Когда говорят, что «ИИ заменит людей», чаще всего создаётся ложное ожидание резких и массовых увольнений. В реальности рынок труда меняется гораздо более незаметно – и именно поэтому быстрее.
В горизонте ближайших 2–3 лет мы, скорее всего, увидим не исчезновение профессий, а постепенное снижение спроса на отдельные роли и функции. Это будет происходить через четыре основных механизма:
● автоматизация типовых задач
● заморозка или сокращение найма
● уменьшение объема подрядных работ
● перераспределение задач внутри команд
Именно так сегодня компании «встраивают» ИИ в операционную модель – без громких сокращений, но с ощутимым эффектом на занятость.
Этот вывод совпадает с оценками международных исследований: в среднем более вероятен сценарий трансформации профессий, а не их прямого исчезновения. Однако внутри этих профессий есть сегменты задач, которые могут исчезать очень быстро – и именно они формируют основной риск в краткосрочной перспективе.
Если упростить, ключевой фактор риска – не название профессии, а способ создания ценности. Наиболее уязвимы роли, где результат достигается через:
● повторяемые действия
● работу по шаблону
● стандартизированные тексты или документы
● процессы, которые можно описать как последовательность шагов
Именно такие задачи лучше всего «ложатся» на современные ИИ-инструменты. Поэтому в зоне повышенного риска оказываются:
● канцелярские и административные роли
● первая линия поддержки
● телемаркетинг
● первичная бухгалтерия
● массовый контент и SEO-копирайтинг
● транскрибация и базовый перевод
Важно подчеркнуть: речь не о том, что профессия исчезает полностью, а о том, что исчезает значимая часть задач внутри нее, и вместе с этим снижается потребность в людях.
Эта картина подтверждается сразу несколькими независимыми источниками. С одной стороны, исследования показывают, что именно делопроизводство и «офисные» задачи имеют наибольшую так называемую «экспозицию» к генеративному ИИ, то есть наибольший потенциал автоматизации.
С другой – сами работодатели уже ожидают сокращения численности именно в этих категориях. Это означает, что речь идет не только о технологической возможности, но и о реальных управленческих решениях, которые принимаются прямо сейчас.
Одна из самых частых ошибок в интерпретации подобных исследований – считать, что высокая «экспозиция» автоматически означает исчезновение профессии. На практике это не так: высокая экспозиция означает то, что значительная часть задач внутри роли может быть автоматизирована или ускорена.
Но дальше вступают в игру другие факторы:
● стоимость ошибок
● требования регуляторов
● необходимость человеческого контроля
● организационная готовность компаний
Поэтому даже в профессиях с высокой «экспозицией» чаще происходит не замещение, а пересборка процессов. Хороший пример – финансы, ИТ или управление: ИИ уже активно используется, но не заменяет специалистов, а повышает требования к их уровню.
В основе отчёта — подход, построенный через обучение на основе выполнения реальных, практических задач. Это принципиально важный момент: мы оцениваем не «профессию в целом», а долю задач внутри неё, которые можно автоматизировать.
Такой подход лучше отражает реальность, потому что:
● почти любая работа состоит из разнородных задач
● автоматизация происходит неравномерно
● ценность смещается внутри роли, а не исчезает целиком
Соответственно, под «вытеснением» в рамках этого анализа понимается не увольнение, а
● снижение потребности в людях
● сокращение начальных позиций
● уменьшение роли подрядчиков
● рост производительности на одного сотрудника
Именно этот механизм сейчас наиболее распространён.Критерии риска (на 2–3 года): для каждой профессии риск отнесен к Высокому / Среднему / Низкому по сумме факторов (шкала 0–12; Высокий ≈ 8–12, Средний ≈ 4–7, Низкий ≈ 0–3):
- автоматизируемость задач: доля цифровых, повторяемых, формализуемых операций
- наличие готовых ИИ‑решений: коммерческая зрелость (чат‑ассистенты, документ‑пайплайны, генерация текстов/кода, классификация)
- экономическая целесообразность: стоимость труда vs стоимость внедрения/поддержки; масштабируемость; стоимость ошибок
- регуляторные и этические барьеры: риски дискриминации, privacy, требования объяснимости/контроля (особенно в HR/финансах/критических доменах); влияние регулирования (например, поэтапное вступление требований)
- потребность в человеческом суждении/креативности: высокая доля неопределённости, переговоров, ответственности, контекстных решений
- требования к физическому присутствию: чем выше, тем ниже риск вытеснения в 2–3 года
Большинство официальных оценок измеряют экспозицию/потенциал, а не точные сроки сокращения занятости; это особенно подчеркивается МОТ.
На горизонте 2–3 лет ключевую роль играют внедрение и организационный дизайн, а не только «что ИИ умеет». Исследования указывают, что эффект в реальном мире зависит от процессов, обучения и комплементарных инвестиций.
География: ускорение в развитых экономиках (структура занятости и цифровизация), но и сильнее регуляторные ограничения; в развивающихся экономиках – ниже экспозиция и ограничители инфраструктуры/навыков.
Чтобы понять скорость изменений, важно смотреть не на прогнозы, а на практику.
Скорость внедрения определяется сочетанием пяти вещей: наличие данных и цифрового следа, интеграция в процессы, цена ошибки/ответственности, экономика труда, регуляторика и доверие. Это согласуется с тем, что официальные оценки подчеркивают различие между «потенциальной экспозицией» и фактическими потерями занятости.
Ускоряют (особенно в высокодоходных экономиках):
● Высокая доля канцелярских и цифровых задач (офисы, финансы, медиа, часть ИТ): это прямо выделяется в оценках МОТ как зона наибольшей экспозиции, а также отражено в ожиданиях работодателей о снижении канцелярских профессий
● Быстрое проникновение GenAI как «инструмента по умолчанию»: уже в 2024 опрос ОЭСР фиксирует, что около трети МСП используют GenAI, и чаще — для простых задач, то есть именно там, где быстрее возникает эффект вытеснения «низового» труда
● Для части задач появляется «экономика единицы услуги»: например, в контакт‑центрах рост продуктивности + высокая текучесть/стоимость обучения создают сильный стимул к автоматизации
● Дешевеющее «сопровождение знаний»: когда ИИ превращает большие базы знаний/скрипты в доступный диалоговый интерфейс, уменьшается ценность «знания процедуры» как отдельной роли
Замедляют (особенно в регулируемых отраслях и странах):
● Регуляторные требования и риск‑ориентированное регулирование. Например, в ЕС поэтапно вступают в силу нормы: запреты и требования AI‑literacy применяются с февраля 2025 года, правила по GPAI — с августа 2025 года, а «полная применимость» — с августа 2026 года (с отдельными переходными периодами для некоторых высокорисковых систем до августа 2027 года). Это повышает стоимость комплаенса и снижает скорость «самодеятельного» внедрения в HR/банках/соцсфере
● Высокая цена ошибок и юридическая ответственность (медицина, право, финансы): исследования подчеркивают, что даже при высокой экспозиции полная автоматизация ограничена потребностью в человеческом участии и контроле
● Инфраструктура и навыки: в низкодоходных экономиках инфраструктурные ограничения и цифровой разрыв могут существенно тормозить внедрение и переносить эффект на более поздние сроки
● Сопротивление пользователей/клиентов и репутационные риски: даже при экономии компания может столкнуться с падением качества сервиса и необходимостью «возвращать человека в контур» для сложных случаев (часто наблюдается на границе поддержки/претензий/безопасности).
Если смотреть на изменения рынка труда без эмоций, становится очевидно: ключевая трансформация ближайших 2–3 лет — это не исчезновение профессий, а смена роли человека внутри процесса.
Главный сдвиг можно сформулировать так: ценность уходит от «исполнителя шаблона» к «оператору и контролеру системы». При этом важно понимать: автоматизация в большинстве случаев не убирает работу целиком, а перераспределяет ее.
1. Увидеть свою работу как набор задач
Практика показывает, что большинство сотрудников не до конца понимают, из чего на самом деле состоит их работа. Поэтому первый и самый важный шаг – провести инвентаризацию:- выписать все свои регулярные задачи,- разделить их на типы,- определить, какие из них можно формализовать.
Особое внимание стоит обратить на три категории:- задачи, которые строго повторяются,- задачи, связанные с текстами, документами и перепиской- задачи, которые можно проверить по чек-листу.
Именно они первыми попадают под автоматизацию. Этот этап часто даёт неприятное, но полезное осознание: значительная часть работы – это не экспертиза, а операционная рутина.
2. Смещение в зону ответственности, а не выполнения
Когда рутинные задачи начинают выполнять системы, у человека остаётся то, что невозможно делегировать алгоритму – ответственность за результат. Отсюда возникает следующий ключевой навык: работа на стыке домена и инструмента.
Это означает, что специалисту необходимо научиться:- формулировать задачи и требования,- оценивать качество результата,- находить и исправлять ошибки,- фиксировать и документировать решения.
На практике именно эти функции остаются за человеком в любой зрелой системе. Не потому что ИИ не может их выполнять, а потому что за них кто-то должен нести ответственность.
3. Повышение уровня задач
Один из самых заметных эффектов внедрения ИИ – это изменение «порога входа» в профессию. Простые задачи исчезают или автоматизируются, а оставшиеся требуют более высокого уровня мышления и вовлеченности.
Это означает, что стратегия «делать больше того же самого» перестаёт работать. Вместо этого важно сознательно поднимать планку задач. Например:- переходить от создания текстов к управлению контент-системой (где важны не сами тексты, а логика, структура, единый стиль, контроль качества и эффективность),- переходить от ввода данных к управлению качеством данных и процессами (где ценность – в корректности, целостности и интерпретации информации).
Это отражает более широкий тренд: компании в первую очередь автоматизируют периферийные, рутинные задачи, но при этом усложняется само «ядро» профессии.
4. Формирование портфолио с акцентом на ваш опыт
В условиях автоматизации меняется не только работа, но и способ оценки специалистов. Если раньше ценилось «умение делать», то теперь всё больше ценится «умение выстраивать процесс». Отсюда появляется новая валюта на рынке труда – портфолио кейсов, где человек выступает как часть системы «человек + ИИ».
Речь идет о конкретных примерах:- где удалось сократить время выполнения задачи,- где были внедрены шаблоны проверки,- где снизилось количество ошибок,- где обеспечен контроль и соответствие требованиям (комплаенс).
Именно такие результаты становятся аргументом при росте дохода и переходе на более сложные роли.
Если для сотрудников ключевая задача – адаптация, то для государств – управление переходом. И в горизонте ближайших 2–3 лет именно этот фактор может оказаться определяющим.
В оценках International Labour Organization отдельно подчеркивается: эффект от внедрения ИИ сильно зависит от того, насколько управляемым будет переход на уровне экономики. Речь идет не о сдерживании технологий, а о создании условий, при которых изменения не приводят к резкому росту неравенства или структурной безработицы.
1. Раннее выявление зон риска
Один из ключевых инструментов — это системный мониторинг: вакансий, навыков, изменений в требованиях к профессиям. Такая аналитика позволяет заранее видеть, какие роли начинают «сжиматься», и запускать программы переобучения до того, как проблема станет массовой.
2. Инфраструктура и базовые навыки
В развивающихся экономиках отдельную роль играет доступ к инфраструктуре и базовым цифровым навыкам. Без этого внедрение ИИ происходит неравномерно, а разрыв между группами работников только усиливается.
Именно поэтому международные организации делают акцент на том, что развитие базовых навыков – это не образовательная задача, а экономическая.
3. Регулирование: баланс между скоростью и рисками
Второй важный элемент — это правила внедрения. Слишком жесткое регулирование тормозит развитие, слишком слабое – создает риски дискриминации, непрозрачных решений, ошибок без ответственности.
Хорошим примером попытки найти баланс является европейский подход к регулированию ИИ – в частности, поэтапное внедрение требований в рамках AI Act. Такой подход дает бизнесу предсказуемость и время на адаптацию.
4. Обучение внутри компаний
Наконец, один из наиболее практических факторов – это обучение сотрудников. По данным Organisation for Economic Co-operation and Development, компании, которые инвестируют в обучение и вовлекают сотрудников в процесс изменений, в среднем получают более устойчивые результаты:- ниже уровень сопротивления,- выше производительность,- меньше негативных эффектов для занятости.
Это важный сигнал: вопрос адаптации — это не только ответственность сотрудника, но и управленческая задача бизнеса.
В ближайшие 2–3 года ключевая трансформация — это переход от роли исполнителя к роли оператора системы. Это означает несколько практических шагов:
- важно разложить свою работу на задачи и понять, какие из них уже сейчас могут быть автоматизированы
- необходимо освоить работу в связке с ИИ: не выполнять задачу вручную, а ставить её, проверять и контролировать результат
- стоит смещаться в сторону более сложных задач — туда, где требуется суждение, ответственность и контекст
- критически важно уметь фиксировать результат: компании всё чаще оценивают не усилия, а влияние на процессы и бизнес-показатели.
С учетом текущих трендов, на горизонте 2026–2028 годов наибольшую ценность будут иметь:
● аналитическое мышление (как базовый «ядерный» навык работодателей)
● устойчивость, гибкость, адаптивность (в отчетах связывается с реакцией на макро‑шоки и технологические изменения)
● лидерство и социальное влияние (координация людей и изменений)
● технологическая грамотность, практическое владение инструментами ИИ (как быстрорастущая группа навыков)
● ИИ, большие данные (прикладной уровень) – не обязательно «быть инженером», но уметь работать с данными/инструментами, понимать ограничения и проверять качество
● сети и кибербезопасность (как один из самых быстрорастущих запросов к навыкам)
● креативное мышление и любознательность, обучение всю жизнь как комплементарные навыки к автоматизации
● комплаенс‑мышление и управление рисками: умение документировать решения, оценивать риски, обеспечивать человеческий контроль там, где это требуется регуляторикой и ответственностью (особенно актуально для HR/финансов/госсектора)
ИИ не «забирает профессии» напрямую. Он постепенно убирает всё, что можно стандартизировать и масштабировать. И в этом процессе выигрывают не те, кто лучше выполняет инструкции, а те, кто умеет проектировать, контролировать и улучшать систему работы.
Международная организация труда:
● Совместный обзор и индекс экспозиции GenAI (1 из 4 рабочих мест потенциально экспонировано; 34% в high‑income; канцелярские роли наиболее экспонированы; «трансформация вероятнее замещения»).
● Working Paper 96 (2023): оценка доли задач в делопроизводстве с высокой/средней экспозицией; оценки по группам дохода (automation/augmentation) и ограничения внедрения инфраструктурой.
ОЭСР:
● «Using AI in the workplace» (2024): восприятие работниками/работодателями, риски вытеснения, роль обучения и консультаций; оценка доли занятости в «высоко автоматизируемых» работах и привязка к Employment Outlook 2023.
● «Who will be the workers most affected by AI?» (2024): объяснение метрики AI exposure, контраст «беловоротничковых» и ручных профессий, ограничение интерпретации «экспозиции» как предсказания исчезновения профессии.
● «Generative AI and the SME Workforce» (2025): данные об использовании GenAI (≈31% МСП), фокус на «простых периферийных задачах», влияние на подрядчиков/нагрузку/штат.
Всемирный экономический форум:
● Digest «Future of Jobs Report 2025» (основные тренды 2025–2030, ожидаемые отказы для канцелярских ролей; «skill instability», топ‑навыки и планы компаний сокращать персонал там, где ИИ автоматизирует задачи).
Международный валютный фонд:
● Staff Discussion Note (2024) о влиянии AI/GenAI на рынки труда: оценки общей экспозиции по группам стран, различия «advanced vs emerging», приоритеты инфраструктуры/навыков и регулирования.
OpenAI и Университет Пенсильвании (арXiv working paper):
● Оценка доли задач, потенциально затрагиваемых LLM в США (например, «≈80% работников имеют ≥10% задач под воздействием», «≈19% — ≥50% задач»; важность LLM‑powered software).
Европейский союз / Европейская комиссия:
● Официальная временная шкала применения AI Act (этапы 2025–2027), важная как фактор замедления/удорожания внедрения в high‑risk доменах.
Кейсы внедрения (компании и профильные медиа):
● Duolingo — публично обсуждаемая политика «AI‑first» и замена контракторов в автоматизируемых задачах.
● Klarna — пресс‑релиз об эффекте ИИ‑ассистента (2/3 чатов; эквивалент 700 FTE) и показатели эффективности.
● Reuters — сообщения о снижении численности/ожидании дальнейших сокращений на фоне внедрения чат‑ботов.
● РБК — русскоязычный обзор корпоративных сценариев применения GenAI (поддержка, бэк‑офис, барьеры безопасности/регуляторики; упоминание кейса Klarna).