Парадокс найма в IT: почему безработица мала, а вакансии не закрываются

# Работа есть, соискатели есть, а найма нет: разбор парадокса рынка труда

Ситуация, с которой сталкиваются многие разработчики в 2026 году, кажется знакомой: вакансия висит месяцами, а резюме отправляются в безответном молчании. Кандидаты спамят откликами, а рекрутеры уверены, что «искать некого». Интуитивная реакция подсказывает, что рынок труда сломан. Однако анализ данных показывает, что массовой безработицы нет — число официально безработных в стране стабильно около 2,2%. Проблема лежит глубже: сломался механизм, соединяющий предложение и спрос.

*«На рынке разработчиков схема классического экономического выравнивания не запускается. Работодатель не покупает абстрактный час программирования»* > — тезисы из анализа рынка труда за первое полугодие 2026 года.

В этой статье мы разберем, почему количество людей и вакансий не гарантирует количество наймов, используя экономическую модель, за которую в 2010 году дали Нобелевскую премию.

Экономика поиска и модель DMP

Традиционная экономическая модель предполагала, что при избытке соискателей компании нанимают их быстрее, и очередь рассасывается. Но в реальности найм — это дорогой и долгий процесс, напоминающий инвестиционный проект. Компания тратит ресурсы на поиск, испытывает риски, а только потом начинает получать отдачу.

В 2010 году Нобелевская премия по экономике была присуждена Питеру Даймонду, Дейлу Мортенсену и Кристоферу Писсаридесу за разработку модели поиска и содействия занятости (DMP). Эта концепция рассматривает рынок труда как систему с трениями, где люди и вакансии существуют параллельно, но не пересекаются мгновенно.

Кристофер Писсаридес уточнял, что рынок труда измеряется скоростью двух потоков: увольнений и наймов. Если компании начинают нанимать медленнее, а увольнения остаются прежними, уровень безработицы растет. Но важно понимать причину: это может быть снижение темпов найма или же резкий рост числа увольнений. Внешняя статистика может выглядеть одинаково, но внутренние механизмы требуют разного лечения.

В 1994 году исследователи добавили в модель важную деталь: рабочие места тоже могут «умереть». Если технологический стек меняется, продажи падают или задачу автоматизируют, ценность позиции для бизнеса падает. В такой ситуации компании рациональнее уничтожить вакансию и вернуть человека на рынок труда, чем искать нового сотрудника в долгую.

Рынок труда — это не очередь у кассы. Это система с обратной связью, где: * Функция встреч переводит количество ищущих и вакансий в реальные наймы. * Скорость закрытия позиций определяет, какой уровень поиска рынок может поддерживать. * Стоимость найма влияет на количество новых мест, которые компании вообще захотят открыть.

Реальность российского IT в 2026 году

Картина за первое полугодие 2026 года идеально ложится на эту схему. Если объединить данные, можно увидеть противоречивую, но показательную статистику.

По оценке SuperJob, приведенной «Коммерсантом», число IT-вакансий в первом полугодии сократилось на 21% по сравнению с аналогичным периодом 2025 года. При этом количество резюме выросло на ту же величину — 21%. В целом по рынку прирост резюме составил еще 33%.

Более суровая оценка от «Хабр Карьеры» показывает снижение количества вакансий на 56%.

Компании чаще закрывают задачи внутренней ротацией, перенастраивают проекты или автоматизируют рутину с помощью инструментов на базе ИИ. Высокая ключевая ставка также откладывает инвестиции в исследования и разработки (R&D). Однако в Минцифры отмечают, что спрос на middle и senior-специалистов с практическим опытом сохраняется. Спрос не исчез, он сузился до людей, которых можно поставить на задачу без длительного дообучения.

Четыре «поломки» системы найма

Модель DMP разделяет наблюдаемую ситуацию на минимум четыре разных механизма, которые выглядят снаружи одинаково: кандидат ищет, вакансия висит, а сделки не происходит.

1. Снижение предложения (Мало новых мест). Вчера в плане было десять наймов, сегодня — два. Проект отменили, расширение перенесли. Улучшение резюме здесь не поможет, так как самих рабочих мест стало вдвое меньше. 2. Падение эффективности сопоставления. Работа есть, кандидаты тоже есть, но «стена» между ними выросла. Стек в вакансии изменился с тех пор, как было написано резюме год назад. Не совпадают форматы работы: офис, удаленка или гибрид. Компания ищет идеального сотрудника под описание прошлого успеха, а кандидат отправляет отклики вслепую. В модели это называется падением эффективности встречи. 3. Дыра между ожиданиями и реальностью. Зарплатные ожидания кандидата и бюджет компании не пересекаются. У соискателя есть нижняя граница, ниже которой он не согласится рисковать. У компании — верхняя, выше которой найм не окупает риски. Обе стороны стали разборчивее, так как цена ошибки подорожала. 4. Высокая цена ошибки найма. Чем дольше человек может ждать (благодаря накоплениям или фрилансу), тем выше планка. Компания в узком бюджете не хочет брать «кота в мешке» и доучивать его за свой счет, поэтому ставит еще более жесткие требования к стажу и стеку.

Влияние искусственного интеллекта на найм

Эффект ИИ на рынке труда уже начался и работает в двух направлениях.

Первый эффект — бытовое влияние. Раньше осмысленный отклик был дорогим по времени: нужно было тщательно редактировать резюме и писать сопроводительное письмо. Сейчас часть этой работы делегируется моделям. Для кандидата это парадокс: если на десять писем не ответили, он отправляет сто. Технически «потолок» массового поиска снят, но для компании поток откликов стал менее ценным. Доля слабого сигнала в каждой пачке выросла, и рекрутер тратит время на отсев текстов, которые по словам совпадают с вакансией, но не отражают реальный опыт.

Второй эффект — глубинные изменения структуры вакансий. На президентской лекции Королевского экономического общества в 2026 году Кристофер Писсаридес оценил, что от трети до 40% рабочих мест в Великобритании и США почти не затронут ИИ. Это сферы, где важны присутствие, гостеприимство и живой разговор. Ожидания «бума» производительности, сопоставимого с компьютерной революцией 1980-х, в этой лекции не были.

Но для разработки ситуация иная. Код, тесты, черновики документации и рутинный разбор входных данных уже забирает на себя ИИ. Отсюда и сдвиг в условии создания вакансий: компания редко открывает позицию, где джуниор должен сначала расти и окупать себя через полгода. Ожидаемая отдача от найма падает, так как модель уже закрывает первые задачи.

Спрос на опытных специалистов (middle и senior) выглядит в этом контексте закономерно: место открывается там, где отдача будет близка к моменту найма, а не обещана через время роста сотрудника.

Выводы и практические шаги

Модель DMP не выдает универсальный рычаг, который мгновенно починит рынок. Лучшее сопроводительное письмо повышает шанс конкретной встречи, но не создает бюджет на новую позицию и не снижает ключевую ставку. Более жесткий скрининг с помощью ИИ может ускорить отсев и поднять планку приемлемого совпадения, из-за чего очередь для менее подходящих кандидатов станет длиннее.

Главный вывод для обеих сторон прост: нужно понять, какая именно «поломка» стоит перед ними. * Если мало новых мест, нет смысла тратить ресурсы на идеальное резюме — нужно искать другие ниши или компании. * Если проблема в несоответствии стека, стоит актуализировать навыки и формат работы. * Если есть разрыв в зарплатных ожиданиях, стоит скорректировать планку или рассмотреть гибридные варианты.

Рынок труда 2026 года — это не сломанная система, а дорогой и избирательный процесс. Люди и задачи никуда не исчезли, но найм буксует из-за высокой стоимости встреч и новых требований к эффективности. Решить эту проблему одним универсальным приемом невозможно, требуется комплексная адаптация стратегий поиска и найма.

*Авторы этой статьи обращают внимание на то, что модель калибровалась на данных развитых экономик. Однако принципы поиска и содействия занятости универсальны: стоимость ошибки, время ожидания и качество совпадения — ключевые метрики для любого рынка.*