Начните с трёх разных вопросов
Обсуждение ИИ и рабочих мест запутывается, когда три разных показателя воспринимают как взаимозаменяемые. Подверженность спрашивает, способна ли технология выполнять некоторые задачи в рамках профессии. Наблюдаемые эффекты спрашивают, изменились ли на самом деле занятость, часы работы, зарплаты, найм или качество труда. Прогнозы оценивают, что может произойти при определённых предположениях о возможностях, темпах внедрения, спросе, регулировании и экономике в целом. Рабочее место может быть сильно подвержено влиянию, не исчезая при этом: например, электронные таблицы преобразили бухгалтерский учёт, одновременно повысив спрос на некоторые виды бухгалтерской работы.
Самая надёжная из доступных в 2025 году глобальных оценок подверженности исходила от Международной организации труда и польского института NASK. Их индекс на уровне задач классифицировал около 25% глобальной занятости как имеющую ту или иную подверженность генеративному ИИ, но лишь 3,3% попали в категорию наивысшей подверженности. Авторы пришли к выводу, что трансформация более вероятна, чем полная замена, поскольку большинство профессий сочетают автоматизируемые и неавтоматизируемые задачи. Подверженность была выше в странах с высоким доходом и среди женщин — во многом потому, что канцелярская занятость распределена неравномерно. Это смоделированные оценки, а не подсчёт уже потерянных рабочих мест (МОТ–NASK, май 2025 года).
Что реально было замечено
По состоянию на сентябрь 2026 года доказательства общеэкономической массовой безработицы, вызванной генеративным ИИ, не установлены. Внедрение существенно, но неравномерно, а официальная статистика занятости не выделяет чёткую категорию «вызвано ИИ». Компании могут ссылаться на ИИ, одновременно сокращая рабочие места из-за процентных ставок, избыточного найма в прошлом, аутсорсинга или обычной реструктуризации. Поэтому объявленные увольнения — более слабое причинное доказательство, чем исследование, сравнивающее схожих работников или фирмы с разной подверженностью ИИ.
Более достоверный краткосрочный паттерн — это перераспределение внутри рабочих мест и каналов найма. Полевые эксперименты обнаружили рост производительности в ограниченных задачах, таких как поддержка клиентов и написание текстов, часто с бóльшим выигрышем для менее опытных работников. Это не означает такой же эффект во всей профессии целиком: более быстрый выпуск продукции может сократить штат, увеличить спрос, повысить качество или просто увеличить объём работы. Индекс ИИ Стэнфорда за 2026 год сообщает, что эффекты на рынке труда неравномерны и сконцентрированы в некоторых подверженных профессиях и каналах найма молодых работников, но эти данные всё ещё формируются, а не доказывают, что вытеснено целое поколение (Stanford HAI, 2026 год).
Канцелярские задачи остаются среди наиболее подверженных, тогда как подверженность распространилась и на оцифрованный профессиональный труд — программирование, аналитику и финансы. Физическое присутствие не делает рабочее место постоянно защищённым; оно лишь ограничивает то, что нынешние текстовые и экранные системы способны делать без робототехники, — этот разрыв напрямую рассматривает страница руководства состояние человекоподобной робототехники. Лицензированное профессиональное суждение и межличностное доверие тоже могут замедлять замещение, хотя институты всё равно могут автоматизировать подготовку, триаж, документацию и мониторинг вокруг этих ролей.
Исправляя главный прогноз из заголовков
Доклад о будущем занятости 2025 Всемирного экономического форума оценил создание 170 миллионов рабочих мест и вытеснение 92 миллионов к 2030 году, что даёт чистый прирост в 78 миллионов. Эти цифры охватывают пять макротрендов вместе: технологические изменения, геоэкономическую фрагментацию, зелёный переход, демографические изменения и экономическую неопределённость. Это не оценка рабочих мест, созданных или уничтоженных одним лишь ИИ. В рамках ожиданий работодателей, отражённых в докладе, ИИ и технологии обработки информации были связаны с созданием 11 миллионов и вытеснением 9 миллионов рабочих мест. Методология сочетает опрос более чем 1000 крупных работодателей с данными МОТ о занятости, поэтому она представляет ожидания работодателей, экстраполированные глобально, а не измеренный результат (ВЭФ, январь 2025 года). ВЭФ — организация, возглавляемая работодателями, и читателям стоит учитывать эту перспективу при интерпретации её опроса.
Оценки консалтинговых компаний часто измеряют «часы, технически поддающиеся автоматизации». Они могут быть полезны для сценарного планирования, но не являются прогнозами безработицы. Развёртывание зависит от надёжности, перепроектирования рабочего процесса, юридической ответственности, издержек интеграции, переговорной силы работников, предпочтений клиентов и того, удешевляет ли автоматизация услугу настолько, чтобы расширить спрос на неё. Модель, способная выполнить 60% перечисленных задач в демонстрации, не обязательно автоматизировала 60% оплачиваемой роли работника.
Что мог бы изменить переход к AGI
Всё сказанное выше касается нынешнего генеративного ИИ. Трудовые эффекты AGI — это прогнозы, поскольку ни один согласованный тест не установил существование AGI. Система, способная надёжно осваивать новые области, планировать на длительные горизонты, управлять инструментами и улучшать рабочие процессы, могла бы сделать подверженным гораздо более широкий круг когнитивного труда. Если бы робототехника тоже стала дешёвой и надёжной, за этим мог бы последовать и физический труд. И напротив, регулирование, структуры собственности, человеческие предпочтения и сопутствующий спрос могли бы сохранить или создать работу даже при значительно более мощных системах.
Ключевая неопределённость — не только в возможностях, но и в распределении выгод. Быстрый рост производительности может сосуществовать с падением трудового дохода, если владельцы капитала присваивают большую часть отдачи. Он также может финансировать более высокие зарплаты, более короткую рабочую неделю, государственные услуги или социальные дивиденды, если институты распределяют выгоды. Поэтому вопрос «будут ли рабочие места?» менее полон, чем вопрос о том, кто владеет системами, кто может вести переговоры, кто несёт издержки перехода и сохраняют ли домохозяйства доход и субъектность.
Неравная подверженность и эффекты второго порядка
Переходные процессы редко бывают равномерными. Административные центры могут пострадать раньше регионов, где доминируют строительство или работа по уходу. Задачи начального уровня могут сокращаться, даже когда сохраняются старшие позиции, ослабляя путь, по которому новички становятся экспертами. Работники с инвалидностью могут получить ценную помощь, одновременно сталкиваясь с автоматизированным отбором и слежкой. Страны с низким доходом могут получить доступ к экспертизе, но потерять аутсорсинговую сервисную работу, от которой зависят местные экономики.
Измерение также упускает качество труда. ИИ может убрать монотонную рутину, но может и интенсифицировать труд через мониторинг, алгоритмические показатели и ожидания непрерывного результата. Стабильное число занятых может скрывать сжатие зарплат, сокращение часов, деградацию автономии или переход от штатной занятости к нестабильному контрактному труду. И напротив, оно может скрывать новые выгоды в доступности и предпринимательстве. Ответственная панель показателей должна отслеживать найм, зарплаты, часы работы, вакансии, содержание задач, контроль работника над трудом и распределение выгод — а не только увольнения.
Практическое прочтение для домохозяйства
Не принимайте необратимое карьерное решение на основе одного прогноза. Относитесь к подверженности как к поводу для должной осмотрительности:
- Перечислите задачи, за которые вам платят, включая работу с отношениями, ответственностью и физическим контекстом, которую названия должностей опускают.
- Проверьте нынешние инструменты на реальных задачах и зафиксируйте их надёжность, нагрузку на надзор и издержки в случае сбоя.
- Наблюдайте за изменениями в найме, закупках и рабочих процессах вашего работодателя — а не только за заявлениями руководства.
- Накапливайте переносимые доказательства своего суждения, знания предметной области, доверия клиентов и продуктивности, усиленной ИИ.
- Там, где это осуществимо, снижайте концентрацию домохозяйства на одном работодателе или узком наборе задач.
Честный вывод по состоянию на сентябрь 2026 года — не «ничего не происходит» и не «большинство рабочих мест вот-вот исчезнут». Нынешние данные показывают существенную подверженность задач, неравномерное внедрение, рост производительности в ограниченных условиях и раннюю дезорганизацию в некоторых каналах найма. Крупные заявления о чистой занятости остаются прогнозами. Вытеснение масштаба AGI — правдоподобный сценарий, чья величина зависит как от развёртывания и политической экономии, так и от возможностей самой модели.