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.

Где риск выше всего: логика, а не список профессий

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.

Почему именно эти роли: два ключевых сигнала

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.

Важное уточнение: экспозиция ≠ автоматизация

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.

Методология: почему мы смотрим на задачи, а не на профессии

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.

Что уже происходит: реальные кейсы

Чтобы понять скорость изменений, важно смотреть не на прогнозы, а на практику.

1. KlarnaЗамещение первой линии поддержки «эквивалентом FTE». Компания заявила, что её ИИ‑ассистент за первый месяц обработал 2,3 млн диалогов (2/3 всех обращений), выполняя «эквивалент работы 700 штатных агентов», и сократил среднее время решения задачи с 11 до <2 минут. Это один из наиболее «чистых» публичных примеров, где фирма напрямую переводит эффект в эквивалент занятости. Дополнительно, в медиа фиксировались сообщения о снижении численности и ожидании дальнейших сокращений по мере внедрения чат‑ботов.
2. Малый и средний бизнес (данные ОЭСР)Снижение потребности в подрядчиках и части штата. По репрезентативному опросу МСП в 7 странах 14,3% компаний сообщили, что GenAI снизил их зависимость от внешних подрядчиков, а 9,1% сообщили о снижении общей потребности в персонале (при том, что 83% изменений по численности не наблюдали). В практическом смысле это означает, что «вытеснение» в ближайшие годы часто будет начинаться именно с аутсорса (дизайн/тексты/аналитика «по запросу») и «необязательной» поддержки.
3. DuolingoОбъявленная стратегия постепенной замены контракторов там, где работу может сделать ИИ. В публично обсуждаемом внутреннем письме компания описала курс «AI‑first», включая намерение постепенно прекращать использование контракторов для задач, которые способен выполнять ИИ. Этот кейс важен тем, что демонстрирует не «лабораторную возможность», а управленческое решение: «ИИ по умолчанию» для ряда задач производства контента.
4. IBMЗаморозка найма в бэкофисе как форма вытеснения через «не‑замещение» позиций. В сообщениях со ссылкой на руководство говорилось о плане приостановить найм на часть бэк‑офисных ролей (например, HR), поскольку они могут быть заменены ИИ и автоматизацией «в ближайшие годы». Для горизонта 2–3 года это типичный паттерн: не массовые увольнения, а «позиции исчезают через текучесть». (Отраслевой риск: заметна зависимость от законодательства и профсоюзов; различается по странам).
5. Контакт‑центры Измеряемый рост производительности от GenAI, создающий прямую экономику замещения. В исследовании Национальное бюро экономических исследований о внедрении GenAI‑ассистента для сотрудников поддержки зафиксирован рост продуктивности примерно на 14% (а у новичков — существенно выше). Авторы отдельно отмечают, что в зависимости от эластичности спроса на поддержку такие инструменты могут в долгосрочном итоге снизить спрос на работников (если спрос на поддержку «не растет» вслед за удешевлением).

Что ускоряет и что тормозит изменения

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).

Главный вывод для сотрудников и руководителей

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.

Рекомендация специалистам

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.

Рекомендации политикам и регуляторам

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.

Как адаптироваться: практическая стратегия

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.

Навыки, которые будут определять занятость

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.