Влияние AI на рынок труда - отчет от Anthropic

Перевод исследования от Anthropic.

Содержание

Ключевые выводы статьи

Что мы сделали:
Мы создали новый способ измерять, насколько ИИ угрожает разным профессиям. Мы назвали его “наблюдаемая подверженность”. Эта метрика учитывает не только то, что ИИ может делать теоретически, но и то, что он реально делает на практике. Особое внимание уделяется задачам, где ИИ полностью заменяет человека, а не просто помогает ему.

Что мы обнаружили:

• ИИ использует лишь часть своих возможностей. Фактический охват профессий остаётся небольшой долей того, что теоретически возможно.

• Профессии с высокой подверженностью ИИ будут расти медленнее. Согласно прогнозам Бюро статистики труда США, такие профессии покажут меньший рост занятости до 2034 года.

• Под угрозой — образованные и высокооплачиваемые работники. Работники в наиболее подверженных профессиях чаще оказываются старше, среди них больше женщин, они более образованы и получают более высокие зарплаты.

• Пока массовых увольнений нет. Мы не обнаружили систематического роста безработицы среди работников с высокой подверженностью ИИ с конца 2022 года. Однако есть тревожный сигнал: похоже, что найм молодых работников (22-25 лет) в таких профессиях замедлился.

Введение: почему сложно предсказать влияние технологий

Распространение ИИ порождает волну исследований о его влиянии на рынок труда. Но история показывает: даже эксперты часто ошибаются в таких прогнозах.

Примеры из прошлого:

Оффшоринг (перенос работы в другие страны). В начале 2000-х экономисты предсказали, что около 25% рабочих мест в США окажутся под угрозой — их переведут в Индию, Китай и другие страны с дешёвой рабочей силой. Прошло десятилетие, а большинство этих профессий продолжили расти. Прогноз не сбылся.

Государственные прогнозы занятости. Правительство США регулярно публикует прогнозы роста профессий. Эти прогнозы в целом показывают верное направление (растёт или падает), но их точность ненамного лучше простой экстраполяции: “что было вчера, то будет и завтра”.

Промышленные роботы. Даже оглядываясь назад, экономисты не могут договориться, сколько рабочих мест уничтожили роботы на заводах. Разные исследования приходят к противоположным выводам.

Торговля с Китаем. Споры о том, сколько рабочих мест потеряла Америка из-за дешёвого китайского импорта, продолжаются до сих пор.

Зачем нужно это исследование

В этой работе мы создаём новую систему для понимания влияния ИИ на рынок труда. Мы проверяем её на ранних данных и обнаруживаем ограниченные доказательства влияния ИИ на занятость на сегодняшний день.

Возможно, влияние ИИ будет настолько очевидным, что не потребуется сложный анализ. Но если эффекты окажутся неоднозначными, наш подход поможет выявить наиболее уязвимые профессии до того, как начнутся массовые увольнения.

Методология: как мы это измеряли

Проблема контрфактуалов (сценариев для сравнения)

Выявить причинно-следственную связь проще, когда эффект большой и внезапный.

Пример с COVID-19:

Пандемия и карантины ударили по экономике так сильно, что не требовалось сложных расчётов. Безработица взлетела с 4% до 15% за несколько недель. Очевидно, что виноват вирус и карантин, а не “обычные экономические циклы”.

Проблема с ИИ:

Его влияние, скорее всего, будет похоже не на COVID, а на интернет или торговлю с Китаем. Эффекты могут проявляться постепенно, и их будет сложно отделить от других факторов: экономических кризисов, изменений в торговой политике, демографических сдвигов.

Как учёные решают эту проблему

Распространённый подход заключается в сравнении групп работников, которые по-разному подвержены влиянию ИИ.

Простой пример:

Представьте два города: - В городе А открылся большой завод Amazon - В городе Б ничего не изменилось

Чтобы понять влияние завода на безработицу, мы:

Если в городе А безработица упала сильнее — значит, завод помог. Если изменения одинаковые — завод не при чём (возможно, в обоих городах сработали другие факторы).

В нашем исследовании:

• “Город А” = работники в профессиях с высокой подверженностью ИИ (программисты, аналитики)
• “Город Б” = работники в профессиях, где ИИ почти бесполезен (сантехники, повара)
• “Открытие завода” = запуск ChatGPT (ноябрь 2022 года)

Подверженность мы определяем на уровне задач, а не целых профессий.

Наша работа следует этому подходу, но добавляет важную деталь: мы учитываем не только теоретические возможности ИИ, но и его реальное использование.

Три источника данных

Мы объединили информацию из трёх источников:

1. База данных O*NET
Государственная американская база данных, которая описывает около 800 профессий. Для каждой профессии перечислены конкретные задачи и указано, сколько времени работник тратит на каждую задачу.

Пример для программиста: - Писать код: 40% времени - Тестировать программы: 20% времени - Общаться с клиентами: 15% времени - И так далее…

2. Данные использования Claude (Anthropic Economic Index)
Мы проанализировали миллионы реальных рабочих диалогов с Claude. Это показывает, для каких задач люди действительно используют ИИ на практике.

3. Оценки теоретических возможностей
В 2023 году группа исследователей из OpenAI оценила около 19,000 рабочих задач. Они определили, может ли большая языковая модель (LLM) ускорить выполнение каждой задачи как минимум в два раза.

Они использовали шкалу β (бета): - β = 1.0 — LLM может ускорить задачу вдвое самостоятельно - β = 0.5 — LLM может ускорить задачу, но нужны дополнительные инструменты (например, доступ к базам данных или калькуляторам) - β = 0 — LLM бесполезен для этой задачи

Пример:

• “Написать email клиенту” → β = 1.0 (LLM легко справляется)
• “Авторизовать выдачу лекарств в аптеке” → β = 1.0 теоретически, но на практике не используется (юридические ограничения)
• “Починить водопроводную трубу” → β = 0 (физическая работа)

Что это значит: Теория и практика хорошо совпадают. 97% задач, для которых используют Claude, — это задачи, которые эксперты оценили как теоретически выполнимые для ИИ.

Почему реальное использование отстаёт от теоретических возможностей

Некоторые задачи, которые ИИ может делать, на практике не выполняются. Причины:

• Модель может “в среднем” справляться с задачей, но иногда ошибается. Для критически важных задач этого недостаточно.
• Юридические барьеры: Например, выписывать рецепты на лекарства ИИ теоретически может, но законы этого не разрешают.
• Задача может требовать интеграции с корпоративными системами, которые ещё не готовы.
• Во многих случаях результат работы ИИ всё равно нужно проверять специалисту.

Так же одна из причин - люди могут не знать, что ИИ способен помочь с их задачей.

Наша новая метрика: “Наблюдаемая подверженность”

Мы создали меру под названием “Наблюдаемая подверженность” (Observed Exposure).

Главный вопрос: Из тех задач, которые LLM теоретически могут ускорить, какие реально видят автоматизированное использование в профессиональной среде?

Разница с существующими подходами:
Большинство исследований смотрят только на теоретические возможности — широкий спектр задач. Мы отслеживаем, как сужается разрыв между “может” и “делает”. Это даёт представление об экономических изменениях по мере их реального возникновения, а не гипотетического.

Что учитывает наша метрика

Подверженность профессии выше, если:

1.         Задачи теоретически выполнимы с ИИ — высокий коэффициент β

2.         Задачи часто встречаются в реальном использовании — мы видим их в данных Anthropic Economic Index

3.         Задачи выполняются в рабочем контексте — не развлечение и не учёба, а именно профессиональные задачи

4.         Высокая доля автоматизации — ИИ работает самостоятельно, а не просто помогает человеку

5.         Задачи занимают большую часть рабочего времени — если ИИ-затронутые задачи составляют 80% работы, это опаснее, чем если они составляют 20%

Ключевые наблюдения:

Большой разрыв (синее намного больше красного): - Компьютеры и математика: теория 94%, практика 33% - Офис и администрирование: теория 90%, практика меньше - Образование и библиотеки: теория высокая, практика низкая

Малый охват (обе области маленькие): - Сельское хозяйство - Строительство
- Обслуживание территории - Личный уход

Что это значит:
ИИ далёк от того, чтобы использовать свой полный теоретический потенциал. Например, теоретически ИИ может выполнять 94% задач в категории “Компьютеры и математика”, но на практике Claude используется только для 33% этих задач. Разрыв огромный — это означает, что есть время для адаптации.

По мере развития технологий, распространения знаний о возможностях ИИ и снятия юридических барьеров красная область будет расти, приближаясь к синей.

Результаты: какие профессии под угрозой

Топ-10 наиболее подверженных профессий

Рисунок 3 показывает десять профессий с наивысшей наблюдаемой подверженностью в нашем исследовании.

Что бросается в глаза:

Кто в относительной безопасности

30% всех работников имеют нулевую подверженность в нашей метрике. Их задачи слишком редко появлялись в наших данных, чтобы достичь минимального порога для включения в расчёт.

Примеры профессий с нулевой подверженностью: - Повара - Механики - Спасатели на пляжах и в бассейнах - Бармены - Посудомойщики - Гардеробщики

Общая черта: это либо физическая работа, либо работа, требующая личного присутствия и человеческого взаимодействия в реальном мире.

Связь с прогнозами роста занятости

Бюро статистики труда США (BLS) регулярно публикует прогнозы по профессиям. Последний набор прогнозов, опубликованный в 2025 году, охватывает период с 2024 по 2034 год. Мы сравнили наши оценки подверженности ИИ с этими официальными прогнозами.

Что это значит:

Мы обнаружили статистически значимую отрицательную связь. На каждые 10 процентных пунктов увеличения подверженности ИИ прогноз роста занятости падает на 0.6 процентных пункта.

Важно: Связь есть, но она слабая (R² = 0.027 означает, что подверженность ИИ объясняет только 2.7% вариации в прогнозах). На рост профессий влияют десятки других факторов: демография, технический прогресс в целом, изменения в потребительском спросе.

Это частично подтверждает нашу метрику — она согласуется с независимыми оценками экспертов рынка труда из BLS. Интересно, что если использовать только теоретическую метрику (β), без учёта реального использования, корреляция с прогнозами BLS исчезает.

Кто под угрозой: портрет подверженного работника

Мы проанализировали характеристики работников из двух групп, используя данные опросов населения за август-октябрь 2022 года (три месяца до запуска ChatGPT):

• Группа А: Верхняя четверть по подверженности ИИ (топ-25% профессий)
• Группа Б: Нулевая подверженность (30% работников)

Ключевые выводы:

Это НЕ низкооплачиваемые, неквалифицированные работники. Стереотип о том, что автоматизация угрожает в первую очередь “простым” профессиям, не работает с ИИ.

Замечание: Традиционно политика помощи “пострадавшим от автоматизации” фокусировалась на низкоквалифицированных работниках (программы переобучения для заводских рабочих). С ИИ может потребоваться другой подход — поддержка высокообразованных специалистов.

Влияние на безработицу: что мы видим в данных

Имея метрику подверженности, мы можем изучить, как ИИ уже повлиял на рынок труда. Но сначала нужно решить: на что смотреть?

Почему мы выбрали безработицу как главный показатель

Почему именно безработица:

1. Безработный человек хочет работу и не может её найти. Это чётко измеримая проблема.
2. Не требует интерпретации. Если публикаций вакансий программистов стало меньше, но появилось больше вакансий для специалистов по ИИ — это хорошо или плохо? Сложно сказать. А рост безработицы — однозначно проблема.
3. Отражает переходный период. Самый вредный сценарий от ИИ — это не исчезновение профессий само по себе (экономика адаптируется), а болезненный переходный период, когда уволенные люди не могут быстро найти новую работу.

Данные: Мы используем Current Population Survey — ежемесячный опрос домохозяйств в США. Безработные респонденты сообщают, какая у них была профессия на последней работе. Это позволяет отследить, растёт ли безработица среди программистов, аналитиков и других подверженных групп.

Методология анализа

Вопрос: Каких работников считать “обработанными” влиянием ИИ?

Ожидать ли изменений в безработице, если ИИ охватил только 10% задач профессии? Или нужно дождаться 50%? 90%?

Наш подход: Мы фокусируемся на простоте. Мы ожидаем, что если влияние есть, оно должно в первую очередь затронуть профессии с наивысшей подверженностью.

Сравниваем:

• Группа “лечения” - верхняя четверть профессий по подверженности (топ-25%)
• Контрольная группа - работники с нулевой подверженностью (30% работников)
• “Момент воздействия” - запуск ChatGPT (конец ноября 2022 года)

Также проверяем разные пороги (топ-50%, топ-10%, топ-5%), чтобы убедиться, что результат не зависит от произвольного выбора границы.

Интерпретация нижнего графика:

Это показывает, насколько разница между группами изменилась после ChatGPT.

Если бы линия пошла вверх после ноября 2022 это означало бы, что безработица в подверженной группе выросла сильнее. Это был бы сигнал влияния ИИ.

* Это не значит, что ИИ совсем не влияет. Это значит, что пока влияние недостаточно сильное, чтобы мы могли его чётко увидеть в данных по безработице.

Какие сценарии наша методика может обнаружить

На основе доверительных интервалов мы можем сказать:

Сценарий 1: Массовые увольнения
Если бы все работники в топ-10% подверженности потеряли работу одновременно:

• Безработица в группе “лечения” подскочила бы с 3% до 43%
• Общая безработица в стране выросла бы с 4% до 13%
• Это было бы ОЧЕНЬ заметно в наших данных

Сценарий 2: “Великая рецессия для белых воротничков”
Во время финансового кризиса 2007-2009 безработица в США удвоилась с 5% до 10%. Если бы подобное удвоение произошло только в подверженных профессиях: - Безработица в группе “лечения” выросла бы с 3% до 6% - Это тоже было бы заметно в наших данных

Сценарий 3: Умеренное влияние
Дифференциальный рост безработицы на 1 процентный пункт между группами мы можем обнаружить с достаточной уверенностью.

Что мы НЕ обнаруживаем:
Очень маленькие эффекты (0.1-0.2 процентных пункта) могут быть скрыты в статистическом шуме.

Важное замечание о том, что мы измеряем
Наша оценка основана на дифференциальных изменениях. Если безработица выросла одинаково для всех работников (и подверженных, и неподверженных), мы бы не приписали это ИИ — скорее всего, это общеэкономический фактор (рецессия, изменение процентных ставок).

Тревожный сигнал: молодые работники

Хотя общая безработица среди подверженных работников не выросла, мы обнаружили один тревожный паттерн среди молодёжи.

Что показали другие исследования

Недавнее исследование с использованием данных от платёжной компании ADP обнаружило падение занятости на 6-16% среди молодых работников (22-25 лет) в профессиях с высокой подверженностью ИИ. Исследователи считают, что причина в первую очередь в замедлении найма, а не в увольнениях существующих работников.

Что мы нашли: безработица среди молодых стабильна

Мы проверили уровень безработицы среди работников 22-25 лет в подверженных профессиях. Он остался стабильным (см. техническое приложение).

Почему это не противоречит замедлению найма:

Многие молодые люди, которых не наняли на желаемую позицию: - Устраиваются на другую работу (бариста вместо аналитика данных) - Продолжают учёбу (магистратура, курсы переквалификации) - Временно выходят из рабочей силы (путешествия, подработки)

В статистике они не считаются “безработными программистами”, потому что формально не ищут работу программиста или уже нашли другую работу.

Прямое измерение найма

Чтобы напрямую измерить найм, мы использовали панельную структуру опросов Current Population Survey. Респондентов опрашивают несколько месяцев подряд, поэтому мы можем отследить, когда человек начинает новую работу.

Интерпретация:

Уровень найма в профессии с нулевой подверженностью остался стабильным около 2% в месяц. Уровень найма в профессии с высокой подверженностью снизился примерно на 0.5 процентных пункта.

Относительное изменение: -14.3% от базового уровня.

Что это значит на практике:

Эффект на грани статистической значимости (стандартная ошибка 7.2 при эффекте -14.3). Это означает “есть сигнал, но нужно больше данных для уверенности”.

Альтернативные объяснения

Мы должны быть осторожны в выводах. Несколько альтернативных интерпретаций:

1. Молодые остаются на текущих работах дольше
Возможно, junior-разработчики не меняют работу так часто, как раньше, из-за неопределённости на рынке. Это означает меньше открытых позиций для новичков, но не обязательно из-за ИИ.

2. Переход в смежные профессии
Молодые люди могут находить работу в новых ИИ-ориентированных позициях (prompt engineer, AI trainer), которые в нашей классификации попали в другие категории.

3. Общая неопределённость на рынке труда в 2023-2024
Период после пандемии был нестабильным. Компании могли замедлить найм по многим причинам, не связанным с ИИ.

4. Проблемы измерения
Переходы между работами в опросах более подвержены ошибкам измерения, чем статус занятости.

Что это может значить

Оптимистичный взгляд:

Это временная адаптация. Через несколько лет рынок стабилизируется, появятся новые роли, и молодые специалисты найдут своё место.

Пессимистичный взгляд:

Это раннее предупреждение о “потерянном поколении” в некоторых профессиях. Если выпускники 2023-2024 годов не могут найти первую работу по специальности, они теряют критически важные ранние годы карьеры. Через 5-10 лет это может привести к структурному дефициту опытных специалистов в этих областях.

Наша позиция:

Обсуждение и выводы

Что мы сделали

Это исследование представляет новый подход к измерению влияния ИИ на рынок труда. Мы создали метрику “наблюдаемая подверженность”, которая учитывает не только теоретические возможности больших языковых моделей, но и их реальное использование в профессиональных задачах, с особым вниманием к автоматизации (а не просто дополнению человеческой работы).

Основные находки:

• Программисты, представители клиентского обслуживания и финансовые аналитики — среди наиболее подверженных профессий
• ИИ использует только треть своего теоретического потенциала — например, в категории “Компьютеры и математика” теоретический охват 94%, фактический 33%
• Связь с прогнозами роста существует, но слабая — каждые 10 п.п. роста подверженности коррелируют с падением прогноза роста на 0.6 п.п.
• Массовой безработицы пока нет — мы не обнаружили статистически значимого роста безработицы в подверженных профессиях
• Тревожный сигнал среди молодёжи — есть предварительные свидетельства замедления найма работников 22-25 лет в подверженных профессиях (снижение на ~14%)

Ограничения исследования

Следующие шаги

Мы планируем обновлять этот анализ каждые 6-12 месяцев, добавляя новые данные об использовании Claude и свежие данные по рынку труда. Оценки теоретических возможностей от 2023 года могут устареть. По мере роста возможностей LLM (длинный контекст, multimodal abilities, агентные системы) нужно пересмотреть оценки β.

Учитывая предварительные находки, важно глубже изучить, как недавние выпускники в подверженных специальностях (computer science, финансы, маркетинг) ориентируются на рынке труда.

Следовало бы применить методику к другим странам, где доступны похожие данные.

Даже если количество рабочих мест не уменьшается, переговорная сила работников может ослабеть, что приведёт к стагнации или падению зарплат.

Значение для политики

Традиционная политика помощи “пострадавшим от автоматизации” фокусировалась на низкоквалифицированных работниках заводов. С ИИ под угрозой оказываются высокообразованные “белые воротнички”. Это требует переосмысления подходов.

Пока мы не видим кризиса. Но история показывает, что когда массовая безработица уже наступила, реагировать поздно. Период относительной стабильности — лучшее время для:

• Программ переобучения
• Адаптации образовательных систем
• Усиления социальных сетей безопасности
• Экспериментов с новыми формами труда

Если найм молодых действительно замедляется в подверженных профессиях, это создаёт риск “потерянного поколения” специалистов. Потеря первых лет карьеры имеет долгосрочные последствия для заработков и развития навыков.

Заключительное слово

Мы находимся в начале трансформации рынка труда под влиянием ИИ. Наше исследование — это первый шаг в создании систематического подхода к измерению этой трансформации.

Главный вывод:

Пока тревога оказывается преждевременной. Массовых увольнений нет. Но есть ранние признаки изменений, особенно в найме молодых работников. Разрыв между теоретическими возможностями ИИ и реальным использованием остаётся огромным — это даёт время для адаптации.

Призыв к действию:

Не паниковать, но и не игнорировать сигналы. Продолжать наблюдение, готовить системы поддержки, адаптировать образование. Мы обновим этот анализ через год и посмотрим, усилились ли сигналы или они оказались статистическим шумом.

Перевод от канала https://t.me/bluedepp