# Нандан Нилекани о трансформации IT-рынка и рисках ИИ

Источник: https://www.youtube.com/watch?v=0xefXs4BVxU
Канал: NDTV Profit
Опубликовано: 17.02.2026

---

## Будущее IT-профессий: трансформация навыков и вызовы «коричневого поля»
[[JUMP:0:00]]

В эпоху стремительного развития искусственного интеллекта рынок труда в сфере информационных технологий ожидает масштабная трансформация. По мнению сооснователя Infosys Нандана Нилекани, потребность в человеческих кадрах сохранится, однако сам характер работы претерпит существенные изменения: на смену классическим ролям, таким как ручное тестирование (QA) или линейная разработка, придут новые специализации, включая AI-инженеров, специалистов по форвард-развертыванию (forward deployment engineers) и аналитиков данных. Основной задачей компаний станет глубокое переобучение текущего персонала для подготовки к новым бизнес-реалиям.

### Проблема «гринфилда» против сложности реальных систем
[[JUMP:0:51]]

В дискуссиях о продуктивности, генерируемой ИИ, часто наблюдается перекос в сторону так называемых «гринфилд»-проектов (разработки с нуля), что не отражает реальную ситуацию в корпоративном секторе. Нандан Нилекани подчеркивает, что создание кода с нуля с помощью ИИ — относительно простая задача: современный инструмент способен генерировать миллионы строк кода.

Однако реальность крупных предприятий кардинально иная:

* **Технический долг:** Компании обладают инфраструктурой, в которую вложены триллионы долларов, и сталкиваются с устаревшими системами.
* **Отсутствие документации:** Существуют критически важные системы, документация по которым фактически отсутствует.
* **Зависимость от ветеранов:** Нередко решение проблем в старых системах требует привлечения специалистов в возрасте 70–75 лет, так как только они понимают логику работы этих решений.

По словам Нилекани, модернизация подобных «браунфилд»-систем (существующих корпоративных решений) значительно сложнее, чем написание нового кода, а чрезмерный фокус на «гринфилд»-продуктивности искажает понимание реальных потребностей бизнеса.

### Риски «фейковой продуктивности» и необходимость контроля
[[JUMP:2:08]]

Внедрение ИИ требует предельной концентрации и строгого управления, иначе организации рискуют создать новую форму «ИИ-наследия». Если бесконтрольно генерировать контент и код, через пять лет накопленный объем некачественных данных станет сложнее поддерживать, чем любую текущую legacy-систему.

Нилекани приводит пример «фейковой продуктивности», когда ИИ используется лишь для имитации бурной деятельности: один сотрудник просит ИИ раздуть короткое письмо до десяти абзацев, чтобы впечатлить коллегу, а тот использует ИИ, чтобы сжать эти десять абзацев обратно в один. В такой ситуации обе стороны задействовали нейросети, но реальный результат оказался нулевым.

Для того чтобы инвестиции в ИИ приводили к реальному росту показателей, эксперт настаивает на внедрении строгих стандартов:

1.  **Руководства по использованию:** Четкие правила того, где и зачем применять ИИ.
2.  **Контроль качества (Quality gates):** Механизмы проверки результата перед его внедрением.
3.  **Объяснимость (Explainability):** Понимание логики работы систем, чтобы инвестиции превращались в performance, а не в «вымышленную деятельность».