Anthropic сокращает долю младших сотрудников и больше времени тратит на встречи: что это говорит о будущем работы с AI

Anthropic опубликовала отчёт о том, как за год изменились структура её штата и характер работы. Короткий ответ на главный вопрос: компания нанимает меньше младших специалистов в технические отделы и проводит больше времени на встречах. Ниже цифры, причины и практические следствия для команд, которые тоже работают с AI (публикация TechCrunch с деталями отчёта).

Что произошло в Anthropic: коротко и по цифрам

Все ключевые показатели отчёта собраны в одну таблицу, чтобы не искать их по тексту.

Опрос сотрудников, проведённый в апреле 2026 года, добавляет картину повседневной работы. 27% респондентов заявили, что стали продуктивнее благодаря Claude. 20% сказали, что их работа сместилась «от непосредственного выполнения задач к управлению Claude».

Два термина стоит расшифровать сразу. Младший специалист (junior) - сотрудник на начальном уровне, который учится на относительно простых задачах и постепенно берёт более сложные. AI-агент - программа, которая выполняет поручённую задачу: пишет код, готовит текст, собирает данные. Человек при этом ставит цель и проверяет результат.

Оговорка, без которой цифры читаются неверно: это данные одной компании, причём компании, которая перестроила рабочие процессы вокруг собственного AI-продукта. Переносить проценты на весь рынок труда нельзя.

Почему в Anthropic стало меньше младших специалистов

Причин две, и обе назвала сама компания.

Первая: по мере роста бизнеса расширяются бизнес-функции. Продажи, поддержка, операции, юридические вопросы и найм растут быстрее инженерных команд, поэтому доля технических сотрудников в штате падает с 61% до 56%. Инженеров не увольняют: вокруг них просто появляется больше людей других специальностей.

Вторая: инструменты для программирования всё чаще позволяют нетехническим сотрудникам создавать ПО самостоятельно. Если маркетолог сам собирает внутренний дашборд, отдельная задача для младшего разработчика может не появиться вовсе.

Честная интерпретация выглядит так: отчёт фиксирует сдвиг структуры, а не утверждает, что AI заменил начинающих разработчиков. Доли 14% и 9% не равны нулю. Компания также признаёт, что больше кода не обязательно означает лучший код или ощутимый бизнес-эффект, хотя признаков падения качества кода не нашла.

Что это значит для найма и карьеры начинающих специалистов

Вход в профессию через рутинные задачи сужается. Раньше начинающий разработчик получал простые правки и учился на них. Теперь часть таких задач закрывают сотрудники других отделов с помощью AI-инструментов.

Ценность смещается к трём вещам: умению поставить задачу, умению проверить результат и готовности за него отвечать. Похожий сдвиг описали в исследовании OpenAI: люди берут на себя задачи за пределами формальных обязанностей, а границы профессий размываются (разбор исследования OpenAI).

• Начинающему специалисту: показывать на собеседовании не скорость написания кода, а умение разобрать чужой результат, найти ошибку и объяснить решение.
• Руководителю: пересмотреть описания вакансий и стажировок, добавив работу с AI-инструментами и проверку результата как отдельную обязанность.
• Команде: заранее договориться, какие задачи остаются учебными и не отдаются инструментам, иначе новичкам не на чем расти.

Прогноз «начинающие больше не нужны» данные не поддерживают. Изменился набор первых задач, а не факт их существования.

От выполнения задач к управлению AI-агентами: как меняется сама работа

Цифра 20% описывает не должность, а режим работы. Сотрудник ставит задачу AI-агенту, получает черновик, проверяет его и решает, что оставить. Типичный цикл состоит из четырёх шагов:

1. Сформулировать задачу и критерий готовности.
2. Дать контекст: данные, ограничения, аудиторию, формат.
3. Проверить результат на факты, логику и соответствие задаче.
4. Принять решение и взять на себя ответственность за итог.

Пример без техжаргона. Менеджер по продажам просит агента собрать черновик коммерческого предложения по заметкам о звонке. Агент выдаёт три варианта разной длины. Менеджер выбирает один, правит цену и сроки, проверяет формулировки и отправляет клиенту. Сама работа не исчезла, но сместилась: вместо написания с нуля человек управляет качеством.

Второй пример. Аналитик отдаёт агенту массив отзывов клиентов и просит сгруппировать повторяющиеся претензии. Дальше начинается то, что автоматизации не поддаётся: решить, какая группа важнее и что с ней делать в ближайший месяц.

Навыки для работы с AI-агентами простыми словами:

• Точная постановка задачи: что нужно, для кого, в каком формате и по каким критериям считается готовым.
• Критическая проверка: умение заметить правдоподобную, но неверную формулировку.
• Понимание границ: какие данные нельзя отдавать инструменту и где ошибка стоит дорого.
• Ответственность за итог: подпись под результатом ставит человек, а не агент.

Это касается не только инженеров. 27% сотрудников Anthropic связали рост продуктивности с Claude, и среди них есть люди из бизнес-функций, которые не пишут код профессионально.

Почему встреч стало больше, хотя AI должен был их сократить

Время на встречах в расчёте на сотрудника выросло на 20% год к году, у технических сотрудников на 16%. База расчёта - данные календарей, они приведены в отчёте.

Объяснение компании: человеческое доверие и подотчётность никуда не делись, а сотрудники неоднократно называли личную координацию незаменимой. Когда рутинные операции ускоряются, узким местом становятся согласования, распределение ответственности и решения, которые нужно принять вместе.

Функциональная метафора: AI ускоряет отдельные участки конвейера, но на стыках между участками по-прежнему стоят люди. Чем быстрее работает каждый участок, тем заметнее простой на стыках.

Ограничение, которое стоит держать в голове: данные календаря показывают количество времени, а не его пользу. Вывод «встречи стали полезнее» из них не следует. Возможен и обратный эффект: больше черновиков и вариантов означает больше обсуждений.

Человеческое внимание и суждение как новое узкое место

Главный тезис отчёта: узким местом для продуктивности становятся человеческое внимание и суждение. Причина в объёме текста, который создаёт Claude и который нужно прочитать и упорядочить (детали отчёта).

Раньше дефицитом был текст. Написать документ, код или письмо стоило времени, и это время было видимой частью работы. Теперь дефицит сместился к проверке. Если генерация занимает минуты, а проверка часы, именно проверка определяет скорость команды.

Что это меняет в организации труда: ценность переходит от производства текста к его проверке, приоритизации и решению. Ориентиры, которые работают без сложных инструментов:

1. Определять критерий «достаточно хорошо» до начала работы: какой объём, какая точность, кто принимает результат.
2. Ограничивать объём черновиков: просить один вариант, а не десять.
3. Фиксировать ответственного за финальную проверку по каждому типу документа.
4. Разделять проверку фактов и проверку стиля: это разные операции и часто разные люди.

Пример из контент-команд. Агент выдаёт десять заголовков, а час уходит на выбор одного. Полезнее сузить запрос до трёх вариантов с разными акцентами и выбрать за десять минут.

Отказываться от AI из-за этого не нужно. Перестроить процесс проверки так, чтобы она не съедала весь выигрыш от скорости, придётся.

Можно ли переносить опыт Anthropic на другие компании

Anthropic - крайний случай. Компания выпускает AI-продукт и глубоко перестроила рабочие процессы вокруг него, поэтому её цифры стоит читать как ранний индикатор, а не как универсальный прогноз. Сама компания заявляет, что её тренды могут указывать на то, как AI изменит организацию труда, найм и спрос на рабочую силу в экономике.

Что переносимо почти для любой организации:

• Рост доли бизнес-функций по мере масштабирования.
• Появление инструментов, с которыми нетехнические сотрудники создают собственное ПО.
• Рост нагрузки на проверку результата.
• Сохранение спроса на личную координацию.

Что специфично для Anthropic: высокая концентрация инженеров, собственный AI-продукт, культура ранних экспериментов. В компании из 50 человек с двумя разработчиками снижение доли технических команд с 61% до 56% может означать совсем другое, например наём двух менеджеров по продажам.

Типичная ошибка - копировать проценты без контекста. Цифра «доля младших специалистов 14%» сама по себе мало говорит о рынке: она зависит от того, как в компании определяют уровень, сколько лет она растёт и какие функции отдаёт на аутсорс. Полезнее смотреть на собственные данные: сколько задач закрывает AI, где возникает очередь на проверку, какие роли перегружены.

Для контекста: сокращения в tech-секторе 2026 года часто связывают с AI-стратегиями, хотя объявленная стратегия и реальные причины увольнений совпадают редко (разбор сокращений в tech-секторе).

Что делать уже сейчас: практическое применение AI в работе

Пять шагов, которые не требуют технического бэкграунда.

1. Выберите одну или две рутинные задачи и передайте их AI-агенту с чётким критерием готовности. Пример запроса: не «сделай отчёт», а «собери таблицу из этих 40 писем: дата, клиент, сумма, статус; пустые поля помечай отдельно». Как измерить эффект: сравните время на задачу до и после за две недели.
2. Заложите время на проверку в план. Если задача раньше занимала два часа и теперь требует 20 минут генерации, планируйте 50 минут: 20 на генерацию и 30 на проверку. Это честная оценка, а не накладные расходы.
3. Договоритесь, кто отвечает за финальное суждение. У каждого документа, отчёта или фрагмента кода должен быть человек, чья подпись означает «проверено». Без этого ответственность размывается между всеми, кто касался черновика.
4. Развивайте два навыка: постановку задачи и критическую проверку. Первый тренируется шаблонами запросов, второй - разбором ошибок. Просите агента обосновать вывод и проверяйте, откуда взялись цифры.
5. Пересмотрите задачи для начинающих. Отдавайте им не рутину, которую теперь закрывает инструмент, а работу с проверкой и организацией результата: разобрать черновики, найти противоречия, собрать итог. Так новичок учится суждению, а не только скорости.

Отдельный вопрос - как измерять пользу. Опросы самооценки, как апрельский опрос Anthropic, показывают восприятие, а не подтверждённый эффект. Разрыв между заявленными результатами и проверяемыми встречается часто: в опросе IT-руководителей две трети сообщили о результате от AI, но лишь единицы готовы были прервать отпуск CEO ради этих результатов (данные опроса 160 IT-вице-президентов).

Что это говорит о будущем работы с искусственным интеллектом

Из отчёта следуют три тренда. Они не требуют веры в радикальные прогнозы и опираются на измеренные показатели.

Первый: растёт ценность проверки и ответственности. Когда текст, код и анализ создаются быстро, дефицитным становится человек, который отличает хороший результат от правдоподобного. Это меняет требования к любой роли, где есть работа с информацией.

Второй: граница между техническими и нетехническими ролями размывается. Инструменты для программирования перестают быть привилегией инженеров, поэтому доля технических команд в штате может снижаться без сокращений: бизнес-функции растут быстрее.

Третий: время перераспределяется в пользу координации. Рост встреч на 20% показывает, что ускорение отдельных задач не отменяет потребности в согласовании. Доверие и подотчётность остаются человеческими задачами, и это самая устойчивая часть картины.

Практический итог для команд: структура смещается в сторону бизнес-функций, вход в профессию меняется в сторону суждения, работа всё чаще означает управление AI-агентами и проверку результата, а личная координация сохраняется как дефицитный ресурс.

Вопрос, с которого стоит начать на этой неделе: какие две задачи в вашей команде уже можно передать AI-агенту, по каким критериям вы поймёте, что результат готов, и кто поставит под ним свою подпись.

Есть вопрос или заметили неточность в разборе? Напишите нам, мы обновим материал.