Что не так с прогнозами о том, кого заменит ИИ

Все говорят о влиянии ИИ на рынок труда, однако в действительности единого понимания того, что именно означает это влияние, не существует. Это хорошо показывают семь различных показателей, которые сегодня используются в исследованиях, оценивающих воздействие ИИ на рынок труда. Для тех, кто предпочитает принимать решения — в том числе карьерные и инвестиционные — на основе данных, а не громких заголовков, это хороший повод разобраться, что на самом деле стоит за подобными утверждениями.

Что показали исследования 

Разговоры о том, что ИИ вот-вот заменит те или иные профессии, обычно строятся на одной цифре: так называемом «показателе экспозиции» (AI exposure score), то есть «подверженности воздействию». Профессию оценивают от 0 до 1 в зависимости от того, какая доля ее задач уже выполняется или потенциально может выполняться с помощью ИИ. Звучит просто, но проблема в том, что такой показатель можно рассчитать и пятью разными способами, и семью, и эти способы принципиально расходятся в методологии.

Один подход анализирует реальные логи использования ИИ-чатов: что именно люди просят сделать Claude в рамках своей работы, какие задачи они реально ему делегируют. Второй делает то же самое, но с Microsoft Copilot: смотрит, на что люди опираются, когда пользуются этим инструментом в офисной работе. Третий подход идет «сверху»: людям с экспертизой в конкретной профессии предлагают оценить, какие рабочие навыки ИИ теоретически способен выполнить, вне зависимости от того, пользуется ли кто-то им так на практике. Четвертый просит саму нейросеть (ChatGPT) оценить собственную полезность по каждой задаче внутри профессии, то есть ИИ сам предсказывает, где он мог бы помочь. Пятый подход вообще не смотрит на использование, а сканирует миллионы вакансий на предмет упоминания ИИ-навыков, считая спрос работодателей на такие навыки косвенным индикатором экспозиции профессии.

Теоретические и предсказательные оценки (экспертное суждение, самооценка модели, анализ вакансий) систематически получаются выше, чем оценки, построенные на факте использования, просто потому что они не учитывают, происходит ли внедрение вообще и оправдано ли оно экономически. Модель или эксперт могут решить, что задача технически автоматизируема, но на практике никто пока не готов платить за такую автоматизацию, менять процессы или доверять результату. В итоге одна и та же профессия может выглядеть «под угрозой» по одной методике и почти не затронутой, если судить по другой.

Экономисты Yale Budget Lab сравнили семь показателей, которые в научных работах используют для оценки влияния ИИ на профессии. Два показателя оценивают, насколько GPT способен ускорить выполнение рабочих задач: один основан на мнении самой модели GPT-4, второй — на мнении живых людей-экспертов. Еще два показателя работают похоже, но по методике другой группы исследователей: один учитывает все задачи профессии, второй — только самые важные. Пятый показатель основан на опросе людей через сервис для подработок Amazon Mechanical Turk. Шестой разработан в Microsoft и построен на анализе реальных переписок пользователей с Copilot. Седьмой не связан с ИИ-моделями напрямую: он смотрит на патенты в сфере ИИ и сопоставляет их с рабочими задачами разных профессий.

В результате, исследователи свели все семь метрик к единой системе классификации профессий и получили 867 профессий с данными хотя бы по одной метрике, из них 710 с данными сразу по всем. Дальше исследователи посчитали для каждой профессии не только среднюю (взвешенную через метод главных компонент) оценку экспозиции, но и разброс (дисперсию) между семью метриками: чем ниже разброс, тем сильнее метрики согласны друг с другом по этой профессии, чем выше, тем сильнее расходятся.

Интересная деталь: метрика Webb, построенная на патентах, оказалась настоящим выбросом: ее вклад в общий взвешенный показатель почти в десять раз меньше, чем у остальных шести метрик, которые между собой довольно тесно кластеризуются. Это означает, что подход через патенты меряет что-то заметно отличное от остальных методов, и авторы в итоге исключили ее из основного анализа, чтобы не терять почти 70 дополнительных профессий с неполными данными.

Главный результат: разброс оценок систематически растет вместе со средней экспозицией, и это статистически значимая связь (рост взвешенного показателя экспозиции на единицу увеличивает разброс оценок примерно на 0,06). Эффект не гигантский, но устойчивый и сохраняется даже с поправкой на долю женщин в профессии, уровень зарплаты и укрупненную категорию занятости.

Наглядный пример: сантехники против программистов. По сантехникам все семь метрик практически единодушны: разброс оценок близок к нулю, а средняя экспозиция одна из самых низких среди всех профессий. С программистами все иначе: они стабильно в верхней части рейтинга по каждой из семи метрик, но разброс между методиками один из самых больших в выборке (88-й процентиль по величине разногласий). По одной методике программисты входят в 99-й процентиль самых экспонированных профессий, а по другой, не менее авторитетной, только в 88-й. Еще сильнее расхождения по профессии веб- и интерфейс-дизайнеров.

Если смотреть не на отдельные профессии, а на укрупненные категории занятости, закономерность становится еще четче. Профессии, связанные с вычислениями, работой с текстом или административными задачами, в среднем получают одновременно и более высокую экспозицию, и более сильные разногласия между методиками. Профессии с ручным трудом, строительство, монтаж, обслуживание оборудования, наоборот, получают низкую среднюю экспозицию и высокое согласие между всеми подходами.

Связь между разногласиями и уровнем зарплаты имеет форму буквы U. Больше всего споров по высокооплачиваемым технологическим и офисным профессиям, где как раз сосредоточен основной потенциал генеративного ИИ, и по низкооплачиваемым офисно-административным позициям, которые разные метрики почему-то оценивают очень непоследовательно. А вот профессии со средним уровнем зарплаты вызывают заметно меньше разногласий.

По гендерному составу картина похожая: сильнее всего методики расходятся там, где доля женщин в профессии составляет примерно 30–50%, то есть в смешанных по составу ролях. Профессии с наименьшей долей женщин, преимущественно мужской ручной труд, получают самую низкую и самую согласованную оценку экспозиции. Женские офисно-административные профессии показывают и высокую экспозицию, и заметный разброс мнений. При этом здравоохранение, тоже традиционно женская сфера, получает низкую экспозицию, несмотря на похожий гендерный состав с офисной работой: одна и та же демографическая группа профессий может вести себя совсем по-разному в зависимости от реального содержания труда.

Похожие выводы уже делали и другие исследователи, которые фиксировали разногласия между разными показателями экспозиции и рекомендовали использовать гибридный подход вместо одной-единственной оценки. Другие показывали, что разные метрики попросту улавливают разные грани ИИ: например, метрика Felten особенно высока для менеджеров, специалистов и офисных сотрудников и очень низка для сферы услуг, производства и строительства, а метрика Webb сильнее связана с уровнем зарплаты, чем с содержанием конкретных задач.

Отдельно авторы Yale Budget Lab подчеркивают важную вещь: высокая оценка экспозиции профессии на ИИ не означает прогноз ее полного исчезновения. Показатель лишь указывает, где именно на рынке труда ИИ способен оказать влияние, позитивное или негативное, частичное или полное. Похожую мысль независимо формулируют и экономисты Apollo: показатели расходятся особенно сильно именно там, где общественная тревога выше всего,то есть  среди налоговых консультантов, телемаркетологов, математиков и копирайтеров, тогда как по низкоэкспонированным профессиям вроде парикмахеров и танцоров все исследования на удивление единодушны.

Как читать график

Каждая точка на графике — отдельная профессия. По горизонтали отложена средняя оценка того, насколько работа подвержена ИИ (0 — не подвержена вовсе, 1 — потенциально может быть автоматизирована полностью); эта оценка усредняется по нескольким независимым исследованиям. По вертикали — насколько сильно эти исследования расходятся друг с другом в оценке именно этой профессии.

Заголовок графика говорит: чем выше средняя оценка экспозиции, тем шире разброс мнений между исследованиями. На практике это значит, что по профессиям с низкой экспозицией — например, парикмахерам или танцорам — все исследования дают похожие, низкие оценки: точки жмутся к нулю по обеим осям. А вот по профессиям с высокой экспозицией — как раз тем, которые вызывают наибольшее беспокойство, вроде налоговых консультантов, телемаркетологов или математиков — оценки исследований расходятся гораздо сильнее: точки уходят вправо (высокая экспозиция) и одновременно вверх (большой разброс).

Иными словами: заголовок описывает не то, что каждая высокоэкспонированная профессия обязательно вызывает споры, а то, что с ростом экспозиции диапазон возможного разброса мнений расширяется — от почти полного согласия у одних профессий до сильных разногласий у других.

Что в итоге

Если собрать исследования и логику графика вместе, картина получается следующая. Есть широкий и устойчивый консенсус относительно профессий с физическим трудом и части бытовых услуг: строители, монтажники, механики, сантехники, парикмахеры, танцоры. Здесь риск замещения ИИ действительно минимален, и с этим согласны практически все методики, от логов реального использования чат-ботов до анализа патентов.

С профессиями, которые чаще всего и упоминают в разговорах про «риск ИИ», ситуация обратная. Программисты, веб-дизайнеры, налоговые консультанты, телемаркетологи, математики, копирайтеры, офисные административные работники: по каждой из этих профессий все методики согласны, что она затронута заметно сильнее среднего. Но степень этого влияния, то есть именно то, что и волнует людей больше всего, остается предметом серьезных разногласий между разными подходами. 

Это не случайность: такие роли обычно состоят из очень разных по природе задач, часть которых ИИ действительно способен взять на себя, а часть с трудом поддается автоматизации. Именно это внутреннее несовпадение и порождает разброс оценок между методиками, которые смотрят на профессию под разным углом: кто-то через призму реального использования, кто-то через теоретические возможности модели.

Отсюда практический вывод для тех, кто читает подобные заголовки в новостях. Когда кто-то говорит, что профессия «сильно подвержена ИИ», первый разумный вопрос: подвержена по какой методике и что именно эта методика измеряет, реальное использование или теоретическую возможность. Пока это не уточнено, сама формулировка «экспозиция к ИИ» значит куда меньше, чем кажется на первый взгляд, и точно не может служить основанием для конкретного прогноза по срокам исчезновения той или иной работы.

Показатель экспозиции разумнее воспринимать не как обратный отсчет до замены конкретных профессий, а как карту того, где на рынке труда сегодня сконцентрирована неопределенность. И, что особенно важно, именно там, где заголовки звучат громче всего, профессиональная скромность в прогнозах уместнее всего: экономисты сами признают, что понимают меньше всего именно про те профессии, вокруг которых больше всего шума.