ИИ лишит человечество работы? Или мы опять что-то упустили? Часть 2

Как показала первая часть статьи, опыт прошлых технологических революций позволяет сделать четыре вывода:

• автоматизация действительно устраняет отдельные операции, рабочие места, а порой и целые профессии;

• занятость увеличивается лишь в том случае, если снижение стоимости привлекает достаточно новых клиентов или формирует рынок, которого прежде не было;

• новые рабочие места чаще возникают за пределами автоматизированной операции — в инфраструктуре, внедрении, обслуживании, контроле и сопутствующих услугах;

• этот рост неравномерен и не бесконечен: отрасль может развиваться, пока отдельная компания сокращает штат, а насыщение рынка способно обратить эффект технологии вспять.

Иными словами, повышение производительности само по себе ничего не гарантирует. Чтобы оценить последствия распространения ИИ, важно учитывать не только сэкономленные часы, но и то, какие услуги станут доступнее, кто будет их покупать и сколько человеческого труда потребуется после получения результата.

Влад Лукашенко

Руководитель направления SEO и веб-аналитики в компании «Тензор» (разработчик saby.ru), автор Telegram-канала «ВладПРО»

Более 10 лет я занимаюсь аналитикой, SEO и управлением командами в digital-маркетинге. В своем Telegram-канале и на сайте рассказываю о практике маркетинга. Консультирую по аналитике веб-проектов и настройке маркетинговых инструментов, а также помогаю проводить технические собеседования специалистов по различным источникам трафика.

В каких сферах ИИ способен создать новые рабочие места

Я не стану предсказывать названия должностей в кадровых справочниках 2030 года. Меня интересуют рынки, которые пока не возникли или остаются небольшими из-за дороговизны услуг. Исследования подтверждают отдельные возможности ИИ, а предположения о новых заказах и рабочих местах — это мои собственные сценарии.

Главное возражение: ИИ — не очередной ткацкий станок

Прежде чем проводить аналогии с прошлым, нужно признать, насколько ИИ отличается от прежних технологий. Станок автоматизировал определенное физическое действие. Генеративная модель может одновременно затронуть программирование, дизайн, перевод, поддержку, юриспруденцию, маркетинг и аналитику. Программное обеспечение распространяется почти мгновенно, а предельная стоимость еще одной сгенерированной страницы или черновика кода близка к нулю. Одну платформу можно внедрить в тысячи компаний, не строя для каждой отдельный завод.

Есть и более тревожная особенность. Прежняя автоматизация нередко оставляла начинающим специалистам простые задачи, на которых они осваивали профессию. ИИ же берет на себя именно черновую работу: типовой код, первоначальный поиск, подготовку справок, разметку данных и сведение отчетов. Если эта первая ступень исчезнет, сегодня компании сохранят опытных сотрудников, а через пять лет могут столкнуться с их нехваткой.

Наконец, появление нового рынка не обязательно приведет к созданию множества компаний. Его могут занять несколько платформ, а небольшим фирмам останется лишь пользоваться их моделями. Поэтому аналогия с промышленными революциями применима только при трех условиях: технология делает услугу доступнее для новых покупателей, вокруг нее сохраняется достаточно задач для людей, а несколько владельцев инфраструктуры не закрывают доступ к рынку.

Теперь рассмотрим отдельные отрасли и проверим эти условия на конкретных примерах.

Медицина: ценность ИИ — в дополнительных обследованиях

Говорить о нехватке работы в медицине странно. Люди месяцами ожидают приема, откладывают обследования из-за расстояния и теряются для системы после направления к другому специалисту. Новый рынок здесь может возникнуть благодаря тому, что помощь получат пациенты, до которых она сегодня не доходит.

В рандомизированном исследовании ACCESS участвовали 164 молодых пациента с диабетом. Среди тех, кому предложили обследовать глаза с помощью ИИ во время обычного приема, за шесть месяцев проверку прошли 100%. При стандартном направлении к офтальмологу этот показатель составил 22%. Исследование оценивало организацию помощи в целом: диагностику перенесли туда, где пациент уже находился. Wolf et al., Nature Communications, 2024.

Если клиники расширят охват, дополнительная работа появится не только у врачей. Потребуются специалисты, которые установят оборудование, обучат персонал, проведут обследование, объяснят результаты, свяжутся с пациентом и организуют дальнейшую помощь. Оплачивать ее могут клиники, страховые компании, работодатели или государственные программы. ИИ не заменяет путь пациента по системе здравоохранения, а позволяет пройти его там, где раньше он обрывался на первом этапе.

Фармацевтика дает другой пример потенциального роста. В 2025 году были опубликованы результаты фазы 2a испытания рентосертиба — экспериментального препарата против легочного фиброза, при разработке которого применялся генеративный ИИ. В исследовании участвовал 71 человек. Xu et al., Nature Medicine.

Экономический механизм здесь следующий: если поиск перспективных молекул дешевеет, компания может проверить больше гипотез. Каждая из них, дойдя до эксперимента, создает работу для лабораторий, специалистов по данным, производителей образцов и координаторов испытаний. Поиск кандидата автоматизируется, а объем последующей проверки способен увеличиться.

При достаточном финансировании дополнительные проекты принесут новые заказы лабораториям и исследовательским центрам. Без денег даже идеальная молекула останется лишь записью в базе данных.

Образование: доступная персонализация по-прежнему нуждается в педагоге

У массового образования есть давняя проблема: один преподаватель объясняет материал всей группе, хотя причины непонимания у учеников различаются. Индивидуальное сопровождение стоит дорого, поскольку требует времени квалифицированного педагога.

В исследовании Tutor CoPilot модель подсказывала преподавателю, как ответить ученику во время занятия. По результатам итоговой проверки тему освоили 66% учеников в общей выборке против 62% в контрольной группе. У преподавателей с более низкими исходными оценками разница была заметнее: 65% против 56%. ИИ не вел урок вместо человека, а помогал педагогу выбрать следующий шаг. J-PAL, Human-AI Cooperation to Improve Tutoring.

Если подготовка занятий станет дешевле, индивидуальное сопровождение смогут позволить себе семьи и небольшие компании, которым оно прежде было не по карману. Спрос возникнет не на «оператора нейросети», а на педагога, который выявляет пробелы, подбирает упражнения, замечает снижение мотивации и отвечает за результат. Рядом с ним будут работать методисты, создающие программы для конкретных профессий, и наставники взрослых, желающих переучиться без отрыва от работы.

При этом я исключаю полный переход к обучению детей с помощью ИИ, каким бы привлекательным он ни казался государственным деятелям, стремящимся сократить расходы на образование. Тема непростая, но даже в среднесрочной перспективе такой сценарий мне представляется маловероятным.

Сельское хозяйство: эксперт не обязан приезжать на каждое поле

Небольшая ферма редко может позволить себе штатного специалиста по каждой выращиваемой культуре. Экономически разумнее организовать сезонную службу: полевой сотрудник собирает данные, приложение помогает определить симптомы, а агроном проверяет результат и дает рекомендации сразу нескольким хозяйствам.

PlantVillage Nuru демонстрирует как возможности, так и ограничения такого подхода. В полевых испытаниях приложение выявляло болезни и повреждения маниока с различной точностью. При обследовании шести листьев совпадение с оценкой эксперта достигало 93% для симптомов мозаики, 73% для бурой полосатости и 93% для повреждений клещом. Один снимок растения давал менее надежный результат: важен был сам порядок сбора данных. Frontiers in Plant Science, 2020.

Если такая услуга окупается для фермера, работу получают полевой диагност, агроном, техник по оборудованию и координатор кооператива. ИИ помогает распределить редкую экспертизу между большим числом хозяйств, но не заменяет человека, который грамотно осмотрит растение и возьмет на себя ответственность за рекомендацию.

Право и производство: рынок ниже порога рентабельности

Наиболее интересные рынки могут появиться там, где потребность уже существует, но стоимость сделки слишком мала. Если предмет спора оценивается в несколько десятков тысяч рублей, полноценная юридическая помощь легко обойдется дороже самой проблемы. А когда мастерской нужна одна нестандартная деталь, расходы на проектирование могут сделать заказ нецелесообразным.

В эксперименте Чоя, Монахан и Шварца 59 студентов юридических факультетов выполняли приближенные к практике задания с GPT-4 и без него. С помощью модели они быстрее справились со всеми четырьмя видами работы: подготовкой иска, договора, кадровой инструкции и записки клиенту. Улучшение качества оказалось небольшим и неоднородным. Choi, Monahan & Schwarcz, Lawyering in the Age of AI.

На этой основе можно представить небольшие бюро массовой юридической помощи: потребительские претензии, проверка договоров для микробизнеса, досудебное урегулирование. Юрист уже не получает прежнюю плату за типовой документ, зато может взяться за дело клиента, который раньше вовсе не обратился бы за помощью. Плательщиком становится частное лицо или малый бизнес, а работа специалиста смещается к проверке фактов, переговорам и ответственности за консультацию.

В производстве действует аналогичное ограничение. ИИ помогает рассмотреть варианты конструкции и подготовить черновик документации. Инженер проверяет нагрузки и ограничения, мастер создает прототип, заказчик испытывает изделие. Более дешевое проектирование может сделать выгодными небольшие заказы на оснастку, нестандартную мебель, приспособления для рабочих мест и редкие детали для ремонта.

Дополнительная работа появится у инженеров, специалистов по прототипированию и монтажу. Однако законы физической экономики никто не отменял: материалы, станки, доставка, испытания и ошибки по-прежнему стоят денег. Поэтому к прогнозам для этой сферы я отношусь особенно осторожно.

IT: программ станет больше, но продавать часы будет сложнее

В IT угроза была заметна и прежде. Если заказчик получает работающий черновик функции за считаные минуты, оплачивать прежнее количество часов он не захочет. В первую очередь дешевеют типовые сайты, несложные интеграции, перенос данных, стандартные тесты и интерфейсы.

При этом измерить влияние ИИ на разработку оказалось сложнее, чем заявить о нем. В трех полевых экспериментах Microsoft, Accenture и еще одной крупной компании 4 867 разработчиков, использовавших ИИ-помощника, выполнили примерно на 26% больше задач. Cui et al., 2025. В исследовании METR опытные разработчики открытых проектов, напротив, тратили на задачи на 19% больше времени при использовании инструментов начала 2025 года. По оценке авторов, к 2026 году участники, вероятно, уже работали быстрее, однако отбор задач и нежелание разработчиков работать без ИИ не позволили надежно определить точную величину эффекта. METR, обновление исследования.

Это противоречие показательно. ИИ хорошо справляется с задачами, которые помещаются в ясный контекст и результат которых легко проверить. В старом проекте со скрытыми зависимостями, неявными требованиями и высокой ценой ошибки он помогает хуже. Поэтому ценность разработчика смещается от написания кода к пониманию системы и оценке последствий изменений.

Представим компанию, которая устанавливает вентиляцию. Менеджер рассчитывает цену в таблице, инженер отдельно подбирает оборудование, диспетчер ведет график обслуживания в другой программе, а руководитель узнает о просрочке от недовольного клиента. Индивидуальная система обошлась бы слишком дорого, поэтому компания мирится с ручной работой и потерями.

Небольшая команда с помощью ИИ может создать отраслевой продукт: расчет смет, каталог оборудования, расписание выездов и напоминания о сервисе. Первый клиент оплачивает внедрение, следующие — подписку и настройку. Написание кода для каждого модуля дешевеет, но возникают другие задачи: интервью с инженерами, очистка справочников, интеграция с учетной системой, проверка расчетов, обучение сотрудников и поддержка.

Именно здесь я ожидаю появления новых рабочих мест в IT: в небольших командах, которые автоматизируют конкретную отрасль и отвечают за конечный результат. Это не абстрактный «специалист по ИИ», а разработчик, разбирающийся в расчете вентиляции; аналитик, умеющий привести в порядок каталог оборудования; внедренец, который наладит процессы у клиента; инженер по качеству, оценивающий цену ошибки. Платить за такие услуги будут компании, которым раньше заказная разработка была не по карману.

Программ станет больше, но на создание каждой из них потребуется меньше часов программирования. Занятость вырастет лишь тогда, когда количество новых систем и клиентов компенсирует эту экономию.

Интернет-маркетинг: создание контента перестает быть самостоятельным бизнесом

Маркетинг одним из первых ощутил неприятную сторону изобилия. Создать тысячу объявлений теперь проще, чем найти тысячу новых покупателей. Тексты, баннеры и ролики быстро превращаются из самостоятельной услуги в расходный материал.

Это ударит по модели, в которой агентство продает объем: двадцать статей, сто креативов, тысячу страниц. Клиенту все сложнее объяснить, почему результат, который модель выдает за минуты, должен стоить дорого. Работа человека сохранится там, где начинается неопределенность: кого убеждать, какую проблему предлагать решить, почему покупатель должен поверить и какой канал действительно принес прибыль.

В препринте, посвященном пяти экспериментам крупной платформы онлайн-торговли, влияние генеративного ИИ на продажи различалось в зависимости от процесса. Чатбот до покупки увеличил продажи на 16,3% по сравнению с ситуацией без ответа живого сотрудника, уточнение поисковых запросов — на 2,9%, описание товара — на 2,1%. Для маркетинговых push-сообщений и заголовков рекламы в Google статистически значимого эффекта не обнаружили. Fang et al., Generative AI and Sales Productivity.

В этих экспериментах ценность возникала не благодаря генерации как таковой. Наиболее заметный результат был достигнут там, где покупатель раньше оставался без помощи. Перед нами тот же исторический механизм: удовлетворяется спрос, обслуживать который прежде было слишком дорого или неудобно.

Вернемся к компании, устанавливающей вентиляцию. Ресторану, производственному цеху и владельцу загородного дома нужны разные результаты, и свои проблемы они описывают по-разному. Маркетолог изучает разговоры с клиентами, формирует предложение для каждого сегмента и проверяет его на реальных обращениях. ИИ ускоряет создание материалов, но не решает, на какой рынок стоит выходить.

Меняется и путь к покупке. В наблюдательном исследовании Pew пользователи переходили по обычным результатам Google в 15% случаев просмотра выдачи без ИИ-сводки и в 8% случаев, когда она присутствовала. По ссылкам внутри самой сводки переходили еще реже. Исследование охватило 900 взрослых жителей США и не доказывает, что вся разница обусловлена именно функцией ИИ. Pew Research Center, 2025.

Это создает дополнительную работу для SEO-специалистов. Им предстоит выяснить, какие вопросы покупатели задают модели, из каких источников она получает сведения о компании, в каких сравнениях отсутствует бренд и приводит ли новая видимость к реальным обращениям. Заказчик будет платить за измеримый доступ к аудитории, которая перестала переходить по привычным ссылкам.

Аналитика: отчеты дешевеют, ответственность за выводы растет

Регулярные выгрузки, стандартные дашборды и словесное описание динамики почти идеально подходят для автоматизации. Если работа аналитика заканчивается фразой «трафик вырос на 12%», машину действительно можно поставить на его место.

Однако бизнесу сам по себе график нужен редко. Допустим, у установщиков вентиляции растет число заявок, но падает прибыль. Причина может крыться в дешевых заказах, дорогих выездах, медленных ответах менеджеров, ошибках в расчете себестоимости или сезонности. Чтобы проверить эти версии, необходимо связать рекламные данные с CRM, оплатами и выполненными работами, уточнить определения показателей и провести эксперимент.

В полевом эксперименте с участием 758 консультантов BCG ИИ ускорял выполнение ряда задач и повышал качество результатов. Однако в одной сложной задаче за пределами возможностей модели верную рекомендацию дали 84,5% участников без GPT-4, 70,6% с GPT-4 и 60% с GPT-4 после дополнительного вводного материала. Уверенно представленная помощь подтолкнула людей к неправильному выводу. Dell’Acqua et al., Navigating the Jagged Technological Frontier.

Я ожидаю роста числа заказов на подготовку надежных данных, проведение экспериментов и оценку экономики решений. Небольшая компания, которая раньше не могла позволить себе штатного аналитика, сможет покупать несколько дней работы внешней команды в месяц. Лучшие команды объединят разработку, маркетинг и аналитику вокруг одной отрасли: создадут инструмент, привлекут клиентов и ответят на главный вопрос — принесла ли система прибыль.

Кто будет платить за новую работу

Разговоры о будущих профессиях часто сводятся к красивым названиям: архитектор ИИ, тренер моделей, цифровой куратор. Придумать название легко. Гораздо труднее определить покупателя.

В моем сценарии платят не за присутствие человека рядом с нейросетью, а за решение конкретной отраслевой задачи:

• клиника платит за то, чтобы больше пациентов действительно прошли обследование и продолжили лечение;

• исследовательская компания — за корректно проведенный эксперимент и достоверные данные;

• учебный центр — за ученика, освоившего тему, а не просто получившего очередной сгенерированный конспект;

• фермерский кооператив — за своевременное выявление болезни и понятную рекомендацию;

• малый бизнес — за работающую отраслевую систему, привлечение прибыльных клиентов и проверку экономики;

• частное лицо или предприниматель — за юридическую помощь по делу, которое прежде считалось слишком небольшим для профессионального сопровождения.

Во всех этих примерах ИИ сам по себе не является продуктом. Он удешевляет часть услуги. Рабочее место появляется, если благодаря этому всю услугу можно продать новому клиенту.

Новые рынки не помогут каждому потерявшему работу

До сих пор речь шла о совокупном объеме деятельности. Но для человека, которого сократили сегодня, рост другого рынка через три года — слабое утешение. Текстильная фабрика могла наращивать выпуск и одновременно увольнять конкретного ткача. Интернет создавал рабочие места на складе в одном городе и приводил к закрытию магазина в другом.

Особенно трудным становится вход в профессию. В обновленном исследовании Stanford Digital Economy Lab занятость работников 22–25 лет в профессиях с высокой подверженностью ИИ оказалась на 19% ниже траектории их сверстников в менее подверженных профессиях. Разница возникала главным образом из-за сокращения найма, а не увольнений. Авторы рассматривают результат как ранний описательный индикатор, а не доказательство причинного влияния ИИ. Canaries in the Coal Mine?, август 2026.

Если типовой код, первичный анализ данных и черновики рекламных кампаний создаются автоматически, начинающим специалистам негде получить первые десять тысяч часов практики. Значит, компаниям придется осознанно выстраивать обучение: поручать новичкам реальные задачи под контролем наставников, оценивать понимание, а не только скорость, и не считать автоматизацию работы джуниоров бесплатной.

Есть и политическое измерение. Для перехода необходимы доступное переобучение, возможность создавать небольшие компании, конкуренция между платформами и такое распределение выгод, при котором весь прирост производительности не достается владельцам инфраструктуры. История показывает, что новые рынки могут возникнуть. Но она не гарантирует справедливого перехода.

Какие рабочие места мы пока упускаем из виду

В 2027–2029 годах я ожидаю появления небольших отраслевых команд. Они станут связующим звеном между универсальной моделью и конкретным результатом: обследованным пациентом, исправным оборудованием, выигранным спором, освоенной темой или прибыльным заказом.

В медицине это могут быть сотрудники выездной диагностики и координаторы маршрута пациента. В фармацевтике — лабораторные и клинические команды, работающие с большим числом исследовательских гипотез. В образовании — педагоги индивидуального сопровождения и методисты программ переподготовки взрослых. В сельском хозяйстве — полевые диагносты и агрономы общих служб для нескольких ферм.

В IT я делаю ставку на небольшие команды отраслевой автоматизации: разработчика, предметного эксперта, специалиста по данным, внедренца и службу поддержки. В маркетинге — на исследование покупателя, проверку предложения и измерение видимости в ответах ИИ. В аналитике — на внешние команды, которые упорядочивают данные и отвечают за качество решений.

Это не перечень гарантированных вакансий, а направления, в которых уже можно определить задачу, покупателя и причину, по которой услуга раньше не окупалась.

Вместо заключения

ИИ действительно лишит нас части работы. Он уже сокращает часы, за которые еще вчера платили: написание чернового кода и типовых текстов, сведение таблиц, подготовку документов. Отрицать это — значит искать утешение в истории, вместо того чтобы извлекать из нее уроки.

Но работа и оплачиваемая операция — не одно и то же. Станок сократил трудозатраты на метр ткани и расширил рынок тканей. Конвейер уменьшил трудозатраты на автомобиль и создал целую автомобильную экономику. В случае с ИИ исход определит та же строгая формула: насколько снизится стоимость услуги и какой новый спрос возникнет в ответ. Если один специалист сможет выполнять работу десятерых, прежний отдел из десяти человек может оказаться не нужен. Но если благодаря новой цене услугу приобретут двадцать компаний, работа вернется в иной форме — вместе с внедрением, проверкой, ответственностью и обслуживанием.

Я не знаю, будет ли этого роста достаточно. Пока имеющиеся данные позволяют отстаивать более осторожный тезис: конец работы не предопределен, но и благополучный переход не гарантирован.

Поэтому предлагаю читателям не составлять списки фантастических профессий, а провести практический мысленный эксперимент. Назовите задачу в своей отрасли, которую сегодня не решают из-за высокой стоимости. Что изменится, если она подешевеет в несколько раз? Какой новый продукт или услуга станет возможен? Что останется делать человеку и кто заплатит за результат?

Особенно интересны примеры обратного: где ИИ уже удешевил работу, но новых клиентов не появилось. Именно там проходит граница моего прогноза.

Если вам интересны мои размышления об ИИ, можно также прочитать предыдущую статью — кажется, обсуждение в комментариях там по-прежнему продолжается.

Восстание машин отменяется: почему интеллект без собственных целей еще не стал разумом

 

Источник