Евгений Волков – Когда машина отвечает (страница 17)

Некоторые из них учат человека профессии.

И если система автоматизирует именно эти задачи первой, то экономия возникает сегодня, а дефицит может появиться через несколько лет.

Это и есть проблема новичка.

Рутинная работа, которую никто не любил

Большинство профессиональных карьер устроено странно. Человека не сразу допускают к самой ценной части работы.

Молодой юрист не начинает с решения стратегии многомиллионного спора. Молодой врач не получает сложнейший случай без контроля старших. Начинающий журналист не отправляется в первый день вести расследование международной коррупционной сети. Младший аналитик редко начинает с решения, от которого зависит покупка компании. Молодой программист не получает в одиночку архитектуру критической системы.

Сначала человек делает более узкую, проверяемую и часто скучную работу.

Экономически такая работа может выглядеть как неизбежная неэффективность. Старший сотрудник способен сделать её быстрее, но слишком дорог. Младший делает медленнее, зато дешевле. Одновременно он учится.

Это важная двойная функция junior work.

Она производит результат для организации и производит будущего специалиста.

Мы привыкли замечать первую функцию, потому что она появляется в счёте клиенту, табеле часов или списке выполненных задач. Вторая почти нигде не учитывается. Нет строки в бухгалтерии: «сегодня младший сотрудник научился замечать противоречия в договоре». Нет отдельного показателя: «после сорока таких таблиц аналитик начал чувствовать, когда данные подозрительны». Нет счёта за тот момент, когда молодой репортёр впервые понимает, что красивое объяснение источника не сходится с документами.

Но именно из таких повторений складывается опыт.

Поэтому мечта «пусть машина заберёт всю рутину, а человек займётся только интересным» содержит скрытую проблему. Интересная работа обычно требует навыков, которые формировались в том числе на неинтересной.

Это не значит, что человечество обязано сохранять бессмысленный ручной труд ради воспитания характера. Романтизировать рутину было бы столь же ошибочно, как романтизировать отсутствие технологий. Многие задачи действительно можно убрать без потери: бессмысленное копирование данных, механическое форматирование, повторное заполнение одинаковых форм, часы на расшифровку качественной записи.

Но не вся трудность бесполезна.

Есть различие между трением, которое ничего не учит, и трением, через которое развивается профессиональное суждение.

Проблема в том, что автоматизация сама этого различия не знает. Она просто приходит туда, где задача достаточно формализована, повторяема и экономически привлекательна для автоматизации.

А именно такой часто бывает работа новичка.

Сигнал из американских payroll-данных

По состоянию на август 2026 года у нас всё ещё нет основания утверждать, что генеративный ИИ массово уничтожает рабочие места молодых специалистов во всех странах и профессиях.

Но появился сигнал, который уже нельзя списать только на футурологию.

Исследователи Stanford Digital Economy Lab Эрик Бриньолфссон, Бхарат Чандар и Жуюй Чэнь изучают высокочастотные административные payroll-данные ADP, охватывающие миллионы работников США. В обновлённой 12 августа 2026 года версии исследования данные доходят до июня 2026-го.

Их общий результат остаётся сдержанным: признаков широкого вытеснения занятости по экономике в целом они не находят.

Но внутри среднего показателя появляется возрастной разрыв.

У работников 22—25 лет в наиболее AI-exposed профессиях занятость оказалась примерно на 19 процентов ниже той траектории, по которой она двигалась бы, если бы после конца 2022 года росла так же, как у ровесников в менее экспонированных профессиях. В июльской версии данных 2025 года разрыв по той же мере составлял около 15 процентов. Опытные работники сопоставимого разрыва не показывают.

Особенно важна не только величина, но и форма изменения.

Исследователи находят, что расхождение проявляется главным образом через более слабый найм молодых работников, а не через резкий рост увольнений уже работающих.

Это очень похоже на то, как мог бы выглядеть «тихий» технологический сдвиг.

Не обязательно приходит письмо: «вас заменил ИИ».

Вакансия просто не появляется.

Команда из пяти человек становится командой из четырёх не потому, что кого-то уволили, а потому, что после ухода сотрудника нового младшего не наняли. Старший специалист с инструментами берёт на себя больший объём. Компания не объявляет программу автоматизации. Молодой кандидат лишь замечает, что вакансий стало меньше, требования к первой работе выше, а собеседования начинаются там, где раньше начинался второй или третий год карьеры.

Однако это исследование требует почти такой же осторожности, как и внимания.

Авторы прямо называют результаты описательными, а не причинными. Они не доказывают, что именно генеративный ИИ создал весь наблюдаемый разрыв. На молодёжный рынок труда одновременно влияют процентные ставки, отраслевые циклы, пандемийные перекосы найма, образование, региональные различия и изменения спроса. Исследование относится к США и к конкретной административной выборке работодателей, использующих ADP.

Правильная формулировка поэтому звучит не «ИИ уже уничтожил пятую часть рабочих мест молодых специалистов».

Она звучит сложнее: в США возник устойчивый и усиливающийся разрыв занятости молодых работников именно в профессиях, где возможности современных систем лучше совпадают с рабочими задачами; структура разрыва согласуется с гипотезой об автоматизации, но пока не даёт права объявить её единственной причиной.

Это не приговор.

Но это уже не просто сценарий.

Формализованное и неявное знание

В новой версии Stanford появляется ещё одно различие, особенно важное для этой главы.

Часть профессионального знания можно сравнительно хорошо записать.

Законы, инструкции, правила, типовые договоры, синтаксис языка программирования, стандарты оформления, справочники, учебники, прошлые отчёты. Такое знание называют кодифицированным: оно превращено в текст, структуру, процедуру или иной переносимый формат.

Другая часть хуже поддаётся записи.

Как понять, что клиент не говорит главного? Когда стандартное решение в конкретной ситуации опасно? Как заметить, что код технически работает, но архитектурно ведёт в тупик? Как почувствовать, что источник слишком охотно подтверждает вашу гипотезу? Когда дизайн выглядит правильным в макете, но будет раздражать пользователя через неделю? Как отличить странное число в отчёте от действительно важного сигнала?

Такое знание часто называют неявным, или tacit knowledge. Оно возникает через практику, наблюдение, обратную связь, ошибки и контакт с более опытными людьми.

Модели особенно сильны там, где огромные массивы кодифицированного человеческого опыта уже существуют в цифровой форме.

И это создаёт парадокс.

Новичок традиционно приходит в профессию прежде всего с кодифицированным знанием. Он читал учебники, сдавал экзамены, знает правила. Ему ещё не хватает именно того, что трудно записать: суждения, ощущения контекста, понимания исключений, способности распознавать неочевидный риск.

Если машина становится особенно сильна в работе, основанной на первом типе знания, а человеческая ценность всё сильнее смещается ко второму, то рынок может начать требовать от новичка то, что раньше давала ему первая работа.

Опыт до опыта.

Суждение до ситуаций, в которых оно формируется.

Это и есть наиболее неприятная версия проблемы.

Компания может сказать молодому кандидату: «Нам уже не нужен человек, который просто умеет собрать информацию и сделать первый вариант. Нам нужен тот, кто умеет проверить результат системы, заметить тонкую ошибку и принять решение».

Звучит разумно.

Но откуда человек должен научиться этому до того, как ему дали возможность годами собирать информацию, делать первые варианты, ошибаться и получать обратную связь?

Когда машина становится наставником

У этой истории есть противоположная версия — и она не слабее.

Возможно, ИИ не ломает лестницу профессионального роста, а сокращает расстояние между ступенями.

Одно из самых известных полевых исследований генеративного ИИ на работе было проведено на 5 179 сотрудниках службы технической поддержки. Доступ к AI-помощнику увеличил производительность в среднем на 14 процентов. Но среднее скрывало главное: выигрыш концентрировался у менее опытных и менее квалифицированных работников. Для них рост составлял примерно 34 процента, тогда как наиболее опытные сотрудники получали мало дополнительной пользы.

Исследователи нашли признаки того, что система распространяла практики сильных работников на остальных. Новичку больше не нужно было случайно оказаться рядом с лучшим коллегой или ждать, пока руководитель исправит каждую формулировку. Подсказка появлялась в момент работы.

В этом сценарии ИИ становится машиной передачи опыта.

Не уничтожает ученичество, а масштабирует его.

Старый рынок труда распределял хороших наставников неравномерно. Один выпускник попадал в команду, где старший сотрудник терпеливо объяснял ошибки. Другой — к руководителю, который только возвращал файл со словом «переделать». Один работал в крупной фирме с библиотекой шаблонов и накопленным знанием. Другой учился на собственных промахах.