Евгений Волков – Когда машина отвечает (страница 13)

Через месяц вы по-прежнему занимаете ту же должность.

Но выполняете уже не ту же работу.

Эта сцена важна потому, что большая часть публичного разговора об искусственном интеллекте начинается с неправильной единицы измерения.

Мы спрашиваем:

«Исчезнут ли бухгалтеры?»

«Заменит ли ИИ программистов?»

«Нужны ли будут переводчики?»

«Что станет с юристами?»

Это понятные вопросы. Профессия — то, что написано в резюме. Профессия определяет доход, статус, карьеру и часть идентичности. Но технология редко сталкивается с профессией целиком. Она сталкивается с отдельными действиями внутри неё.

И поэтому правильный вопрос звучит менее эффектно, зато гораздо полезнее:

что именно вы делаете в течение рабочего дня — и какая часть этих задач меняется, когда появляется машина, способная выполнять некоторые из них быстрее, дешевле или иначе?

Не профессия, а набор задач

Работа юриста не состоит из одной операции «быть юристом».

Юрист ищет судебную практику, читает договоры, сравнивает версии, пишет документы, разговаривает с клиентами, ведёт переговоры, оценивает риск, выбирает стратегию, объясняет неопределённость и в определённый момент ставит своё имя под решением.

Работа программиста тоже не сводится к написанию строк кода. Нужно понять требование, разобраться в чужой системе, выбрать архитектуру, написать и проверить код, найти ошибку, обсудить компромисс с коллегой, решить, стоит ли вообще реализовывать функцию именно так.

У переводчика есть черновой перевод, терминология, редактура, культурная адаптация, проверка фактов, работа с неоднозначностью и ответственность перед заказчиком. У врача — сбор информации, осмотр, интерпретация данных, документация, коммуникация и клиническое решение. У журналиста — поиск темы, интервью, проверка, анализ, формулировка, редактирование и ответственность за опубликованное.

Профессия — это пакет задач.

Технология может сделать дешёвой одну из них, ускорить вторую, почти не затронуть третью и неожиданно создать четвёртую.

Это не семантическая придирка. От этой разницы зависит почти всё, что мы можем честно сказать о будущем труда.

Если система способна выполнить 30 процентов задач внутри профессии, отсюда не следует, что исчезнет 30 процентов работников. Компания может сократить людей. Может увеличить объём работы тем же штатом. Может снизить цену продукта и получить больше клиентов. Может перераспределить время сотрудников на другие задачи. Может создать новые функции контроля и интеграции. Может ничего не изменить, потому что внедрение окажется слишком дорогим, рискованным или неудобным.

Техническая способность — только начало цепочки.

Между «машина это умеет» и «человек потерял работу» находятся стоимость, качество, ответственность, регулирование, спрос, организация компании, доверие клиентов и множество решений, которые принимают люди.

Экспозиция — не приговор

Именно поэтому в исследованиях рынка труда всё чаще используется слово «экспозиция».

Оно звучит сухо, но спасает от одной из самых распространённых ошибок.

Экспозиция к ИИ означает, грубо говоря, что задачи, из которых состоит работа, в заметной степени пересекаются с возможностями системы. Чем больше таких задач и чем сильнее это пересечение, тем выше потенциальное воздействие технологии.

Но экспозиция — не вероятность увольнения.

В мае 2025 года Международная организация труда совместно с польским исследовательским институтом NASK опубликовала обновлённый глобальный индекс экспозиции профессий к генеративному ИИ. Исследователи не просили модель назвать список «профессий будущего». Они начали с задач.

Методология опиралась на почти 30 тысяч описаний задач в профессиональной классификации, выборку работников, десятки тысяч оценок потенциальной автоматизируемости и дополнительную экспертную проверку. На этой основе исследователи сопоставили отдельные задачи с международной классификацией профессий.

Результат легко превратить в тревожный заголовок: примерно один из четырёх работников в мире занят в профессии с некоторой степенью экспозиции к генеративному ИИ.

Но следующая цифра меняет смысл первой. В категорию наивысшей экспозиции попали около 3,3 процента мировой занятости.

А ещё важнее вывод самих авторов: для большинства затронутых профессий более вероятным исходом они считают трансформацию работы, а не полное исчезновение должности.

И даже слово «вероятным» здесь не является пророчеством. Индекс измеряет потенциал воздействия на задачи. Он не знает заранее, что сделает конкретный работодатель, как изменится спрос и какой будет технология через пять лет.

География тоже имеет значение. По оценке ILO, доля занятости с некоторой экспозицией составляла около 34 процентов в странах с высоким уровнем дохода и около 11 процентов — в странах с низким. Причина не в том, что одна страна «ближе к будущему», а другая «защищена от ИИ». Структура экономики различается. Там, где больше офисной, цифровой и информационной работы, больше и задач, на которые нынешний генеративный ИИ способен воздействовать непосредственно.

Получается парадокс.

Технология, которую часто называют угрозой прежде всего низкоквалифицированному труду, на нынешнем этапе очень заметно касается хорошо образованных офисных работников — тех самых людей, которые долго считали себя защищёнными от автоматизации сложностью своей работы.

Но высокая экспозиция опять же не означает высокий риск исчезновения.

В 2026 году OECD предложила собственную обновляемую меру экспозиции, сопоставляя возможности современных систем с требованиями профессий в девяти когнитивных, социальных и физических областях. Ближе всего нынешний ИИ оказался к работе, где много обработки информации, административных операций и формализуемых задач. Дальше — к профессиям, где особенно важны контекстное суждение, межличностное понимание, сложный выбор и ответственность.

И здесь появляется принцип, который понадобится нам на протяжении всей части о работе:

чем ближе технология к выполнению отдельных задач, тем важнее становится то, что остаётся между ними.

Одна должность — разная работа

Есть ещё одна причина, по которой списки «самых уязвимых профессий» вводят в заблуждение.

Люди с одинаковым названием должности могут выполнять совершенно разный набор задач.

Бухгалтер маленькой компании иногда одновременно ведёт учёт, разговаривает с владельцем, напоминает клиентам об оплате, общается с налоговыми консультантами и знает десятки неформальных особенностей бизнеса. Бухгалтер в крупной организации может отвечать за более узкий, стандартизированный и цифровой участок процесса. Формально профессия одна. С точки зрения автоматизации — две разные работы.

То же происходит с журналистом. Один большую часть недели переписывает пресс-релизы и собирает короткие сводки из доступных документов. Другой ищет источники, получает закрытые данные, проводит интервью и проверяет противоречащие друг другу свидетельства. Языковая модель воздействует на обе работы, но совсем не одинаково.

Даже два программиста в одной компании могут находиться по разные стороны границы: один пишет сравнительно стандартный код по хорошо определённым требованиям, другой разбирается с архитектурой старой системы, в которой важнейшая информация хранится не в документации, а в опыте команды.

Поэтому корректнее говорить не «профессия X экспонирована на 60 процентов», как будто каждый человек внутри неё одинаков, а помнить: любая такая оценка усредняет множество реальных рабочих мест.

Работа существует внутри организации.

У неё есть конкретные данные, программы, правила, клиенты, начальники, привычки и ограничения. И одна из центральных ошибок технологического прогнозирования — предположить, что если модель теоретически способна выполнить описание задачи, то фирме осталось только нажать кнопку «автоматизировать».

Не всё, что можно автоматизировать, автоматизируют

Техническая возможность — необходимое условие автоматизации, но далеко не достаточное.

Предположим, модель может подготовить документ за две минуты вместо двух часов. Кажется, бизнес-кейс очевиден. Но затем выясняется, что результат надо загрузить в закрытую систему, данные нельзя передавать внешнему поставщику, каждую версию должен проверить лицензированный специалист, а ошибка стоимостью в несколько процентов встречается достаточно часто, чтобы свести на нет экономию времени.

Или система прекрасно выполняет задачу в демонстрации, но сотрудники не доверяют ей и перепроверяют каждую строчку.

Или клиенты готовы принять машинный черновик, но хотят разговаривать с человеком в момент конфликта.

Или технология уменьшает время исполнения операции, но создаёт новые расходы на интеграцию, безопасность, обучение персонала и аудит.

Есть и обратная ситуация. Иногда система не идеально выполняет задачу, но её всё равно внедряют, потому что прежний процесс был дорогим, медленным или тоже ошибочным. Вопрос почти никогда не звучит: «Машина безошибочна?» Реальный организационный вопрос звучит иначе: «Лучше ли вся система — человек, модель, интерфейс, проверка и ответственность — по сравнению с тем, что было раньше?»

Это важная поправка к разговорам о возможностях моделей.

Benchmark измеряет способность. Работодатель внедряет рабочий процесс.