The post has been translated automatically. Original language: Russian
AI has hit the wall: why data centers have become a new tension point
Artificial intelligence is usually discussed as software. The model has become faster. The chatbot has become smarter. The code generator has learned to understand the context better. But there's a more mundane part to it all.: servers, video cards, cooling, networks, and electricity.
That's where the new race starts now.
A recent example is the USA. Reuters writes that in the country's industrial belt, the growth of Big Tech data centers is already affecting factory electricity bills. Belden Brick, a brick manufacturer in Ohio, has seen its electricity costs rise by 90%, and its monthly capacity charge — a charge for available power—has risen from $1,600 to $12,000. In one of the largest U.S. energy grid zones, which covers part of the country's East Coast and industrial belt, such payments have increased by more than 1,000% in two years.
This is not a story about AI "consuming too much." This is a story about how artificial intelligence is no longer just a digital product. It has become a physical burden on energy systems, cities, industry, and company budgets.
When a business says "we are implementing AI," this phrase often hides a simple question: where will it all work and how much will each request cost?
The cloud is not a metaphor.
The AI service looks easy for the user: he opened the interface, wrote a request, and received a response. But the "cloud" is not an abstract space. This is a specific data center with server racks, cooling systems, backup power and electrical connection.
The more companies that use AI, the higher the demand for computing. The models need to be trained, customized, run for millions of users, store data, process requests, and ensure stable service operation.
The International Energy Agency predicts that by 2030, global electricity consumption by data centers may grow to about 945 TWh. This is almost twice the current level and slightly less than 3% of global electricity consumption according to the IEA baseline scenario.
The number is not important on its own. More importantly, data centers are not evenly distributed across the planet. They are concentrated in certain regions where there are already factories, residential areas, logistics and other large consumers. Therefore, the load does not appear "somewhere in the world", but in a specific network, with a specific operator and in a specific electricity bill.
Why does this apply not only to Big Tech
You might think that the problem of data centers is the concern of Microsoft, Google, Amazon, Meta and other giants. But in practice, it quickly reaches everyone who builds AI products.
The startup connects the model via the API, and it gets the cost of the request. The company is launching an internal AI assistant - and must take into account the load, data storage, delays, security, and costs of the cloud. A B2B service scales from 10 clients to 100 — and suddenly realizes that its economy was based only on a small amount of usage.
An AI project can look great on a demo. But in production, other questions arise: which model is needed for this task, whether it is possible to use a smaller model, what to cache, where generative AI is needed, and where conventional search or classical analytics are sufficient.
This is where the line between "we added AI" and "we built a working product" runs.
Infrastructure becomes a separate market
The demand for computing is already changing businesses around AI. On July 6, Reuters reported that TeraWulf had signed a 20-year deal with Anthropic for data center infrastructure. The expected contract revenue is about $19 billion. It is important that TeraWulf used to be known as a bitcoin mining company, but now relies on AI infrastructure.
This is a good market marker. The money goes not only to models and applications, but also to platforms, electricity, GPU clusters, cooling, and long-term capacity contracts.
In other words, the next AI competition won't just be between chatbots. It will run between the infrastructures: who gets access to power faster, who uses computing more efficiently, and who can keep the cost of an AI service under control.
What does this mean for startups and IT teams?
For startups, the conclusion is simple: AI cannot be considered free magic on top of a product. Each model's response has a price. And the more successful the product, the more noticeable this price is.
Therefore, teams will have to think not only about the quality of the response, but also about the architecture. Where to use the larger model. Where a small one is enough. Which requests can be omitted from the LLM. How to store the context. How to calculate the cost of one operation. How not to turn user growth into loss growth.
This is also an important signal for IT specialists. AI does not make infrastructure professions less necessary. On the contrary, the role of cloud architects, DevOps engineers, data engineers, MLOps specialists and the FinOps approach is growing - that is, the ability to manage the cost of cloud and computing.
AI no longer lives only in presentations, interfaces, and prompta. He lives in data centers, power grids, and budgets.
The AI market is maturing. Now the question is not only which model responds better. The question is who will be able to launch AI consistently, quickly, and economically intelligently.
For businesses, this means that an AI project should be considered not as an experiment with a new feature, but as an infrastructure task. For startups, it's important to think about the cost of computing from day one. For professionals, it is to develop skills at the intersection of cloud, data, DevOps, MLOps, and infrastructure economics.
Artificial intelligence has an electricity bill. And according to this account, it will increasingly be seen which AI projects are ready for the real market, and which ones will remain a beautiful demo.
IT-карьера меняется: какие навыки становятся важными
Карьера в IT больше не выглядит как прямая лестница: выучил язык программирования, стал junior, потом middle, потом senior. Этот путь все еще существует, но вокруг него меняется рынок. Компании быстрее внедряют AI, переносят инфраструктуру в cloud, автоматизируют процессы, усиливают безопасность и требуют от специалистов не только технических знаний, но и умения работать с реальными бизнес-задачами.
Главный тренд простой: IT-специалисту уже недостаточно быть «человеком одного инструмента». Рынок все чаще ищет людей, которые понимают связку технологий: код, данные, инфраструктуру, безопасность, автоматизацию и влияние решений на бизнес.
1. AI становится базовым навыком, а не отдельной профессией
Еще недавно AI воспринимался как отдельное направление для data scientists и ML-инженеров. Сейчас он становится частью работы почти каждого IT-специалиста: разработчика, аналитика, DevOps-инженера, тестировщика, архитектора, product manager и даже системного администратора.
Stack Overflow в опросе разработчиков 2025 года показывает, что 84% респондентов уже используют или планируют использовать AI-инструменты в разработке, а среди профессиональных разработчиков 51% используют их ежедневно. Это не значит, что AI заменил разработчиков. Скорее, он стал рабочим инструментом — как IDE, Git или документация.
Но важный навык здесь не просто «писать промпты». Гораздо важнее уметь проверять результат AI: понимать, где модель ошиблась, почему код небезопасен, почему ответ не подходит к архитектуре проекта или где нужно уточнить данные.
В ближайшие годы ценность специалиста будет определяться не тем, пользуется ли он AI, а тем, насколько грамотно он встраивает AI в работу.
2. Растет спрос на гибридные роли
Мировой рынок уходит от узких ролей в сторону гибридных компетенций. Разработчику полезно понимать cloud и DevOps. DevOps-инженеру — безопасность и FinOps. Аналитику — SQL, Python, визуализацию и бизнес-контекст. Cybersecurity-специалисту — AI-риски, автоматизацию и compliance.
World Economic Forum в Future of Jobs Report 2025 относит AI, big data, networks, cybersecurity и технологическую грамотность к ключевым группам навыков, спрос на которые будет расти.
Это не значит, что каждый должен стать «универсальным солдатом». Но один сильный основной навык уже лучше дополнять смежными. Например:
разработчик + AI-инструменты + тестирование;DevOps + cloud + безопасность;аналитик + данные + автоматизация;системный администратор + Linux + cloud + scripting;product manager + AI + data-driven decision making.
Такие связки делают специалиста полезнее для компании, потому что реальные IT-задачи редко укладываются в одну дисциплину.
3. Cloud и инфраструктура остаются основой IT-карьеры
На фоне AI легко забыть, что любой цифровой продукт работает на инфраструктуре. Приложения нужно разворачивать, масштабировать, мониторить, защищать и поддерживать. Поэтому cloud, DevOps, platform engineering и инфраструктурная автоматизация остаются одними из самых устойчивых направлений.
Gartner среди стратегических технологических трендов 2026 года выделяет AI-native development platforms, AI supercomputing platforms, confidential computing и multiagent systems. Все эти направления требуют не только знания AI, но и сильной инженерной базы: архитектуры, cloud-инфраструктуры, безопасности, управления данными и надежности систем.
Для карьеры это важный сигнал. Даже если компания внедряет AI, ей все равно нужны специалисты, которые умеют строить надежную техническую основу. AI-продукт без инфраструктуры быстро превращается в дорогой эксперимент.
4. Разработка меняется: меньше рутины, больше проверки и архитектуры
AI-инструменты уже помогают писать код, объяснять ошибки, генерировать тесты и предлагать решения. Поэтому роль разработчика постепенно смещается: меньше механического написания типового кода, больше проектирования, проверки, интеграции и ответственности за качество.
GitHub в Octoverse 2025 пишет, что AI и typed languages стали одними из ключевых факторов изменений в разработке, а TypeScript вышел на первое место по числу контрибьюторов на GitHub. Это хорошо показывает общий тренд: рынок ценит код, который проще поддерживать, проверять и масштабировать.
Разработчик будущего — это не человек, который просто быстрее всех пишет строки кода. Это специалист, который понимает систему: как устроен продукт, какие есть ограничения, как проверять результат AI, как писать поддерживаемый код и как не ломать архитектуру ради быстрого решения.
5. Данные становятся карьерной валютой
AI усилил старую истину: без качественных данных нет качественных решений. Поэтому растет роль data engineers, data analysts, BI-специалистов, ML engineers и специалистов, которые умеют наводить порядок в данных.
Компании уже не хотят просто «собирать данные». Им нужно понимать, какие данные важны, где они хранятся, насколько они точны, как их использовать в процессах и как на их основе принимать решения.
Для специалистов это значит, что навыки работы с данными становятся полезными почти в любой IT-роли. SQL, Python, понимание API, визуализация, базовая статистика и умение объяснять выводы бизнесу — это уже не только для аналитиков. Это часть современной цифровой грамотности.
6. Карьера становится более динамичной
LinkedIn в Work Change Report пишет, что к 2030 году около 70% навыков, используемых в большинстве профессий, изменятся, а AI станет одним из главных факторов этого сдвига.
Это не значит, что нужно каждые полгода полностью менять профессию. Но специалистам придется чаще обновлять стек, пересматривать инструменты и учиться работать в новых форматах.
Раньше можно было годами развиваться внутри одного набора технологий. Сейчас стабильнее чувствуют себя не те, кто выучил один инструмент, а те, кто умеет адаптироваться: разбираться в новой документации, тестировать подходы, понимать принципы и переносить опыт из одной технологии в другую.
7. Soft skills становятся частью технической квалификации
В IT все еще важны hard skills. Но чем сложнее проекты, тем выше роль коммуникации. Специалисту нужно не только написать код или настроить сервер, но и объяснить решение, договориться с командой, понять ограничения бизнеса, зафиксировать риски и передать знания другим.
Это особенно заметно в ролях на стыке технологий и бизнеса: solution architect, business analyst, product manager, tech lead, cloud architect, cybersecurity consultant, AI engineer. Там ценится не только техническая глубина, но и способность переводить сложные вещи на язык решений.
Главный вывод
Мировая IT-карьера движется не в сторону одной «самой перспективной профессии», а в сторону связок навыков. AI, cloud, data, cybersecurity, DevOps и software engineering все сильнее пересекаются между собой.
Для специалиста это означает: важно выбрать основное направление, но не замыкаться в нем. Разработчику стоит понимать AI-инструменты и cloud. DevOps-инженеру — безопасность и стоимость инфраструктуры. Аналитику — автоматизацию и бизнес-контекст. Руководителю IT-команд — технологические тренды и навыки людей, которые будут их внедрять.
Карьера в IT становится менее линейной, но более интересной. Теперь рост зависит не только от того, какой инструмент вы знаете, а от того, какие задачи вы можете решать с его помощью.
Share
