вы конкурируете не с джуниорами. Увольнения 2024–2025 годов выбросили на рынок много мидлов, и многие из них согласятся на позицию с меткой junior.

Содержать джуниора стало дороже. Сеньоры говорят, что заметно больше времени уходит на ревью, когда джуниоры слишком полагаются на AI-ассистентов. Стоимость джуниора выросла ровно в тот момент, когда его очевидная польза упала. Вот это — самое жестокое.

Что с этим делать

Перестаньте оптимизироваться под то, что автоматизировали. Вас не наймут в 2026 году за умение сделать React-компонент — модель делает это бесплатно. Аргумент для найма — это работа, которую модель заведомо не умеет:

  • Прочитать большую незнакомую кодовую базу и объяснить, почему она устроена именно так
  • Разобраться с проблемой в проде, когда логи вводят в заблуждение
  • Распознать, что вывод AI уверенно неверен, — сегодня именно это и отличает сильного кандидата, и именно эта способность у джуниоров слабее всего
  • Отвечать за результат, а не за тикет

И трезво выбирайте, куда целиться. Открытые двери — не те, о которых пишут у вас в ленте. Энтерпрайз, медтех, финтех, госсектор, оборонный сектор, средние -компании, малый бизнес — места со старым кодом, требованиями комплаенса и реальной болью. Кандидаты со стажировкой, по их собственным отчётам, заметно чаще получают офферы, и этот разрыв стоит больше, чем любой фреймворк, который вы успеете выучить за месяц.

Трудно — не то же самое, что закрыто. Но рынок нужно читать таким, какой он есть, а большинство тех, кто сейчас рассылает отклики, всё ещё откликается на рынок 2019 года.

Квантовые вычисления: чего ждать на самом деле

Та же машина хайпа уже заходит на второй круг, так что прививку стоит получить заранее.

Результат, который действительно важен

Чип Google Willow продемонстрировал коррекцию ошибок ниже порога. Простыми словами: десятилетиями каждый новый кубит вносил больше ошибок, чем удавалось исправить, поэтому масштабирование делало только хуже. Willow показал обратное — добавляете физические кубиты, и частота логических ошибок падает, экспоненциально.

Один этот результат переводит квантовые вычисления из физики в инженерию. А инженерные задачи решаются.

IBM публично идёт по дорожной карте к отказоустойчивой машине Starling, обещанной к 2029 году; текущий процессор Nighthawk — 120 кубитов, схемы с тысячами запутывающих вентилей и цель продемонстрировать подтверждённое квантовое преимущество до конца этого года, причём с открытым трекером, чтобы независимые исследователи могли проверять заявления на прочность. У Microsoft и Quantinuum логические кубиты работают с более низкой частотой ошибок, чем само железо, на котором они держатся. Реальный прогресс, а не пустые обещания.

Чего это не значит

Это не значит, что квантовый компьютер заменит ваш ноутбук. Квантовые машины — не «более быстрые компьютеры». Это специализированный ускоритель, который обыгрывает классическое железо на узком классе задач: симуляция квантовых систем (то есть химия и материаловедение) плюс отдельные задачи оптимизации и сэмплирования. Ваше веб-приложение никогда на нём не запустится. Для API квантового преимущества не существует.

Это не значит, что шифрование сломают в следующем году. Чтобы взломать RSA-2048 — Rivest–Shamir–Adleman, алгоритм с открытым ключом и длиной ключа 2048 бит, на котором держится большая часть интернета, — нужны тысячи логических кубитов, что при сегодняшних частотах ошибок означает миллионы физических. В текущих системах — сотни физических. Такой разрыв не закрывают за один удачный квартал. Экспертный опрос Global Risk Institute оценивает вероятность появления криптографически значимой машины в течение десяти лет примерно в 17–22%.

Единственная часть, которая касается вашей работы

«Собери сейчас, расшифруй потом». Противник может записать зашифрованный трафик сегодня и расшифровать его в 2035 году. Поэтому для всего, у чего долгий срок конфиденциальности — медицинские карты, гостайна, юридические архивы, — дедлайн миграции сейчас, а не тогда, когда появится машина. Механику самой угрозы — алгоритм Шора, что он делает с RSA и ECC и почему спецслужбы уже сохраняют трафик, который пока не могут прочитать, — мы разбирали в большом разборе шифрования.

NIST, Национальный институт стандартов и технологий США, утвердил стандарты , федеральные агентства США ориентируются на срок около 2030 года, а практическая работа неблагодарна и скучна: провести инвентаризацию того, где у вас живёт криптография, и перейти на гибридный обмен ключами. Если вы всё равно разбираетесь, где в вашем хозяйстве терминируется , — это та же самая работа.

Вот и всё, что квантовые вычисления требуют от обычного разработчика в 2026 году. Учить Qiskit, чтобы сохранить работу, не нужно.

И когда прочтёте следующий заголовок, смотрите на правильную метрику. Число физических кубитов — это маркетинг. Число логических кубитов, частота ошибок и глубина схемы — это инженерия. Считайте любое заявление о «квантовом преимуществе» предварительным, пока специалисты по классическим алгоритмам не потратят полгода на попытки побить его на ноутбуке: исторически многим это удаётся.

Что насчёт AI на квантовых компьютерах?

Это самое далёкое от реальности во всём обсуждении, и стрелка направлена в другую сторону.

Проблема ввода. Чтобы выполнить квантовый алгоритм на обычных данных, эти данные сначала нужно загрузить в квантовое состояние, а для произвольных данных загрузка может стоить столько же, сколько само вычисление. Обучение языковой модели — это по большей части перекладывание данных. Квантовые вычисления хуже всего справляются именно с тем, что составляет основную часть работы.

Обучение не масштабируется. Есть явление под названием «бесплодные плато»: по мере добавления кубитов в глубокую параметризованную схему градиенты убывают экспоненциально. Ландшафт функции потерь становится плоским, и спускаться некуда. Это не сноска — это центральная открытая проблема области.

Деквантизация. Начиная с результата Эвин Тан 2018 года — она была студенткой и убила знаменитое квантовое ускорение, написав классический алгоритм, который его повторил, — исследователи раз за разом обнаруживают одно и то же. Дайте классическому алгоритму тот же доступ к данным, который квантовая версия молча предполагает, и преимущество испаряется. Деквантизация не убила квантовое машинное обучение. Она очертила его границы.

Внутри этих границ есть реальные, но узкие применения: данные, которые изначально квантовые, плюс горстка ядерных методов (kernel methods) с доказанным разделением. Ничего похожего на языковую модель.

А вот часть, которая нам кажется по-настоящему смешной. В апреле NVIDIA выпустила семейство открытых моделей Ising. Чем они заняты? Калибровкой квантовых процессоров и декодированием квантовой коррекции ошибок — существенно быстрее и точнее традиционных подходов.

Перечитайте. AI используют, чтобы строить квантовые компьютеры, а не наоборот.

Прогноз Gartner на ближайшие годы прямолинеен: до 2028 года ни одна корпоративная AI-нагрузка не будет работать на квантовом железе в промышленном масштабе, и даже отказоустойчивые системы к 2030 году не наберут логических кубитов для экономически оправданного сквозного AI.

И одно предупреждение: «quantum-inspired» — маркетинговый термин для классического алгоритма на классическом железе. Когда вендор обещает ускорение обучения AI в двадцать раз за счёт квантовой оптимизации, проверьте, участвовал ли хоть один кубит. Обычно ни одного.

Закономерность

Хайп вокруг AI ошибся в том, что разработчики устареют, — и почти никто не заметил, что в другом он оказался прав: в чём-то худшем и куда более тихом. Мы сломали лестницу, которая превращает новичков в сеньоров. Мы решили проблему тренировочной работы, удалив тренировочную работу.

Квантовые вычисления разыгрывают ту же партию. Настоящая веха — коррекция ошибок ниже порога — это исторический результат, и за пределами области о ней почти не говорят. Фальшивая — «шифрование умрёт в следующем году» — повсюду.

Научитесь отличать одно от другого, и вы будете правы насчёт технологий чаще, чем большинство тех, кто в них работает.

В сумме — нет. Занятость разработчиков не рухнула, а старшие когорты в затронутых AI профессиях остались на месте или выросли. Изменилось распределение: занятость разработчиков 22–25 лет упала примерно на 20% с конца 2022 года — по данным исследования Стэнфордской Digital Economy Lab на зарплатных данных ADP. AI убрал слой рутинных задач, а не разработчиков, и именно на этом слое джуниоры учились профессии.
Менее надёжно, чем кажется. В контролируемом эксперименте METR опытные разработчики open-source, работавшие в своих собственных кодовых базах, оказались на 19% медленнее в задачах с AI-инструментами — и при этом оценили, что стали быстрее. Время генерации возвращается в виде ревью, отладки и поддержки. В отдельных сценариях выигрыш реален, но ощущение ускорения — ещё не доказательство, поэтому командам стоит измерять результат, а не доверять ощущению.
На работе, которую модель не умеет. Прочитать большую незнакомую кодовую базу и объяснить, почему она устроена именно так; отладить прод, когда логи вводят в заблуждение; распознать, что вывод AI уверенно неверен; отвечать за результат, а не за тикет. Целиться стоит в энтерпрайз, медтех, финтех, госсектор и средние SaaS-компании, где старый код и требования комплаенса создают реальный спрос. Стажировка по-прежнему стоит больше любого фреймворка, который можно выучить за месяц.
Не скоро, но мигрировать нужно уже сейчас. Для взлома RSA-2048 нужны тысячи логических кубитов, что при текущих частотах ошибок означает миллионы физических, против сотен физических сегодня. Экспертные опросы оценивают появление криптографически значимой машины в течение десяти лет примерно в 17–22%. Срочность создаёт схема «собери сейчас, расшифруй потом»: записанный сегодня трафик расшифруют позже, поэтому всё с долгим сроком конфиденциальности требует постквантовой миграции сейчас. Стандарты NIST утверждены.
Правдоподобного пути в обозримом будущем нет. Загрузка обычных данных в квантовое состояние может стоить столько же, сколько вычисление; градиенты экспоненциально исчезают в глубоких параметризованных схемах (бесплодные плато); результаты по деквантизации раз за разом показывают, что классические алгоритмы повторяют заявленные квантовые ускорения при том же доступе к данным. Gartner не ожидает промышленных корпоративных AI-нагрузок на квантовом железе до 2028 года. Показательно, что поток идёт в обратную сторону: AI применяют для калибровки и коррекции ошибок квантовых процессоров.
Смотрите на метрику. Число физических кубитов — маркетинг; число логических кубитов, частота ошибок и глубина схемы — инженерия. Коррекция ошибок ниже порога, когда добавление физических кубитов снижает частоту логических ошибок, и есть по-настоящему исторический результат. Любое заявление о квантовом преимуществе стоит считать предварительным, пока специалисты по классическим алгоритмам не потратят месяцы на попытки побить его на обычном железе, — исторически многим это удаётся. А quantum-inspired означает классический: кубитов там нет.

Если у вас кодовая база, куда код приезжал быстрее, чем кто-либо успевал его смотреть, — это ровно та ситуация, которую описывает налог на проверку, и именно для неё существует аудит AI-кода. Мы также писали о том, как мы разрабатываем с AI, и об одиннадцати проблемах, которые находим почти в каждой AI-кодовой базе.

А если вы тот, кто пытается войти в профессию прямо сейчас: лестница сломана, но здание — нет. Целитесь в работу, которую модель не умеет, и в компании, чьи проблемы старые, неброские и настоящие.

Илья Никсан — основатель и ведущий разработчик Nerdy Production, Flutter-first агентства, которое создаёт и поддерживает приложения в финтехе, медицине и ритейле.