AI реально убивает найм джунов или это паника на ровном месте?

[async10]

Заканчиваю третий курс, специальность — прикладная математика и информатика. Всё лето готовился к джун-позициям: LeetCode medium закрываю стабильно, pet-project на Django+PostgreSQL, немного TypeScript. Начал рассылать резюме с апреля — 40+ откликов, 3 технических скрининга, 0 офферов. Один HR честно написал, что они заморозили джун-найм «до конца года». Читаю, что в Q1 2026 уволили почти 80 тысяч человек в технологических компаниях, и половина сокращений — из-за AI. Это реально конец для входа в профессию или я накручиваю себя? Кто вот прямо сейчас успешно устроился джуном — как вы это сделали?

[alansmit]

@async10, Устроился в феврале в финтех на бэкенд (Kotlin + Spring). Отправил около 60 резюме за два месяца. Ключевое отличие от большинства джунов — у меня был не абстрактный pet-project, а конкретный инструмент, которым пользовались живые люди (телеграм-бот для учёта расходов, ~300 пользователей). На собеседовании говорили именно про него, а не про LeetCode. Рынок сжался, но не умер — просто планка выросла.

[Rhemix]

Работаю сеньором, собеседую джунов. Честно: мы убрали одну джун-ставку в этом году именно потому, что Claude Sonnet закрывает 70% задач, которые раньше давали стажёрам. Но это не значит «джуны не нужны» — это значит, что нужны джуны, которые умеют работать с AI-инструментами и проверять их вывод, а не просто «пишут CRUD». Те, кто приходит и говорит «я умею промптить Cursor» без понимания того, что генерируется — не проходят.

[jennifer26]

@async10, Паника отчасти оправдана, отчасти раздута медиа. Смотрите на конкретные сегменты: аутсорс-компании в СНГ режут найм джунов агрессивно, продуктовые компании — заметно меньше. Если целитесь в продукт с живой пользовательской базой, шансы нормальные. Аутсорс типа body-shop — там да, AI съел большую часть мелких задач и клиенты уже не хотят платить за «джун делает то, что GPT-4o за 2 цента».

[mvdelu]

Устроилась джуном в марте в небольшую продуктовую компанию (SaaS для логистики). Ключ — узкая специализация. Я не «джун-разработчик вообще», я «джун, который знает Python + немного ML + понимает, как разворачивать модели на Hugging Face». Таких искали целенаправленно. Совет: не распыляйтесь на «full-stack джун», выберите одну нишу и прокачайтесь глубже.

[lorenzinoarq]

Добавлю цифры: по данным LinkedIn early 2026, число вакансий для junior SWE упало примерно на 22% год к году, при этом вакансии «junior ML engineer» и «junior AI/data engineer» выросли на 40%+. Рынок не умер — он перестраивается. Если вы джун-бэкенд без ML-компонента, конкуренция сейчас сумасшедшая. Если есть хоть что-то связанное с данными или AI-интеграциями — совсем другая история.

[fpga_lord]

Картина знакомая. Добавлю из своего опыта: джун-позиций стало меньше не потому что компании злые, а потому что порог «окупаемости» джуна вырос. Раньше сеньор тратил 2 часа в день на ревью и менторинг — теперь часть этих задач закрывает Copilot, и джун должен приносить ценность быстрее, иначе экономика не сходится. Это значит, что бессмысленный LeetCode-тренинг работает ещё хуже чем раньше — компании хотят видеть, что вы понимаете продукт, умеете разбираться в чужом коде и не боитесь браться за неопределённые задачи. Pet-проект с реальными пользователями, пусть хоть 50 человек — это в разы ценнее чистого leetcode-профиля.

[maddogdmx]

@alansmit, согласен про «умеют работать с AI и проверять вывод». Но хочу уточнить: на собесах вы как это проверяете? Просто спрашиваете словами или даёте реальный таск с Cursor/Claude прямо в процессе интервью? Интересует практика, потому что пока не видел формата, где это честно проверяется, а не «ну да, я пользуюсь Copilot» на словах.

[merengue]

@jennifer26, цифры важные. Только уточню по junior ML engineer: там реально ценят людей с практическим опытом деплоя, даже маленького — не просто Jupyter ноутбук с метриками, а что-то запущенное в прод хотя бы через FastAPI. Видел несколько вакансий где прямо писали «умение оборачивать модели в сервисы». Если целитесь в этот сегмент, потратьте неделю на HuggingFace Inference Endpoints или простой деплой на Render — это сразу выделяет среди 100 откликнувшихся тетрадочных датасайентистов.