Управление файлами cookie
Настройки файлов cookie
Файлы cookie, необходимые для корректной работы сайта, всегда включены.
Другие файлы cookie можно настроить.
Другие файлы cookie можно настроить.
Как ИИ меняет ИТ-профессии?
Примерное время чтения: 7 минут
Хотите всегда быть в курсе событий на рынке ИТ? Подписывайтесь на наш Telegram-канал!
В ИТ начинается новая эпоха искусственного интеллекта. Самообучающаяся машина, которая помогает писать код, тесты и документацию, уже изменила практически весь рынок технологий, но основные перемены происходят в роли самого специалиста.
Содержание:
Кто такой ИТ-кентавр
На рынке все больше требуются кандидаты с гибридными компетенциями, умеющие сочетать в себе разные профессиональные навыки и видеть риски там, где нейросеть их не замечает. Эта потребность порождает ИТ-кентавров.
- Не углубляясь в мифологию, ИТ-кентавр - это профессионал, который соединяет в себе качества ИТ-специалиста и умения интегрировать в свою работу искусственный интеллект. Кентавр четко делит работу между собой и ИИ, будто две половинки одного специалиста разделены пополам. Например, сам принимает аналитические решения, а модели отдает генерацию графиков, черновиков, вариантов или быстрый анализ.
Например, человек задает цель, контекст, критерии качества и финальное решение, а ИИ обеспечивает скорость, масштаб, анализ и поиск паттернов. Настоящая синергия начинается там, где специалист понимает, где ИИ будет полезен, а где он будет мешать.
Кентавр рождается не из промпта, а из процесса
Разработка продукта теперь не сводится к одному лишь вайбкодингу и Copilot. В технической отрасли стали больше обращать внимание на интеграцию ИИ и самообучаемость нейросети. Синергия человека и ИИ рождается не из одного промпта, а из контура разработки. Недостаточно попросить модель написать код или автотесты: ей нужно задать контекст, правила, ограничения, критерии качества и встроенные проверки.
Согласно данным эксперимента с консультантами BCG те, кто использовал GPT-4, в среднем выполнили на 12,2% больше задач, сделали их на 25,1% быстрее и показали результат на 40% качественнее, чем участники без ИИ. Но в задаче, специально вынесенной за пределы возможностей ИИ, пользователи модели ошибались чаще: без ИИ консультанты справлялись в 84% случаев, а с ИИ — только в 60−70%
Из практики работы с LLM (Large Language Model — большая языковая модель) многие специалисты заметили, что ИИ умеет писать автотесты и учитывать безопасность, но часто «забывает» это сделать, если не указать явно. Поэтому нужно встраивать правила, скиллы и чек-листы. ИИ может делать многое, но он работает в рамках среды или контура, который ему выстроили. Если среда зрелая, нейросеть становится усилителем специалиста.
Кейс синергии ИИ и специалиста
В работе ИТ-специалист использует ИИ-инструмент, чтобы написать код. Дает нейросети задачу, получает код, кладет его в репозиторий и считает, что все готово. Для маленького проекта это может сработать, но когда проект начинает расти, человеку становится сложнее следить за всеми уязвимостями. Ошибки накапливаются, а поддерживать код становится труднее.
Проблема в том, что модель часто используют как быстрый генератор решений, а не как часть инженерного процесса. Если не задать ей контекст, ограничения и критерии качества, она плохо впишется в архитектуру, будет создавать риски для безопасности.
Команде нужны понятные правила работы с такими инструментами. Здесь и рождаются ИТ-кентавры. Такой специалист задает модели ее рабочий контур, например, как формулировать задачи, к каким данным и участкам кода модель может получать доступ, какие решения она может предлагать самостоятельно, а какие требуют обязательной проверки человеком.
Не менее важны технические ограничения:
ИИ может ускорить генерацию, подсказать варианты реализации или найти слабые места, но финальная ответственность остается за специалистом.
В таких случаях лучшим вариантом становится производственный «контур» для ИИ-агентов. Это уже не чат с моделью, а система из разработчика, планировщика, архитектора в одном ИИ. Пользователь в такой схеме становится тьютором или инженером, который управляет агентом и качеством результата. Нейросеть дает скорость, многопоточность, черновики, анализ и 24/7-работу. Вместе они создают не «код из промпта», а новый способ производства ИТ-результата.
- автотесты
- code review
- проверка безопасности
- контроль зависимостей
- единые правила оформления кода.
ИИ может ускорить генерацию, подсказать варианты реализации или найти слабые места, но финальная ответственность остается за специалистом.
В таких случаях лучшим вариантом становится производственный «контур» для ИИ-агентов. Это уже не чат с моделью, а система из разработчика, планировщика, архитектора в одном ИИ. Пользователь в такой схеме становится тьютором или инженером, который управляет агентом и качеством результата. Нейросеть дает скорость, многопоточность, черновики, анализ и 24/7-работу. Вместе они создают не «код из промпта», а новый способ производства ИТ-результата.
Меньше ручного производства, больше ответственности
ИТ-кентавры – это не миф, а новая реальность. Мидл, который привык быть хорошим исполнителем, будет чувствовать давление из-за внедрения ИИ: от него будут ждать больше скорости, самостоятельности и понимания системы. Нужно будет расти в системном дизайне, безопасности, продуктовой логике и уметь задавать вопрос «зачем?».
Роль сеньора тоже меняется. Более опытный специалист отвечает за качество работы ИИ-моделей в продукте: задает правила, проектирует проверки, учит команду, понимает ограничения моделей и остается финальным фильтром там, где цена ошибки высокая.
Роль сеньора тоже меняется. Более опытный специалист отвечает за качество работы ИИ-моделей в продукте: задает правила, проектирует проверки, учит команду, понимает ограничения моделей и остается финальным фильтром там, где цена ошибки высокая.
В 2026 году отдельные ИТ-гиганты проверяют гипотезы «маленьких команд», где часть функций разработки команда делегирует ИИ-инструментам. Становится больше ответственности, сильнее роль ИИ-инженера и фуллстак-специалиста, который работает с разработкой, автотестами, документацией и агентами.
В такой модели разработчик отвечает за качество работы ИИ в продукте:
В такой модели разработчик отвечает за качество работы ИИ в продукте:
- формулирует задачу
- задает ограничения
- проверяет результат
- следит за тестами
- безопасностью
- и чтобы модель не производила хаос быстрее, чем команда успевает его исправлять.
- Некоторые компании ждут от ИИ ждут резкого роста продуктивности, другие считают инструменты переоцененными. На практике эффект зависит не от самого ассистента, а от того, как команда встраивает его в работу.
Человек-кентавр разделяет работу между собой и моделью. ИИ может стать частью рабочего контура, но человек из этой системы не исчезает. Наоборот, он оказывается там, где цена ошибки максимальна:
- этика
- разработка
- безопасность
- деньги
- надежность
- долгосрочные последствия архитектурных решений.