К середине 2026 года технологический сдвиг в IT и язык, которым его описывают, заметно разошлись. За три года модели прошли путь от чат-новинки до агентных систем в продакшене — перемена реальная. Одновременно приставка «AI-» расползлась настолько, что ею помечают многие интеграционные работы, нередко просто чтобы поднять ставку или собрать раунд инвестиций. Отсюда и вопрос: где за новым названием стоит новая профессия, а где переименованная старая — и по какому признаку их отличить.
Сама по себе смена инструмента профессию не создаёт. Разработчик, который подключил Claude Code или Cursor и стал быстрее выдавать код, профессию не сменил, он лишь обновил инструментарий. Отдельная дисциплина возникает только там, где одновременно выполняются три условия.
- Вероятностная основа вместо детерминированной. Традиционная разработка детерминирована: явная логика даёт предсказуемый вывод. Новые роли работают с недетерминированным выходом, статистическим разбросом и доверительными интервалами. Это другой способ думать о поведении системы, а не другие инструменты.
- Новые режимы отказа. Обычное приложение падает от синтаксической ошибки или таймаута. У AI-системы отказ другой природы: переполнение контекстного окна, смысловой дрейф, инъекция промпта, отравление RAG.
- Отдельная зона ответственности. У роли должны быть собственные метрики, операционные параметры и CI-пайплайны, которые не свести к существующей должности без ущерба для целостности системы.
Роли, которые не отвечают этим трём критериям, нельзя назвать новыми. Когда критерии выполнены, остаётся узкий список действительно новых дисциплин и куда более широкий список старых, которые, тем не менее, серьёзно изменяются.
Новые профессии, которые действительно появились
Новых устойчивых профессий немного, и все они закрывают одно и то же узкое место: как довести недетерминированную систему до продакшена, не потеряв управляемость. Устоявшихся названий у них пока нет: одну и ту же роль на рынке называют по-разному, поэтому дальше беру самое ходовое название.
Context Engineer проектирует информационную среду вокруг модели (RAG-пайплайны, память, формат вывода инструментов) ещё до того, как модель увидит пользовательский запрос. Дисциплина устойчива по простой причине: индустриальный консенсус 2026 года гласит, что «промпт-инжиниринг мёртв», а на его место пришла работа с контекстом. Gartner формулирует прямо — «контекст-инжиниринг в моде, промпт-инжиниринг устарел» — и прогнозирует, что к 2028 году контекст-инжиниринг войдёт в 80% инструментов для сборки AI-приложений (Gartner, «Context Engineering… Replacing Prompt Engineering», 2026). Настроения бизнеса туда же: по отчёту DataHub «State of Context Management Report 2026» (опрос 250 IT- и data-руководителей) 82% считают, что одного промптинга для продакшена уже недостаточно — с поправкой, что DataHub сам продаёт платформы для управления контекстом, так что цифра идёт от заинтересованной стороны. Пока модели страдают от «деградации контекста» и эффекта «потерянной середины», роль никуда не денется. На входе портфолио и опыт разработки полного цикла плюс понимание информационной архитектуры и векторных представлений; учёная степень не требуется.
Evals Engineer строит детерминированные программные наборы проверок для вероятностного вывода: точность, предвзятость, безопасность, доля галлюцинаций, и всё это на тысячах прогонов. Роль недооценена как дисциплина, но не по деньгам: по мере того как LLM становятся механизмом генерации критичного кода и юридического или медицинского анализа, независимый аудит превращается из роскоши в требование соответствия. Обратно в общего «AI Engineer» она не сворачивается, потому что аудит требует разделения ответственности с продуктовой разработкой.
Agent Supervisor не пишет код руками, а оркеструет рой агентов, проверяет их вывод и ставит операционные ограждения, оставаясь человеком в контуре для рискованных действий. Титул здесь легко может схлопнуться. Практики ожидают, что к 2028 году «Agent Supervisor» станет просто определением нынешнего сеньора, но сама работа не обесценится: управление оркестрацией с сохранением состояния (LangGraph, CrewAI) и контрольные точки качества для автоматических исполнителей останутся. Порог входа здесь самый высокий в прикладной инженерии: восемь и более лет разработки полного цикла плюс архитектурная интуиция, чтобы проверять недетерминированный код на машинной скорости.
AI Red Teamer моделирует атаки (инъекция промпта, джейлбрейки, отравление обучающих данных), чтобы вскрыть уязвимости до релиза. Роль долговечна, потому что безопасность это бесконечная гонка: чем больше агентным фреймворкам дают доступ на чтение и запись к корпоративным базам и API, тем выше цена автономной эксплуатации. Вход через портфолио и сертификацию, с сильным наступательным мышлением. Показательно, что свежий продвинутый сертификат OffSec AI Red Teamer (OSAI, запущен в марте 2026) заявлен как альтернатива академическим степеням по машинному обучению, но это экзамен уровня 300, требующий подготовки масштаба OSCP, то есть вход для опытных, а не для новичков.
Domain AI Trainer даёт моделям структурированную экспертную обратную связь и курирует доменные наборы данных, от медицинских диагнозов до судебной практики. Здесь расслоение резкое: по мере перехода базового обучения на синтетические данные низовая разметка испаряется, а вот выравнивание передовых моделей держится на элитном человеческом суждении, которое не синтезируешь. Поэтому в верхнем сегменте всё решает глубокая доменная экспертиза (PhD по физике, медицинский или юридический диплом), а программировать уметь не обязательно.
Как переписаны старые роли
Если новые профессии это узкая полоса, то переписывание старых идёт широким фронтом. AI редко замещает роль целиком; он вымывает из неё детерминированную, исполнительскую часть и повышает требования к системному мышлению.
У разработчика сдвиг фазовый: писать синтаксис с нуля больше не главное ограничение. Уходят шаблонный код, простой CRUD, ручное форматирование; приходят оркестрация агентных рабочих процессов, спецификация ограничений, проверка машинных изменений и работа с фреймворками вроде LangGraph и CrewAI. Остаётся архитектура, сложные алгоритмы и ответственность за прод. QA переживает более острый разворот: детерминированная проверка «вход всегда даёт одно состояние» на генеративных моделях не работает, и на её место приходят стохастические наборы проверок, допустимые интервалы ошибки и тестирование на предвзятость.
DevOps расширился в LLMOps: вместо рутинного предоставления ресурсов приходят оптимизация стоимости вывода на GPU, мониторинг «дрейфа модели» и телеметрия токен-бюджета через инструменты вроде Langfuse. Безопасность смещается в оборону против угроз на машинной скорости: инъекция промпта, отравление RAG, модель нулевого доверия для автономных агентов, соответствие EU AI Act. В инженерии данных аналитический и операционный стеки слились, а главным потребителем инфраструктуры стал не человек, а агент, которому нужен контекст в реальном времени; отсюда семантическое разбиение, векторные представления и HSAP-базы, например Alibaba Cloud Hologres. Архитекторы превратились в AI Solutions Architects: они раскладывают бизнес-требования на мультимодельные и мультиагентные схемы и решают, когда звать передовую модель класса GPT-5 или Claude Opus 4.8, а когда дешёвую локальную SLM.
Продакт-менеджмент сдвинулся к «вероятностному»: управление доверительными интервалами и допустимой долей ошибок вместо статичных дорожных карт. Техписатели всё чаще пишут для машин, занимаясь информационной архитектурой и структурированием документации под векторный поиск агентов; их работа смещается «меньше писать, больше редактировать».
Маршруты переквалификации отсюда прямые, но недешёвые. Путь из ручного QA в Evals идёт через Python, статистику и LLM в роли оценщика, а не детерминированные скрипты вроде Selenium. Из техписателя в Context Engineer нужны «документация как код», Git и понимание того, как разбиение на абзацы физически влияет на извлечение векторных представлений. Сеньору для роли Agent Supervisor придётся освоить управление состоянием автономных систем и выработать выдержку для постоянной проверки машинных пул-реквестов. Пентестеру в AI Red Teamer нужны архитектура LLM, джейлбрейки и аудит RAG.
Противоречия рынка
Самое интересное тут не список ролей, а расхождения между макронаборами данных и тем, что видят практики на местах.
Сеньоризация джунов. Большие наборы данных фиксируют благополучную макрокартину. По PwC, чей барометр анализирует свыше миллиарда объявлений о вакансиях в 27 странах по всем отраслям, занятость у наиболее AI-экспонированных компаний растёт быстрее, чем у наименее: 52% против 36% накопленного роста к базе 2018 года, то есть примерно на 44% быстрее. Сам AI при этом работает двигателем расширения, а не сокращения. Но те же макроотчёты не одномерны. Ключевая тревога тоже из них: по PwC, начальные позиции в наиболее затронутых AI профессиях теперь всемеро чаще требуют навыков, исторически появлявшихся позже в карьере, вроде стратегических решений и архитектурного надзора. WEF в отчёте 2026 года, уже названном «рамкой для защиты ранней карьеры», предупреждает о том же: задачи джунов «выталкиваются вверх», перегружая мидлов и сеньоров. С мест, из практических блогов, Hacker News и Reddit, звучит тот же диагноз: автоматизация шаблонного кода, ввода данных и рутинного QA подмыла тренировочную площадку для джунов. Возникает системное противоречие: работодатель хочет джуна с суждением сеньора, но само ручное исполнение азов, которым это суждение и вырабатывалось, теперь автоматизировано. Практики предупреждают о перепроизводстве ненанимаемых джунов и войне ставок за проверенных сеньоров-оркестраторов.
Узкое место проверки. Второе расхождение про скорость. Поставщики продвигают идею мгновенного кратного роста продуктивности; телеметрия из продакшена эту картину усложняет. Бенчмарк Jellyfish охватывает около 200 000 разработчиков, 20 миллионов пул-реквестов и порядка тысячи компаний. Он показывает, что AI-ассистированные PR примерно на 18% крупнее, а пропускная способность удваивается по мере того, как команды переходят от нулевого использования AI к полному, но качество при этом заметно не падает: статистически значимой связи между внедрением AI и частотой ошибок или откатов не нашли. То есть ограничение смещается с написания кода на его проверку. CI и живые проверяющие ошибки отлавливают, и частота ошибок держится ровно, но объём проверки растёт и порождает организационную усталость. Вывод рынка: чтобы реализовать прирост продуктивности, нужно перекладывать штат из исполнения в надзор, в ту самую роль Agent Supervisor.
Восточноевропейская гантель. Расходятся и географические ставки. При том что регион остаётся ключевым центром аутсорсинга с более чем 1,5 миллиона разработчиков, медианы по мидлам поползли вниз, сжимая середину рынка; при этом у топовых сеньоров и архитекторов по AI оплата защищена, порядка 6 000–9 000 долларов в месяц гросс, до местных налогов и вычетов по контракту. Получается эффект гантели: внимание рынка собирают только самый низ и самый верх, а середина проседает.
Шум: титулы-пустышки
Отдельно стоят роли, которые взяли новое имя, но ничего нового за ним нет: ни своей зоны ответственности, ни новых режимов отказа, ни вероятностной основы.
Самый показательный из них Prompt Engineer: пик пришёлся на конец 2023-го, а к середине 2026-го титул сдулся, потому что модели научились разбирать неаккуратные инструкции, и инженерное ограничение ушло в архитектуру контекста; на плаву его держат в основном продавцы курсов. Рядом стоит консалтинговый извод Context Engineer: крупные фирмы переклеивают техписателей и аналитиков. Показательна история Cognizant, который в августе 2025-го объявил о развёртывании 1 000 «Context Engineers» на платформе партнёра Workfabric AI под названием ContextFabric. Это скорее маркетинговое переименование, чем смена реальной компетенции. Vibe Coder и Vibe Engineer тоже мимо. Сам термин «vibe coding» стал словом года по версии Collins за 2025-й, но описывает не нанимаемую профессию, а рискованную личную практику: принимать правки модели, не проверяя логику.
Дальше по мелочи. AI Strategist сводится к переименованию классического управленческого консалтинга под наценку. RAG Engineer слишком узок, чтобы быть профессией: это навык инженера данных или Context Engineer, а не должность. А Builder и AI-Native Developer останутся временными ярлыками: через год-полтора, когда AI станет базовой нормой разработки, они исчезнут, и все вернутся к «Software Engineer».
Итог
Картина 2026 года не про замену людей машинами и не про «армию автономных агентов». Она про смещение центра тяжести: исполнительская, детерминированная работа вымывается, а ценится способность нести ответственность за недетерминированную систему, то есть проектировать её контекст, проверять её вывод, надзирать за её агентами и атаковать её раньше злоумышленника. Действительно новых профессий немного, и все они об этом. Всё остальное либо тихо переписанная старая роль, либо приставка «AI-» ради ставки.
