Хто навчатиме нове покоління джунів в епоху AI — колонка McKinsey
Штучний інтелект забирає у джунів ті задачі, на яких вони традиційно вчилися: рутинний ресьорч, оформлення документації, чистку даних, базовий код, попередній аналіз. Саме через цю рутину молоді спеціалісти раніше напрацьовували інтуїцію, судження та право братися за складніше.
У свіжому дослідженні McKinsey автори Bryan Hancock та Charlotte Seiler розбирають, як компаніям перебудувати найм і навчання джунів, щоб не втратити кадровий конвеєр. Ми адаптували головні тези для читачів Медіа Inweb.
Тривога зростає, а причини — не такі однозначні
За даними звіту McKinsey і LeanIn.Org Women in the Workplace 2025, саме працівники початкового рівня — і особливо жінки — найбільше хвилюються, як AI вплине на їхню роботу. Песимізм випускників щодо старту кар’єри зріс з 46% до 62% лише за два роки, і три чверті з них пояснюють це тим, що компанії наймають менше джунів.
На початок 2026 року безробіття серед випускників коледжів у США сягнуло близько 5,7%, а близько 40% працюють на посадах, які формально не потребують диплома. Дослідники зі Stanford Digital Economy Lab фіксують, що зайнятість працівників 22–25 років у найбільш вразливих до AI професіях впала на 16% відносно решти ринку.
Але автори одразу застерігають: наскільки в цьому винен саме AI — питання відкрите. Економісти Федерального резервного банку Нью-Йорка пов’язують значну частину зростання безробіття молодих випускників радше з поширенням віддаленої роботи, яка ускладнює навчання новачків на відстані. А дослідники Yale Budget Lab поки не бачать чіткого впливу AI в економіці загалом — хоча й відзначають зростаючий розрив між молодшими й старшими випускниками.
Чому джуни все ще потрібні
Двоє інженерних лідерів Microsoft, Марк Русинович і Скотт Гансельман, описують парадокс: агентні AI-асистенти дають сеньйорам прискорення, а джунам, яким бракує досвіду керувати й перевіряти AI, — навпаки, гальмують роботу.
Це підштовхує компанії наймати більше сеньйорів і автоматизувати джунів — і тим самим підриває основу піраміди, на якій тримаються майбутні сеньйори. Їхня порада у тому, щоб продовжувати наймати джунів, прийняти, що спершу вони знижують продуктивність команди, і зробити їхній розвиток окремою організаційною ціллю.
Автори пропонують компаніям зосередитися на чотирьох напрямках.
1. Управління знаннями як фундамент
Щоб AI-системи давали якісні відповіді, компанії повинні спершу кодифікувати експертизу своїх найкращих спеціалістів: їхні фреймворки, правила прийняття рішень, попередні кейси.
Наприклад, молодший юрист, що працює над угодою M&A, може отримати від AI-системи не просто список схожих прецедентів з архіву, а й пояснення, якими застереженнями та компромісами користувалися партнери в подібних ситуаціях — це прискорює роботу і водночас вчить.
Важливо розрізняти рівень експертизи джерел: досвід одного співробітника з одним кейсом і накопичена мудрість сеньйора з десятками проєктів — це різна цінність. Автори наголошують, що системи мають зважувати вхідні дані за глибиною досвіду, повторюваністю результатів і релевантністю контексту.
2. Роль джуна за моделлю ключа з відповідями
У новій моделі роботи мета — не просто виконати задачу, а розвинути судження: коли довіряти результату AI, коли перевіряти, а коли — відхиляти. Автори посилаються на книгу Метта Біна The Skill Code, за якою навички розвиваються через поєднання виклику, складності та зв’язку з мисленням експерта — умов, яких стає менше, коли рутину забирає технологія.
Звідси — модель ключа з відповідями: співробітник спершу виконує задачу самостійно, потім AI генерує власний варіант, а менеджер розбирає різницю між ними разом зі співробітником.
Приклад із практики: в одній компанії з нерухомості AI-агент готував детальніші ринкові огляди, ніж міг зробити джун самостійно. Але компанія все одно просила молодших співробітників спочатку робити власний аналіз вручну — обходити райони, вивчати географію й трафік, — а вже потім порівнювати з результатом AI. Різниця між двома версіями і ставала навчальним матеріалом.
Це підтверджують і клінічні дослідження: лікарям, яким просто давали LLM, це майже не покращувало довгострокову діагностичну точність. А ось коли їх зобов’язували порівнювати й узгоджувати власні висновки з висновками AI, результати підтягувалися до рівня самої моделі. І навпаки: коли працівники виконували технічні задачі виключно за допомогою AI, без власної спроби, навичка зникала одразу, як тільки доступ до AI забирали.
3. Навчання просто в процесі роботи
Розрив між самостійною спробою джуна і результатом AI — це вимірюваний показник того, як формується судження: чим менший розрив із часом, тим краще. Це дає компаніям метрику, якої раніше за навчання спеціалістів не було.
Дослідники наводять приклад із медичної освіти: студенти-медики першого курсу, які п’ять днів поспіль відповідали на AI-згенеровані клінічні кейси з персоналізованим фідбеком, за результатами відеотесту випередили студентів другого курсу — і ефект зберігався навіть через два тижні.
4. Найм за здатністю мислити, а не за конкретним навичками
Роботодавці все частіше запитують не «що ви вивчали», а «як ви мислите». У пріоритеті — креативність, здатність вирішувати проблеми, стійкість і вміння міркувати. Це відкриває двері й для кандидатів без формальної освіти за фахом — так званих STARs (Skilled Through Alternative Routes — набуття кваліфікації альтернативними шляхами).
Оскільки джуни тепер швидше виходять на комунікацію з топменеджментом і працюють зі складнішими даними, зростає роль менеджерського коучингу — не лише технічного, а й софтових навичок: як подати незручну новину, як говорити з досвідченим стейкхолдером, як пояснити чому щось відбулося, а не просто показати цифру.
Дослідниця Моллі Кіндер пропонує компаніям запозичити модель медичної резидентури: якщо AI забирає рутинні задачі, на яких раніше вчилися джуни, посади варто перебудувати як структурований, захищений період свідомого розвитку навичок. А Русинович і Гансельман ідуть ще далі — пропонують модель наставника (preceptor), коли сеньйор веде невелику групу джунів і спостерігає, що вони приймають від AI, що відхиляють і де помиляються.
Автори наголошують: попит джунів на роботу — на змістовні задачі, розвиток, гнучкість і сильне лідерство — не змінився, попри те що можливостей стало менше. Компанії, які найбільш залучені до AI, водночас ризикують найшвидше втрачати саме тих джунів, які цінніші за всіх на ринку.
Судження, побудоване на основі власної кодифікованої експертизи компанії, її кейсів і таксономій, важче скопіювати конкуренту, ніж просто переманити людину із сертифікатом. Тому інвестиція в навчання джунів — це не витрата, а спосіб захистити компанію від втрати наступності та уповільнення власного впровадження AI.
Кадровий конвеєр не зникає — він перебудовується. І компанії, які усвідомлено підійдуть до цього процесу, отримають перевагу в підготовці кваліфікованих кадрів на майбутнє.
