AI и рынок труда: первые реальные данные вместо прогнозов
Anthropic впервые измерила реальное влияние AI на рынок труда через метрику Observed Exposure. Разбираем разрыв между теорией и практикой, топ профессий и парадокс найма молодых
AI и рынок труда: первые реальные данные вместо прогнозов
Два с половиной года апокалиптических заголовков. «AI заменит 300 миллионов рабочих мест». «80% профессий под угрозой». «Белые воротнички вымрут первыми». Goldman Sachs в 2023-м спрогнозировал 1,5 процентных пункта роста производительности в год. McKinsey пообещал трансформацию всех отраслей. OpenAI опубликовал исследование, что 80% рабочей силы затронуто.
Я и сам дважды писал на эту тему, опираясь на эти прогнозы. И каждый раз оговаривался: «это теория, реальные данные покажут». Ну вот. Показали.
А потом вышли реальные данные. И оказалось, что безработица в профессиях, максимально подверженных AI, с момента запуска ChatGPT… не изменилась. Вообще. Статистически неотличима от нуля.
Но. Найм молодых специалистов 22–25 лет в тех же профессиях упал на 14%.
Одновременно — и «ничего страшного», и «кое-что уже происходит». Зависит от того, куда смотришь и сколько тебе лет.
Это не прогноз. Это измерение. Исследование Anthropic от 5 марта 2026 года, авторы — Maxim Massenkoff и Peter McCrory. Первая в истории работа, которая измеряет не теоретическую способность AI заменить задачи, а реальное наблюдаемое использование. Не «что AI мог бы», а «что AI уже делает». Для этого они взяли анонимизированные данные о том, как реальные люди используют Claude в рабочих контекстах, и наложили на базу из 800 профессий и 19 000 задач.
И разрыв между «теорией» и «практикой» оказался самой важной цифрой во всей дискуссии об AI и работе.
В категории Computer & Math теоретическая экспозиция — 94%. Реальная наблюдаемая — 33%. Разница в три раза.
Это как разница между «сколько людей может пробежать марафон» и «сколько людей бежит марафон». Теоретически — почти все здоровые взрослые. Практически — доли процента.
Разберём, что именно они измерили, почему это меняет разговор о карьере и что конкретно из этого следует.
Почему все предыдущие исследования были «в вакууме»
С 2023 года вышло минимум десяток серьёзных работ о влиянии AI на рынок труда. Самая цитируемая — «GPTs are GPTs» от Tyna Eloundou и коллег из OpenAI (март 2023, опубликована в Science в 2024). Они предложили метрику β (бета): для каждой из 19 000+ задач из базы O*NET эксперты оценивали, может ли LLM выполнить задачу вдвое быстрее. β = 1 — может сама LLM, β = 0,5 — может с дополнительным софтом, β = 0 — не может.
Результат: 80% рабочей силы США затронуты хотя бы на 10% своих задач. 19% — на 50% и более. Цифры обошли все деловые издания мира.
Проблема одна: это измерение потенциала, а не реальности.
Eloundou et al. оценивали, может ли LLM уровня GPT-4 ускорить задачу «авторизовать рецепт и выдать информацию о препарате в аптеке» (β = 1, полностью feasible). Технически — да, LLM справится. Практически — ни одна аптека в мире этого не делает, потому что есть регуляторные требования, страховые проверки и юридическая ответственность.
Это как сказать, что абонемент в спортзал может дать вам кубики пресса. Технически правда. Практически бессмысленно без замера, кто реально ходит в зал и что там делает.
| Исследование | Год | Что измеряет | Источник данных | Ограничение |
|---|---|---|---|---|
| Eloundou et al. «GPTs are GPTs» | 2023 | Теоретические возможности LLM | Экспертные оценки + GPT-4 | Нет данных о реальном использовании |
| Felten, Raj & Seamans (AIOE) | 2021 | Пересечение AI-патентов и навыков O*NET | AI-патенты + O*NET | Нет поведенческих данных |
| Massenkoff & McCrory | 2026 | Реальное наблюдаемое использование | Данные Claude + O*NET + Eloundou β | US-centric, данные одной платформы |
Massenkoff и McCrory сделали то, чего не делал никто до них: взяли теоретические оценки Eloundou и наложили на них данные реального использования Claude.
И это не единственная проблема предыдущих подходов. Сами авторы исследования подчёркивают: история прогнозов про технологии и работу — это история провалов. Знаменитая работа Blinder et al. (2009) определила четверть всех рабочих мест в США как «уязвимые для офшоринга». Прошло 15 лет — большинство этих профессий нормально росли. Собственные прогнозы BLS по росту занятости, хоть и верные по направлению, добавляли мало предсказательной силы сверх простой экстраполяции трендов. Даже постфактум учёные спорят о масштабе влияния промышленных роботов и «китайского шока» на американский рынок труда.
Это не значит, что прогнозы бесполезны. Это значит, что замеры ценнее прогнозов. И Massenkoff с McCrory впервые дали именно замер.
Что такое Observed Exposure и как оно устроено
Метрика называется Observed Exposure (наблюдаемая экспозиция). Звучит по-академически, но суть проста: из тех задач, которые LLM теоретически могла бы ускорить, какие реально автоматизируются в профессиональных контекстах?
Чтобы ответить на этот вопрос, авторы скрестили три источника данных. Объясняю каждый.
Берём задачи профессии из O*NET → фильтруем по теоретической возможности (Eloundou β > 0) → проверяем, видим ли реальное использование Claude на этих задачах → даём полный вес автоматизации (API, без человека) и половинный вес augmentation (человек + AI) → взвешиваем по доле времени, которую задача занимает в профессии
Источник 1: O*NET. Это база данных Министерства труда США, которая описывает около 800 профессий через их составляющие задачи. Программист — это не просто «программист», а набор из десятков конкретных задач: «писать и поддерживать код», «тестировать программы», «документировать архитектуру», «общаться с заказчиком». Каждая задача имеет вес — долю рабочего времени, которую она занимает.
Источник 2: Eloundou β. Теоретическая оценка каждой задачи из O*NET по шкале от 0 до 1. Может ли LLM (уровня GPT-4 на момент оценки) выполнить эту задачу вдвое быстрее? β = 1 означает «да, LLM сама справится». β = 0,5 — «справится с дополнительным софтом». β = 0 — «не справится». 68% всего наблюдаемого использования Claude приходится на задачи с β = 1, ещё 29% — на задачи с β = 0,5. Только 3% — на задачи, которые Eloundou оценила как не-feasible. Люди действительно используют AI для того, для чего он работает.
Источник 3: Anthropic Economic Index. Это собственные данные Anthropic — анализ анонимизированных разговоров пользователей Claude. Для каждой задачи из O*NET авторы проверяют: есть ли достаточный объём рабочего (не личного, не учебного) использования Claude на эту задачу? Первый отчёт Economic Index показал, что использование Claude сильно варьируется географически: в богатых странах больше личного использования, в развивающихся — больше рабочего и учебного.
Дальше наступает самый интересный шаг. Авторы не просто считают, сколько людей используют Claude для данной задачи. Они смотрят как. Если задача выполняется через API (компания встроила Claude в свой продукт, человек в процессе не участвует) — это automation, полный вес. Если человек разговаривает с Claude в чате и использует результат в своей работе — это augmentation, половинный вес. Разница принципиальная: automation замещает рабочее место, augmentation усиливает существующего работника.
Можно думать об этом как о четырёхступенчатом фильтре. На входе — вся вода теоретических возможностей. Первый фильтр: вообще feasible? Второй: реально используется? Третий: в рабочем контексте? Четвёртый: автоматизация или помощь? На выходе — тонкая струйка того, что реально меняет рынок труда.
И вот как выглядит результат по основным категориям профессий:
Синие бары — теоретическая AI-экспозиция (Eloundou et al. β), зелёные — наблюдаемая экспозиция (Massenkoff & McCrory). Точные значения для Computer & Math из отчёта; остальные — визуальная аппроксимация по радарной диаграмме Figure 2.
Синие бары — то, что AI может. Зелёные — то, что AI реально делает. Разрыв виден невооружённым глазом. Даже в самой «цифровой» категории, Computer & Math, реальное покрытие втрое меньше теоретического. А в строительстве, сельском хозяйстве, общепите — практически ноль.
97% всего наблюдаемого использования Claude приходится на задачи, которые Eloundou et al. оценили как теоретически feasible (β = 0,5 или β = 1). Люди действительно используют AI для тех задач, где он работает. Но из всех теоретически возможных задач реально покрыта лишь малая часть.
Топ-10 профессий с максимальной реальной экспозицией
Вот конкретные профессии, где Observed Exposure самая высокая. Данные из исследования:
| Профессия | Observed Exposure | Главная автоматизируемая задача |
|---|---|---|
| Computer programmers | 74,5% | Писать, обновлять и поддерживать код |
| Customer service reps | 70,1% | Отвечать клиентам, принимать заказы, обрабатывать жалобы |
| Data entry keyers | 67,1% | Читать документы и вводить данные в системы |
| Medical record specialists | 66,7% | Компилировать, кодировать и абстрагировать данные пациентов |
| Marketing analysts | 64,8% | Готовить отчёты, визуализировать данные, переводить findings в текст |
| Sales reps (wholesale) | 62,8% | Связываться с клиентами, демонстрировать продукты, обрабатывать заказы |
| Financial analysts | 57,2% | Анализировать финансовую информацию для инвестиционных решений |
| QA-инженеры | 51,9% | Модифицировать код для исправления ошибок и улучшения производительности |
| Специалисты по ИБ | 48,6% | Проводить оценку рисков и тестировать безопасность данных |
| Техподдержка | 46,8% | Отвечать на вопросы про софт и железо, решать проблемы |
Программисты на первом месте — неудивительно. Coding assistants имеют самый высокий adoption rate среди всех AI-инструментов. Отчёт a16z от апреля 2026 показывает, что coding — это outlier: по объёму enterprise-выручки он опережает все остальные AI use cases на порядок. GitHub Copilot, Cursor, Claude Code, Amazon CodeWhisperer — целая индустрия выросла вокруг одной задачи: помогать программистам писать код. И у этой задачи есть свойство, которое делает AI-ассистентов особенно sticky: результат можно мгновенно проверить. Написал код → запустил → работает или нет. Обратная связь за секунды.
Customer service на втором — тоже логично. Чатботы на базе LLM стали первым массовым корпоративным применением AI. Авторы отмечают рост API-трафика (first-party, т. е. компании интегрируют Claude в свои системы поддержки, а не просто юзают через чат). Goldman Sachs нашёл, что customer support — одна из двух областей, где компании из S&P 500 реально измерили прирост производительности от AI: медиана — около 30%.
Data entry keyers на третьем месте (67,1%) — задача «читать документ и вводить данные в систему» прямо создана для LLM. Medical record specialists (66,7%) — похожая история: структурированные данные + жёсткие форматы + повторяющиеся паттерны. Маркетинг-аналитики (64,8%) — потому что «перевести данные в текстовый отчёт с графиками» это буквально то, что LLM делают лучше всего.
Обратите внимание на пропасть между первым и десятым местом: 74,5% vs 46,8%. Даже внутри «высоко экспонированных» профессий разброс огромный. А ведь это только топ-10 из 800.
На другом конце спектра — 30% всех работников США с нулевой AI-экспозицией. Повара, бармены, спасатели, мотомеханики, посудомойщики, гардеробщики. Их задачи просто не появляются в данных Claude в достаточном объёме. Физический мир остаётся стеной, через которую AI пока не проходит. Примечательно: это не «низкотехнологичные» профессии в уничижительном смысле. Это профессии, где ценность создаётся руками, телом, физическим присутствием. Ни один LLM не может заменить руки сантехника или реакцию спасателя.
Портрет «экспонированного» работника
Кто эти люди, чьи задачи AI реально выполняет? Исследование сравнивает топ-квартиль по экспозиции с 30% работников с нулевой экспозицией. Данные — Current Population Survey, август–октябрь 2022 (до запуска ChatGPT).
Это контринтуитивно и переворачивает привычный нарратив.
Во всех предыдущих промышленных революциях машины заменяли низкоквалифицированный физический труд. Ткачей, грузчиков, сборщиков на конвейере. «Автоматизация ударит по самым уязвимым» — это было правдой 200 лет подряд.
AI ломает эту закономерность. Самые экспонированные работники — это образованные, хорошо оплачиваемые, чаще женщины, в офисных профессиях. Люди с бакалавром в категории высокой экспозиции — 37,1%, а в нулевой — 13,3%. С graduate degree — 17,4% vs 4,5%, разница почти в четыре раза.
Мужчина с гаечным ключом безопаснее женщины с ноутбуком. По крайней мере, пока.
Ещё одна любопытная деталь: в exposed-группе ниже доля членов профсоюзов (5,3% vs 11,7%). Профсоюзы исторически сильнее в физических профессиях. Работники, которых AI затрагивает сильнее всего, меньше всего защищены коллективными договорами. Это не значит, что профсоюзы спасут от AI (они не спасли промышленных рабочих от роботов), но это добавляет ещё один слой уязвимости.
Что из этого следует? Традиционная «подушка безопасности» — образование — тут не работает. Обычно чем выше образование, тем ниже риск автоматизации. С AI наоборот: graduate degree увеличивает вашу экспозицию, потому что вы, скорее всего, работаете с текстом, данными и аналитикой — то есть с тем, что LLM делают лучше всего.
Парадокс: безработицы нет, но найм замедляется
Это самая важная часть исследования. И самая практически полезная.
Находка первая: массовых увольнений нет. Авторы сравнили уровень безработицы в топ-квартиле по AI-экспозиции с группой нулевой экспозиции, используя данные Current Population Survey с 2016 по 2025 год. Метод — difference-in-differences: смотрим, изменился ли разрыв между группами после выхода ChatGPT (ноябрь 2022).
Результат: средний пост-ChatGPT эффект на безработицу — +0,20 процентных пункта. Стандартная ошибка — 0,19. Статистически неотличимо от нуля. Никакого сигнала массового вытеснения.
Авторы проверяют это тремя дополнительными способами (разные пороги отсечки, данные по страховым заявкам, разные временные окна). Ни в одном варианте эффект не виден.
Находка вторая: молодых перестают нанимать.
Процент молодых работников (22–25 лет), начинающих новую работу в AI-exposed профессиях, упал на 14% по сравнению с 2022 годом. Job finding rate в exposed-профессиях снижается примерно на 0,5 процентного пункта в месяц. Для работников старше 25 лет аналогичного снижения нет.
Brynjolfsson et al. из Стэнфорда в параллельном исследовании на данных ADP (крупнейший payroll-процессор в США) нашли похожую цифру: 13% относительное снижение занятости среди 22–25-летних в AI-exposed профессиях. Они назвали статью «Canaries in the Coal Mine» — «канарейки в угольной шахте». И атрибутируют снижение именно замедлению найма, а не увеличению увольнений.
Goldman Sachs подтверждает тренд с другой стороны: компании, которые обсуждали влияние AI на earnings calls в Q4 2025, сократили вакансии на 12% за год — против 8% у всех компаний. Аналитики Goldman назвали это «nascent reluctance to hire in anticipation of potential productivity gains».
Находка третья: Bureau of Labor Statistics прогнозирует, что профессии с высокой Observed Exposure будут расти медленнее остальных в период 2024–2034. Регрессия показывает: каждые 10 процентных пунктов роста AI-покрытия снижают прогноз роста занятости на 0,6 п.п.
Что это значит в совокупности? AI не увольняет людей. Он перестаёт их нанимать. Печатный станок не выгнал монахов-переписчиков из монастыря — он просто сделал так, что новых монахов-переписчиков перестали набирать. Для 22-летнего, который входит на рынок труда, эффект тот же самый.
Авторы подчёркивают: замедление найма молодых не обязательно проявляется как рост безработицы. Молодые люди, которых не берут на работу, могут оставаться на старых позициях, менять профиль, возвращаться в учёбу или вообще выпадать из статистики рабочей силы. Это не всегда драма, но это всегда потерянные возможности.
Здесь есть и альтернативные объяснения, и авторы честно о них пишут. Может быть, молодые работники сами выбирают другие профессии. Может, job transitions в опросах CPS измеряются с ошибками. Но факт остаётся: два независимых исследования на разных данных (Anthropic на CPS, Brynjolfsson на ADP) видят одну и ту же картину. И Goldman Sachs фиксирует тот же тренд со стороны работодателей.
AI не увольняет людей — он перестаёт их нанимать. Сначала сужается вход: меньше junior-позиций, выше порог для entry-level. Потом attrition делает своё дело: люди уходят, а на их место не берут новых. Для 22-летнего эффект тот же, что и увольнение: работы нет.
Что движет разрыв между «может» и «делает»
Теоретическая экспозиция — 94% в Computer & Math. Наблюдаемая — 33%. Куда делись остальные 61 процентный пункт?
Adoption friction. Внедрение AI в организацию — это не «подключить ChatGPT». Это инфраструктура, обучение, change management, интеграция с существующими системами. По данным a16z, только треть Fortune 500 и пятая часть Global 2000 имеют реальные AI-деплойменты. MIT оценивает, что 95% пилотов генеративного AI не доходят до продакшена.
Augmentation, а не automation. Исследование Massenkoff & McCrory различает эти два режима. Augmentation (человек + AI, результат быстрее) получает половинный вес. Automation (AI делает задачу без человека, обычно через API) — полный вес. Бо́льшая часть текущего использования — это augmentation. Вы используете Claude, чтобы писать код быстрее, а не чтобы заменить программиста.
Регуляторные и trust-барьеры. Медицина, юриспруденция, финансы — зарегулированные отрасли, которые адаптируют технологии медленнее. AI может составить юридический документ, но юрист всё равно должен его проверить и подписать.
Гранулярность задач. Профессия «программист» — это 50 задач. AI хорошо справляется с 35 из них. Но оставшиеся 15 (архитектурные решения, коммуникация с заказчиком, дебаг нетривиальных систем) — это то, за что платят зарплату. a16z ровно про это пишут: «Если AI делает 50% задач человека, важность оставшихся 50% возрастает, потому что они становятся bottleneck’ом.» Каждый процент автоматизации не равен проценту экономической ценности.
Проблема «достаточно хорошо». AI может написать маркетинговый текст. Но маркетинг-директор всё равно хочет его проверить. AI может подготовить финансовый отчёт. Но CFO не подпишет его без ручной валидации. Человеческий oversight — это не лень и не луддизм. Это рациональная реакция на технологию, которая хороша в 95% случаев, но в 5% случаев уверенно врёт. А в финансах и медицине 5% ошибок — это катастрофа.
Goldman Sachs подтвердил масштаб проблемы на макроуровне: главный экономист Ян Хациус в феврале 2026 заявил, что $700 миллиардов AI-инвестиций дали «basically zero» вклада в рост ВВП США за 2025 год. Цифра сама по себе потрясающая. Семьсот миллиардов. Ноль отдачи. Хациус уточняет, почему: бо́льшая часть AI-инвестиций — это импорт оборудования, который добавляет ВВП Тайваня и Кореи, а не США.
При этом Goldman прогнозирует начало измеримого эффекта к 2027 году, а полный эффект (+1,5 п.п. к росту производительности в год) — в горизонте 10 лет. Из тех 10% компаний S&P 500, которые реально измерили AI-эффект, медианный прирост — 30%, причём только в двух областях: customer support и coding. Именно те области, которые возглавляют таблицу Observed Exposure.
Разрыв между «может» и «делает» — это не баг. Это нормальная кривая адаптации технологии. Электричество было изобретено в 1880-х, а рост производительности от электрификации фабрик начался в 1920-х. 40 лет разрыва. Персональные компьютеры появились в начале 1980-х, а Solow computer productivity paradox («мы видим компьютерный век повсюду, кроме статистики производительности») обсуждали до конца 1990-х. Тоже ~15 лет. С AI, вероятно, будет быстрее — LLM уже сейчас используются миллионами. Но между «используются» и «измеримо влияют на экономику» — пропасть, которую Goldman только что измерил.
Anthropic изучает свой собственный продукт
Слон в комнате: Massenkoff и McCrory работают в Anthropic. Они используют данные Claude. Они изучают влияние продукта своего работодателя на рынок труда.
Конфликт интересов? И да, и нет.
Да — потому что у них эксклюзивный доступ к данным, которых нет ни у кого. Никто снаружи не может проверить, как именно классифицируются разговоры пользователей Claude. Данные опубликованы на HuggingFace (покрытие на уровне задач и профессий), но сырые разговоры, естественно, нет.
Нет — потому что findings исследования объективно неудобны для Anthropic. Если вы продаёте AI, вам выгодно показать максимальный impactful. «Наш продукт покрывает 94% задач!» — это маркетинг. «Наш продукт реально покрывает 33% задач» — это честность, которая не помогает продажам.
Когда компания публикует исследование, показывающее, что её продукт влияет меньше, чем все думали, это заслуживает внимания. У них нет стимула занижать своё значение.
Ещё деталь: исследование строит инфраструктуру для мониторинга. Авторы прямо пишут, что планируют обновлять метрику по мере поступления новых данных. Это не разовый PR-отчёт — это попытка создать аналог экономических индикаторов для AI-эры. Если метрика приживётся, Anthropic получит роль «центрального статистического бюро» по AI и занятости. Это долгосрочная ставка на репутацию.
А что мне с этого?
Данные есть. Разрыв между теорией и практикой измерен. Тренды по молодым работникам видны. Что конкретно делать?
Если вам 22–28 лет
Вы в зоне максимального риска по данным этого исследования. Не потому что вас уволят, а потому что вас могут не нанять.
Не целитесь в «чистые» AI-exposed позиции для первой работы. Junior data analyst, начинающий программист, оператор колл-центра — это именно те роли, где найм замедляется. Целитесь в гибридные роли: аналитик, который ещё и проводит встречи с клиентами; программист, который ещё и управляет проектами; специалист по поддержке, который разруливает сложные эскалации.
И учите AI-инструменты сейчас. 14%-ное снижение найма — это для тех, кто конкурирует без AI-навыков. С AI-навыками вы — augmented worker, а не replaced worker. Разница принципиальная. Конкретно: научитесь работать с Claude/ChatGPT в своей профессиональной области. Не «попробовать один раз и забить», а встроить в ежедневный workflow. Программист, который пишет код с AI-ассистентом, и программист, который пишет без — это уже два разных уровня производительности. Через 2–3 года второго просто не будут нанимать.
Если вам 30–45 лет
Ваша работа, скорее всего, в безопасности прямо сейчас. Исследование не нашло роста безработицы среди exposed-работников. Расслабляться не стоит, но и паниковать не надо.
Сделайте простое упражнение. Возьмите свой типичный рабочий день и разбейте его на задачи. Сколько из них AI уже делает на уровне «достаточно хорошо»? Написать первый драфт отчёта? AI справится. Подготовить таблицу с данными? Справится. Ответить на типовое письмо клиента? Справится. Если больше половины ваших задач попадают в эту категорию — вы живёте на заёмном времени. Не потому что вас завтра уволят (исследование говорит, что нет), а потому что через 3–5 лет, когда adoption friction снизится и augmentation станет нормой, ваша позиция может просто не существовать при следующем раунде «оптимизации».
Сдвигайтесь от выполнения задач к проектированию процессов и контролю качества. Исследование показывает, что augmentation доминирует над automation. Станьте человеком, который использует AI и проверяет его работу, а не тем, чьи задачи AI заменяет. Менеджер, который раздаёт задачи AI-агентам и проверяет результат — это новая модель работы. Менеджер, который делает то же самое, что AI, но медленнее — это лишняя позиция в штатном расписании.
Если вы руководитель или владелец бизнеса
Reality gap — 94% vs 33% — это ваше окно возможностей. Ваши конкуренты тоже используют AI на 33%, не на 94%. Кто закроет разрыв первым — получит преимущество. И данные говорят, что закрывать нужно в конкретных местах.
Goldman Sachs нашёл, что те немногие компании, которые реально измерили AI-эффект, видят медианный прирост производительности около 30% — в двух конкретных областях: поддержка клиентов и разработка софта. Это не случайность: именно customer service reps и programmers возглавляют таблицу Observed Exposure. Начинайте оттуда, а не с «AI-стратегии для всей компании» (95% таких стратегий заканчиваются красивым PDF и нулевым внедрением).
И следите за pipeline джуниоров. Если вы перестанете нанимать начинающих, потому что «AI справится», через 5 лет у вас не будет mid-level специалистов. AI пока не заменяет опыт и judgment — он заменяет execution рутинных задач. А execution без judgment, который приходит только с опытом, бесполезен. Gans и Goldfarb (2025) из NBER описывают это как «O-ring модель»: если работа — цепочка взаимозависимых задач, автоматизация части из них не снижает потребность в человеке для оставшихся. Наоборот, оставшиеся задачи становятся более ценными, потому что именно они определяют качество конечного результата.
Если вы думаете о карьере детей
Физические навыки остаются защитой. 30% рабочей силы с нулевой AI-экспозицией — это не случайно. Электрик, сантехник, медсестра, строитель — профессии, которые требуют физического присутствия и мануальных навыков. Дженсен Хуанг из NVIDIA, когда его спросили про главные bottleneck’и индустрии, ответил: «Сантехники. Сантехники и электрики.» Это не шутка — масштабирование AI-инфраструктуры упирается в людей, которые физически прокладывают кабели и трубы.
Но самая сильная позиция — комбинация. Медицина + data analysis. Инженерия + коммуникация с заказчиком. Право + технологии. Чисто когнитивные, чисто компьютерные задачи — это то, что AI покрывает первым. Задачи на стыке когнитивного и физического, технического и коммуникативного — последнее, что будет автоматизировано.
Autor и Thompson (2025) из MIT назвали это «expertise» — ценность переместится от «знать ответ» (это AI делает хорошо) к «понимать, какой вопрос задавать, и нести ответственность за результат» (это AI не делает вообще).
Выводы
Massenkoff и McCrory сделали то, что нужно было сделать давно: измерили, а не спрогнозировали. И цифры оказались одновременно обнадёживающими и тревожными.
Обнадёживающее: AI пока далёк от теоретического потенциала. Реальное покрытие — треть от возможного в самых «цифровых» профессиях и около нуля в физических. Массовых увольнений нет и близко. $700 миллиардов AI-инвестиций не сдвинули стрелку ВВП.
Тревожное: найм молодых в AI-exposed профессиях замедляется. 14% — не статистический шум, а подтверждённый тренд (Brynjolfsson et al. находят 13% на независимых данных). BLS прогнозирует дальнейшее замедление до 2034. И это при текущих 33% покрытия. Что будет, когда покрытие вырастет до 50%? До 70%?
Ключевое число из этого исследования — не 74,5% для программистов и не 14% падения найма. Ключевое число — разрыв. 94% vs 33%. Потенциал vs реальность.
Этот разрыв будет закрываться. По мере того как модели станут лучше, adoption friction снизится, а компании научатся внедрять AI дальше поддержки и кода. Вопрос не «будет ли», а «с какой скоростью». И окажетесь ли вы к тому моменту на стороне тех, кто AI использует, или тех, чьи задачи AI заменяет.
Лучшее время скорректировать карьерную стратегию было два года назад, когда вышел ChatGPT. Второе лучшее — сейчас. И в отличие от тех пор, у вас теперь есть данные, а не только прогнозы.
Первоисточник: Massenkoff, M. & McCrory, P. «Labor market impacts of AI: A new measure and early evidence», Anthropic, March 5, 2026. Данные Observed Exposure доступны на HuggingFace.
Дополнительные источники: Eloundou et al. «GPTs are GPTs» (2023) · Brynjolfsson et al. «Canaries in the Coal Mine» (2025) · Goldman Sachs «How Will AI Affect the US Labor Market» (2026) · a16z «Where Enterprises are Actually Adopting AI» (2026) · Anthropic Economic Index (2026)