Когда машина отвечает

Прогнозировали.

Первые числа описывают то, что руководители сообщили о недавнем прошлом своих фирм. Вторые — их ожидания будущего.

Их нельзя складывать в одну категорию «что ИИ уже сделал».

Даже люди, принимающие инвестиционные решения внутри компаний, пока одновременно живут в двух реальностях: небольшие измеримые эффекты сегодня и гораздо большие ожидания завтра.

В общественной дискуссии ожидания часто путешествуют быстрее фактов.

Руководитель говорит, что собирается сократить потребность в найме.

Заголовок превращает намерение в событие.

Событие превращается в тенденцию.

А тенденция — в судьбу профессии.

Так прогноз незаметно становится фактом ещё до того, как что-либо произошло.

Профессия может остаться, но стать другой

Предположим, через несколько лет должность «финансовый аналитик» по-прежнему существует.

Но аналитик больше почти не тратит время на сбор стандартных таблиц и первое суммирование отчётности. Система делает это автоматически. Зато человек больше проверяет аномалии, обсуждает сценарии с руководством, задаёт ограничения моделям и объясняет, почему красивый прогноз может быть плохим основанием для решения.

Исчезла ли профессия?

Формально — нет.

Но если половина навыков, за которые раньше нанимали молодого аналитика, теперь стоит почти ничего, рынок входа в профессию может измениться очень сильно.

Именно здесь вопрос задач соединяется с вопросом карьеры.

Работодатель покупает не название профессии. Он покупает полезные действия.

Если набор дорогих действий меняется, меняются требования к человеку, количество людей, структура команды и путь, по которому новичок становится экспертом.

Последняя проблема настолько важна, что ей посвящена следующая глава.

Пока достаточно заметить: одинаковая технология может сделать опытного специалиста продуктивнее и одновременно уменьшить количество простых задач, на которых когда-то учился начинающий.

Это не противоречие.

Это два разных уровня одной перестройки.

Где риск выше

Если отказаться от магического списка «профессий, которые ИИ уничтожит», можно увидеть более полезные признаки уязвимости.

Первый — большая доля задач существует уже в цифровой форме. Текст, таблица, изображение, код и структурированные документы легче передать программной системе, чем физически непредсказуемую работу в реальной среде.

Второй — результат задачи легко проверить или стандартизировать. Чем яснее критерий «правильно/неправильно», тем проще встроить автоматизацию в производственный процесс.

Третий — ошибка относительно дешева. Компания охотнее автоматизирует черновик внутреннего письма, чем окончательное решение, которое может привести к судебному иску, смерти пациента или потере крупной суммы.

Четвёртый — между задачей и результатом мало человеческих отношений, контекстного знания и ответственности.

Но даже эти признаки не дают формулы будущей занятости.

Потому что технология меняет не только предложение труда, но и спрос.

Если хороший перевод становится в десять раз дешевле, люди могут заказывать не прежнее количество переводов с меньшим числом переводчиков, а переводить в десять раз больше материалов. Если создание программного прототипа дешевеет, больше компаний могут позволить себе программные продукты. Если персонализированный анализ становится доступнее, появляется спрос, которого раньше не было из-за высокой цены.

Снижение стоимости труда в задаче может уменьшить число работников на единицу результата и одновременно увеличить общий объём результатов.

Какая сила победит — нельзя определить по benchmark модели.

Что мы пока не знаем

По состоянию на август 2026 года самое аккуратное описание рынка труда выглядит не особенно эффектно.

Массового, однозначно измеренного вытеснения занятости экономикой в целом пока не видно.

Но отсутствие массового эффекта не означает отсутствия локальных эффектов.

Свежая версия исследования Stanford Digital Economy Lab на административных payroll-данных ADP, охватывающих миллионы работников США до июня 2026 года, не обнаруживает широкого вытеснения занятости, связанного с ИИ, по экономике в целом. Одновременно авторы фиксируют всё больший разрыв для работников 22—25 лет в наиболее AI-exposed профессиях: их занятость оказалась примерно на 19 процентов ниже контрфактической траектории относительно менее экспонированных ровесников.

Авторы подчёркивают: это описательная закономерность, а не причинная оценка. Данные сами по себе не доказывают, какая доля разрыва вызвана генеративным ИИ.

Но игнорировать сигнал тоже было бы ошибкой.

Он показывает, почему средняя температура по рынку труда может скрывать изменения в конкретной группе.

Взрослый опытный сотрудник может не увидеть ничего похожего на «AI job apocalypse».

Молодой человек, пытающийся получить первую работу в сильно затронутой сфере, может столкнуться с совсем другой реальностью.

К этой проблеме мы вернёмся немедленно.

Пока же стоит зафиксировать границы знания.

Мы не знаем, насколько быстро компании перестроят процессы вокруг более автономных систем.

Не знаем, насколько удешевление интеллектуального труда увеличит спрос на новые услуги.

Не знаем, какие новые задачи окажутся достаточно крупными, чтобы стать профессиями.

Не знаем, какая часть автоматизации проявится как увольнение, какая — как отсутствие нового найма, а какая — просто как увеличение объёма работы на человека.

И особенно плохо мы знаем распределение последствий.

Даже если общий уровень занятости останется высоким, это не означает, что переход будет безболезненным для конкретной профессии, возраста, региона или человека.

Средняя экономика не теряет работу.

Работу теряет конкретный человек.

И создаваемое новое место не обязано появиться в том же городе, в той же отрасли, с той же зарплатой и для того же человека.

Смотреть на собственную работу иначе

Поэтому самый полезный способ думать о личном будущем начинается не с рейтинга профессий.

Не спрашивать: «Моя работа безопасна?»

У такого вопроса слишком много неизвестных.

Лучше разобрать собственный день.

Какие задачи занимают больше всего времени?

Какие из них состоят главным образом из текста, кода, изображений или структурированных данных?

Какие требуют рутинного преобразования информации, а какие — решения в условиях неполноты?

Где результат легко проверить?

Где цена ошибки высока?

Какие действия клиент ценит сами по себе, а какие лишь терпит как необходимую издержку?

Где ваша ценность состоит в производстве первого варианта, а где — в способности судить о нём?

Это не упражнение на поиск утешения.

Иногда честный ответ будет неприятным: значительная часть сегодняшней ценности работы действительно может стать дешевле.

Но даже тогда анализ задач полезнее пророчества о профессии.

Потому что он показывает не только то, что система способна забрать, но и то, вокруг чего работа может быть перестроена.

В первой части книги мы перешли от машины, которая отвечает, к системе, которая действует.

Теперь начинается следующий переход.

Когда машина выполняет действие, она меняет не только технологию работы.

Она меняет цену человеческого действия рядом с собой.

И поэтому вопрос «Заменит ли меня ИИ?» почти всегда слишком груб.

Гораздо точнее спросить:

если название вашей профессии сохранится, но половина того, за что вам сегодня платят, станет дешёвой машинной задачей, — будет ли это всё ещё та же работа?

Примечания к главе 4

1. International Labour Organization; NASK. Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140, 20 May 2025. Методика сочетает task-level данные, опрос 1 640 работников, 52 558 оценок по 2 861 задачам, международную экспертную проверку и сопоставление с ISCO-08. Глобально один из четырёх работников занят в профессии с некоторой экспозицией к GenAI; 3,3 процента мировой занятости относятся к наивысшей категории. Общая экспозиция оценивается примерно в 34 процента занятости в high-income economies и 11 процентов в low-income economies. Это оценка потенциальной экспозиции задач, а не прогноз числа увольнений. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure

2. OECD. The OECD AI exposure measure: Mapping the OECD AI Capability Indicators to occupations. OECD Artificial Intelligence Papers, No. 59, 26 May 2026. Мера сопоставляет возможности ИИ в девяти когнитивных, социальных и физических доменах с требованиями профессий; более низкий capability gap означает более высокую потенциальную экспозицию, но фактические последствия зависят от внедрения, регулирования, организационных решений и социального выбора. https://doi.org/10.1787/f3da0f0a-en

3. Brynjolfsson, E., Li, D., Raymond, L. R. Generative AI at Work. Quarterly Journal of Economics, 2025; ранняя версия NBER Working Paper 31161. Полевое исследование 5 179 сотрудников customer support: доступ к генеративному помощнику повысил производительность, измеренную количеством решённых вопросов в час, в среднем на 14 процентов. Эффекты существенно различались между группами работников; этот результат относится к конкретной службе поддержки и не является универсальной оценкой производительности GenAI. https://www.nber.org/papers/w31161

4. Hampole, M., Papanikolaou, D., Schmidt, L. D. W., Seegmiller, B. Artificial Intelligence and the Labor Market. NBER Working Paper 33509, February 2025, revised September 2025. Исследование строит task-level measures воздействия AI/ML на американские фирмы за 2010—2023 годы. Более высокая средняя экспозиция задач связана со снижением спроса на труд, тогда как возможность перераспределить усилия на менее затронутые задачи частично компенсирует эффект; productivity-driven рост фирм дополнительно смягчает общий эффект занятости. https://www.nber.org/papers/w33509

5. Humlum, A., Vestergaard, E. Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777, May 2025, revised March 2026. Исследование связывает данные об использовании AI chatbots с административными данными Дании. Авторы находят широкое изменение задач и новые AI-related activities, но получают точные нулевые оценки для earnings и recorded hours и могут исключить эффекты больше 2 процентов в первые два года после запуска ChatGPT при своей спецификации. https://www.nber.org/papers/w33777

6. Cui, K. Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., Salz, T. The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. February 2025. Объединённые данные рандомизированных полевых экспериментов в Microsoft, Accenture и анонимной Fortune 100 company охватывают 4 867 разработчиков и показывают рост числа завершённых задач на 26,08 процента для группы с AI coding assistant; отдельные эксперименты были статистически шумными, поэтому авторы объединяли данные. https://economics.mit.edu/sites/default/files/inline-files/draft_copilot_experiments.pdf

7. Yotzov, I., Barrero, J. M., Bloom, N. et al. Firm Data on AI. NBER Working Paper 34836, February 2026, revised March 2026. Опрос почти 6 000 senior business executives в США, Великобритании, Германии и Австралии. 69 процентов фирм сообщили об активном использовании AI; более 90 процентов руководителей сообщили об отсутствии влияния на занятость за предыдущие три года, 89 процентов — об отсутствии влияния на labor productivity. Прогнозы тех же руководителей на следующие три года — +1,4 процента productivity, +0,8 процента output и —0,7 процента employment — являются ожиданиями, а не наблюдёнными эффектами. https://www.nber.org/papers/w34836

8. Brynjolfsson, E., Chandar, B., Chen, R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, revised 12 August 2026. Высокочастотные административные payroll data ADP охватывают миллионы работников США до June 2026. Авторы не находят widespread economy-wide displacement, но занятость работников 22—25 лет в highly AI-exposed occupations находится примерно на 19 процентов ниже контрфактической траектории относительно менее экспонированных ровесников. Авторы прямо подчёркивают, что это descriptive pattern, а не causal estimate воздействия GenAI. https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/

9. OECD. Skills in the AI age. 8 July 2026. OECD подчёркивает три одновременно действующих канала влияния AI на рынок труда: automation existing tasks, creation of new tasks and occupations и productivity enhancement; exposure отличается от automation risk, а итоговый эффект занятости зависит от их баланса. https://www.oecd.org/en/publications/skills-in-the-ai-age_972bd15e-en.html

Глава 5. Почему первым может исчезнуть новичок

Первый день без первого задания

Представьте вполне возможную ситуацию.

Двадцатитрёхлетний выпускник приходит на первую работу в хорошую компанию. Он готов к тому, что первые месяцы будут не особенно героическими. Ему дадут собирать материалы, сверять документы, исправлять простые ошибки, делать черновики, расшифровывать разговоры, готовить таблицы, искать прецеденты, писать первые версии писем. Он будет ошибаться. Старшие коллеги будут возвращать работу с комментариями. Через год он начнёт замечать то, чего не замечал в первый день. Через три — научится отличать простую задачу от задачи, которая только выглядит простой.

Но компания уже перестроила процесс.

Черновой поиск делает система. Она же сравнивает документы, предлагает структуру ответа, пишет первый вариант письма и собирает таблицу. Старший сотрудник получает готовый материал и проверяет его. Работа стала быстрее. Клиенту не нужно оплачивать десятки часов рутины. Руководитель доволен.

Остаётся один неудобный вопрос.

Зачем компании теперь этот двадцатитрёхлетний выпускник?

В предыдущей главе мы отказались от слишком грубого вопроса «исчезнет ли профессия?» и посмотрели на работу как на набор задач. Но у такого подхода есть продолжение, которое легко пропустить. Задачи внутри профессии отличаются не только стоимостью и степенью автоматизируемости. Они выполняют ещё одну функцию.

Некоторые из них учат человека профессии.

И если система автоматизирует именно эти задачи первой, то экономия возникает сегодня, а дефицит может появиться через несколько лет.

Это и есть проблема новичка.

Рутинная работа, которую никто не любил

Большинство профессиональных карьер устроено странно. Человека не сразу допускают к самой ценной части работы.

Молодой юрист не начинает с решения стратегии многомиллионного спора. Молодой врач не получает сложнейший случай без контроля старших. Начинающий журналист не отправляется в первый день вести расследование международной коррупционной сети. Младший аналитик редко начинает с решения, от которого зависит покупка компании. Молодой программист не получает в одиночку архитектуру критической системы.

Сначала человек делает более узкую, проверяемую и часто скучную работу.

Экономически такая работа может выглядеть как неизбежная неэффективность. Старший сотрудник способен сделать её быстрее, но слишком дорог. Младший делает медленнее, зато дешевле. Одновременно он учится.

Это важная двойная функция junior work.

Она производит результат для организации и производит будущего специалиста.

Мы привыкли замечать первую функцию, потому что она появляется в счёте клиенту, табеле часов или списке выполненных задач. Вторая почти нигде не учитывается. Нет строки в бухгалтерии: «сегодня младший сотрудник научился замечать противоречия в договоре». Нет отдельного показателя: «после сорока таких таблиц аналитик начал чувствовать, когда данные подозрительны». Нет счёта за тот момент, когда молодой репортёр впервые понимает, что красивое объяснение источника не сходится с документами.

Но именно из таких повторений складывается опыт.

Поэтому мечта «пусть машина заберёт всю рутину, а человек займётся только интересным» содержит скрытую проблему. Интересная работа обычно требует навыков, которые формировались в том числе на неинтересной.

Это не значит, что человечество обязано сохранять бессмысленный ручной труд ради воспитания характера. Романтизировать рутину было бы столь же ошибочно, как романтизировать отсутствие технологий. Многие задачи действительно можно убрать без потери: бессмысленное копирование данных, механическое форматирование, повторное заполнение одинаковых форм, часы на расшифровку качественной записи.

Но не вся трудность бесполезна.

Есть различие между трением, которое ничего не учит, и трением, через которое развивается профессиональное суждение.

Проблема в том, что автоматизация сама этого различия не знает. Она просто приходит туда, где задача достаточно формализована, повторяема и экономически привлекательна для автоматизации.

А именно такой часто бывает работа новичка.

Сигнал из американских payroll-данных

По состоянию на август 2026 года у нас всё ещё нет основания утверждать, что генеративный ИИ массово уничтожает рабочие места молодых специалистов во всех странах и профессиях.

Но появился сигнал, который уже нельзя списать только на футурологию.

Исследователи Stanford Digital Economy Lab Эрик Бриньолфссон, Бхарат Чандар и Жуюй Чэнь изучают высокочастотные административные payroll-данные ADP, охватывающие миллионы работников США. В обновлённой 12 августа 2026 года версии исследования данные доходят до июня 2026-го.

Их общий результат остаётся сдержанным: признаков широкого вытеснения занятости по экономике в целом они не находят.

Но внутри среднего показателя появляется возрастной разрыв.

У работников 22—25 лет в наиболее AI-exposed профессиях занятость оказалась примерно на 19 процентов ниже той траектории, по которой она двигалась бы, если бы после конца 2022 года росла так же, как у ровесников в менее экспонированных профессиях. В июльской версии данных 2025 года разрыв по той же мере составлял около 15 процентов. Опытные работники сопоставимого разрыва не показывают.

Особенно важна не только величина, но и форма изменения.

Исследователи находят, что расхождение проявляется главным образом через более слабый найм молодых работников, а не через резкий рост увольнений уже работающих.

Это очень похоже на то, как мог бы выглядеть «тихий» технологический сдвиг.

Не обязательно приходит письмо: «вас заменил ИИ».

Вакансия просто не появляется.

Команда из пяти человек становится командой из четырёх не потому, что кого-то уволили, а потому, что после ухода сотрудника нового младшего не наняли. Старший специалист с инструментами берёт на себя больший объём. Компания не объявляет программу автоматизации. Молодой кандидат лишь замечает, что вакансий стало меньше, требования к первой работе выше, а собеседования начинаются там, где раньше начинался второй или третий год карьеры.

Однако это исследование требует почти такой же осторожности, как и внимания.

Авторы прямо называют результаты описательными, а не причинными. Они не доказывают, что именно генеративный ИИ создал весь наблюдаемый разрыв. На молодёжный рынок труда одновременно влияют процентные ставки, отраслевые циклы, пандемийные перекосы найма, образование, региональные различия и изменения спроса. Исследование относится к США и к конкретной административной выборке работодателей, использующих ADP.

Правильная формулировка поэтому звучит не «ИИ уже уничтожил пятую часть рабочих мест молодых специалистов».

Она звучит сложнее: в США возник устойчивый и усиливающийся разрыв занятости молодых работников именно в профессиях, где возможности современных систем лучше совпадают с рабочими задачами; структура разрыва согласуется с гипотезой об автоматизации, но пока не даёт права объявить её единственной причиной.

Это не приговор.

Но это уже не просто сценарий.

Формализованное и неявное знание

В новой версии Stanford появляется ещё одно различие, особенно важное для этой главы.

Часть профессионального знания можно сравнительно хорошо записать.

Законы, инструкции, правила, типовые договоры, синтаксис языка программирования, стандарты оформления, справочники, учебники, прошлые отчёты. Такое знание называют кодифицированным: оно превращено в текст, структуру, процедуру или иной переносимый формат.

Другая часть хуже поддаётся записи.

Как понять, что клиент не говорит главного? Когда стандартное решение в конкретной ситуации опасно? Как заметить, что код технически работает, но архитектурно ведёт в тупик? Как почувствовать, что источник слишком охотно подтверждает вашу гипотезу? Когда дизайн выглядит правильным в макете, но будет раздражать пользователя через неделю? Как отличить странное число в отчёте от действительно важного сигнала?

Такое знание часто называют неявным, или tacit knowledge. Оно возникает через практику, наблюдение, обратную связь, ошибки и контакт с более опытными людьми.

Модели особенно сильны там, где огромные массивы кодифицированного человеческого опыта уже существуют в цифровой форме.

И это создаёт парадокс.

Новичок традиционно приходит в профессию прежде всего с кодифицированным знанием. Он читал учебники, сдавал экзамены, знает правила. Ему ещё не хватает именно того, что трудно записать: суждения, ощущения контекста, понимания исключений, способности распознавать неочевидный риск.

Если машина становится особенно сильна в работе, основанной на первом типе знания, а человеческая ценность всё сильнее смещается ко второму, то рынок может начать требовать от новичка то, что раньше давала ему первая работа.

Опыт до опыта.

Суждение до ситуаций, в которых оно формируется.

Это и есть наиболее неприятная версия проблемы.

Компания может сказать молодому кандидату: «Нам уже не нужен человек, который просто умеет собрать информацию и сделать первый вариант. Нам нужен тот, кто умеет проверить результат системы, заметить тонкую ошибку и принять решение».

Звучит разумно.

Но откуда человек должен научиться этому до того, как ему дали возможность годами собирать информацию, делать первые варианты, ошибаться и получать обратную связь?

Когда машина становится наставником

У этой истории есть противоположная версия — и она не слабее.

Возможно, ИИ не ломает лестницу профессионального роста, а сокращает расстояние между ступенями.

Одно из самых известных полевых исследований генеративного ИИ на работе было проведено на 5 179 сотрудниках службы технической поддержки. Доступ к AI-помощнику увеличил производительность в среднем на 14 процентов. Но среднее скрывало главное: выигрыш концентрировался у менее опытных и менее квалифицированных работников. Для них рост составлял примерно 34 процента, тогда как наиболее опытные сотрудники получали мало дополнительной пользы.

Исследователи нашли признаки того, что система распространяла практики сильных работников на остальных. Новичку больше не нужно было случайно оказаться рядом с лучшим коллегой или ждать, пока руководитель исправит каждую формулировку. Подсказка появлялась в момент работы.