ИИ-дефляция в IT: почему сервисные компании растут без новых рабочих мест

Коротко: индийский IT-сектор стал удобным рентгеном для рынка услуг: компании наращивают выручку и прибыль, но нанимают меньше людей. ИИ забирает задачи, на которых раньше держались младшие специалисты и большие сервисные команды, поэтому бизнесу пора считать не «сколько людей нужно», а «какие процессы можно закрыть машиной».

В старой IT-модели рост почти всегда тянул за собой новый найм: больше проектов, больше разработчиков, больше тестировщиков, больше аналитиков, больше менеджеров. Индийские аутсорсинговые гиганты десятилетиями жили именно так. Клиент передавал работу, подрядчик набирал людей, маржа появлялась на масштабе.

Сейчас эта связка ломается. Спрос на активные вакансии в технологическом секторе Индии упал до минимума за 28 месяцев, а крупнейшие IT-компании показывают странную на первый взгляд картину: бизнес ещё растёт, но рабочие места исчезают. Для владельца бизнеса в России это не далёкая история про Бангалор, а сигнал: любая сервисная функция — поддержка, продажи, аналитика, разработка, маркетинг — уже проходит через ИИ-дефляцию. В Эпоха ИИ мы видим тот же сдвиг в прикладных задачах: рутину всё чаще выгоднее автоматизировать, чем расширять штат.

1. Что происходит с индийской IT-машиной?

Индийская IT-машина больше не растёт по старому правилу «выручка вверх — штат вверх». По данным отраслевых разборов, активный спрос на IT-вакансии в Индии в июне 2026 года просел до 28-месячного минимума, хотя сами компании не похожи на тех, кто вот-вот развалится.

Парадокс виден в цифрах. Infosys говорила инвесторам, что ИИ уже приносит 8,2% её выручки, и этот показатель растёт двузначными темпами квартал к кварталу. В тот же период компания снизила прогноз годового роста: после 19,7% в FY22 ожидание упало примерно до 1,5–3%.

У TCS похожая история: компания объявляла о сокращении 12 000 ролей, фактически убрала около 8 000 и потратила на перестройку 1 400 крор рупий. При этом выручка в рупиях выросла на 4,6%. У LTIMindtree прибыль выросла примерно на 20%, но штат сократился на 3 292 человека. У Tech Mahindra прибыль тоже росла около 20%, а численность снизилась на 863 сотрудника.

Это и есть ИИ-дефляция: единица работы дешевеет, потому что часть задач забирает модель. Компании могут вести сопоставимый объём проектов меньшим числом людей. Раньше для этого нанимали новых сотрудников, сейчас используют автоматизацию, шаблоны, агентные цепочки и жёстче следят за маржей.

2. Какие рабочие места исчезают первыми?

Первыми пропадают роли, где человек служил прослойкой между задачей и шаблоном: младшие разработчики, тестировщики ручных сценариев, саппорт первой линии, аналитики, которые собирают отчёты, контент-специалисты на типовых текстах и операторы, переносящие данные между системами.

Дело не в том, что ИИ «лучше человека» во всём. Он дешевле и быстрее там, где контекст повторяется:

• переписать код по понятному примеру;
• найти типовую ошибку в логе;
• собрать черновик отчёта из таблиц;
• ответить клиенту по базе знаний;
• заполнить карточку в CRM;
• классифицировать входящую заявку;
• подготовить первое описание товара или услуги;
• проверить текст по формальным правилам.

Раньше такие задачи были входом в профессию. Младший сотрудник делал рутину, учился на ней и постепенно рос. Теперь компания задаёт неприятный вопрос: зачем платить за обучение человека на операции, которую модель делает за секунды и не просит повышения?

Для бизнеса это выглядит выгодно, но риск остаётся. Если просто вырезать младшие роли, через два-три года может не остаться специалистов среднего уровня. Поэтому сильные компании не только убирают рутину, но и перестраивают обучение: дают новичкам меньше ручного копирования и больше работы с проверкой, архитектурой, данными, промптами, процессами.

3. Почему выручка растёт, а вакансии исчезают?

Выручка может расти без найма, если компания продаёт не часы людей, а результат процесса. ИИ работает как раз в этой точке: снижает себестоимость типовой операции, а клиент по-прежнему платит за закрытую задачу.

В аутсорсинге это видно особенно хорошо. Раньше проект считали через людей и месяцы, теперь часть работы уходит в автоматизированный конвейер. Один сильный инженер с набором ИИ-инструментов может закрыть объём, для которого раньше нужна была маленькая команда. Один менеджер поддержки может следить за диалогами, которые раньше забирали несколько операторов. Один аналитик может собирать отчёты, которые раньше вручную делали по пятницам.

Люди из процесса не исчезают. Дорожают те, кто умеет:

• поставить задачу так, чтобы модель не ляпала лишнее;
• проверить результат и поймать ошибку;
• связать ИИ с CRM, базой данных, сайтом и мессенджерами;
• измерить эффект в деньгах, а не в «стало удобнее»;
• отвечать за процесс, когда модель ошиблась.

Цена «рук» падает, цена ответственности растёт. Поэтому массовая IT-машина ломается: она держалась на продаже большого количества часов, а рынок всё чаще покупает автоматизированный результат.

4. Что это значит для владельцев бизнеса?

Для владельца бизнеса вывод простой: если процесс повторяется каждый день, его пора проверить на автоматизацию. Не с лозунгом «заменим всех ИИ», а по конкретным операциям, где люди тратят время без пользы для клиента или продукта.

Начните с четырёх вопросов:

1. Где сотрудник каждый день копирует данные из одного места в другое?
2. Где клиент ждёт ответа дольше нескольких минут?
3. Где менеджер принимает однотипные решения по шаблону?
4. Где отчёт появляется поздно, хотя данные уже лежат в системах?

Если хотя бы на два вопроса ответ очевиден, там есть кандидат на ИИ-агента или автоматизацию. Например, входящие заявки можно автоматически раскладывать по типам, клиентам отвечать по базе знаний, карточки товаров готовить по одному фото, а отчёты по маркетплейсам собирать в дашборд без ручного Excel.

В Эпоха ИИ мы обычно начинаем не с выбора модели, а с бесплатного аудита процессов. Модель сама по себе ничего не чинит. Работает связка: понятный сценарий, база знаний, интеграции, контроль качества и метрики в CRM или личном кабинете.

5. Что это значит для подрядчиков и внутренних IT-команд?

Подрядчикам и внутренним IT-командам придётся перестать продавать занятость. Клиенту всё меньше важно, сколько часов ушло на задачу, если соседний подрядчик даёт тот же результат быстрее через ИИ-конвейер.

Это меняет три привычки.

Первая — оценка задач. Команда должна честно делить работу на творческую, инженерную и шаблонную. Шаблонную часть автоматизируют первой. Если команда этого не сделает, её автоматизирует конкурент и придёт с меньшей ценой.

Вторая — контроль качества. ИИ ускоряет работу, но ошибки тоже масштабирует. Нельзя просто дать модели доступ к клиентским данным и надеяться, что всё будет нормально. Нужны тестовые сценарии, журнал действий, ограничения по данным, ручная эскалация и понятная зона ответственности.

Третья — упаковка услуги. «У нас пять разработчиков на проекте» больше не выглядит преимуществом. Сильнее звучит другое: «мы запускаем MVP за 7–10 дней, подключаем CRM и мессенджеры, следим за токенами, дообучаем систему на новых данных и показываем KPI в личном кабинете». Этого ждёт бизнес, когда платит за результат, а не за процесс.

6. Где ИИ-дефляция уже видна в российских задачах?

В российских компаниях сдвиг чаще начинается не с разработки, а с операционки и продаж. Там быстрее видны деньги: меньше потерянных заявок, меньше ручной сортировки, дешевле первая линия.

У Эпоха ИИ есть хороший кейс по B2B-компании, которая поставляет и обслуживает промышленное оборудование. У клиента было около 120 заявок в день, четыре менеджера и медленный первый ответ: 2–4 часа. Мы подключили ИИ-продажника к Авито Pro API, Telegram, WhatsApp, виджету сайта и amoCRM. После запуска первый ответ занял 3–8 секунд, квалифицированные лиды выросли с 38 до 61 в день, конверсия в счёт поднялась с 18% до 24%, выручка выросла на 18%, а расходы первой линии снизились на 40%.

Другой пример — операционный ИИ-агент на n8n для торгово-производственной компании с потоком около 10 000 обращений в месяц. До запуска сотрудники вручную сортировали 150–200 писем в день. После подключения Bitrix24, почты и Telegram агент стал отделять целевые запросы от спама, определять категорию товара, двигать заявку по этапам и уведомлять менеджера. «Золотые» заявки перестали теряться, операционная ставка освободилась, а сохранённые сделки дали около 1 млн ₽ дополнительной прибыли.

Это та же логика, что в индийском IT, только на уровне отдельного бизнеса: рост появляется не от расширения штата, а когда убирают ручную прослойку между запросом и действием.

7. Сколько стоит внедрить такую автоматизацию?

Цена зависит от масштаба, числа интеграций и роли ИИ-сотрудника. Минимальная точка на тарифе «Старт» — внедрение от 50 000 ₽ и сопровождение от 10 000 ₽ в месяц. Для средних и крупных проектов тариф «Бизнес» начинается от 150 000 ₽ за внедрение и от 25 000 ₽ в месяц за сопровождение. Enterprise для федеральных сетей, холдингов и сложной инфраструктуры стоит от 400 000 ₽ за внедрение и от 80 000 ₽ в месяц.

Оплата идёт 50/50: половина на старте, половина после приёмки. Запуск под ключ обычно занимает 2–4 недели, первый рабочий MVP можно получить за 7–10 дней. Инфраструктура и токены оплачиваются отдельно: расход зависит от нагрузки, модели и числа диалогов.

Что входит в работу:

• аудит процессов;
• сценарий под вашу нишу;
• интеграции с CRM, сайтом и мессенджерами;
• запуск по официальному договору;
• обучение команды;
• мониторинг 24/7;
• обновление моделей;
• дообучение на новых данных;
• отчёты по работе ИИ-сотрудника.

Отдельно про безопасность. Решения Эпоха ИИ соответствуют 152-ФЗ: клиентские базы и переписки хранятся на российских серверах Timeweb, чувствительные поля маскируются перед отправкой в модель, а для крупных компаний доступен on-premise на серверах клиента.

8. Как подготовиться к рынку, где работы меньше, а требований больше?

Разумнее не ждать, пока рынок заставит сокращать людей, а заранее отделить рутину от экспертной работы. Тогда ИИ помогает сохранить маржу и скорость, а не превращается в паническое урезание бюджета.

Практический порядок такой:

1. Выпишите 10 повторяемых операций, на которые команда тратит время каждую неделю.
2. Отметьте, где есть входные данные, понятные правила и измеримый результат.
3. Выберите один процесс с денежным эффектом: заявки, ответы, отчёты, карточки, сортировка входящих.
4. Запустите MVP на ограниченном участке, не на всей компании сразу.
5. Считайте не «сколько сообщений обработал ИИ», а сколько денег, часов или заявок он сохранил.

Если у вас сильная внутренняя команда, часть работы она потянет сама. Но ей всё равно придётся держать интеграции, токены, безопасность, тесты, эскалации и обновления моделей. Если такой компетенции нет, дешевле начать с готового внедрения и передать команде уже рабочий процесс.

Похожие темы мы разбирали в статьях «5 ИИ-автоматизаций, за которые бизнес платит в 2026» и «ИИ-сотрудник и ИИ-агент для бизнеса 2026». Там фокус не на индийском рынке, а на прикладных сценариях: продажи, операционка, маркетплейсы, контент и разработка.

FAQ

Источники

• ИИ-сотрудник и ИИ-агент для бизнеса 2026, блог Эпоха ИИ (проверено: август 2026)
• 5 ИИ-автоматизаций, за которые бизнес платит в 2026, блог Эпоха ИИ (проверено: август 2026)
• Кейс: как ИИ-агент на n8n разгружает операционный отдел, блог Эпоха ИИ (проверено: август 2026)
• Как ИИ-продажник заменил первую линию отдела продаж, блог Эпоха ИИ (проверено: август 2026)
• Финансовые разделы компаний: Infosys, TCS, LTIMindtree, Tech Mahindra (проверено: август 2026)

Автор статьи

Никита Овдиенко

Строю ЭПОХА ИИ

В Telegram-канале «Никита Овдиенко | Бизнес на AI» рассказываю как ИИ помогает автоматизировать бизнес-процессы и увеличивать доход — на примере своей компании и проектов клиентов.

Подписаться