Andrej Karpathy, a co-founder of OpenAI, spent a Saturday morning in March 2026 on a small side project: he had an LLM score how "digitally exposed" a few hundred U.S. occupations are, on a 0-to-10 scale. Software developers landed at 9 out of 10. The story spread fast, and by the next morning Karpathy had taken it down (it has since been restored with added disclaimers). He said it had been "wildly misinterpreted," even though the project notes explicitly warned that a high score did not mean a job would disappear.
То, как считают оценки риска потери работы из-за ИИ, важнее самой цифры из заголовка. Проект Карпаты, Goldman Sachs, Международный валютный фонд (МВФ) и Anthropic по-разному определяют «подверженность», поэтому их проценты нельзя подменять друг другом.
Одна и та же профессия может получить совершенно разные оценки в зависимости от метода, и ни одна из этих метрик сама по себе не скажет, потеряете ли вы работу.
Кратко (TL;DR)
- Публичные цифры «риска потери работы из-за ИИ» — это не одна метрика. Многие начинают с теоретической подверженности на основе навыков или задач профессии, тогда как Anthropic измеряет ещё и наблюдаемое использование ИИ; опросы работодателей, например Всемирного экономического форума, используют и вовсе другой инструмент.
- Теоретические оценки и оценки по наблюдаемому использованию могут резко расходиться для одной профессии. В сравнении Anthropic за март 2026 года теоретическая оценка Eloundou et al. давала задачам в компьютерных науках и математике 94 % подверженности, тогда как оценка наблюдаемой подверженности Anthropic достигала 33 %.
- Рецензируемое исследование 2025 года в PNAS Nexus сопоставило двенадцать оценок подверженности с риском безработицы и показало, что лучшая отдельная оценка объясняла лишь 10,7 % вариации; объединение всех двенадцати поднимало этот показатель до 29,8 %.
- Прежде чем доверять следующей цифре «риска потери работы из-за ИИ», полезно спросить, каким методом она получена, а не только что она показывает.
Чего эта статья не охватывает
Эта статья объясняет механизм, а не выносит вердикт конкретной профессии, поэтому несколько смежных вопросов остаются за её рамками:
- Она не ранжирует, какие профессии самые безопасные или самые уязвимые. Это уже другой жанр.
- Она не анализирует текущие тенденции найма по возрасту или стажу; для таких выводов о рынке труда нужна отдельная доказательная база, а не оценки подверженности.
- Она не прогнозирует, куда пойдут возможности ИИ. Вопрос о методологии остаётся в силе, какими бы хорошими ни стали будущие модели.
Как работает теоретическая оценка подверженности: O*NET, AIOE, Goldman Sachs и МВФ
Индекс AI Occupational Exposure, известный как AIOE, сопоставляет десять категорий применения ИИ с 52 профессиональными способностями из O*NET. Матрица, собранная краудсорсингом, оценивает, насколько каждое применение ИИ связано с каждой человеческой способностью, а затем оценка взвешивается по тому, насколько распространены и важны эти способности в конкретной профессии. Экономисты Эдвард Фелтен, Манав Радж и Роберт Симанс опубликовали метод в журнале Strategic Management Journal в 2021 году. Он стал одной из влиятельных основ для последующих попыток измерить подверженность профессий ИИ.
Главное в AIOE — это мера подверженности, а не внедрения. Он оценивает, насколько прогресс в приложениях ИИ пересекается со способностями, которых требует профессия; он не говорит, используют ли там ИИ работодатели, выгодно ли внедрение экономически и сократится ли занятость.
МВФ адаптировал меру подверженности Фелтена, Раджа и Симанса в дискуссионной записке сотрудников за январь 2024 года и дополнил её отдельным индексом комплементарности, который отражает, насколько профессия защищена от полного замещения такими факторами, как человеческое суждение, социальный контекст и физическое присутствие. По этой методике МВФ оценил, что почти 40 % мировой занятости приходится на высокоподверженные профессии, а в развитых экономиках — около 60 %.
Анализ Goldman Sachs за апрель 2026 года делает похожий следующий шаг: он объединяет прежнюю оценку вытеснения ИИ с индексом комплементарности экономистов МВФ, чтобы отделить вероятное замещение от усиления. По оценке Goldman, чистое торможение роста занятости в США за прошедший год составило примерно 16 000 рабочих мест в месяц, тогда как профессии с потенциалом усиления за счёт ИИ прибавляли около 9 000 рабочих мест в месяц.
Примечание: Доклад Всемирного экономического форума Future of Jobs Report прогнозирует 92 миллиона вытесненных и 170 миллионов созданных рабочих мест к 2030 году, но устроен совершенно иначе. Он основан на опросе более 1 000 работодателей, которые сообщают об ожидаемых изменениях численности персонала: это самоотчёт работодателей, а не оценка через разложение задач. Два структурно разных инструмента оказываются в одной фразе про «X миллионов рабочих мест».
Как Anthropic иначе измеряет «наблюдаемую подверженность»
Economic Index от Anthropic, впервые опубликованный в феврале 2025 года, отталкивается от совершенно иных данных: около миллиона реальных диалогов в Claude.ai, пропущенных через внутренний инструмент Clio, который сопоставляет каждый диалог с конкретной задачей в той же базе O*NET, на которую опираются оценки через разложение задач, при этом исследователь не читает сам чат. Там, где AIOE спрашивает, мог бы ИИ в принципе выполнить задачу, Index спрашивает, о чём люди его реально просят. Первый отчёт разделил диалоги на 57,4 % усиления, когда Claude помогает, а человек по-прежнему руководит работой, и 42,6 % автоматизации, когда Claude фактически выполняет задачу от начала до конца.
В своём продолжении за март 2026 года Anthropic превратила эти данные об использовании в новую меру «наблюдаемой подверженности». Она начинается с задач O*NET и теоретических оценок подверженности задач из Eloundou et al. (2023), а затем считает задачу покрытой, только если та достаточно часто встречается в рабочем использовании Claude. Полностью автоматизированные случаи получают полный вес, случаи усиления — половину, а покрытие задач взвешивается по доле времени, которую работники тратят на каждую задачу. В профессиях компьютерных наук и математики теоретическая мера β из Eloundou et al. достигает 94 % задач, тогда как мера наблюдаемой подверженности Anthropic — 33 %. Разрыв — не противоречие: одна измеряет техническую осуществимость, другая добавляет наблюдаемое внедрение и использование.
Не все читатели отчётов Anthropic приняли это сравнение на веру. Реагируя на связанный отчёт за январь 2026 года, комментатор на Hacker News написал: «Я ожидал увидеть показатели экономической производительности, которую создаёт использование искусственного интеллекта. Вместо этого я вижу показатели использования искусственного интеллекта». Это различие стоит держать в голове: объём использования и экономическая производительность — не одно и то же, и ни то ни другое не равно потере работы.
Тот январский отчёт 2026 года, собственное обновление Anthropic об экономических примитивах, показывает, что соотношение усиления и автоматизации снова сдвинулось: усиление впереди с 52 % диалогов против 45 % автоматизации, плюс новая пятичастная схема, отслеживающая сложность задачи, навыки, сценарий использования, автономность ИИ и успешность выполнения. Считайте это новым снимком развивающегося индекса, а не опровержением цифр февраля 2025 года. Паттерны использования меняются по мере того, как люди находят новые задачи, которые стоит делегировать.
Цифра теоретической подверженности 94 % и цифра наблюдаемой подверженности 33 % могут описывать одну и ту же профессиональную категорию без противоречия, потому что они измеряют разные вещи.
Почему «подверженность» — не то же самое, что «потеря работы»
«Индикаторы подверженности показывают технологическую уязвимость, а не результаты на рынке труда».
Международная организация труда, апрель 2026 года
И теоретическая, и наблюдаемая оценка подверженности отражают нечто реальное в отношении профессии к возможностям ИИ. Но ни одна не скажет, будет ли эта профессия существовать в следующем году.
В 2025 году Морган Фрэнк, Ён-Ёль Ан и Эстебан Моро проверили этот разрыв на данных о безработице в США. Они сопоставили двенадцать опубликованных оценок подверженности с ежемесячным риском безработицы по профессиям и штатам, построенным на записях страхования по безработице штатов. Лучшая отдельная оценка объясняла 10,7 % вариации риска безработицы по профессиям, штатам и месяцам; ансамбль из двенадцати оценок объяснял 29,8 %. Базовая модель с требованиями к навыкам профессии, образованием, штатом, годом и сезонностью объясняла 57,4 %, а добавление ансамбля оценок подверженности поднимало показатель до 75,5 %.
Проще говоря, одна оценка подверженности — слабый самостоятельный предиктор риска безработицы. Гораздо большая часть вариации связана со структурой рынка труда, которой в оценке нет: требованиями к навыкам, образованием, географией и сезонностью.
| Параметр | Теоретическая подверженность / на основе задач | Наблюдаемая подверженность (Anthropic) |
|---|---|---|
| Что измеряется | На какую часть профессии ИИ потенциально может повлиять или ускорить её | Какие теоретически выполнимые задачи встречаются в рабочем использовании Claude |
| Кто использует | Применяется в ряде академических и институциональных методик оценки подверженности | Anthropic, для использования собственного Claude.ai |
| Источник данных | Компоненты профессий из O*NET плюс оценки возможностей ИИ, специфичные для метода | Использование Claude плюс задачи O*NET и теоретическая осуществимость |
| Что отражает хорошо | Где возможности ИИ потенциально могут повлиять на работу | Наблюдаемое внедрение и то, как работу делегируют Claude |
| Что упускает | Спрос, стоимость, регулирование и то, станет ли кто-то вообще этим заниматься | Использование вне Claude; отражает пользователей одного продукта |
| Пример показателя | Компьютерные науки и математика: 94 % теоретически (Eloundou et al.) | Компьютерные науки и математика: 33 % наблюдаемо |
Опубликованная в апреле 2026 года методика AI Jobs Transition Framework от OpenAI делает тот же вывод с другой стороны. Вместо того чтобы считать техническую подверженность прогнозом вытеснения, она задаёт три вопроса: может ли ИИ выполнять значимую долю задач профессии, остаётся ли человек центральным звеном в выполнении или контроле работы и могут ли более низкие издержки повысить спрос настолько, чтобы поглотить прирост производительности? Применённая к 921 профессии, охватывающей примерно 148 миллионов рабочих мест в США, методика относит около 18 % рабочих мест к категории повышенного риска автоматизации, 24 % — к тем, что, вероятно, будут реорганизованы, 12 % — к тем, что могут вырасти благодаря ИИ, и 46 % — к тем, где ожидается меньше немедленных изменений.
В исследовании PNAS Nexus самая сильная отдельная оценка подверженности объясняла лишь 10,7 % вариации риска безработицы.
Поэтому, когда в вашей ленте появится следующая цифра «риска потери работы из-за ИИ», полезно сначала выяснить, каким из этих методов она получена, и только потом решать, стоит ли волноваться. Теоретическая оценка подверженности показывает, где возможности ИИ пересекаются с составляющими профессии. Наблюдаемая оценка подверженности добавляет данные о том, где люди уже применяют ИИ на практике. Ни одна из них сама по себе не скажет, вырастет или упадёт занятость в этой профессии; для этого нужны данные рынка труда о найме, спросе, зарплатах и численности персонала.
Часто задаваемые вопросы
Подверженность профессии ИИ — это то же самое, что потеря работы?
Нет. Теоретическая подверженность описывает, где возможности ИИ пересекаются с работой в профессии, а наблюдаемая подверженность добавляет данные о том, где ИИ используют на практике. Ни одна не является прямой мерой потери работы. Рецензируемое исследование 2025 года проверило это напрямую, сопоставив двенадцать оценок подверженности с реальными данными по заявкам на страхование по безработице в США: лучшая отдельная оценка объясняла лишь 10,7 % вариации риска безработицы.
Как на самом деле считают риск потери работы из-за ИИ?
За цифрами с ярлыком «риск потери работы из-за ИИ» стоят несколько методов. Методы теоретической подверженности разбивают профессии на способности или задачи O*NET и оценивают, насколько с ними пересекаются возможности ИИ; точная методика подсчёта отличается от исследования к исследованию. Подход Anthropic с наблюдаемой подверженностью объединяет теоретическую выполнимость задач с реальным использованием Claude, рабочим контекстом и степенью автоматизации. Итоговые цифры различаются, потому что измеряют разные стадии между технической возможностью и реальным внедрением.
Почему разные рейтинги риска из-за ИИ расходятся по одной и той же профессии?
Отчасти потому, что они построены на структурно разных методах (разложение задач, опрос работодателей и наблюдаемое использование отвечают на разные вопросы), а отчасти потому, что даже один метод меняется со временем. Собственный Economic Index от Anthropic оценивал усиление в 57,4 % диалогов Claude в феврале 2025 года и в 52 % в отчёте за январь 2026 года, а автоматизация сдвигалась соответственно. Снимок на одну дату — не незыблемый закон.
Высокая оценка подверженности ИИ означает, что моя профессия исчезает?
Сама по себе — нет. Андрей Карпаты, удаливший свой вирусный проект о подверженности ИИ в марте 2026 года, прямо написал в его собственном README следующее: оценки — это «грубые прикидки LLM… а не строгие прогнозы», а высокоподверженные профессии чаще будут «переформатированы, а не заменены». Сравнение Anthropic делает это различие наглядным: в компьютерных науках и математике теоретическая мера Eloundou et al. достигает 94 %, тогда как мера наблюдаемой подверженности Anthropic — 33 %. Высокая цифра на шкале возможностей — не то же самое, что захват профессии машиной.
Обсуждение
Комментарии
Войдите, чтобы присоединиться к обсуждению.