Евгений Волков – Когда машина отвечает (страница 15)

Почему производительность не равна увольнению

Интуитивная арифметика автоматизации выглядит просто.

Если один человек с ИИ делает работу двух, второй становится лишним.

Иногда именно так и происходит.

Но экономика не заканчивается арифметикой одного отдела.

Если фирма снизила себестоимость продукта, она может уменьшить штат. А может снизить цену и продать больше. Может начать выполнять проекты, которые раньше были слишком дорогими. Может повысить качество и получить новых клиентов. Может перераспределить людей на другой продукт. Может использовать сэкономленное время, чтобы предложить услугу, которой прежде не существовало.

Вот почему одинаковый прирост производительности способен приводить к совершенно разным последствиям для занятости.

Исследование почти 4 900 разработчиков в трёх крупных компаниях — Microsoft, Accenture и ещё одной компании из Fortune 100 — обнаружило, что доступ к AI coding assistant увеличивал количество завершённых задач примерно на 26 процентов в объединённых данных экспериментов. Это сильный результат для конкретной среды.

Но из него невозможно вычислить число будущих программистов.

Если спрос на программное обеспечение остаётся огромным, компания может просто писать больше кода. Если потребность в разработке насыщается, та же технология может уменьшить найм. Если AI-generated code увеличит расходы на проверку и безопасность, часть сэкономленного времени уйдёт туда. Если станет дешевле создавать новые программные продукты, появятся задачи, которые прежде никто не заказывал.

Производительность сообщает, сколько результата можно получить из единицы труда.

Она не сообщает автоматически, сколько единиц труда рынок захочет купить после изменения цены.

Что фирмы видят — и чего они только ожидают

В начале 2026 года исследовательская группа опросила почти шесть тысяч руководителей компаний в США, Великобритании, Германии и Австралии.

Около 69 процентов фирм сообщили, что уже используют ИИ в той или иной форме. Это звучит как зрелая революция.

Но следующий результат опять усложняет картину.

Более девяти из десяти руководителей сообщили, что за предыдущие три года ИИ не оказал заметного влияния на занятость в их собственной компании. Почти девять из десяти не видели заметного влияния на производительность труда.

При этом ожидания тех же руководителей на следующие три года были намного смелее. В среднем они прогнозировали рост производительности примерно на 1,4 процента, увеличение выпуска на 0,8 процента и сокращение занятости примерно на 0,7 процента.

Здесь важно остановиться на одном слове.

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.