Разработчики рассказывают, как отправляют сотни откликов на HH и не получают ответа. Компании твердят, что количество резюме выросло в разы, но хороших специалистов по-прежнему днем с огнем не сыскать. Зарплатные ожидания кандидатов и предложения работодателей расходятся, как корабли в море. Джуны не могут получить первый опыт, ведь их никуда не берут, а работодатели ищут людей, способных выйти на место и начать приносить пользу с первого дня. И не находят! Везде гремит один и тот же вывод: все пропало, рыночек сломался!
Забавно, что экономисты уже давно знают, как выглядит «сломанный» рынок, и их такими жалобами не проймешь. Более того, в 2010 году Питер Даймонд, Дейл Мортенсен и Кристофер Писсаридес получили за свой анализ Нобелевскую премию по экономике. Возможно, если бы мы иногда отрывались от обсуждения нового фреймворка и смотрели, за что раздают Нобелевские премии по экономике, сегодняшний кризис найма выглядел бы менее загадочно…
Давайте попытаемся разобраться, что именно увидели экономисты, какие параметры позволяют описать нынешнюю ситуацию на рынке труда цензурными словами, и в конце даже рискнем сделать выводы, что эта хваленая модель вообще может нам сообщить о ситуации в IT-индустрии.
За что вообще дали Нобелевскую премию в 2010 году
Казалось бы, если безработных много, а вакансии существуют, почему они просто не соединяются друг с другом? Ведь все так просто! В примитивной модели рынка и правда все кажется легче легкого: предложение превышает спрос → цена труда падает → работодатели нанимают больше людей → рынок приходит в равновесие.
Но вот только реальный рынок труда устроен иначе. Работодатель не покупает абстрактную единицу труда. Ему нужен конкретный человек с определенными навыками и опытом, местом жительства (или готовностью переехать), а еще этот сферический конь в вакууме кандидат должен быть готов работать за предложенную зарплату и на условиях работодателя.
Будущие счастливые сотрудники тоже не лыком шиты, и выбирают они не просто зарплату побольше. Они сравнивают условия, карьерные перспективы, риски внезапного сокращения, а еще им подавай смыслы и дружную веселую команду с пиццей на скрам-ретроспективах, и кофейный автомат, и печеньки.
В результате между двумя сторонами возникают поисковые трения.
Три части одной большой идеи
Модель поиска и сопоставления, которая получила Нобелевскую премию, родилась на стыке решений двух больших направлений экономической теории. От неоклассики в ней остались рациональные участники рынка: работник решает, искать ли дальше и соглашаться ли на предложение, компания — создавать ли вакансию и нанимать ли этого человека. Но при этом Даймонд, Мортенсен и Писсаридес пытались объяснить старую макроэкономическую проблему, особенно занимавшую кейнсианцев: почему безработица вообще может долго существовать, даже когда компаниям нужны люди?
В кейнсианской логике все обстоит так
Зарплаты оказываются «липкими», то есть почти не снижаются из-за долгосрочных контрактов, коллективных соглашений, внутренних зарплатных сеток и других причин. Поэтому во время кризиса компания не снижает зарплату всем, а начинает сокращения.
Если сотрудник при прежней зарплате перестал окупаться, компания просто закрывает рабочее место. Если новый человек при текущей вилке слишком дорого обходится, вакансию просто не открывают. В итоге спад превращается в рост увольнений, сокращение числа вакансий и увеличение безработицы.
Сам Писсаридес позже писал, что прежние — и неоклассические, и кейнсианские — модели довольно странно обращались с безработными: они в них почти ничего не делали. В модели поиска человек наконец начинает искать, выбирать и отказываться, а компания — искать его в ответ.
Экономисты поняли, что, даже оставаясь децентрализованным, рынок никому не обязан давать оптимальный результат. Постоянно возникающие те самые поисковые трения и внешние эффекты дают основания для вмешательства государства.
Их работы пересекались, развивали друг друга и постепенно складывались в то, что сегодня называют моделью Даймонда — Мортенсена — Писсаридеса, или DMP. Давайте рассмотрим их по отдельности.
Питер Даймонд и внешний эффект поиска
Начать стоит с Питера Даймонда. Его интересовал фундаментальный вопрос: что происходит с рынком, если продавец и покупатель не могут мгновенно найти друг друга и заранее не в курсе обо всех доступных вариантах? Ведь классическая экономическая школа считает, что рынок самоотрегулируется: если спрос превышает предложение, то цена растет и весь товар (читай — сотрудников) раскупают. Если же наоборот, то цена падает и товар снова-таки раскупают.
Но выяснилось, что применить эту же логику к труду не получается. Иначе безработный программист и компания с открытой вакансией должны просто найти друг друга, слиться в жарких объятьях и договориться о зарплате.
Поиск занимает время и требует ресурсов: работнику нужно найти вакансию, понять условия, отправить резюме (или сгенерировать ChatGPT), пройти тестовое, несколько кругов собеседований с лайв-кодингом…
С другой стороны — у нас компания с рекрутерами, лидами и прочими сочувствующими. Им нужно разместить вакансию, перебрать кандидатов, затем провести интервью и решить, брать этого человека с руками и ногами прямо сейчас или продолжать искать идеального. Все это время работник может оставаться без работы, а компания — без сотрудника. В этот момент начинают действовать поисковые трения. Думаете, это все? И за это дали премию? Не совсем.
Даймонд вытащил на поверхность еще одну неприятную для стройных моделей штуку: решения одного участника поиска влияют на всех остальных. Если один безработный начинает стараться сильнее других, искать интенсивнее, мониторить вакансии, не отрываясь от экрана, и отвечать через пять минут, ему становится проще получить работу, но в это время конкуренция для других кандидатов растет. Для работодателей происходит ровно обратное: найти сотрудника становится проще.
Вот это и называется внешним эффектом поиска: часть последствий твоего решения достается другим участникам рынка, хотя ты этого и не учитывал, принимая решение.
А еще эффект работает и в обратную сторону. Представим, что крупная компания открывает сразу сто вакансий разработчиков. Это такое заурядное бизнес-решение: нужен новый продукт и собрать команду. Но для всех кандидатов на рынке поиск внезапно упрощается. Как только появилось больше предложений, вероятность получить офер выросла, а у некоторых еще и появилась возможность поторговаться за лучший оклад и условия. Но компания не открывает вакансии, чтобы помочь бедным безработным программистам. Просто побочный эффект решения срочно пилить новый продукт оказался для этих программистов положительным.
При этом для других работодателей ситуация может резко ухудшиться. Те же самые сто вакансий начинают конкурировать за кандидатов с маленькими стартапами и средними студиями разработки, инженеры получают больше предложений, закрывать позиции становится сложнее, дольше и дороже.
На IT-рынке это можно наглядно увидеть на простом примере. Допустим, после волны сокращений тысячи разработчиков одновременно выходят на hh[.]ru. Для компаний это вроде бы праздник: кандидатов много, очень много. Можно быстрее получать отклики, выбирать из большего числа людей, больше торговаться.
А для самих разработчиков ситуация совсем не радостная. Даже сильный кандидат теперь находится в бесконечной ленте с сотней похожих резюме. Ему приходится отправлять больше откликов, быстрее отвечать и проходить больше этапов — как в Алисе Льюиса Кэрролла: чтобы стоять на месте, надо бежать, а чтобы сдвинуться с места — бежать еще быстрее. Такие вот тараканьи бега.
Тут возникает еще более интересный эффект. Когда кандидатов слишком много, положительный эффект для работодателя тоже нивелируется. На вакансию присылают не 50 резюме, а 2000. Рекрутер физически не может нормально их обработать, а доблестный ИИ случайно отсеивает часть подходящих кандидатов и даже не грустит по этому поводу.
В результате плохо всем, хотя, казалось бы, все действуют правильно и логично. Поэтому экономистам и понадобилась теория поисковых внешних эффектов. Индивидуально разумные решения не обязаны складываться в хороший результат для рынка целиком.
Дейл Мортенсен и функция сопоставления
Дейл Мортенсен закопался в рынок труда еще глубже — в то, как каждая из сторон принимает решение, пока находится в поиске. В его версии поиск идет сразу с двух сторон: работник решает, сколько искать и на какое предложение соглашаться, компания — стоит ли открывать вакансию, сколько ресурсов потратить на наём и когда прекратить поиск.
В начале 1980-х Даймонд и Мортенсен независимо работали над моделями такого двустороннего поиска. И пришли к функции сопоставления. Она описывает, с какой скоростью имеющееся количество ищущих работу людей и открытых вакансий превращается в реальные наймы. Мортенсен исследовал, как вообще поиск связан с зарплатами, наймом безработных и решениями работников и компаний.
Допустим, разработчику предлагают 180 тысяч. Он может согласиться, а может оказаться, решив, что впереди куш покрупнее, что, подождав месяц, он сможет найти вакансию с окладом в 250 тысяч. Это уже экономически обоснованное решение. Чем дольше он ищет, тем больше тратит времени и денег, но сохраняет шанс получить предложение получше.
У работодателя задача аналогичная. Есть кандидат, который соответствует требованиям на 80%. Можно взять его сейчас и закрыть дыру в команде. А можно еще месяц поискать, попроводить интервью в надежде найти того самого, который подходит на 95%. Но этот месяц тоже стоит денег: рекрутер работает, инженеры тратят время на собеседования, а проект простаивает без нужного специалиста.
Функция сопоставления как раз и отвечает на простой вопрос: если на рынке есть, скажем, десять тысяч людей, ищущих работу, и пять тысяч вакансий, сколько из этих людей и вакансий превратятся в реальные наймы за месяц? И правильный ответ будет вовсе не «пять тысяч».
Кто-то не подойдет по навыкам, с кем-то не сойдутся по деньгам, а кто-то передумает в последний момент. А еще какого-то счастливчика забракует рекрутер или ИИ-агент. А еще обе стороны могут друг другу подойти, а процесс найма займет три месяца из-за бюрократии. И вот простая математика, оказывается, не работает, сопоставление числа вакансий с числом кандидатов почти ни о чем не скажет.
А Мортенсен своими идеями придумал, как поменять привычный взгляд на безработицу. Безработный в такой модели — это не человек, которому не досталось рабочего места. Он участник процесса: ищет, получает предложения, отказывается, пересматривает ожидания, соглашается, увольняется, снова ищет. Работодатель — тоже не пассивная сторона с табличкой «ищем разработчика»: он выбирает, сравнивает, торгуется, ждет, замораживает поиск, снова ищет.
Мортенсен понял, что безработица может сосуществовать одновременно с огромным количеством вакансий. И это вовсе не потому, что кто-то тупой или рынок сломался — просто совпадение между конкретным человеком и конкретной вакансией занимает время и далеко не всегда происходит «по щелчку».
Кристофер Писсаридес
А потом Кристофер Писсаридес сделал следующий важный шаг: связал поиск с решением компаний создавать новые вакансии. Он задал простой вопрос: а откуда вообще берутся вакансии?
Так в модели 1985 года количество вакансий перестало быть чем-то данным свыше. Компания открывает позицию, если ожидаемая выгода от будущего сотрудника оправдывает стоимость поиска и найма. Именно этот механизм завершил формирование того, что и нарекли DMP-моделью.
Позже Мортенсен и Писсаридес добавили еще одну важную деталь: рабочие места не только создают, но и уничтожают. В их модели 1994 года компания может закрыть существующее рабочее место, если оно не приносит того экономического эффекта, на который рассчитывали.
Допустим, команде нужен еще один разработчик. Его работа должна принести компании деньги, но сначала придется потратиться: заплатить рекрутеру, разместить вакансию, отвлечь инженеров на собеседования, несколько недель или месяцев держать позицию открытой. И, заметьте, никто не гарантирует, что нужный человек вообще найдется.
Компания сравнивает две вещи: сколько потенциально принесет новый сотрудник и сколько будет стоить его найти. Если ожидаемая выгода достаточно велика — вакансия появляется. Если поиск слишком дорогой, зарплаты выросли или бизнесу этот сотрудник уже не так нужен — вакансию могут закрыть или вообще не открыть.
Оказалось, что безработица влияет на вакансии, вакансии — на вероятность найти работу, вероятность найти работу — на безработицу. Вот такой замкнутый круг. Именно этот механизм создания вакансий стал одной из ключевых деталей того, что потом и назвали DMP-моделью. У Писсаридеса наличие вакансии определяет условие прибыльности: компании имеет смысл держать позицию открытой до тех пор, пока ожидаемая ценность будущего работника оправдывает затраты на поиск.
Но и этого оказалось мало. Рабочие места ведь не только появляются, но и исчезают. В 1994 году Мортенсен и Писсаридес добавили в модель так называемое уничтожение рабочих мест. Это когда вчера конкретный сотрудник на конкретном месте был выгоден бизнесу, а сегодня изменилась технология, упал спрос, выросли издержки или приключилось еще что-то. Если ценность падает ниже определенного уровня, компании выгоднее уничтожить рабочее место. Так сотрудник снова оказывается в поиске.
Безработица в DMP — не кучка людей, которым не досталось стульев в детской игре. Модель рассматривает безработицу как постоянный поток. Если сегодня сто тысяч человек нашли работу, а еще сто двадцать тысяч ее потеряли, то безработица выросла. В следующем месяце процесс может развернуться в обратную сторону.
Подведем промежуточный итог:
Даймонд помог построить теорию рынков, где поиск занимает время, стоит ресурсов и создает внешние эффекты.
Мортенсен вместе с Даймондом описал механизм двустороннего поиска и сопоставления, а затем исследовал поведение работников и компаний внутри рынка труда.
Писсаридес связал этот механизм с созданием вакансий и динамикой всего рынка труда, а позднее вместе с Мортенсеном — еще и с уничтожением рабочих мест.
Итак, мы пришли к главному: 100 тысяч безработных и 100 тысяч вакансий вовсе не означают 100 тысяч трудоустройств. Все гораздо сложнее: механизм сопоставления может работать хорошо, плохо или просто отвратительно. За анализ мира, где люди и рабочие места существуют одновременно, но в упор друг друга не видят, эти трое экономистов и получили премию.
И вот теперь, когда мы рассмотрели все три слоя, у нас появляется весь механизм, который понадобится дальше для разговора про российский IT.
Как Писсаридес превратил рынок труда в динамическую систему
Мы выяснили, что люди ищут работу, компании ищут людей, поиск занимает время и поэтому безработные каким-то загадочным образом умудряются существовать одновременно с незакрытыми вакансиями. А Писсаридес смог превратить это наблюдение в работающую модель.
Для ее понимания достаточно разобраться с тремя вещами:
почему одинаковое количество людей и вакансий может давать совершенно разное количество наймов;
почему безработица может перестать расти, но при этом никуда не исчезнуть;
почему для работодателя важно понимать, с какой скоростью вакансия вообще может закрыться и на что эта скорость влияет.
Чтобы это все выяснить, экономисты вывели формулы.
Формула № 1. Люди плюс вакансии — не равно наём
Итак, начнем с функции сопоставления:
Разберемся с обозначениями:
— люди, которые ищут работу;
— открытые вакансии;
— сколько реальных совпадений, то есть наймов, получилось;
— насколько эффективно рынок умеет превращать людей и вакансии в эти совпадения.
Нобелевский комитет описывает смысл функции примерно так: она связывает число ищущих работу, число вакансий и поток новых наймов. Формула позволяет учесть детали, которые обычная модель рынка предпочитает не замечать: информационные проблемы, географию и другие поисковые трения.
Но давайте подойдем проще, без математики. Представим два города. В первом есть тысяча разработчиков, которые ищут работу, и открыта тысяча вакансий. Во втором — тоже тысяча разработчиков и ровно тысяча вакансий. Казалось бы, цифры одинаковые, значит, и рынки тоже.
Но в первом городе вакансии подробно описаны, работодатели показывают зарплаты, объясняют требования, и они соответствуют реальной работе. Интервью занимают неделю, а навыки кандидатов примерно совпадают с тем, что нужно компаниям.
Во втором городе все обстоит иначе. Там работодатель ищет джуна с пятью годами опыта, зарплата выясняется только после шестого интервью, половина вакансий давно заморожена, а кандидаты рассылают резюме автоматически по 300 позициям. Рекрутеры при этом в ответ ставят автоматические фильтры и отсеивают половину людей не глядя.
Получается, имея одинаковые (U) и (V), получаем совершенно разное количество реальных наймов (M) — вот зачем в формуле нужна (A). Между (U) и (V) есть механизм сопоставления, и он может работать очень по-разному.
Допустим, за месяц наши 10 000 безработных и 2000 вакансий дали 1000 наймов. У соискателя возникает вопрос: каков его шанс выбраться из лабиринта бесконечного поиска и наконец получить работу?
Упрощенно это можно записать так: 
Это означает, что число состоявшихся наймов мы делим на число людей, которые искали работу.
В нашем условном примере:
%
Грубо говоря, за месяц работу нашел каждый десятый из находившихся в поиске.
У компании вопрос симметричный: какова вероятность закрыть вакансию?
В этом случае считаем так: 
В нашем примере: 
%
То есть при очень сильном упрощении половина имеющихся вакансий превратилась в наймы.
В официальном описании DMP это две стороны одного механизма: отношение потока совпадений к числу безработных показывает скорость нахождения работы, а отношение того же потока к числу вакансий — скорость закрытия вакансии.
И в этот момент можно заметить явное противоречие. Когда вакансий относительно безработных много, работнику легче найти работу, но работодателю труднее найти человека. Когда безработных много, а вакансий мало — наоборот: компании получают огромный выбор, зато каждый отдельный кандидат ищет работу гораздо дольше.
У экономистов даже есть отдельное обозначение для этого соотношения: 
Так они измеряют напряженность рынка труда. Если θ высокая — вакансий относительно много, работников мало, рынок удобнее для кандидата. Если θ низкая — кандидатов относительно много, вакансий мало, рынок удобнее для работодателя. Писсаридес использует это соотношение в своей модели: чем рынок «напряженнее», тем быстрее безработный находит работу и тем сложнее компании закрыть вакансию.
Теперь добавим к нашей формуле время.
Формула № 2. Безработица как ванна с двумя трубами
Мы обычно смотрим на безработицу как на запас: есть миллион людей без работы. Компании остается только радостно нанимать кого-то из этой толпы людей. DMP меняет угол зрения и предлагает посмотреть на желающих найти работу как на поток.
Представьте ванну. Из одной трубы в нее постоянно льется вода — люди теряют работу. Из другой вода постоянно уходит — люди находят новую. Важная мысль: количество воды в ванне зависит от скорости обоих потоков.
С безработицей то же самое:
— вероятность потерять работу за определенный период;
— вероятность безработного найти работу за тот же период.
Тогда в простейшей версии модели равновесная безработица: 
. Это та формула, которую и приводит Мортенсен в своей Нобелевской лекции для базовой DMP-модели.
Возьмем условные цифры. Допустим, каждый месяц работу теряют 2% занятых: s = 0{,}02
А среди безработных за месяц новую работу находят 
Получаем: 
Теперь представим, что увольнять людей чаще не стали. Показатель остается на прежнем уровне в 2%. Зато искать работу стало вдвое тяжелее, и за месяц ее теперь находят только 10% безработных.
Получаем: 
Ни одной дополнительной волны увольнений не произошло. Просто люди стали медленнее выходить из безработицы, и ее равновесный уровень резко вырос. Если, наоборот, работу начинают терять чаще, но рынок очень быстро нанимает этих людей снова, то всплеск увольнений вовсе не обязательно превращается в многолетнюю массовую безработицу.
Получается, для оценки рынка нужно анализировать две скорости: как быстро люди попадают в ситуацию безработицы и как быстро из нее выходят. Равновесие наступает в момент, когда эти потоки сравнялись. Если за месяц работу потеряли условные 100 тысяч человек и примерно 100 тысяч безработных ее нашли, количество безработных не растет. Но это не означает, что безработных нет. Ведь в ванне все еще есть вода, просто теперь из нее вытекает примерно столько же, сколько втекает.
В DMP равновесная безработица — это состояние, где поток входящих в безработицу примерно равен потоку выходящих из нее. Нобелевский комитет именно так это и описывает: уровень безработицы перестает меняться, когда приток из занятости равен оттоку обратно в занятость.
Модель действительно полезна, потому что формулы позволяют ответить на вопросы, что будет, если компании начнут быстрее уничтожать рабочие места, или если если людям понадобится в среднем больше времени на поиск, или если число вакансий относительно кандидатов станет меньше?
Модель не выдаст курс безработицы на следующий вторник, но помогает понять направление изменений и построить вероятные сценарии.
Формула № 3. Потери компании от незакрытых вакансий
Теперь посмотрим на эту же систему глазами работодателя. Когда человек два месяца не может найти работу, мы понимаем, что поиск имеет свою цену: приходится тратить накопления, время и силы. Но и вакансия тоже может месяцами оставаться незакрытой. И для компании это тоже имеет свою цену, это совсем не бесплатная строчка на hh.ru.
Вспомним формулу: 
. В базовой модели это скорость заполнения вакансий. Предположим, что в течение месяца вероятность закрыть открытую позицию составляет примерно 25%. Если считать эту вероятность постоянной и упростить реальность, среднее время до заполнения вакансии получится примерно: 
месяца.
Для бизнеса это неприятно и даже больно. Ведь все эти четыре месяца нужно платить рекрутеру, тимлидов и разработчиков отправлять на интервью вместо основной работы, а команде работать без нужного человека. Растут сроки, стопорятся задачи, ущерб деньгам, репутации перед клиентам, и даже снижение мотивации сотрудников. Для компании ключевым становится то, во сколько обойдется попытка найти человека и вероятность вообще закрыть нужную позицию.
Вакансия в модели Писсаридеса — это фактически инвестиционный проект. Компания несет расходы сегодня ради надежды получить прибыль в будущем — от нового сотрудника. Если ожидаемая ценность вакансии оправдывает затраты — имеет смысл ее создать. Если поиск становится слишком долгим и дорогим, зарплата слишком высокой или ожидаемая отдача от нового работника слишком низкой — создавать вакансию может стать невыгодным. Писсаридес в Нобелевской лекции сравнивал незаполненную вакансию с инвестиционным проектом, который еще не начал приносить доход.
И вот наши три формулы складываются в единую модель. С помощью функции сопоставления мы вычисляем из количества людей и вакансий число наймов. Далее вычисляем скорость, с которой человек находит работу, и скорость, с которой компания закрывает вакансию. А с помощью скорости нахождения работы и скорости уничтожения рабочих мест — какой уровень безработицы может удерживаться на рынке. При этом сложность и стоимость заполнения вакансий влияет на то, сколько новых вакансий компании вообще захотят создавать. Так рынок труда становится динамической системой.
Натягиваем модель Писсаридеса на IT
Самая простая версия происходящего на IT-рынке: вакансий стало меньше, кандидатов — больше, поэтому искать работу стало сложнее. Это полуправда, которая объясняет далеко не все. Давайте не будем ею довольствоваться, а заглянем чуть глубже.
Если вернуться к функции сопоставления, есть еще один подозреваемый в сломанном рынке — та самая эффективность 
. То есть способность рынка превращать существующих кандидатов и существующие вакансии в реальные наймы. Помним, что даже если кандидатов стало больше, число подходящих совпадений может, наоборот, уменьшиться.
Представим рынок, где есть тысяча открытых вакансий и десять тысяч соискателей. Выглядит как рай для работодателя: десять человек на место — выбирай кого хочешь. Но из десяти тысяч кандидатов семь тысяч — начинающие разработчики после курсов и первых пет-проектов. Еще две тысячи — специалисты из смежных областей, недавно перешедшие в новую отрасль. При этом значительная часть вакансий рассчитана на мидлов и сеньоров, которые уже несколько лет работали с высоконагруженными системами, распределенными базами данных или конкретным промышленным стеком.
Вот и получается, что формально людей на рынке много. Но при этом для компании, которой нужен условный SRE с опытом эксплуатации Kubernetes-кластера на тысячи нод, ничего не изменилось. Показатель «резюме на вакансию» без разбивки по квалификации лишь создает иллюзию бесконечного выбора. На бумаге на одну вакансию может приходиться двадцать кандидатов, а в реальности работодатель может просмотреть эти двадцать резюме и не найти ни единого человека, которому готов сделать офер.
Для кандидатов картина диаметрально противоположна. Человек открывает hh[.]ru и видит сотни вакансий разработчиков. Только для одной нужно еще знать Go, для другой иметь коммерческий опыт с Kafka, а для третьей — стаж в финтехе. Еще для одной хотят английский уровня native, а пятая вообще висит третий месяц, и неизвестно, нанимают ли туда еще кого-нибудь или можно забыть и закрыть. То есть проблема не в 
и 
, а в самом механизме сопоставления.
Есть еще одна причина, почему кандидаты и вакансии могут с трудом находить друг друга: рынок способен перестроиться быстрее, чем успевают перестроиться навыки людей. Во время бурного роста компания может позволить себе роскошь. В команде не хватает бэкенд-разработчика? Наймем человека, который знает близкий стек, и доучим. Нужен мидл? Наймем сильного джуна и дадим ему полгода на рост. Кандидат совпадает с вакансией на семьдесят процентов? Ничего страшного, остальное прокачает в процессе работы. В ситуации, когда рынок на пике, даже нанять человека чуть заранее бывает рациональным: сегодня он нужен не очень сильно, но через полгода команда вырастет и место все равно появится, а нам уже не надо будет никого искать.
Но вот рост заканчивается, бюджеты сокращаются, а каждый новый наем приходится защищать перед руководством. Тогда логика меняется, причем довольно резко. Теперь компании нужен не просто человек с более менее подходящим опытом и стеком. Им нужен тот, который уже делал ровно то, что предстоит делать здесь — должны совпадать стек, нагрузка, отрасль, архитектура, модель бизнеса… И в этот момент появляются вакансии, похожие на описание предыдущего члена команды: нужен человек, который буквально уже был этим человеком где-нибудь еще. Причина банальна: чем меньше запас денег, тем выше цена ошибки. И вот уже отпадает желание покупать кота в мешке и обучать его за свой счет новым трюкам.
Так мы и приходим к истории, когда число кандидатов — больше, требования к совпадению — жестче, а тех, кого компания считает достаточно подходящими для найма прямо сейчас — меньше. Так выглядит ухудшение сопоставления.
А теперь добавим к этой прекрасной картине приход ИИ — жить с ним стало лучше, жить с ним стало веселее
На бумаге ИИ должен был повысить эффективность сопоставления. Кандидату проще адаптировать резюме под конкретную вакансию и быстрее писать сопроводительное письмо. Рекрутер в разы быстрее разбирает сотни резюме, ведь алгоритм сам сопоставляет навыки с требованиями. Все в плюсе! Только есть одна маленькая проблема: автоматизация удешевила не качественный поиск, а массовый поиск. Раньше отправить сто осмысленных откликов было трудозатратно. Нужно открыть вакансию, прочитать требования, поправить резюме, написать письмо. А теперь — магия! — значительную часть этого процесса можно автоматизировать. Если раньше человек отправлял десять откликов в день, сегодня технически ничто не мешает отправить сотню.
Может, вероятность ответа и падает, но даже так это выглядит как рациональная стратегия. Не отвечают на десять откликов? Отправлю сто. Не отвечают на сто? Отправлю пятьсот.
Для работодателя результат выглядит так: на вакансию поступает лавина заявок, среди которых очень сложно отличить действительно заинтересованного и подходящего кандидата от человека, который просто откликается везде. Поэтому работодатель тоже все автоматизирует: фильтрация резюме, ранжирование кандидатов, автоматический скрининг до беседы, дополнительные фильтры и проверки.
Так мы приходим к нескончаемой гонке вооружений. Кандидаты используют ИИ, чтобы пройти фильтры работодателя, а работодатели используют ИИ, чтобы отфильтровать тексты, которые кандидаты написали с помощью ИИ. Рынок получает все больше информации, качество которой становится все дороже и сложнее проверять. Стоимость производства информации упала почти до нуля. Стоимость проверки того, что за этой информацией стоит подходящий человек, — выросла.
Так ИИ, который должен был улучшать сопоставление, сделал его временно только хуже. А рынок просто еще не успел перестроить правила игры. То, что вакансии стали чаще отсеивать и выставлять больше фильтров, — не только вина ИИ и заговор злых рекрутеров. Основная проблема в другом: компании стали осторожнее тратить деньги, цена ошибочного найма выросла, а структура спроса сместилась в сторону более опытных специалистов. В придачу кандидатов на рынок выходит больше, особенно новичков, при этом многие задачи джунов отобрал ИИ, а число откликов тот же ИИ и увеличил. Ну и вишенка на торте — кандидаты помнят прошлые светлые времена с высокими зарплатами и дефицитом сотрудников. Но реальность изменилась, и совпадения теперь происходят заметно сложнее. Налицо кризис сопоставления.
Как «Золотая подушка» влияет на эффективность сопоставления
Для Писсаридеса было важно, насколько человеку выгодно оставаться без работы и продолжать поиск. В государственной политике одним из главных факторов являются пособия по безработице. Если человек может долго получать высокий доход вне занятости, ему нет необходимости принимать первое попавшееся предложение.
Это порождает два эффекта:
— Положительный: человек получает возможность не соглашаться на заведомо плохую работу и искать действительно подходящую позицию.
— Отрицательный: если ценность ожидания становится слишком высокой, поиск затягивается и равновесная безработица увеличивается.
А теперь вернемся к нашему родненькому IT. У разработчиков роль пособий по безработице заменили накопления. У части специалистов после предыдущего периода высоких доходов появились накопления, выходные пособия, инвестиции, подработка на фрилансе. Конечно, это не эквивалент государственного пособия из модели. Мы переносим общий механизм: высокая ценность пребывания вне занятости повышает способность человека продолжать поиск.
И тут мы оказываемся в тупике. Специалист сидит без работы, вакансия остается незакрытой. Все участники процесса теряют деньги. Перед нами тот самый парадокс, за анализ которого дали Нобелевскую премию.
Что именно сломалось: четыре диагноза вместо одного «кризиса»
После всего озвученного выше фраза «IT-рынок сломался» немного раздражает, правда? Потому что сломаться могли совершенно разные вещи, а внешне результат выглядит одинаково: кандидаты месяцами ищут работу, компании месяцами не закрывают вакансии, все друг другом недовольны.
Но если разложить происходящее через DMP-модель, можно выделить четыре разных проблемы.
Компании стали меньше нанимать
Компания вчера планировала нанять десять разработчиков, а сегодня — бюджет позволяет только двух. Новый проект отменили, расширение команды отложили, а уволившегося сотрудника решили не заменять.
Если проблема в том, что компании не хотят создавать рабочие места, бесполезно бесконечно улучшать резюме и подстраиваться под рекомендательные алгоритмы: можно идеально сопоставлять людей с вакансиями, но если самих вакансий стало вдвое меньше, это не вернет прежней реальности.
Вакансии и люди есть, но почему-то не находят друг друга
Эта ситуация уже интереснее. Работа на рынке есть, люди тоже, но между ними как будто выросла стена, уж простите за поэтическое сравнение.
Компании говорят: «Мы получили 500 откликов и не нашли человека».
Кандидаты говорят: «Я отправил 200 откликов, и меня никуда не позвали».
Кажется, что здесь явно кто-то если не врет, то сильно не договаривает. Но на самом деле обе стороны могут нисколько не кривить душой.
Пятьсот кандидатов могут просто оказаться не того уровня, который ищет работодатель. Вакансия может требовать редкого сочетания навыков. В конце концов, работодатель может отсеивать людей слишком дотошно. А кандидаты — массово откликаться туда, куда формально не подходят. Вилка может не совпасть с ожиданиями. Процедура найма может занимать столько времени, что хороший кандидат успевает принять другой офер. Вот и оказывается, что проблема уже не в количестве 
и 
, а в том, насколько хорошо они превращаются в 
— реальные наймы. Это наш старый знакомый 
: эффективность сопоставления.
Зарплатный разрыв
Представим разработчика, который несколько лет получал 350 тысяч рублей. Он выходит на рынок и видит вакансии на 200–230 тысяч. С его точки зрения рынок сошел с ума. Но мы ведь помним, что с ума сходят по отдельности, а гриппом болеют вместе. Работодатель размышляет прагматично: «У меня сотни кандидатов. Почему я должен платить 350К?»
И начинается странное противостояние, в котором вакансия существует, кандидат существует, навыки вполне совпадают — но найма все равно не происходит.
И здесь из-за угла выглядывает та самая «золотая подушка». Потому что когда у специалиста нет денег и работу нужно найти за две недели, он соглашается гораздо быстрее и не крутит носом.
Но когда подушка есть, то один продолжает искать работу, а второй — сотрудника. Даже если технически они могли бы прекрасно друг другу подойти.
Растет цена ошибки при найме
Этот аспект напрямую переменной DMP не описан, но хорошо ложится в ее экономическую логику.
Когда денег становится меньше, риск становится непозволительной роскошью. Если тебе выделили бюджет на одного специалиста вместо пяти, хочется, чтобы этот единственный человек умел все необходимое еще до начала работы.
Для бизнеса поиск идеального совпадения с ожиданиями — это рациональная попытка снизить риск. Но для рынка получается очередное трение: окно допустимого совпадения вновь сужается, а поиск удлиняется.
Особенно сильно это бьет по начинающим. Джун по определению не может доказать, что пять лет успешно выполнял ту работу, на которую его хотят нанять. Его ценность для компании состоит как раз в потенциале вырасти. Если компании перестают хотеть платить за этот рост, вход в профессию резко усложняется.
Вот и получается, что «кризис IT» — это не одна болезнь, а череда проблем. И лечить падение спроса, плохое сопоставление, зарплатный разрыв и страх ошибочного найма одним универсальным советом в духе «просто лучше составляйте резюме» примерно так же полезно, как лечить температуру, перелом и аллергию одной таблеткой.
Скрытый текст
Что же делать в такой ситуации?
Писсаридес различает пассивную и активную политику рынка труда.
Пассивный вариант — это ждать, пока рынок сам придет к равновесию.
Активный вариант — оказывать поддержку так, чтобы человек быстрее снова стал подходящим кандидатом для существующей работы. Речь про обучение, переквалификацию, помощь в поиске, консультации, улучшение информированности о вакансиях и стимулы вернуться на рынок труда, а не ждать пока иссякнет «подушка безопасности». То есть всеми возможностями повышать 
, эффективность сопоставления.
А что там ИИ
И пришло время вспомнить про ИИ. Недавно Писсаридес затронул и эту тему. В июле 2026 года он выступил с президентской лекцией AI Disruptions in the Labour Market на конференции Royal Economic Society, а затем дал интервью Bloomberg. Главная мысль речи примерно такая:
ИИ уже меняет работу, но пока нет оснований ждать ни массового уничтожения рабочих мест, ни великого бума производительности.
Писсаридес довольно прохладно отзывается о прогнозах грядущего взрыва производительности. Он говорит, что пока не видно заметного прироста и что повторения компьютерного бума 1980–1990-х он не ожидает. Аргументирует это тем, что ИИ затрагивает далеко не всю экономику. По его оценке, примерно треть — до 40% — рабочих мест могут остаться почти не затронутыми ИИ. В пример он приводит уход за людьми, гостиничный бизнес и другую работу, где особенно важны личное взаимодействие, коммуникация и эмпатия.
В защиту его позиции работает простая арифметика. Допустим, ИИ сделал финансиста в два раза производительнее. Это отличная новость для финансиста и банка, в котором он работает. Но медсестра, официант, сиделка или сотрудник гостиницы от этого автоматически в два раза быстрее работать не начинают. Чтобы ИИ заметно разогнал производительность всей экономики, рост в тех секторах, которые действительно хорошо автоматизируются, должен быть огромен.
На конференции Писсаридес именно об этом и говорит: ожидать высоких темпов общего роста непрактично. А еще экономист не увидел пока того самого массового уничтожения рабочих мест, которым нас пугают последние несколько лет. Пока технология в основном меняет задачи внутри профессий и организацию работы, а не уничтожает профессии целиком.
В июле на другой лекции Писсаридес заявил, что тезис о том, что люди сейчас массово потеряют работу из-за ИИ, несостоятелен и охватывает лишь небольшую часть картины; если смотреть на макроэкономику целиком, то ИИ пока мало влияет на занятость. При этом он не оспаривает, что какие-то рабочие места действительно исчезнут, но появятся другие, а главной проблемой станет переход людей между ними и получение новых навыков.
Писсаридес приводит пример юристов. Раньше старший юрист мог отдать младшему сотруднику или паралигалу сбор информации, подготовку документов и другую рутинную работу. Теперь часть этого старший специалист может сделать с большой языковой моделью самостоятельно. Казалось бы, отлично: производительность выросла, профит! Но только откуда тогда через десять лет возьмется следующий старший юрист?
Раньше человек входил в профессию через младшие позиции, выполнял простую работу, учился внутри компании и постепенно продвигался вверх. Если ИИ съедает нижнюю ступень карьерной лестницы, возникает проблема воспроизводства навыков и перехода между уровнями квалификации. Эту проблему Писсаридес поднимал еще раньше: если большие языковые модели возьмут на себя задачи младших сотрудников, профессиям придется придумать новый способ обучать будущих специалистов.
При этом, с другой стороны, ИИ сам создает дополнительный спрос. Писсаридес упоминает строительство дата-центров, кибербезопасность, обслуживание IT-систем, программирование и анализ данных — инвестиции в цифровые технологии поддерживают занятость в этих областях.
Теперь становится понятнее, почему нобелевского лауреата интересует не только то, на сколько процентов копайлот ускорил программиста. Для рынка труда куда важнее, куда после этого переместятся люди и рабочие места и насколько болезненным окажется путь между старой и новой точкой равновесия.
