Евгений Волков – Когда машина отвечает (страница 16)
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.