Игорь Градов
Игорь Градов
7 мин
ai

Парадокс рынка труда: безработица 2,2%, а IT-вакансий стало на 56% меньше

Я вижу, что оригинал обрывается на полуслове. Работаю строго по тому, что есть в источнике, без додумывания обрезанных фрагментов.

Парадокс рынка труда: безработица 2,2%, а IT-вакансий стало на 56% меньше

Российский рынок труда в 2026 году выглядит парадоксально: безработица 2,2%, а разработчики месяцами не могут найти работу, и нобелевская модель DMP объясняет, почему вакансии и соискатели существуют рядом, но не пересекаются, и что с этим делать прямо сейчас.

Почему это важно

По данным SuperJob (через «Коммерсантъ»), число IT-вакансий за первое полугодие 2026 года упало на 21%, а резюме выросло на 21%. На «Хабр Карьере» вакансий стало меньше на 56%. При этом безработица в стране остаётся рекордно низкой. Проблема не в отсутствии работы, а в том, что механизм состыковки кандидата и вакансии сломался.

Нобелевская модель, которая объясняет ваш затянувшийся поиск

В 2010 году Питер Даймонд, Дейл Мортенсен и Кристофер Писсаридес получили Нобелевскую премию по экономике за модель DMP. Она описывает рынок труда не как очередь, а как систему с обратной связью, где высокая безработица и множество открытых вакансий спокойно сосуществуют.

Модель рассматривает соискателей и работодателей как активных участников, чьё взаимодействие формирует естественный баланс. Этот баланс зависит не от числа безработных, а от скорости двух потоков: как быстро люди теряют работу и как быстро находят новую.

Вот наглядный пример из источника. Допустим, каждый месяц увольняются 2% занятых, а работу находят 20% соискателей. Безработица замрёт на уровне 9%. Теперь компании стали нанимать вдвое медленнее (10% в месяц), а увольнять чаще не стали. Безработица всё равно подскочит до 17%. Никакого кризиса сокращений нет. Люди просто «застревают» в поиске.

Те же 17% можно получить наоборот: если увольнения выросли до 4%, а нанимают по-прежнему 20%. Снаружи результат одинаковый, а изнутри это две разные поломки, и лечить их нужно по-разному. В IT это видно отчётливо: когда поиск затягивается, база кандидатов на сайтах растёт, создавая иллюзию массовых увольнений, которых не было.

Что понадобится

  • Понимание четырёх типов поломок (описаны ниже), чтобы определить, в каком режиме застряли именно вы.
  • Доступ к площадкам вакансий: hh.ru, «Хабр Карьера», Telegram-каналы с вакансиями.
  • Любая нейросеть для работы с текстом: YandexGPT, GigaChat, ChatGPT. Нужна для анализа вакансий и переработки резюме.
  • Полчаса на диагностику и час на переработку резюме или сопроводительного письма.

Пошаговая инструкция

  1. Определите свой тип поломки. Модель DMP разделяет минимум четыре механизма, которые снаружи выглядят одинаково (кандидат месяцами ищет, вакансия месяцами висит), но требуют разных действий:

  2. Компании создают меньше мест. Вчера в плане было десять наймов, бюджет оставляет два. Проект отменили, замену ушедшему не открывают. Улучшение резюме здесь почти ничего не меняет: нельзя идеально сопоставить людей с вакансиями, которых стало вдвое меньше.

  3. Люди и места есть, но встреча стала хуже. Стек в вакансии уже не тот, что в резюме годичной давности. Работодатель не покупает абстрактный час программирования, ему нужен человек с конкретным опытом в похожей предметной области.
  4. Спрос сузился до узкого профиля. По данным Минцифры (через «Коммерсантъ»), спрос на специалистов уровня middle и senior с практическим опытом сохраняется. Спрос не исчез, он сузился до людей, которых можно поставить на текущую задачу без долгого дообучения (обучения на рабочих примерах под конкретную задачу).
  5. Часть задач забирает ИИ. Часть около-IT работы уже закрывают инструменты на базе нейросетей, а компании чаще решают задачи внутренней ротацией.

  6. Проверьте, на каком рынке труда вы ищете. Откройте hh.ru и «Хабр Карьеру», отфильтруйте вакансии по вашему стеку и городу. Посчитайте: сколько релевантных позиций появилось за последние две недели? Если их три, а не тридцать, ваш сценарий скорее первый (мест стало меньше), а не второй (плохая состыковка).

  7. Проанализируйте разрыв между вашим резюме и живыми вакансиями. Скопируйте текст трёх самых подходящих вакансий и своё резюме. Отправьте в нейросеть с промптом (текстовой инструкцией для ИИ):

Вот три вакансии и моё резюме. Найди конкретные расхождения: 
какие навыки, технологии и формулировки есть в вакансиях, 
но отсутствуют в резюме. Выведи список расхождений 
и предложи, как переформулировать опыт, чтобы закрыть 
каждый разрыв, не выдумывая того, чего я не делал.
  1. Переработайте резюме под каждый тип позиции. Не под каждую вакансию, а под тип. Если вы откликаетесь и на backend, и на DevOps, это два разных резюме с разными акцентами. Нейросеть поможет перегруппировать опыт, но факты проверяйте сами.

  2. Оцените «стоимость поиска» для работодателя. В модели DMP вакансия похожа на инвестиционный проект: расходы на поиск уже идут, а отдача впереди и не гарантирована. Компании открывают место, только если ожидаемая отдача будущего сотрудника покрывает стоимость поиска и найма. Ваша задача: снизить эту стоимость для нанимателя. Покажите в сопроводительном письме, что вы можете начать приносить пользу без месяца онбординга.

  3. Перестаньте спамить откликами. Безответно рассылать резюме на десятки позиций значит игнорировать главное: на рынке труда важна не скорость рассылки, а точность попадания. Пять прицельных откликов с переработанным резюме работают лучше пятидесяти одинаковых.

Как это применить

Допустим, вы Python-разработчик, три месяца без ответов. Вы загрузили в GigaChat или YandexGPT тексты пяти вакансий и своё резюме. Нейросеть показала: в четырёх из пяти вакансий требуют опыт с Kubernetes и CI/CD, а в вашем резюме это упомянуто одной строкой в разделе «дополнительное». Вы вынесли конкретные кейсы с Kubernetes в первый экран резюме, добавили в сопроводительное письмо абзац про настройку пайплайна в последнем проекте. Результат: из пяти переделанных откликов два дошли до собеседования. Не потому что рынок труда «починился», а потому что вы устранили конкретный разрыв в состыковке.

Частые ошибки

Путать тип поломки. Если компании в вашей нише просто перестали нанимать (первый сценарий), бесконечная шлифовка резюме не поможет. Сначала убедитесь, что вакансии вообще существуют.

Верить в «массовые увольнения» из-за роста базы резюме. Модель DMP показывает: база растёт не потому, что увольняют больше, а потому, что люди дольше застревают в поиске. Это разные диагнозы с разным лечением.

Делать одно резюме на все случаи. Работодатель ищет не абстрактного разработчика, а человека с конкретным стеком и опытом в похожей предметной области. Универсальное резюме проигрывает прицельному.

Слепо доверять нейросети при переработке опыта. ИИ может «улучшить» формулировку так, что она станет ложью. Галлюцинация (когда ИИ уверенно выдумывает то, чего не было) в резюме опаснее, чем в блоге: на собеседовании это вскроется.

Что делать прямо сейчас, по ролям

Если вы разработчик или специалист, ищущий работу. Определите свой тип поломки по списку из шага 1. Если вакансии в вашей нише есть, проблема в состыковке, и нейросеть поможет найти конкретные разрывы между вашим опытом и требованиями. Если вакансий почти нет, честнее расширить стек или географию поиска, чем полировать резюме.

Если вы нанимаете. Незаполненная позиция, по модели DMP, это инвестпроект с растущими издержками. Пересмотрите, не завышены ли требования: по данным Минцифры (через «Коммерсантъ»), спрос сохраняется на middle и senior с практическим опытом, но если вы ищете senior с редким стеком за среднюю зарплату, модель предсказывает, что вакансия будет «жить» бесконечно.

Если вы автор Дзена или контент-маркетолог. Тема «рынок труда сломался» собирает трафик, но честный разбор по четырём типам поломок ценнее кликбейта. Используйте структуру из этой статьи: читатель, который получил конкретный алгоритм диагностики, возвращается.

Мнение редакции dzen.guru

По моим наблюдениям, большинство людей, жалующихся на «сломанный рынок», застряли во втором сценарии: работа есть, но состыковка ухудшилась. Нейросети здесь реально полезны, не для «волшебного резюме», а для холодного анализа разрыва между тем, что вы умеете, и тем, что написано в вакансии.

Честная оговорка: никакой промпт не починит первый сценарий, где вакансий физически стало меньше. Высокая ключевая ставка, автоматизация задач через ИИ, внутренняя ротация, это макроэкономические факторы, и индивидуальными усилиями они не решаются. Но понимание, в каком именно режиме вы застряли, экономит месяцы бессмысленных откликов.

Рынок труда в IT при рекордно низкой безработице по стране не сломался целиком. Сломался конкретный механизм, и модель DMP позволяет назвать поломку по имени. Назовите свою, и действуйте точечно, а не вслепую.

Бесплатный мини-курс по нейросетям для авторов

Научитесь использовать ИИ для анализа текстов, резюме и контент-задач на практических примерах

Попробовать бесплатно
Поделиться:TelegramVK
Игорь Градов
Игорь Градов

Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».

Комментарии

Читайте также

Что такое ИИ-агент без кода: LANSOFT показала «вайб-конфигурирование» вместо вайб-кодинга
ai

Что такое ИИ-агент без кода: LANSOFT показала «вайб-конфигурирование» вместо вайб-кодинга

Компания LANSOFT через подразделение LDM впервые описала рабочую схему, в которой ИИ-агент собирает приложения не написанием кода, а конфигурированием готовых…

5 мин
Срезы данных в машинном обучении: как рост accuracy на 2,5% скрывает провал recall вдвое
ai

Срезы данных в машинном обучении: как рост accuracy на 2,5% скрывает провал recall вдвое

Модель точнее на 2,5%, но пропускает вдвое больше нарушений: как срезы данных спасают от ложных выводов перед релизом Общая метрика accuracy выросла с 93% до…

7 мин
Распознавание подписи на 3 млн параметров: как модуль внимания отсекает фоновый шум
ai

Распознавание подписи на 3 млн параметров: как модуль внимания отсекает фоновый шум

Компания Smart Engines опубликовала подробный разбор архитектуры компактной свёрточной нейросети на базе ResNet18 с модулем пространственного внимания, которая…

7 мин