Как понять, заменит ли ИИ вашу работу: тест из пяти вопросов

Вопрос «заменит ли ИИ мою профессию» звучит понятно, но ведёт не туда. Профессия — это набор очень разных занятий. Маркетолог изучает конкурентов, пишет тексты, согласовывает приоритеты, читает реакцию клиентов и отвечает за результат кампании. Разработчик пишет код, разбирает сбои, выбирает компромиссы, проверяет безопасность и отвечает, когда прод падает. Модель может быть сильной в одном деле и ненадёжной в соседнем.

Международная организация труда разобрала почти 30 000 рабочих задач и получила похожий вывод: 25% мировой занятости приходится на профессии с той или иной степенью подверженности генеративному ИИ, но трансформация вероятнее полной замены. Данные о фактическом использовании Anthropic показывают то же самое — ИИ распределяется по задачам, а не стирает профессии целиком.

Поэтому вместо одной драматичной цифры по профессии разумнее прогнать свои задачи через пять вопросов.

1. Задача уже живёт на экране?

ИИ приходит туда, где вход и выход уже находятся в цифровом виде.

Написать письмо, преобразовать таблицу, собрать первую версию кода, сделать выжимку из договора, разложить тикет поддержки по категориям — для этого не нужен ни робот, ни склад, ни выезд к клиенту. Задачу можно положить прямо в контекст модели.

Физическая работа меняется медленнее. Модель подготовит чек-лист обслуживания, но осмотр гудящего станка в незнакомом здании — совсем другая задача.

Высокая подверженность: тексты, код, исследования, отчётность, обработка документов.
Низкая: монтаж, ремонт, уход за пациентом, выездная инспекция, ручное ремесло.

2. Задача повторяется?

Модели лучше всего работают там, где хороший ответ похож на множество предыдущих ответов.

Стандартное описание товара, типовой эндпоинт, еженедельный отчёт, рутинная проверка счёта — у всего этого узнаваемые входы и шаблоны. Новая стратегия, мутный инцидент или политически чувствительные переговоры — нет.

Отсюда и первый заметный эффект: люди реже теряют работу целиком, зато внутри профессии исчезает рутина. И здесь прячется проблема карьеры. Рутинные задачи были тем местом, где джуны набирали понимание предметной области. Если автоматизировать все задания для новичков, придётся придумывать другой способ выращивать будущих специалистов.

3. Результат можно проверить быстро?

Автоматизация окупается там, где ошибку легко заметить.

• Код компилируется и проходит тесты.
• Перевод сравнивают с оригиналом.
• Извлечённые поля проверяют по схеме.
• Сгенерированную картинку оценивают с первого взгляда.

Тот же самый инструмент становится куда менее полезным, когда качество видно только через месяцы. Слабый найм, плохой план урока или неудачное архитектурное решение на первый день выглядят убедительно.

Проверяемость часто важнее «ума» модели. Компания спокойно отдаёт несовершенную задачу, если у неё есть дешёвый и надёжный способ поймать брак.

4. Что будет, если ошибка?

Уметь — не то же самое, что иметь право применять.

Сгенерированную подпись к посту в соцсетях посмотрят и перепишут. Медицинское решение, аудиторское заключение, отказ в кредите, выкатка в прод или судебный документ тянут за собой последствия, за которые кто-то должен отвечать.

Регулирование тут важно, но не только оно: есть ещё страхование, репутация, доверие клиентов и стоимость надзора. Даже когда ИИ способен выдать ответ, бизнесу всё равно может понадобиться квалифицированный человек для утверждения.

Поэтому роли с высокой ответственностью чаще меняются, чем исчезают. Специалист делает меньше рутинных шагов, но по-прежнему принимает финальное решение.

5. Задача зависит от человеческого контекста?

Модели работают с записанным контекстом. Неписаный контекст команды, клиента или организации им не принадлежит по умолчанию.

Примеры:

• понимать, кто из стейкхолдеров заблокирует технически верное решение;
• замечать, что пациент что-то недоговаривает;
• объяснять, почему задержка поставщика серьёзнее, чем следует из его письма;
• решать, когда для правила стоит сделать исключение;
• иметь достаточно доверия, чтобы сказать неприятную правду.

Чем сильнее задача держится на отношениях, неявном знании и ответственности за последствия, тем выше шанс, что ИИ будет поддерживать человека, а не заменять роль.

Что меняется первым в разных профессиях

Это не вечные границы, а сегодняшние узкие места. Более сильные модели сдвигают линию, а регулирование, цена и доверие её придерживают.

Четыре сценария, к которым стоит готовиться

Профессия остаётся, младший слой сжимается

Когда ИИ забирает черновики и рутинное исполнение, один опытный человек делает больше. Специальность выживает, а вот на самые простые позиции берут меньше людей.

Роль становится надзорной

Времени на производство первой версии уходит меньше, на выбор, проверку, сборку и объяснение — больше. Суждение дорожает, непроверенный результат дешевеет.

Границы между специальностями размываются

Продакт-менеджер собирает прототип. Дизайнер реализует интерфейс. Разработчик пишет документацию и запускает маркетинговые эксперименты. Заходить на соседнюю территорию стало дешевле.

Появляется спрос вокруг самой автоматизации

Организациям нужны люди, которые структурируют знания, оценивают вывод модели, управляют доступами, следят за сбоями, перепроектируют процессы и решают, где автоматизацию пора остановить.

Посчитайте свои задачи

Выпишите десять дел, которые съедают большую часть недели. По каждому поставьте оценку от 0 до 2 по пяти пунктам:

1. Работа полностью цифровая?
2. Она повторяется по узнаваемому шаблону?
3. Хороший результат проверяется быстро?
4. Цена ошибки низкая?
5. Нужно ли мало отношений и физического контекста?

Задача с суммой 8–10 — сильный кандидат на автоматизацию в ближайшее время.
4–7 — скорее всего станет работой вместе с ИИ.
0–3 — дольше останется за человеком.

Это инструмент расстановки приоритетов, а не прогноз. Счёт меняется вместе с организацией, регулированием, доступом к данным и качеством всей системы вокруг.

Рынок может расти и при этом казаться сложнее

Всемирный экономический форум оценивает, что к 2030 году появится 170 млн ролей и исчезнет 92 млн — по разным макротрендам это плюс 78 млн. Из этого не следует, что каждый работник плавно переедет с убывающей задачи на растущую.

Новые позиции могут требовать других навыков, находиться в других местах и платить иначе. Параллельно организациям нужно больше софта, аналитики и контента при меньшем числе людей на единицу выпуска.

Обе вещи могут быть верны одновременно: работы производится больше, а вход в некоторые профессии становится уже.

Что делать уже сейчас

• Автоматизируйте одну повторяющуюся задачу сами. Поймите, где система сильна и где врёт, пока регламент за вас не переписал кто-то другой.
• Идите ближе к проверке. Тестирование, редактура, оценка и контроль качества дорожают по мере того, как генерация дешевеет.
• Копите знание предметной области. Обобщённый текст автоматизировать проще, чем понимание того, почему конкретная организация принимает конкретное решение.
• Учитесь отвечать за результат. Человек, который выбирает компромисс и берёт на себя последствия, заменить сложнее, чем того, кто выдаёт черновик.
• Осваивайте смежное. Выигрывают те, кто умеет связывать продукт, данные, операции, дизайн и реализацию.

Ни один из этих шагов не даёт гарантии. Но они переводят разговор из плоскости «заменит или нет» в плоскость конкретных дел, которые вы делаете каждый день, — а именно там ИИ и проявляется в первую очередь.