Заменит ли ИИ вашу профессию? Правильный вопрос — про задачи, а не про профессии
Самый частый вопрос про ИИ и работу звучит так: заменит ли он мою профессию? Вопрос понятный — и почти бесполезный. Потому что ИИ не работает на уровне профессий. Он работает на уровне задач. И как только вы это увидите, тревожный туман сменяется конкретным планом действий.
Главный разборНавыки, которые не заменит ИИ →
Откуда взялись 47% профессий под угрозой
В 2013 году оксфордские исследователи Карл Фрей и Майкл Осборн опубликовали оценку, которая обошла все СМИ: 47% рабочих мест в США находятся под угрозой автоматизации. Цифру немедленно растащили как прогноз: почти половину из нас уволят роботы.
Проблема в том, что авторы измеряли не это. Во-первых, они оценивали техническую возможность автоматизации — то есть можно ли в принципе поручить машине ту или иную работу, — а не реальные потери рабочих мест, которые зависят от экономики, регуляторики, скорости внедрения и сопротивления. Во-вторых, и это главное, они считали профессии целиком: если хотя бы одна задача внутри профессии поддавалась автоматизации, вся профессия попадала в группу риска. Сам Фрей позже не раз уточнял, что число прочитали неверно.
Пересчёт по задачам: не 47%, а 9%
Через три года экономисты OECD (Арнц, Грегори, Цираан) пересчитали ровно те же данные, но по другой единице — не по профессиям, а по задачам внутри них.
Разрыв между этими числами и есть главный урок. Дело не в том, что одни исследователи оптимисты, а другие паникёры. Дело в единице измерения. Даже в самых уязвимых профессиях остаётся масса задач, которые машине не даются, — и пока в профессии есть такие задачи, она не исчезает, а меняется.
Экономист Дэвид Аутор описывает механизм так: автоматизация забирает рутинные, кодифицируемые задачи — и одновременно усиливает ценность того, в чём у человека остаётся сравнительное преимущество. А Дарон Аджемоглу и Паскуаль Рестрепо добавляют важное: технологии не только убирают задачи, но и создают новые — те, которых раньше не существовало. Поэтому итог автоматизации никогда не сводится к простому вычитанию.
Перестаньте думать категорией «моей профессии» — разберите свою работу на задачи.
Как сделать аудит своих задач
Вот практическая часть, ради которой всё и затевалось. Перестаньте думать категорией моей профессии и разберите свою работу на задачи.
- Шаг 1. Выпишите, что вы реально делаете. Не должность, а конкретные действия за неделю. Не «рекрутинг вообще», а: читаю отклики, пишу письма кандидатам, провожу первичные интервью, согласовываю время встреч, принимаю решение по финалистам, защищаю выбор перед нанимающим менеджером. Чем конкретнее — тем точнее аудит.
- Шаг 2. Для каждой задачи задайте один вопрос: можно ли описать её по шагам, однозначно и повторяемо? Если да — это кодифицируемая, рутинная задача, и именно её ИИ заберёт первой. Если задача требует суждения в неоднозначности, чтения контекста, доверия или личной ответственности за результат — она устойчивее.
- Шаг 3. Посмотрите на пропорцию. Доля кодифицируемых задач — это и есть ваша зона уязвимости. Остальное — то, куда стоит вкладываться и углубляться. И ещё одно наблюдение: два человека с одинаковой должностью могут иметь совершенно разную экспозицию — всё зависит от того, из каких задач реально состоит их день.
Этот аудит ничего не стоит и не требует никаких внешних данных — знание о собственной работе у вас уже есть. Сложность только одна: какие задачи считать устойчивыми? Привычный ответ про творческие и человеческие задачи здесь не работает — граница проходит не там. Где именно — в двух следующих разборах: про то, какие навыки уходят первыми, и про три зоны, которые ИИ не возьмёт.
Источники: Frey & Osborne (2013), «The Future of Employment»; Arntz, Gregory, Zierahn (OECD, 2016, WP No. 189); Autor (2015), «Why Are There Still So Many Jobs?»; Acemoglu & Restrepo (2019), «Automation and New Tasks». Адаптация и комментарии — FutureHub, июнь 2026.
